一种模型与数据联合驱动的SAR图像目标识别方法技术

本发明专利技术公开了一种模型与数据联合驱动的SAR图像目标识别方法，包括：获取待识别的SAR图像；将SAR图像输入预先训练完成的目标识别网络，得到SAR图像的目标识别结果；其中，目标识别网络是利用具有标记信息的原始样本集和扩展样本集预先合并训练得到的；扩展样本集是基于原始样本集，利用参数化模型进行目标重构，并进行随机部分频率修改操作后再成像得到的。本发明专利技术能够在训练样本受限情况下，提高SAR图像的目标识别精度，并减小实际扰动因素的影响。响。响。

【技术实现步骤摘要】
一种模型与数据联合驱动的SAR图像目标识别方法


[0001]本专利技术属于目标识别
，具体涉及一种模型与数据联合驱动的SAR图像目标识别方法。

技术介绍

[0002]随着微电子和通信技术的发展，催生出对图像自动解译的迫切需求。近年来，围绕着图像自动目标识别问题，国内外学者开展了大量研究，现有研究成果可以归纳为两类：
[0003]一是模型驱动目标识别策略，该类方法首先对图像进行参数化电磁建模，并进行参数估计，然后利用参数的特定物理含义进行类别归属的判决。然而，如何利用有限的散射样本估计复杂的模型参数，是它面临的主要挑战。此外，模型驱动目标识别建模过程复杂，且识别精度有限，容易受微小的实际扰动因素的影响。
[0004]二是以深度学习理论为支撑的数据驱动目标识别策略，该类方法以“无监督预训练”和“有监督微调”为代表、辅以逐层梯度下降优化技巧的深度学习，以高效的特征学习和强大的拟合能力迅速成为新的研究热点，在众多应用领域已取得较大成功。数据驱动目标识别方法主要依赖于强大的平台算力和海量的标记样本。然而对于雷达图像而言，尽管可获取的传感器数据很多，但成像场景的真实信息缺失，无法形成带标记信息的合法训练样本，因此会造成目标识别网络的训练陷入欠拟合状态，从而导致网络识别精度较差。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术实施例提供了一种模型与数据联合驱动的SAR图像目标识别方法、装置、电子设备及存储介质。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]第一方面，本专利技术实施例提供了一种模型与数据联合驱动的SAR图像目标识别方法，所述方法包括：
[0007]获取待识别的SAR图像；
[0008]将所述SAR图像输入预先训练完成的目标识别网络，得到所述SAR图像的目标识别结果；
[0009]其中，所述目标识别网络是利用具有标记信息的原始样本集和扩展样本集预先合并训练得到的；所述扩展样本集是基于所述原始样本集，利用参数化模型进行目标重构，并进行随机部分频率修改操作后再成像得到的。
[0010]在本专利技术的一个实施例中，所述扩展样本集的获得过程，包括：
[0011]针对所述原始样本集中每个原始样本，对该原始样本进行参数化电磁散射建模，得到构建的参数化模型；
[0012]估计所述参数化模型的模型参数；
[0013]利用该原始样本、所述参数化模型和所述模型参数进行目标重构，得到该原始样本的重构数据组，所述重构数据组包括目标重构结果和对应的残差分量；
[0014]对所述目标重构结果和/或所述对应的残差分量进行至少一次的所述随机部分频率修改操作，每次得到修改后重构数据组；
[0015]将每个修改后重构数据组中的目标重构结果和残差分量进行合成，并将合成结果进行SAR成像，得到该原始样本对应的一个扩展样本；
[0016]将所述原始样本集中各原始样本得到的所有扩展样本所构成的集合，确定为扩展样本集。
[0017]在本专利技术的一个实施例中，所述参数化模型，包括：
[0018]属性散射中心模型。
[0019]在本专利技术的一个实施例中，所述估计所述参数化模型的模型参数，包括：
[0020]利用信号稀疏表示策略，估计所述参数化模型的模型参数。
[0021]在本专利技术的一个实施例中，所述随机部分频率修改操作，包括：
[0022]随机选取部分频率值，将选出的频率值置为预设值。
[0023]在本专利技术的一个实施例中，所述随机选取部分频率值，包括：
[0024]利用一个位置随机的区域框框选部分频率值。
[0025]在本专利技术的一个实施例中，所述预设值，包括：
[0026]零值或者随机值。
[0027]第二方面，本专利技术实施例提供了一种模型与数据联合驱动的SAR图像目标识别装置，所述装置包括：
[0028]图像获取模块，用于获取待识别的SAR图像；
[0029]目标识别模块，用于将所述SAR图像输入预先训练完成的目标识别网络，得到所述SAR图像的目标识别结果；
[0030]其中，所述目标识别网络是利用具有标记信息的原始样本集和扩展样本集预先合并训练得到的；所述扩展样本集是基于所述原始样本集，利用参数化模型进行目标重构，并进行随机部分频率修改操作后再成像得到的。
[0031]在本专利技术的一个实施例中，所述扩展样本集的获得过程，包括：
[0032]针对所述原始样本集中每个原始样本，对该原始样本进行参数化电磁散射建模，得到构建的参数化模型；
[0033]估计所述参数化模型的模型参数；
[0034]利用该原始样本、所述参数化模型和所述模型参数进行目标重构，得到该原始样本的重构数据组，所述重构数据组包括目标重构结果和对应的残差分量；
[0035]对所述目标重构结果和/或所述对应的残差分量进行至少一次的所述随机部分频率修改操作，每次得到修改后重构数据组；
[0036]将每个修改后重构数据组中的目标重构结果和残差分量进行合成，并将合成结果进行SAR成像，得到该原始样本对应的一个扩展样本；
[0037]将所述原始样本集中各原始样本得到的所有扩展样本所构成的集合，确定为扩展样本集。
[0038]在本专利技术的一个实施例中，所述参数化模型，包括：
[0039]属性散射中心模型。
[0040]在本专利技术的一个实施例中，所述估计所述参数化模型的模型参数，包括：
[0041]利用信号稀疏表示策略，估计所述参数化模型的模型参数。
[0042]在本专利技术的一个实施例中，所述随机部分频率修改操作，包括：
[0043]随机选取部分频率值，将选出的频率值置为预设值。
[0044]在本专利技术的一个实施例中，所述随机选取部分频率值，包括：
[0045]利用一个位置随机的区域框框选部分频率值。
[0046]在本专利技术的一个实施例中，所述预设值，包括：
[0047]零值或者随机值。
[0048]第三方面，本专利技术实施例提供了一种电子设备，包括处理器和存储器，其中，
[0049]所述存储器，用于存放计算机程序；
[0050]所述处理器，用于执行所述存储器上所存放的程序时，实现本专利技术实施例所提供的模型与数据联合驱动的SAR图像目标识别方法的步骤。
[0051]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术实施例所提供的模型与数据联合驱动的SAR图像目标识别方法的步骤。
[0052]本专利技术实施例所提供的方案中，在SAR图像的目标识别网络有限的原始样本集基础上，通过对原始样本集中每个原始样本利用参数化模型进行目标重构，进行随机部分频率修改操作，然后再进行SAR成像，可以得到与之前原始样本具有频率差异的扩展样本，将原始样本集中所有原始样本对应得到的扩展样本集与原始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型与数据联合驱动的SAR图像目标识别方法，其特征在于，包括：获取待识别的SAR图像；将所述SAR图像输入预先训练完成的目标识别网络，得到所述SAR图像的目标识别结果；其中，所述目标识别网络是利用具有标记信息的原始样本集和扩展样本集预先合并训练得到的；所述扩展样本集是基于所述原始样本集，利用参数化模型进行目标重构，并进行随机部分频率修改操作后再成像得到的。2.根据权利要求1所述的模型与数据联合驱动的SAR图像目标识别方法，其特征在于，所述扩展样本集的获得过程，包括：针对所述原始样本集中每个原始样本，对该原始样本进行参数化电磁散射建模，得到构建的参数化模型；估计所述参数化模型的模型参数；利用该原始样本、所述参数化模型和所述模型参数进行目标重构，得到该原始样本的重构数据组，所述重构数据组包括目标重构结果和对应的残差分量；对所述目标重构结果和/或所述对应的残差分量进行至少一次的所述随机部分频率修改操作，每次得到修改后重构数据组；将每个修改后重构数据组中的目标重构结果和残差分量进行合成，并将合成结果进行SAR成像，得到该原始样本对应的一个扩展样本；将所述原始样本集中各原始样本得到的所有扩展样本所构成的集合，确定为扩展样本集。3.根据权利要求2所述的模型与数据联合驱动的SAR图像目标识别方法，其特征在于，所述参数化模型，包括：属性散射中心模型。4.根据权利要求2所述的模型与数据联合驱动的SAR图像目标识别方法，其特征在于，所述估计所述参数化模型的模型参数，包括：利用信号稀疏表示策略，估计所述参数化模型的模型...

【专利技术属性】
技术研发人员：董刚刚，刘宏伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：