【技术实现步骤摘要】
本专利技术属于逆合成孔径雷达(inverse synthetic aperture radar,isar)目标分类领域，具体涉及一种基于时空特征增强网络的多视角isar车辆目标分类方法。
技术介绍
1、逆合成孔径雷达可以捕获车辆目标的尺寸、轨迹和车轮数量等丰富信息，并且其相对于光学和红外传感器，除了具备传统雷达固有的全天时、全天候工作等优点外，工作在毫米波波段的isar具有高带宽和大型天线阵列，能够提供出色的距离、多普勒和方位分辨率，因此成为智能交通中的一种重要探测系统。相比于静态目标监测领域应用的合成孔径雷达(synthetic aperture radar,sar)，isar在处理运动目标方面具有显著优势。isar目标的复杂运动过程可以看作平移运动和旋转运动的结合，通过准确估计和补偿目标的平移运动，可以将目标移到转台坐标上直接进行转台目标成像。车辆目标分类是汽车雷达回波的重要下游任务之一，基于isar图像研究准确高效的车辆目标分类方法具有极其重要的学术价值和广泛的应用前景。
2、近年来不断发展的深度学习技术，作为isar图像解译的重要手段之一，大大促进了isar车辆目标分类的进步。然而，isar成像具有非协作特性，目标的运动方向、雷达带宽以及距离、方位角采样率等变化都会影响isar成像的效果，导致图像产生拉伸、压缩、旋转等未知变形问题。因此，如何从形变未知的isar图像中提取车辆目标的鲁棒性特征，实现高精度的车辆目标分类仍是一个亟待深入研究的课题。为了解决上述问题，本专利技术提出一种多视角时空特征细化网络，针对未
技术实现思路
1、本专利技术针对上述isar车辆目标分类存在的问题，提出一种基于时空特征增强网络的多视角isar车辆目标分类方法。首先，该方法提出一个融合动态卷积运算和自适应视角加权策略的多视角特征提取框架，动态卷积可根据输入自适应调整卷积核，再基于多视角特征自适应加权策略，联合多个视角提取车辆目标的综合视角特征；然后，提出一个双流时空特征细化模块，分别从全局和局部角度对多视角时空特征进行优化；最后，利用长短期记忆(long short termmemory,lstm)网络有效聚合多视角时空特征，实现车辆目标分类。
2、本专利技术技术方案为一种基于时空特征增强网络的多视角isar车辆目标分类方法，该方法包括：步骤1：给定车辆isar序列图像i＝{i0,...,ii,...,im}∈rm×w×h，其中m代表序列图像的长度，即帧数，ii表示第i帧图像，w×h代表单帧图像的大小，然后归一化isar图像尺寸；
3、步骤2：建立融合动态卷积运算和自适应视角加权策略的多视角特征提取框架，首先进行多视角特征提取，然后进行多视角特征加权融合两个部分；
4、步骤3：利用双流时空特征细化模块进行空间特征的提取和细化；
5、步骤4：时间细化分为全局和局部分支两部分；
6、步骤5：利用lstm对视角、空间和时间特征进行聚合；基于lstm的记忆单元，利用上一个时间步的隐藏状态单元状态当前时间步输入分别计算下一个时间步的单元状态和隐藏状态
7、
8、
9、其中，fg(·)、ig(·)、og(·)分别表示lstm的遗忘门、输入门和输出门，wc和bc分别表示记忆单元的权值和偏置参数，t(·)表示tanh激活函数；
10、步骤6：根据步骤5的式子逐个时间步推理，获得最后一个时间步的聚合多个视角信息的特征；最后利用softmax分类器对车辆目标进行分类，该过程如下：
11、
12、label(i)＝max(p1,...,pk)
13、其中，fo为lstm最后一个时间步输出的聚合特征，wi∈rc×k和bi分别为softmax分类器的权值和偏置参数，k为车辆目标的类别数量，max(·)为最大值函数，pi表示第i类车辆的分类值。
14、进一步的，所述步骤2的具体方法为：
15、步骤2.1：通过输入特征学习获取动态卷积核参数，再对输入特征进行动态卷积操作，动态卷积运算为：
16、fi＝σ(wt(ii)ii+b(ii))
17、
18、
19、其中，特征序列中的每一帧代表一个视角，fi表示第i帧混合特征即第i个视角，ωc表示第c个卷积核的动态权值，c为卷积核个数，ωc满足0≤ωc≤1,σ(·)表示sigmoid函数，t表示转置运算，wc和bc分别表示第c个卷积核的权值和偏置；
20、步骤2.2：利用全连接层和sigmoid函数自适应学习特征序列f＝{f0,...,fi,...,fm}中各个视角的重要性权值，该重要性权值γi的学习过程为：
21、
22、其中，表示参数为w的全连接层；
23、步骤2.3：根据步骤2.2获得的重要性权值对所有视角特征进行加权聚合，得到全局视角特征fg：
24、
25、其中，fg与单个视角特征fi尺寸一致；
26、步骤2.4：将单个视角特征和全局视角特征连接在一起获得多视角联合特征序列ff：
27、ff＝{concat(f1,fg),...,concat(fm,fg)}
28、其中，concat(·,·)表示特征拼接操作。
29、进一步的，所述步骤3的具体方法为：
30、步骤3.1：空间特征细化使用一种基于自注意力机制的空间特征细化方法，首先通过三层卷积核大小为1×1的卷积层对fif学习，每一层卷积后依次获得k∈rn×c,q∈rc×n,v∈rc×n三个特征，其中n＝h×w；然后k∈rn×c和q∈rc×n进行卷积运算获得全局注意力权重图mg：
31、mg＝δ(conv(k)·conv(q))
32、其中，conv(·)表示卷积核为1×1的卷积操作；
33、步骤3.2：根据以上计算的全局注意力权重图mg，对v∈rc×n进行逐元素乘积，获得包含全局空间信息的全局空间细化特征
34、
35、其中，为哈德玛乘积；
36、步骤3.3：为保证不丢失局部空间信息，引入跳跃连接操作，在通道维度拼接局部空间特征以获得全局和局部细化的空间特征如下所示：
37、
38、进一步的，所述步骤4的具体方法为：
39、步骤4.1：时间细化的全局分支通过两个全连接层学习具有全局视野的自适应卷积核参数，动态学习连续成像区间内isar图像之间的长期相关性，第c个通道的卷积核θc根据以下公式计算：
40、
41、
42、其中，表示全局平均池化操作，表示relu激活函数，w2和w1为两个全连接层的可学习参数；
43、步骤4.2：时间特征细化模块的局部分支关注每个时间步特征对识别任务的贡献度，通过两个一维卷积层来学习每个时本文档来自技高网...
【技术保护点】
1.一种基于时空特征增强网络的多视角ISAR车辆目标分类方法，该方法包括：
2.如权利要求1所述的一种基于时空特征增强网络的多视角ISAR车辆目标分类方法，其特征在于，所述步骤2的具体方法为：
3.如权利要求1所述的一种基于时空特征增强网络的多视角ISAR车辆目标分类方法，其特征在于，所述步骤3的具体方法为：
4.如权利要求1所述的一种基于时空特征增强网络的多视角ISAR车辆目标分类方法，其特征在于，所述步骤4的具体方法为：
【技术特征摘要】
1.一种基于时空特征增强网络的多视角isar车辆目标分类方法，该方法包括：
2.如权利要求1所述的一种基于时空特征增强网络的多视角isar车辆目标分类方法，其特征在于，所述步骤2的具体方法为：
3.如权利要求...
【专利技术属性】
技术研发人员：任浩浩，唐与遥，刘腾，亢海龙，罗丰，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。