CN106228201B - 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 - Google Patents
一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 Download PDFInfo
- Publication number
- CN106228201B CN106228201B CN201610440129.3A CN201610440129A CN106228201B CN 106228201 B CN106228201 B CN 106228201B CN 201610440129 A CN201610440129 A CN 201610440129A CN 106228201 B CN106228201 B CN 106228201B
- Authority
- CN
- China
- Prior art keywords
- target
- layer
- radar
- recorded
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 64
- 238000012360 testing method Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000003384 imaging method Methods 0.000 claims description 57
- 210000002569 neuron Anatomy 0.000 claims description 38
- 238000005070 sampling Methods 0.000 claims description 34
- 238000004088 simulation Methods 0.000 claims description 34
- 238000001914 filtration Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000005260 corrosion Methods 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000012938 design process Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000321453 Paranthias colonus Species 0.000 description 1
- JXVIIQLNUPXOII-UHFFFAOYSA-N Siduron Chemical compound CC1CCCCC1NC(=O)NC1=CC=CC=C1 JXVIIQLNUPXOII-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 235000013599 spices Nutrition 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/38—Jamming means, e.g. producing false echoes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法,它首先采用合成孔径雷达成像方法和电磁散射仿真方法,得到了几类目标在不同姿态下有阴影和没阴影的SAR图像,并将不同雷达入射角下得到的SAR图像分别作为卷积神经网络的训练样本和测试样本;然后,针对卷积网络对阴影特征识别效果不佳的缺点,用第一级卷积神经网络对目标和背景进行分类,得到不同类别的目标和背景,对重点目标图像采用标准阈值分割方法和多值化处理,得到目标区域分割后的多值图像,采用卷积神经网络分类方法,得到区分开的真实目标和欺骗目标。本发明同时实现了SAR自动目标识别和干扰目标识别的功能,在图像域上实现了高性能的SAR抗欺骗式干扰。
Description
技术领域
本发明属于雷达技术领域,它特别涉及合成孔径雷达(SAR)抗干扰技术领域和合成孔径雷达(SAR)自动目标识别(Automatic Target Recognition,ATR)技术领域。
背景技术
欺骗式干扰通过模拟出假目标或虚假场景的回波信号来达到扰乱对方雷达侦察***的目的。随着干扰机对SAR回波信号的模拟更加精细,干扰调制的精细度得到了显著的提高,从而可以较精确地模拟真实回波的多普勒相干性,大大降低了对干扰机功率的要求,并可以形成更加精细的欺骗干扰结果。国际上学者们对欺骗干扰的基本原理进行了研究,欺骗干扰在距离向与方位向均具有相干性,在成像处理中得到与真实场景相近的匹配滤波处理増益,大大降低了对干扰机功率的要求。此外,欺骗干扰虚假场景的调制可以根据需要被保护的真实场景地形进行合理设计,具有更高的自由性与灵活性。在充分考虑目标电磁散射机理及其与周边环境相互作用的基础上,可以得到高逼真度的欺骗干扰结果。因此,SAR欺骗干扰使得SAR***获得的回波信号中包含欺骗信息,从而使成像结果中出现虚假干扰场景与虚假目标,达到“以假乱真”、“真假难辨”的干扰效果,误导对方的场景态势分析、评估与战略决策。详见文献“赵博,合成孔径雷达欺骗干扰方法研究,西安电子科技大学博士学位论文,2015.”。
随着干扰技术的发展,抗干扰技术也在不断跟进与完善。由于SAR本身***的特点,普通雷达的抗干扰技术是无法在SAR中应用的。为了有效应对SAR干扰技术的发展,国内外展开了大规模的针对SAR抗干扰技术的研究,其研究方向主要集中于信号处理、***体制等方面。其中,信号处理方向是SAR抗干扰研究的技术基础,针对欺骗式干扰的技术缺陷,其抗干扰的优势明显。为了防止干扰对信号进行检测与复制,SAR在信号处理方面一般可以采取微调参数抗干扰技术发射捷变信号,详见文献“柏仲干,周颖,王国玉,SAR欺骗干扰的序贯引导算法研究.,现代雷达,2007,29(1):76-79.”。在***体制方面抗干扰,大多利用两架或者多架载机,即所谓的双站SAR,其中一架载机装备发射装置,起到辐射源作用,另一架载机装备接受和处理信号的装置,其只负责接收工作。由于另一架载机工作较为隐蔽,难以察觉并实施干扰,可以有效实现SAR的抗欺骗式干扰,但同时,双站SAR在实施方面及图像处理方面较单站SAR复杂得多。
卷积神经网络是一种包含卷积层的深度神经网络模型。通常一个卷积神经网络架构包含两个可以通过训练产生的非线性卷积层,两个固定的子采样层和一个全连接层,隐藏层的数量至少在个以上。的架构设计是受到生物学家和的动物视觉模型启发而发明的,尤其是模拟动物视觉皮层和层中简单细胞(Simple Cell)和复杂细胞(Complex Cell)在视觉***的功能。
起初卷积神经网络在小规模的应用问题上取得了当时世界最好成果。但在很长一段时间里一直没有取得重大突破。主要原因是由于卷积神经网络应用在大尺寸图像上一直不能取得理想结果,比如对于像素数很大的自然图像内容的理解,这使得它没有引起计算机视觉研究领域足够的重视。直到2012年10月,Hinton教授以及他的两个学生釆用更深的卷积神经网络模型在著名的ImageNet问题上取得了世界最好成果,使得对于图像识别的研究工作前进了一大步。
目前关于SAR的抗欺骗式干扰方法的研究中,主要集中在信号处理和***体制方面的研究,在图像域上的抗干扰方法研究较少。通过对欺骗式干扰图像的分析,我们发现,对于欺骗式干扰SAR,欺骗目标只能在真实场景的基础上叠加,既没有产生阴影的几何条件也不能消减欺骗目标附近的信号强度来形成阴影。因此可以通过目标的阴影特征来区分目标的真实性,从而由阴影特征可以实现SAR的抗欺骗式干扰。
发明内容
针对传统SAR欺骗干扰目标没有阴影这一特性,本发明提出了一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法。本发明首先采用合成孔径雷达成像方法和电磁散射仿真方法,得到了几类目标在不同姿态下有阴影和没阴影的SAR图像,并将不同雷达入射角下得到的SAR图像分别作为卷积神经网络的训练样本和测试样本。然后,针对卷积网络对阴影特征识别效果不佳的缺点,本发明提出了二级分类策略,即用第一级卷积神经网络对目标和背景进行分类,得到不同类别的目标和背景,其次对重点目标(如地面目标、空中目标等)图像采用标准阈值分割方法和多值化处理,得到目标区域分割后的多值图像,最终对多值处理后的样本,采用卷积神经网络分类方法,得到区分开的真实目标和欺骗目标。本发明提出的方法同时实现了SAR自动目标识别和干扰目标识别的功能,在图像域上实现了高性能的SAR抗欺骗式干扰。
为方便描述本发明的内容,首先作以下术语定义:
定义1、合成孔径雷达(SAR)
合成孔径雷达(Synthetic Aperture Radar,SAR)是通过在距离向发射宽带信号并进行脉冲压缩、方位向构造合成孔径的方式实现对地面场景的二维高分辨成像。作为一种工作在微波波段的主动探测手段,相比于光学成像,SAR具有全天时、全天候和一定的穿透植被与地表的能力。同时,由于成像机理的不同,SAR成像分辨率不受观测距离的影响,具有远距离、宽测绘带和高分辨率等优点,因此,SAR被广泛应用于灾情评估、资源勘探、地理测绘、侦察等诸多领域。
详见文献“合成孔径雷达成像原理”,皮亦鸣等编著,电子科技大学出版社出版。
定义2、合成孔径雷达欺骗干扰方法
合成孔径雷达(SAR)欺骗干扰通常采用储频转发的工作模式,干扰机通过截获SAR***发射的信号,对其进行调制,使其包含虚假场景的欺骗干扰信息,然后向SAR进行转发,从而达到欺骗干扰的目的。详细内容可参考文献:“合成孔径雷达欺骗干扰方法研究”,赵博,西安电子科技大学博士论文。
定义3、合成孔径雷达自动目标识别方法(SAR ATR)
SAR ATR是指对SAR成像后得到的高分辨率数据进行一系列处理——包括预处理,目标检测,目标识别,以实现对目标的类别、姿态等进行判别的过程,其实质是对于SAR图像中包含的感兴趣目标的信息的提取。通常将雷达自动目标识别分为三个层次:辨别(Discriminate)、分类(Classification)和识别(Identification),其中,辨别的目的是将感兴趣目标与可能干扰混淆的非目标进行区分,分类是对经过鉴别的待测目标进行粗粒度的类别划分;而识别则是在前两者的基础上进行更加细粒度的子类或者型号的划分。详细内容可参考文献:“基于稀疏理论的SAR图像目标识别研究”,丁军,西安电子科技大学博士论文。
定义4、FEKO—电磁计算仿真方法
FEKO是一款强大的三维全波电磁仿真软件,FEKO软件支持场、路联合仿真,在FEKO中可以直接读取电路的S、Z、Y、Spice等参数文件,把非辐射电路网络和辐射单元联合起来进行总体分析。并且,FEKO软件可以采用标准的电磁仿真方法,仿真雷达目标表面电磁流。有关FEKO的详细内容,请参考文献“FEKO5.4电磁场分析技术与实例详解”,闫照文苏东林等编著,中国水利水电出版社出版。
定义5、标准合成孔径雷达原始回波仿真方法
标准合成孔径雷达原始回波仿真方法是指给定雷达***参数、平台轨迹参数以及观测场景参数等所需的参数条件下,基于合成孔径雷达成像原理仿真得到具有SAR回波信号特性的原始回波信号的方法,详细内容可参考文献:“干涉SAR回波信号与***仿真研究”,张剑琦,哈尔滨工业大学硕士论文。
定义6、标准合成孔径雷达后向投影成像算法
标准合成孔径雷达后向投影成像算法是基于匹配滤波原理的合成孔径雷达成像算法,其主要通过SAR场景分辨单元斜距计算、距离单元搜索、原始回波多普勒相位补偿、回波数据相干累加等实现合成孔径雷达原始回波数据的聚焦成像。详细内容可参考:“双基地SAR与线阵SAR原理及成像技术研究”,师君,电子科技大学博士论文。
定义7、雷达散射截面(RCS)
雷达散射截面积(Radar Cross Section,RCS)是指雷达的反射截面积,雷达探测的原理是发射电磁波照射到物体表面再反射回接收天线,而雷达波照射到物体表面依原路径返回的电磁波越少,雷达截面积越小,雷达对目标的信号特征就越小,探测距离也越短。
定义8、目标数据库
目标数据库是实现SAR ATR的基础,其主要形式为图像数据。目标数据库分为两部分:动态数据库和静态数据库。动态数据库的研究对象为未知数据及新增数据,静态数据库的研究对象为已标定数据。详细内容可参考文献:“合成孔径雷达目标识别理论与关键技术研究”,崔宗勇,电子科技大学博士论文。
定义9、训练样本、验证样本、测试样本
在机器学习和模式识别等领域中,一般需要将样本分成独立的三部分训练样本,验证样本和测试样本。其中训练样本用来估计模型,验证样本用来确定网络结构或者控制模型复杂程度的参数,而测试样本则检验最终选择最优的模型的性能如何。
定义10、阈值分割方法
阈值分割是通过设定不同的特征阈值,把图像象素点分为若干类。图像阈值化的目的是要按照灰度级,对像素集合进行一个划分,得到的每个子集形成一个与现实景物相对应的区域,各个区域内部具有一致的属性,而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。
定义11、中值滤波方法
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,中值滤波的基本原理是把数字图像或数字序列中一点的值用该点邻域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点。该方法是用某种结构的二维滑动模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的二维数据序列。二维中值滤波输出为g(x,y)=med{f(x-k,y-l),(k,l∈W)},其中f(x,y),g(x,y)分别为原始图像和处理后图像。W为二维模板,通常为3*3、5*5区域,也可以是不同的的形状,如线状,圆形,十字形,圆环形等。
定义12、形态学滤波方法—膨胀与腐蚀
数学形态学可以看作是一种特殊的数字图像处理方法和理论,主要以图像的形态特征为研究对象。它通过设计一整套运算、概念和算法,用以描述图像的基本特征。这些数学工具不同于常用的频域或空域算法,而是建立在微分几何及随机集论的基础之上的。膨胀与腐蚀是形态学运算的基本操作之一。
结构元素是膨胀和腐蚀的最基本组成部分,用于测试输入图像。二维结构元素是由数值0和1组成的矩阵。结构元素的原点指定了图像中需要处理的像素范围,结构元素中数值为1的点决定结构元素的领域像素在进行膨胀或腐蚀操作时是否参与计算。
膨胀是将与物体接触的所有背景点合并到该物体中,使边界向外部扩张的过程。通过膨胀,可以填充图像中的小孔及在图像边缘处的小凹陷部分。结构元素B对图像A的膨胀,记作定义为:
腐蚀和膨胀是对偶操作。腐蚀是一种消除边界点,是边界向内部收缩的过程。利用腐蚀操作,可以消除小且无意义的物体。集合A被结构元素B腐蚀,记作AΘB,定义为:
定义13、目标分类方法—卷积神经网络(CNN)
卷积网络是基于神经网络的局部感受区域仿生特性,和权值共享近似构造的人工神经网络结构。两个特定组合,构造出了卷积结构的操作,因此称为卷积网络。卷积网络主要包括如下几个概念:
1)稀疏连接方法:
在BP神经网络中,每一层的神经元节点是一个线性一维排列结构,层与层各神经元节点之间是全连接的。卷积神经网络中,层与层之间的神经元节点不再是全连接形式,利用层间局部空间相关性将相邻每一层的神经元节点只与和它相近的上层神经元节点连接,即局部连接,这样就得到了卷积神经网络结构。
2)卷积操作方法:
卷积网络的基本操作为I表示输入图像或上层的特征图,特征图是输入图经过卷积操作以后得到的具有原图像某种特征的二维图像,表示卷积运算,F表示本层网络得到的特征图,F由I与卷积核K卷积加偏置b,并通过非线性函数f获得,当f(x)=x时,F与I为线性卷积关系。
3)局部区域感知方法:
根据神经网络的仿生知识,特征图某点值只与输入图某个区域取值相关,所以,卷积核一般为较小模板,如5×5等。
4)权值共享方法:
一般而言,特征图中不同像素可以用不同的卷积核获得,但是,为了降低卷积网络的训练参数数目,引入“权值共享”假设,认为所有卷积核参数相同,即:K1=K2=…=Kn
5)最大池采样方法:
最大池采样是一种非线性降采样方法。最大池化把输入图像分割成为不重叠的矩阵,每一个子区域(矩形区域),都输出最大值。最大池釆样在计算机视觉中的价值体现在两个方面:(1)它减小了来自上层隐藏层的计算复杂度,(2)这些池化单元具有平移不变性,即使图像有小的位移,提取到的特征依然会保持不变。
Softmax回归方法:
Softmax回归是在逻辑回归的基础上扩张而来,它的目的是为了解决多分类问题。Softmax回归是有监督学习算法,它也可以与深度学习或无监督学习方法结合使用。
详细内容可参考文献:“基于卷积神经网络的深度学习算法与应用研究”,陈先昌,浙江工商大学硕士论文。
定义14、标准训练卷积神经网络的方法—反向传播算法
反向传播(英语:Backpropagation,缩写为BP)是“误差反向传播”的简称,是一种与最优化方法(如梯度下降法)结合使用的,用来训练人工神经网络的常见方法。该方法计算对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法,用来更新权值以最小化损失函数。
反向传播要求有对每个输入值想得到的已知输出,来计算损失函数梯度。因此,它通常被认为是一种监督式学习方法,虽然它也用在一些无监督网络(如自动编码器)中。它是多层前馈网络的Delta规则的推广,可以用链式法则对每层迭代计算梯度。反向传播要求人工神经元(或“节点”)的激励函数可微。
有关反向传播算法的详细内容,请参考文献“神经网络与机器学习”,SimonHaykin编著,机械工业出版社出版。
定义15、搭建卷积神经网络框架的方法—Keras
Keras是基于Theano的一个深度学习框架,它的设计参考了Torch,用Python语言编写,是一个高度模块化的神经网络库,可以用来搭建卷积神经网络。
本发明提供的一种基于阴影特征的合成孔径雷达抗欺骗式干扰方法,它包括以下几个步骤:
步骤1、初始化雷达***参数
初始化SAR成像***参数,包括:雷达载波波长,记为λ,雷达平台发射信号带宽,记为B,雷达发射脉冲时宽,记为Tr,雷达采样频率,记为Fs,雷达入射角,记为θ,雷达脉冲重复频率,记为PRF,平台运动速度矢量,记为Vr,雷达***距离向采样点数,记为Nr,雷达***方位向采样点数,记为Na,雷达***天线初始位置,记为P(0)。上述参数中,雷达载波波长λ、雷达平台发射信号带宽B、雷达发射脉冲时宽Tr、雷达采样频率Fs、雷达入射角θ、雷达脉冲重复频率PRF,在雷达***设计过程中已经确定。
步骤2、初始化SAR投影成像空间的参数:
初始化的SAR投影成像空间为地平面坐标系,该坐标系水平横轴记为X轴,该坐标系水平纵轴记为Y轴,雷达投影成像空间的中心坐标记为Pc,雷达投影成像空间的X轴向分辨单元数,记为Nx,雷达投影成像空间的Y轴向分辨单元数,记为Ny,雷达投影成像空间的X轴向成像范围,记为Wx,雷达投影成像空间的Y轴向成像范围,记为Wy,SAR雷达***到投影成像空间的参考斜距,记为R,将SAR投影成像空间均匀等间隔进行划分。
步骤3、电磁仿真得到目标在雷达入射角θ0下的RCS
采用经典的FEKO电磁计算仿真方法,制作三类目标模型,记为目标A、目标B、目标C,得到由离散像素点构成的目标立体表面,目标的姿态角记为姿态角之间的间隔记为β,使用步骤1中的参数,当雷达入射角θ=θ0时,采用经典的FEKO电磁计算仿真方法,得到目标在不同姿态角下的空间三维坐标和RCS,记为:
其中,Θ1是电磁仿真得到的数据矩阵,维数为N×U,N为数据矩阵Θ1的行数,表示目标表面像素点的数目,U表示数据矩阵Θ1的列数,xk,yk,zk表示目标像素点的空间坐标,φkr表示目标RCS实部,φki表示目标RCS虚部,其中,xk,yk,zk,φkr,φki∈R,k=1,2…,N。
步骤4、获得目标在雷达入射角θ1下的RCS
使用步骤1中的参数,当雷达入射角θ=θ1时,采用经典的FEKO电磁计算仿真方法,得到目标在不同姿态角下的空间三维坐标和RCS,记为:
其中,Θ2是电磁仿真得到的数据矩阵,维数为N×U,N表示目标表面像素点的数目,U表示数据矩阵Θ2的列数,x'k,y'k,z'k表示目标像素点的空间坐标,φk'r表示目标RCS实部,φk'i表示目标RCS虚部,其中,x'k,y'k,z'k,φk'r,φk'i∈R,k=1,2,…,N。
步骤5、计算目标在雷达照射下投影到地面的阴影坐标,并设定地面和阴影的RCS
在计算阴影坐标时,目标表面像素点的位置记为Pt=[xj,yj,zj],雷达位置采用步骤1的雷达***天线初始位置P(0),目标阴影的RCS记为σ1,地面的RCS记为σ2,根据目标的三维空间位置,定义地面像素点在X轴和Y轴的坐标:X轴的坐标记为xg,Y轴的坐标记为yg;
然后求解由Pt和P(0)确定的空间直线方程:其中,[x0,y0,z0]表示直线某一已知点的坐标,[x,y,z]表示空间直线的坐标,[n1,n2,n3]表示直线方向向量的坐标;最后采用经典的空间解析几何交点的计算方法,计算出直线与地面的交点坐标,记为[xm,ym,zm],即为目标在雷达照射下投影到地面的阴影。
步骤6、获取真实目标的训练样本库和测试样本库
采用标准的雷达回波仿真方法和标准后向投影成像算法,得到具有阴影特征的真实目标训练样本库,记为Ω1,和真实目标的测试样本库,记为E1,其中,Ω1的雷达入射角θ=θ0,E1的雷达入射角θ=θ1;Ω1中真实目标A的数目记为ε1,Ω1中真实目标B的数目记为ε2,Ω1中真实目标C的数目记为ε3。
步骤7、获取欺骗目标的训练样本库和测试样本库
阴影的RCS记为σ3,采用标准的雷达回波仿真方法和标准后向投影成像算法,得到不具有阴影特征的欺骗目标训练样本库,记为Ω2,和欺骗目标的测试样本库,记为E2,其中,Ω2的雷达入射角θ=θ0,E2的雷达入射角θ=θ1;Ω2中欺骗目标A的数目记为ε4,Ω2中欺骗目标B的数目记为ε5,Ω2中欺骗目标C的数目记为ε6。
步骤8、构造用于训练卷积网络的背景训练库
将没有目标的背景SAR图像用作训练卷积网络的背景训练库,记为Ω3,定义:n×n为图片尺寸大小,背景训练库的背景SAR图像数目记为W;
训练库中所有训练样本的集合记为Ω,其中,Ω=Ω1∪Ω2∪Ω3,测试样本库中所有测试样本的集合记为E,其中,E=E1∪E2;Ω中,训练样本的总数记为m。
步骤9、搭建基于keras的CNN网络结构
CNN网络结构由两层卷积层和两层全连接层构成,具体搭建步骤如下:
(1)第一层为卷积层:该层用于对n×n×m的数据进行卷积操作,其中,n为图片尺寸大小,m表示输入样本的个数,该卷积层卷积核窗口大小记为k1×k1,输出特征图的数目记为W1,对每个特征图采用标准的最大池采样操作进行降维,下采样的核窗口大小记为q×q,得到降维后的特征图输入到第二层,其中:
第一层中的卷积采用以下公式:
对输入图像进行标准的卷积操作,得到特征图集合;式中表示第一层卷积层的第j个特征图,X0表示输入样本,表示第一层第j个特征图的卷集核,表示第一层的第j个特征图的偏置,f()表示激活函数,f(x)=max(0,x);
第一层中的下采样采用标准的最大池化操作,即对第一层卷积层的输出特征图进行下采样,公式如下所示:
得到降维后的特征图集合,式中K(u,v)表示长为u,宽为v的核窗口与第k个输入特征图xk的重合区域;(i,j)为K(u,v)区域内的任意一点,为第k个特征图xk的K(u,v)区域内下采样得到的结果;
(2)第二层为卷积层:该层用于对第一层经标准的最大池化操作得到的特征图进行卷积,该卷积层的卷积核窗口大小记为k2*k2,输出特征图的数目记为W2;
对每个特征图采用最大池采样操作进行降维,下采样的核窗口大小记为q*q,得到降维后的特征图输入到第三层,其中:
第二层中的卷积采用以下公式:
对第一层采用标准的最大池采样操作后输出的特征图进行卷积操作,得到第二层卷积层输出的特征图集合,式中表示第二层的第j个特征图,表示由第一层第c个特征图与第2层第j个特征图相连接的卷集核,表示第2层的第j个特征图的偏置,f()表示激活函数,f(x)=max(0,x);
第二层中的下采样采用标准的最大池化操作,输出特征图;
对第二层卷积层的输出特征图进行标准的最大池化操作,公式如下所示:
得到降维后的特征图集合,式中K(u,v)表示长为u,宽为v的核窗口与第二层第k个特征图xk的重合区域;(i,j)为K(u,v)区域内的任意一点,为第k个特征图xk的K(u,v)区域内下采样得到的结果;
(3)第三层为全连接层:该层有Q1个神经元,将第二层输出的特征图表示为一个列向量,对列向量与该全连接层的权值矩阵和偏置,采用公式进行非线性变换,得到一个Q1维的列向量输入到第四层,其中表示第三层的第j个神经元,表示由第二层第c个神经元与第三层第j个神经元相连接的权值,表示第三层的第j个神经元的偏置,f()表示激活函数,f(x)=max(0,x)。
(4)第四层为全连接层:该层是一个Softmax分类器,含有Q2个神经元,采用公式对输入的Q1维列向量与该全连接层的权值矩阵和偏置进行非线性变换得到一个Q3维特征向量,其中,表示第四层的第j个神经元,表示由第三层第c个神经元与第四层第j个神经元相连接的权值,表示第四层第j个神经元的偏置,f()表示激活函数,f(x)=max(0,x);
步骤10、训练第一级CNN,完成不同类型目标的分类
初始化卷积网络的训练参数,学习速率记为η,批量学习的数据大小记为b,CNN的迭代次数记为d,训练样本中,真实目标A和欺骗目标A的类别标签记为l1,真实目标B和欺骗目标B的类别标签记为l2,真实目标C和欺骗目标C的类别标签记为l3,利用Ω中所有的训练样本,采用标准训练卷积神经网络的方法训练步骤9搭建的卷积神经网络,得到可用于分类的第一级卷积神经网络。
步骤11、分割训练样本库里含有目标的SAR图像,并对其进行多值化处理
首先,采用标准的中值滤波方法对训练样本库Ω1中的目标A、目标B和目标C进行中值滤波,中值滤波窗口大小记为g×g;
然后,采用标准的阈值分割方法和形态学的腐蚀操作方法分割目标、阴影和地面,分割地面的阈值记为t1,分割阴影的阈值记为t2,分割出的阴影区域所有像素点的值记为s1,分割出的地面区域所有像素点的值记为s2,分割出的目标区域的所有像素点记为s3,得到多值训练样本库,记为Γ1。
步骤12、训练第二级CNN,实现真假目标的分类
多值训练样本库Γ1中,真实目标A的类别标签记为ω1,欺骗目标A的类别标签记为ω2,真实目标B的类别标签记为ω3,欺骗目标B的类别标签记为ω4,真实目标C的类别标签记为ω5,欺骗目标C的类别标签记为ω6;
利用Γ1中的图像,采用标准训练卷积神经网络的方法,训练步骤9搭建的卷积神经网络,网络的学习速率记为η,批量学习的数据大小记为b,迭代次数记为d,得到可用于分类的第二级卷积神经网络模型。
步骤13、构造SAR欺骗式干扰大场景
使用不含目标的真实SAR背景图像中添加测试样本库E1中的目标A、目标B和目标C构造SAR欺骗式干扰大场景图像,大场景SAR图像中放入的真实目标A目标数目记为f1,放入的欺骗目标A目标数目记为f2,放入的真实目标B数目记为f3,放入的欺骗目标B数目记为f4,放入的真实目标C数目记为f5,放入的欺骗目标C数目记为f6。
步骤14、对步骤13获得的大场景SAR图像进行第一级分类
重复采用步骤10所训练得到的第一级CNN对步骤13中的大场景SAR图像的切片进行分类操作,完成不同类型目标的分类。
步骤15、获得第二级CNN的测试样本集,完成真实目标和欺骗目标的分类
采用标准的中值滤波方法对步骤14中的目标A、目标B和目标C进行中值滤波,中值滤波窗口大小记为g×g;
采用标准阈值分割方法和形态学的腐蚀操作方法分割目标、阴影和地面,分割地面的阈值记为t1,分割阴影的阈值记为t2,分割出的阴影区域所有像素点的值记为s1,分割出的地面区域所有像素点的值记为s2,分割出的目标区域的所有像素点记为s3,得到多值测试样本库,记为Γ2;
重复采用步骤12所训练得到的第二级CNN对Γ2中的测试样本进行分类操作,得到真实目标和欺骗目标,从而实现了图像域上的SAR欺骗式抗干扰。
本发明的创新点
1、利用SAR目标的阴影特性进行了真实目标和欺骗目标的分类,在图像域实现了SAR抗欺骗式干扰。
2、采用了两级分类的策略。由于卷积神经网络对原始真实目标图像和欺骗目标图像的分类效果不佳,本发明提出了二级分类策略,用第一级的CNN完成目标类型的分类,用第二级的CNN完成真实目标和欺骗目标的分类。
本发明的优点
本发明利用阴影特性和卷积神经网络,不仅可完成SAR图像的自动目标识别,还可以区分出真实目标和欺骗目标,在图像域实现了SAR的抗欺骗式干扰,并且步骤11对图像的多值化处理,使得第二级卷积网络收敛速度快,识别率高。
附图说明
图1为本发明方法的流程示意框图。
具体实施方式
本发明主要采用仿真实验的方法进行验证,所有步骤、结论都在Matlab 2015b和python2.7上验证正确。具体实施步骤如下:
步骤1、初始化雷达***参数
初始化SAR成像***参数,包括:雷达载波波长,记为λ=0.0085,雷达平台发射信号带宽B=9×108,雷达发射脉冲时宽Tr=5×10-9,雷达采样频率Fs=1.12×109,雷达入射角θ=45,雷达脉冲重复频率PRF=3000,平台运动速度矢量Vr=[0,100,0],雷达***距离向采样点数Nr=2048,雷达***方位向采样点数,记为Na=10000,雷达***天线初始位置P(0)=[-6000,0,6000]。
步骤2、初始化SAR投影成像空间的参数:
初始化的SAR投影成像空间为地平面坐标系,该坐标系水平横轴记为X轴,该坐标系水平纵轴记为Y轴,雷达投影成像空间的中心坐标Pc=[-7,-7,0],雷达投影成像空间的X轴向分辨单元数,记为Nx=1500,雷达投影成像空间的Y轴向分辨单元数,记为Ny=1500,雷达投影成像空间的X轴向成像范围,记为Wx=150,雷达投影成像空间的Y轴向成像范围,记为Wy=150,SAR雷达***到投影成像空间的参考斜距,记为R=16868,将SAR投影成像空间均匀等间隔进行划分。
步骤3、电磁仿真得到目标在雷达入射角θ0下的RCS
采用经典的FEKO电磁计算仿真方法,制作三类目标模型,目标A为拖拉机,目标B为汽车,目标C为飞机,得到由离散像素点构成的目标立体表面,目标的姿态角姿态角之间的间隔β=1°,使用步骤1中的参数,其中θ=45°,采用FEKO标准电磁计算仿真方法,得到目标在不同姿态角下的空间三维坐标和RCS,记为:
其中,Θ1是电磁仿真得到的数据矩阵,维数为N×U,N表示目标表面像素点的数目,U=4表示数据矩阵Θ1的列数,xk=-26,-25,…-27,yk=-11,-11,…-12,zk=30,30,…30,表示目标像素点的空间坐标,φkr=-4.5,2.7,…,6.7,表示目标RCS实部,φki=-5.9,6.9,…,-3.31,表示目标RCS虚部,其中,xk,yk,zk,φkr,φki∈R,k=1,2…,N。
步骤4、获得目标在雷达入射角θ1下的RCS
使用步骤1中的参数,雷达入射角θ=45°,采用标准电磁计算仿真方法,得到目标在姿态角姿态角间隔β=1°下的空间三维坐标和RCS,记为:
其中,Θ2是电磁仿真得到的数据矩阵,维数为N×U,N表示目标表面像素点的数目,U=4表示数据矩阵Θ2的列数,x'k=-13,-20,…,-22,y'k=-12,-16,…,-12,z'k=28,25,…,10,表示目标像素点的空间坐标,φk'r=-1.9,3.6,…,2.21表示目标RCS实部,φk'i=6.3,7.8,…-3.84表示目标RCS虚部,其中,x'k,y'k,z'k,φk'r,φk'i∈R,k=1,2,…,N。
步骤5、计算目标在雷达照射下投影到地面的阴影坐标,并设定地面和阴影的RCS
在计算阴影坐标时,目标表面像素点的位置记为Pt=[xj,yj,zj],xj=1.5,3.2,7.9…,yj=0.5,2.8,5.4…,zj=0.78,2.35,3.86…,雷达位置采用步骤1的雷达***天线初始位置P(0)=[-6000,0,6000],目标阴影的RCSσ1=0,地面的RCSσ2=50,根据目标的三维空间位置,对包含目标的地面像素点的坐标进行计算,得到地面像素点在X轴和Y轴的坐标,X轴的坐标记为xg,Y轴的坐标记为yg,然后计算由Pt和P(0)确定的空间直线方程:x0=1.1,1.3,2.8……,y0=3.5,6.9,10.16……,z0=2.56,3.79,9.85……,x0∈R,y0∈R,z0∈R,n1=6.5,7.6,3.3…,n2=4.4,5.2,9.8…,n3=6.7,3.4,2.2…,最后计算出直线与地面的交点坐标,xm=2.2,5.7,8.8…,ym=6.5,3.8,2.6…,zm=9.9,7.6,6.4…,即为目标在雷达照射下投影到地面的阴影。
步骤6、获取真实目标的训练样本库和测试样本库
采用标准的雷达回波仿真方法和后向投影成像算法得到具有阴影特征的真实目标训练样本库Ω1,和真实目标的测试样本库E1,其中,Ω1的雷达入射角θ=45°,E1的雷达入射角θ=43°;Ω1中真实拖拉机的数目ε1=360,Ω1中真实飞机的数目ε2=360,Ω1中真实汽车的数目ε3=360。
步骤7、获取欺骗目标的训练样本库和测试样本库
采用标准的雷达回波仿真方法和后向投影成像算法得到不具有阴影特征的欺骗目标训练样本库Ω2,和欺骗目标的测试样本库E2,其中,Ω2的雷达入射角θ=45°,E2的雷达入射角θ=43°;Ω2中欺骗拖拉机的数目ε4=360,Ω2中欺骗飞机的数目ε5=360,Ω2中欺骗汽车的数目ε6=360。
步骤8、构造用于训练卷积网络的背景训练库
SAR—次观测所获取的场景图像不仅包括目标,也包括不含目标的背景区域,为了识别出背景区域,本发明采用两张美国Sandia国家实验室公布的没有目标的背景SAR图像,用作训练卷积网络的背景训练库Ω3,背景训练库的背景SAR图像数目W=100;训练库中所有样本的集合Ω,Ω=Ω1∪Ω2∪Ω3,测试样本库中所有样本的集合E,E=E1∪E2;Ω中,训练样本的总数m=2260。
配置CNN模型
步骤9、搭建基于keras的CNN网络结构
CNN网络结构由两层卷积层和两层全连接层构成,具体搭建步骤如下:
(1)第一层为卷积层:该层用于对n×n×m的输入数据进行卷积,其中,n=150表示步骤6中的图片尺寸,m=2260表示输入样本的个数。该卷积层卷积核窗口大小为k1×k1,k1=5,输出特征图的数目W1=32,对每个特征图采用最大池采样操作进行降维,下采样的核窗口大小记为q×q,q=2,得到降维后的特征图输入到第二层,其中:
第一层中的卷积采用以下公式:
对输入图像进行卷积操作,得到特征图集合;式中表示第一层卷积层的第j个特征图,X0表示输入样本,表示第一层第j个特征图的卷集核,表示第一层的第j个特征图的偏置,f()表示激活函数,f(x)=max(0,x);
第一层中的下采样采用最大池化操作,对第一层卷积层的输出特征图进行下采样,公式如下所示:
得到降维后的特征图集合,式中K(u,v)表示长为u,宽为v的核窗口与第k个输入特征图xk的重合区域;(i,j)为K(u,v)区域内的任意一点,为第k个特征图xk的K(u,v)区域内下采样得到的结果;
(2)第二层为卷积层:该层用于对第一层最大池采样层得到的特征图进行卷积,该卷积层的卷积核窗口大小记为k2*k2,k2=7,输出特征图的数目W2=48,对每个特征图采用最大池采样操作进行降维,下采样的核窗口大小记为q*q,q=2,得到降维后的特征图输入到第三层,其中:
第二层中的卷积采用以下公式:
对第一层最大池采样输出的特征图进行卷积操作,得到第二层卷基层输出的特征图集合,式中表示第二层的第j个特征图,表示由第一层第c个特征图与第2层第j个特征图相连接的卷集核,表示第2层的第j个特征图的偏置,f()表示激活函数,f(x)=max(0,x);
第二层中的下采样采用最大池化操作,对第二层卷积层的输出特征图进行最大池采样,公式如下所示:
得到降维后的特征图集合,式中K(u,v)表示长为u,宽为v的核窗口与第二层第k个特征图xk的重合区域;(i,j)为K(u,v)区域内的任意一点,为第k个特征图xk的K(u,v)区域内下采样得到的结果;
(3)第三层为全连接层:该层有Q1=256个神经元,将第二层输出的特征图表示为一个列向量,对列向量与该全连接层的权值矩阵和偏置,采用公式进行非线性变换,得到一个Q1=256维的列向量输入到第四层,其中表示第三层的第j个神经元,表示由第二层第c个神经元与第三层第j个神经元相连接的权值,表示第三层的第j个神经元的偏置,·表示相乘,f()表示激活函数,f(x)=max(0,x)。
(4)第四层为全连接层:该层实为一个Softmax分类器,含有Q2=4个神经元,采用公式对输入的Q1维列向量与该全连接层的权值矩阵和偏置进行非线性变换得到一个Q2维特征向量,其中,表示第四层的第j个神经元,表示由第三层第c个神经元与第四层第j个神经元相连接的权值,表示第四层第j个神经元的偏置,·表示相乘,f()表示激活函数,f(x)=max(0,x);
训练阶段
步骤10、训练第一级CNN,完成不同类型目标的分类
初始化卷积网络的训练参数,学习速率η=0.1,批量学习的数据大小b=32,CNN的迭代次数记为d=30,将训练样本中,真实拖拉机和欺骗拖拉机的类别标签记为l1=0,真实飞机和欺骗飞机的类别标签记为l2=1,真实汽车和欺骗汽车的类别标签记为l3=2,利用Ω中所有的训练样本,采用标准训练卷积神经网络的方法,训练步骤9搭建的卷积神经网络,得到可用于分类的第一级卷积神经网络。
步骤11、分割训练样本库里含有目标的SAR图像,并对其进行多值化处理
首先,采用标准的中值滤波方法对训练样本库Ω1中的飞机、拖拉机和汽车进行中值滤波,中值滤波窗口大小为g×g,g=9,然后,采用标准的阈值分割方法和形态学的腐蚀操作方法分割目标、阴影和地面,分割目标的阈值t1=0.1,分割阴影的阈值t2=0.02,分割出的阴影区域所有像素点的值s1=0,分割出的地面区域所有像素点的值s2=7,分割出的目标区域的所有像素点s3=3,得到多值训练样本库Γ1。
步骤12、训练第二级CNN,实现真假目标的分类
多值训练样本库Γ1中,真实拖拉机目标的类别标签ω1=0,欺骗拖拉机的类别标签ω2=1,真实飞机的类别标签ω3=2,欺骗飞机的类别标签ω4=3,真实汽车的类别标签记为ω5,欺骗汽车的类别标签ω6=4;利用Γ1中的图像,采用标准训练卷积神经网络的方法,训练步骤9搭建的卷积神经网络,网络的学习速率η=0.1,批量学习的数据大小记为b=32,迭代次数d=12,得到可用于分类的第二级卷积神经网络模型。
测试阶段:
步骤13、构造SAR欺骗式干扰大场景
为了对一整幅大场景SAR图像进行自动目标识别和真假目标分类,首先需要构造一幅包含背景和多种目标的全场景SAR图像,本发明通过在不含目标的真实SAR背景图像中添加测试样本库E1中的拖拉机、飞机和汽车目标来构造SAR欺骗式干扰大场景图像,大场景SAR图像中放入的真实拖拉机数目f1=10,放入的欺骗拖拉机数目f2=10,放入的真实飞机数目f3=5,放入的欺骗飞机数目f4=5,放入的真实汽车数目f5=5,放入的欺骗汽车数目f6=5。
步骤14、对步骤13获得的大场景SAR图像进行第一级分类
采用标准的图像切割方法,对整幅大场景SAR图像进行切割操作,得到尺寸为150×150的图像切片,采用步骤10的卷积神经网络对获得的图像切片进行分类操作,得到分类后的目标。
步骤15、获得第二级CNN的测试样本集,完成真实目标和欺骗目标的分类
采用标准的中值滤波方法对步骤14中的飞机、拖拉机和汽车进行中值滤波,中值滤波窗口大小记为g×g,g=9,采用阈值分割方法和形态学的腐蚀操作方法分割目标、阴影和地面,分割地面的阈值t=0.1,分割阴影的阈值t2=0.02,对于欺骗目标而言,只能分割出目标和地面,无阴影区域,分割出的阴影区域所有像素点的值s1=0,分割出的地面区域所有像素点的值s2=7,分割出的目标区域的所有像素点s3=3,得到多值测试样本库Γ2,采用步骤12训练好的CNN模型对Γ2中的测试样本进行分类操作,得到真实目标和欺骗目标,从而实现了图像域上的SAR欺骗式抗干扰。
Claims (1)
1.一种基于阴影特征的合成孔径雷达抗欺骗式干扰方法,其特征是它包括以下步骤:
步骤1、初始化雷达***参数
初始化SAR成像***参数,包括:雷达载波波长,记为λ,雷达平台发射信号带宽,记为B,雷达发射脉冲时宽,记为Tr,雷达采样频率,记为Fs,雷达入射角,记为θ,雷达脉冲重复频率,记为PRF,平台运动速度矢量,记为Vr,雷达***距离向采样点数,记为Nr,雷达***方位向采样点数,记为Na,雷达***天线初始位置,记为P(0);上述参数中,雷达载波波长λ、雷达平台发射信号带宽B、雷达发射脉冲时宽Tr、雷达采样频率Fs、雷达入射角θ、雷达脉冲重复频率PRF,在雷达***设计过程中已经确定;
步骤2、初始化SAR投影成像空间的参数:
初始化的SAR投影成像空间为地平面坐标系,该坐标系水平横轴记为X轴,该坐标系水平纵轴记为Y轴,雷达投影成像空间的中心坐标记为Pc,雷达投影成像空间的X轴向分辨单元数,记为Nx,雷达投影成像空间的Y轴向分辨单元数,记为Ny,雷达投影成像空间的X轴向成像范围,记为Wx,雷达投影成像空间的Y轴向成像范围,记为Wy,SAR雷达***到投影成像空间的参考斜距,记为R,将SAR投影成像空间均匀等间隔进行划分;
步骤3、电磁仿真得到目标在雷达入射角θ0下的RCS
采用经典的FEKO电磁计算仿真方法,制作三类目标模型,记为目标A、目标B、目标C,得到由离散像素点构成的目标立体表面,目标的姿态角记为姿态角之间的间隔记为β,使用步骤1中的参数,当雷达入射角θ=θ0时,采用经典的FEKO电磁计算仿真方法,得到目标在不同姿态角下的空间三维坐标和RCS,记为:
其中,Θ1是电磁仿真得到的数据矩阵,维数为N×U,N为数据矩阵Θ1的行数,表示目标表面像素点的数目,U表示数据矩阵Θ1的列数,xk,yk,zk表示目标像素点的空间坐标,φkr表示目标RCS实部,φki表示目标RCS虚部,其中,xk,yk,zk,φkr,φki∈R,k=1,2…,N;
步骤4、获得目标在雷达入射角θ1下的RCS
使用步骤1中的参数,当雷达入射角θ=θ1时,采用经典的FEKO电磁计算仿真方法,得到目标在不同姿态角下的空间三维坐标和RCS,记为:
其中,Θ2是电磁仿真得到的数据矩阵,维数为N×U,N表示目标表面像素点的数目,U表示数据矩阵Θ2的列数,x'k,y'k,z'k表示目标像素点的空间坐标,φ'kr表示目标RCS实部,φ'ki表示目标RCS虚部,其中,x'k,y'k,z'k,φ'kr,φ'ki∈R,k=1,2,…,N;
步骤5、计算目标在雷达照射下投影到地面的阴影坐标,并设定地面和阴影的RCS
在计算阴影坐标时,目标表面像素点的位置记为Pt=[xj,yj,zj],雷达位置采用步骤1的雷达***天线初始位置P(0),目标阴影的RCS记为σ1,地面的RCS记为σ2,根据目标的三维空间位置,定义地面像素点在X轴和Y轴的坐标:X轴的坐标记为xg,Y轴的坐标记为yg;
然后求解由Pt和P(0)确定的空间直线方程:其中,[x0,y0,z0]表示直线某一已知点的坐标,[x,y,z]表示空间直线的坐标,[n1,n2,n3]表示直线方向向量的坐标;最后采用经典的空间解析几何交点的计算方法,计算出直线与地面的交点坐标,记为[xm,ym,zm],即为目标在雷达照射下投影到地面的阴影;
步骤6、获取真实目标的训练样本库和测试样本库
采用标准的雷达回波仿真方法和标准后向投影成像算法,得到具有阴影特征的真实目标训练样本库,记为Ω1,和真实目标的测试样本库,记为E1,其中,Ω1的雷达入射角θ=θ0,E1的雷达入射角θ=θ1;Ω1中真实目标A的数目记为ε1,Ω1中真实目标B的数目记为ε2,Ω1中真实目标C的数目记为ε3;
步骤7、获取欺骗目标的训练样本库和测试样本库
阴影的RCS记为σ3,采用标准的雷达回波仿真方法和标准后向投影成像算法,得到不具有阴影特征的欺骗目标训练样本库,记为Ω2,和欺骗目标的测试样本库,记为E2,其中,Ω2的雷达入射角θ=θ0,E2的雷达入射角θ=θ1;Ω2中欺骗目标A的数目记为ε4,Ω2中欺骗目标B的数目记为ε5,Ω2中欺骗目标C的数目记为ε6;
步骤8、构造用于训练卷积网络的背景训练库
将没有目标的背景SAR图像用作训练卷积网络的背景训练库,记为Ω3,定义:n×n为图片尺寸大小,背景训练库的背景SAR图像数目记为W;
训练库中所有训练样本的集合记为Ω,其中,Ω=Ω1∪Ω2∪Ω3,测试样本库中所有测试样本的集合记为E,其中,E=E1∪E2;Ω中,训练样本的总数记为m;
步骤9、搭建基于keras的CNN网络结构
CNN网络结构由两层卷积层和两层全连接层构成,具体搭建步骤如下:
(1)第一层为卷积层:该层用于对n×n×m的数据进行卷积操作,其中,n为图片尺寸大小,m表示输入样本的个数,该卷积层卷积核窗口大小记为k1×k1,输出特征图的数目记为W1,对每个特征图采用标准的最大池采样操作进行降维,下采样的核窗口大小记为q×q,得到降维后的特征图输入到第二层,其中:
第一层中的卷积采用以下公式:
对输入图像进行标准的卷积操作,得到特征图集合;式中表示第一层卷积层的第j个特征图,X0表示输入样本,表示第一层第j个特征图的卷集核,表示第一层的第j个特征图的偏置,f()表示激活函数,f(x)=max(0,x);
第一层中的下采样采用标准的最大池化操作,即对第一层卷积层的输出特征图进行下采样,公式如下所示:
得到降维后的特征图集合,式中K(u,v)表示长为u,宽为v的核窗口与第k个输入特征图xk的重合区域;(i,j)为K(u,v)区域内的任意一点,为第k个特征图xk的K(u,v)区域内下采样得到的结果;
(2)第二层为卷积层:该层用于对第一层经标准的最大池化操作得到的特征图进行卷积,该卷积层的卷积核窗口大小记为k2*k2,输出特征图的数目记为W2;
对每个特征图采用最大池采样操作进行降维,下采样的核窗口大小记为q*q,得到降维后的特征图输入到第三层,其中:
第二层中的卷积采用以下公式:
对第一层采用标准的最大池采样操作后输出的特征图进行卷积操作,得到第二层卷积层输出的特征图集合,式中表示第二层的第j个特征图,表示由第一层第c个特征图与第2层第j个特征图相连接的卷集核,表示第2层的第j个特征图的偏置,f()表示激活函数,f(x)=max(0,x);
第二层中的下采样采用标准的最大池化操作,输出特征图;
对第二层卷积层的输出特征图进行标准的最大池化操作,公式如下所示:
得到降维后的特征图集合,式中K(u,v)表示长为u,宽为v的核窗口与第二层第k个特征图xk的重合区域;(i,j)为K(u,v)区域内的任意一点,为第k个特征图xk的K(u,v)区域内下采样得到的结果;
(3)第三层为全连接层:该层有Q1个神经元,将第二层输出的特征图表示为一个列向量,对列向量与该全连接层的权值矩阵和偏置,采用公式进行非线性变换,得到一个Q1维的列向量输入到第四层,其中表示第三层的第j个神经元,表示由第二层第c个神经元与第三层第j个神经元相连接的权值,表示第三层的第j个神经元的偏置,f()表示激活函数,f(x)=max(0,x);
(4)第四层为全连接层:该层是一个Softmax分类器,含有Q2个神经元,采用公式对输入的Q1维列向量与该全连接层的权值矩阵和偏置进行非线性变换得到一个Q3维特征向量,其中,表示第四层的第j个神经元,表示由第三层第c个神经元与第四层第j个神经元相连接的权值,表示第四层第j个神经元的偏置,f()表示激活函数,f(x)=max(0,x);
步骤10、训练第一级CNN,完成不同类型目标的分类
初始化卷积网络的训练参数,学习速率记为η,批量学习的数据大小记为b,CNN的迭代次数记为d,训练样本中,真实目标A和欺骗目标A的类别标签记为l1,真实目标B和欺骗目标B的类别标签记为l2,真实目标C和欺骗目标C的类别标签记为l3,利用Ω中所有的训练样本,采用标准训练卷积神经网络的方法训练步骤9搭建的卷积神经网络,得到可用于分类的第一级卷积神经网络;
步骤11、分割训练样本库里含有目标的SAR图像,并对其进行多值化处理
首先,采用标准的中值滤波方法对训练样本库Ω1中的目标A、目标B和目标C进行中值滤波,中值滤波窗口大小记为g×g;
然后,采用标准的阈值分割方法和形态学的腐蚀操作方法分割目标、阴影和地面,分割地面的阈值记为t1,分割阴影的阈值记为t2,分割出的阴影区域所有像素点的值记为s1,分割出的地面区域所有像素点的值记为s2,分割出的目标区域的所有像素点记为s3,得到多值训练样本库,记为Γ1;
步骤12、训练第二级CNN,实现真假目标的分类
多值训练样本库Γ1中,真实目标A的类别标签记为ω1,欺骗目标A的类别标签记为ω2,真实目标B的类别标签记为ω3,欺骗目标B的类别标签记为ω4,真实目标C的类别标签记为ω5,欺骗目标C的类别标签记为ω6;
利用Γ1中的图像,采用标准训练卷积神经网络的方法,训练步骤9搭建的卷积神经网络,网络的学习速率记为η,批量学习的数据大小记为b,迭代次数记为d,得到可用于分类的第二级卷积神经网络模型;
步骤13、构造SAR欺骗式干扰大场景
使用不含目标的真实SAR背景图像中添加测试样本库E1中的目标A、目标B和目标C构造SAR欺骗式干扰大场景图像,大场景SAR图像中放入的真实目标A目标数目记为f1,放入的欺骗目标A目标数目记为f2,放入的真实目标B数目记为f3,放入的欺骗目标B数目记为f4,放入的真实目标C数目记为f5,放入的欺骗目标C数目记为f6;
步骤14、对步骤13获得的大场景SAR图像进行第一级分类
重复采用步骤10所训练得到的第一级CNN对步骤13中的大场景SAR图像的切片进行分类操作,完成不同类型目标的分类;
步骤15、获得第二级CNN的测试样本集,完成真实目标和欺骗目标的分类
采用标准的中值滤波方法对步骤14中的目标A、目标B和目标C进行中值滤波,中值滤波窗口大小记为g×g;
采用标准阈值分割方法和形态学的腐蚀操作方法分割目标、阴影和地面,分割地面的阈值记为t1,分割阴影的阈值记为t2,分割出的阴影区域所有像素点的值记为s1,分割出的地面区域所有像素点的值记为s2,分割出的目标区域的所有像素点记为s3,得到多值测试样本库,记为Γ2;
重复采用步骤12所训练得到的第二级CNN对Γ2中的测试样本进行分类操作,得到真实目标和欺骗目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610440129.3A CN106228201B (zh) | 2016-06-20 | 2016-06-20 | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610440129.3A CN106228201B (zh) | 2016-06-20 | 2016-06-20 | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106228201A CN106228201A (zh) | 2016-12-14 |
CN106228201B true CN106228201B (zh) | 2019-04-05 |
Family
ID=57519432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610440129.3A Expired - Fee Related CN106228201B (zh) | 2016-06-20 | 2016-06-20 | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228201B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599855A (zh) * | 2016-12-19 | 2017-04-26 | 四川长虹电器股份有限公司 | 基于softmax的人脸识别方法 |
CN106886023B (zh) * | 2017-02-27 | 2019-04-02 | 中国人民解放军理工大学 | 一种基于动态卷积神经网络的雷达回波外推方法 |
CN107238847A (zh) * | 2017-04-21 | 2017-10-10 | 中国科学院光电研究院 | 一种卫星导航干扰信号检测方法及*** |
CN107728115B (zh) * | 2017-09-11 | 2020-08-11 | 电子科技大学 | 一种雷达目标成像后基于svm的背景干扰抑制方法 |
CN107831475A (zh) * | 2017-11-06 | 2018-03-23 | 电子科技大学 | 一种基于阴影特征的合成孔径雷达欺骗式干扰方法 |
CN108008366B (zh) * | 2017-12-01 | 2020-08-04 | 北京润科通用技术有限公司 | 一种雷达目标回波模拟方法及*** |
CN108960304B (zh) * | 2018-06-20 | 2022-07-15 | 东华大学 | 一种网络交易欺诈行为的深度学习检测方法 |
CN109685115B (zh) * | 2018-11-30 | 2022-10-14 | 西北大学 | 一种双线性特征融合的细粒度概念模型及学习方法 |
CN109884625B (zh) * | 2019-02-22 | 2020-01-14 | 中国人民解放军军事科学院国防科技创新研究院 | 基于卷积神经网络的雷达关联成像方法 |
CN109669184B (zh) * | 2019-02-25 | 2021-04-20 | 电子科技大学 | 一种基于全卷积网络的合成孔径雷达方位模糊消除方法 |
CN110109117B (zh) * | 2019-05-30 | 2022-08-02 | 电子科技大学 | 基于频控阵的星载合成孔径雷达卷积调制干扰方法 |
CN110146855B (zh) * | 2019-06-11 | 2020-10-23 | 北京无线电测量研究所 | 雷达间断干扰抑制门限计算方法及装置 |
CN110211124B (zh) * | 2019-06-17 | 2023-04-07 | 电子科技大学 | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 |
CN110555811A (zh) * | 2019-07-02 | 2019-12-10 | 五邑大学 | 一种sar图像数据增强方法、装置及存储介质 |
CN110988872B (zh) * | 2019-12-25 | 2023-10-03 | 中南大学 | 无人机载穿墙雷达探测墙体健康状态的快速识别方法 |
CN111292220B (zh) * | 2020-01-19 | 2021-09-28 | 西北工业大学 | 面向合成孔径雷达目标图像识别的靶向伪装图像生成方法 |
US11774553B2 (en) * | 2020-06-18 | 2023-10-03 | Infineon Technologies Ag | Parametric CNN for radar processing |
CN111739117A (zh) * | 2020-07-20 | 2020-10-02 | 南京理工大学 | 基于卷积神经网络对经散射介质后的物体进行成像的方法 |
CN112130146B (zh) * | 2020-08-26 | 2022-05-03 | 南京航空航天大学 | 基于Radon变换与机器学习的视频合成孔径雷达动目标亮线检测方法 |
CN112884059B (zh) * | 2021-03-09 | 2022-07-05 | 电子科技大学 | 一种融合先验知识的小样本雷达工作模式分类方法 |
CN115407282B (zh) * | 2022-08-24 | 2024-04-26 | 北京航空航天大学 | 一种短基线下基于干涉相位的sar有源欺骗干扰检测方法 |
CN116559794B (zh) * | 2023-07-12 | 2023-09-29 | 西安电子科技大学 | 一种双多域复数神经网络的雷达抗干扰智能决策方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI247130B (en) * | 2004-04-22 | 2006-01-11 | Chung Shan Inst Of Science | Method of identification for radar jamming |
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN104732243A (zh) * | 2015-04-09 | 2015-06-24 | 西安电子科技大学 | 基于cnn的sar目标识别方法 |
CN105184305A (zh) * | 2015-07-08 | 2015-12-23 | 西安电子科技大学 | 基于空域混合模型的高分辨sar图像目标检测方法 |
-
2016
- 2016-06-20 CN CN201610440129.3A patent/CN106228201B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI247130B (en) * | 2004-04-22 | 2006-01-11 | Chung Shan Inst Of Science | Method of identification for radar jamming |
CN103955702A (zh) * | 2014-04-18 | 2014-07-30 | 西安电子科技大学 | 基于深度rbf网络的sar图像地物分类方法 |
CN104732243A (zh) * | 2015-04-09 | 2015-06-24 | 西安电子科技大学 | 基于cnn的sar目标识别方法 |
CN105184305A (zh) * | 2015-07-08 | 2015-12-23 | 西安电子科技大学 | 基于空域混合模型的高分辨sar图像目标检测方法 |
Non-Patent Citations (1)
Title |
---|
基于稀疏理论的SAR图像目标识别研究;丁军;《中国博士学位论文全文数据库 信息科技辑》;20160315;第136-268页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106228201A (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228201B (zh) | 一种基于阴影特性的合成孔径雷达抗欺骗式干扰方法 | |
Zeng et al. | Underwater target detection based on Faster R-CNN and adversarial occlusion network | |
Zhu et al. | Deep learning meets SAR: Concepts, models, pitfalls, and perspectives | |
Wang et al. | Polarimetric synthetic aperture radar image segmentation by convolutional neural network using graphical processing units | |
Wang et al. | New hierarchical saliency filtering for fast ship detection in high-resolution SAR images | |
CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
Ozkaya et al. | GPR B scan image analysis with deep learning methods | |
Pei et al. | SAR automatic target recognition based on multiview deep learning framework | |
Guo et al. | Scattering enhanced attention pyramid network for aircraft detection in SAR images | |
CN108154192A (zh) | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 | |
Karuppusamy | Building detection using two-layered novel convolutional neural networks | |
Zhou et al. | CANet: An unsupervised deep convolutional neural network for efficient cluster-analysis-based multibaseline InSAR phase unwrapping | |
CN109948532A (zh) | 基于深度卷积神经网络的超宽带雷达人体动作识别方法 | |
Pratola et al. | Toward fully automatic detection of changes in suburban areas from VHR SAR images by combining multiple neural-network models | |
Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
Chen et al. | Geospatial transformer is what you need for aircraft detection in SAR Imagery | |
Rahnemoonfar et al. | Deep multi-scale learning for automatic tracking of internal layers of ice in radar data | |
Yari et al. | Smart tracking of internal layers of ice in radar data via multi-scale learning | |
Mahrooghy et al. | A machine learning framework for detecting landslides on earthen levees using spaceborne SAR imagery | |
Long et al. | Object detection research of SAR image using improved faster region-based convolutional neural network | |
Miao et al. | Detection of mines and minelike targets using principal component and neural-network methods | |
Almaimani | Classifying GPR images using convolutional neural networks | |
EP3671634B1 (en) | Curvilinear object segmentation with geometric priors | |
Hajipour et al. | A novel method for GPR imaging based on neural networks and dictionary learning | |
Badran et al. | Wind ambiguity removal by the use of neural network techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190405 Termination date: 20210620 |