CN108921029A - 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法 - Google Patents

一种融合残差卷积神经网络和pca降维的sar自动目标识别方法 Download PDF

Info

Publication number
CN108921029A
CN108921029A CN201810562611.3A CN201810562611A CN108921029A CN 108921029 A CN108921029 A CN 108921029A CN 201810562611 A CN201810562611 A CN 201810562611A CN 108921029 A CN108921029 A CN 108921029A
Authority
CN
China
Prior art keywords
residual error
image
convolution
convolutional
sar
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.)
Pending
Application number
CN201810562611.3A
Other languages
English (en)
Inventor
万子宁
刘兴高
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810562611.3A priority Critical patent/CN108921029A/zh
Publication of CN108921029A publication Critical patent/CN108921029A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种融合残差卷积神经网络和PCA降维的SAR自动目标识别方法，该方法首先获取SAR目标图像数据并对其按目标类别加以标注，形成训练集，然后对训练集图像数据增强扩充并进行预处理，并构建残差卷积神经网络，再将训练样本输入网络中进行训练，将训练样本输入到训练好的网络模型中，以样本通过所有隐含层后得到的特征向量为新的训练集，将得到的特征向量利用PCA降维方法进行降维后输入到SVM分类器中训练；最后将待识别样本作预处理后输入网络，得到特征向量后用PCA降维，再用训练好的SVM分类器进行识别。本发明解决了现有SAR自动目标识别技术识别准确率较低的问题。

Description

一种融合残差卷积神经网络和PCA降维的SAR自动目标识别 方法
技术领域
本发明属于雷达数据处理技术领域，特别地涉及一种SAR自动目标识别方法，主要解决 现有技术识别准确率较低的问题。
背景技术
合成孔径雷达(SAR)是一种主动式高分辨率成像雷达，能在云雾遮挡、可见度极低的 天气条件下得到与可见光图像相似的图像。SAR具有强穿透力、高分辨率、大范围的监测能 力，这些优点使其在环境监测、海洋监测、地图测绘和军事侦查等方面的应用上具有显著的 优势。因此，针对SAR雷达相关技术的研究越来越受到世界各国的重视，SAR图像自动目标 识别是其中最重要的技术之一。
西安电子科技大学在其申请的专利“基于CNN的SAR目标识别方法”(专利申请号：CN201510165886.X，专利公开号：CN104732243A)中提出了基于CNN的SAR目标识别方 法。该方法的实现步骤为：将样本图像多次平移变换，把得到的新样本扩充入训练样本中； 在caffe框架中构建CNN网络；将训练样本输入CNN中进行训练；将测试样本平移扩充后 输入训练好的CNN网络中进行测试。该方法的不足之处在于其构建的网络为传统CNN结构， 参数效率低、对深层特征的提取能力较弱，所以SAR目标识别率较低。
电子科技大学在其申请的专利“一种多源特征融合的SAR图像自动目标识别方法”(专 利申请号：CN201710312180.0，专利公开号：CN107239740A)公开了一种多源特征融合的 SAR图像目标识别方法。该方法的实现步骤为：读取不同目标的SAR图像和三维模型的二维 平面的投影图像并标准化处理；采用余弦傅里叶不变矩方法提取1中投影图像矩特征；采用 瑞利分布的CFAR检测方法提取SAR图像峰值特征；利用结合SVM和匹配算法的级联融合 分类器对目标进行识别。该方法的不足之处在于需要人为设计和选择的特征提取工作，方法 泛化性较差，应用于不同的SAR目标识别任务时效果难以保证。
发明内容
为了克服目前SAR自动目标识别技术的不足，本发明的目的在于提供一种融合残差卷积 神经网络和PCA降维的的SAR自动目标识别方法，主要解决现有技术识别准确率较低的问 题。
本发明解决其技术问题所采用的技术方案是：一种融合残差卷积神经网络和PCA降维的 SAR自动目标识别方法，其实现步骤包含：
1)获取SAR目标图像数据并对其按目标类别加以标注，形成训练集。
对目标识别任务涉及到的多类目标，分别就每一类采集若干SAR图像作为训练样本。
2)对给定的训练集图像作数据增强并进行预处理。
2.1)数据增强：
对训练集中的每个SAR图像进行随机平移、翻转、旋转和缩放操作，产生的衍生训练样 本标记上原始训练样本一致的标签；
2.2)预处理：
2.2.1)利用滤波算法对SAR图像进行处理，以抑制相干斑噪声，图像滤波后的像素值通过公式(6)计算得到，相关变量通过公式(1-5)计算得到：
w＝1-exp(2log(Cu)-2×log(CI+0.1)) (5)
其中m为滤波窗口大小，g代表SAR图像，是图像(i,j)处滤波窗口内样本像素均值，σij是图像(i,j)处滤波窗口内样本像素方差，CI和Cu为图像方差系数，L为等效视数，g'ij是图像(i,j)处滤波后的像素值，w是滤波比例参数，i、j、k、l分别代表图像横坐标、 图像纵坐标、滤波窗口内各像素点横坐标、滤波窗口内各像素点纵坐标，下标I、u是两 个方差系数的区分下标，选择滤波窗口大小为3，等效视数L为20；
2.2.2)对滤波后样本图像再作均值归一化处理：
其中x代表2.2.1)得到的滤波后样本图像，x(i,j)为图像(i,j)处的像素值，mean(x)为 图像像素平均值，为图像像素标准差，x'(x,j)为均值归一化处理后(i,j)处的像素值， i、j分别为图像横坐标和图像纵坐标。
3)构建残差卷积神经网络。
3.1)残差卷积网络包含的结构有：
3.1.1)卷积层：卷积核在输入的特征图上滑动，卷积核参数与特征图数据作卷积操 作，卷积操作公式如下，其中*代表卷积操作，ink为输入到第k层的特征图，outk为第k 层输出的特征图，Wk和bk为第k层的卷积参数,f()代表激活函数，f(z)＝max(z,0)， 其中z代表激活函数的输入；
outk＝f(ink*Wk+bk)(8)
3.1.2)全连接层：用于将输入的特征图进行降维提纯，为维数与类别数相等的特征向 量；
3.1.3)池化层：用到了最大值池化和全局平均池化两种池化方式，全局平均池化用在 最后一个卷积层之后，其他地方都采用最大值池化；
3.1.4)残差结构：残差结构由两个卷积层组成，在两卷积层前后有一个捷径连接，捷 径连接又有两种，一种是恒等映射，将输入特征图直接与经过两个卷积层后的输出相加， 另一种的捷径连接含有一个卷积层，以配合主路径上特征图维度的变化。
3.2)本发明构造的残差卷积网络具体结构为：
3.2.1)卷积池化层：首先对128×128×1的输入图像作卷积，卷积核个数为64、大小为7×7、移动步数为2，对卷积层的输出进行作最大值池化，池化窗口大小为2×2、 移动步数为2，最后输出的特征图维数为32×32×64；
3.2.2)第一残差结构块：由3个残差结构组成，第一个和第二个残差结构的卷积层的 卷积核个数都为64、窗口大小都为3×3、移动步数都为1，捷径连接为恒等映射，第三 个残差结构的第一个卷积层的卷积核个数为128、卷积窗口大小为3×3、移动步数为2， 第二个卷积层的卷积核个数为128、窗口大小为3×3、移动步数为1，其捷径连接含有一 个卷积核个数为128、窗口大小为3×3、移动步数为2的卷积层，最终输出的特征图维 数为16×16×128。
3.2.3)第二残差结构块：由3个残差结构组成，第一个和第二个残差结构的卷积层的 卷积核个数都为128、窗口大小都为3×3、移动步数都为1，捷径连接为恒等映射，第三个残差结构的第一个卷积层的卷积核个数为256、卷积窗口大小为3×3、移动步数为2， 第二个卷积层的卷积核个数为256、窗口大小为3×3、移动步数为1，其捷径连接含有一 个卷积核个数为256、窗口大小为3×3、移动步数为2的卷积层，最终输出的特征图维 数为8×8×256。
3.2.4)第三残差结构块：由3个残差结构组成，第一个和第二个残差结构的卷积层的 卷积核个数都为256、窗口大小都为3×3、移动步数都为1，捷径连接为恒等映射，第三个残差结构的第一个卷积层的卷积核个数为512、卷积窗口大小为3×3、移动步数为2， 第二个卷积层的卷积核个数为512、窗口大小为3×3、移动步数为1，其捷径连接含有一 个卷积核个数为512、窗口大小为3×3、移动步数为2的卷积层，最终输出的特征图维 数为4×4×512。
3.2.5)目标识别：对第三残差结构块的输出作全局平均池化，得到512维的特征向量， 再用全连接层对该向量进行降维，全连接层神经元数与目标类别数相等，最后采用softmax 分类器作分类，以网络顶层softmax分类的输出为目标识别结果。
4)将第二步中得到的增强后的训练样本集输入到第三步中构造的网络中进行训练，各卷积层、 全连接层参数采用Xavier初始化方法，得到训练好的网络模型。
5)将训练样本输入到训练好的网络模型中，以网络全局平均池化层输出的特征向量为新的训 练样本，得到新的训练集。
6)将得到的特征向量利用PCA降维方法进行降维后输入到SVM分类器中训练，得到训练好 的SVM分类器。
对特征向量降维处理的步骤为：
6.1)所有特征向量训练样本组成n行r列矩阵X，n为样本数量，r为特征向量维数；
6.2)将X的每一行(代表一个属性字段)进行零均值化；
6.3)求出X的协方差矩阵；
6.4)求出协方差矩阵的特征值及对应的特征向量；
6.5)将特征向量按对应特征值大小从上到下按行排列成矩阵，取前L行组成矩阵P
即为降维到L维后的数据。
7)将待识别样本按步骤2.2)作预处理后输入网络，得到特征向量后用PCA降维，再用训练 好的SVM分类器进行识别，输出识别结果。
本发明的技术构思为：将SAR雷达监测得到的目标图像作为训练集，对其进行数据增强 和预处理，输入到残差卷积神经网络中进行训练，将训练样本输入到训练好的网络模型中， 以样本通过所有隐含层后得到的特征向量为新的训练集，将得到的特征向量降维后输入到 SVM分类器中训练，将测试集样本作预处理后输入网络，得到特征向量后用PCA降维，再 用训练好的SVM分类器进行识别。本方法主要解决现有SAR自动目标识别技术识别准确率 较低的问题。
本发明的有益效果主要表现在：
1、识别率高：本发明以残差卷积神经网络为基础构建了深层SAR目标识别网络，能够得到 比传统方法和普通浅层CNN更好的识别效果；
2、自动化程度高：本发明以残差卷积神经网络为自动特征提取器，没有设计和选择特征的步 骤，使用起来更为简单。
附图说明
图1是本发明的实现流程图。
具体实施方式
下面根据附图具体说明本发明。
参照图1，本发明的具体实施步骤如下：
1)获取SAR目标图像数据并对其按目标类别加以标注，形成训练集。
对目标识别任务涉及到的多类目标，分别就每一类采集若干SAR图像作为训练样本。
2)对给定的训练集图像作数据增强并进行预处理。
2.1)数据增强：
对训练集中的每个SAR图像进行随机平移、翻转、旋转和缩放操作，产生的衍生训练样 本标记上原始训练样本一致的标签；
2.2)预处理：
2.2.1)利用滤波算法对SAR图像进行处理，以抑制相干斑噪声，图像滤波后的像素值通过公式(6)计算得到，相关变量通过公式(1-5)计算得到：
w＝1-exp(2log(Cu)-2×log(CI+0.1)) (5)
其中m为滤波窗口大小，g代表SAR图像，是图像(i,j)处滤波窗口内样本像素均值，σij是图像(i,j)处滤波窗口内样本像素方差，CI和Cu为图像方差系数，L为等效视数，g'ij是图像(i,j)处滤波后的像素值，w是滤波比例参数，i、j、k、l分别代表图像横坐标、 图像纵坐标、滤波窗口内各像素点横坐标、滤波窗口内各像素点纵坐标，下标I、u是两 个方差系数的区分下标，选择滤波窗口大小为3，等效视数L为20；
2.2.2)对滤波后样本图像再作均值归一化处理：
其中x代表2.2.1)得到的滤波后样本图像，x(i,j)为图像(i,j)处的像素值，mean(x)为 图像像素平均值，为图像像素标准差，x'(x,j)为均值归一化处理后(i,j)处的像素值， i、j分别为图像横坐标和图像纵坐标。
3)构建残差卷积神经网络。
3.1)残差卷积网络包含的结构有：
3.1.1)卷积层：卷积核在输入的特征图上滑动，卷积核参数与特征图数据作卷积操 作，卷积操作公式如下，其中*代表卷积操作，ink为输入到第k层的特征图，outk为第k 层输出的特征图，Wk和bk为第k层的卷积参数,f()代表激活函数，f(z)＝max(z,0)， 其中z代表激活函数的输入；
outk＝f(ink*Wk+bk) (8)
3.1.2)全连接层：用于将输入的特征图进行降维提纯，为维数与类别数相等的特征向 量；
3.1.3)池化层：用到了最大值池化和全局平均池化两种池化方式，全局平均池化用在 最后一个卷积层之后，其他地方都采用最大值池化；
3.1.4)残差结构：残差结构由两个卷积层组成，在两卷积层前后有一个捷径连接，捷 径连接又有两种，一种是恒等映射，将输入特征图直接与经过两个卷积层后的输出相加， 另一种的捷径连接含有一个卷积层，以配合主路径上特征图维度的变化。
3.2)本发明构造的残差卷积网络具体结构为：
3.2.1)卷积池化层：首先对128×128×1的输入图像作卷积，卷积核个数为64、大小为7×7、移动步数为2，对卷积层的输出进行作最大值池化，池化窗口大小为2×2、 移动步数为2，最后输出的特征图维数为32×32×64；
3.2.2)第一残差结构块：由3个残差结构组成，第一个和第二个残差结构的卷积层的 卷积核个数都为64、窗口大小都为3×3、移动步数都为1，捷径连接为恒等映射，第三 个残差结构的第一个卷积层的卷积核个数为128、卷积窗口大小为3×3、移动步数为2， 第二个卷积层的卷积核个数为128、窗口大小为3×3、移动步数为1，其捷径连接含有一 个卷积核个数为128、窗口大小为3×3、移动步数为2的卷积层，最终输出的特征图维 数为16×16×128。
3.2.3)第二残差结构块：由3个残差结构组成，第一个和第二个残差结构的卷积层的 卷积核个数都为128、窗口大小都为3×3、移动步数都为1，捷径连接为恒等映射，第三个残差结构的第一个卷积层的卷积核个数为256、卷积窗口大小为3×3、移动步数为2， 第二个卷积层的卷积核个数为256、窗口大小为3×3、移动步数为1，其捷径连接含有一 个卷积核个数为256、窗口大小为3×3、移动步数为2的卷积层，最终输出的特征图维 数为8×8×256。
3.2.4)第三残差结构块：由3个残差结构组成，第一个和第二个残差结构的卷积层的 卷积核个数都为256、窗口大小都为3×3、移动步数都为1，捷径连接为恒等映射，第三个残差结构的第一个卷积层的卷积核个数为512、卷积窗口大小为3×3、移动步数为2， 第二个卷积层的卷积核个数为512、窗口大小为3×3、移动步数为1，其捷径连接含有一 个卷积核个数为512、窗口大小为3×3、移动步数为2的卷积层，最终输出的特征图维 数为4×4×512。
3.2.5)目标识别：对第三残差结构块的输出作全局平均池化，得到512维的特征向量， 再用全连接层对该向量进行降维，全连接层神经元数与目标类别数相等，最后采用softmax 分类器作分类，以网络顶层softmax分类的输出为目标识别结果。
4)将第二步中得到的增强后的训练样本集输入到第三步中构造的网络中进行训练，各卷积层、 全连接层参数采用Xavier初始化方法，得到训练好的网络模型。
5)将训练样本输入到训练好的网络模型中，以网络全局平均池化层输出的特征向量为新的训 练样本，得到新的训练集。
6)将得到的特征向量利用PCA降维方法进行降维后输入到SVM分类器中训练，得到训练好 的SVM分类器。
对特征向量降维处理的步骤为：
6.1)所有特征向量训练样本组成n行r列矩阵X，n为样本数量，r为特征向量维数；
6.2)将X的每一行(代表一个属性字段)进行零均值化；
6.3)求出X的协方差矩阵；
6.4)求出协方差矩阵的特征值及对应的特征向量；
6.5)将特征向量按对应特征值大小从上到下按行排列成矩阵，取前L行组成矩阵P
即为降维到L维后的数据。
7)将待识别样本按步骤2.2)作预处理后输入网络，得到特征向量后用PCA降维，再用训练 好的SVM分类器进行识别，输出识别结果。
本发明的效果通过以下实验说明：
实验采用SAR目标识别研究常用的MSTAR数据集作为实验数据，实验针对的是MSTAR数 据集推荐的三类目标识别任务：训练集和测试集分别包含15°和17°雷达俯仰角下得到的3 类目标图像：BTR70(装甲运输车)、BMP2(步兵战车)和T72(坦克)，其中BTR-70和T-72 类目标还依据配备装备的不同各有三种子型号；测试集同样包含三类图像。为了体现识别方 法提取有效特征的能力，训练集仅选择BTR70、T72三种子型号中的一种，所以最终训练集的 样本数为698，测试集的样本数为1365，具体各类样本数如表1所示。所有样本图像的像素 大小为128×128。
表1：训练集和测试集样本数
实际训练中设置每批训练样本数为16，训练轮数为50，每一轮的训练样本数为560，验 证样本数为138，采用Adaptive Moment Estimation自适应优化方法；各卷积层、全连接层 参数采用Xavier初始化方法，选择SVM的核函数为径向基核函数；对k类识别任务，构造 k(k-1)/2个二分类器，由所有分类器的识别结果按投票方式得到最终识别结果。
实验采用分类任务中常用的四个性能指标：识别率、精确率、召回率和F1值，其中识别 率为全部测试样本中正确分类的样本数与总数之比，精确率是指判断为正例的样本中确实为 正例的比例，召回率是某类样本被正确分类的比例，而F1值是精确率和召回率的调和平均。
将测试集1365张待识别SAR图像输入到训练好的残差卷积神经网络中得到特征向量，以 训练集得到的PCA降维矩阵对其进行降维，再用训练好的SVM分类器识别得到的结果为识别 率98.39％、精确率98.28％、召回率98.46％、F1值98.37％。结果优于国际上的公开报道结果， 与其他SAR目标识别方法的比较分析见表2，各类样本的详细识别结果见表3。
表2：与其他SAR目标识别方法性能比较
方法 识别率(％)
Gabor+TPLBP+ELM0 94.80
联合稀疏表示[2] 95.60
AdaBoost[3] 96.12
传统CNN 95.90
本发明 98.39
[1]王璐,张帆,李伟等.基于Gabor滤波器和局部纹理特征提取的SAR目标识别算法[J].雷 达学报,2015,4(6):658-665.
[2]Zhang H,Nasrabadi N M,Zhang Y,et al.Multi-View Automatic TargetRecognition using Joint Sparse Representation[J].Aerospace&Electronic SystemsIEEE Transactions on,2012, 48(3):2481-2497.
[3]Sun Y,Liu Z,Todorovic S,et al.Adaptive boosting for SAR automatictarget recognition[J]. IEEE Transactions on Aerospace&Electronic Systems,2007,43(1):112-125.
[4]田壮壮,占荣辉,胡杰民等.基于卷积神经网络的SAR图像目标识别研究[J].雷达学报, 2016,5(3):320-325.
表3：SAR目标识别详细结果
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要 求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (6)

1.一种基于融合残差卷积神经网络和PCA降维的SAR自动目标识别方法，其特征在于，包括以下步骤：
(1)获取SAR目标图像数据并对其按目标类别加以标注，形成训练集：对目标识别任务涉及到的多类目标，分别就每一类采集若干SAR图像作为训练样本。
(2)对给定的训练集图像作数据增强并进行预处理。
(3)构建残差卷积神经网络。
(4)将步骤2得到的训练样本集输入到步骤3构造的网络中进行训练，各卷积层、全连接层参数采用Xavier初始化方法，得到训练好的网络模型。
(5)将训练样本输入到训练好的网络模型中，以网络全局平均池化层输出的特征向量为新的训练样本，得到新的训练集。
(6)将得到的特征向量利用PCA降维方法进行降维后输入到SVM分类器中训练，得到训练好的SVM分类器。
(7)将待识别样本按步骤2作预处理后输入网络，得到特征向量后用PCA降维，再用步骤6训练好的SVM分类器进行识别，输出识别结果。
2.根据权利要求1所述的基于融合残差卷积神经网络和PCA降维的SAR自动目标识别方法，其特征在于，所述步骤2中，所述数据增强具体为：对训练集中的每个SAR图像进行随机平移、翻转、旋转和缩放操作，产生的衍生训练样本标记上原始训练样本一致的标签。
3.根据权利要求1所述的基于融合残差卷积神经网络和PCA降维的SAR自动目标识别方法，其特征在于，所述步骤2中，所述预处理具体为：
首先，利用滤波算法对SAR图像进行处理，以抑制相干斑噪声；图像滤波后的像素值通过公式(6)计算得到，相关变量通过公式(1-5)计算得到：
w＝1-exp(2log(Cu)-2×log(CI+0.1)) (5)
其中，m为滤波窗口大小，g代表SAR图像，是图像(i,j)处滤波窗口内样本像素均值，σij是图像(i,j)处滤波窗口内样本像素方差，CI和Cu为图像方差系数，L为等效视数，g'ij是图像(i,j)处滤波后的像素值，w是滤波比例参数，i、j、k、l分别代表图像横坐标、图像纵坐标、滤波窗口内各像素点横坐标、滤波窗口内各像素点纵坐标，下标I、u是两个方差系数的区分下标，选择滤波窗口大小为3，等效视数L为20；
然后，对滤波后样本图像再作均值归一化处理：
其中，x代表滤波后样本图像，x(i,j)为图像(i,j)处的像素值，mean(x)为图像像素平均值，为图像像素标准差，x'(x,j)为均值归一化处理后(i,j)处的像素值，i、j分别为图像横坐标和图像纵坐标。
4.根据权利要求1所述的基于融合残差卷积神经网络和PCA降维的SAR自动目标识别方法，其特征在于，所述步骤3中，所述残差卷积网络包含的结构有卷积层、全连接层、池化层和残差结构，具体为：
卷积层：卷积核在输入的特征图上滑动，卷积核参数与特征图数据作卷积操作，卷积操作公式如下：
outk＝f(ink*Wk+bk) (8)
其中，*代表卷积操作，ink为输入到第k层的特征图，outk为第k层输出的特征图，Wk和bk为第k层的卷积参数,f()代表激活函数，f(z)＝max(z,0)，z代表激活函数的输入；
全连接层：用于将输入的特征图进行降维提纯，为维数与类别数相等的特征向量；
池化层：用到了最大值池化和全局平均池化两种池化方式，全局平均池化用在最后一个卷积层之后，其他地方都采用最大值池化；
残差结构：残差结构由两个卷积层组成，在两卷积层前后有一个捷径连接，捷径连接又有两种，一种是恒等映射，将输入特征图直接与经过两个卷积层后的输出相加，另一种的捷径连接含有一个卷积层，以配合主路径上特征图维度的变化。
5.根据权利要求1所述的基于融合残差卷积神经网络和PCA降维的SAR自动目标识别方法，其特征在于，所述步骤3中，所构造的残差卷积网络具体结构包括卷积池化层、第一残差结构块、第二残差结构块、第三残差结构块和目标识别，具体为：
卷积池化层：首先对128×128×1的输入图像作卷积，卷积核个数为64、大小为7×7、移动步数为2，对卷积层的输出进行作最大值池化，池化窗口大小为2×2、移动步数为2，最后输出的特征图维数为32×32×64；
第一残差结构块：由3个残差结构组成，第一个和第二个残差结构的卷积层的卷积核个数都为64、窗口大小都为3×3、移动步数都为1，捷径连接为恒等映射，第三个残差结构的第一个卷积层的卷积核个数为128、卷积窗口大小为3×3、移动步数为2，第二个卷积层的卷积核个数为128、窗口大小为3×3、移动步数为1，其捷径连接含有一个卷积核个数为128、窗口大小为3×3、移动步数为2的卷积层，最终输出的特征图维数为16×16×128。
第二残差结构块：由3个残差结构组成，第一个和第二个残差结构的卷积层的卷积核个数都为128、窗口大小都为3×3、移动步数都为1，捷径连接为恒等映射，第三个残差结构的第一个卷积层的卷积核个数为256、卷积窗口大小为3×3、移动步数为2，第二个卷积层的卷积核个数为256、窗口大小为3×3、移动步数为1，其捷径连接含有一个卷积核个数为256、窗口大小为3×3、移动步数为2的卷积层，最终输出的特征图维数为8×8×256。
第三残差结构块：由3个残差结构组成，第一个和第二个残差结构的卷积层的卷积核个数都为256、窗口大小都为3×3、移动步数都为1，捷径连接为恒等映射，第三个残差结构的第一个卷积层的卷积核个数为512、卷积窗口大小为3×3、移动步数为2，第二个卷积层的卷积核个数为512、窗口大小为3×3、移动步数为1，其捷径连接含有一个卷积核个数为512、窗口大小为3×3、移动步数为2的卷积层，最终输出的特征图维数为4×4×512。
目标识别：对第三残差结构块的输出作全局平均池化，得到512维的特征向量，再用全连接层对该向量进行降维，全连接层神经元数与目标类别数相等，最后采用softmax分类器作分类，以网络顶层softmax分类的输出为目标识别结果。
6.根据权利要求1所述的基于融合残差卷积神经网络和PCA降维的SAR自动目标识别方法，其特征在于，所述步骤6中，对特征向量降维处理的步骤为：
(6.1)所有特征向量训练样本组成n行r列矩阵X，n为样本数量，r为特征向量维数；
(6.2)将X的每一行进行零均值化；
(6.3)求出X的协方差矩阵；
(6.4)求出协方差矩阵的特征值及对应的特征向量；
(6.5)将特征向量按对应特征值大小从上到下按行排列成矩阵，取前L行组成矩阵P，即为降维到L维后的数据。
CN201810562611.3A 2018-06-04 2018-06-04 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法 Pending CN108921029A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810562611.3A CN108921029A (zh) 2018-06-04 2018-06-04 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810562611.3A CN108921029A (zh) 2018-06-04 2018-06-04 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法

Publications (1)

Publication Number Publication Date
CN108921029A true CN108921029A (zh) 2018-11-30

Family

ID=64418158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810562611.3A Pending CN108921029A (zh) 2018-06-04 2018-06-04 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法

Country Status (1)

Country Link
CN (1) CN108921029A (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344878A (zh) * 2018-09-06 2019-02-15 北京航空航天大学 一种基于ResNet的仿鹰脑特征整合小目标识别方法
CN109740677A (zh) * 2019-01-07 2019-05-10 湖北工业大学 一种基于主成分分析改进生成对抗网络的半监督分类方法
CN109801269A (zh) * 2018-12-29 2019-05-24 华南理工大学 一种基于竞争的挤压和激励神经网络的舌苔体质分类方法
CN109816714A (zh) * 2019-01-15 2019-05-28 西北大学 一种基于三维卷积神经网络的点云物体类型识别方法
CN109815999A (zh) * 2019-01-08 2019-05-28 浙江大学 一种简便高效的自动化煤矸识别方法
CN110009097A (zh) * 2019-04-17 2019-07-12 电子科技大学 胶囊残差神经网络、胶囊残差神经网络的图像分类方法
CN110135409A (zh) * 2019-04-04 2019-08-16 平安科技（深圳）有限公司 识别模型的优化方法和装置
CN110245711A (zh) * 2019-06-18 2019-09-17 西安电子科技大学 基于角度旋转生成网络的sar目标识别方法
CN110334715A (zh) * 2019-07-04 2019-10-15 电子科技大学 一种基于残差注意网络的sar目标识别方法
CN110349135A (zh) * 2019-06-27 2019-10-18 歌尔股份有限公司 目标检测方法和装置
CN110399815A (zh) * 2019-07-12 2019-11-01 淮阴工学院 一种基于vgg16的cnn-svm手写签名识别方法
CN110705570A (zh) * 2019-09-20 2020-01-17 桂林电子科技大学 一种图像特征识别方法
CN110751061A (zh) * 2019-09-29 2020-02-04 五邑大学 基于sar网络的sar图像识别方法、装置、设备和存储介质
CN110929697A (zh) * 2019-12-17 2020-03-27 中国人民解放军海军航空大学 一种基于残差结构的神经网络目标识别方法及***
CN111027630A (zh) * 2019-12-13 2020-04-17 安徽理工大学 一种基于卷积神经网络的图像分类方法
CN111142109A (zh) * 2019-12-30 2020-05-12 上海眼控科技股份有限公司 标记方法、装置、计算机设备和存储介质
CN111191718A (zh) * 2019-12-30 2020-05-22 西安电子科技大学 基于图注意力网络的小样本sar目标识别方法
CN111291604A (zh) * 2018-12-07 2020-06-16 深圳光启空间技术有限公司 面部属性识别方法、装置、存储介质及处理器
CN111401434A (zh) * 2020-03-12 2020-07-10 西北工业大学 一种基于无监督特征学习的图像分类方法
CN111652059A (zh) * 2020-04-27 2020-09-11 西北大学 基于计算鬼成像的目标识别模型构建、识别方法及装置
CN111667495A (zh) * 2020-06-08 2020-09-15 北京环境特性研究所 一种图像场景解析方法和装置
CN111768214A (zh) * 2019-03-14 2020-10-13 北京京东尚科信息技术有限公司 产品属性的预测方法、***、设备和存储介质
CN112285712A (zh) * 2020-10-15 2021-01-29 电子科技大学 一种提高sar图像中靠岸船只检测精度的方法
CN112581177A (zh) * 2020-12-24 2021-03-30 上海数鸣人工智能科技有限公司 结合自动特征工程及残差神经网络的营销预测方法
CN112926619A (zh) * 2021-01-08 2021-06-08 浙江大学 一种高精度水下激光目标识别***
CN113095417A (zh) * 2021-04-16 2021-07-09 西安电子科技大学 基于融合图卷积和卷积神经网络的sar目标识别方法
CN113282753A (zh) * 2021-06-09 2021-08-20 中国银行股份有限公司 标题文本数据分类方法及装置
CN113627553A (zh) * 2021-08-18 2021-11-09 国网福建省电力有限公司营销服务中心 一种用于电能表异常标签识别的图像识别方法及***
CN113850269A (zh) * 2021-12-01 2021-12-28 西南石油大学 一种基于多分支选择性内核嵌套连接残差网络的方法
CN113989718A (zh) * 2021-10-29 2022-01-28 南京邮电大学 面向雷达信号热图的人体目标检测方法
CN114897779A (zh) * 2022-04-12 2022-08-12 华南理工大学 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置
WO2023284698A1 (zh) * 2021-07-14 2023-01-19 浙江大学 一种基于深度神经网络的多目标恒虚警率检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650781A (zh) * 2016-10-21 2017-05-10 广东工业大学 一种卷积神经网络图像识别方法及装置
CN107103338A (zh) * 2017-05-19 2017-08-29 杭州电子科技大学 融合卷积特征和集成超限学习机的sar目标识别方法
CN107239799A (zh) * 2017-05-26 2017-10-10 西安电子科技大学 基于Pauli分解和深度残差网的极化SAR影像分类方法
CN107358258A (zh) * 2017-07-07 2017-11-17 西安电子科技大学 基于nsct双cnn通道和选择性注意机制的sar图像目标分类
CN107766858A (zh) * 2017-10-20 2018-03-06 哈尔滨工业大学（威海） 一种应用合成孔径雷达图像进行船舶检测的方法
CN107908685A (zh) * 2017-10-31 2018-04-13 西安交通大学 基于迁移学习的多视角商品图像检索与识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650781A (zh) * 2016-10-21 2017-05-10 广东工业大学 一种卷积神经网络图像识别方法及装置
CN107103338A (zh) * 2017-05-19 2017-08-29 杭州电子科技大学 融合卷积特征和集成超限学习机的sar目标识别方法
CN107239799A (zh) * 2017-05-26 2017-10-10 西安电子科技大学 基于Pauli分解和深度残差网的极化SAR影像分类方法
CN107358258A (zh) * 2017-07-07 2017-11-17 西安电子科技大学 基于nsct双cnn通道和选择性注意机制的sar图像目标分类
CN107766858A (zh) * 2017-10-20 2018-03-06 哈尔滨工业大学（威海） 一种应用合成孔径雷达图像进行船舶检测的方法
CN107908685A (zh) * 2017-10-31 2018-04-13 西安交通大学 基于迁移学习的多视角商品图像检索与识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
K. HE等: ""Deep Residual Learning for Image Recognition"", 《2016 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *

Cited By (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344878A (zh) * 2018-09-06 2019-02-15 北京航空航天大学 一种基于ResNet的仿鹰脑特征整合小目标识别方法
CN109344878B (zh) * 2018-09-06 2021-03-30 北京航空航天大学 一种基于ResNet的仿鹰脑特征整合小目标识别方法
CN111291604A (zh) * 2018-12-07 2020-06-16 深圳光启空间技术有限公司 面部属性识别方法、装置、存储介质及处理器
CN109801269A (zh) * 2018-12-29 2019-05-24 华南理工大学 一种基于竞争的挤压和激励神经网络的舌苔体质分类方法
CN109740677A (zh) * 2019-01-07 2019-05-10 湖北工业大学 一种基于主成分分析改进生成对抗网络的半监督分类方法
CN109815999A (zh) * 2019-01-08 2019-05-28 浙江大学 一种简便高效的自动化煤矸识别方法
CN109816714A (zh) * 2019-01-15 2019-05-28 西北大学 一种基于三维卷积神经网络的点云物体类型识别方法
CN109816714B (zh) * 2019-01-15 2023-03-21 西北大学 一种基于三维卷积神经网络的点云物体类型识别方法
CN111768214A (zh) * 2019-03-14 2020-10-13 北京京东尚科信息技术有限公司 产品属性的预测方法、***、设备和存储介质
CN110135409A (zh) * 2019-04-04 2019-08-16 平安科技（深圳）有限公司 识别模型的优化方法和装置
WO2020199472A1 (zh) * 2019-04-04 2020-10-08 平安科技（深圳）有限公司 识别模型的优化方法和装置
CN110135409B (zh) * 2019-04-04 2023-11-03 平安科技（深圳）有限公司 识别模型的优化方法和装置
CN110009097A (zh) * 2019-04-17 2019-07-12 电子科技大学 胶囊残差神经网络、胶囊残差神经网络的图像分类方法
CN110245711A (zh) * 2019-06-18 2019-09-17 西安电子科技大学 基于角度旋转生成网络的sar目标识别方法
CN110245711B (zh) * 2019-06-18 2022-12-02 西安电子科技大学 基于角度旋转生成网络的sar目标识别方法
CN110349135A (zh) * 2019-06-27 2019-10-18 歌尔股份有限公司 目标检测方法和装置
CN110334715A (zh) * 2019-07-04 2019-10-15 电子科技大学 一种基于残差注意网络的sar目标识别方法
CN110399815A (zh) * 2019-07-12 2019-11-01 淮阴工学院 一种基于vgg16的cnn-svm手写签名识别方法
CN110705570B (zh) * 2019-09-20 2022-06-21 桂林电子科技大学 一种图像特征识别方法
CN110705570A (zh) * 2019-09-20 2020-01-17 桂林电子科技大学 一种图像特征识别方法
CN110751061A (zh) * 2019-09-29 2020-02-04 五邑大学 基于sar网络的sar图像识别方法、装置、设备和存储介质
CN110751061B (zh) * 2019-09-29 2023-04-07 五邑大学 基于sar网络的sar图像识别方法、装置、设备和存储介质
CN111027630A (zh) * 2019-12-13 2020-04-17 安徽理工大学 一种基于卷积神经网络的图像分类方法
CN111027630B (zh) * 2019-12-13 2023-04-07 安徽理工大学 一种基于卷积神经网络的图像分类方法
CN110929697B (zh) * 2019-12-17 2021-04-13 中国人民解放军海军航空大学 一种基于残差结构的神经网络目标识别方法及***
CN110929697A (zh) * 2019-12-17 2020-03-27 中国人民解放军海军航空大学 一种基于残差结构的神经网络目标识别方法及***
CN111191718A (zh) * 2019-12-30 2020-05-22 西安电子科技大学 基于图注意力网络的小样本sar目标识别方法
CN111142109A (zh) * 2019-12-30 2020-05-12 上海眼控科技股份有限公司 标记方法、装置、计算机设备和存储介质
CN111401434B (zh) * 2020-03-12 2024-03-08 西北工业大学 一种基于无监督特征学习的图像分类方法
CN111401434A (zh) * 2020-03-12 2020-07-10 西北工业大学 一种基于无监督特征学习的图像分类方法
CN111652059B (zh) * 2020-04-27 2023-03-24 西北大学 基于计算鬼成像的目标识别模型构建、识别方法及装置
CN111652059A (zh) * 2020-04-27 2020-09-11 西北大学 基于计算鬼成像的目标识别模型构建、识别方法及装置
CN111667495A (zh) * 2020-06-08 2020-09-15 北京环境特性研究所 一种图像场景解析方法和装置
CN112285712A (zh) * 2020-10-15 2021-01-29 电子科技大学 一种提高sar图像中靠岸船只检测精度的方法
CN112285712B (zh) * 2020-10-15 2023-09-15 电子科技大学 一种提高sar图像中靠岸船只检测精度的方法
CN112581177B (zh) * 2020-12-24 2023-11-07 上海数鸣人工智能科技有限公司 结合自动特征工程及残差神经网络的营销预测方法
CN112581177A (zh) * 2020-12-24 2021-03-30 上海数鸣人工智能科技有限公司 结合自动特征工程及残差神经网络的营销预测方法
CN112926619A (zh) * 2021-01-08 2021-06-08 浙江大学 一种高精度水下激光目标识别***
CN112926619B (zh) * 2021-01-08 2022-06-24 浙江大学 一种高精度水下激光目标识别***
CN113095417A (zh) * 2021-04-16 2021-07-09 西安电子科技大学 基于融合图卷积和卷积神经网络的sar目标识别方法
CN113095417B (zh) * 2021-04-16 2023-07-28 西安电子科技大学 基于融合图卷积和卷积神经网络的sar目标识别方法
CN113282753B (zh) * 2021-06-09 2024-07-19 中国银行股份有限公司 标题文本数据分类方法及装置
CN113282753A (zh) * 2021-06-09 2021-08-20 中国银行股份有限公司 标题文本数据分类方法及装置
WO2023284698A1 (zh) * 2021-07-14 2023-01-19 浙江大学 一种基于深度神经网络的多目标恒虚警率检测方法
US12044799B2 (en) 2021-07-14 2024-07-23 Zhejiang University Deep neural network (DNN)-based multi-target constant false alarm rate (CFAR) detection methods
CN113627553A (zh) * 2021-08-18 2021-11-09 国网福建省电力有限公司营销服务中心 一种用于电能表异常标签识别的图像识别方法及***
CN113627553B (zh) * 2021-08-18 2024-03-15 国网福建省电力有限公司营销服务中心 一种用于电能表异常标签识别的图像识别方法及***
CN113989718A (zh) * 2021-10-29 2022-01-28 南京邮电大学 面向雷达信号热图的人体目标检测方法
CN113850269A (zh) * 2021-12-01 2021-12-28 西南石油大学 一种基于多分支选择性内核嵌套连接残差网络的方法
CN113850269B (zh) * 2021-12-01 2022-03-15 西南石油大学 一种基于多分支选择性内核嵌套连接残差网络的去噪方法
CN114897779B (zh) * 2022-04-12 2024-04-23 华南理工大学 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置
CN114897779A (zh) * 2022-04-12 2022-08-12 华南理工大学 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置

Similar Documents

Publication Publication Date Title
CN108921029A (zh) 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法
CN107564025B (zh) 一种基于深度神经网络的电力设备红外图像语义分割方法
CN108921030A (zh) 一种快速学习的sar自动目标识别方法
CN106874889B (zh) 基于卷积神经网络的多特征融合sar目标鉴别方法
CN110163187B (zh) 基于f-rcnn的远距离交通标志检测识别方法
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN109376574B (zh) 基于cnn的可拒判雷达hrrp目标识别方法
CN108460341B (zh) 基于集成深度卷积网络的光学遥感图像目标检测方法
Qu et al. Radar signal intra-pulse modulation recognition based on convolutional denoising autoencoder and deep convolutional neural network
CN110135267A (zh) 一种大场景sar图像细微目标检测方法
CN108764063A (zh) 一种基于特征金字塔的遥感影像时敏目标识别***及方法
CN109978132A (zh) 一种精细化车辆识别的神经网络方法及***
CN109308483A (zh) 基于卷积神经网络的双源图像特征提取及融合识别方法
CN105913081B (zh) 基于改进的PCAnet的SAR图像分类方法
CN105989336B (zh) 基于带权重的解卷积深度网络学习的场景识别方法
CN111339935B (zh) 一种基于可解释cnn图像分类模型的光学遥感图片分类方法
CN106650731A (zh) 一种鲁棒的车牌、车标识别方法
CN112287784B (zh) 一种基于深度卷积神经网络与特征融合的雷达信号分类方法
CN111062310B (zh) 一种基于虚拟样本生成的少样本无人机图像识别方法
CN106557740A (zh) 一种遥感图像中油库目标的识别方法
CN113011308A (zh) 一种引入注意力机制的行人检测方法
CN116385958A (zh) 一种用于电网巡检和监控的边缘智能检测方法
CN110020669A (zh) 一种车牌分类方法、***、终端设备及计算机程序
CN105913090A (zh) 基于sdae-svm的sar图像目标分类方法
CN115346071A (zh) 高置信局部特征与全局特征学习的图片分类方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181130