技术领域
[0001] 本
发明涉及
图像处理领域，特别涉及一种合成孔径雷达(Synthetic Aperture Radar,SAR)目标图像识别方法及系统。
背景技术
[0002] 合成孔径雷达SAR能够全天时、全天候的获得高
分辨率图像，且具有较强的穿透性，因而被广泛的应用于军事、灾害、地质、农业等领域。SAR目标识别是SAR图像解译的重要内容，近年来受到越来越多人的关注。
[0003] 现有的SAR目标识别方法可以分为三种：模板匹配方法、基于模型的方法和基于
机器学习的方法。近年来，为了提高SAR目标识别的
精度，学者们提出了一些基于
深度神经网络的SAR目标识别方法，取得了显著的识别结果。
[0004] 例如，Ding等人(参见参考文献：J.Ding,B.Chen,H.Liu and M.Huang,"Convolutional Neural Network With Data Augmentation for SAR Target Recognition,"in IEEE Geoscience and Remote Sensing Letters,vol.13,no.3,pp.364-368,March 2016.)提出了一种基于数据扩充的
卷积神经网络的SAR目标识别方法，该方法提出了三种数据扩充的方式，提高了SAR目标识别正确率。Chen等人(参见参考文献：S.Chen,H.Wang,F.Xu and Y.Jin,"Target Classification Using the Deep Convolutional Networks for SAR Images,"in IEEE Transactions on Geoscience and Remote Sensing,vol.54,no.8,pp.4806-4817,Aug.2016.)提出了一种新的卷积神经网络结构用于SAR目标识别，该卷积神经网络中所有的层都利用稀疏连接的方式，而不是全连接的方式，这样就成功避免了在少量训练样本情况下过拟合的问题。
[0005] 通常情况下，为了取得好的效果，现有方法会不断加深网络结构，但是随着网络层数不断增加，模型体积越来越大，会导致实际应用中的权值参数存储问题和计算速度问题。因而如何在减少网络参数的同时，保证网络性能至关重要。
发明内容
[0006] 为了解决
现有技术中的上述问题，即为了减少网络参数，提高识别速度，本发明的目的在于提供一种合成孔径雷达SAR目标图像识别方法及系统。
[0007] 为解决上述技术问题，本发明提供了如下方案：
[0008] 一种合成孔径雷达目标图像识别方法，所述识别方法包括：
[0009] 从移动和静止目标获取与识别MSTAR数据集中，获取训练样本集和测试样本集，所述训练样本集包括多对训练样本图像及对应的标签，所述测试样本集包括多幅待识别的测试样本图像；
[0010] 通过所述训练样本集对原始双流卷积神经网络进行训练，得到训练好的双流卷积神经网络；
[0011] 基于训练好的双流卷积神经网络，对各所述测试样本图像进行识别，得到对应各测试样本图像的网络预测标签。
[0012] 可选地，所述从移动和静止目标获取与识别MSTAR数据集中，获取训练样本集和测试样本集，具体包括：
[0013] 从移动和静止目标获取与识别MSTAR数据集中，分别选取在第一设定
俯仰角下观测的第一历史SAR图像和在第二设定俯仰角下观测的第二历史SAR图像；
[0014] 通过多次随机地从第一历史SAR图像及第二历史SAR图像中截取相同尺寸的图像
块，得到训练样本集的训练样本图像和测试样本集的测试样本图像；
[0015] 确定所述训练样本集的中各训练样本图像及对应的标签。
[0016] 可选地，所述第一设定俯仰角为17°，所述第二设定俯仰角为15°。
[0017] 可选地，随机截图图像块的次数为5次。
[0018] 可选地，所述原始双流卷积神经网络包括依次连接的第一子网络、第二子网络及第三子网络；
[0019] 其中，所述第一子网络由3层第一卷积层和3层
池化层交替构成；
[0020] 所述第二子网络分为第一流及第二流，所述第一流由第二卷积层、全局池化层和分组平均层构成，第二流由大步长卷积层、全局池化层和全连接层构成；
[0021] 所述第三子网络包括分类层，所述分类层分别与所述第一流及第二流连接。
[0022] 可选地，所述第一卷积层的卷积核大小为5×5，步长均为1，激活函数为整
流线性单元ReLU函数，所产生的特征图数目分别为16、32和64；各所述池化层均采用最大池化，池化大小为2×2，步长为2；
[0023] 所述第二卷积层的卷积核为1×1，步长为1，产生的特征图数目为512；全局池化层的为： X[l]为l层中的任一特征图，nH和nW分别为特征图的高度和宽度，经过全局池化层后512个特征图变成512个对应的特征；在分组平均层中，将512个特征平均分成C组，并在C组内求平均，最终得到一个C维特征的向量，C表示类别数；所述大步长卷积层的卷积核为3×3，步长为3；
[0024] 所述分类层的损失函数由所述第一流和第二流的交叉熵损失函数以及正则化项构成：
[0025] J(W)＝E1(W)+E2(W)+γ||W||2；
[0026] 其中，J(W)表示损失函数，E1(W)表示第一流交叉熵损失函数，E2(W)为第二流的交叉熵损失函数，γ||W||2表示正则化项，γ表示正则化项参数，||·||2表示范数，W表示网络参数。
[0027] 为解决上述技术问题，本发明还提供了如下方案：
[0028] 一种合成孔径雷达目标图像识别系统，所述识别系统包括：
[0029] 获取单元，用于从移动和静止目标获取与识别MSTAR数据集中，获取训练样本集和测试样本集，所述训练样本集包括多对训练样本图像及对应的标签，所述测试样本集包括多幅待识别的测试样本图像；
[0030] 训练单元，用于通过所述训练样本集对原始双流卷积神经网络进行训练，得到训练好的双流卷积神经网络；
[0031] 识别单元，用于基于训练好的双流卷积神经网络，对各所述测试样本图像进行识别，得到对应各测试样本图像的网络预测标签。
[0032] 可选地，所述获取单元包括：
[0033] 选取模块，用于从移动和静止目标获取与识别MSTAR数据集中，分别选取在第一设定俯仰角下观测的第一历史SAR图像和在第二设定俯仰角下观测的第二历史SAR图像；
[0034] 截取模块，用于通过多次随机地从第一历史SAR图像及第二历史SAR图像中截取相同尺寸的图像块，得到训练样本集的训练样本图像和测试样本集的测试样本图像；
[0035] 确定模块，用于确定所述训练样本集的中各训练样本图像及对应的标签。
[0036] 为解决上述技术问题，本发明还提供了如下方案：
[0037] 一种合成孔径雷达目标图像识别系统，包括：
[0038] 处理器；以及
[0039] 被安排成存储计算机可执行指令的
存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
[0040] 从移动和静止目标获取与识别MSTAR数据集中，获取训练样本集和测试样本集，所述训练样本集包括多对训练样本图像及对应的标签，所述测试样本集包括多幅待识别的测试样本图像；
[0041] 通过所述训练样本集对原始双流卷积神经网络进行训练，得到训练好的双流卷积神经网络；
[0042] 基于训练好的双流卷积神经网络，对各所述测试样本图像进行识别，得到对应各测试样本图像的网络预测标签。
[0043] 为解决上述技术问题，本发明还提供了如下方案：
[0044] 一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的
电子设备执行时，使得所述电子设备执行以下操作：
[0045] 从移动和静止目标获取与识别MSTAR数据集中，获取训练样本集和测试样本集，所述训练样本集包括多对训练样本图像及对应的标签，所述测试样本集包括多幅待识别的测试样本图像；
[0046] 通过所述训练样本集对原始双流卷积神经网络进行训练，得到训练好的双流卷积神经网络；
[0047] 基于训练好的双流卷积神经网络，对各所述测试样本图像进行识别，得到对应各测试样本图像的网络预测标签。
[0048] 根据本发明的
实施例，本发明公开了以下技术效果：
[0049] 本发明通过训练样本集对原始双流卷积神经网络进行训练，可降低参数数量，提高识别效率；基于训练好的双流卷积神经网络，对待识别目标图像进行识别，从而可准确得到待识别目标图像的类别，可提高识别的正确率。
附图说明
[0050] 图1是本发明合成孔径雷达SAR目标图像识别方法的
流程图；
[0051] 图2是通过本发明合成孔径雷达SAR目标图像识别方法的仿真图；
[0052] 图3是本发明合成孔径雷达SAR目标图像识别系统的模块结构示意图。
[0053] 符号说明：
[0054] 获取单元—1，训练单元—2，识别单元—3。
具体实施方式
[0055] 下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
[0056] 本发明的目的在于提供一种合成孔径雷达目标图像识别方法，通过训练样本集对原始双流卷积神经网络进行训练，可降低参数数量，提高识别效率；基于训练好的双流卷积神经网络，对待识别目标图像进行识别，从而可准确得到待识别目标图像的类别，可提高识别的正确率。
[0057] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0058] 如图1所示，本发明合成孔径雷达目标图像识别方法包括：
[0059] 步骤100：从MSTAR(Moving and stationary target acquisition and recognition，移动和静止目标获取与识别)数据集中，获取训练样本集和测试样本集。
[0060] 所述训练样本集包括多对训练样本图像及对应的标签，所述测试样本集包括多幅待识别的测试样本图像。
[0061] 步骤200：通过所述训练样本集对原始双流卷积神经网络进行训练，得到训练双流卷积神经网络。
[0062] 步骤300：基于训练好的双流卷积神经网络，对各所述测试样本图像进行识别，得到对应各测试样本图像的网络预测标签。
[0063] 具体地，在步骤100中，所述从MSTAR数据集中，获取训练样本集和测试样本集，具体包括：
[0064] 步骤101：从MSTAR数据集中，分别选取在第一设定俯仰角下观测的第一历史SAR图像和在第二设定俯仰角下观测的第二历史SAR图像。
[0065] 优选地，所述第一设定俯仰角为17°，所述第二设定俯仰角为15°。
[0066] 步骤102：通过多次随机地从第一历史SAR图像及第二历史SAR图像中截取相同尺寸的图像块，得到训练样本集的训练样本图像和测试样本集的测试样本图像。
[0067] 在本实施例中，通过5次随机地从每张图像中截取88×88的图像块，得到对应的多个第一图像块及多个第二图像块。
[0068] 步骤103：确定所述训练样本集的中各训练样本图像及对应的标签。
[0069] 进一步地，可同时确定所述测试样本集中的各待识别的测试样本图像的真实标签。
[0070] 在步骤200中，所述原始双流卷积神经网络包括依次连接的第一子网络、第二子网络及第三子网络。
[0071] 其中，所述第一子网络由3层第一卷积层和3层池化层交替构成。
[0072] 所述第一卷积层的卷积核大小为5×5，步长均为1，激活函数为整流线性单元ReLU函数，所产生的特征图数目分别为16、32和64；各所述池化层均采用最大池化，池化大小为2×2，步长为2。
[0073] 所述第二子网络分为第一流及第二流，所述第一流由第二卷积层、全局池化层和分组平均层构成，第二流由大步长卷积层、全局池化层和全连接层构成。
[0074] 所述第二卷积层的卷积核为1×1，步长为1，产生的特征图数目为512；全局池化层的为： X[l]为l层中的任一特征图，nH和nW分别为特征图的高度和宽度，经过全局池化层后512个特征图变成512个对应的特征；在分组平均层中，将512个特征平均分成C组，并在C组内求平均，最终得到一个C维特征的向量，C表示类别数；所述大步长卷积层的卷积核为3×3，步长为3。
[0075] 所述第三子网络包括分类层，所述分类层分别与所述第一流及第二流连接。
[0076] 所述分类层的损失函数由所述第一流和第二流的交叉熵损失函数以及正则化项构成：
[0077] J(W)＝E1(W)+E2(W)+γ||W||2；
[0078] 其中，J(W)表示损失函数，E1(W)表示的第一流交叉熵损失函数，E2(W)为第二流的交叉熵损失函数，γ||W||2表示正则化项，γ表示正则化项参数，||·||2表示范数，W表示网络参数。
[0079] 进一步地，可通过各测试样本图像的网络预测标签与真实标签进行对比，确定本发明的准确率。
[0080] 本发明与现有的技术相比具有以下优点：
[0081] 第一，本发明改进现有的卷积神经网络，首先通过3层卷积层和池化层提取比较低层次的特征，然后分两流，分别通过全局最大池化和大步长的局部卷积提取更丰富的多层次的特征，提高了识别正确率；
[0082] 第二，本发明区别于现有的流行的深度神经网络，不追求网络深度，构建双流卷积神经网络，通过大步长卷积、全局池化等方法，实现轻量化，大大降低了参数数量，提高了效率。
[0083] 下面结合仿真实验对本发明的效果做进一步的描述。
[0084] (1)仿真实验的条件
[0085] 本发明的仿真实验所用数据为公开的移动与静止目标的获取与识别MSTAR数据集，包括雷达俯仰角在15°及17°下的10类地面车辆目标。图2为本发明的仿真图，其中，图2中(1)-(8)，依次对应于10类目标，即步兵战车BMP-2、装甲运输车BTR-70、坦克T-72、装甲运输车BTR-60、自行火炮2S1、装甲侦察车BRDM-2、
推土机D7、坦克T-62、货运
卡车ZIL-131和自行高炮ZSU-234。所有样本图像的大小为128×128
像素。训练样本集和测试样本集的数目如表1所示。
[0087] Intel(R)Core(TM)i7-6700K CPU 4.00GHz、16RAM、NVIDIA Geforce GTX 1080GPU，仿真实验
软件平台为Tensorflow 1.4.0。
[0088] 表1.MSTAR
数据库中的训练样本集和测试样本集
[0089] (2)仿真实验内容与结果分析
[0090] 本发明与现有的两种基于卷积神经网络的技术进行了比较，表2是本发明所述方法和现有的两种技术的识别准确率和参数数量比较，方法1参见参考文献：J.Ding,B.Chen,H.Liu and M.Huang,"Convolutional Neural Network With Data Augmentation for SAR Target Recognition,"in IEEE Geoscience and Remote Sensing Letters,vol.13,no.3,pp.364-368,March 2016，方法2参见S.Chen,H.Wang,F.Xu and Y.Jin,"Target Classification Using the Deep Convolutional Networks for SAR Images,"in IEEE Transactions on Geoscience and Remote Sensing,vol.54,no.8,pp.4806-4817,Aug.2016。
[0091] 表2三种不同方法的识别准确率和参数数量比较方法 准确率(％) 参数数量(106)
方法1 93.16 0.44
方法2 99.13 0.29
本发明 99.71 0.083
[0092] 从表2中可以看出本发明的识别正确率高于其他两种方法，特别是比方法1高出了6％；更重要的是本发明的参数数量比其他两个方法少一个数量级，内存仅仅差不多2M，而当前流行的一些深度神经网络通常占用10M-1000M内存。因而本发明同时保证了高准确率和高效率。
[0093] 此外，本发明还提供一种合成孔径雷达目标图像识别系统，了减少网络参数，提高识别速度。
[0094] 如图3所示，本发明合成孔径雷达目标图像识别系统包括：获取单元1、训练单元2及识别单元3。
[0095] 具体地，所述获取单元1用于从移动和静止目标获取与识别MSTAR数据集中，获取训练样本集和测试样本集。
[0096] 所述训练样本集包括多对训练样本图像及对应的标签，所述测试样本集包括多幅待识别的测试样本图像。
[0097] 所述训练单元2用于通过所述训练样本集对原始双流卷积神经网络进行训练，得到训练好的双流卷积神经网络。
[0098] 所述识别单元3用于基于训练好的双流卷积神经网络，对各所述测试样本图像进行识别，得到对应各测试样本图像的网络预测标签。
[0099] 优选地，所述获取单元包括：
[0100] 选取模块，用于从移动和静止目标获取与识别MSTAR数据集中，分别选取在第一设定俯仰角下观测的第一历史SAR图像和在第二设定俯仰角下观测的第二历史SAR图像；
[0101] 截取模块，用于通过多次随机地从第一历史SAR图像及第二历史SAR图像中截取相同尺寸的图像块，得到训练样本集的训练样本图像和测试样本集的测试样本图像；
[0102] 确定模块，用于确定所述训练样本集的中各训练样本图像及对应的标签。
[0103] 进一步地，本发明还提供一种合成孔径雷达目标图像识别系统，包括：
[0104] 处理器；以及
[0105] 被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
[0106] 从移动和静止目标获取与识别MSTAR数据集中，获取训练样本集和测试样本集，所述训练样本集包括多对训练样本图像及对应的标签，所述测试样本集包括多幅待识别的测试样本图像；
[0107] 通过所述训练样本集对原始双流卷积神经网络进行训练，得到训练好的双流卷积神经网络；
[0108] 基于训练好的双流卷积神经网络，对各所述测试样本图像进行识别，得到对应各测试样本图像的网络预测标签。
[0109] 进一步地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
[0110] 从移动和静止目标获取与识别MSTAR数据集中，获取训练样本集和测试样本集，所述训练样本集包括多对训练样本图像及对应的标签，所述测试样本集包括多幅待识别的测试样本图像；
[0111] 通过所述训练样本集对原始双流卷积神经网络进行训练，得到训练好的双流卷积神经网络；
[0112] 基于训练好的双流卷积神经网络，对各所述测试样本图像进行识别，得到对应各测试样本图像的网络预测标签。
[0113] 相对于现有技术，本发明合成孔径雷达SAR目标图像识别系统、计算机可读存储介质与上述合成孔径雷达SAR目标图像识别方法的有益效果相同，在此不再赘述。
[0114] 至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
