[发明专利]基于卷积神经网络的多特征融合SAR目标鉴别方法

权利要求书

1.一种基于卷积神经网络的多特征融合SAR目标鉴别方法，包括：

(1)对训练集Φ中的每个训练样本M进行Lee滤波处理得到滤波后的训练图像M'，再对每个训练样本M提取梯度幅度训练图像并与滤波后的训练图像M'一起构成新的训练集Φ'；

(2)构建基于卷积神经网络的SAR目标鉴别网络框架Ψ，该网络框架包括特征提取、特征融合和分类器三个部分；

2a)构建特征提取部分：

构建结构完全相同的第一卷积神经网络A和第二卷积神经网络B，这两个卷积神经网络均包括三层卷积层、两层全连接层和一层softmax分类器层，即第一卷积层L₁、第二卷积层L₂、第三卷积层L₃、第四全连接层L₄、第五全连接层L₅、第六softmax分类器层L₆，分别提取网络A和B的第四全连接层L₄的输出作为第一卷积神经网络A的h维列向量特征和第二卷积神经网络B的h维列向量特征

2b)构建特征融合部分：

分别在两个h维列向量特征和后补z个0，使其变为d维列向量，z≥0，再分别变换为l×l的二维矩阵形式和其中l²＝d，再将和拼接成l×l×2的三维融合特征X作为分类器部分的输入；

2c)构建分类器部分：

构建第三卷积神经网络C，其包括两层卷积层、两层全连接层和一层softmax分类器层，即第一层卷积层C₁、第二层卷积层C₂、第三层全连接层C₃、第四层全连接层C₄和第五层softmax分类器层C₅；

(3)将新的训练集Φ'输入到构建好的SAR目标鉴别网络框架Ψ中进行训练，得到训练好的网络框架Ψ'；

(4)对测试集T中的每个测试样本N进行Lee滤波，得到滤波后的测试图像N'，再对每个测试样本N提取梯度幅度测试图像并与滤波后的测试图像N'一起构成新的测试集T'；

(5)将新的测试集T'输入到训练好的SAR目标鉴别网络框架Ψ'中，得到最终的目标鉴别结果。

2.根据权利要求1所述的方法，其中步骤2a)中第一卷积神经网络A和第二卷积神经网络B，其各层的参数设置及关系如下：

第一卷积层L₁，其卷积核K¹的窗口大小为3×3，滑动步长S¹为2，用于输出96个特征图j表示第j个特征图，该层作为第二卷积层L₂的输入；

第二卷积层L₂，其卷积核K²的窗口大小为3×3，滑动步长S²为2，用于输出128个特征图k表示第k个特征图；每个特征图经过一个下采样，得到128个降维后的特征图其中下采样核U²的窗口大小为3×3，滑动步长V²为2，该层作为第三卷积层L₃的输入；

第三卷积层L₃，其卷积核K³的窗口大小为3×3，滑动步长S³为2，用于输出256个特征图q表示第q个特征图；每个特征图经过一个下采样，得到256个降维后的特征图其中下采样核U³的窗口大小为3×3，滑动步长V³为2，该层作为第四全连接层L₄的输入；

第四全连接层L₄，其设有1000个神经元，用于输出一个1000维列向量X⁴，该层作为第五全连接层L₅的输入；

第五全连接层L₅，其设有2个神经元，用于输出一个2维列向量X⁵，该层作为第六softmax分类器层L₆的输入。

3.根据权利要求1所述的方法，其中步骤2c)中第三卷积神经网络C，其各层的参数设置及关系如下：

第一层卷积层C₁，其卷积核K^1'的窗口大小为3×3，滑动步长S^1'为2，用于输出96个特征图m表示第m个特征图；每个特征图经过一个下采样，得到96个降维后的特征图其中下采样核U^1'的窗口大小为3×3，滑动步长V^1'为2，该层作为第二层卷积层C₂的输入；

第二层卷积层C₂，其卷积核K^2'的窗口大小为3×3，滑动步长S^2'为2，用于输出128个特征图n表示第n个特征图；每个特征图经过一个下采样，得到128个降维后的特征图其中下采样核U^2'的窗口大小为3×3，滑动步长V^2'为2，该层作为第三层全连接层C₃的输入；

第三层全连接层C₃，其设有1000个神经元，用于输出一个1000维列向量Y³，该层作为第四层全连接层C₄的输入；

第四层全连接层C₄，其设有2个神经元，用于输出一个2维特征向量Y⁴，该层作为第五层softmax分类器层C₅的输入。