[发明专利]基于改进卷积神经网络的SAR车辆目标识别方法

权利要求书

1.一种基于改进卷积神经网络的SAR车辆目标识别方法，包括：

(1)从MSTAR数据集中获取雷达在17°俯仰角下观测到的3671幅SAR图像及相应的标签作为训练样本集；获取在15°俯仰角下观测到的3203幅SAR图像及相应的标签作为测试样本集；

(2)样本训练：

(2a)去除训练样本集中的每幅图像的背景杂波，得到处理后的训练样本；

(2b)将去除背景杂波后的训练样本中每幅SAR图像大小裁剪为60×60，使目标区域位于图片中央；

(2c)对基于caffe架构的卷积神经网络进行改进，即将卷积神经网络目标识别部分的分类器设为混合最大边界softmax；混合最大边界softmax表达式为：

其中，p_k为网络判别输入样本x属于第k类的概率，j＝1,2,...,Q，Q＝10表示MSTAR数据包含的10个目标类别，f_j为中间变量，其表达式为：

式中，λ为混合系数，满足λ＝max{λ_min,λ₀(1+γ·n_iter)^-p}，其中λ_min＝1为混合参数最小值，λ₀＝100为初始混合系数，n_iter为网络当前迭代次数，p＝35为指数参数，γ＝10^-5为控制指数参数衰减速率的超参数，L₁₁为提取出的输入图像的第四层归一化图，W_j为特征向量L₁₂中第j个元素对应的权值向量，θ_j为权值向量W_j与第四层归一化图L₁₁的夹角；ψ(θ_j)＝(-1)^kcos(mθ_j)-2k为变换函数，其中m＝4，k∈[0,m-1]且为整数；

(2e)将裁剪后的训练样本输入到改进的卷积神经网络模型中进行训练，得到训练好的网络模型；

(3)样本测试：

(3a)去除测试样本集中的每幅图像的背景杂波，得到处理后的测试样本；

(3b)将去除背景杂波后的测试样本中每幅SAR图像大小裁剪为60×60，使目标区域位于图片中央；

(3c)将裁剪后的测试样本输入训练好的改进卷积神经网络模型中进行分类，根据测试样本的真实类别与网络判别的类别得出识别正确率Accuracy：

其中，N为输入测试样本数量，t_i为第i个测试样本网络所判别的类别，labelⁱ为第i个测试样本真实类别。

2.根据权利要求1所述的方法，其中步骤(2a)中去除训练样本集中的每幅图像的背景杂波，按如下步骤进行：

(2a)对输入的每幅SAR图像I₀进行0.5次幂变换，以增强背景杂波与阴影区域的可分性，得到变换后图像I₁；

(2b)对变换后图像I₁进行维纳滤波处理，以平滑目标图像及背景杂波，得到处理后图像I₂；

(2c)使用窗长为15的正方形滑窗，以步长1在I₂上进行滑动，统计所有滑窗内像素的均值，取出所有均值中的最大值a；选择I₂左上角5×5大小的区域，计算该区域内像素的均值b；

设置阈值t＝0.35×a+0.65×b，用I₂像素值中所有大于t的像素点构成目标区域，令该区域内所有像素点值为1；用I₂像素值中所有小于t的像素点构成背景区域，令该区域内所有像素点值为0，实现对I₂的目标、背景的分类标记，得到二值图像I₃；

(2d)对二值图像I₃采用下式进行形态学闭运算处理，以融合目标区域边缘的缺口并填补其内部缺损，得到融合填补后图像I₄：

其中，和分别表示膨胀和腐蚀算子，为结构元素；

(2e)对融合填补后图像I₄中的所有连通域进行标记，选择面积最大的连通域作为新的目标区域，令该区域内所有像素点值为1,其余区域作为新的背景区域，令该区域内所有像素点值为0，得到新的处理后图像I₅；

(2f)将新的处理后图像I₅与原始图像I₀点乘，得到去除背景杂波后的图像。