[发明专利]基于改进卷积神经网络的SAR车辆目标识别方法

说明书

本发明公开了一种基于改进卷积神经网络的SAR车辆目标识别方法，主要解决现有技术对SAR车辆目标识别准确率低及网络易产生过拟合的问题。其方案为：去除训练样本中的每幅图像的背景杂波，并将每幅SAR图像进行裁剪；构建基于caffe架构的改进卷积神经网络结构，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；将裁剪后的训练样本输入改进卷积神经网络中进行训练得到训练好的网络模型；对测试样本进行去除背景杂波及裁剪操作；将处理后的测试样本输入训练好的改进卷积神经网络模型进行测试，得到其识别率。本发明提高了SAR车辆目标识别的准确率，加快了网络收敛速度，提高了网络的泛化性能。

技术领域

本发明属于雷达技术领域，特别涉及雷达目标的识别方法，用于对地面SAR车辆目标的识别。

背景技术

合成孔径雷达SAR具有全天时、全天候、远作用距离、高分辨等特点，在侦察、探测制导等领域发挥了重要作用。目前，基于SAR图像的自动目标识别技术ATR，特别是地面目标识别受到各领域广泛关注。

卷积神经网络CNN是人工神经网络的一种，已成为图像识别与分割、语音识别、人类行为识别等领域的研究热点。与传统的合成孔径雷达图像自动目标识别SAR ATR方法相比，CNN能够通过训练自动地提取图像特征而并不需要过多的专业知识和人工干预。同时，其所提特征的稳健性较高，并且对新的目标类型具有一定的可扩展性。

西安电子科技大学在其申请的发明专利“基于CNN的SAR目标识别方法”(公开号：CN104732243A，申请号：201510165886.X)中公开了一种基于CNN的SAR ATR方法。该方法的具体步骤为：首先将SAR图像的待识别目标进行多次随机平移变换进行数据集扩充，然后将扩充后的SAR图像输入CNN网络中进行训练及测试，获得识别正确率。该方法解决了现有SAR目标识别方法受样本图像中待识别目标所处位置影响大的问题，但是该方法仍未解决针对SAR车辆目标，相似性背景杂波对准确识别产生影响的问题。

田壮壮在其发表的论文“基于卷积神经网络的SAR图像目标识别研究”(雷达学报,2016,5(3):320-325)中公开了一种基于CNN的SAR ATR方法。该方法的具体步骤为：首先通过在代价函数中引入类别可分性度量改进传统CNN网络，然后利用改进后的CNN对SAR图像进行特征提取；最后利用支持向量机SVM对特征进行分类获得识别正确率。该方法的优点是通过对传统CNN结构进行改进，提高了CNN的类别区分能力，但是该方法仍没有解决CNN网络难以收敛，易产生过拟合等不足。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种改进卷积神经网络的SAR车辆目标识别方法，以提高网络识别准确率，加快网络收敛速度，提高网络的泛化性能。

本发明的技术方案是：去除SAR图像的背景杂波；将图像大小裁剪为60×60，使目标区域位于图片中央；将处理过的训练样本输入到基于caffe架构的改进卷积神经网络中进行训练，再将处理过的测试样本输入到训练好的改进卷积神经网络中检验其识别率，其实现步骤如下：

(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；

(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：