[发明专利]基于多尺度多特征深度森林的SAR目标识别方法

说明书

本发明公开了一种基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法，主要针对已有SAR目标识别方法不足，提出了多尺度多特征深度森林应用于SAR目标识别。其实现步骤是：(1)生成训练样本集和测试样本集；(2)提取每个样本的多尺度幅度特征；(3)提取每个样本的多尺度结构特征；(4)训练深度森林分类器；(5)识别目标型号。本发明通过多尺度特征的引入反映从局部到全局的样本图像特征，通过多特征的联合使用全面的反映样本图像特征，同时利用深度森林分类器进行目标型号识别，超参数数量少且稳健，减少了训练过程的时间，提高了SAR目标的识别精度。

技术领域

本发明属于图像处理技术领域，更进一步涉及合成孔径雷达图像目标识别技术领域中一种基于多尺度多特征深度森林的合成孔径雷达SAR(Synthetic Aperture Radar)目标型号识别方法。本发明利用多尺度多特征深度森林模型，对对合成孔径雷达SAR图像中静止目标的型号进行识别，例如对合成孔径雷达SAR图像中的装甲车、主战坦克各自的型号进行识别。

背景技术

合成孔径雷达SAR具有全天候、全天时、分辨率高以及穿透力强等特点，成为目前对地观测和军事侦察的重要手段，合成孔径雷达SAR图像自动目标识别受到越来越广泛的关注。目前，合成孔径雷达SAR目标识别方法在特征提取方面大多只提取单一尺度的单一特征；在分类器方面采用的深层模型大多具有大量的超参数。

西安电子科技大学在其申请的专利文献“基于核稀疏表示的SAR目标识别方法”(专利申请号：201110062108.X，公开号：CN102122355B)中公开了一种合成孔径雷达SAR目标型号识别方法。该方法利用核变换提取了单一尺度的图像幅度特征，将训练样本的特征构成字典矩阵，针对测试样本的幅度特征和字典矩阵利用稀疏表示理论得到重构误差从而识别目标型号。该方法提高了算法的容错性。但是，该方法仍然存在的不足之处是，由于仅仅提取了单一尺度的单一图像幅度特征，使得所提取的单一图像幅度特征不能很好的描述目标图像，导致识别率不高。

Sizhe Chen,Haipeng Wang,在其发表的论文“SAR Target Recognition Basedon Deep Learning”(Data Science and Advanced Analytics(DSAA),2014InternationalConference on.IEEE,2014)中提出了一种基于深度学习的SAR目标型号识别方法。该方法首先利用无监督学习进行预训练，得到卷积神经网络CNN(Convolution Neural Nets)的卷积核及偏置参数等大量超参数的初始值，然后使用训练样本精调CNN深层网络的超参数得到最优CNN深层网络，最后将测试样本输入CNN深层网络进行目标型号的识别。该方法通过CNN深层网络提高了目标型号识别的正确率。但是，该方法存在的不足之处是，CNN深层网络具有大量的超参数，导致在训练过程中需要大量的训练样本以及大量的时间才能学习到合适的超参数设置，而超参数设置不合适会使识别性能大幅度下降。

发明内容

本发明的目的是针对上述现有技术存在的不足，提出了一种基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法。本发明与现有技术中其他合成孔径雷达SAR目标识别技术相比，提取的特征能更好的描述目标图像，分类器中的超参数少且识别性能对超参数稳健，识别率高。

实现本发明目的的思路是：对样本图像提取多尺度的幅度特征和多尺度的结构特征，通过多尺度特征的提取反映从局部到全局的样本图像特征，通过幅度特征和结构特征的联合使用，全面的反映样本图像特征。同时，本发明使用逐层交叉训练方法，利用多尺度幅度特征和多尺度结构特征训练深度森林分类器，利用深度森林分类器进行目标型号识别，超参数数量少且稳健，减少了训练过程的时间，提高了SAR目标的识别稳健性和精度；

本发明的具体步骤包括如下：

(1)生成训练样本集和测试样本集：

(1a)从合成孔径雷达SAR图像集的所有类别中，任意获取每类至少200个图像，组成训练样本集；