[发明专利]基于卷积神经网络的SAR目标交互行为识别方法

说明书

一种基于卷积神经网络的SAR目标交互行为识别方法，从SAR图像序列中检测出运动目标，用卷积神经网络识别运动目标类型，提取运动目标交互行为中运动信息作为特征，构建目标的运动特征矩阵，用卷积神经网络进行SAR目标交互行为类型识别。本发明可有效解决单链隐马尔可夫模型无法完全表述交互行为的问题，也无需将特征分层设计，能够正确识别出SAR图像序列中有交互行为的两个目标构成的目标群事件，获得较优的交互行为识别性能。

技术领域

本发明涉及图像处理、特征提取、目标识别等领域，尤其涉及一种SAR目标交互行为识别方法。

背景技术

行为识别是合成孔径雷达(Synthetic Aperture Radar,SAR)图像序列内容解译和分析中一个重要组成部分。行为识别旨在通过观察个体的动作来判断个体所做出的行为。交互行为识别则是通过观察有相互关联的多目标复杂行为来判断目标群的事件。通过识别目标的个体和交互行为，我们能更准确地对SAR图像序列中所发生的事件做出判断。

近些年来，隐马尔可夫模型(Hidden Markov Models，HMM)被应用在行为识别领域。由于HMM能够提供动态时间规整，因此可用于描述物体在时间域上的运动模式，并可进行动态行为建模和分析。HMM及其改进算法已经成为时间序列建模的常用方法之一。但是在交互行为识别中，每个目标在某一时刻的运动状态不仅依赖于自身在前一时刻的状态，同时也取决于另一目标在前一时刻的状态，HMM的结构却不能体现出这种相互的关系。另一方面，随着目标数量的增长，观察序列的长度、HMM中状态的数目和参数都会迅速增长，从而增加了HMM参数估计的复杂度。耦合隐马尔可夫模型(Coupled Hidden Markov Models，CHMM)可解决复杂多目标行为识别，可提供一种更为有效的过程建模方法。CHMM是一种用于描述两个或多个相互关联(条件概率依赖)的随机过程统计特性的概率模型，它可以看成是通过在多个HMM状态序列之间引入耦合条件概率而得到的一种多HMM链模型，可用于对两个相互关联的随机过程进行建模和分类，因此适合用来学习和描述多个数据之间的交互作用。但是，在设计交互行为特征时，特别是对特征进行分层设计时，需要许多先验知识和经验，同时随着交互目标数量的增长，参数估计的复杂度也会随着增加。

发明内容

为了克服现有方法对交互行为识别的不足，本发明提出一种基于卷积神经网络(Convolutional Neural Networks，CNN)的SAR目标交互行为识别方法，该方法能够正确识别出SAR图像序列中有交互行为的两个目标构成的目标群事件，获得较优的交互行为识别性能。

本发明解决其技术问题所采用的技术方案是：

一种基于卷积神经网络的SAR目标交互行为识别方法，包括以下步骤：

步骤1，采用Surendra背景更新算法从SAR图像序列中检测出运动目标所在的位置；

步骤2，用卷积神经网络识别运动目标类型，输入为运动目标图像，输出为该目标的类型；其中，采用的卷积神经网络模型共有8层，包括6个卷积层和2个全连接层，每2层卷积层叠加一个最大池化层，最后通过2个全连接层输出模型预测标签，使用ReLU激活函数，卷积层采用零填充技术，最大池化层使用重叠汇聚技术，第一层全连接层使用Dropout技术，并以0.5的概率随机将全连接层中神经元的输出值清零；

步骤3，提取运动目标交互行为中运动信息作为特征，构建目标的运动特征矩阵如下所示：

矩阵的每一行代表在第k帧中目标i的速度目标j的速度目标i与目标j间的距离目标i与目标j的运动速度之差k＝1,2,3,4......n，矩阵行数n表示选取的图像帧数；