[发明专利]一种基于深度学习的SAR目标识别方法

说明书

本发明提供一种基于深度学习的SAR目标识别方法。首先根据SAR图像所具有的随机斑点噪声和较低的分辨率等固有特性，提出了深度卷积网络模型，并对模型中的激活函数、分类器和目标函数进行了设计，然后针对模型中可能存在的过拟合和不收敛的问题提出了基于RMSprop优化算法和随机梯度下降算法的组合优化算法，最终得到一种基于混合激活的深度卷积神经网络模型，该模型能够有效提升目标识别的准确率并减少目标识别的时间。

技术领域

本发明涉及图像识别领域，尤其涉及一种基于深度学习的SAR目标识别方法。

背景技术

伴随着合成孔径雷达(简称SAR)图像的应用日益广泛，SAR方面的图像处理也成为该方面的重点研究内容之一。SAR的成像方式为侧视成像，其成像具有非常大的几何失真，另外SAR图像是由相干波照射得到，其受到相干斑噪声的影响很大，边缘信息模糊给边缘检测带来了很大的不便。将深度学习应用于SAR图像目标检测识别领域，是上述问题的有效解决方案。

受限于SAR图像具有的噪声等影响，传统方法对于SAR图像的识别过程繁琐，多步骤处理需要时间长，更为关键的是多步骤之间往往只存在逻辑上的联系，不能做到联合优化调参，这就使得基于传统方法对SAR图像进行识别存在缺陷，利用深度卷积神经网络进行SAR目标识别具有很重要的现实意义。

极化SAR图像具有较多的随机斑点噪声影响和较低的分辨率，不同类型物体的特征也很容易在SAR图像中显示出相似的特征，传统的图像分类方法受到很大的干扰。人工解译判读往往耗费大量的时间和精力，而准确率通常也受到人类主观因素的影响。

发明内容

针对现有技术的不足，本发明将深度卷积神经网络应用于SAR图像目标检测识别领域，利用深度卷积神经网络的强大表示能力和自我学习能力，实现对SAR图像噪声的抑制和目标特征的提取拟合学习，实现SAR图像目标识别的高准确性及稳定性。

为解决上述技术问题，本发明提出了一种基于深度学习的SAR目标识别方法，包括以下步骤：

步骤1：根据SAR目标识别特性和流程设计深度卷积神经网络模型并对所述深度卷积神经网络模型进行优化，所述的深度卷积神经网络模型设计为11层，包括8个卷积层和3个全连接层，每一个卷积层之后叠加一个最大池化层，在最后一个全连接层之后连接一个分类器，通过分类器输出模型预测的类别标签；

所述卷积层使用Elu激活函数，以应对图像噪声和输入变化；

所述全连接层采用Relu激活函数，增加数据稀疏性，并且抑制训练过程中的梯度弥散影响；

所述对深度卷积神经网络模型进行优化具体表述为：采用Dropout优化算法解决深度卷积神经网络模型中存在的过拟合问题，采用批量归一化算法解决深度卷积神经网络模型中存在的梯度弥散问题，采用基于RMSprop优化算法和随机梯度下降算法的组合优化算法解决深度卷积神经网络模型中存在的不收敛情况；

步骤2：将采集到的SAR图像进行数据集预处理，所述预处理包括两部分：1)去除SAR图像周围的无关信息，2)制作训练集样本和测试集样本以及测试集样本的H5PY文件；

步骤3：将采集到的SAR样本图像经过数据集预处理之后得到的H5PY文件输入到所述深度卷积神经网络模型中，输出对SAR样本图像类别标签的预测结果及识别准确率；

步骤4：设计深度卷积神经网络模型的目标函数C，所述目标函数C的计算结果越接近零，表示深度卷积神经网络模型输出的预测值越接近SAR样本图像标记的真实值，当预测值与真实值之间的差值的绝对值小于预设阈值δ时，所述预测值对应的类别标签即为所要识别的目标。

所述Elu激活函数表示为：

式中，alpha表示控制负因子的参数，x表示卷积层的输出量；