[发明专利]一种极化欧拉特征融合深度学习的海上目标识别方法

权利要求书

1.一种极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，该方法包含以下步骤：

S1、海上人造目标的极化散射机制分析；

S2、基于步骤S1的分析结果，构建对应的海上几何体极化距离矩阵数据集，并对所述极化距离矩阵数据集的样本进行多极化特征提取，得到多极化特征参数；

S3、训练多极化特征融合的深度学习模型；

S4、采用海上人造目标对步骤S3的多极化特征融合的深度学习模型识别测试验证；

所述步骤S1具体为：

基于海上人造目标极化距离矩阵，采用极化分解方法对其中的船舰目标、海环境及目标与海面耦合散射机制的类型进行分析，形成可描述海上目标极化散射机制的几何体散射机制类型；

所述多极化特征参数包含：极化距离像幅相组合变换特征参数和欧拉空间域多极化特征参数；

所述步骤S2具体为：

对于每个样本形成一个特征矢量F记为：

F＝[F₁,F₂,F₃,F₄,F₅,F₆,F₇,F₈]；

在特征矢量F中，F₁,F₂,F₃为基于极化距离像幅相组合变换方法提取的极化距离像幅相组合变换特征参数，

式中：X_HH(m)表示水平极化距离像幅度信息，m为距离像像素位置，X_VH(m)、X_HV(m)为两种交叉极化距离像幅度信息，Y_HH(m)、Y_VV(m)分别为水平、垂直极化距离像相位信息；

在特征矢量F中，F₄～F₈为采用Huynen分解方法提取的欧拉空间域特征参数，定义海面几何体复合极化距离矩阵为：

式中，S_HH、S_VV分别为水平、垂直同极化项；S_HV、S_VH分别为水平-垂直，垂直-水平交叉极化项，

其中Huynen分解可表示为如下相合变换的形式：

S＝U^*(ψ,τ,ν)S_DU^H(ψ,τ,ν) (3)

式中：U(ψ,τ,ν)为相合变换矩阵，“*”表示共轭，“H”表示共轭转置，S_D为对角散射矩阵，

式中，e^(·)为以自然常数e为底的指数函数，e≈2.71828；为虚数标志符号；

公式(3)～(5)中各个欧拉参数的含义及其与特征矢量F中特征参量F₄～F₈的对应关系如下：

ψ(F₄)：最大同极化响应时椭圆极化基的旋转角，-90°≤ψ≤90°；

τ(F₅)：最大同极化响应时椭圆极化基的椭圆角，-45°≤τ≤45°，τ取值表征了目标在垂直于雷达视线平面内的对称性，τ＝0°为对称性散射体，τ≠0°为非对称散射体；

ν(F₆)：共轭特征值之间的相位差异，-45°≤ν≤45°，其与回波散射次数相关，奇次散射时ν＝0°，偶次散射时ν＝±45°；

γ(F₇)：目标特征角或极化角，表示目标对入射极化的敏感性，0°≤γ≤45°；

m(F₈)：最大同极化响应幅值；

ρ：目标散射的绝对相位。

2.如权利要求1所述的极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，

所述极化分解方法为Cameron分解方法。

3.如权利要求1所述的极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，

所述几何体散射机制类型包含：目标散射机制类型、海环境散射机制类型和耦合散射机制类型。