[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

说明书

本发明公开了一种极化欧拉特征融合深度学习的海上目标识别方法，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，并对极化距离矩阵数据集的样本进行多极化特征提取；S3、基于步骤S2，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。其优点是：该方法从海上目标的基础极化散射机制出发，基于深度学习融合利用HRRP和极化信息实现目标识别，消除了方位敏感性带来的不利影响，提高了雷达目标识别的精度，具有检测率高、虚警率低、扩展应用灵活、处理过程全自动的优点。

技术领域

本发明涉及雷达目标识别技术领域，具体涉及一种极化欧拉特征融合深度学习的海上目标识别方法。

背景技术

极化散射特征可有效表征目标对称性、表面粗糙度以及取向等，是除雷达回波幅相信息、多普勒频移等以外另一重要特征。该特征在抗杂波干扰、目标信号滤波和增强、目标检测和识别等方面具有巨大应用潜力。雷达高分辨率一维距离像(High ResolutionRange Profile，HRRP)是一种利用宽带雷达信号获取的目标在雷达视线方向上散射源分布的重要特征向量，因具有易获取、实时性强等优势广泛应用于雷达目标识别。但是，HRRP容易随着雷达观测方位的变化而发生较大变化，即具有方位敏感性，这十分不利于目标识别。

对现有技术进行了国内外数据库检索，在专利方面，西安电子科技大学的杜兰等在2014年申请的专利《基于极化分解的噪声稳健全极化目标识别方法》(公开号：CN104007429A)中，通过估计各极化通道数据的噪声平均功率对数据进行归一化，并计算平均距离像；在对极化相干矩阵做噪声修正预处理的基础上，提取3个特征融合分类特征；通过训练样本与测试样本的平均距离像的平移对齐，以及多极化特征参数的欧拉距离进行目标识别。该方法通过归一化、噪声抑制预处理以及多极化特征融合利用，使得识别效果对信杂比不敏感；但是该方法的特征提取准则、基于欧拉距离的识别判决准则需要较多的人为干预，未能充分挖掘利用雷达目标与背景的散射机理差异，使得算法的普适应有限。

西安电子科技大学的侯彪等在2014年申请的专利《基于深度置信网络的极化SAR图像分割》(公开号：CN104517284A)中，利用基于极化合成孔径雷达(SAR)相干矩阵的H/α分解得到的散射特征以及4个灰度共生矩阵特征，训练一个2层深度置信网络(DBN)用于SAR图像分割。该方法具有保留信息较为完整、并可以逐层学习特征的优点；但是，DBN模型是直接基于复杂场景SAR数据训练得到，没有从研究对象的基础散射机制出发，因此识别模型的扩展应用性有限。

在论文方面，美国麻省大学洛厄尔分校的Baird等在其多篇论文中详细分析讨论了散射图像在欧拉参数空间的特征在雷达目标识别中的优势，并在其2007年发表的论文《Development and assessment of a complete ATR algorithm based on ISAR Eulerimagery》中提出一种全自动雷达目标算法，通过综合利用逆合成孔径雷达(ISAR)图像的方位向持久性优化的欧拉参数，较传统极化参数很大程度上提高了雷达目标识别性能；但是，该方法仅利用了欧拉参数空间中的特征信息，忽略了传统极化幅相特征参数对目标识别的有益贡献，且目标识别仍采用的是传统的模板匹配识别方法，需要建立复杂目标散射图像特征库。

复旦大学的Suo Li等在其2018年论文中《General Purpose PolSAR Classifierwith Convolutional Neural Network》中提出一种基于卷积神经网络(CNN)的极化SAR地物分类算法，通过直接抽取极化相干矩阵中的参数，并进行归一化，构建一个6通道极化特征矢量用于CNN模型训练与地物分类识别；但是地物目标的散射机制与海环境下人造目标的散射机制差异显著，难以适用于海上目标识别；并且CNN模型是直接基于复杂场景实测SAR数据训练得到，没有从研究对象的基础散射机制出发，因此识别模型的扩展应用性有限。

发明内容