[发明专利]合成孔径雷达目标图像识别方法及系统

权利要求书

1.一种合成孔径雷达目标图像识别方法，其特征在于，所述识别方法包括：

从移动和静止目标获取与识别MSTAR数据集中，获取训练样本集和测试样本集，所述训练样本集包括多对训练样本图像及对应的标签，所述测试样本集包括多幅待识别的测试样本图像；

通过所述训练样本集对原始双流卷积神经网络进行训练，得到训练好的双流卷积神经网络；

基于训练好的双流卷积神经网络，对各所述测试样本图像进行识别，得到对应各测试样本图像的网络预测标签；

其中，所述原始双流卷积神经网络包括依次连接的第一子网络、第二子网络及第三子网络：

所述第一子网络由3层第一卷积层和3层池化层交替构成，所述第一卷积层的卷积核大小为5×5，步长均为1，激活函数为整流线性单元ReLU函数，所产生的特征图数目分别为16、32和64，各所述池化层均采用最大池化，池化大小为2×2，步长为2；

所述第二子网络分为第一流及第二流，所述第一流由第二卷积层、全局池化层和分组平均层构成，第二流由大步长卷积层、全局池化层和全连接层构成，所述第二卷积层的卷积核为1×1，步长为1，产生的特征图数目为512，全局池化层的为：X^[l]为l层中的任一特征图，n_H和n_W分别为特征图的高度和宽度，经过全局池化层后512个特征图变成512个对应的特征，在分组平均层中，将512个特征平均分成C组，并在C组内求平均，最终得到一个C维特征的向量，C表示类别数，所述大步长卷积层的卷积核为3×3，步长为3；

所述第三子网络包括分类层，所述分类层分别与所述第一流及第二流连接，所述分类层的损失函数由所述第一流和第二流的交叉熵损失函数以及正则化项构成：

J(W)＝E₁(W)+E₂(W)+γ||W||²；

其中，J(W)表示损失函数，E₁(W)表示的第一流交叉熵损失函数，E₂(W)为第二流的交叉熵损失函数，γ||W||²表示正则化项，γ表示正则化项参数，||·||²表示范数，W表示网络参数。

2.根据权利要求1所述的合成孔径雷达目标图像识别方法，其特征在于，所述从移动和静止目标获取与识别MSTAR数据集中，获取训练样本集和测试样本集，具体包括：

从移动和静止目标获取与识别MSTAR数据集中，分别选取在第一设定俯仰角下观测的第一历史SAR图像和在第二设定俯仰角下观测的第二历史SAR图像；

通过多次随机地从第一历史SAR图像及第二历史SAR图像中截取相同尺寸的图像块，得到训练样本集的训练样本图像和测试样本集的测试样本图像；

确定所述训练样本集的中各训练样本图像及对应的标签。

3.根据权利要求2所述的合成孔径雷达目标图像识别方法，其特征在于，所述第一设定俯仰角为17°，所述第二设定俯仰角为15°。

4.根据权利要求2所述的合成孔径雷达目标图像识别方法，其特征在于，随机截图图像块的次数为5次。