[发明专利]基于分层变分自编码的跨源舰船特征融合学习与识别方法

说明书

本发明公开了一种基于分层变分自编码的跨源舰船特征融合学习与识别方法，获取目标舰船的光学或合成孔径雷达待识别图像；使用训练好的分层式变分自编码网络中的第一编码器提取待识别图像中的舰船类别间差异性特征及数据源间差异性特征；使用训练好的分层式变分自编码网络中的第二编码器对舰船类别间差异性特征及数据源间差异性特征进行分析，确定待识别图像中的目标舰船的类别及待识别图像的数据源类别；本发明利用分层式变分自编码网络，从大量的无法配准的异源舰船目标图像中自动提取表示性/解释性与判别性兼具的结构化特征，实现跨源舰船特征融合学习，以及舰船目标的精准识别。

【技术领域】

本发明属于遥感信息融合及目标识别技术领域，尤其涉及一种基于分层变分自编码的跨源舰船特征融合学习与识别方法。

【背景技术】

可靠的海洋监测能力，可以有效保障一个国家的海洋权益，同时也可利于海上救援、渔业管理及海上交通控制等任务的开展。而这其中的关键技术便是舰船精准识别技术。在实际的海洋监测中，舰船目标与载有成像雷达或光学遥感相机的卫星处于相对运动中，当某一舰船目标驶出当前星载雷达或相机的可视区域而进入另一星载或机载遥感设备的视野时，就需要完成多源舰船目标协同识别任务。

多源图像融合方法大体上可分为三类：像素级的融合、特征级的融合及决策集的融合。像素级融合需要首先对异源图像对进行配准，然后基于像素对图像进行融合；对于特征级融合，首先要从异源图像中提取各自的特征，然后对这些异源特征进行融合；对于决策集融合，则首先需要对各个源的数据进行单独分类，然后将其分类结果进行融合得到最终分类结果。在多源图像融合方面，像素级的融合需要异源的关于同一目标的配准图像，这在海洋目标识别问题中是很难获得的，而基于特征融合的方法虽然不一定需要配准的异源图像，但需要异源图像中的目标为同一物体，而在海洋目标识别问题中这类图像的获取代价也是十分巨大的。

传统的目标识别方法中，特征提取与分类这两部分是单独进行优化，导致提取到的特征不一定有利于后续的目标识别，即特征的判别性不足，使得目标识别准确率并不理想。

【发明内容】

本发明的目的是提供一种基于分层变分自编码的跨源舰船特征融合学习与识别方法，同时对目标图像的特征提取和特征分类进行优化，提升目标图像的识别准确率。

本发明采用以下技术方案：基于分层变分自编码的跨源舰船特征融合学习与识别方法，包括：

获取目标舰船的光学或合成孔径雷达待识别图像；

使用训练好的分层式变分自编码网络中的第一编码器提取待识别图像中的舰船类别间差异性特征及数据源间差异性特征；

使用训练好的分层式变分自编码网络中的第二编码器对舰船类别间差异性特征及数据源间差异性特征进行分析，确定待识别图像中的目标舰船的类别及待识别图像的数据源类别；

其中，分层式变分自编码网络为使用多组数据通过机器学习训练得出的，多组数据中的每组数据均包括舰船图像、表示该舰船图像的类别标签和该舰船图像数据源的标签。

进一步地，分层式变分自编码网络为两层变分自编码网络；

使用第一层变分自编码网络中的第一编码器提取待识别图像中不同的隐特征；

将不同的隐特征进行拼接组合，得到组合隐特征；

使用第二层变分自编码网络中的第二编码器对组合隐变量进行分析，得到待识别图像中的目标舰船的类别和数据源类别。

进一步地，第一层变分自编码网络由第一编码器和第一解码器组成；

第一编码器包括两层卷积网络，第一层卷积网络为1个卷积网络，第二层卷积网络为并列设置的4个卷积网络，且第一层的卷积网络分别和第二层的每个卷积网络相连；