[发明专利]基于多尺度多特征深度森林的SAR目标识别方法

摘要

本发明公开了一种基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法，主要针对已有SAR目标识别方法不足，提出了多尺度多特征深度森林应用于SAR目标识别。其实现步骤是：(1)生成训练样本集和测试样本集；(2)提取每个样本的多尺度幅度特征；(3)提取每个样本的多尺度结构特征；(4)训练深度森林分类器；(5)识别目标型号。本发明通过多尺度特征的引入反映从局部到全局的样本图像特征，通过多特征的联合使用全面的反映样本图像特征，同时利用深度森林分类器进行目标型号识别，超参数数量少且稳健，减少了训练过程的时间，提高了SAR目标的识别精度。

主权项

1.一种基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法，其特征在于，提取目标图像多尺度幅度特征和多尺度结构特征，使用逐层交叉训练方法训练深度森林分类器，识别目标的型号；该方法的具体步骤包括如下：(1)生成训练样本集和测试样本集：(1a)从合成孔径雷达SAR图像集的所有类别中，任意获取每类至少200个图像，组成训练样本集；(1b)将合成孔径雷达SAR图像集中，除训练样本集中样本以外的所有剩余样本，组成测试样本集；(2)提取每个样本的多尺度幅度特征：(2a)将训练样本集和测试样本集中的每个样本图像中所有像素点的幅度值，拉伸成列向量，得到每个样本的幅度特征向量；(2b)选择多个不同尺寸的卷积窗口，分别对每个样本进行多尺度卷积池化，将每个卷积池化后的图像中所有像素点的幅度值，拉伸成列向量，将所有列向量首尾拼接，得到每个样本的池化幅度特征向量；(2c)将每个样本的幅度特征向量，池化幅度特征向量首尾拼接，得到每个样本的多尺度幅度特征；(3)提取每个样本的多尺度结构特征：(3a)对训练样本集和测试样本集中的每个样本，进行2范数归一化处理，得到归一化后的样本；(3b)选择多个不同尺寸的切片窗口，分别对每个归一化后的样本，提取密集尺度不变特征变换Dense‑SIFT特征向量，将所有特征向量首尾拼接，得到每个样本多尺度结构特征；(4)训练深度森林分类器：(4a)将四个随机森林分类器与四个完全随机森林分类器，组成深度森林分类器的第一层；(4b)将训练样本集中所有样本的多尺度幅度特征，输入到深度森林分类器的第一层进行训练，得到训练好的深度森林分类器的第一层，用训练好的深度森林分类器的第一层，对训练样本集中的每个样本进行分类，得到训练样本集中每个样本的类别向量；(4c)将深度森林分类器的逐层交叉训练的次数k设为1；(4d)采用逐层交叉训练方法，训练深度森林分类器中第2k层和第2k+1层，得到训练好的深度森林分类器中第2k层和第2k+1层；(4e)用训练好的深度森林分类器的第2k层对训练样本集中的每个样本进行分类，用训练样本集中正确分类的样本总数除以总样本数，得到深度森林分类器第2k层的分类正确率,用训练好的深度森林分类器的第2k+1层对训练样本集中的每个样本进行分类，得到训练样本集中每个样本的类别向量和第2k+1层的分类正确率；(4f)判断深度森林分类器中第2k层和第2k+1层的分类准确率的差值是否小于阈值，若是，得到训练好的深度森林分类器，执行步骤(5)，否则，将深度森林分类器的逐层交叉训练的次数k加1后执行步骤(4d)；(5)识别目标型号：用训练好的深度森林分类器，对测试样本集中所有样本进行分类，得到测试样本集中所有样本的型号识别结果。