[发明专利]基于卷积神经网络的SAR目标交互行为识别方法

摘要

一种基于卷积神经网络的SAR目标交互行为识别方法，从SAR图像序列中检测出运动目标，用卷积神经网络识别运动目标类型，提取运动目标交互行为中运动信息作为特征，构建目标的运动特征矩阵，用卷积神经网络进行SAR目标交互行为类型识别。本发明可有效解决单链隐马尔可夫模型无法完全表述交互行为的问题，也无需将特征分层设计，能够正确识别出SAR图像序列中有交互行为的两个目标构成的目标群事件，获得较优的交互行为识别性能。

主权项

1.一种基于卷积神经网络的SAR目标交互行为识别方法，其特征在于：所述方法包括以下步骤：步骤1，采用Surendra背景更新算法从SAR图像序列中检测出运动目标所在的位置；步骤2，用卷积神经网络识别运动目标类型，输入为运动目标图像，输出为该目标的类型；其中，采用的卷积神经网络模型共有8层，包括6个卷积层和2个全连接层，每2层卷积层叠加一个最大池化层，最后通过2个全连接层输出模型预测标签，使用ReLU激活函数，卷积层采用零填充技术，最大池化层使用重叠汇聚技术，第一层全连接层使用Dropout技术，并以0.5的概率随机将全连接层中神经元的输出值清零；步骤3，提取运动目标交互行为中运动信息作为特征，构建目标的运动特征矩阵F_i^m，如下所示：矩阵的每一行代表在第k帧中目标i的速度目标j的速度目标i与目标j间的距离目标i与目标j的运动速度之差k＝1,2,3,4......n，矩阵行数n表示选取的图像帧数；步骤4，用卷积神经网络进行SAR目标交互行为类型识别，输入为运动特征矩阵F_i^m，输出为该交互行为的类型；其中，卷积神经网络模型共有4层，包含2个卷积层和2个全连接层，2个卷积层后接有池化层，采用最大池化，下采样窗口的大小取2×2，滑动步长取2，ReLU非线性激活函数作用于每层卷积层，Softmax非线性函数作用于第2个全连接层的输出节点，卷积层中卷积核的滑动步长全部取2，输入特征图的周围没有补零，两个全连接层隐含节点个数分别为128和4，Dropout正则化方法应用于第2个卷积层和第1层全连接层。