[发明专利]基于空-时联合卷积的SAR序列图像分类方法

摘要

本发明公开了一种基于空‑时联合卷积的SAR序列图像分类方法，主要解决现有SAR目标识别技术中仅利用单张图像特征、时间信息利用不充分、分类准确率低的问题。其实现步骤为：1)生成样本集，并由样本集生成训练序列样本集和测试序列样本集；2)构建空‑时联合卷积神经网络；3)使用训练序列样本集训练空‑时联合卷积神经网络，得到训练好的空‑时联合卷积神经网络；4)将测试序列样本集输入训练完成的空‑时联合卷积神经网络，得到分类结果。本发明利用空‑时联合卷积神经网络，提取了SAR序列图像时间维和空间维的变化特征，提高了SAR目标分类识别的正确率。可用于基于SAR序列图像的自动目标识别。

主权项

1.基于空-时联合卷积的SAR序列图像分类方法，其特征在于，包括如下：/n(1)生成样本集：即从公开网络的MSTAR数据集中，选取雷达在17°俯仰角下观测到的3671幅SAR图像及相应的标签，组成原始训练样本集；选取雷达在15°俯仰角下观测到的3203幅SAR图像及相应的标签，组成原始测试样本集；/n(2)生成训练序列样本集：/n(2a)围绕原始训练样本集中每幅SAR图像的中心，将每幅SAR图像裁剪为60×60个像素,得到裁剪后的训练样本集；/n(2b)将裁剪后的训练样本集，按每15幅SAR图像分为一组，并使用滑窗法，生成包含3531组序列的训练序列样本集；/n(3)构建空-时联合卷积网络：/n(3a)构建一个由4组3D扩张卷积层-3D池化层结构依次级联的深度卷积神经网络，其中：前三组中的每一组卷积层和池化层之间设有相应的批归一化BN、使用ReLU函数进行激活变换和dropout这三种操作，最后一组中的卷积层和池化层之间设有相应的批归一化BN和使用ReLU函数进行激活变换这两种操作；/n(3b)设置各组参数：将深度卷积神经网络按照时间、图像高度、图像宽度这三个维度排列，第一组卷积层的卷积核大小为2×4×4个像素，扩张系数为1,3,3，卷积核数量是128个；后三组卷积层的卷积核大小均为2×3×3个像素，扩张系数分别为2,2,2、4,2,2、8,1,1，卷积核数量分别为256个、512个、10个；四组池化层的核窗口大小均为1×2×2个像素；/n(3c)将最后一组结构中的池化层连接至一个softmax分类器，得到一个空-时联合卷积网络；/n(4)将训练序列样本集输入到空-时联合卷积网络进行训练，得到训练好的空-时联合卷积网络；/n(5)生成测试序列样本集：/n(5a)围绕原始测试样本集中每幅SAR图像的中心，将每幅SAR图像裁剪为60×60个像素,得到裁剪后的测试样本集；/n(5b)将裁剪后的测试样本集，按每15幅SAR图像分为一组，并使用滑窗法，生成包含3063组序列的测试序列样本集；/n(6)将生成的测试序列样本集，输入训练好的空-时联合卷积网络进行测试，得到网络输出的分类结果。/n