基于DRGAN和支持向量机的合成孔径雷达图像目标识别
发布时间：2020-12-18 18:34
为解决SAR图像目标识别中样本缺乏和方位角敏感问题,提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先,采用多尺度分形特征对SAR图像进行增强,经过分割得到目标二值图像,基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码,结合原始图像作为输入,对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计,故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征,利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试,实验结果表明,在带变体的标准操作条件下,能够达到97.97%的分类精度,优于部分基于CNN模型的分类精度,在4种扩展操作条件下的分类精度分别为97.83%,91.77%,97.11%和97.04%,均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下,训练得到的GAN模型作为SAR图像目标旋转估计器,能够使得在不进行复杂样本预处理的前提下,仍然取得较高的SAR图像目标识别精度。
【文章来源】：光学精密工程. 2020年03期 北大核心
【文章页数】：9 页
【部分图文】：
本文算法流程框图
表1 DRGAN模型中判别模型D和生成模型G结构Tab.1 Architecture of discriminative model D and generative model G in DRGAN Genc和D结构 Gdec结构 层名称 滤波器宽度及步长 输出尺寸 层名称 滤波器宽度及步长 输出尺寸 Input — 96×96×1 FC — 6×6×320 Conv11 3×3/1 96×96×16 DeConv52 3×3/1 6×6×160 Conv12 3×3/1 96×96×32 DeConv51 3×3/1 6×6×128 Conv21 3×3/2 48×48×32 DeConv43 3×3/2 12×12×128 Conv22 3×3/1 48×48×32 DeConv42 3×3/1 12×12×64 Conv23 3×3/1 48×48×64 DeConv41 3×3/1 12×12×96 Conv31 3×3/2 24×24×64 DeConv33 3×3/2 24×24×96 Conv32 3×3/1 24×24×48 DeConv32 3×3/1 24×24×48 Conv33 3×3/1 24×24×96 DeConv31 3×3/1 24×24×64 Conv41 3×3/2 12×12×96 DeConv23 3×3/2 48×48×64 Conv42 3×3/1 12×12×64 DeConv22 3×3/1 48×48×32 Conv43 3×3/1 12×12×128 DeConv21 3×3/1 48×48×32 Conv51 3×3/2 6×6×128 DeConv13 3×3/2 96×96×32 Conv52 3×3/1 6×6×160 DeConv12 3×3/1 96×96×16 Conv53 3×3/1 6×6×320 DeConv11 3×3/1 96×96×1 AvgPool 6×6/1 1×1×320 FC (for D) — Nt+1+Na3.3 基于SVM的分类器设计
采用本文设计的DRGAN模型中的深度生成模型G对训练样本进行角度归一化后的图像如图3所示。其中,方位角a的one hot编码设定为[1, 0, …, 0],随机噪声n设定为零向量。从图3可以看出,几乎所有的目标方位角均沿水平方向,仅图像的灰度分布有一定差异。方位角归一化后的SAR图像位于高维欧氏空间的若干低维流形,这将有利于后续分类器的设计。本文算法在SOC配置下进行目标识别的混淆矩阵、平均分类精度(Average Accuracy, AA)和总体分类精度(Overall Accuracy, OA)如表3所示,其中每一行最右边一列代表该类别的分类精度(Percentage of Correct Classification, PCC)。在测试样本包含变体的情况下总体分类精度达到97.97%,与目前基于深度CNN模型的方法接近。在4个扩展操作条件EOC1-EOC4条件下本文算法的识别结果分别如表4～表7所示。从表中可以看出,在扩展操作条件下,本文提出算法仍然取得了优异的分类性能,总体分类精度分别达到了97.83%,91.77%,97.11%,97.04%,平均分类精度分别达到了97.83%,91.77%,97.63%,97.19%。这说明了本文提出算法的适用性,在多种操作条件下均能取得较好的识别性能。
【参考文献】：
期刊论文
[1]基于改进CycleGAN的图像风格迁移[J]. 杜振龙,沈海洋,宋国美,李晓丽. 光学精密工程. 2019(08)
[2]采用PHOG融合特征和多类别Adaboost分类器的行为识别[J]. 马世伟,刘丽娜,傅琪,温加睿. 光学精密工程. 2018(11)
[3]面向SAR目标识别的深度卷积神经网络结构设计[J]. 谷雨,徐英. 中国图象图形学报. 2018(06)
本文编号：2924407
【文章来源】：光学精密工程. 2020年03期 北大核心
【文章页数】：9 页
【部分图文】：
本文算法流程框图
表1 DRGAN模型中判别模型D和生成模型G结构Tab.1 Architecture of discriminative model D and generative model G in DRGAN Genc和D结构 Gdec结构 层名称 滤波器宽度及步长 输出尺寸 层名称 滤波器宽度及步长 输出尺寸 Input — 96×96×1 FC — 6×6×320 Conv11 3×3/1 96×96×16 DeConv52 3×3/1 6×6×160 Conv12 3×3/1 96×96×32 DeConv51 3×3/1 6×6×128 Conv21 3×3/2 48×48×32 DeConv43 3×3/2 12×12×128 Conv22 3×3/1 48×48×32 DeConv42 3×3/1 12×12×64 Conv23 3×3/1 48×48×64 DeConv41 3×3/1 12×12×96 Conv31 3×3/2 24×24×64 DeConv33 3×3/2 24×24×96 Conv32 3×3/1 24×24×48 DeConv32 3×3/1 24×24×48 Conv33 3×3/1 24×24×96 DeConv31 3×3/1 24×24×64 Conv41 3×3/2 12×12×96 DeConv23 3×3/2 48×48×64 Conv42 3×3/1 12×12×64 DeConv22 3×3/1 48×48×32 Conv43 3×3/1 12×12×128 DeConv21 3×3/1 48×48×32 Conv51 3×3/2 6×6×128 DeConv13 3×3/2 96×96×32 Conv52 3×3/1 6×6×160 DeConv12 3×3/1 96×96×16 Conv53 3×3/1 6×6×320 DeConv11 3×3/1 96×96×1 AvgPool 6×6/1 1×1×320 FC (for D) — Nt+1+Na3.3 基于SVM的分类器设计
采用本文设计的DRGAN模型中的深度生成模型G对训练样本进行角度归一化后的图像如图3所示。其中,方位角a的one hot编码设定为[1, 0, …, 0],随机噪声n设定为零向量。从图3可以看出,几乎所有的目标方位角均沿水平方向,仅图像的灰度分布有一定差异。方位角归一化后的SAR图像位于高维欧氏空间的若干低维流形,这将有利于后续分类器的设计。本文算法在SOC配置下进行目标识别的混淆矩阵、平均分类精度(Average Accuracy, AA)和总体分类精度(Overall Accuracy, OA)如表3所示,其中每一行最右边一列代表该类别的分类精度(Percentage of Correct Classification, PCC)。在测试样本包含变体的情况下总体分类精度达到97.97%,与目前基于深度CNN模型的方法接近。在4个扩展操作条件EOC1-EOC4条件下本文算法的识别结果分别如表4～表7所示。从表中可以看出,在扩展操作条件下,本文提出算法仍然取得了优异的分类性能,总体分类精度分别达到了97.83%,91.77%,97.11%,97.04%,平均分类精度分别达到了97.83%,91.77%,97.63%,97.19%。这说明了本文提出算法的适用性,在多种操作条件下均能取得较好的识别性能。
【参考文献】：
期刊论文
[1]基于改进CycleGAN的图像风格迁移[J]. 杜振龙,沈海洋,宋国美,李晓丽. 光学精密工程. 2019(08)
[2]采用PHOG融合特征和多类别Adaboost分类器的行为识别[J]. 马世伟,刘丽娜,傅琪,温加睿. 光学精密工程. 2018(11)
[3]面向SAR目标识别的深度卷积神经网络结构设计[J]. 谷雨,徐英. 中国图象图形学报. 2018(06)
本文编号：2924407
本文链接：https://www.wllwen.com/kejilunwen/wltx/2924407.html
