联合多层次深度特征的SAR图像目标识别方法

发布时间：2021-10-06 21:19

　　提出了联合多层次深度特征的合成孔径雷达（SAR）目标识别方法。采用卷积神经网络（CNN）学习SAR图像的多层次深度特征。多层次的深度特征从不同方面描述原始SAR图像中的目标特性,从而为目标识别提供更充分的决策依据。为了充分发掘不同层次深度特征的独立特性以及它们之间的内在关联,采用联合稀疏表示对多层次的深度特征进行联合分类。根据各层次特征的整体重构误差判定目标类别。采用MSTAR （Moving and Stationary Target Acquisition and Recognition）公共数据集对提出方法进行了性能测试。实验结果表明,该方法的识别性能显著优于现有的SAR目标识别方法。 

【文章来源】：火力与指挥控制. 2020,45(02)北大核心CSCD

【文章页数】：6 页

【部分图文】：

本文方法对10类目标的混线矩阵表4对比了提出算法与其他算法对于10类目标识别问题的平均识别率

谛秃挪钜臁５靡嬗诰砘??经网络的强分类性能，本文方法与文献［16］中基于CNN的方法的识别性能显著高于SVM和SRC方法。对于本文方法和文献［12］中的CNN方法，本文方法的平均识别率有一定的提高，说明了联合多层次深度特征有益于正确的识别。表410类目标识别问题上的性能对比3.2.3噪声干扰实际过程中，获得的SAR图像往往受到来自于背景环境和雷达系统的噪声干扰。为了测试提出算法对于噪声干扰的稳健性，本文首先对10类目标实验中的测试样本添加不同程度的高斯白噪声。然后，基于原始的训练集进行后续的目标识别。图5显示了各类方法在不同信噪比（Signal-to-noiseRa-tio，SNR）下的平均识别率。可以看出，本文方法在各个信噪比下均保持最高的识别率，充分证明了其对于噪声干扰的稳健性。此外，SRC方法在信噪比较低（低于0dB）时，识别性能优于SVM和文献［16］中的CNN方法。这主要得益于稀疏表示对于噪声干扰的稳健性［21］。该方法一方面通过多层次的深度特征获得具有噪声稳健的特征描述；另一方面，联合稀疏表示同样继承了稀疏表示对于噪声干扰的稳健性。由此，该方法对于噪声干扰具有最强的稳健性。图5各类方法在噪声干扰下的识别性能对比4结论本文提出了联合多层次深度特征的SAR目标识别方法。该方法首先对卷积神经网络中的每一个卷积层的输出进行特征构造，获得统一的特征矢量。进而采用联合稀疏表示对多层次的深度特征进行分类，判定目标类别。通过综合多层次深度特征的优势，以及结合联合稀疏表示的优点实现高性能的SAR目标识别。实验中，基于MSTAR数据集分别测试了提出算法对3类目标、10类目标的识别性能以及噪声干扰下的稳健性。实验结果表明，本文算法对3类目标和10类目标的平均识别率分别可以达到98.31%

（总第45-）过卷积操作可以获取原始SAR图像不同侧面的特征。图2显示了一幅MSTARSAR图像在图1所示的网络中不同卷积层输出的特征图。可以看出，不同卷积层的结果能够体现原始图像不同的特点，如区域、轮廓、点特征等。由此，多层次的深度特征可以有效继承各个卷积层的特征，从而给予目标更为全面的描述，通过联合多层次深度特征可以有效提升目标识别性能。实际上，每一个卷积层输出的特征图数量较多，且每一个特征图都是一个较高维度的图像。此时，直接采用原始的特征图会给后续的分类算法带来较大的计算负担。为此，本文采用对每一个卷积层输出的所有特征图统一进行降采样，获得统一的特征矢量。例如，对于图2（b）所示的16幅特征图，分别对其中的任一特征图按照逐行串接的方式进行矢量化，然而采用同一降采样因子获得低维度矢量。最后，将所有16幅特征图获得的特征矢量按照设定的先后顺序进行串接，得到第1卷积层对应的深度特征矢量。对其与两个卷积层的输出进行同样操作，获得相应的深度特征矢量。图1本文设计的卷积神经网络2联合多层次深度特征的目标识别方法2.1联合稀疏表示联合稀疏表示［18-20］是基于压缩感知理论提出的一种多任务学习算法。对于包含多个任务的测试样本，其中，代表y的一个描述或者一次观测，它们的联合稀疏表示如式（3）所示。（3）其中，分别为对应第k任务的观测、字典以及稀疏表示系数。为了获得式（3）中的稀疏表示系数，最直接的想法就是最小化K个任务的重构误差之和，即：（4）式中，为稀疏系数矩阵。式（4）认为各个任务相互独立。实际上，不同任务之间往往存在内在关联。这种关联体现在求解的稀疏系数上，各个任务的稀疏系数矢量具有相近的结构（如非负系数的分布规律）。?

【参考文献】：
期刊论文
[1]基于KNN的合成孔径雷达目标识别[J]. 郝岩,白艳萍,张校非.  火力与指挥控制. 2018(09)
[2]典型隐身目标SAR仿真与检测[J]. 韩昊鹏,张晨新,刘铭,童创明.  火力与指挥控制. 2018(09)
[3]基于稀疏自编码神经网络的军事目标图像分类[J]. 沈先耿.  指挥与控制学报. 2017(03)
[4]基于三维电磁散射参数化模型的SAR目标识别方法[J]. 文贡坚,朱国强,殷红成,邢孟道,杨虎,马聪慧,闫华,丁柏圆,钟金荣.  雷达学报. 2017(02)
[5]基于多尺度稀疏字典的SAR图像目标识别方法[J]. 雷磊,杨秋,李开明.  火力与指挥控制. 2017(04)
[6]属性散射中心匹配及其在SAR目标识别中的应用[J]. 丁柏圆,文贡坚,余连生,马聪慧.  雷达学报. 2017(02)



本文编号：3420763