光学图像辅助的舰船ISAR像目标识别方法

发布时间：2020-04-04 20:10

【摘要】：舰船ISAR图像目标识别现在已经得到广泛应用,但由于舰船目标的散射特性受到多种要素影响,使得采用ISAR目标识别的识别率相对较低。因此,改善舰船ISAR像的识别率是现在的研究热点。光学图像由于其分辨率高,图像信息丰富,识别率高,并且更加有利于人工干预的特性,使得其在人工交互方面占据优势,从而更加有利于有人/无人智能系统。在实际情况中,我们往往不能够同时获得舰船目标的ISAR和光学这两类异质图像。由于光学图像受到天气、气候(雾、霾、雨、云等)的影响,使其工作的时间有限;即便是处于天气条件良好的时候,光学图像进行成像的距离有限,并且受到光源影响,在光线不充足的情况下难以获得目标的图像。而ISAR是主动探测的,作用距离远,且其分辨特性不受距离的影响,光线的强度对成像结果也无影响,在各种气候以及各个时间都能够工作。因此在大部分情况下,舰船目标的ISAR像是我们能够得到的仅有图像。本文围绕舰船ISAR像的目标识别这一问题展开研究,期望利用已有部分信息(舰船ISAR像)来生成缺失信息(光学图像),进而达到改善舰船目标ISAR像识别效果的目的。主要内容包括:首先,在本文中阐述了逆孔径合成雷达是如何进行成像的,详细的对距离-多普勒的成像机制进行了分析,并基于此对三种不同舰船模型进行了成像仿真,并且对舰船三种转动形式逐一分析了对应的成像的特性。为了后续研究更加方便对图像进行了预处理,构建了舰船ISAR像的图像库。其次,针对图像目标识别这一问题,本文中采用卷积神经网络的网络来完成。在文中对这一网络构成进行了说明,详细阐述了卷积神经网络各个层的用途以及各自的误差敏感项,本文紧接着基于图像库,利用卷积神经网络进行了对舰船ISAR像的分类识别,并得到了识别准确率,对结果进行了合理的说明以及分析。最后,关于使用已有信息生成缺失信息这一问题,本文采用了对抗生成网络来达到这一目的。具体而言采用了两类网络,第一类是Pix2pix网络,在该网络的生成器输入端放入舰船ISAR像,鉴别器输入端放入对应的光学图像,训练此网络直到达到纳什平衡,此时生成器输出的就是接近于光学图像的生成图像,后续将生成的图像与ISAR像合并得到新的图像,同样利用卷积神经网络对新的图像进行特征提取与分类识别,最终获得舰船目标的识别率;第二类是部分模式对抗生成网络,它的生成器输入是ISAR像的特征,鉴别网络包含了鉴别器和预测器两部分,鉴别网络中鉴别器的输入是光学图像特征,输出是生成特征。预测器的输入则是ISAR像特征和生成特征融合之后的新特征,预测器对新的特征进行分类,进而输出舰船的识别准确率。仿真实验的结果表明,利用这两类网络均能够改善仅凭借舰船ISAR像的识别效果。
【图文】：

目标模型,转台

图 2-1 转台运动的目标模型时，由于比较小，，因此对上式作如公式 2-3 的sin( )cos( ) 1w ww 式 2-4：0 0R R x 以写为公式 2-5：0 R ( ) y w( )不难算出回波的多普勒频率df ，如公式 2-6 所示：02 ( )2 /dRf y ，表示信号的波长。不难想到若发射信号的形式普勒效应产生的频移以及距离造成的时延，就能够下的坐标，表示为0 0( x ， y)。不难发现，在 x-y 坐标达视线的方向，垂直于其的平面是等距离面；与之

运动模型,转台

图 2-2 转台运动模型时间内目标由于运动产生距离的情况下，回波信号的2 m r krR t v ttc 发射信号脉冲到达目标出后检测目标的时间，即认为那么在下一慢时刻发射的脉冲信号要传播的距离就会假设在mt 时刻，与雷达距离为 ( )mR t 的点所产生的回波其可以写为公式 2-15：2 ( )/ 1( )exp 2 ( 2 ( )/ ) ( 2 ( )/ 2k mc k m r k mpt R t crect j f t R t c K t R t cT 频信号是雷达所发射的信号形式，是故我们对回波信转中心点的回波信号作为我们要参考的信号，参考信2 ( )/1( )exp 2 ( 2 ( )/ ) ( 2 ( )/ k ref mt R t crect j f t R t c K t R t c
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN957.52;U675.7

【相似文献】