CN107977683A - 基于卷积特征提取和机器学习的联合sar目标识别方法 - Google Patents

Abstract

本发明公开了基于卷积特征提取和机器学习的联合SAR目标识别方法，读取SAR原始图像数据集，并做预处理；使用卷积变换提取SAR图像特征，卷积层使用卷积核在输入层上通过滑动窗口计算卷积再通过激活函数作为输出，得到多个特征图，每个特征图也是由多个图卷积组合而成，亚采样层对上层的得到的特征图亚采样，减小特征图的大小，最后生成1行128列的特征值；将特征值分别使用softmax回归、支持向量机、K邻近训练分类模型；预测的未知类别图像所属类别，最终的预测结果是依靠三种分类器预测结果综合处理得到。本发明联合三种机器学习方法，识别准确率高，方法鲁棒性强。

Description

基于卷积特征提取和机器学习的联合SAR目标识别方法

技术领域

本发明属于雷达技术领域，涉及基于卷积特征提取和机器学习的联合SAR目标识别方法。

背景技术

合成孔径雷达可以全天候在各种天气环境下工作，因而在军事防御、资源探测、灾难预警和救援等方面得到广泛的应用。随着越来多高精度SAR投入使用，并且原始SAR信号具有大量噪声，这使得使用人工识别目标变得越来越困难。已有的利用主成成分分析(PCA)结合支持向量机(SVM)对目标分类识别、基于主成成分分析、独立分量分析和小波决策融合的识别方法虽然已经达到一定的正确率，但是依然需要人工经验对原始信号进行复杂的变换和多维度的特征提取，从而给不同情况下的识别结果带来不确定性。

自从2006年Hinton等人提出深度学习这一概念后，深度学习领域得到飞速发展，其广泛应用于目标识别领域。卷积神经网络是深度学习的一种，其特点是使用类似于生物神经网络的局部感受野、权值共享策略与时间或空间的亚采样，降低模型的复杂度与计算量，避免传统算法的特征提取与数据重建过程。

发明内容

本发明的目的在于提供基于卷积特征提取和机器学习的联合SAR目标识别方法，解决了传统算法的特征提取与数据重建过程复杂，识别结果不准确的问题。

本发明所采用的技术方案是按照以下步骤进行：

步骤1.读取SAR原始图像数据集，并做预处理；

步骤2.使用卷积变换提取SAR图像特征，卷积层使用卷积核在输入层上通过滑动窗口计算卷积再通过激活函数作为输出，得到多个特征图，每个特征图也是由多个图卷积组合而成，亚采样层对上层的得到的特征图亚采样，减小特征图的大小，最后生成1行128列的特征值；

步骤3将步骤2中得到的特征值分别使用softmax回归、支持向量机、K邻近训练分类模型；

步骤4预测的未知类别图像所属类别；

进一步，步骤1的实现过程如下，

步骤1.1将每幅图像尺寸变换为48*48像素大小；

步骤1.2对剪裁后的图像通过镜像变化，随机剪裁对数据集扩充；

步骤1.3将数据集归一化，设有m幅原始图片，经过尺寸变换后，每幅图像有2304个像素点，设V_k，i，j为第k幅图的第i行第j列的元素值，V^* _k，i，j为第k幅图的第i行第j列归一化之后的元素值，V_k，min第k幅图最小的像素值，V_k，max第k幅图最大的像素值，则归一化的计算公式为：

进一步，步骤2的实现过程如下，

步骤2.1卷积层1，使用32种不同的卷积核对每幅图像做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2个像素，卷积后生成32个48*48的特征图；对于一个有C个类别和N个训练样本的多分类问题，假设有训练集第l层第j个神经元的输出为：

其中M_j表示第j个输入特征图，为额外的偏置，为卷积核；

步骤2.2亚采样层1，使用3*3像素大小的卷积核对步骤2.1生成的每幅特征图做卷积运算，每次移动2个像素点，卷积后生成32个24*24的特征图；卷积核k为：

定义即g(i，j)＝∑_h，lf(i+h，j+l)k(h，l)，并按以下步骤计算：

步骤2.2.1滑动卷积核，使其中心位于输入图像g的第i行第j列像素上；

步骤2.2.2利用上式求和，得到g(i，j)的像素值；

步骤2.2.3每次滑动2个像素点，直至求出所有像素值；

步骤2.3卷积层2，使用2种不同的卷积核对步骤2.2生成的每幅特征图做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2个像素，卷积后生成64个24*24的特征图，具体步骤如步骤2.1；

步骤2.4亚采样层2，使用4*4像素大小的卷积核对步骤2.3生成的每幅特征图做卷积运算，每次移动4个像素点，卷积后生成64个6*6的特征图，具体步骤如步骤2.2；

步骤2.5数据降维，将步骤2.4生成的每幅特征图中的像素转换为1行128列的特征值，减小数据维度，去除冗余信息；

进一步，步骤3的实现过程如下，

步骤3.1使用误差逆传播算法训练softmax分类模型；

步骤3.1.1前向传播阶段，假设网络的输出为则误差函数如下：

其中是第n个样本对应的实际标签的第k维，是由模型的第n个样本预测得到的标签第k维，由于在整个训练集上的误差是将每个样本误差简单累加，所以以单个样本为例进行推导，在单个样本上，误差函数转换为：

对于普通的全连接层，用如下的BP规则来求解E关于权重的偏导：

x^l＝f(u^l)，u^l＝W^lx^l-1+b^l

其中1为当前的层数，f(·)为f(x)＝(1+e∧(-βx))∧(-1)；

步骤3.1.2向后传播阶段，在向后传播过程中，误差被认为是关于有偏置项扰动的灵敏度：

又因为所以灵敏度是某一个单元所有输入产生的误差的偏导，那么第l层的灵敏度与第l+1层的灵敏度的关系表示为：

其中表示点乘，对于上式中的误差函数，输出神经元的灵敏性如下：

在完成误差函数的反向传播后，利用梯度下降策略以误差函数的负梯度方向对网络中的参数进行更新，以达到损失函数最小化的目的，E对第l层的求W^l和b^l的偏导为：

根据梯度下降策略可得第l层神经元的权值更新变化量为：

其中η为学习率，控制着算法每一轮迭代中的更新步长；

步骤3.1.3重复步骤3.1.1和步骤3.1.2，直到误差小于要求的阈值；

步骤3.2训练基于RBF核函数的支持向量机分类模型；

构建规划方程组，设x为步骤2得到的特征值向量，f(x)为预测的类别：

其中w和b是模型参数；求解目标是：

根据对偶性质，上式转换为：

其中k(x_i，x_j)为核函数，σ为高斯函数的带宽；

步骤3.3K邻近分类，具体步骤如下：

步骤3.3.1计算待识别图像的特征值与训练样本图像的特征值的距离：

其中f_i表示待识别图像的第i个特征，表示第k类图像的第i个特征的均值，表示第k类图像的第i个特征的方差，n为128；

步骤3.3.2得到目前k个最邻近样本，并统计k个类别中出现次数最多的类别就是预测的结果。

进一步，步骤4的实现过程如下，

步骤4.1将图像尺寸变换为48*48像素大小；

步骤4.2对图像归一化；

步骤4.3根据步骤2，使用32种不同的卷积核对每幅图像做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2个像素，卷积后生成32个48*48的特征图；

步骤4.4根据步骤2.2，使用3*3像素大小的卷积核对步骤2.1生成的每幅特征图做卷积运算，每次移动2个像素点，卷积后生成32个24*24的特征图；

步骤4.5根据步骤2.3，使用2种不同的卷积核对步骤2.2生成的每幅特征图做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2个像素，卷积后生成64个24*24的特征图；

步骤4.6根据步骤2.4，使用4*4像素大小的卷积核对步骤2.3生成的每幅特征图做卷积运算，每次移动4个像素点，卷积后生成64个6*6的特征图；

步骤4.7根据步骤2.5，将步骤2.4生成的每幅特征图中的像素转换为1行128列的特征值，减小数据维度，去除冗余信息；

步骤4.8根据步骤3中训练得到的模型，分别用softmax分类器、支持向量机、K邻近分类得到的结果综合判断得到最终结果。

本发明的有益效果是有效地减少特征值的维度，减小了训练与预测过程的运算量，加快了预测速度，提高了预测的准确率。

具体实施方式

下面结合具体实施方式对本发明进行详细说明。

本发明方法按照以下步骤进行：

步骤1.读取SAR原始图像数据集，并做预处理。

步骤1.1将每幅图像尺寸变换为48*48像素大小；

步骤1.2对剪裁后的图像通过镜像变化，随机剪裁对数据集扩充；

步骤1.3将数据集归一化，设有m幅原始图片，经过尺寸变换后，每幅图像有2304个像素点，设V_k，i，j为第k幅图的第i行第j列的元素值，V^* _k，i，j为第k幅图的第i行第j列归一化之后的元素值，V_k，min第k幅图最小的像素值，V_k，max第k幅图最大的像素值，则归一化的计算公式为：

步骤2.使用卷积变换提取SAR图像特征，卷积层使用卷积核在输入层上通过滑动窗口计算卷积再通过激活函数作为输出，得到多个特征图，每个特征图也是由多个图卷积组合而成。亚采样层对上层的得到的特征图亚采样，减小特征图的大小。最后生成1行128列的特征值；

步骤2.1卷积层1，使用32种不同的卷积核对每幅图像做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2个像素，卷积后生成32个48*48的特征图；对于一个有C个类别和N个训练样本的多分类问题，假设有训练集第l层第j个神经元的输出为：

其中M_j表示第j个输入特征图。为额外的偏置，为卷积核。

步骤2.2亚采样层1，使用3*3像素大小的卷积核对步骤2.1生成的每幅特征图做卷积运算，每次移动2个像素点，卷积后生成32个24*24的特征图；卷积核k为：

定义即g(i，j)＝∑_h，lf(i+h，j+l)k(h，l)，并按以下步骤计算：

步骤2.2.1滑动卷积核，使其中心位于输入图像g的第i行第j列像素上；

步骤2.2.2利用上式求和，得到g(i，j)的像素值；

步骤2.2.3每次滑动2个像素点，直至求出所有像素值；

步骤2.3卷积层2，使用2种不同的卷积核对步骤2.2生成的每幅特征图做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2个像素，卷积后生成64个24*24的特征图，具体步骤如步骤2.1；

步骤2.4亚采样层2，使用4*4像素大小的卷积核对步骤2.3生成的每幅特征图做卷积运算，每次移动4个像素点，卷积后生成64个6*6的特征图，具体步骤如步骤2.2；

步骤2.5数据降维，将步骤2.4生成的每幅特征图中的像素转换为1行128列的特征值，减小数据维度，去除冗余信息；

步骤3将步骤2中得到的特征值分别使用softmax回归、支持向量机(SVM)、K邻近(KNN)训练分类模型：

步骤3.1使用误差逆传播算法训练softmax分类模型；

步骤3.1.1前向传播阶段，假设网络的输出为则误差函数如下：

其中是第n个样本对应的实际标签的第k维，是由模型的第n个样本预测得到的标签第k维。由于在整个训练集上的误差是将每个样本误差简单累加，所以我们以单个样本为例进行推导。在单个样本上，误差函数可转换为：

对于普通的全连接层，我们用如下的BP规则来求解E关于权重的偏导：

x^l＝f(u^l)，u^l＝W^lx^l-1+b^l

其中1为当前的层数，f(·)为f(x)＝(1+e∧(-βx))∧(-1)；

步骤3.1.2向后传播阶段，在向后传播过程中，误差可以被认为是关于有偏置项扰动的灵敏度：

又因为所以灵敏度是某一个单元所有输入产生的误差的偏导。那么第l层的灵敏度与第l+1层的灵敏度的关系可以表示为：

其中表示点乘。对于上式中的误差函数，输出神经元的灵敏性如下：

在完成误差函数的反向传播后，利用梯度下降策略以误差函数的负梯度方向对网络中的参数进行更新，以达到损失函数最小化的目的。E对第l层的求W^l和b^l的偏导为：

根据梯度下降策略可得第l层神经元的权值更新变化量为：

其中η为学习率，控制着算法每一轮迭代中的更新步长。

步骤3.1.3重复步骤3.1.1和步骤3.1.2，直到误差小于要求的阈值。

步骤3.2训练基于RBF核函数的支持向量机分类模型；

构建规划方程组，设x为步骤2得到的特征值向量，f(x)为预测的类别：

其中w和b是模型参数；所以求解目标是：

根据对偶性质，上式可以转换为：

其中k(x_i，x_j)为核函数，σ为高斯函数的带宽；

步骤3.3K邻近分类，具体步骤如下：

步骤3.3.1计算待识别图像的特征值与训练样本图像的特征值的距离：

其中f_i表示待识别图像的第i个特征，表示第k类图像的第i个特征的均值，表示第k类图像的第i个特征的方差，n为128；

步骤3.3.2得到目前k个最邻近样本，并统计k个类别中出现次数最多的类别就是预测的结果；

步骤4预测的未知类别图像所属类别，具体过程如下：

步骤4.1将图像尺寸变换为48*48像素大小；

步骤4.2对图像归一化具体步骤如步骤1.3；

步骤4.3根据步骤2.1，使用32种不同的卷积核对每幅图像做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2个像素，卷积后生成32个48*48的特征图；

步骤4.4根据步骤2.2，使用3*3像素大小的卷积核对步骤2.1生成的每幅特征图做卷积运算，每次移动2个像素点，卷积后生成32个24*24的特征图；

步骤4.5根据步骤2.3，使用2种不同的卷积核对步骤2.2生成的每幅特征图做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2个像素，卷积后生成64个24*24的特征图；

步骤4.6根据步骤2.4，使用4*4像素大小的卷积核对步骤2.3生成的每幅特征图做卷积运算，每次移动4个像素点，卷积后生成64个6*6的特征图；

步骤4.7根据步骤2.5，将步骤2.4生成的每幅特征图中的像素转换为1行128列的特征值，减小数据维度，去除冗余信息；

步骤4.8根据步骤3中训练得到的模型，分别用softmax分类器、支持向量机、K邻近分类得到的结果综合判断得到最终结果。

步骤4.8.1如果Lable2，Lable3相同，则最终结果为Lable2；

步骤4.8.2如果Lable2，Lable3不相同，则最终结果为Lable1。

本发明的核心内容就是设计了用卷积提取SAR图像特征值，并用softmax分类器、支持向量机、K邻近算法分别训练模型和预测，最后将三个分类器的预测结果综合判断输出，有效地减少特征值的维度，减小了训练与预测过程的运算量，加快了预测速度，提高了预测的准确率和方法的鲁棒性，这在要求精确性、实时性和稳定性的SAR目标识别领域无疑有着极大地应用价值。

以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (5)

1.基于卷积特征提取和机器学习的联合SAR目标识别方法，其特征在于按照以下步骤进行：

步骤1.读取SAR原始图像数据集，并做预处理；

步骤2.使用卷积变换提取SAR图像特征，卷积层使用卷积核在输入层上通过滑动窗口计算卷积再通过激活函数作为输出，得到多个特征图，每个特征图也是由多个图卷积组合而成，亚采样层对上层的得到的特征图亚采样，减小特征图的大小，最后生成1行128列的特征值；

步骤3将步骤2中得到的特征值分别使用softmax回归、支持向量机、K邻近训练分类模型；

步骤4预测的未知类别图像所属类别。

2.按照权利要求1所述基于卷积特征提取和机器学习的联合SAR目标识别方法，其特征在于：所述步骤1的实现过程如下，

步骤1.1将每幅图像尺寸变换为48*48像素大小；

步骤1.2对剪裁后的图像通过镜像变化，随机剪裁对数据集扩充；

步骤1.3将数据集归一化，设有m幅原始图片，经过尺寸变换后，每幅图像有2304个像素点，设V_k，i，j为第k幅图的第i行第j列的元素值，V^* _k，i，j为第k幅图的第i行第j列归一化之后的元素值，V_k，min第k幅图最小的像素值，V_k，max第k幅图最大的像素值，则归一化的计算公式为：

3.按照权利要求1所述基于卷积特征提取和机器学习的联合SAR目标识别方法，其特征在于：所述步骤2的实现过程如下，

步骤2.1卷积层1，使用32种不同的卷积核对每幅图像做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2 个像素，卷积后生成32个48*48的特征图；对于一个有C个类别和N个训练样本的多分类问题，假设有训练集第l层第j个神经元的输出为：

其中M_j表示第j个输入特征图，为额外的偏置，为卷积核；

步骤2.2亚采样层1，使用3*3像素大小的卷积核对步骤2.1生成的每幅特征图做卷积运算，每次移动2个像素点，卷积后生成32个24*24的特征图；卷积核k为：

定义即g(i，j)＝∑_h，lf(i+h，j+l)k(h，l)，并按以下步骤计算：

步骤2.2.1滑动卷积核，使其中心位于输入图像g的第i行第j列像素上；

步骤2.2.2利用上式求和，得到g(i，j)的像素值；

步骤2.2.3每次滑动2个像素点，直至求出所有像素值；

步骤2.3卷积层2，使用2种不同的卷积核对步骤2.2生成的每幅特征图做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2个像素，卷积后生成64个24*24的特征图，具体步骤如步骤2.1；

步骤2.4亚采样层2，使用4*4像素大小的卷积核对步骤2.3生成的每幅特征图做卷积运算，每次移动4个像素点，卷积后生成64个6*6的特征图，具体步骤如步骤2.2；

步骤2.5数据降维，将步骤2.4生成的每幅特征图中的像素转换为1行128列的特征值，减小数据维度，去除冗余信息。

4.按照权利要求1所述基于卷积特征提取和机器学习的联合SAR目标识别方法，其特征在于：所述步骤3的实现过程如下，

步骤3.1使用误差逆传播算法训练softmax分类模型；

步骤3.1.1前向传播阶段，假设网络的输出为则误差函数如下：

其中是第n个样本对应的实际标签的第k维，是由模型的第n个样本预测得到的标签第k维，由于在整个训练集上的误差是将每个样本误差简单累加，所以以单个样本为例进行推导，在单个样本上，误差函数转换为：

对于普通的全连接层，用如下的BP规则来求解E关于权重的偏导：

x^l＝f(u^l)，u^l＝W^lx^l-1+b^l

其中l为当前的层数，f(·)为f(x)＝(1+e^(-βx))^(-1)；

步骤3.1.2向后传播阶段，在向后传播过程中，误差被认为是关于有偏置项扰动的灵敏度：

又因为所以灵敏度是某一个单元所有输入产生的误差的偏导，那么第l层的灵敏度与第l+1层的灵敏度的关系表示为：

δ^l＝(W^l+1)^Tδ^l+1of′(u^l)

其中○表示点乘，对于上式中的误差函数，输出神经元的灵敏性如下：

在完成误差函数的反向传播后，利用梯度下降策略以误差函数的负梯度方向对网络中的参数进行更新，以达到损失函数最小化的目的，E对第l层的求W^l和b^l的偏导为：

根据梯度下降策略可得第l层神经元的权值更新变化量为：

其中η为学习率，控制着算法每一轮迭代中的更新步长；

步骤3.1.3重复步骤3.1.1和步骤3.1.2，直到误差小于要求的阈值；

步骤3.2训练基于RBF核函数的支持向量机分类模型；

构建规划方程组，设x为步骤2得到的特征值向量，f(x)为预测的类别：

其中w和b是模型参数；求解目标是：

根据对偶性质，上式转换为：

其中k(x_i，x_j)为核函数，σ为高斯函数的带宽；

步骤3.3K邻近分类，具体步骤如下：

步骤3.3.1计算待识别图像的特征值与训练样本图像的特征值的距离：

其中f_i表示待识别图像的第i个特征，表示第k类图像的第i个特征的均值，表示第k类图像的第i个特征的方差，n为128；

步骤3.3.2得到目前k个最邻近样本，并统计k个类别中出现次数最多的类别就是预测的结果。

5.按照权利要求2所述基于卷积特征提取和机器学习的联合SAR目标识别方法，其特征在于：所述步骤4的实现过程如下，

步骤4.1将图像尺寸变换为48*48像素大小；

步骤4.2对图像归一化；

步骤4.3根据步骤2，使用32种不同的卷积核对每幅图像做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2个像素，卷积后生成32个48*48的特征图；

步骤4.4根据步骤2.2，使用3*3像素大小的卷积核对步骤2.1生成的每幅特征图做卷积运算，每次移动2个像素点，卷积后生成32个24*24的特征图；

步骤4.5根据步骤2.3，使用2种不同的卷积核对步骤2.2生成的每幅特征图做卷积运算，卷积核的大小均为5*5像素，每次移动步长为1个像素点，在图像每个边缘补充2个像素，卷积后生成64个24*24的特征图；

步骤4.6根据步骤2.4，使用4*4像素大小的卷积核对步骤2.3生成的每幅特征图做卷积运算，每次移动4个像素点，卷积后生成64个6*6的特征图；

步骤4.7根据步骤2.5，将步骤2.4生成的每幅特征图中的像素转换为1行128列的特征值，减小数据维度，去除冗余信息；

步骤4.8根据步骤3中训练得到的模型，分别用softmax分类器、支持向量机、K邻近分类得到的结果综合判断得到最终结果。