CN108764310B - 基于多尺度多特征深度森林的sar目标识别方法 - Google Patents

Abstract

本发明公开了一种基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法，主要针对已有SAR目标识别方法不足，提出了多尺度多特征深度森林应用于SAR目标识别。其实现步骤是：(1)生成训练样本集和测试样本集；(2)提取每个样本的多尺度幅度特征；(3)提取每个样本的多尺度结构特征；(4)训练深度森林分类器；(5)识别目标型号。本发明通过多尺度特征的引入反映从局部到全局的样本图像特征，通过多特征的联合使用全面的反映样本图像特征，同时利用深度森林分类器进行目标型号识别，超参数数量少且稳健，减少了训练过程的时间，提高了SAR目标的识别精度。

Description

基于多尺度多特征深度森林的SAR目标识别方法

技术领域

本发明属于图像处理技术领域，更进一步涉及合成孔径雷达图像目标识别技术领域中一种基于多尺度多特征深度森林的合成孔径雷达SAR(Synthetic Aperture Radar)目标型号识别方法。本发明利用多尺度多特征深度森林模型，对对合成孔径雷达SAR图像中静止目标的型号进行识别，例如对合成孔径雷达SAR图像中的装甲车、主战坦克各自的型号进行识别。

背景技术

合成孔径雷达SAR具有全天候、全天时、分辨率高以及穿透力强等特点，成为目前对地观测和军事侦察的重要手段，合成孔径雷达SAR图像自动目标识别受到越来越广泛的关注。目前，合成孔径雷达SAR目标识别方法在特征提取方面大多只提取单一尺度的单一特征；在分类器方面采用的深层模型大多具有大量的超参数。

西安电子科技大学在其申请的专利文献“基于核稀疏表示的SAR目标识别方法”(专利申请号：201110062108.X，公开号：CN102122355B)中公开了一种合成孔径雷达SAR目标型号识别方法。该方法利用核变换提取了单一尺度的图像幅度特征，将训练样本的特征构成字典矩阵，针对测试样本的幅度特征和字典矩阵利用稀疏表示理论得到重构误差从而识别目标型号。该方法提高了算法的容错性。但是，该方法仍然存在的不足之处是，由于仅仅提取了单一尺度的单一图像幅度特征，使得所提取的单一图像幅度特征不能很好的描述目标图像，导致识别率不高。

Sizhe Chen,Haipeng Wang,在其发表的论文“SAR Target Recognition Basedon Deep Learning”(Data Science and Advanced Analytics(DSAA),2014InternationalConference on.IEEE,2014)中提出了一种基于深度学习的SAR目标型号识别方法。该方法首先利用无监督学习进行预训练，得到卷积神经网络CNN(Convolution Neural Nets)的卷积核及偏置参数等大量超参数的初始值，然后使用训练样本精调CNN深层网络的超参数得到最优CNN深层网络，最后将测试样本输入CNN深层网络进行目标型号的识别。该方法通过CNN深层网络提高了目标型号识别的正确率。但是，该方法存在的不足之处是，CNN深层网络具有大量的超参数，导致在训练过程中需要大量的训练样本以及大量的时间才能学习到合适的超参数设置，而超参数设置不合适会使识别性能大幅度下降。

发明内容

本发明的目的是针对上述现有技术存在的不足，提出了一种基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法。本发明与现有技术中其他合成孔径雷达SAR目标识别技术相比，提取的特征能更好的描述目标图像，分类器中的超参数少且识别性能对超参数稳健，识别率高。

实现本发明目的的思路是：对样本图像提取多尺度的幅度特征和多尺度的结构特征，通过多尺度特征的提取反映从局部到全局的样本图像特征，通过幅度特征和结构特征的联合使用，全面的反映样本图像特征。同时，本发明使用逐层交叉训练方法，利用多尺度幅度特征和多尺度结构特征训练深度森林分类器，利用深度森林分类器进行目标型号识别，超参数数量少且稳健，减少了训练过程的时间，提高了SAR目标的识别稳健性和精度；

本发明的具体步骤包括如下：

(1)生成训练样本集和测试样本集：

(1a)从合成孔径雷达SAR图像集的所有类别中，任意获取每类至少200个图像，组成训练样本集；

(1b)将合成孔径雷达SAR图像集中，除训练样本集中样本以外的所有剩余样本，组成测试样本集；

(2)提取每个样本的多尺度幅度特征：

(2a)将训练样本集和测试样本集中的每个样本图像中所有像素点的幅度值，拉伸成列向量，得到每个样本的幅度特征向量；

(2b)选择多个不同尺寸的卷积窗口，分别对每个样本进行多尺度卷积池化，将每个卷积池化后的图像中所有像素点的幅度值，拉伸成列向量，将所有列向量首尾拼接，得到每个样本的池化幅度特征向量；

(2c)将每个样本的幅度特征向量，池化幅度特征向量首尾拼接，得到每个样本的多尺度幅度特征；

(3)提取每个样本的多尺度结构特征：

(3a)对训练样本集和测试样本集中的每个样本，进行2范数归一化处理，得到归一化后的样本；

(3b)选择多个不同尺寸的切片窗口，分别对每个归一化后的样本，提取密集尺度不变特征变换Dense-SIFT特征向量，将所有特征向量首尾拼接，得到每个样本多尺度结构特征；

(4)训练深度森林分类器：

(4a)将四个随机森林分类器与四个完全随机森林分类器，组成深度森林分类器的第一层；

(4b)将训练样本集中所有样本的多尺度幅度特征，输入到深度森林分类器的第一层进行训练，得到训练好的深度森林分类器的第一层，用训练好的深度森林分类器的第一层，对训练样本集中的每个样本进行分类，得到训练样本集中每个样本的类别向量；

(4c)将深度森林分类器的逐层交叉训练的次数k设为1；

(4d)采用逐层交叉训练方法，训练深度森林分类器中第2k层和第2k+1层，得到训练好的深度森林分类器中第2k层和第2k+1层；

(4e)用训练好的深度森林分类器的第2k层对训练样本集中的每个样本进行分类，用训练样本集中正确分类的样本总数除以总样本数，得到深度森林分类器第2k层的分类正确率,用训练好的深度森林分类器的第2k+1层对训练样本集中的每个样本进行分类，得到训练样本集中每个样本的类别向量和第2k+1层的分类正确率；

(4f)判断深度森林分类器中第2k层和第2k+1层的分类准确率的差值是否小于阈值，若是，得到训练好的深度森林分类器，执行步骤(5)，否则，将深度森林分类器的逐层交叉训练的次数k加1后执行步骤(4c)；

(5)识别目标型号：

用训练好的深度森林分类器，对测试样本集中所有样本进行分类，得到测试样本集中所有样本的型号识别结果。

本发明与现有技术相比具有以下优点：

第一，由于本发明提取了每个样本的多尺度幅度特征和多尺度结构特征，克服了现有技术中由于提取的单一尺度单一特征不能很好的表示样本图像，导致识别率不高的问题，使得本发明能更好的反映图像局部到全局的样本特征，提高了SAR目标识别的正确率。

第二，由于本发明采用了逐层交叉训练方法训练深度森林，将训练好的深度森林作为分类器进行目标型号识别，克服了现有技术中分类器中超参数数量多且超参数数值的选择不合适会使识别性能大幅度下降的问题，使得本发明具有超参数少且对超参数稳健的特点，减少了训练过程中的时间耗费，提高了SAR图像的目标识别率的稳健性。

附图说明

图1是本发明的流程图；

图2是本发明的仿真图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照图1，对本发明实现的具体步骤做进一步的描述。

步骤1，生成训练样本集和测试样本集。

从合成孔径雷达SAR图像集的所有类别中，任意获取每类至少200个图像，组成训练样本集。

将合成孔径雷达SAR图像集中，除训练样本集中样本以外的所有剩余样本，组成测试样本集。

步骤2，提取每个样本的多尺度幅度特征。

将训练样本集和测试样本集中的每个样本图像中所有像素点的幅度值，拉伸成列向量，得到每个样本的幅度特征向量。

选择多个不同尺寸的卷积窗口，多个不同尺寸的卷积窗口的个数由M∈[1，log₂(min{W，H})]确定，卷积窗口的宽和高由公式{(2×2)，(4×4)，...，(2M×2M)}确定，其中，M表示卷积窗口的个数，∈表示属于符号，log₂(·)表示以2为底数的对数操作，min{·}表示取最小值操作，W，H分别表示训练样本集和测试样本集中样本图像的宽和高。

利用M个不同尺寸的卷积窗口分别对每个样本进行多尺度卷积池化，由此得到每个样本对应的M个卷积池化后的图像。将每个卷积池化后的图像中所有像素点的幅度值，拉伸成列向量，将每个样本中所有卷积池化后的图像拉伸得到的列向量首尾拼接，得到每个样本的池化幅度特征向量。

将每个样本的幅度特征向量，池化幅度特征向量首尾拼接，得到每个样本的多尺度幅度特征。

步骤3，提取每个样本的多尺度结构特征。

对训练样本集和测试样本集中的每个样本，利用下式，进行2-范数归一化处理，得到归一化后的样本：

其中，x表示样本，x_norm表示2-范数归一化后的样本，||·||₂表示取2-范数操作。

选择多个不同尺寸的切片窗口，多个不同尺寸的切片窗口的个数由N∈[1，(log₂(min{W，H})-3)]确定，切片窗口的宽和高由公式{(16×16)，(32×32)，...，(2^N+3×2^N+3)}确定，其中，N表示卷积窗口的个数，∈表示属于符号，log₂(·)表示以2为底数的对数操作，min{·}表示取最小值操作，W，H分别表示训练样本集和测试样本集中样本图像的宽和高。

利用N个不同尺寸的切片窗口，分别对每个归一化后的样本，提取密集尺度不变特征变换Dense-SIFT特征向量，得到N个不同尺寸的切片窗口对应的密集尺度不变特征变换Dense-SIFT特征向量。将所有密集尺度不变特征变换Dense-SIFT特征向量首尾拼接，得到每个样本的多尺度结构特征。

其中，提取密集尺度不变特征变换Dense-SIFT特征向量的具体步骤如下：

第1步，以6个像素为步长，用切片窗口，对每个归一化后的样本进行滑窗，得到每个样本的所有切片图像；

第2步，按照下式，计算每个切片图像的每个像素点的梯度值：

其中，g_t，w表示第t个切片图像中第w个像素点的梯度值，x和y分别表示第w个像素点对应于平面直角坐标系中的横坐标值和纵坐标值，I_t(·，·)表示第t个切片图像中像素点的像素值，

表示平方根操作；

第3步，按照下式，计算每个切片图像的每个像素点的梯度方向的角度值：

其中，θ_t，w表示第t个切片图像中第w个像素点的梯度方向的角度值，arctan(·)表示反正切操作；

第4步，对每个切片图像按照4×4个像素进行划分，得到每个切片图像的所有网格，将每个网格中的所有像素点，根据像素点的梯度方向的角度值，分别获得

8个角度值对应像素点的梯度值，将8个角度值对应像素点的梯度值，按获取梯度值的顺序组成每个网格对应的8维梯度特征向量，将每个切片图像中所有网格对应的8维梯度特征向量，按照网格的顺序，首尾拼接成每个切片图像的梯度特征；

第5步，将每个归一化后的样本的所有切片图像的梯度特征，按照切片图像的顺序，首尾拼接得到每个样本的密集尺度不变特征变换Dense-SIFT特征。

步骤4，训练深度森林分类器。

第1步，将四个随机森林分类器与四个完全随机森林分类器，组成深度森林分类器的第一层。

第2步，将训练样本集中所有样本的多尺度幅度特征，输入到深度森林分类器的第一层进行训练，得到训练好的深度森林分类器的第一层，用训练好的深度森林分类器的第一层，对训练样本集中的每个样本进行分类，得到训练样本集中每个样本的类别向量。

第3步，将深度森林分类器的逐层交叉训练的次数k设为1。

第4步，采用逐层交叉训练方法，训练深度森林分类器中第2k层和第2k+1层，得到训练好的深度森林分类器中第2k层和第2k+1层：

将四个随机森林分类器与四个完全随机森林分类器，组成深度森林分类器的第2k层；

对训练样本集中每个样本，首尾拼接样本的多尺度结构特征和类别向量，得到每个样本的结构组合特征；

将训练样本集中所有样本的结构组合特征，输入到深度森林分类器的第2k层进行训练，得到训练好的深度森林分类器的第2k层；

用训练好的深度森林分类器的第2k层，对训练样本集中的每个样本进行分类，得到训练样本集中每个样本的类别向量；

将四个随机森林分类器与四个完全随机森林分类器，组成深度森林分类器的第2k+1层；

对训练样本集中每个样本，首尾拼接样本的多尺度幅度特征和类别向量，得到每个样本的幅度组合特征；

将训练样本集中所有样本的幅度组合特征，输入到深度森林分类器的第2k+1层进行训练，得到训练好的深度森林分类器的第2k+1层。

第5步，用训练好的深度森林分类器的第2k层对训练样本集中的每个样本进行分类，用训练样本集中正确分类的样本总数除以总样本数，得到深度森林分类器第2k层的分类正确率,用训练好的深度森林分类器的第2k+1层对训练样本集中的每个样本进行分类，得到训练样本集中每个样本的类别向量和第2k+1层的分类正确率。

第6步，判断深度森林分类器中第2k层和第2k+1层的分类准确率的差值是否小于阈值，若是，得到训练好的深度森林分类器，执行步骤5，否则，将深度森林分类器的逐层交叉训练的次数k加1后执行第4步。

步骤5，识别目标型号。

用训练好的深度森林分类器，对测试样本集中所有样本进行分类，得到测试样本集中所有样本的型号识别结果。

下面结合仿真实验对本发明的效果做进一步的描述。

1.仿真实验条件。

本发明的仿真实验的硬件平台为：处理器Intel Corei5 CPU，处理器主频3.30GHz，内存8GB，软件平台为：Windows 7操作系统，Matlab R2017a。

2.仿真实验内容。

本发明的仿真实验是采用本发明与三个现有技术(基于线性支持向量机分类器的目标识别技术、基于自编码器的目标识别技术、基于限制玻尔兹曼机的目标识别技术)，分别对运动与静止目标的获取与识别(Moving and Stationary Target Acquisition andRecognition,MSTAR)数据集中的实测数据进行目标型号识别。

图2是本发明的仿真图，其中，图2(a)是从运动与静止目标的获取与识别MSTAR数据集中，随机选取的一幅BMP2装甲车实测数据图像。图2(b)是从运动与静止目标的获取与识别MSTAR数据集中，随机选取的一幅BTR70装甲车实测数据图像。图2(c)是从运动与静止目标的获取与识别MSTAR数据集中，随机选取的一幅T72主战坦克实测数据图像。

3.仿真结果分析。

本发明方法和三个现有技术方法对运动与静止目标的获取与识别MSTAR数据集中的实测数据进行目标型号识别，得到各种方法对测试样本的识别结果。为了评价仿真实验结果，利用下式，计算上述仿真实验中每种方法的测试样本识别率：

其中，Accuracy表示测试样本的识别率，T表示识别正确的测试样本个数，Q表示测试样本的总个数。Accuracy值越大，说明识别性能越好。

将本发明仿真实验采用的四种方法的识别结果分别计算识别率后，将计算结果列入表1中。

表1中的SVM表示采用现有技术的基于线性支持向量机分类器的目标识别方法。表1中的AE表示采用现有技术的基于自编码器的目标识别方法。表1中的RBM表示采用现有技术的基于限制玻尔兹曼机的目标识别方法。

表1不同识别方法对应的MSTAR测试样本识别率对比表

实验方法	本发明方法	SVM	AE	RBM
					识别率	96.63％	70.62％	86.81％	87.84％

由表1可以看出，对于本发明仿真实验所用的运动与静止目标的获取与识别MSTAR数据，本发明提出的基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法的识别率可以达到96.63％，相比于现有技术方法,本发明方法具有最高的识别率。

Claims (5)

1.一种基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法，其特征在于，提取目标图像多尺度幅度特征和多尺度结构特征，使用逐层交叉训练方法训练深度森林分类器，识别目标的型号；该方法的具体步骤包括如下：

(1)生成训练样本集和测试样本集：

(1a)从合成孔径雷达SAR图像集的所有类别中，任意获取每类至少200个图像，组成训练样本集；

(1b)将合成孔径雷达SAR图像集中，除训练样本集中样本以外的所有剩余样本，组成测试样本集；

(2)提取每个样本的多尺度幅度特征：

(2a)将训练样本集和测试样本集中的每个样本图像中所有像素点的幅度值，拉伸成列向量，得到每个样本的幅度特征向量；

(2b)选择多个不同尺寸的卷积窗口，分别对每个样本进行多尺度卷积池化，将每个卷积池化后的图像中所有像素点的幅度值，拉伸成列向量，将所有列向量首尾拼接，得到每个样本的池化幅度特征向量；

(2c)将每个样本的幅度特征向量，池化幅度特征向量首尾拼接，得到每个样本的多尺度幅度特征；

(3)提取每个样本的多尺度结构特征：

(3a)对训练样本集和测试样本集中的每个样本，进行2范数归一化处理，得到归一化后的样本；

(3b)选择多个不同尺寸的切片窗口，分别对每个归一化后的样本，提取密集尺度不变特征变换Dense-SIFT特征向量，将所有特征向量首尾拼接，得到每个样本多尺度结构特征；

(4)训练深度森林分类器：

(4a)将四个随机森林分类器与四个完全随机森林分类器，组成深度森林分类器的第一层；

(4b)将训练样本集中所有样本的多尺度幅度特征，输入到深度森林分类器的第一层进行训练，得到训练好的深度森林分类器的第一层，用训练好的深度森林分类器的第一层，对训练样本集中的每个样本进行分类，得到训练样本集中每个样本的类别向量；

(4c)将深度森林分类器的逐层交叉训练的次数k设为1；

(4d)采用逐层交叉训练方法，训练深度森林分类器中第2k层和第2k+1层，得到训练好的深度森林分类器中第2k层和第2k+1层；

(4e)用训练好的深度森林分类器的第2k层对训练样本集中的每个样本进行分类，用训练样本集中正确分类的样本总数除以总样本数，得到深度森林分类器第2k层的分类正确率,用训练好的深度森林分类器的第2k+1层对训练样本集中的每个样本进行分类，得到训练样本集中每个样本的类别向量和第2k+1层的分类正确率；

(4f)判断深度森林分类器中第2k层和第2k+1层的分类准确率的差值是否小于阈值，若是，得到训练好的深度森林分类器，执行步骤(5)，否则，将深度森林分类器的逐层交叉训练的次数k加1后执行步骤(4d)；

(5)识别目标型号：

用训练好的深度森林分类器，对测试样本集中所有样本进行分类，得到测试样本集中所有样本的型号识别结果。

2.根据权利要求1所述的基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法，其特征在于：步骤(2b)中所述多个不同尺寸的卷积窗口的个数由公式M∈[1,log₂(min{W,H})]确定，卷积窗口的宽和高由公式{(2×2)，(4×4),...,(2^M×2^M)}确定，其中，M表示卷积窗口的个数，∈表示属于符号，log₂(·)表示以2为底数的对数操作，min{·}表示取最小值操作，W，H分别表示训练样本集和测试样本集中样本图像的宽和高。

3.根据权利要求1所述的基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法，其特征在于：步骤(3b)中所述多个不同尺寸的切片窗口的个数由N∈[1,(log₂(min{W,H})-3)]确定，切片窗口的宽和高由公式{(16×16)，(32×32),...,(2^N+3×2^N+3)}确定，其中，N表示卷积窗口的个数，∈表示属于符号，log₂(·)表示以2为底数的对数操作，min{·}表示取最小值操作，W，H分别表示训练样本集和测试样本集中样本图像的宽和高。

4.根据权利要求1所述的基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法，其特征在于：步骤(3b)中所述提取密集尺度不变特征变换Dense-SIFT特征向量的具体步骤如下：

第一步，以6个像素为步长，用切片窗口，对归一化后的每个样本进行滑窗，得到每个样本的所有切片图像；

第二步，按照下式，计算每个切片图像的每个像素点的梯度值：

其中，g_t,w表示第t个切片图像中第w个像素点的梯度值，x和y分别表示第w个像素点对应于平面直角坐标系中的横坐标值和纵坐标值，I_t(·,·)表示第t个切片图像中像素点的像素值，

表示平方根操作；

第三步，按照下式，计算每个切片图像的每个像素点的梯度方向的角度值：

其中，θ_t,w表示第t个切片图像中第w个像素点的梯度方向的角度值，arctan(·)表示反正切操作；

第四步，对每个切片图像按照4×4个像素进行划分，得到每个切片图像的所有网格，将每个网格中的所有像素点，根据像素点的梯度方向的角度值，分别获得

8个角度值对应像素点的梯度值，将8个角度值对应像素点的梯度值，按获取梯度值的顺序组成每个网格对应的8维梯度特征向量，将每个切片图像中所有网格对应的8维梯度特征向量，按照网格的顺序，首尾拼接成每个切片图像的梯度特征；

第五步，将每个归一化后的样本的所有切片图像的梯度特征，按照切片图像的顺序，首尾拼接得到每个样本的密集尺度不变特征变换Dense-SIFT特征。

5.根据权利要求1所述的基于多尺度多特征深度森林的合成孔径雷达SAR目标识别方法，其特征在于：步骤(4d)中所述逐层交叉训练方法的具体步骤如下：

第一步，将四个随机森林分类器与四个完全随机森林分类器，组成深度森林分类器的第2k层；

第二步，对训练样本集中每个样本，首尾拼接样本的多尺度结构特征和类别向量，得到每个样本的结构组合特征；

第三步，将训练样本集中所有样本的结构组合特征，输入到深度森林分类器的第2k层进行训练，得到训练好的深度森林分类器的第2k层；

第四步，用训练好的深度森林分类器的第2k层，对训练样本集中的每个样本进行分类，得到训练样本集中每个样本的类别向量；

第五步，将四个随机森林分类器与四个完全随机森林分类器，组成深度森林分类器的第2k+1层；

第六步，对训练样本集中每个样本，首尾拼接样本的多尺度幅度特征和类别向量，得到每个样本的幅度组合特征；

第七步，将训练样本集中所有样本的幅度组合特征，输入到深度森林分类器的第2k+1层进行训练，得到训练好的深度森林分类器的第2k+1层。

Images