CN108764310B - 基于多尺度多特征深度森林的sar目标识别方法 - Google Patents
基于多尺度多特征深度森林的sar目标识别方法 Download PDFInfo
- Publication number
- CN108764310B CN108764310B CN201810474203.2A CN201810474203A CN108764310B CN 108764310 B CN108764310 B CN 108764310B CN 201810474203 A CN201810474203 A CN 201810474203A CN 108764310 B CN108764310 B CN 108764310B
- Authority
- CN
- China
- Prior art keywords
- layer
- sample
- training
- sample set
- scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
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
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,xnorm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),...,(2N+3×2N+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:
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,θt,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),...,(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。
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),...,(2N+3×2N+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:
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,θt,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810474203.2A CN108764310B (zh) | 2018-05-17 | 2018-05-17 | 基于多尺度多特征深度森林的sar目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810474203.2A CN108764310B (zh) | 2018-05-17 | 2018-05-17 | 基于多尺度多特征深度森林的sar目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764310A CN108764310A (zh) | 2018-11-06 |
CN108764310B true CN108764310B (zh) | 2021-10-29 |
Family
ID=64006811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810474203.2A Active CN108764310B (zh) | 2018-05-17 | 2018-05-17 | 基于多尺度多特征深度森林的sar目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764310B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112996426A (zh) * | 2018-12-24 | 2021-06-18 | 深圳迈瑞生物医疗电子股份有限公司 | 监护设备及其生理体征监测方法 |
CN110110666A (zh) * | 2019-05-08 | 2019-08-09 | 北京字节跳动网络技术有限公司 | 目标检测方法和装置 |
CN110717495B (zh) * | 2019-09-30 | 2024-01-26 | 北京工业大学 | 基于多尺度颜色矩特征和随机森林的固废焚烧工况识别方法 |
CN111242891A (zh) * | 2019-12-27 | 2020-06-05 | 北京交通大学 | 一种钢轨表面缺陷识别分类方法 |
CN111931953A (zh) * | 2020-07-07 | 2020-11-13 | 北京工业大学 | 一种废旧手机多尺度特征深度森林识别方法 |
CN112949776A (zh) * | 2021-04-16 | 2021-06-11 | 中国电子科技集团公司第五十四研究所 | 一种极化sar图像分类方法 |
CN114155383B (zh) * | 2021-09-28 | 2024-05-31 | 北京工业大学 | 基于燃烧火焰颜色矩特征的城市固废焚烧过程风量设定方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2037293A1 (en) * | 2006-12-21 | 2009-03-18 | Galileo Avionica S.p.A. | Multiple-target radar recognition method and apparatus |
US7545307B2 (en) * | 2005-12-15 | 2009-06-09 | Raytheon Company | Target recognition system and method with unknown target rejection |
CN101561865A (zh) * | 2009-05-22 | 2009-10-21 | 西安电子科技大学 | 基于多参数谱特征的合成孔径雷达图像目标识别方法 |
US7830300B2 (en) * | 2006-10-26 | 2010-11-09 | Raytheon Company | Radar imaging system and method using directional gradient magnitude second moment spatial variance detection |
CN107358142A (zh) * | 2017-05-15 | 2017-11-17 | 西安电子科技大学 | 基于随机森林构图的极化sar图像半监督分类方法 |
CN107563303A (zh) * | 2017-08-09 | 2018-01-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
CN107895139A (zh) * | 2017-10-19 | 2018-04-10 | 金陵科技学院 | 一种基于多特征融合的sar图像目标识别方法 |
-
2018
- 2018-05-17 CN CN201810474203.2A patent/CN108764310B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7545307B2 (en) * | 2005-12-15 | 2009-06-09 | Raytheon Company | Target recognition system and method with unknown target rejection |
US7830300B2 (en) * | 2006-10-26 | 2010-11-09 | Raytheon Company | Radar imaging system and method using directional gradient magnitude second moment spatial variance detection |
EP2037293A1 (en) * | 2006-12-21 | 2009-03-18 | Galileo Avionica S.p.A. | Multiple-target radar recognition method and apparatus |
CN101561865A (zh) * | 2009-05-22 | 2009-10-21 | 西安电子科技大学 | 基于多参数谱特征的合成孔径雷达图像目标识别方法 |
CN107358142A (zh) * | 2017-05-15 | 2017-11-17 | 西安电子科技大学 | 基于随机森林构图的极化sar图像半监督分类方法 |
CN107563303A (zh) * | 2017-08-09 | 2018-01-09 | 中国科学院大学 | 一种基于深度学习的鲁棒性舰船目标检测方法 |
CN107895139A (zh) * | 2017-10-19 | 2018-04-10 | 金陵科技学院 | 一种基于多特征融合的sar图像目标识别方法 |
Non-Patent Citations (4)
Title |
---|
Feature Fusion Based on Convolutional Neural Network for SAR ATR;Shi-Qi CHEN 等;《ITM Web of Conferences》;20170905;第12卷;1-8 * |
利用多尺度SVM_CRF模型的极化SAR图像建筑物提取;姜萍;《遥感技术与应用》;20170630;第32卷(第3期);475-482 * |
基于MNCC模型的高分辨率遥感影像目标识别;刘扬;《万方》;20170428;1-190 * |
基于卷积神经网络的SAR图像目标检测算法;杜兰;《电子与信息学报》;20161231;第38卷(第12期);3018-3025 * |
Also Published As
Publication number | Publication date |
---|---|
CN108764310A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764310B (zh) | 基于多尺度多特征深度森林的sar目标识别方法 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN109376574B (zh) | 基于cnn的可拒判雷达hrrp目标识别方法 | |
Ding et al. | Data augmentation by multilevel reconstruction using attributed scattering center for SAR target recognition | |
CN107103338B (zh) | 融合卷积特征和集成超限学习机的sar目标识别方法 | |
CN108921030B (zh) | 一种sar自动目标识别方法 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN103810704A (zh) | 基于支持向量机和判别随机场的sar图像变化检测方法 | |
CN104899549A (zh) | 基于距离像时频图鉴别字典学习的sar目标识别方法 | |
CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
CN109753996B (zh) | 基于三维轻量化深度网络的高光谱图像分类方法 | |
CN103886337A (zh) | 基于多稀疏描述的最近邻子空间sar目标识别方法 | |
CN104392242A (zh) | 基于双树复小波特征提取及压缩感知的实木板材表面纹理与缺陷协同分类方法 | |
CN112904299B (zh) | 基于深层类内分裂的雷达高分辨距离像开集目标识别方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
Li et al. | Airplane detection using convolutional neural networks in a coarse-to-fine manner | |
Yu et al. | Application of a convolutional autoencoder to half space radar hrrp recognition | |
CN104021399B (zh) | 基于距离像时频图非负稀疏编码的sar目标识别方法 | |
CN109190693A (zh) | 基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法 | |
CN109766899B (zh) | 物理特征提取和svm的sar图像车辆目标识别方法 | |
CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
CN113240081B (zh) | 针对雷达载频变换的高分辨距离像目标稳健识别方法 | |
CN109946669B (zh) | 基于深度置信网络的变体飞机高分辨距离像恢复方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |