CN109145815B - 一种sar目标识别方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请公开了一种SAR目标识别方法、装置、计算机设备及存储介质，方法包括：获取SAR原始图像样本；进行数据增强，生成扩充样本集；构建基础残差神经网络模型，并加入残差控制因子进行优化，构建出优化后的残差神经网络模型；从扩充样本集中随机抽取图片，并输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；将待检测的SAR图像输入至训练后的网络模型中进行识别，输出识别结果。本申请通过对训练样本进行扩充，并构建具有残差控制因子的残差神经网络模型，有效降低了过拟合的情况，并且加入残差控制因子的残差神经网络模型可以在训练的过程中提高收敛速度，使得模型训练时间缩短，提高了目标识别的效率及精度。

Description

一种SAR目标识别方法、装置、计算机设备及存储介质

技术领域

本申请涉及图像处理技术领域，尤其涉及的是一种SAR目标识别方法、装置、计算机设备及存储介质。

背景技术

目前，合成孔径雷达（Synthetic Aperture Radar，SAR）目标识别的需求越来越明显，专家和学者也都提出了众多的算法来提高目标识别精度。

但是在传统的雷达目标识别方法中，其主要的问题是缺乏训练样本而导致模型过拟合。虽然现有技术中也存在对训练样本进行扩充的技术，但是现有技术中也仅仅只考虑了部分因素，并不能从多方面进行样本扩充，因此训练样本数量仍然受限。此外，传统的识别方法中不管是基于模板还是基于模型，对先验知识和模型精度要求普遍较高，灵活性和适应性较差，识别准确性受限于模型的可靠性与特征提取的准确度，因此识别精度不高。

因此，现有技术还有待于改进和发展。

发明内容

本申请要解决的技术问题在于，针对现有技术的上述缺陷，提供一种SAR目标识别方法、装置、计算机设备及存储介质，旨在解决现有技术中的SAR目标识别方法中训练样本数量受限，且模型识别精度低的问题。

本申请解决技术问题所采用的技术方案如下：

一种SAR目标识别方法，其中，所述识别方法是基于深度学习网络所实现的，包括：

获取SAR原始图像样本；

对所述SAR原始图像样本进行数据增强，生成扩充样本集；

构建基础残差神经网络模型，并在所述基础残差神经网络模型中加入残差控制因子进行优化，构建出优化后的残差神经网络模型；

从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；

将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，输出识别结果。

优选地，所述的SAR目标识别方法，其中，所述获取SAR原始图像样本具体包括：

从MSTAR数据中选取多个在一定角度的俯仰角下并旋转360°的成像结果；

利用格式转换软件将所述成像结果转换成JPG格式的原始灰度图片；

将所有的原始灰度图片以中心位置为基准，并在横向和纵向两个方向上取100个像素点进行裁剪，形成SAR图像原始样本；

所述SAR图像原始样本中包括有多个识别目标，且每个识别目标对应有多张经过裁剪的原始灰度图片。

优选地，所述的SAR目标识别方法，其中，所述对所述SAR原始图像样本进行数据增强，生成扩充样本集具体包括：

对所述SAR图像原始样本中的所有经过裁剪之后原始灰度图片分别进行三种不同平滑维度的滤波处理，得到三组参数不同的去噪样本；

对所述SAR图像原始样本中的所有经过裁剪之后原始灰度图片分别生成均值为0.5、1.0以及1.5的三组参数不同的斑点噪声图片集；

将所述三组参数不同的斑点噪声图片集分别与所述SAR图像原始样本相乘，得到三组加噪样本；

所述去噪样本与所述加噪样本组成扩充样本集。

优选地，所述的SAR目标识别方法，其中，所述残差控制因子的取值范围为-0.5~0.5。

优选地，所述的SAR目标识别方法，其中，所述从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型具体包括：

从所述扩充样本中随机抽取第一数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到当前模型精度；

将所述当前模型精度与初始模型精度进行比较，判断所述当前模型精度是否符合精度要求；

若符合精度要求，则输出以第一数量的图片进行训练后的残差神经网络模型；

若不符合精度要求，则需进一步增加扩充样本集中的样本数量，并重新执行残差神经网络模型的构建、优化以及训练的步骤；

从所述扩充样本集中随机抽取的图片中包括有各个识别目标对应的原始灰度图片，且每个识别目标的原始灰度图片的数量相同。

优选地，所述的SAR目标识别方法，其中，所述从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型还包括：

随机从SAR图像原始样本抽取第二数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到初始模型精度。

优选地，所述的SAR目标识别方法，其中，所述精度要求为当前模型精度比初始模型精度高于2%。

一种SAR目标识别装置，其中，所述装置包括：

原始样本获取模块，用于获取SAR原始图像样本；

样本数据增强模块，用于对所述SAR原始图像样本进行数据增强，生成扩充样本集；

模型构建且优化模块，用于构建基础残差神经网络模型，并在所述基础残差神经网络模型中加入残差控制因子进行优化，构建出优化后的残差神经网络模型；

模型训练模块，用于从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；

图像识别模块，用于将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，输出识别结果。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述中任一项所述的方法的步骤。

本申请的有益效果：本申请通过对训练样本进行扩充，并构建具有残差控制因子的残差神经网络模型，扩充的训练样本可以满足残差神经网络模型的需求，有效降低了过拟合的情况，而加入残差控制因子的残差神经网络模型可以在训练的过程中提高收敛速度，使得模型训练的时间缩短，进而提高目标识别的效率及精度。

附图说明

图1是本申请一个实施例中的SAR目标识别方法的流程示意图。

图2是本申请一个实施例中构建的基础残差神经网络模型的单元结构示意图。

图3是本申请一个实施例中增加残差控制因子的残差神经网络模型的单元结构示意图。

图4是本申请一个实施例中优化后的残差神经网络模型的结构示意图。

图5是本申请一个实施例中残差神经网络模型中的快捷连接单元结构示意图。

图6是本申请一个实施例中的SAR目标识别方法的系统框图。

图7本申请一个实施例中的SAR目标识别装置的结构框图。

图8是本申请一个实施例中计算机设备的内部结构图。

具体实施方式

为使本申请的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

目前，机器学习理论在雷达目标的检测、分类与识别方面的应用研究有很大潜力。其中，检测与估计理论主要处理对象是经过脉冲压缩的雷达回波信号矩阵，例如基于贝叶斯理论的目标检测估计理论研究；目标的分类与识别主要研究对象为是合成孔径雷达SAR（Synthetic Aperture Radar）成像结果的复矩阵，例如基于卷积神经网络的目标分类与识别。

深度学习理论具有强大的特征提取能力，其在SAR图像处理方面的应用，根据雷达体制与背景不同，主要分为以下两个方面：SAR/ISAR（Inverse Synthetic ApertureRadar，逆合成孔径雷达）图像处理的目标分类与识别以及基于极化合成孔径雷达PolSAR（Polarimetric Synthetic Aperture Radar）图像处理的目标分类与识别，研究表明，相对于传统预设计、非弹性化特征提取的系统，深度神经网络系统在处理光学图像方面、声学信号方面以及机器翻译等领域具有明显优势。

因此，为了解决现有技术中SAR目标识别方法中训练样本数量受限，且模型识别精度低的问题，本申请提供一种SAR目标识别方法，该方法是基于深度学习网络所实现的，充分利用了深度学习的理论，可以有效提高SAR目标识别的精度与效率。本申请提供的SAR目标识别方法，可以应用于终端中。其中，终端可以但不限于是各种个人计算机、笔记本电脑、手机、平板电脑、车载电脑和便携式可穿戴设备。本发明的终端采用多核处理器。其中，终端的处理器可以为中央处理器（Central Processing Unit，CPU），图形处理器（GraphicsProcessing Unit，GPU）、视频处理单元（Video Processing Unit，VPU）等中的至少一种。

具体地，在其中一个实施例中，如图1所示，提供一种SAR目标识别方法，该方法应用于上述终端为例进行说明，包括以下步骤；

步骤S100、获取SAR原始图像样本。

在其中一个实施例中，本申请从MSTAR数据（MSTAR混合目标数据包含一组军事目标的切片图像）中选取多个在一定角度的俯仰角下并旋转360°的成像结果，例如选取MSTAR数据合成孔径雷达俯仰角分别为15°和17°下，旋转360°的成像结果。然后利用格式转换软件将所述成像结果转换成JPG格式的原始灰度图片，再将所有的原始灰度图片以中心位置为基准，并在横向和纵向两个方向上取100个像素点进行裁剪，由此得到数据集为100*100像素大小的样本，即为SAR图像原始样本。

进一步地，本申请中的SAR图像原始样本中包括有多个识别目标，且每个识别目标对应有多张经过裁剪的原始灰度图片。例如，本实施例中可以从MSTAR数据中选取常见地面军事武器为识别目标，目标为不同型号的坦克和装甲车：分别为T62，BRDM2，BTR-6，2S1，D7，ZIL131，ZSU-234，T72-A04。那这8种识别目标所对应的原始灰度图片数量即为：T62：572张,BRDM2：572张, BTR-60：451张, 2S1：573张, D7：573张, ZIL131：573张, ZSU-234：573张,T72-A04：573张，共计4,460张原始灰度图片，经裁剪后形成SAR图像原始样本。

进一步地，本实施例中对于原始灰度图片的裁剪的具体步骤如下：

第1步，将8种识别目标T62, BRDM2, BTR-60, 2S1, D7, ZIL131, ZSU-234, T72-A04的原始灰度图片放置在不同的文件夹并命名。

第2步，将MATLAB获取文件路径分别设置为这八种识别目标，并将此操作设置为一个大循环。

第3步，设置小循环。调用MATTLAB读取图片函数 imread(˙)逐次读取每种识别目标文件夹下的样本：执行I=imread(imgpath)，其中I为某个识别目标的一张原始灰度图片，imgpath为文件夹路径。利用函数size(˙)和floor（˙）找到图片剪裁的中心点像素的位置：执行row=floor((size(I,1)-spacing)/2)，col=floor((size(I,2)-spacing)/2)，其中（row，col）代表中心点像素位置坐标，spacing=100。

第4步，小循环执行每个识别目标文件夹中的原始灰度图片剪裁。调用rect[˙]设置保留像素范围，执行rect=[col,row,spacing-1,spacing-1]，执行newI=imcrop(I,rect)剪裁图片，newI为剪裁后的图片结果。

第5步，保存剪裁图片到新路径：将剪裁之后的图片重新命名，执行newname=[frames(jj).name]，保存到新路径，执行newpath=fullfile(dstpath,newname)，imwrite(newI,newpath)，其中jj为小循环中间变量，newname为裁剪图片名字，framework（˙）.name为重新命名格式，destpath为要保存剪裁图片的目标路径。

第6步，重复步骤3、4和5，直到完成八种识别目标的全部原始灰度图片完成剪裁和保存。

步骤S200、对所述SAR原始图像样本进行数据增强，生成扩充样本集。

由于现有技术中的SAR目标识别方法中主要问题在于缺乏训练样本，从而导致模型容易发生过拟合的情况。为了解决过拟合的现象，因此需要对训练样本进行扩充，本申请中主要是从增加噪声以及减少噪声两个方面入手，对原始图像样本进行数据增强，以得到加噪样本与去噪样本，从而实现对样本集的扩充。

在其中一个实施例中，本实施例中对SAR图像原始样本中的所有经过裁剪之后的原始灰度图片分别进行三种不同平滑维度的滤波处理，得到三组参数不同的去噪样本。例如设置滤波器平滑维度分别为3*3、5*5和7*7，利用滤波器对经过裁剪之后的4,460张原始灰度图片分别进行滤波处理，即可得到三组参数不同的去噪样本。而对于获得加噪样本，本实施例对SAR图像原始样本中的所有经过裁剪的原始灰度图片分别生成均值为0.5、1.0以及1.5的三组参数不同的斑点噪声图片集，再将所述三组参数不同的斑点噪声图片集分别与所述SAR图像原始样本相乘，即可得到三组加噪样本。经过数据增强处理之后获得的三组去噪样本以及三组加噪样本形成一个扩充样本集。由此可见，本发明通过对SAR图像原始样本进行数据增强，可以将原始的数据扩充6倍，从而大大地增加了训练样本的数量。

进一步地，在本实施例中，对于获得于去噪样本的具体步骤如下：

第1步，分别读取八种识别目标的剪裁后的原始灰度图片。

第2步，在大循环中设置中值滤波参数T为3，即对图片进行3*3的平滑，执行Ibw=medfilt2(I,T)， 其中Ibw为中值滤波结果，medfilt2(˙)为中值滤波函数。

第3步，设置小循环，依次对八种识别目标分别进行参数T=3的中值滤波处理，并保存图片到新路径，得到一组去噪样本。

第4步，改变大循环参数T为5和7，执行大循环，得到两组去噪样本。

而对于获得于去噪样本的具体步骤如下：

第1步，分别读取八种识别目标的剪裁后的原始回复图片。

第2步，在大循环中设置乘性噪声参数MU=0.5，执行S=exprnd(MU,spacing,spacing)生成均值为0.5的斑点噪声， S为一个噪声矩阵，exprnd(˙)函数可生成随机指数分布矩阵。将噪声与原始图片相乘，执行newI=I.*uint8(S)，其中uint8(˙)为数据格式转变函数，newI为加噪图片结果。

第3步，设置小循环，依次对八种识别目标分别进行参数MU=0.5的加噪处理，并保存图片到新路径，得到一组加噪样本。

第4步，改变大循环参数MU为1.0和1.5，执行大循环，得到另外两组增加斑点噪声样本。

步骤S300、构建基础残差神经网络模型，并在所述基础残差神经网络模型中加入残差控制因子进行优化，构建出优化后的残差神经网络模型。

由于传统的识别方法中不管是基于模板还是基于模型，对先验知识和模型精度要求普遍较高，灵活性和适应性较差，识别准确性受限于模型的可靠性与特征提取的准确度，因此识别精度不高。并且，现有技术中对于SAR目标的识别基本都是采用深度卷积网络模型，该网络模型训练收敛速度较慢，同时由于样本数量限制，还会遇到过拟合的问题，导致网络模型层数受限，因此学习深度受限。为了解决上述问题，本申请中所采用的是残差神经网络模型，并且引入残差控制因子对所述残差神经网络模型进行优化。

在其中一个实施例中，本实施例首先构建一个基础的残差神经网络模型，具体如下：

首先构建一个基本basic单元，包括：第一层为一个3*3卷积核的卷积层，后面接一个BN（batch normalization）层，接着一个激活函数ReLU(rectified linear unit)，再接着同样3*3卷积核的卷积层、一个BN（batch normalization）层和一个激活函数ReLU(rectified linear unit)，之后链接在这个堆叠神经单元的首尾，与两个卷积层合并，之后再通过一个ReLU激活函数并输出。所述基本basic单元的结构如图2中的左侧所示。

然后构建一个basic inc单元:，包括：第一层为一个3*3卷积核的卷积层，后面接一个BN（batch normalization）层，接着一个激活函数ReLU(rectified linear unit)，再接着同样3*3卷积核的卷积层、一个BN（batch normalization）层和一个激活函数ReLU(rectified linear unit)，之后链接这个堆叠神经单元的首尾，增加一个3*3卷积核的卷积层，后接一个BN层，之后与两个卷积层合并，之后再通过一个ReLU激活函数并输出。所述Basic inc单元的结构在图2右侧所示。

最后堆叠组合basic单元和basic inc单元，构建本申请中的基本残差神经网路模型：网络模型一共包括20卷积层，依次为“输入->卷积层+ basic*3 +basic inc+ basic*2+basic inc+ basic*2+全连接层->输出” 。

进一步地，当构建好基本残差网络模型之后，在快捷连接末端增加残差控制因子，对基本残差神经网络模型进行优化，具体如下：

首先构建一个一致性IB（identity block）单元，包括：第一层为一个3*3卷积核的卷积层，后面接一个BN（batch normalization）层，接着一个激活函数ReLU(rectifiedlinear unit)，再接着同样3*3卷积核的卷积层、一个BN（batch normalization）层和一个激活函数ReLU(rectified linear unit)，这里实施增加残差控制因子Cr。之后链接在这个堆叠神经单元的首尾，与两个卷积层合并，之后再通过一个ReLU激活函数并输出。所述IB单元的结构如图3的左侧所示。

然后构建一个传播TB(transformational block)单元，包括：第一层为一个3*3卷积核的卷积层，后面接一个BN（batch normalization）层，接着一个激活函数ReLU(rectified linear unit)，再接着同样3*3卷积核的卷积层、一个BN（batchnormalization）层和一个激活函数ReLU(rectified linear unit)，这里实施增加残差控制因子Cr。之后链接这个堆叠神经单元的首尾，增加一个3*3卷积核的卷积层，后接一个BN层，之后与两个卷积层合并，之后再通过一个ReLU激活函数并输出。所述TB单元的结构如图3中右侧所示。

最后堆叠组合IB单元和BN单元，构建本申请中的优化后的残差神经网路：网络模型一共包含20卷积层，依次为“输入+卷积层+IB*3 +TB+ IB*2+TB+ IB*2+池化层+密集层+输出”。优化后的残差神经网路模型如图4所示。

较佳地，由于本申请中的残差神经网络模型中采用了快捷连接单元，相比于传统的卷积神经网络，可以实现更深的网络结构。并且申请中是在快捷连接单元的尾端中增加残差控制因子，如图5中所示，可以在训练过程中提高收敛速度，使得模型训练时间大大缩短。优选地，所述残差控制因子的取值范围为-0.5~0.5，增加该控制因子的目的是提高模型训练收敛速度。

更为具体地，此处对本实施例中所构建的优化后的残差神经网络模型作进一步地说明，所示优化后的残差神经网络模型自上而下包括20层结构：

第一层为卷积层，用于对100*100*1*n的输入图片进行卷积，n表示样本输入个数，该层卷积核窗口大小为3*3，步长为1，输出16个特征图，输出图像大小为100*100；

第二层-第三层为一个IB结构单元，卷积层卷积核3*3，步长为2，同样输出16个特征图，输出图像大小为100*100；

第四层-第五层以及第六层-第七层是两个相同的IB单元堆叠而成，每个卷积层卷积核3*3，步长为1，输出16个特征图，输出图像大小为100*100；

第八层-第九层为一个TB结构单元，卷积层卷积核3*3输出32个特征图，步长为2，输出图像大小为50*50；

第十层-第十一层以及第十二层-第十三层是两个相同的IB单元堆叠，每个卷积层卷积核3*3，步长为2，输出32个特征图，输出图像大小为50*50；

第十四层-第十五层为一个TB结构单元，卷积层卷积核3*3输出64个特征图，步长为2，输出图像大小为25*25；

第十六层-第十七层以及第十八层-第十九层是两个相同的IB单元堆叠，每个卷积层卷积核3*3，步长为2，输出64个特征图，输出图像大小为25*25；

第二十层为全连接层，由8个神经元组成，将以上各层连接在一起，构成一个用于SAR目标识别的优化后的残差神经网络模型。

步骤S400、从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型。

在其中一个实施例中，本实施例中需要对优化后的残差神经网络进行训练，以使网络模型满足SAR识别的精度要求。具体的，本实施例中从扩充样本中随机抽取第一数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到当前模型精度，然后将当前模型精度与初始模型精度进行比较，判断所述当前模型精度是否符合精度要求若符合精度要求，则输出以第一数量的图片进行训练后的残差神经网络模型，该残差神经网络模型即可用来对SAR图像进行识别。若不符合精度要求，则需进一步增加扩充样本集中的样本数量，并重新执行残差神经网络模型的构建、优化以及训练的步骤，以使训练后的残差神经网络机构可以满足要求。

优选地，本实施例中从扩充样本集中随机抽取的图片中包括有各个识别目标对应的原始灰度图片，且每个识别目标的原始灰度图片的数量相同。并且，本实施例中的精度要求为当前模型精度比初始模型精度高于2%。更进一步地，所述初始模型精度是通过随机从SAR图像原始样本抽取第二数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练后得到的。

例如，首先随机抽取SAR图像原始样本中的3200张原始灰度图片（从8种识别目标中分别取400张原始灰度图片），分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到初始模型精度，该初始模型精度主要用于与当前模型精度进行对比。

然后从扩充样本集中随机抽取19200张原始灰度图片（从8种识别目标中分别取400*6张原始灰度图片），同样地分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到当前模型精度。

然后将当前模型精度与初始模型精度对比，如当前模型精度相比于初始模型精度不能有效提高2个百分点，则需增加数据增强操作，进一步扩充样本数量，并重新执行残差神经网络模型的构建、优化以及训练的步骤，即需要重复执行上述的步骤200-400。

步骤S500、将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，输出识别结果。

当经过训练后的残差神经网络模型满足精度要求，则将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，残差神经网络模型就会对SAR图像进行分类与识别，输出识别结果。通过本申请中的数据增强，本申请中的训练后的残差神经网络模型精度从94.58%提高到了99.65%，并且模型运算速度方面，相比没有增加“残差控制因数”的原始残差结构，本申请的模型收敛时间从1200分钟缩短至300分钟，有效提高了运算效率。

应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步地，如图6所示，在一个实施例中，提供了本申请的SAR目标识别方法的系统框图，从图6中可以看出，待测试样本（即SAR原始图像样本）需要经过数据增强，并将数据增强后的扩充样本输入至经过网络训练的残差神经网络中进行分类与识别，输出识别结果。而在本实施例中训练样本需要经过两种数据增强处理即数据增强处理1（去噪处理）获得去噪样本以及数据增强处理2（加噪处理）获得加噪样本，从而形成扩充样本。

在一个实施例中，如图7所示，提供了一种SAR目标识别装置，包括：原始样本获取模块710、样本数据增强模块720、模型构建且优化模块730、模型训练模块740、图像识别模块750。其中，

原始样本获取模块710，用于获取SAR原始图像样本；

样本数据增强模块720，用于对所述SAR原始图像样本进行数据增强，生成扩充样本集；

模型构建且优化模块730，用于构建基础残差神经网络模型，并在所述基础残差神经网络模型中加入残差控制因子进行优化，构建出优化后的残差神经网络模型；

模型训练模块740，用于从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；

图像识别模块750，用于将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，输出识别结果。

在一个实施例中，所述原始样本获取模块7107具体包扩从MSTAR数据中选取多个在一定角度的俯仰角下并旋转360°的成像结果；利用格式转换软件将所述成像结果转换成JPG格式的原始灰度图片；将所有的原始灰度图片以中心位置为基准，并在横向和纵向两个方向上取100个像素点进行裁剪，形成SAR图像原始样本；所述SAR图像原始样本中包括有多个识别目标，且每个识别目标对应有多张经过裁剪的原始灰度图片。

在一个实施例中，样本数据增强模块720具体包括对所述SAR图像原始样本中的所有原始灰度图片分别进行三种不同平滑维度的滤波处理，得到三组参数不同的去噪样本；对所述SAR图像原始样本中的所有原始灰度图片分别生成均值为0.5、1.0以及1.5的三组参数不同的斑点噪声图片集；将所述三组参数不同的斑点噪声图片集分别与所述SAR图像原始样本相乘，得到三组加噪样本；所述去噪样本与所述加噪样本组成扩充样本集。

在一个实施例中，所述残差控制因子的取值范围为-0.5~0.5。

在一个实施例中，所述模型训练模块740具体包括从所述扩充样本中随机抽取第一数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到当前模型精度；将所述当前模型精度与初始模型精度进行比较，判断所述当前模型精度是否符合精度要求；若符合精度要求，则输出以第一数量的图片进行训练后的残差神经网络模型；若不符合精度要求，则需进一步增加扩充样本集中的样本数量，并重新执行残差神经网络模型的构建、优化以及训练的步骤；从所述扩充样本集中随机抽取的图片中包括有各个识别目标对应的原始灰度图片，且每个识别目标的原始灰度图片的数量相同。

在一个实施例中，所述模型训练模块740还包括：随机从SAR图像原始样本抽取第二数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到初始模型精度。

在一个实施例中，所述精度要求为当前模型精度比初始模型精度高于2%。

关于SAR目标识别装置具体限定可以参见上文中对于SAR目标识别方法的限定，在此不再赘述。上述SAR目标识别装置各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像光源颜色的检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，,包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取SAR原始图像样本；

对所述SAR原始图像样本进行数据增强，生成扩充样本集；

构建基础残差神经网络模型，并在所述基础残差神经网络模型中加入残差控制因子进行优化，构建出优化后的残差神经网络模型；

从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；

将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，输出识别结果。

在其中一个实施例中，获取SAR原始图像样本具体包括：从MSTAR数据中选取多个在一定角度的俯仰角下并旋转360°的成像结果；利用格式转换软件将所述成像结果转换成JPG格式的原始灰度图片；将所有的原始灰度图片以中心位置为基准，并在横向和纵向两个方向上取100个像素点进行裁剪，形成SAR图像原始样本；所述SAR图像原始样本中包括有多个识别目标，且每个识别目标对应有多张经过裁剪的原始灰度图片。

在其中一个实施例中，对所述SAR原始图像样本进行数据增强，生成扩充样本集具体包括：对所述SAR图像原始样本中的所有原始灰度图片分别进行三种不同平滑维度的滤波处理，得到三组参数不同的去噪样本；对所述SAR图像原始样本中的所有原始灰度图片分别生成均值为0.5、1.0以及1.5的三组参数不同的斑点噪声图片集；将所述三组参数不同的斑点噪声图片集分别与所述SAR图像原始样本相乘，得到三组加噪样本；所述去噪样本与所述加噪样本组成扩充样本集。

在其中一个实施例中，残差控制因子的取值范围为-0.5~0.5。

在其中一个实施例中，上述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型具体包括：从所述扩充样本中随机抽取第一数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到当前模型精度；将所述当前模型精度与初始模型精度进行比较，判断所述当前模型精度是否符合精度要求；若符合精度要求，则输出以第一数量的图片进行训练后的残差神经网络模型；若不符合精度要求，则需进一步增加扩充样本集中的样本数量，并重新执行残差神经网络模型的构建、优化以及训练的步骤；从所述扩充样本集中随机抽取的图片中包括有各个识别目标对应的原始灰度图片，且每个识别目标的原始灰度图片的数量相同。

在其中一个实施例中，上述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型还包括：随机从SAR图像原始样本抽取第二数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到初始模型精度。

在其中一个实施例中，精度要求为当前模型精度比初始模型精度高于2%。

在一个实施例中，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取SAR原始图像样本；

对所述SAR原始图像样本进行数据增强，生成扩充样本集；

构建基础残差神经网络模型，并在所述基础残差神经网络模型中加入残差控制因子进行优化，构建出优化后的残差神经网络模型；

从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；

将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，输出识别结果。

在其中一个实施例中，获取SAR原始图像样本具体包括：从MSTAR数据中选取多个在一定角度的俯仰角下并旋转360°的成像结果；利用格式转换软件将所述成像结果转换成JPG格式的原始灰度图片；将所有的原始灰度图片以中心位置为基准，并在横向和纵向两个方向上取100个像素点进行裁剪，形成SAR图像原始样本；所述SAR图像原始样本中包括有多个识别目标，且每个识别目标对应有多张经过裁剪的原始灰度图片。

在其中一个实施例中，对所述SAR原始图像样本进行数据增强，生成扩充样本集具体包括：对所述SAR图像原始样本中的所有原始灰度图片分别进行三种不同平滑维度的滤波处理，得到三组参数不同的去噪样本；对所述SAR图像原始样本中的所有原始灰度图片分别生成均值为0.5、1.0以及1.5的三组参数不同的斑点噪声图片集；将所述三组参数不同的斑点噪声图片集分别与所述SAR图像原始样本相乘，得到三组加噪样本；所述去噪样本与所述加噪样本组成扩充样本集。

在其中一个实施例中，残差控制因子的取值范围为-0.5~0.5。

在其中一个实施例中，上述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型具体包括：从所述扩充样本中随机抽取第一数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到当前模型精度；将所述当前模型精度与初始模型精度进行比较，判断所述当前模型精度是否符合精度要求；若符合精度要求，则输出以第一数量的图片进行训练后的残差神经网络模型；若不符合精度要求，则需进一步增加扩充样本集中的样本数量，并重新执行残差神经网络模型的构建、优化以及训练的步骤；从所述扩充样本集中随机抽取的图片中包括有各个识别目标对应的原始灰度图片，且每个识别目标的原始灰度图片的数量相同。

在其中一个实施例中，上述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型还包括：随机从SAR图像原始样本抽取第二数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到初始模型精度。

在其中一个实施例中，精度要求为当前模型精度比初始模型精度高于2%。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种SAR目标识别方法，其特征在于，所述识别方法是基于深度学习网络所实现的，包括：

获取SAR原始图像样本；

对所述SAR原始图像样本进行数据增强，生成扩充样本集；

构建基础残差神经网络模型，并在所述基础残差神经网络模型中加入残差控制因子进行优化，构建出优化后的残差神经网络模型；

从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；

将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，输出识别结果；

所述对所述SAR原始图像样本进行数据增强，生成扩充样本集具体包括：

对所述SAR图像原始样本中的所有经过裁剪之后原始灰度图片分别进行三种不同平滑维度的滤波处理，得到三组参数不同的去噪样本；

对所述SAR图像原始样本中的所有经过裁剪之后原始灰度图片分别生成均值为0.5、1.0以及1.5的三组参数不同的斑点噪声图片集；

将所述三组参数不同的斑点噪声图片集分别与所述SAR图像原始样本相乘，得到三组加噪样本；

所述去噪样本与所述加噪样本组成扩充样本集；

对于获得所述去噪样本的具体步骤包括：

第1步，分别读取八种识别目标的剪裁后的原始灰度图片；

第2步，在大循环中设置中值滤波参数T为3，即对图片进行3*3的平滑，执行Ibw=medfilt2(I,T)，其中Ibw为中值滤波结果，medfilt2(˙)为中值滤波函数；

第3步，设置小循环，依次对八种识别目标分别进行参数T=3的中值滤波处理，并保存图片到新路径，得到一组去噪样本；

第4步，改变大循环参数T为5和7，执行大循环，得到两组去噪样本；

而对于获得加噪样本的具体步骤包括下：

第1步，分别读取八种识别目标的剪裁后的原始灰度图片；

第2步，在大循环中设置乘性噪声参数MU=0.5，执行S=exprnd(MU,spacing,spacing)生成均值为0.5的斑点噪声， S为一个噪声矩阵，exprnd(˙)函数可生成随机指数分布矩阵；将噪声与原始图片相乘，执行newI=I.*uint8(S)，其中uint8(˙)为数据格式转变函数，newI为加噪图片结果；

第3步，设置小循环，依次对八种识别目标分别进行参数MU=0.5的加噪处理，并保存图片到新路径，得到一组加噪样本；

第4步，改变大循环参数MU为1.0和1.5，执行大循环，得到另外两组增加斑点噪声样本。

2.根据权利要求1所述的SAR目标识别方法，其特征在于，所述获取SAR原始图像样本具体包括：

从MSTAR数据中选取多个在一定角度的俯仰角下并旋转360°的成像结果；

利用格式转换软件将所述成像结果转换成JPG格式的原始灰度图片；

将所有的原始灰度图片以中心位置为基准，并在横向和纵向两个方向上取100个像素点进行裁剪，形成SAR图像原始样本；

所述SAR图像原始样本中包括有多个识别目标，且每个识别目标对应有多张经过裁剪的原始灰度图片。

3.根据权利要求1所述的SAR目标识别方法，其特征在于，所述残差控制因子的取值范围为-0.5~0.5。

4.根据权利要求1所述的SAR目标识别方法，其特征在于，所述从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型具体包括：

从所述扩充样本中随机抽取第一数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到当前模型精度；

将所述当前模型精度与初始模型精度进行比较，判断所述当前模型精度是否符合精度要求；

若符合精度要求，则输出以第一数量的图片进行训练后的残差神经网络模型；

若不符合精度要求，则需进一步增加扩充样本集中的样本数量，并重新执行残差神经网络模型的构建、优化以及训练的步骤；

从所述扩充样本集中随机抽取的图片中包括有各个识别目标对应的原始灰度图片，且每个识别目标的原始灰度图片的数量相同。

5.根据权利要求4所述的SAR目标识别方法，其特征在于，所述从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型还包括：

随机从SAR图像原始样本抽取第二数量的图片，并将抽取的图片分别输入至基础残差神经网络模型以及优化后的残差神经网络模型进行训练，得到初始模型精度。

6.根据权利要求4所述的SAR目标识别方法，其特征在于，所述精度要求为当前模型精度比初始模型精度高于2%。

7.一种SAR目标识别装置，其特征在于，所述装置包括：

原始样本获取模块，用于获取SAR原始图像样本；

样本数据增强模块，用于对所述SAR原始图像样本进行数据增强，生成扩充样本集；

模型构建且优化模块，用于构建基础残差神经网络模型，并在所述基础残差神经网络模型中加入残差控制因子进行优化，构建出优化后的残差神经网络模型；

模型训练模块，用于从所述扩充样本集中随机抽取一定数量的图片，并将抽取的图片输入至优化后的残差神经网络模型中进行训练，得到训练后的残差神经网络模型；

图像识别模块，用于将待检测的SAR图像输入至训练后的残差神经网络模型中进行检测识别，输出识别结果；

所述样本数据增强模块具体包括对所述SAR图像原始样本中的所有原始灰度图片分别进行三种不同平滑维度的滤波处理，得到三组参数不同的去噪样本；对所述SAR图像原始样本中的所有原始灰度图片分别生成均值为0.5、1.0以及1.5的三组参数不同的斑点噪声图片集；将所述三组参数不同的斑点噪声图片集分别与所述SAR图像原始样本相乘，得到三组加噪样本；所述去噪样本与所述加噪样本组成扩充样本集；

对于获得所述去噪样本的具体步骤包括：

第1步，分别读取八种识别目标的剪裁后的原始灰度图片；

第2步，在大循环中设置中值滤波参数T为3，即对图片进行3*3的平滑，执行Ibw=medfilt2(I,T)，其中Ibw为中值滤波结果，medfilt2(˙)为中值滤波函数；

第3步，设置小循环，依次对八种识别目标分别进行参数T=3的中值滤波处理，并保存图片到新路径，得到一组去噪样本；

第4步，改变大循环参数T为5和7，执行大循环，得到两组去噪样本；

而对于获得加噪样本的具体步骤包括下：

第1步，分别读取八种识别目标的剪裁后的原始灰度 图片；

第2步，在大循环中设置乘性噪声参数MU=0.5，执行S=exprnd(MU,spacing,spacing)生成均值为0.5的斑点噪声， S为一个噪声矩阵，exprnd(˙)函数可生成随机指数分布矩阵；将噪声与原始图片相乘，执行newI=I.*uint8(S)，其中uint8(˙)为数据格式转变函数，newI为加噪图片结果；

第3步，设置小循环，依次对八种识别目标分别进行参数MU=0.5的加噪处理，并保存图片到新路径，得到一组加噪样本；

第4步，改变大循环参数MU为1.0和1.5，执行大循环，得到另外两组增加斑点噪声样本。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

Images