CN110826643A - 一种极化欧拉特征融合深度学习的海上目标识别方法 - Google Patents

Abstract

本发明公开了一种极化欧拉特征融合深度学习的海上目标识别方法，该方法包含以下步骤：S1、海上人造目标的极化散射机制分析；S2、基于步骤S1的分析结果，构建对应的海上几何体极化距离矩阵数据集，并对极化距离矩阵数据集的样本进行多极化特征提取；S3、基于步骤S2，训练多极化特征融合的深度学习模型；S4、采用海上人造目标对步骤S3的多极化特征融合的深度学习模型识别测试验证。其优点是：该方法从海上目标的基础极化散射机制出发，基于深度学习融合利用HRRP和极化信息实现目标识别，消除了方位敏感性带来的不利影响，提高了雷达目标识别的精度，具有检测率高、虚警率低、扩展应用灵活、处理过程全自动的优点。

Description

一种极化欧拉特征融合深度学习的海上目标识别方法

技术领域

本发明涉及雷达目标识别技术领域，具体涉及一种极化欧拉特征融合深度学习的海上目标识别方法。

背景技术

极化散射特征可有效表征目标对称性、表面粗糙度以及取向等，是除雷达回波幅相信息、多普勒频移等以外另一重要特征。该特征在抗杂波干扰、目标信号滤波和增强、目标检测和识别等方面具有巨大应用潜力。雷达高分辨率一维距离像(High ResolutionRange Profile，HRRP)是一种利用宽带雷达信号获取的目标在雷达视线方向上散射源分布的重要特征向量，因具有易获取、实时性强等优势广泛应用于雷达目标识别。但是，HRRP容易随着雷达观测方位的变化而发生较大变化，即具有方位敏感性，这十分不利于目标识别。

对现有技术进行了国内外数据库检索，在专利方面，西安电子科技大学的杜兰等在2014年申请的专利《基于极化分解的噪声稳健全极化目标识别方法》(公开号：CN104007429A)中，通过估计各极化通道数据的噪声平均功率对数据进行归一化，并计算平均距离像；在对极化相干矩阵做噪声修正预处理的基础上，提取3个特征融合分类特征；通过训练样本与测试样本的平均距离像的平移对齐，以及多极化特征参数的欧拉距离进行目标识别。该方法通过归一化、噪声抑制预处理以及多极化特征融合利用，使得识别效果对信杂比不敏感；但是该方法的特征提取准则、基于欧拉距离的识别判决准则需要较多的人为干预，未能充分挖掘利用雷达目标与背景的散射机理差异，使得算法的普适应有限。

西安电子科技大学的侯彪等在2014年申请的专利《基于深度置信网络的极化SAR图像分割》(公开号：CN104517284A)中，利用基于极化合成孔径雷达(SAR)相干矩阵的H/α分解得到的散射特征以及4个灰度共生矩阵特征，训练一个2层深度置信网络(DBN)用于SAR图像分割。该方法具有保留信息较为完整、并可以逐层学习特征的优点；但是，DBN模型是直接基于复杂场景SAR数据训练得到，没有从研究对象的基础散射机制出发，因此识别模型的扩展应用性有限。

在论文方面，美国麻省大学洛厄尔分校的Baird等在其多篇论文中详细分析讨论了散射图像在欧拉参数空间的特征在雷达目标识别中的优势，并在其2007年发表的论文《Development and assessment of a complete ATR algorithm based on ISAR Eulerimagery》中提出一种全自动雷达目标算法，通过综合利用逆合成孔径雷达(ISAR)图像的方位向持久性优化的欧拉参数，较传统极化参数很大程度上提高了雷达目标识别性能；但是，该方法仅利用了欧拉参数空间中的特征信息，忽略了传统极化幅相特征参数对目标识别的有益贡献，且目标识别仍采用的是传统的模板匹配识别方法，需要建立复杂目标散射图像特征库。

复旦大学的Suo Li等在其2018年论文中《General Purpose PolSAR Classifierwith Convolutional Neural Network》中提出一种基于卷积神经网络(CNN)的极化SAR地物分类算法，通过直接抽取极化相干矩阵中的参数，并进行归一化，构建一个6通道极化特征矢量用于CNN模型训练与地物分类识别；但是地物目标的散射机制与海环境下人造目标的散射机制差异显著，难以适用于海上目标识别；并且CNN模型是直接基于复杂场景实测SAR数据训练得到，没有从研究对象的基础散射机制出发，因此识别模型的扩展应用性有限。

发明内容

本发明的目的在于提供一种极化欧拉特征融合深度学习的海上目标识别方法，基于极化散射机制分析，实现利用典型简单几何体散射机制表征海上复杂人造目标散射机制，采用深度学习方法融合挖掘更具物理意义、更具辨识力的极化空间变换域特征，该方法可以基于海上简单几何体极化距离矩阵训练得深度学习模型，有效检测出复杂海背景干扰下的复杂人造目标，其从海上目标的基础极化散射机制出发，基于深度学习融合利用HRRP和极化信息实现目标识别，具有检测率高、虚警率低、扩展应用灵活、处理过程全自动的优点。

为了达到上述目的，本发明通过以下技术方案实现：

一种极化欧拉特征融合深度学习的海上目标识别方法，该方法包含以下步骤：

S1、海上人造目标的极化散射机制分析；

S2、基于步骤S1的分析结果，构建对应的海上几何体极化距离矩阵数据集，并对所述极化距离矩阵数据集的样本进行多极化特征提取，得到多极化特征参数；

S3、训练多极化特征融合的深度学习模型；

S4、采用海上人造目标对步骤S3的多极化特征融合的深度学习模型识别测试验证。

优选地，所述步骤S1具体为：

基于海上人造目标极化距离矩阵，采用极化分解方法对其中的船舰目标、海环境及目标与海面耦合散射机制的类型进行分析，形成可描述海上目标极化散射机制的几何体散射机制类型。

优选地，所述极化分解方法为Cameron分解方法。

优选地，所述几何体散射机制类型包含：目标散射机制类型、海环境散射机制类型和耦合散射机制类型。

优选地，所述多极化特征提取的方法为：极化距离像幅相组合变换方法和基于欧拉分解理论的Huynen分解方法。

优选地，所述多极化特征参数包含：极化距离像幅相组合变换特征参数和欧拉空间域多极化特征参数。

优选地，所述步骤S2具体为：

对于每个样本形成一个特征矢量F记为：

F＝[F₁,F₂,F₃,F₄,F₅,F₆,F₇,F₈]；

在特征矢量F中，F₁,F₂,F₃为基于极化距离像幅相组合变换方法提取的极化距离像幅相组合变换特征参数，

式中：X_HH(m)表示水平极化距离像幅度信息，m为距离像像素位置，X_VH(m)、X_HV(m)为两种交叉极化距离像幅度信息，Y_HH(m)、Y_VV(m)分别为水平、垂直极化距离像相位信息；

在特征矢量F中，F₄～F₈为采用Huynen分解方法提取的欧拉空间域特征参数，定义海面几何体复合极化距离矩阵为：

式中，S_HH、S_VV分别为水平、垂直同极化项；S_HV、S_VH分别为水平-垂直，垂直-水平交叉极化项，

其中Huynen分解可表示为如下相合变换的形式：

S＝U^*(ψ,τ,ν)S_DU^H(ψ,τ,ν) (3)

式中：U(ψ,τ,ν)为相合变换矩阵，“*”表示共轭，“H”表示共轭转置，S_D为对角散射矩阵，

式中，e^(·)为以自然常数e为底的指数函数，e≈2.71828；

为虚数标志符号；

公式(3)～(5)中各个欧拉参数的含义及其与特征矢量F中特征参量F₄～F₈的对应关系如下：

ψ(F₄)：最大同极化响应时椭圆极化基的旋转角，-90°≤ψ≤90°；

τ(F₅)：最大同极化响应时椭圆极化基的椭圆角，-45°≤τ≤45°，τ取值表征了目标在垂直于雷达视线平面内的对称性，τ＝0°为对称性散射体，τ≠0°为非对称散射体；

ν(F₆)：共轭特征值之间的相位差异，-45°≤ν≤45°，其与回波散射次数相关，奇次散射时ν＝0°，偶次散射时ν＝±45°；

γ(F₇)：目标特征角或极化角，表示目标对入射极化的敏感性，0°≤γ≤45°；

m(F₈)：最大同极化响应幅值；

ρ：目标散射的绝对相位。

优选地，所述步骤S3具体为：

利用所述多极化特征参数，构建训练样本特征张量，构建多极化特征融合的深度学习模型，并基于所述训练样本特征张量对多极化特征融合的深度学习模型进行训练。

优选地，所述步骤S3具体为：

利用所述多极化特征参数，构建训练样本特征张量

其中，上标n₁是训练样本数据获取时观测方位姿态数；n₂是特征参量的个数；n₃是每个特征参量对应的特征维数；

构建多极化特征融合的深度学习模型，并基于训练样本特征张量对多极化特征融合的深度学习模型进行训练；

其中，构建多极化特征融合的深度学习模型的方法具体为：

采用Max pooling池化方法，滑动步长为z，并通过在每个卷积层后进行ReLU正则化，以及最后一个卷积层后进行Dropout正则化来防止模型过拟合；同时，在最后一个全连接层，使用支持向量机分类器。

优选地，所述步骤S4具体为：

采用步骤S2的方法基于海上人造目标极化距离矩阵进行多极化特征提取，得到多极化特征参数；

采用步骤S3方法构建测试样本特征张量，利用步骤S3训练的多极化特征融合的深度学习模型结合所述测试样本特征张量进行海上人造目标识别，以实现多极化特征融合的深度学习模型的识别测试验证。

本发明与现有技术相比具有以下优点：

(1)本发明的极化欧拉特征融合深度学习的海上目标识别方法，基于海上目标的基础极化散射机制分析，实现了利用典型简单几何体散射机制表征海上复杂人造目标散射机制，采用深度学习方法融合挖掘更具物理意义、更具辨识力的极化空间变换域特征，消除了方位敏感性带来的不利影响，提高了雷达目标识别的精度；

(2)该方法基于海上简单几何体极化距离矩阵训练得到多极化特征融合的深度学习模型，利用典型的、不同工况条件下海上复杂人造目标极化距离矩阵进行目标识别，可实现对识别模型的测试验证，有效检测出复杂海背景干扰下的复杂人造目标；

(3)该方法基于深度学习融合利用HRRP和极化信息以实现目标识别，具有检测率高、虚警率低、扩展应用灵活、处理过程全自动的优点，能够克服现有技术中对于HRRP目标识别的信息利用率、识别率低、对方位敏感、普适性有限、人工干预较多的不足。

附图说明

图1为本发明的极化欧拉特征融合深度学习的海上目标识别方法流程图；

图2为本发明实施例中构建的多极化特征融合学习与识别的卷积神经网络模型示意图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示，为本发明的极化欧拉特征融合深度学习的海上目标识别方法流程示意图，该方法包含以下步骤：

S1、海上复杂人造目标的极化散射机制分析。

所述步骤S1具体为：基于海上复杂人造目标极化距离矩阵，采用极化分解方法对其中的船舰目标、海环境及目标与海面耦合散射机制的类型进行分析，形成可描述海上目标极化散射机制的简单几何体散射机制类型。

其中，所述简单几何体散射机制类型包含：目标散射机制类型、海环境散射机制类型和耦合散射机制类型。

在本实施例中，采用凯莫瑞(Cameron)分解方法对海面舰船目标的极化散射机制进行分析，得出舰船目标主要由二面角、窄二面角、1/4波能装置、三面角散射组成；海环境主要体现为偶极子、柱面散射；目标与海面耦合主要体现为二面角散射。

S2、基于步骤S1的分析结果，构建对应的海面与典型简单几何体(包括：二面角、窄二面角、三面角、1/4波能装置)复合的极化距离矩阵数据集(即海上简单几何体极化距离矩阵数据集)，分别采用基于极化距离像的幅相组合变换方法和基于欧拉分解理论的惠能(Huynen)分解方法，对所述极化距离矩阵数据集的样本进行多极化特征提取，得到多极化特征参数。所述多极化特征参数包含：极化距离像幅相组合变换特征、欧拉空间特征参数。

所述步骤S2具体为：

对于每种简单几何体，采用高频混合电磁计算软件，仿真获取方位角0°～360°、间隔3°，入射角20°～80°、间隔3°，中心频率16GHz、带宽50MHz、间隔0.25MHz条件下的4个极化通道复散射数据，并通过逆傅里叶变换得到对应的一维高分辨率距离像(HRRPs)，从而形成对应的极化距离矩阵数据集。

对于每个样本形成一个特征矢量F记为：F＝[F₁,F₂,F₃,F₄,F₅,F₆,F₇,F₈]，F₁～F₈为特征矢量F的特征参量，即为多极化特征参数；

在特征矢量F中，F₁,F₂,F₃为基于极化距离像幅相组合变换方法提取的极化距离像幅相组合变换特征参数，

式中：X_HH(m)表示水平极化距离像幅度信息，m为距离像像素位置，X_VH(m)、X_HV(m)为两种交叉极化距离像幅度信息；Y_HH(m)、Y_VV(m)分别为水平、垂直极化距离像相位信息。由上述内容可以看出：F₁、F₂表征了水平和交叉极化距离像幅度特征信息，F₃表征了水平与垂直极化距离像的相对相位特征信息。之所以选择这三组极化幅相特征信息，是因为前期研究分析表明：它们的信杂比较高，更有利于海面目标检测。

在特征矢量F中，F₄～F₈为采用基于欧拉分解理论的Huynen分解方法提取的欧拉空间域多极化特征参数，定义海面典型简单几何体复合极化距离矩阵S为：

式中，S_HH、S_VV分别为水平(HH)、垂直(VV)同极化项；S_HV、S_VH分别为水平-垂直(HV)，垂直-水平(VH)交叉极化项。

其中，Huynen分解可表示为如下相合变换的形式：

S＝U^*(ψ,τ,ν)S_DU^H(ψ,τ,ν) (3)

式中：U(ψ,τ,ν)为相合变换矩阵，“*”表示共轭，“H”表示共轭转置，S_D为对角散射矩阵，

式中，e^(·)为以自然常数e为底的指数函数，e≈2.71828；

为虚数标志符号。

公式(3)～(5)中各个欧拉参数的含义及其与特征矢量F中特征参量F₄～F₈的对应关系如下：

Ψ：最大同极化响应时椭圆极化基的旋转角，F₄是ψ(F₄)的特征信息，-90°≤ψ≤90°；

τ：最大同极化响应时椭圆极化基的椭圆角，F₅是τ(F₅)的特征信息，-45°≤τ≤45°，τ取值表征了目标在垂直于雷达视线平面内的对称性，τ＝0°为对称性散射体，τ≠0°为非对称散射体；

ν：共轭特征值之间的相位差异，F₆是ν(F₆)的特征信息，-45°≤ν≤45°，ν与回波散射次数相关，奇次散射时ν＝0°，偶次散射时ν＝±45°；

γ：目标特征角或极化角，表示目标对入射极化的敏感性，F₇是γ(F₇)的特征信息，0°≤γ≤45°；

m：最大同极化响应幅值，F₈是m(F₈)的特征信息；

ρ：目标散射的绝对相位。

S3、基于步骤S2，训练多极化特征融合的深度学习模型。

所述步骤S3具体为：利用所述多极化特征参数，构建训练样本特征张量

构建多极化特征融合的深度学习模型，并基于所述训练样本特征张量进行多极化特征融合的深度学习模型的训练，融合提取更具辨识力的极化散射特征，进行目标识别。

所述步骤S3具体为：

构建训练样本特征张量

其中，上标n₁是训练样本数据获取时观测方位姿态数，n₂是特征参量的个数，n₃是每个特征参量对应的特征维数，所述特征参量为多极化特征参数，如F₁、F₂等；构建多极化特征融合学习与识别的卷积神经网络模型(CNN)，并基于训练样本特征张量

对其进行训练。

在本实施例中，我们构建的数据观测方位姿态数为n₁＝120×20＝2400，特征参量数为n₂＝3+5＝8，各特征参量对应的特征维数即扫频点数n₃＝201，因此，所构建的特征张量为P^2400×8×201。

如图2所示，为本实施例所构建的多极化特征融合学习与识别的卷积神经网络模型结构，其由3个卷基层(卷积核尺寸依次为5×5、5×5、6×6)、3个池化层(下采样窗口尺寸均为2×2)、2个全连接层组成。构建过程具体采用最大池化方法(Max pooling)，滑动步长为2，并通过在每个卷积层后进行线性整流函数(ReLU)正则化，以及最后一个卷积层后进行丢弃(Dropout)正则化来防止模型过拟合；同时，在第2个全连接层，利用支持向量机(SVM)代替传统的柔性最大值传输函数(Softmax)线性分类器，以提高识别模型在小样本情况下的适用性。

S4、采用海上复杂人造目标对步骤S3的多极化特征融合的深度学习模型识别测试验证。

所述步骤S4具体为：采用步骤S2的方法基于海上复杂人造目标极化距离矩阵进行多极化特征提取，得到多极化特征参数；采用步骤S3方法构建测试样本特征张量，利用步骤S3训练的多极化特征融合的深度学习模型结合测试样本特征张量进行海上目标的识别判决，从而实现对多极化特征融合的深度学习模型的识别测试验证。

在本实施例中，采用公式(1)、公式(3)～(5)所示方式，对5级海情、方位角0°～180°、间隔3°，入射角20°～80°、间隔3°，中心频率16GHz、带宽50MHz、间隔0.25MHz条件下的海面舰船极化距离矩阵进行多极化特征进行提取，并构建对应的测试样本特征张量

利用训练完成的多极化特征融合学习与识别的卷积神经网络模型结合测试样本特征张量

对测试样本进行舰船目标识别判决，从而实现对多极化特征融合学习与识别的卷积神经网络模型的识别测试验证。

综上所述，本发明的一种极化欧拉特征融合深度学习的海上目标识别方法，基于极化散射机制分析，实现了利用典型简单几何体散射机制表征海上复杂人造目标散射机制，采用深度学习方法融合挖掘更具物理意义、更具辨识力的极化空间变换域特征，消除了方位敏感性带来的不利影响，提高了雷达目标识别的精度；该方法可以基于海上简单几何体极化距离矩阵训练得深度学习模型，利用典型的、不同工况条件下海上复杂人造目标极化距离矩阵进行目标识别，实现了对识别模型的测试验证，有效检测出复杂海背景干扰下的复杂人造目标，克服了现有技术中对于HRRP目标识别的信息利用率、识别率低、对方位敏感、普适性有限、人工干预较多等缺点，具有检测率高、虚警率低、扩展应用灵活、处理过程全自动的优点。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，该方法包含以下步骤：

S1、海上人造目标的极化散射机制分析；

S2、基于步骤S1的分析结果，构建对应的海上几何体极化距离矩阵数据集，并对所述极化距离矩阵数据集的样本进行多极化特征提取，得到多极化特征参数；

S3、训练多极化特征融合的深度学习模型；

S4、采用海上人造目标对步骤S3的多极化特征融合的深度学习模型识别测试验证。

2.如权利要求1所述的极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，所述步骤S1具体为：

基于海上人造目标极化距离矩阵，采用极化分解方法对其中的船舰目标、海环境及目标与海面耦合散射机制的类型进行分析，形成可描述海上目标极化散射机制的几何体散射机制类型。

3.如权利要求2所述的极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，

所述极化分解方法为Cameron分解方法。

4.如权利要求2所述的极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，

所述几何体散射机制类型包含：目标散射机制类型、海环境散射机制类型和耦合散射机制类型。

5.如权利要求1所述的极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，

所述多极化特征提取的方法为：极化距离像幅相组合变换方法和基于欧拉分解理论的Huynen分解方法。

6.如权利要求5所述的极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，

所述多极化特征参数包含：极化距离像幅相组合变换特征参数和欧拉空间域多极化特征参数。

7.如权利要求6所述的极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，所述步骤S2具体为：

对于每个样本形成一个特征矢量F记为：

F＝[F₁,F₂,F₃,F₄,F₅,F₆,F₇,F₈]；

在特征矢量F中，F₁,F₂,F₃为基于极化距离像幅相组合变换方法提取的极化距离像幅相组合变换特征参数，

式中：X_HH(m)表示水平极化距离像幅度信息，m为距离像像素位置，X_VH(m)、X_HV(m)为两种交叉极化距离像幅度信息，Y_HH(m)、Y_VV(m)分别为水平、垂直极化距离像相位信息；

在特征矢量F中，F₄～F₈为采用Huynen分解方法提取的欧拉空间域特征参数，定义海面几何体复合极化距离矩阵为：

式中，S_HH、S_VV分别为水平、垂直同极化项；S_HV、S_VH分别为水平-垂直，垂直-水平交叉极化项，

其中Huynen分解可表示为如下相合变换的形式：

S＝U^*(ψ,τ,ν)S_DU^H(ψ,τ,ν) (3)

式中：U(ψ,τ,ν)为相合变换矩阵，“*”表示共轭，“H”表示共轭转置，S_D为对角散射矩阵，

式中，e^(·)为以自然常数e为底的指数函数，e≈2.71828；为虚数标志符号；

公式(3)～(5)中各个欧拉参数的含义及其与特征矢量F中特征参量F₄～F₈的对应关系如下：

ψ(F₄)：最大同极化响应时椭圆极化基的旋转角，-90°≤ψ≤90°；

τ(F₅)：最大同极化响应时椭圆极化基的椭圆角，-45°≤τ≤45°，τ取值表征了目标在垂直于雷达视线平面内的对称性，τ＝0°为对称性散射体，τ≠0°为非对称散射体；

ν(F₆)：共轭特征值之间的相位差异，-45°≤ν≤45°，其与回波散射次数相关，奇次散射时ν＝0°，偶次散射时ν＝±45°；

γ(F₇)：目标特征角或极化角，表示目标对入射极化的敏感性，0°≤γ≤45°；

m(F₈)：最大同极化响应幅值；

ρ：目标散射的绝对相位。

8.如权利要求1所述的极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，所述步骤S3具体为：

利用所述多极化特征参数，构建训练样本特征张量，构建多极化特征融合的深度学习模型，并基于所述训练样本特征张量对多极化特征融合的深度学习模型进行训练。

9.如权利要求1或8所述的极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，所述步骤S3具体为：

利用所述多极化特征参数，构建训练样本特征张量

其中，上标n₁是训练样本数据获取时观测方位姿态数；n₂是特征参量的个数；n₃是每个特征参量对应的特征维数；

构建多极化特征融合的深度学习模型，并基于训练样本特征张量

对多极化特征融合的深度学习模型进行训练；

其中，构建多极化特征融合的深度学习模型的方法具体为：

采用Max pooling池化方法，滑动步长为z，并通过在每个卷积层后进行ReLU正则化，以及最后一个卷积层后进行Dropout正则化来防止模型过拟合；同时，在最后一个全连接层，使用支持向量机分类器。

10.如权利要求8所述的极化欧拉特征融合深度学习的海上目标识别方法，其特征在于，所述步骤S4具体为：

采用步骤S2的方法基于海上人造目标极化距离矩阵进行多极化特征提取，得到多极化特征参数；

采用步骤S3方法构建测试样本特征张量，利用步骤S3训练的多极化特征融合的深度学习模型结合所述测试样本特征张量进行海上人造目标识别，以实现多极化特征融合的深度学习模型的识别测试验证。

Images