CN114821335B - 基于深度特征与线性判别特征融合的未知目标判别方法 - Google Patents

Abstract

本发明属于未知目标识别技术领域，具体涉及一种基于深度特征与线性判别特征融合的未知目标判别方法。本发明将预处理后的一维距离像通过并行双通道残差网络抽取局部高维特征，与全局线性判别特征以向量串联方式进行特征级融合，实现未知目标判别。本发明方法提取的融合特征既有全局差异信息也包含局部细节信息，因此改善了对未知目标的判别性能，实验结果验证了本方法的有效性。

Description

基于深度特征与线性判别特征融合的未知目标判别方法

技术领域

本发明属于未知目标识别技术领域，具体涉及一种基于深度特征与线性判别特征融合的未知目标判别方法。

背景技术

雷达一维距离像(HRRP)是宽带雷达获取的目标散射点子回波在雷达视线方向的投影矢量和，包含了目标的尺寸、散射分布等几何结构信息，有利于目标分类识别。常规的一维距离像目标识别方法首先必须利用训练样本建立模板库，通过匹配特征完成判别。但实际应用中，待识别目标可能是没有参与训练的库外目标，很显然会被错误识别为已知目标类别。因此，在常规目标识别之前，需首先进行未知目标判别，以保证后续目标类别的正确识别。

现有未知目标判别方法主要包括：基于支持向量判别、聚类判别、子空间学习法和人工神经网络判别方法等。其中基于支持向量判别、聚类判别、子空间学习等方法主要关注全局线性特征，忽略了有关目标的局部细节信息。而人工神经网络通过非线性变换隐层结构，抽取数据中的深层次局部特征，但是未考虑全局的目标特征。因此，以上方法的未知目标判别性能有进一步改善的余地。

发明内容

本发明的目的在于提出一种基于并行双通道残差网络深度特征与线性判别特征融合的未知目标判别方法。通过并行双通道残差网络抽取的局部高维特征，与全局线性判特征融合，得到分类性能更全面的特征，实现对未知目标的判别。

本发明的技术方案为：

基于深度特征与线性判别特征融合的未知目标判别方法，包括以下步骤：

S1、对获取的高分辨一维距离像样本数据进行能量归一化预处理，预处理后得到一维距离像训练样本集为X＝[X₁,X₂,..,X_i,...,X_m]，X_i表示第i幅一维距离像样本，1≤i≤m，m为总的样本数；

S2、采用并行双通道残差网络进行深度特征提取，并行双通道残差网络依次包括第一卷积层、第一批归一化层、第二卷积层、第二批归一化层、并行的第一通道和第二通道、第一上采样层、第三卷积层、第三批归一化层、第二上采样层、第四卷积层、第四批归一化层、第五卷积层、第五批归一化层、全连接层、输出层；并行的第一通道和第二通道结构相同，均包括第一残差块、第二残差块、第三残差块，第一残差块为通道的输入，第一残差块和第二残差块之间、第二残差块和第三残差块之间具有最大值池化层，第三残差块的输出通过卷积和批归一化后作为通道的输出；并行双通道残差网络对训练数据的具体处理过程为：

将单幅一维距离像样本数据X_i输入到并行双通道残差网络，通过二维的第一卷积层后得到特征图维度为(1,n_c)，其中，n_c表示二维卷积后的特征图第二维长度，卷积步长设定为S_c，关系表述为：

经过第一批归一化层进行批归一化运算后，再通过二维的第二卷积层和第二批归一化层进行批归一化运算后提取的局部特征F₀为：

F₀＝I_BN(H_C(I_BN(H_C(X_i))))

其中，H_C(·)表示特征提取的卷积运算，I_BN(·)为批归一化运算；

将提取的局部特征F₀送入并列的双通道提取多层次的空间特征：首先输入F₀到两个通道的第一个残差块，第一通道的输入表示为F_A0、第二通道的输入表示为F_B0，分别得到两个通道第一个残差块的输出F_A1、F_B1：

第二个、第三个残差组输入前经过最大池化运算I_P(·)后，第二个、第三个残差组的输入和输出关系如下：

其中，N＝2,3，F_A(N-1)、F_B(N-1)分别为第一、第二通道第N个残差组的输入，F_AN、F_BN为对应第N个残差组的输出；由并行双通道中最后一个残差组的输出F_A3、F_B3进行相加融合得到：

F(K)＝I_BN(H_C(F_A3))+I_BN(H_C(F_B3))

其中，F(k)为融合特征图，

H表示特征图F(k)的高度，W表示F(k)的宽度，D表示特征图F(k)的通道数，在融合的特征图F(k)后接一个9层卷积模块，第三卷积层、第四卷积层和第五卷积层为二维卷积层进一步提取新层次空间特征，再利用2倍的第一上采样层和第二上采样层将特征图维度扩充，使扩充后的特征图维度与输入层的维度C₁相同，最后使用1个全连接层，将所有特征图节点连接成一个特征矢量，该矢量即为所提取的深度局部特征矢量，从而在输出层获得训练一维距离像样本X_i对应的深度局部特征F_Ni；

S3、进行线性判别特征提取：通过对一维距离像的训练数据集X进行线性判别分析，得到变换矩阵W，将预处理后的一维距离像样本X_i向W投影：

F_Di＝W^TX_i

其中，F_Di为X_i对应的线性判别特征；

S4、将深度局部特征F_Ni与线性判别特征F_Di进行融合，得到融合特征矢量F_i：

F_i＝[F_Ni,F_Di]

其中，1≤i≤m，设训练目标共有p类，对每类融合特征矢量进行平均：

其中，h_q为第q类融合特征平均矢量，1≤q≤p，N_q为第q类样本的个数，F_q为第q类目标的特征融合矢量的集合；

S5、输入待识别目标的一维距离像X_t，同样由并行双通道残差网络提取深度局部特征F_Nt，与对应的线性判别特征F_Dt进行融合得到融合特征矢量F_t：

F_t＝[F_Nt,F_Dt]

计算待识别目标样本对应的融合特征矢量F_t与p个融合特征平均矢量之间的欧氏距离，取其中最小的欧氏距离与门限d_th比较，如果大于门限d_th，则将待识别目标判别为未知目标，反之判别为已知目标，其中，门限d_th是采用统计方法得到。

获取特征后，即可利用最近邻分类器对目标进行分类识别。

本发明的有益效果为，本发明提取的融合特征既有全局差异信息也包含局部细节信息，因此改善了对未知目标的判别性能。

附图说明

图1为并行双通道残差卷积网络结构示意图。

具体实施方式

下面结合附图和仿真对本发明进行详细的说明：

图1为本发明构建的并行双通道深度网络结构，对高分辨一维距离像样本数据首先进行能量归一化预处理，预处理后一维距离像数据集为X＝[X₁,X₂,..,X_i,...,X_m]，X_i表示第i幅一维距离像(1≤i≤m)。每次输入为单幅一维距离像数据X_i(1≤i≤m)，一维距离像长度为n维，维度为C₁＝(1,n)。

一维距离像样本数据预处理后，首先通过一个二维卷积层，此时特征图维度可表征为(1,n_c)，其中，n_c表示二维卷积后的特征图第二维长度，卷积步长设定为S_c，关系表述为：

在卷积模块后增加批归一化运算I_BN(·)以避免由于特征分布较散导致的学习速度缓慢。经两个二维卷积层后，从输入的单幅一维距离像样本数据X_i中提取的局部特征F₀可表示为：

F₀＝I_BN(H_C(I_BN(H_C(X_i))))                  (2)

其中，H_C(·)表示特征提取的卷积运算。提取的局部特征F₀送入双通道A、B提取多层次的空间特征，添加残差组使每个单通道中进行跨层残差特征融合，提升网络深度同时避免梯度消失或梯度爆炸。A通道、B通道均包括3个残差组，首先输入F₀到A、B通道的第一个残差组，输入分别表示为F_A0、F_B0，得到第1个残差组的输出F_A1、F_B1：

基于最大池化层可以保持网络的局部平移不变性，在第二个、第三个残差组输入前添加最大池化运算I_P(·)，以减少计算量，避免训练时过拟合。

同理，第二个、第三个残差组的输入和输出关系如下：

其中，N＝2,3，F_A(N-1)、F_B(N-1)分别为A、B通道第N个残差组的输入，F_AN、F_BN为对应第N个残差组的输出。由并行双通道A、B中最后一个残差组的输出F_A3、F_B3进行相加融合得到：

F(K)＝I_BN(H_C(F_A3))+I_BN(H_C(F_B3))                 (5)

其中，F(k)为融合特征图，

H表示特征图F(k)的高度，W表示F(k)的宽度，D表示特征图F(k)的通道数，在融合的特征图F(k)后接一个9层卷积模块，其中有3个二维卷积层进一步提取新层次空间特征，再利用2个2倍上采样层将特征图维度扩充，使扩充后的特征图维度与输入层的维度C₁相同，最后使用1个全连接层，将所有特征图节点连接成一个特征矢量，该矢量即为所提取的深度局部特征矢量。

通过以上的并行双通道残差网络，可获得训练一维距离像样本X_i对应的深度局部特征F_Ni。

线性判别特征提取

通过对一维距离像的训练数据集X进行线性判别分析，得到变换矩阵W，将预处理后的一维距离像样本X_i向W投影：

F_Di＝W^TX_i                            (6)

其中，F_Di为X_i对应的线性判别特征。

特征融合与未知目标判别

对训练一维距离像样本X_i，将由并行双通道残差网络提取的局部高维特征F_Ni与线性判别特征F_Di进行融合，得到融合特征矢量F_i：

F_i＝[F_Ni,F_Di]                           (7)

其中，1≤i≤m。设训练目标共有p类，对每类融合特征矢量进行平均：

其中，h_q为第q(1≤q≤p)类融合特征平均矢量，N_q为第q类样本的个数，F_q为第q类目标的特征融合矢量的集合。

输入待识别目标的一维距离像X_t，同样由并行双通道残差网络提取深度局部特征F_Nt，与对应的线性判别特征F_Dt进行融合得到融合特征矢量F_t；

F_t＝[F_Nt,F_Dt]                           (9)

计算待识别目标的样本对应的融合特征矢量F_t与p个融合特征平均矢量之间的欧氏距离，取其中最小的欧氏距离与门限d_th比较，如果大于门限d_th，则将待识别目标判别为未知目标，反之判别为已知目标，其中，门限d_th是采用统计方法得到。

仿真示例

采用电磁特性计算软件获得的AH64、AN26、F15、B1B、B52五类不同型号军用飞机的HRRP数据进行仿真实验。实验的测量雷达载频为6GHz，雷达的信号带宽为400MHz，飞机目标的仰角为3°，在方位角0°-180°范围中每间隔0.1°进行采集，每架飞机数据1801个HRRP样本，其中距离单元数目为320，即每架飞机的HRRP仿真数据实质为1801×320的矩阵。

对五类飞机HRRP数据选取其中的0-45°范围内的450个一维距离像数据，引入噪声使得信噪比为-5db时，以0.5°为间隔随机选取三类已知目标作为训练数据集，其余两类作为未知目标进行实验。实验选择学习率0.01，交叉熵损失函数及adam优化。深度卷积神经网络和基于并行双通道残差网络的深度特征及浅度特征融合方法对未知目标的平均判别结果如表1所示。

表1两种方法对未知目标的平均判别率(％)

由表1结果可知，随机抽取三种飞机作为库内数据，其余两类作为未知目标情况下，采用深度卷积神经网络在以0.5°为间隔、且信噪比为-5db时进行判别结果较差，本文通过基于并行双通道残差网络深度特征与线性判别特征融合方法，将提取全局高维组合特征与浅度局部低维特征进行串行融合得到更全面目标信息，在低信噪比下也可实现未知目标的高判别率，识别准确率均在96％以上，验证了本方法的有效性。

Claims (1)

1.基于深度特征与线性判别特征融合的未知目标判别方法，其特征在于，包括以下步骤：

S1、对获取的高分辨一维距离像样本数据进行能量归一化预处理，预处理后得到一维距离像训练样本集为X＝[X₁,X₂,..,X_i,...,X_m]，X_i表示第i幅一维距离像样本，1≤i≤m，m为总的样本数；

S2、采用并行双通道残差网络进行深度特征提取，并行双通道残差网络依次包括第一卷积层、第一批归一化层、第二卷积层、第二批归一化层、并行的第一通道和第二通道、第一上采样层、第三卷积层、第三批归一化层、第二上采样层、第四卷积层、第四批归一化层、第五卷积层、第五批归一化层、全连接层、输出层；并行的第一通道和第二通道结构相同，均包括第一残差块、第二残差块、第三残差块，第一残差块为通道的输入，第一残差块和第二残差块之间、第二残差块和第三残差块之间具有最大值池化层，第三残差块的输出通过卷积和批归一化后作为通道的输出；并行双通道残差网络对训练数据的具体处理过程为：

将单幅一维距离像样本数据X_i输入到并行双通道残差网络，通过二维的第一卷积层后得到特征图维度为(1,n_c)，其中，n_c表示二维卷积后的特征图第二维长度，卷积步长设定为S_c，关系表述为：

经过第一批归一化层进行批归一化运算后，再通过二维的第二卷积层和第二批归一化层进行批归一化运算后提取的局部特征F₀为：

F₀＝I_BN(H_C(I_BN(H_C(X_i))))

其中，H_C(·)表示特征提取的卷积运算，I_BN(·)为批归一化运算；

将提取的局部特征F₀送入并列的双通道提取多层次的空间特征：首先输入F₀到两个通道的第一个残差块，第一通道的输入表示为F_A0、第二通道的输入表示为F_B0，分别得到两个通道第一个残差块的输出F_A1、F_B1：

第二个、第三个残差组输入前经过最大池化运算I_P(·)后，第二个、第三个残差组的输入和输出关系如下：

其中，N＝2,3，F_A(N-1)、F_B(N-1)分别为第一、第二通道第N个残差组的输入，F_AN、F_BN为对应第N个残差组的输出；由并行双通道中最后一个残差组的输出F_A3、F_B3进行相加融合得到：

F(K)＝I_BN(H_C(F_A3))+I_BN(H_C(F_B3))

其中，F(k)为融合特征图，

H表示特征图F(k)的高度，W表示F(k)的宽度，D表示特征图F(k)的通道数，在融合的特征图F(k)后接一个9层卷积模块，第三卷积层、第四卷积层和第五卷积层为二维卷积层进一步提取新层次空间特征，再利用2倍的第一上采样层和第二上采样层将特征图维度扩充，使扩充后的特征图维度与输入层的维度C₁相同，最后使用1个全连接层，将所有特征图节点连接成一个特征矢量，该矢量即为所提取的深度局部特征矢量，从而在输出层获得训练一维距离像样本X_i对应的深度局部特征F_Ni；

S3、进行线性判别特征提取：通过对一维距离像的训练数据集X进行线性判别分析，得到变换矩阵W，将预处理后的一维距离像样本X_i向W投影：

F_Di＝W^TX_i

其中，F_Di为X_i对应的线性判别特征；

S4、将深度局部特征F_Ni与线性判别特征F_Di进行融合，得到融合特征矢量F_i：

F_i＝[F_Ni,F_Di]

其中，1≤i≤m，设训练目标共有p类，对每类融合特征矢量进行平均：

其中，h_q为第q类融合特征平均矢量，1≤q≤p，N_q为第q类样本的个数，F_q为第q类目标的特征融合矢量的集合；

S5、输入待识别目标的一维距离像X_t，同样由并行双通道残差网络提取深度局部特征F_Nt，与对应的线性判别特征F_Dt进行融合得到融合特征矢量F_t：

F_t＝[F_Nt,F_Dt]

计算待识别目标样本对应的融合特征矢量F_t与p个融合特征平均矢量之间的欧氏距离，取其中最小的欧氏距离与门限d_th比较，如果大于门限d_th，则将待识别目标判别为未知目标，反之判别为已知目标，其中，门限d_th是采用统计方法得到。

Images