CN115792908B - 一种基于高分多角度星载sar特征融合的目标检测方法 - Google Patents

一种基于高分多角度星载sar特征融合的目标检测方法 Download PDF

Info

Publication number
CN115792908B
CN115792908B CN202310087124.7A CN202310087124A CN115792908B CN 115792908 B CN115792908 B CN 115792908B CN 202310087124 A CN202310087124 A CN 202310087124A CN 115792908 B CN115792908 B CN 115792908B
Authority
CN
China
Prior art keywords
neural network
convolutional neural
angle
target
layer
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
Application number
CN202310087124.7A
Other languages
English (en)
Other versions
CN115792908A (zh
Inventor
杨从瑞
邓云凯
张衡
贾小雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202310087124.7A priority Critical patent/CN115792908B/zh
Publication of CN115792908A publication Critical patent/CN115792908A/zh
Application granted granted Critical
Publication of CN115792908B publication Critical patent/CN115792908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提出一种基于高分多角度星载SAR特征融合的目标检测方法，主要包括：结合星载SAR系统参数与地物目标散射特性对多角度SAR数据进行非相干成像处理；设计一个适用于高分多角度星载SAR图像目标识别的卷积神经网络；非相干成像处理结果作为设计的卷积神经网络的输入，对设计网络进行训练优化；测试集图像对训练优化后的卷积神经网络进行检验。本发明通过信号层的非相干成像与图像层的深度学习充分挖掘高分多角度星载SAR图像的深层信息，进一步提升星载SAR图像目标识别的正确率。

Description

一种基于高分多角度星载SAR特征融合的目标检测方法
技术领域
本发明属于雷达技术领域，特别涉及一种基于高分多角度星载SAR特征融合的目标检测方法。
背景技术
星载合成孔径雷达（Synthetic Aperture Radar, SAR）可以全天时、全天候对地面感兴趣目标进行高分辨成像，是一种主动式微波遥感设备。近年来，基于星载 SAR 图像对目标进行检测与识别得到了广泛研究，然与光学图像不同,SAR图像不仅带有相干斑噪声，而且具有透视伸缩、阴影、叠掩特征，因而易受SAR方位角的影响。这意味着同一目标不同方位角下的图像存在显著差异，进一步增加了星载SAR图像解译与地物目标识别的难度。随着星载SAR技术的不断发展，将会获取海量的星载SAR图像，因而发展新方法对数据进行更深层次信息挖掘具有较大的现实意义。
多角度SAR可以对目标场景长时间观测，具有较大的合成孔径角，与单一方位角SAR图像相比，可以获取更加丰富的信息，充分挖掘多角度 SAR 数据中蕴含的目标特征信息，可为目标自动解译提供高质量输入，更有利于自动目标识别。目前，基于深度学习的光学图像目标识别算法已被广泛应用到SAR图像目标识别中，与基于特征提取的方法相比，无需人为设计特征提取器与分类器，尤其适用于海量星载SAR图像的自动目标识别。
发明内容
为解决上述技术问题，本发明提供一种基于高分多角度星载SAR特征融合的目标检测方法，通过信号层的非相干成像与图像层的深度学习充分挖掘高分多角度星载SAR图像的深层信息，进一步提升星载SAR图像目标识别的正确率。
为达到上述目的，本发明采用如下的技术方案：
一种基于高分多角度星载SAR特征融合的目标检测方法，包括如下步骤：
步骤1、结合星载SAR系统参数与地物目标散射特性进行非相干成像；
步骤2、设计适用于高分多角度星载SAR图像目标识别的卷积神经网络，利用所述非相干成像的结果作为所述卷积神经网络的输入，对卷积神经网络进行训练优化；
步骤3、利用测试集图像对训练优化后的卷积神经网络进行检验，达到预期目标识别正确率则结束训练，否则继续优化卷积神经网络；
步骤4、将需要进行目标检测的SAR图像输入优化后的卷积神经网络，即可输出目标检测结果。
进一步地，所述步骤1包括：
首先对整个扫描角的数据进行子孔径成像；然后依据高分多角度星载SAR系统参数与地物散射特性对若干相邻子孔径图像进行非相干处理。
进一步地，所述步骤2中的卷积神经网络包括4个卷积层，4个池化层，2个全连接层，一个用于目标识别的softmax分类器；每一个卷积层包含三个通道，分别对应三个尺寸的卷积核；为了防止过拟合，在所述全连接层进行Dropout处理，以增加卷积神经网络的鲁棒性；所述Dropout处理为以概率p舍弃神经元并让其它神经元以概率q=1-p保留，每个神经元被关闭的概率是相同的。
进一步地，所述步骤2还包括在卷积神经网络的网络前向传播过程中对卷积神经网络的每层的输入数据进行白化处理。
有益效果：
本发明利用多角度SAR非相干成像后目标的特征信息更明显，更利于目标检测的特点，综合信号层的非相干成像处理与基于图像层的深度学习充分挖掘高分多角度星载SAR图像的深层信息，进一步提升星载SAR图像目标识别的正确率。
附图说明
图1为本发明的一种基于高分多角度星载SAR特征融合的目标检测方法概念图。
图2为本发明提出的一种高分多角度星载SAR特征融合的目标检测方法流程图。
图3为高分多角度星载SAR数据获取几何图。
图4a为Google Earth获取的光学图像。
图4b为与图4a对应区域的单角度SAR图像。
图4c为与图4a对应区域的多角度SAR数据的非相干成像结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图2所示，本发明的一种高分多角度星载SAR特征融合的目标检测方法包括如下步骤：
第一步，结合星载SAR系统参数与地物目标散射特性进行非相干成像。
由于大多数人造目标的散射特性是各向异性的，限制了观测分辨率，而非相干处理具有更好的可读性，有利于目标识别。非相干处理的另一个原因是考虑到不同方位角目标的图像不同，经过非相干处理可以组合多个角度的目标信息，从而使目标成像结果更加完整。图3展示了高分多角度星载SAR数据获取几何图，如当前Capella SAR已具备约
Figure SMS_1
的数据获取能力。在实际处理中考虑到轨道弯曲与数据处理效率，需要首先对整个扫描角内的数据进行子孔径成像，划分的子孔径满足距离等式的双曲线模型（直线几何），可以采用频域算法对每个子孔径进行高效成像处理。而后依据星载SAR系统参数与地物散射特性对若干相邻子孔径图像进行非相干成像处理。
特别的，图4a为Google Earth获取的光学图像。图4b为与图4a对应区域的单角度SAR图像。图4c为图4a对应区域的多角度SAR数据的非相干成像结果。对比图4b与图4c，可见图4c中目标的几何结构更加清晰，细节信息更加明显，更利于目标检测。
第二步，设计一个适用于高分多角度星载SAR图像目标识别的卷积神经网络，将非相干成像结果作为设计的卷积神经网络的输入，对卷积神经网络进行训练优化。
首先对设计卷积神经网络的结构进行简要说明：网络包含4个卷积层，4个池化层，2个全连接层，一个softmax分类器。每一个卷积层包含三个通道，分别对应三个尺寸的卷积核。最后一个池化层通过尺度压缩将特征图展平(Flatten)。如图2所示的卷积层，“Conv”表示卷积层，“
Figure SMS_2
”表示a个尺寸为
Figure SMS_3
的卷积核,其中
Figure SMS_4
为正整数。修正线性单元（Rectified Linear Unit，ReLU） 作为卷积神经网络的激活函数, 池化层采用最大池化（Max pooling），“
Figure SMS_5
”表示下采样窗口尺寸。Dropout是指在卷积神经网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从卷积神经网络中丢弃，其目的是防止过拟合。特别的，图2中，a为15，30,60,120；b为3,5,7；即每一层卷积层的卷积核的数量a由15开始依次增加到120，每一层三个通道的卷积核的尺寸依次为3，5，7。
为保证不同尺度参数的更新整体一致，需在卷积神经网络的网络前向传播过程中对每层的输入数据进行白化（Batch Normalization，BN）处理。
假设第n层网络批量输入数据为
Figure SMS_6
，则白化处理可以表示如下：
Figure SMS_7
；
其中，
Figure SMS_8
，
Figure SMS_9
，
Figure SMS_10
为极小正值以防除0情况出现，
Figure SMS_11
为一次批量输入数据的数量。
为更好权衡非线性与梯度，引入参数
Figure SMS_12
和
Figure SMS_13
对
Figure SMS_14
进行修正，可以表示如下：
Figure SMS_15
；
其中，
Figure SMS_16
和
Figure SMS_17
对应尺度和平移变换，网络会自动对其估计，
Figure SMS_18
为批归一化后第
Figure SMS_19
层网络的输入数据。
网络前向传播可以表示为：
Figure SMS_20
；
Figure SMS_21
；
其中，
Figure SMS_23
表示第
Figure SMS_27
层第
Figure SMS_31
个输入特征图，
Figure SMS_25
表示第
Figure SMS_28
层第
Figure SMS_32
个通道第
Figure SMS_34
个输出特征图，
Figure SMS_22
表示第
Figure SMS_26
个通道由
Figure SMS_30
到
Figure SMS_33
的权重，
Figure SMS_24
表示偏差项，
Figure SMS_29
为非线性激活函数，设计网络采用ReLU函数激活，可以表示为：
Figure SMS_35
。
其中，
Figure SMS_36
为取最大值函数。
那么，多个通道的特征融合可以表示为：
Figure SMS_37
；
Figure SMS_38
；
其中，
Figure SMS_41
为第
Figure SMS_43
个卷积层的损失，
Figure SMS_46
为第
Figure SMS_40
个卷积层第
Figure SMS_42
个通道的特征融合权重。
Figure SMS_45
代表目标函数最小化时的变量值，
Figure SMS_47
代表第
Figure SMS_39
个卷积层第
Figure SMS_44
个融合特征。
最大池化处理可以表示为：
Figure SMS_48
；
其中，
Figure SMS_49
为特征图的二维坐标，
Figure SMS_50
和
Figure SMS_51
为池化层的二维窗尺寸，设计网络窗尺寸为
Figure SMS_52
。
第一个全连接层的处理可以表示为：
Figure SMS_53
；
Figure SMS_54
；
其中，
Figure SMS_55
为第
Figure SMS_56
个卷积层的融合特征，
Figure SMS_57
为第
Figure SMS_58
个卷积层提取的特征数，
Figure SMS_59
为代价函数，
Figure SMS_60
是最优的级联权重，在网络训练过程中不断更新，以最大化后续的分类精度，
Figure SMS_61
是用于级联的融合特征的数量，也是网络中卷积层的数量。那么，全连接层的输出可以表示为：
Figure SMS_62
；
其中，
Figure SMS_63
为级联融合特征向量
Figure SMS_64
展平（通过最后一个池化层完成）后的特征向量，
Figure SMS_65
和
Figure SMS_66
分别为全连接层的权重和偏差，
Figure SMS_67
是一个
Figure SMS_68
维的矢量。为了防止过拟合，需要进行Dropout处理，即随机的对一些隐藏单元的输出置0，本发明中随机丢弃因子（DropoutRatio）设为0.5。
最后通过Softmax 分类器用于目标识别，将每一个类别的全连接层的输出映射为
Figure SMS_69
之间的后验概率，可以表示为：
Figure SMS_70
；
其中，
Figure SMS_71
为最后一个全连接层的输出，
Figure SMS_72
和
Figure SMS_73
分别为当前目标中的类别和多目标分类任务中的第
Figure SMS_74
个类别，
Figure SMS_75
为以自然常数e为底的指数函数。一般在softmax分类器的输出向量中，最大概率对应的类别就是当前目标所属的类别。
设计卷积神经网络的反向传播采用的代价函数为交叉熵，可以表示为：
Figure SMS_76
；
其中，w和d分别为权重和矢量矩阵，可以在网络中通过最小化代价函数不断更新，并可以表示为：
Figure SMS_77
；
Figure SMS_78
；
其中，
Figure SMS_79
为学习率，并且：
Figure SMS_80
；
Figure SMS_81
；
其中，
Figure SMS_82
指第
Figure SMS_83
个卷积层中由第
Figure SMS_84
个输入特征得到第
Figure SMS_85
个融合特征的权重，
Figure SMS_86
指对矩阵旋转180°，
Figure SMS_87
代表输出层第
Figure SMS_88
个单元的误差项，可以表示为：
Figure SMS_89
；
其中，
Figure SMS_90
代表阿达玛积（Hadamard product），
Figure SMS_91
代表非线性激活函数的导数。
那么，池化层中第
Figure SMS_92
层的误差项可以表示为：
Figure SMS_93
；
其中，
Figure SMS_94
代表升采样，它将当前层中的所有值返回到上一层的相应位置，同时将上一层中的其他位置归零。
第三步，测试集图像对训练优化后的网络进行检验，达到预期目标识别正确率则模型训练完毕，否则转到步骤2继续优化。
第四步，将需要检测的非相干成像结果输入本发明所述经步骤3后最优的卷积神经网络进行目标检测，输出即为本发明的目标检测方法的检测结果。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于高分多角度星载SAR特征融合的目标检测方法，其特征在于，包括如下步骤：
步骤1、结合星载SAR系统参数与地物目标散射特性进行非相干成像，包括：
首先对整个扫描角内的数据进行子孔径成像，划分的子孔径满足距离等式的双曲线模型，采用频域算法对每个子孔径进行成像处理；而后依据星载SAR系统参数与地物散射特性对若干相邻子孔径图像进行非相干成像处理；经过非相干处理组合多个角度的目标信息，从而使目标成像结果更加完整；
步骤2、设计适用于高分多角度星载SAR图像目标识别的卷积神经网络，利用所述非相干成像的结果作为所述卷积神经网络的输入，对卷积神经网络进行训练优化；所述步骤2中的卷积神经网络包括4个卷积层，4个池化层，2个全连接层，一个用于目标识别的softmax分类器；每一个卷积层包含三个通道，分别对应三个尺寸的卷积核；为了防止过拟合，在所述全连接层进行Dropout处理，以增加卷积神经网络的鲁棒性；所述Dropout处理为以概率p舍弃神经元并让其它神经元以概率q=1-p保留，每个神经元被关闭的概率是相同的；
第一个全连接层的处理表示为：
Figure QLYQS_1
，
其中，
Figure QLYQS_2
为第
Figure QLYQS_3
个卷积层的融合特征，
Figure QLYQS_4
为第
Figure QLYQS_5
个卷积层提取的特征数，
Figure QLYQS_6
是最优的级联权重，在网络训练过程中不断更新，以最大化后续的分类精度，
Figure QLYQS_7
是用于级联的融合特征的数量，也是网络中卷积层的数量；全连接层的输出表示为：
Figure QLYQS_8
，
其中，
Figure QLYQS_9
为级联融合特征向量
Figure QLYQS_10
展平后的特征向量，
Figure QLYQS_11
和
Figure QLYQS_12
分别为全连接层的权重和偏差，
Figure QLYQS_13
是一个
Figure QLYQS_14
维的矢量，
Figure QLYQS_15
为非线性激活函数；
步骤3、利用测试集图像对训练优化后的卷积神经网络进行检验，达到预期目标识别正确率则结束训练，否则继续训练优化卷积神经网络；
步骤4、将需要进行目标检测的高分多角度星载SAR图像输入优化后的卷积神经网络，输出目标检测结果。
CN202310087124.7A 2023-02-09 2023-02-09 一种基于高分多角度星载sar特征融合的目标检测方法 Active CN115792908B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310087124.7A CN115792908B (zh) 2023-02-09 2023-02-09 一种基于高分多角度星载sar特征融合的目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310087124.7A CN115792908B (zh) 2023-02-09 2023-02-09 一种基于高分多角度星载sar特征融合的目标检测方法

Publications (2)

Publication Number Publication Date
CN115792908A CN115792908A (zh) 2023-03-14
CN115792908B true CN115792908B (zh) 2023-04-28

Family

ID=85430609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310087124.7A Active CN115792908B (zh) 2023-02-09 2023-02-09 一种基于高分多角度星载sar特征融合的目标检测方法

Country Status (1)

Country Link
CN (1) CN115792908B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116524322B (zh) * 2023-04-10 2024-07-12 北京盛安同力科技开发有限公司 基于深度神经网络的sar图像识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9978013B2 (en) * 2014-07-16 2018-05-22 Deep Learning Analytics, LLC Systems and methods for recognizing objects in radar imagery
CN113111975A (zh) * 2021-05-12 2021-07-13 合肥工业大学 基于多核尺度卷积神经网络的sar图像目标分类方法

Also Published As

Publication number Publication date
CN115792908A (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
Zhou et al. Robust matching for SAR and optical images using multiscale convolutional gradient features
Hu et al. Inverse synthetic aperture radar imaging using a fully convolutional neural network
CN110781830B (zh) 基于空-时联合卷积的sar序列图像分类方法
CN107563411B (zh) 基于深度学习的在线sar目标检测方法
CN113240047B (zh) 基于部件解析多尺度卷积神经网络的sar目标识别方法
Wan et al. Recognizing the HRRP by combining CNN and BiRNN with attention mechanism
Bi et al. CNN-based target detection and classification when sparse SAR image dataset is available
CN115792908B (zh) 一种基于高分多角度星载sar特征融合的目标检测方法
CN103955701A (zh) 多层次结合的多视合成孔径雷达图像目标识别方法
CN113095417B (zh) 基于融合图卷积和卷积神经网络的sar目标识别方法
CN110969212A (zh) 基于空间变换三通道卷积的isar图像分类方法
CN110276746A (zh) 一种鲁棒性遥感图像变化检测方法
CN113902969A (zh) 融合cnn与图像相似度的零样本sar目标识别方法
CN109461127B (zh) 一种以解译为目的的sar图像稀疏正则化特征增强方法
CN111460943A (zh) 一种遥感影像地物分类方法及系统
CN114137518A (zh) 一种雷达高分辨距离像开集识别方法及装置
CN113822361A (zh) 一种基于汉明距离的sar图像相似程度度量方法和系统
CN116843906A (zh) 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法
CN110991354A (zh) 基于逆空间变换网络的isar图像识别方法
WO2023193026A1 (en) Systems and methods for graph-based active learning using semi-supervised classification of sar data
CN113657290B (zh) 一种螺类采集与细分类识别系统
Xu et al. SAR target recognition based on variational autoencoder
CN113283390B (zh) 基于门控多尺度匹配网络的sar图像小样本目标识别方法
Zhou et al. Complex background SAR target recognition based on convolution neural network
Lv et al. Recognition for SAR deformation military target from a new MiniSAR dataset using multi-view joint transformer approach

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