基于DRGAN和支持向量機的合成孔徑雷達圖像目標識別
發(fā)布時間：2020-12-18 18:34
為解決SAR圖像目標識別中樣本缺乏和方位角敏感問題,提出了一種基于DRGAN和SVM的SAR圖像目標識別算法。首先,采用多尺度分形特征對SAR圖像進行增強,經過分割得到目標二值圖像,基于Hu二階矩估計目標的方位角。然后對估計得到的目標方位角進行量化編碼,結合原始圖像作為輸入,對設計的DRGAN模型參數(shù)進行訓練與優(yōu)化。由于DRGAN中的深度生成模型將目標姿態(tài)與外觀表示進行解耦設計,故可利用該模型將SAR圖像樣本變換到同一方位角區(qū)間�；谧儞Q后的訓練樣本分別提取歸一化灰度特征,利用SVM訓練分類器。采用MSTAR數(shù)據(jù)集在多個不同操作條件下對提出的算法進行測試,實驗結果表明,在帶變體的標準操作條件下,能夠達到97.97%的分類精度,優(yōu)于部分基于CNN模型的分類精度,在4種擴展操作條件下的分類精度分別為97.83%,91.77%,97.11%和97.04%,均優(yōu)于傳統(tǒng)方法的分類精度。在SAR圖像目標方位角估計存在一定誤差的情況下,訓練得到的GAN模型作為SAR圖像目標旋轉估計器,能夠使得在不進行復雜樣本預處理的前提下,仍然取得較高的SAR圖像目標識別精度。
【文章來源】：光學精密工程. 2020年03期 北大核心
【文章頁數(shù)】：9 頁
【部分圖文】：
本文算法流程框圖
表1 DRGAN模型中判別模型D和生成模型G結構Tab.1 Architecture of discriminative model D and generative model G in DRGAN Genc和D結構 Gdec結構 層名稱 濾波器寬度及步長 輸出尺寸 層名稱 濾波器寬度及步長 輸出尺寸 Input — 96×96×1 FC — 6×6×320 Conv11 3×3/1 96×96×16 DeConv52 3×3/1 6×6×160 Conv12 3×3/1 96×96×32 DeConv51 3×3/1 6×6×128 Conv21 3×3/2 48×48×32 DeConv43 3×3/2 12×12×128 Conv22 3×3/1 48×48×32 DeConv42 3×3/1 12×12×64 Conv23 3×3/1 48×48×64 DeConv41 3×3/1 12×12×96 Conv31 3×3/2 24×24×64 DeConv33 3×3/2 24×24×96 Conv32 3×3/1 24×24×48 DeConv32 3×3/1 24×24×48 Conv33 3×3/1 24×24×96 DeConv31 3×3/1 24×24×64 Conv41 3×3/2 12×12×96 DeConv23 3×3/2 48×48×64 Conv42 3×3/1 12×12×64 DeConv22 3×3/1 48×48×32 Conv43 3×3/1 12×12×128 DeConv21 3×3/1 48×48×32 Conv51 3×3/2 6×6×128 DeConv13 3×3/2 96×96×32 Conv52 3×3/1 6×6×160 DeConv12 3×3/1 96×96×16 Conv53 3×3/1 6×6×320 DeConv11 3×3/1 96×96×1 AvgPool 6×6/1 1×1×320 FC (for D) — Nt+1+Na3.3 基于SVM的分類器設計
采用本文設計的DRGAN模型中的深度生成模型G對訓練樣本進行角度歸一化后的圖像如圖3所示。其中,方位角a的one hot編碼設定為[1, 0, …, 0],隨機噪聲n設定為零向量。從圖3可以看出,幾乎所有的目標方位角均沿水平方向,僅圖像的灰度分布有一定差異。方位角歸一化后的SAR圖像位于高維歐氏空間的若干低維流形,這將有利于后續(xù)分類器的設計。本文算法在SOC配置下進行目標識別的混淆矩陣、平均分類精度(Average Accuracy, AA)和總體分類精度(Overall Accuracy, OA)如表3所示,其中每一行最右邊一列代表該類別的分類精度(Percentage of Correct Classification, PCC)。在測試樣本包含變體的情況下總體分類精度達到97.97%,與目前基于深度CNN模型的方法接近。在4個擴展操作條件EOC1-EOC4條件下本文算法的識別結果分別如表4～表7所示。從表中可以看出,在擴展操作條件下,本文提出算法仍然取得了優(yōu)異的分類性能,總體分類精度分別達到了97.83%,91.77%,97.11%,97.04%,平均分類精度分別達到了97.83%,91.77%,97.63%,97.19%。這說明了本文提出算法的適用性,在多種操作條件下均能取得較好的識別性能。
【參考文獻】：
期刊論文
[1]基于改進CycleGAN的圖像風格遷移[J]. 杜振龍,沈海洋,宋國美,李曉麗. 光學精密工程. 2019(08)
[2]采用PHOG融合特征和多類別Adaboost分類器的行為識別[J]. 馬世偉,劉麗娜,傅琪,溫加睿. 光學精密工程. 2018(11)
[3]面向SAR目標識別的深度卷積神經網絡結構設計[J]. 谷雨,徐英. 中國圖象圖形學報. 2018(06)
本文編號：2924407
【文章來源】：光學精密工程. 2020年03期 北大核心
【文章頁數(shù)】：9 頁
【部分圖文】：
本文算法流程框圖
表1 DRGAN模型中判別模型D和生成模型G結構Tab.1 Architecture of discriminative model D and generative model G in DRGAN Genc和D結構 Gdec結構 層名稱 濾波器寬度及步長 輸出尺寸 層名稱 濾波器寬度及步長 輸出尺寸 Input — 96×96×1 FC — 6×6×320 Conv11 3×3/1 96×96×16 DeConv52 3×3/1 6×6×160 Conv12 3×3/1 96×96×32 DeConv51 3×3/1 6×6×128 Conv21 3×3/2 48×48×32 DeConv43 3×3/2 12×12×128 Conv22 3×3/1 48×48×32 DeConv42 3×3/1 12×12×64 Conv23 3×3/1 48×48×64 DeConv41 3×3/1 12×12×96 Conv31 3×3/2 24×24×64 DeConv33 3×3/2 24×24×96 Conv32 3×3/1 24×24×48 DeConv32 3×3/1 24×24×48 Conv33 3×3/1 24×24×96 DeConv31 3×3/1 24×24×64 Conv41 3×3/2 12×12×96 DeConv23 3×3/2 48×48×64 Conv42 3×3/1 12×12×64 DeConv22 3×3/1 48×48×32 Conv43 3×3/1 12×12×128 DeConv21 3×3/1 48×48×32 Conv51 3×3/2 6×6×128 DeConv13 3×3/2 96×96×32 Conv52 3×3/1 6×6×160 DeConv12 3×3/1 96×96×16 Conv53 3×3/1 6×6×320 DeConv11 3×3/1 96×96×1 AvgPool 6×6/1 1×1×320 FC (for D) — Nt+1+Na3.3 基于SVM的分類器設計
采用本文設計的DRGAN模型中的深度生成模型G對訓練樣本進行角度歸一化后的圖像如圖3所示。其中,方位角a的one hot編碼設定為[1, 0, …, 0],隨機噪聲n設定為零向量。從圖3可以看出,幾乎所有的目標方位角均沿水平方向,僅圖像的灰度分布有一定差異。方位角歸一化后的SAR圖像位于高維歐氏空間的若干低維流形,這將有利于后續(xù)分類器的設計。本文算法在SOC配置下進行目標識別的混淆矩陣、平均分類精度(Average Accuracy, AA)和總體分類精度(Overall Accuracy, OA)如表3所示,其中每一行最右邊一列代表該類別的分類精度(Percentage of Correct Classification, PCC)。在測試樣本包含變體的情況下總體分類精度達到97.97%,與目前基于深度CNN模型的方法接近。在4個擴展操作條件EOC1-EOC4條件下本文算法的識別結果分別如表4～表7所示。從表中可以看出,在擴展操作條件下,本文提出算法仍然取得了優(yōu)異的分類性能,總體分類精度分別達到了97.83%,91.77%,97.11%,97.04%,平均分類精度分別達到了97.83%,91.77%,97.63%,97.19%。這說明了本文提出算法的適用性,在多種操作條件下均能取得較好的識別性能。
【參考文獻】：
期刊論文
[1]基于改進CycleGAN的圖像風格遷移[J]. 杜振龍,沈海洋,宋國美,李曉麗. 光學精密工程. 2019(08)
[2]采用PHOG融合特征和多類別Adaboost分類器的行為識別[J]. 馬世偉,劉麗娜,傅琪,溫加睿. 光學精密工程. 2018(11)
[3]面向SAR目標識別的深度卷積神經網絡結構設計[J]. 谷雨,徐英. 中國圖象圖形學報. 2018(06)
本文編號：2924407
本文鏈接：http://sikaile.net/kejilunwen/wltx/2924407.html
最近更新
教材專著
