提出了聯(lián)合多層次深度特征的合成孔徑雷達（SAR）目標識別方法。采用卷積神經(jīng)網(wǎng)絡（CNN）學習SAR圖像的多層次深度特征。多層次的深度特征從不同方面描述原始SAR圖像中的目標特性,從而為目標識別提供更充分的決策依據(jù)。為了充分發(fā)掘不同層次深度特征的獨立特性以及它們之間的內(nèi)在關聯(lián),采用聯(lián)合稀疏表示對多層次的深度特征進行聯(lián)合分類。根據(jù)各層次特征的整體重構誤差判定目標類別。采用MSTAR （Moving and Stationary Target Acquisition and Recognition）公共數(shù)據(jù)集對提出方法進行了性能測試。實驗結果表明,該方法的識別性能顯著優(yōu)于現(xiàn)有的SAR目標識別方法。 

【文章來源】：火力與指揮控制. 2020,45(02)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

本文方法對10類目標的混線矩陣表4對比了提出算法與其他算法對于10類目標識別問題的平均識別率

諦禿挪鉅臁５靡嬗誥砘??經(jīng)網(wǎng)絡的強分類性能，本文方法與文獻［16］中基于CNN的方法的識別性能顯著高于SVM和SRC方法。對于本文方法和文獻［12］中的CNN方法，本文方法的平均識別率有一定的提高，說明了聯(lián)合多層次深度特征有益于正確的識別。表410類目標識別問題上的性能對比3.2.3噪聲干擾實際過程中，獲得的SAR圖像往往受到來自于背景環(huán)境和雷達系統(tǒng)的噪聲干擾。為了測試提出算法對于噪聲干擾的穩(wěn)健性，本文首先對10類目標實驗中的測試樣本添加不同程度的高斯白噪聲。然后，基于原始的訓練集進行后續(xù)的目標識別。圖5顯示了各類方法在不同信噪比（Signal-to-noiseRa-tio，SNR）下的平均識別率�？梢钥闯�，本文方法在各個信噪比下均保持最高的識別率，充分證明了其對于噪聲干擾的穩(wěn)健性。此外，SRC方法在信噪比較低（低于0dB）時，識別性能優(yōu)于SVM和文獻［16］中的CNN方法。這主要得益于稀疏表示對于噪聲干擾的穩(wěn)健性［21］。該方法一方面通過多層次的深度特征獲得具有噪聲穩(wěn)健的特征描述；另一方面，聯(lián)合稀疏表示同樣繼承了稀疏表示對于噪聲干擾的穩(wěn)健性。由此，該方法對于噪聲干擾具有最強的穩(wěn)健性。圖5各類方法在噪聲干擾下的識別性能對比4結論本文提出了聯(lián)合多層次深度特征的SAR目標識別方法。該方法首先對卷積神經(jīng)網(wǎng)絡中的每一個卷積層的輸出進行特征構造，獲得統(tǒng)一的特征矢量。進而采用聯(lián)合稀疏表示對多層次的深度特征進行分類，判定目標類別。通過綜合多層次深度特征的優(yōu)勢，以及結合聯(lián)合稀疏表示的優(yōu)點實現(xiàn)高性能的SAR目標識別。實驗中，基于MSTAR數(shù)據(jù)集分別測試了提出算法對3類目標、10類目標的識別性能以及噪聲干擾下的穩(wěn)健性。實驗結果表明，本文算法對3類目標和10類目標的平均識別率分別可以達到98.31%

（總第45-）過卷積操作可以獲取原始SAR圖像不同側面的特征。圖2顯示了一幅MSTARSAR圖像在圖1所示的網(wǎng)絡中不同卷積層輸出的特征圖�？梢钥闯�，不同卷積層的結果能夠體現(xiàn)原始圖像不同的特點，如區(qū)域、輪廓、點特征等。由此，多層次的深度特征可以有效繼承各個卷積層的特征，從而給予目標更為全面的描述，通過聯(lián)合多層次深度特征可以有效提升目標識別性能。實際上，每一個卷積層輸出的特征圖數(shù)量較多，且每一個特征圖都是一個較高維度的圖像。此時，直接采用原始的特征圖會給后續(xù)的分類算法帶來較大的計算負擔。為此，本文采用對每一個卷積層輸出的所有特征圖統(tǒng)一進行降采樣，獲得統(tǒng)一的特征矢量。例如，對于圖2（b）所示的16幅特征圖，分別對其中的任一特征圖按照逐行串接的方式進行矢量化，然而采用同一降采樣因子獲得低維度矢量。最后，將所有16幅特征圖獲得的特征矢量按照設定的先后順序進行串接，得到第1卷積層對應的深度特征矢量。對其與兩個卷積層的輸出進行同樣操作，獲得相應的深度特征矢量。圖1本文設計的卷積神經(jīng)網(wǎng)絡2聯(lián)合多層次深度特征的目標識別方法2.1聯(lián)合稀疏表示聯(lián)合稀疏表示［18-20］是基于壓縮感知理論提出的一種多任務學習算法。對于包含多個任務的測試樣本，其中，代表y的一個描述或者一次觀測，它們的聯(lián)合稀疏表示如式（3）所示。（3）其中，分別為對應第k任務的觀測、字典以及稀疏表示系數(shù)。為了獲得式（3）中的稀疏表示系數(shù)，最直接的想法就是最小化K個任務的重構誤差之和，即：（4）式中，為稀疏系數(shù)矩陣。式（4）認為各個任務相互獨立。實際上，不同任務之間往往存在內(nèi)在關聯(lián)。這種關聯(lián)體現(xiàn)在求解的稀疏系數(shù)上，各個任務的稀疏系數(shù)矢量具有相近的結構（如非負系數(shù)的分布規(guī)律）。?

【參考文獻】：
期刊論文
[1]基于KNN的合成孔徑雷達目標識別[J]. 郝巖,白艷萍,張校非.  火力與指揮控制. 2018(09)
[2]典型隱身目標SAR仿真與檢測[J]. 韓昊鵬,張晨新,劉銘,童創(chuàng)明.  火力與指揮控制. 2018(09)
[3]基于稀疏自編碼神經(jīng)網(wǎng)絡的軍事目標圖像分類[J]. 沈先耿.  指揮與控制學報. 2017(03)
[4]基于三維電磁散射參數(shù)化模型的SAR目標識別方法[J]. 文貢堅,朱國強,殷紅成,邢孟道,楊虎,馬聰慧,閆華,丁柏圓,鐘金榮.  雷達學報. 2017(02)
[5]基于多尺度稀疏字典的SAR圖像目標識別方法[J]. 雷磊,楊秋,李開明.  火力與指揮控制. 2017(04)
[6]屬性散射中心匹配及其在SAR目標識別中的應用[J]. 丁柏圓,文貢堅,余連生,馬聰慧.  雷達學報. 2017(02)



本文編號：3420763