基于卷积神经网络的船目标ISAR图像特征学习方法与流程

本发明涉及逆合成孔径和图像特征学习，尤其涉及利用卷积神经网络对船目标isar图像进行特征学习。

背景技术：

雷达成像不仅分辨率高、穿透性好、抗干扰性强，而且能全天候，全天时、远距离工作，可以弥补可见光与红外成像技术的不足。成像雷达的出现扩展了原始的雷达概念，使它具有对运动目标(舰船、飞机、导弹、天体、人造卫星等)、区域目标(地面等)进行成像和识别的能力，在军事和民事上具有广泛的应用前景，如地形测绘、资源普查、天体观测机战场感知等，另外在微波遥感应用方面也表现出越来越大的潜力，为人们提供原来越多的有用信息。它对国防技术现代化以及国民经济建设都有十分重要的的意义。

逆合成孔径雷达(inversesyntheticapertureradar，isar)和合成孔径雷达(syntheticapertureradar，sar)和几乎是同时起步的，然而isar的发展速度远远比不上sar，在20世纪80年代才实现飞机的二维isar成像。逆合成孔径雷达(isar)是当前成像雷达一个重要发展方向之一，它可以全天候、全天时、远距离对目标进行成像，具有很高的信息获取能力。逆合成孔径雷达获得的距离方位二维高分辨图像可以刻画目标大小、形状、结构及姿态等细节，为雷达目标特征提取、分类及识别提供丰富的信息。因此，逆合成孔径雷达成为战略防御、反卫星、反导以及天体观测等现代军用和民用领域的重要传感器，具有显著的应用价值。

在逆合成孔径雷达成像中即使舰船成像和飞机成像原理近似，但其成像条件要远远复杂：首先是海上目标相对空中飞行目标存在明显的不同的运动特征。空中飞行的目标一般速度较快，而海上目标由于前向平动速度较慢如果利用其相对雷达视线方向切向运动获得较大的成像积累角，实现相干积累进而进行呈现需要很长时间，因此isar呈现通常利用舰船的快速转动而不是平动来获取较大的成像积累角。舰船在空间的运动有6个自由度，其在海上摇摆要产生三种转动，分别绕三个轴进行转动，有偏航、滚动和俯仰。因此，舰船目标成像就比空间目标等成像要求更高，其参数确定和运动补偿要求更高。

近年来，利用isar图像进行舰船目标的检测和识别的研究得到广泛关注，已经成为海洋应用领域的一个研究方向和信息技术的热点话题，利用isar对舰船目标的检测和识别，一方面可以应用与渔业管理、海洋污染监控等民用领域，另一方面可以通过对isar图像进行舰船目标的检测和识别，提取舰船目标的类型、位置、航向等重要参数，及时获取海上作战的军事信息，对夺取海上战场的主动权、确保军事行动的成功起到重要的作用。因此开展isar图像的目标特征提取和分类识别技术的研究具有十分重要的意义。

技术实现要素：

本发明的目的在于利用卷积神经网络对船目标isar图像进行特征学习，不需要人为的干预，可以直接把图像作为输入，通过自主学习达到特征提取的目地。

一种基于卷积神经网络的船目标isar图像特征学习方法，步骤如下：

s1、目标建模与成像，具体为：

s11、选取3类舰船目标进行点阵建模，用来估计真实的舰船目标雷达的散射模型；

s12、利用距离-多普勒(r-d)成像算法，对s11所述舰船目标的点阵模型进行成像，获得isar图像；

s13、将s12获取的isar图像裁剪成128×128像素点大小的图像，裁剪后的图像转换为灰度图像，作为网络的直接输入；

s3、确定网络结构，即确定网络的层数l，确定每层网络的卷积核个数，确定每层网络中的滤波器窗口大小，其中，l≥2；

s4、通过卷积神经网络训练进行特征学习，获取图像特征；

s5、通过svm分类器对特征进行分类识别，将目标所处的方位角为60°～90°，从所述方位角的下俯仰角为5°开始，每隔4°取一幅图片作为训练样本构成训练样本集，将所述方位角下俯仰角维7°开始，每隔4°取一幅图片作为识别样本构成识别样本集。

进一步地，s11所述点阵建模中，每隔q米取一个点，其中，q≤3。

进一步地，s3所述网络的层数l≥5。

进一步地，s3所述网络的层数l＝5，第一层为网络的输入层i，第二层网络为卷积层c1，其卷积核个数＝4，第三层为下采样层s1，第四层为网络的卷积层c2，其卷积核个数＝8，第五层为下采样层s2，最后将所有的特征图像连接成向量输出。

进一步地，s3所述卷积层c1卷积核滤波器窗口大小为5×5像素点，卷积层c2卷积核滤波器窗口大小为3×3像素点，下采样层s1，s2窗口大小为2×2像素点。

进一步地，s4所述卷积神经网络训练具体过程如下：

步骤1、前向传播过程：

设cnn网络由l个不同的网络层构成的，每一层都有许多的神经单元，那么对于第l层的第i个神经单元节点，其输出为：其中，表示的是l-1层第m个节点的输入，是连接l-1层的第m个节点与第l层的第i个节点的权值，i表示神经单元节点，cn-m表示第l-1层到第l层的连接数，l≤l，

若第l层是卷积层，输入特征maps为k×k像素值，其卷积核滤波器窗口大小为r×r像素点，则经过卷积核之后特征maps的输出大小为(k-r+1)×(k-r+1)像素点，

若第l层是下采样层，输入特征maps为k×k像素点，采样层的每个矩形区域采用c×c像素点大小，经过最大值函数处理后输出一个值，因此下采样层的输出大小就变为(k/c)×(k/c)像素点；

步骤2、逆向更新过程：

若网络第l为卷积层，设ζ^(l+1)为第l+1层误差项，η(w,b；y,b)表示l+1层误差代价函数，其中，(w,b)是网络的参数，(x,y)是训练数据和对应的标签，则l层的误差为对式子求偏导，

其中，α^(l)是网络第l层的输入，a⁽¹⁾是网络的输入图片，

若网络第l层为下采样层，则误差扩散通过如下公式传播：

其中，k表示滤波器的数目，upsample操作将下采样层中计算出的误差向上传递到汇入下采样层的每个上层单元中去，

计算滤波器的梯度，通过翻转误差矩阵的方式处理边界卷积操作：

其中，表示第i个输入和第l层误差的"valid"卷积，得到l层第k个滤波器的误差，

进行参数更新和调整，得到滤波器的参数w和偏置量b的更新，不断的对网络进行迭代，就可以得到优化的网络参数：

其中，α为学习率。

本发明的有益效果是：

本发明利用卷积神经网络对船目标isar图像进行特征学习，不需要人为的干预，可以直接把图像作为输入，通过自主学习达到特征提取的目地。

附图说明

图1为实施例中三类目标的点阵模型。

图2为卷积神经网络的结构示意图。

具体实施方式

下面结合附图对本发明进行说明。

首先，对卷积神经网络(convolutionalneuralnetwork,cnn)进行介绍：

cnn由不同的网络子层构成，包括：

卷积层：卷积层属于隐含层，包括多个神经元，通常把神经元定义成是一个矩形区域，这个区域被称为卷积核，其输入也是一个矩形区域。卷积层的输出就是前一层特征图像和与卷积核的卷积，而每个矩形区域的权重决定了该卷积核滤波器的系数。对于不同的输入来说，同一矩形区域的权重是不变的，这样就减少了参数的数量。在cnn中，每一个卷积核的参数都是经过向前传播和向后传播中两个阶段对滤波器进行权值调整和修正的。每个卷积层都可能多个神经元，每个神经元可能会采取不同的卷积核，参数会不一样，对于每一个输入来说，不同的卷积核，会得到不同的特征maps，所有的特征maps组合在一起就可以得到完整的特征。

网络的低层次网络对图像的低层次特征敏感，会提取如边缘、线条等低层次的特征，高层次的网络，可以提取图像的高层次的特征。图像的特征主要是通过卷积层的卷积运算来提取，网络的层数越多，这个卷积网络的容量越大，但是并不是网络的层数越多越好，当网络的层数超过一定的数量时，信息冗余会增加，特征学习的效果反而会下降；而当网络的层数过低时，网络的特征学习过程会有信息丢失，因此网络层数并不是愈多愈好的，需要根据训练集灵活调整。

下采样层：下采样层一般都紧跟卷积层之后，下采样层中定义一个矩形区域块使得特征maps的相同大小的区域通过下采样层后变成一个输出值，平均值法、最大值法等是下采样常用的方法。

下采样在卷积神经网络中是非常重要的一种处理方式，它可以保证即使图像有平移、伸缩等变换也不会对最终的结果造成影响，而且还能降低计算量。下采用层后会通常会有一个激活函数，它能增加网络的非线性性，因为线性网络对于特征提取和识别来说作用很小，常用的激活函数s型函数(sigmoid)，双曲正切函数(tanh)，relu函数等。

全连接层：它往往是在网络输出层的前一层，在网络的末端位置，它将卷积层或者下采样层的输出全部连接在一起，将二维特征maps被拉成了一个一维向量，组成图像的特征向量，全连接过后就是输出层了，而不再有卷积层。通过最后的全连接层可以获取图像的特征向量。

选取三类船目标，伯克级驱逐舰，自由级滨海战斗舰和“德新海”号货轮，由于一些军事目标是非常敏感的，其真实的isar图像不容易获取，因此使用仿真isar图像。

1、首先是三类船目标的点阵建模，为了减少计算量，每隔三米取一个点。模型为图1所示。

2、isar图像集的获取，利用r-d成像算法对点阵模型成像，获取isar数据集。

3、将isar图像裁减成大小，并将其转换为灰度图像，作为网络的直接输入。

4、网络结构确定，将网络的层数确定为5层，第一层为网络的输入层i，第二层网络为卷积层c1，其卷积核个数＝4，滤波器窗口大小为5×5像素点，第三层为下采样层s1，第四层为网络的卷积层c2，其卷积核个数＝8，滤波器窗口大小为3×3像素点，第五层为下采样层s2，最后将所有的特征图像连接成向量输出，下采样层s1，s2窗口大小为2×2像素点。

5、利用网络对数据集进行学习，获得图像特征。具体为：

卷积神经网络并不需要事先就给定输入与输出的任何精准的关系，它可以仅根据现有的模型进行学习，能够通过大量自主学习和不断的迭代调整，拟合输入与输出的关系，因此cnn从根本上来说是一种映射关系。cnn多用于有监督学习，其训练样本集是由(输入向量，标签向量)的向量对组成。在网络训练之前，需要对网络权值进行初始化，网络参数或者权值往往由一些不同的、小的随机数构成。

步骤1、前向传播过程：

设cnn网络由l个不同的网络层构成的，每一层都有许多的神经单元，那么对于第l层的第i个神经单元节点，其输出为：其中，表示l-1层第m个节点的输入，是连接l-1层的第m个节点与第l层的第i个节点的权值，i表示神经单元节点，cn-m表示第l-1层到第l层的连接数，l≤l，

若第l层是卷积层，输入特征maps为k×k像素点，其卷积核滤波器窗口大小为r×r像素点，则经过卷积核之后特征maps的输出大小为(k-r+1)×(k-r+1)像素点。

若第l层是下采样层，这是一个无自主学习的过程，它能使某一矩形区域变成一个值输出，假设输入特征maps为k×k像素值,采样层的每个矩形区域采用c×c像素点大小，经过最大值函数处理后输出一个值，因此下采样层的输出大小就变为(k/c)×(k/c)像素点；

步骤2、逆向更新过程：

逆向过程主要是更新网络参数的权值，若网络第l为卷积层，设ζ^(l+1)为第l+1层误差项，η(w,b；y,b)表示l+1层误差代价函数，其中，(w,b)是网络的参数，(x,y)是训练数据和对应的标签，则l层的误差为对式子求偏导，

其中，α^(l)是网络第l层的输入，a⁽¹⁾是网络的输入图片，

若网络第l层为下采样层，则误差扩散通过如下公式传播：

其中，k表示的是滤波器的数目，upsample操作将下采样层中计算出的误差向上传递到汇入下采样层的每个上层单元中去，比如，如果我们的下采样层用的是平均值的函数，那么upsample将简单统一的将误差从每个池单元传递到上一层网络，如果下采样采用的最大函数操作，则池单元将选择最大的误差传递给上一层，这是因为小的输入变化引起的结果会通过那个最大误差单元传递。

计算滤波器的梯度，通过翻转误差矩阵的方式处理边界卷积操作：

其中，表示第i个输入和第l层误差的"valid"卷积，得到l层第k个滤波器的误差，

进行参数更新和调整，得到滤波器的参数w和偏置量b的更新，不断的对网络进行迭代，就可以得到优化的网络参数：

其中，α为学习率。

6、通过svm分类器对特征进行分类识别，其样本集为如下：

1)目标所处的方位角是60°～90°，每一个方位角下俯仰角是5°开始，每隔4°取一幅图片作为训练样本。

2)目标识别样本集：目标所处的方位角是60°～90°，每一个方位角下俯仰角都是从7°开始，每隔4°取一幅图片作为识别样本。

得到的实验结果如表1，其中，a类表示驱逐舰，b类表示滨海战斗舰，c类表示“德新海”号货轮。

表1不同角度下的识别结果

。