本发明属于雷达遥感应用
技术领域：
，具体的说是涉及一种基于辅助判决更新学习的合成孔径雷达目标识别方法。
背景技术：
：合成孔径雷达(SyntheticApertureRadar，以下简称SAR)具有全天时、全天候等特点，是一种重要的对地观测手段。SAR目标识别利用SAR图像信息实现目标种类、型号等属性的判定，在战场侦察、精确打击等军事领域有明确的应用需求，是提升SAR传感器信息感知能力、实现SAR技术应用的关键技术之一。SAR目标识别性能和训练样本密切相关。目标识别需要大量的带分类标签的样本，这需要耗费非常大的人力物力资源。相对于光学图像，SAR图像样本不仅数量较少，且随着时间增加缓慢，部分新增的SAR图像未携带标签，难以直接用于提升检测器与分类器的性能。同时，在训练过程中，在有新增SAR图像样本的情况下，传统的方法将新增带分类标签的样本直接加入原有样本集，重新进行训练样本训练的步骤，这就意味着训练样本的重复训练，导致大量的开销用于重复性的工作，识别效率降低。因而，如何有效利用新增的SAR图像以实现SAR目标识别系统性能的增加，并减小训练开销是SAR图像解译领域的一个重要问题。现有的有效利用新增样本提升目标识别性能的研究主要有：(1)利用神经网络构造一个分层的模型，在逻辑上构成一棵树，所有的待识别样本的类别被划分为超类，每一个超类被分配到叶子模型上，当样本增加时，新增样本触发输出样本所属叶子模型概率的根节点，然后选择具有最高概率的叶子模型确定其识别类型，只需更新或者添加一部分子树便可以达到利用只新增样本提升识别性能的目的；(2)通过横向扩展卷积神经网络(ConvolutionalNeuralNetwork，以下简称CNN)的结构，当样本增加的时候，产生相应的新的CNN，最终结合横向所有的网络输出作为最终的识别结果。但是上述这些研究都是基于光学图像数据。然而，SAR图像成像机理与普通光学传感器有很大的差异，导致SAR图像不能像光学图像那样能直观地被理解，新增的SAR图像未带有分类标签，必须通过训练才能确认雷达图像所传达的信息，而且完全的人工阅读、理解不能适应某些应用上实时性的要求。同时，与光学图像对比，SAR图像特殊的成像机理使得SAR图像存在一定的畸变，导致针对SAR图像的特征提取变得困难。技术实现要素：本发明的目的是，针对上述问题或不足，为了有效利用新增的无分类标签SAR图像样本实现SAR目标识别系统性能的增强，同时避免样本重复训练导致的开销，本发明提出了一种基于辅助判决更新学习的合成孔径雷达目标识别方法，该方法通过利用少量的初始训练样本训练模型，将新增的未标签的图像作为测试样本，测试结果再作为训练样本，在已有模型的基础上迭代训练分类器。本发明利用CNN作为主体提取SAR目标的深层特征进行分类，再结合辅助分类器进行辅助判决，使得新增的SAR图像可以直接用于提升已有分类器的性能。本发明的技术方案是，如图1所示，具体包括以下步骤：步骤1、构建CNN模型。CNN的结构如附图2所示。其中神经节点的激活函数为修正线性单元(RectifiedLinearUnit，ReLU)。CNN能够提取不同深度的图像目标特征。CNN的卷积层通过尺寸大小为ω的卷积滤波器的卷积操作来提取输入的SAR图像样本的不同特征，卷积层输出：其中，卷积核的滑动步长为s＝1，S为输入，卷积层的S′作为下一层级的输入，wnm表示卷积核的第n行m列参数；由SAR图像中待识别目标的尺寸调整ω来改变卷积核大小。池化层紧跟在卷积层之后，池化层输出的特征图尺寸为：ho＝(hi-ωd)/stride+1其中，ωd为池化滤波器的大小，stride表示相邻池化滤波器的间隔；经过多个卷积层和池化层后，连接着全连接层的。全连接层中每个神经元与前一层的所有神经元进行全连接。对每一幅大小为L×W特征图中的元素进行加权求和，即其中kij为滤波器第i行j列的参数，enm为特征图的第n行m列的元素，特征矩阵为X＝[x1x2x3...xn]T，最后一层全连接层的输出值被传递给一个输出层，通过Softmax逻辑回归进行分类得到输出概率矩阵：其中，为Softmax的参数，y为卷积神经网络对SAR图像中目标类别的识别结果。步骤2、将原始图像集作为初始训练样本，得到初始的SAR图像目标识别的CNN模型，以及一个识别准确率较高的辅助分类器；所述原始图像集包含少量的带分类标签的SAR图像样本。步骤3、将待识别的无标签SAR图像样本集合送入步骤1中得到的CNN模型以及辅助分类器中进行目标分类，得到各自的概率识别矩阵hθ(x)及hAssist。步骤4、概率识别矩阵hθ(x)及hAssist通过判决的方法，得到最终的分类结果以及标签矩阵l，具体为：在这一步，利用判决的方法，充分发挥辅助分类器的作用，弥补卷积神经网络初期性能低下的问题，实现其性能稳健地逐步提升。设n类SAR图像样本的输出概率识别矩阵为：h＝[p1,p2...pn]其中，p1,p2...pn的约束条件为：利用高斯取整函数得到类别标签矩阵lc，c代表分类器：对lCNN和lAssist进行哈达码乘积得到最终输出类别标签矩阵l，其中lCNN和lAssist分别代表卷积神经网络和辅助分类器得到的类别标签矩阵：l＝lCNN*lAssist非零矩阵的类别标签矩阵l对应的SAR图像样本作为新增的训练样本，同时，最大概率对应类别作为其类别标签。步骤5、将判决后得到的样本及其对应的标签，作为新增的图像训练样本训练辅助分类器，同时，结合误差反向传播算法更新CNN模型的参数。设Pi与Pi+1分别表示该识别系统第i次与第i+1次更新学习后的识别准确率。当满足以下条件时：此时，即可停止更新学习迭代过程，保留max(Pi,Pi+1)对应的识别系统。其中，Ω及Θ为根据实际需求设定的数值。步骤6、重复步骤2、步骤3、步骤4，直到获得一个识别效率稳定可靠的识别系统。本发明的有益效果是：本发明利用CNN为主体提取SAR目标的深层特征进行分类，再结合辅助分类器的辅助判决，使得新增的无标签SAR图像可以直接运用于已有分类器，同时避免了样本重复训练，提高了识别效率。附图说明图1为卷积神经网络结构图。图2为更新学习框架图。图3为MSTAR坦克原始图像。图4为CNN结合SVM更新学习识别性能验证图。具体实施方式下面结合实例详细说明本发明的技术方案。实施例本发明的实施例采用MSTAR图像数据，现在对MSTAR进行简单的介绍。MSTAR(MovingandStationaryTargetAcquisitionRecognition)项目启动于1994年，它是由美国国防高级研究计划署(DefenseAdvancedResearchProjectAgency,DARPA)和空军研究室(AirForceResearchLaboratory,AFRL)提供的联合研究的一个SARATR课题。实验数据采用地面军事车辆的聚束式MSTARSAR图像集，图像分辨率为0.3m×0.3m，像素尺寸128×128。现在MSTAR数据已经成为考核SAR目标识别和分类算法的标准数据库。大部分在权威杂志和会议上发表的SAR目标识别和分类算法都是采用MSTAR数据进行测试和评估。附图3中MSTAR图像大小为128×128，图像中包含3个区域：坦克、阴影和背景。本发明是为了使SAR目标识别系统具有更新学习能力，能够有效利用新增的未知标签的SAR图像提升分类器的性能。因此，将训练样本分为初始样本和新增样本两部分，新增样本即测试样本又分多批次，模拟实际应用中样本分批获得的情况。测试样本为未知标签样本，测试后得到经过判决正确的样本及其标签作为下一次的训练样本，同时上一次训练得到的CNN模型作为下一次训练的初始CNN模型，在此基础上不断更新网络参数。表1记录了6次CNN模型参数的更新过程，其中测试数据集为Set1至Set6，带‘*’的数据集代表图像样本是原始数据集的一部分并且带有标签，即每个测试集合的部分样本实际是更新学习后CNN模型的训练样本组成部分。为了模拟初始样本数量较少的情况，在第一部分的实验中仅仅选择MSTAR十类目标各二十张样本图像。表1CNN模型参数的更新过程更新批次123456初始CNN模型随机模型1模型2模型3模型4模型5训练数据集种子图像集Set1*Set2*Set3*Set4*Set5*CNN模型模型1模型2模型3模型4模型5模型6测试数据集Set1Set2Set3Set4Set5Set6实验中一共分为六个测试集，每个测试集包含1000张SAR图像样本。具体类别及对应数量如表2所示。表2测试样本中各目标样本数量目标类型2S1BMP2BRDM2BTR60BTR70D7T62T72ZIL131ZSU234数量90195906565901351359090本实验包含三部分，分别为：(1)无辅助判决的更新学习，将每次测试样本在CNN模型上的结果作为新增的训练样本集，在已有的网络模型上进行训练，重复此过程以实现更新学习；(2)人为辅助的更新学习，人为去除CNN在测试样本上识别错误的样本，将正确分类的样本作为下一次的新增训练样本；(3)利用SVM作为辅助判决的更新学习，选择新增训练样本集，重复此过程实现更新学习，即本发明提出的方法。实验中，记录每一次测试的识别准确率以及错误样本数量。其识别性能如表3、表4、表5所示。表3无辅助判决的更新学习表4人为辅助的更新学习表5SVM辅助判决的更新学习在第三部分实验中，统计每一个更新批次中未正确识别的样本个数。如表6所示，未正确识别的样本数量随着更新批次的增加而不断减少。使用Test5得到的识别模型重新测试前5个测试集合，如图4所示，模型在每一个测试集合上的识别准确率都较高。表6SVM辅助判决的更新学习各阶段在各个目标上的错误识别样本数量从实验结果可以看出，无辅助判决的更新学习无法实现识别准确率的上升，随着更新批次的增加，错误标签样本的积累使得CNN模型的识别性能不断下降；结合人为辅助的更新学习，由于人为地去除了错误标签样本，CNN的识别性能随着更新学习批次的不断增加而逐步趋于平稳；SVM辅助判决的更新学习将识别准确率提高到89％，比人为地去除了错误标签样本的更新学习准确率高2.1％。实验证明，本发明在SAR图像目标识别应用中，可利用新增的无标签图像不断提升系统的识别性能。当前第1页1 2 3