基于cnn的sar目标识别方法
【技术领域】
[0001] 本发明属于雷达技术领域，特别涉及雷达目标的识别方法，用以解决现有目标识 别方法对SAR图像中待识别目标的平移敏感性问题。
【背景技术】
[0002] 合成孔径雷达SAR具有全天候、全天时、分辨率高以及穿透力强等特点，广泛应用 于军事侦察和遥感领域。雷达成像技术在对地面目标特别是地面静止目标探测方面具有独 特的优势，随着SAR技术不断成熟，成像分辨率不断提高，使得通过SAR图像的目标识别技 术受到越来越广泛的关注。
[0003] 卷积神经网络CNN是人工神经网络的一种，已成为当前语音分析和图像识别领域 的研宄热点。它的权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂 度，减少了权值的数量。该优点在网络的输入是多维图像时表现的更为明显，使图像可以直 接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是 为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者 共他形式的变形具有高度不变性。
[0004] 当前的SAR图像目标识别方法通常基于MSTAR数据库进行的，在MSTAR数据样本 中，待识别目标区域都位于图像正中心位置。但是，实际SAR成像得到的样本其待识别目 标区域会处于SAR图像的任意位置，而现有的目标识别方法受目标区域所处位置的影响较 大，造成识别率降低。
【发明内容】
[0005] 本发明目的在于针对现有技术的不足，提供了一种基于CNN的SAR目标识别方法， 以避免受目标区域所在位置的影响，提高目标识别率。
[0006] 实现本发明目的的技术思路是：首先对MSTAR数据库进行预处理，将MSTAR训练样 本中的待识别目标区域进行多次的随机平移，以逼近目标区域在样本中任意位置的可能， 产生的新样本扩充入原始样本中一同作为训练样本输入到基于caffe架构的CNN中进行训 练，之后对测试样本也同样进行平移扩充再输入到训练好的CNN中检验其识别率，其具体 步骤包括如下：
[0007] (I) SAR图像样本获取步骤：
[0008] 从MSTAR数据集中获取698幅SAR图像和相应的类别标签作为训练样本，获取 1365幅SAR图像和相应的类别标签作为测试样本，每幅SAR图像的待识别目标区域均在图 像正中心位置；
[0009] (2)样本训练步骤：
[0010] (2A)对训练样本中每个SAR图像的待识别目标区域进行多次的随机平移，每次平 移产生一个新的训练样本图像；在新的训练样本图像上标记与原始训练样本图像相同的类 别标签，得到扩充后的训练样本；
[0011] (2B)构建基于caffe架构的卷积神经网络CNN的网络结构，该CNN网络结构由两 层卷积层和两层全连接层构成；
[0012] (2C)将扩充后的训练样本输入到CNN网络模型中进行训练，得到训练好的CNN网 络模型；
[0013] (3)样本测试步骤：
[0014] (3A)对测试样本中每个SAR图像的待识别目标区域进行多次随机平移，每次平移 后产生一个新的测试样本图像；在新的测试样本图像上标记与原始测试样本图像相同的类 别标签，得到扩充后的测试样本；
[0015] (3B)将扩充后的测试样本输入到训练好的CNN网络模型中得到特征向量，再将特 征向量输入到一个softmax分类器进行分类，根据测试样本的类别标签与分类器的输出结 果得出网络识别率。
[0016] 本发明与现有技术相比具有以下优点：
[0017] 1.识别率高
[0018] 本发明首先对训练样本中待识别目标进行大量的平移扩充，样本量充足，而且其 训练样本充分涵盖了待识别目标处于样本图像任意位置的可能；再通过CNN两层卷积层的 特征提取过程，使得对该训练样本的特征提取全面，提高了识别率。
[0019] 2.网络结构突出
[0020] 本发明采用两层卷积层和两层全连接层的CNN网络结构，该CNN网络结构对MSTAR 数据集具有很好的拟合性；该网络是利用滑动的卷积核窗口与输入样本卷积的操作来进行 特征提取的，因此对SAR图像形变以及平移等几何变换具有高度不变性，进一步提高了识 别率。
【附图说明】
[0021] 图1是本发明的实现流程图；
【具体实施方式】
[0022] 参照图1，本发明的识别方法包括训练和测试两个阶段，具体步骤如下：
[0023] 一 ·训练阶段
[0024] 步骤1，获取SAR图像训练样本和测试样本。
[0025] 实验所用数据为公开的MSTAR数据集，本实验使用的MSTAR数据集包括俯仰角 在15°和17°下三大类目标：BMP2，BTR70和T72。实验中选取17°俯仰角下图像数据作 为训练样本，原始训练样本为698幅目标图像和相应的类别标签，选取15°俯仰角下图像 数据作为测试样本，原始测试样本为1365幅目标图像和相应的类别标签，所有样本大小为 128*128像素，所有原始样本图像的待识别目标区域均在图像正中心位置。
[0026] 步骤2,将训练样本中的SAR图像目标区域进行随机平移。
[0027] (2a)对训练样本中每一个SAR图像的背景采用围绕边界进行镜像反射填充，即在 matlab语言中用以下命令实现：
[0028] New_image = padarray(image, padsize, ^symmetric?)；
[0029] 其中New_image表示填充后的SAR图像，image表示原始图像，padsize表示填充 的行数与列数；
[0030] (2b)将填充后的SAR图像中任一像素点坐标（x，y)经X轴平移tx个单位，经 y轴平移ty个单位得到（x'，y'），其中X' =x+tx，y' =7+&，仁和％分别随机取区间 [_width/2，width/2]和[_height/2，height/2]中的任一整数，height 为待识别目标区域 的长，width为待识别目标区域的宽；
[0031] (2c)以（width/2，height/2)为起点坐标，从填充、平移后的SAR图像中截取与原 始SAR图像训练样本同样大小的区域，得到一个新的训练样本图像。
[0032] 步骤3,扩充训练样本。
[0033] 在随机平移得到的新训练样本图像上标记与原始训练样本