一种基于散射中心特征提取的SAR目标识别方法

一种基于散射中心特征提取的sar目标识别方法
技术领域
1.本发明属于雷达技术领域，具体涉及一种基于散射中心特征提取的sar目标识别方法。


背景技术：

2.近年来，随着合成孔径雷达(synthetic aperture radar,sar)成像技术快速发展，sar图像包含目标在方位维和距离维的信息，可以直观地反映目标形状、轮廓等特性，这些信息对目标类别判断具有重要作用。因此，基于sar图像的雷达目标识别取得广泛关注。由于深度神经网络强大的特征挖掘能力，基于深度神经网络的方法在sar目标识别领域已经取得了重大进展。但是深度神经网络是一种纯数据驱动模型，网络可解释差、泛化能力有限。为了结合sar图像的物理机理，提升深度神经网络的可解释性和泛化能力，基于散射中心的sar目标识别方法已逐渐获得越来越多的关注。
3.传统基于深度神经网络的sar目标识别方法忽略sar图像的物理特性，网络的可解释性差，且这种纯数据驱动模型的泛化性差。本发明结合sar图像的物理模型，将电磁散射特性嵌入到深度神经网络中，提取具有sar图像的物理可解释散射中心特征，从而提升深度神经网络的可解释性，且散射中心特征具有稳健的电磁散射特性，基于散射中心特征的目标识别网络泛化性好。
4.现有基于散射中心的sar目标方法包含散射中心提取和目标识别两个独立的步骤，即首先采用稀疏重构算法提取散射中心，然后构建目标识别网络实现sar目标识别。这种做法会导致提取的散射中心特征与目标识别网络不匹配，限制最终的识别性能；而且这些方法采用传统稀疏求解算法进行散射中心特征提取，传统稀疏求解算法中存在超参数难确定的问题，提取的散射中心性能取决于经验参数的设置，散射中心提取的效果通常受限，这会影响后续的识别结果；同时，传统稀疏求解算法的计算复杂度高，散射中心提取过程的时间效率较低，实时性较差。


技术实现要素：

5.为了解决现有技术中所存在的上述问题，本发明提供了一种基于散射中心特征提取的sar目标识别方法。
6.本发明要解决的技术问题通过以下技术方案实现：
7.一种基于散射中心特征提取的sar目标识别方法，所述sar目标识别方法包括：
8.步骤1、获取待识别的sar图像；
9.步骤2、将所述待识别的sar图像输入至训练好的散射中心提取和目标识别一体化网络，得到识别结果；
10.其中，所述散射中心提取和目标识别一体化网络包括散射中心提取模块、图像重构模块和目标识别模块，所述散射中心提取模块用于从输入的sar图像中提取对应的散射中心，以输出散射系数，图像重构模块用于根据所述散射中心提取模块输出的散射系数，利
用傅里叶字典对sar图像进行稀疏重构，输出稀疏重构图像，以使所述图像重构模块的损失函数在训练过程中对所述散射中心提取模块产生约束，所述目标识别模块用于根据所述散射中心提取模块输出的散射系数构建的3d点云数据，以利用所述3d点云数据实现目标识别，得到识别结果。
11.可选地，所述散射中心提取模块包括卷积神经网络，所述卷积神经网络用于拟合非线性映射函数，在训练过程，所述卷积神经网络的输入是上一次迭代得到的散射系数，所述卷积神经网络的输出利用稀疏重构算法进行迭代求解，得到散射系数；
12.所述卷积神经网络包括4个依次连接的卷积层，卷积核的大小均设置为3
×
3，且前三层所述卷积层中含有激活函数relu，输出通道数为32，最后一层所述卷积层不含激活函数，输出通道数为1。
13.可选地，所述amp算法的迭代公式表示为：
[0014][0015]hk
＝α
kdt
d-i
[0016]rk-1
＝s-dvec(z
k-1
)
[0017]
其中，zk表示第k次迭代的散射系数，z
k-1
表示第k-1次迭代的散射系数，αk表示可调的控制参数，d表示傅里叶字典，t表示矩阵转置操作，vec表示将矩阵向量化，vec-1
(
·
)表示将向量矩阵化，表示非线性映射函数，i表示单位矩阵，s表示输入的sar图像。
[0018]
可选地，所述图像重构模块由单层线性全连接层构成，且所述单层线性全连接层的权值矩阵固定为傅里叶字典；
[0019]
所述sar图像的傅里叶字典的每一列表示为：
[0020]
d＝[d1(f,φ),...,di(f,φ),...,d
k0
(f,φ)]
[0021][0022][0023]
其中，d表示傅里叶字典，||
·
||2表示l2范数，vec表示将矩阵向量化，f表示频率，f∈(f
c-b/2,fc+b/2)，fc表示雷达载频，b表示带宽，φ表示方位角，φ∈(-φm/2,φm/2)，φm表示转角，c表示光速，表示虚部单元，(xi,yi)表示二维的位置坐标。
[0024]
可选地，所述图像重构模块的损失函数表示为：
[0025]
lr＝||s-dz||2+λl1(z)
[0026]
其中，lr表示所述图像重构模块的损失函数，z表示散射系数，l1(z)表示稀疏约束项，λ表示可调的权值参数，s表示原始的sar图像。
[0027]
可选地，所述目标识别模块包括点云识别网络和多层mlp网络，其中：
[0028]
点云识别网络，用于利用所述散射系数中包含的m个散射中心构造所述3d点云数据，其中，所述3d点云数据表示为ci表示第i个散射中心，ci＝(xi,yi,ai)，(xi,yi)表示二维的位置坐标，ai表示幅度；
[0029]
尺度归一网络，用于对所述3d点云数据进行归一化操作，得到归一化后的3d点云
数据；
[0030]
多层mlp网络，用于通过所述归一化后的3d点云数据，得到预测的概率向量；
[0031]
其中，所述多层mlp网络包括依次连接的第一全连接层、第二全连接层、第一平均池化层、第三全连接层、第四全连接层、第五全连接层、第二平均池化层、第六全连接层和第七全连接层，所述第七全连接层的输出经过softmax映射到对应标签，得到预测的概率向量。
[0032]
可选地，所述目标识别模块的损失函数表示为：
[0033][0034]
其中，lc表示所述目标识别模块的损失函数，c表示目标类别的总数量，yc表示真实标签，表示预测标签。
[0035]
可选地，所述散射中心提取和目标识别一体化网络的训练方法包括：
[0036]
s1、设置迭代次数epoch为q，最大迭代次数为q，设置随机梯度算法的学习率ρ；
[0037]
s2、采用正态分布对散射中心提取模块和目标识别模块中的网络参数进行随机初始化；
[0038]
s3、从训练数据集中选取m幅sar图像构成一个训练样本组，共得到t/训练样本组；
[0039]
s4、利用所述散射中心提取和目标识别一体化网络的损失函数计算每个训练样本组的损失函数lm，并利用随机梯度下降算法依次对每个所述训练样本组的损失函数lm进行优化，以训练散射中心提取模块和目标识别模块中的网络参数，完成一次迭代的训练过程；
[0040]
s5、计算连续两次迭代之间的损失函数，直至所述损失函数的变化率小于10-3
或者q＝q，则终止迭代，得到训练好的散射中心提取和目标识别一体化网络。
[0041]
可选地，所述损失函数lm表示为：
[0042][0043]
其中，si表示训练样本组中第i幅sar图像，d表示傅里叶字典，zi表示训练样本组中第i幅sar图像的散射系数，λ表示可调的权值参数，l1(zi)表示训练样本组中第i幅sar图像的散射系数的稀疏约束项，c表示目标类别的总数量，表示训练样本组中第i幅sar图像的真实标签，表示训练样本组中第i幅sar图像的预测标签。
[0044]
可选地，在步骤s5之后，还包括：
[0045]
s6、将测试数据集中待预测的sar图像样本s
*
输入所述散射中心提取模块中，得到散射系数z
*
；
[0046]
s7、将所述散射系数z
*
输入到所述目标识别模块中，得到预测的标签向量y
*
；
[0047]
s8、基于标签向量y
*
，将所述待预测的sar图像样本s
*
判断为具有最大概率值的那一维所属类别，完成对所述待预测的sar图像样本s
*
的类别预测。
[0048]
与现有技术相比，本发明的有益效果：
[0049]
本发明提出了一种基于散射中心特征提取的sar目标识别方法，构建了一个端到端的散射中心提取-目标识别一体化网络，该网络包含三个模块：散射中心提取模块、图像
重构模块和目标识别模块。散射中心提取模块用于提取散射中心特征；图像重构模块结合了sar图像的散射中心模型，对提取的散射中心特征进行图像稀疏重构；目标识别模块对提取的散射中心特征进行目标识别。这三个模块在一个端到端的深度神经网络框架中，利用该网络可以直接推断得到测试图像的散射中心特征和类别预测结果。由此，本发明通过将sar图像的物理模型嵌入深度神经网络，构建了一个深度可解释的网络模型，实现了机理与数据联合驱动的sar目标识别网络，通过提取具有明确物理含义的散射中心特征，提升了现有深度神经网络的可解释能力。
[0050]
本发明提出的sar目标识别方法首次实现了散射中心提取-目标识别一体化，可以有效避免现有两阶段独立带来的散射中心特征与目标识别网络不匹配的问题，从而达到更高的识别准确性；同时相比于两阶段独立的方法，所提方法具有较高的时间效率，在实际情况中具有更好的实用性。
[0051]
以下将结合附图及对本发明做进一步详细说明。
附图说明
[0052]
图1是本发明实施例提供的一种基于散射中心特征提取的sar目标识别方法的流程示意图；
[0053]
图2是本发明实施例提供的一种基于散射中心特征提取的sar目标识别方法的整体框图；
[0054]
图3是本发明实施例提供的一种散射中心提取模块的示意图；
[0055]
图4是本发明实施例提供的一种图像重构模块的示意图；
[0056]
图5是本发明实施例提供的一种点云识别模块的示意图。
具体实施方式
[0057]
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
[0058]
实施例一
[0059]
目前大多数基于深度神经网络的合成孔径雷达目标识别方法是纯数据驱动模型，忽略了sar图像的物理特性，导致模型的物理可解释差。散射中心特征是sar图像一种典型的物理特征，该特征从sar成像的角度描述了目标的电磁散射特性，且散射中心特征的泛化性好，可以提升模型在测试数据集上的泛化能力。因而，结合sar图像的散射中心特征提取可以设计一种合适的网络模型，从而实现物理机理与数据联合驱动，提升深度神经网络的物理可解释性与泛化性。因此，本发明解决的关键技术问题是如何将sar图像的物理机理融入深度神经网络，设计物理可解释的网络来提取sar图像的散射中心特征，以及如何设计合适的分类网络将提取的散射中心特征用于识别，最终达到较优的sar目标识别性能。
[0060]
因此，请参见图1和图2，图1是本发明实施例提供的一种基于散射中心特征提取的sar目标识别方法的流程示意图，图2是本发明实施例提供的一种基于散射中心特征提取的sar目标识别方法的整体框图。本发明实施例提供一种基于散射中心特征提取的sar目标识别方法，该sar目标识别方法包括：
[0061]
步骤1、获取待识别的sar图像；
[0062]
步骤2、将待识别的sar图像输入至训练好的散射中心提取和目标识别一体化网络，得到识别结果；
[0063]
其中，散射中心提取和目标识别一体化网络包括散射中心提取模块、图像重构模块和目标识别模块，散射中心提取模块用于从输入的sar图像中提取对应的散射中心，以输出散射系数，图像重构模块用于根据散射中心提取模块输出的散射系数，利用傅里叶字典对sar图像进行稀疏重构，输出稀疏重构图像，以使图像重构模块的损失函数在训练过程中对散射中心提取模块产生约束，由此可以使散射中心提取模块提取得到所希望的散射中心特征，目标识别模块用于根据散射中心提取模块输出的散射系数构建的3d点云数据，以利用3d点云数据实现目标识别，得到识别结果。
[0064]
在一个具体实施例中，散射中心提取模块包括卷积神经网络，卷积神经网络用于拟合非线性映射函数，在训练过程，卷积神经网络的输入是上一次迭代得到的散射系数，卷积神经网络的输出利用稀疏重构算法进行迭代求解，得到散射系数；
[0065]
卷积神经网络包括4个依次连接的卷积层，卷积核的大小均设置为3
×
3，且前三层所述卷积层中含有激活函数relu，输出通道数为32，最后一层所述卷积层不含激活函数，输出通道数为1。
[0066]
也就是说，散射中心提取模块的目的是从输入sar图像中提取对应的散射中心，一般地，sar图像的散射中心提取过程可以看作以下的稀疏求解问题：
[0067][0068]
其中，s表示输入的sar图像，z表示待求解的散射系数，d表示傅里叶字典，λ表示可调的权值参数，||
·
||2和||
·
||1分别表示l2和l1范数。为了求解散射系数z，采用稀疏重构算法amp进行迭代求解，该算法的迭代公式表示为：
[0069][0070]hk
＝α
kdt
d-i
[0071]rk-1
＝s-dvec(z
k-1
)
[0072]
其中，k表示迭代次数，vec(
·
)表示将矩阵向量化，vec-1
(
·
)表示将向量矩阵化，表示非线性映射函数，αk表示可调的控制参数。为了利用上述迭代公式求解散射系数z，本发明采用深度展开网络amp-net构成了散射中心提取模块。
[0073]
请参见图3，下面对本发明实施例构建的散射中心提取模块作进一步的描述。
[0074]
散射中心提取模块将amp算法进行深度展开，利用卷积神经网络来拟合amp算法迭代步骤中的非线性映射过程，构成深度展开网络amp-net。具体地，该散射中心提取模块的输入为sar图像s，本实施例采用四个卷积层来拟合卷积核的大小均设置为3
×
3，且前三个卷积层中含有激活函数relu，输出通道数为32；最后一层不含激活函数，输出通道数为1。卷积神经网络的输入是上一次迭代得到的散射系数z
k-1
，网络的输出代入amp算法迭代中，最终散射中心提取模块输出sar图像s的散射系数z。
[0075]
在本实施例中，图像重构模块的目的是根据散射中心提取模块得到的散射系数z，
利用傅里叶字典d对原始输入sar图像进行稀疏重构，根据散射中心模型：
[0076]
s＝dz
[0077]
散射系数z包含散射中心的位置和幅度信息，且散射中心具有在目标上稀疏分布的特性，因此，基于上述散射中心模型得到的sar图像表示对原始sar图像s的稀疏重构。
[0078]
在一个具体实施例中，请参见图4，下面对本发明实施例构建的图像重构模块作进一步的描述。
[0079]
图像重构模块的输入为散射中心提取模块得到的散射系数z，输出为原始sar图像的稀疏重构图像图像重构模块由单层线性全连接层构成，且该单层线性全连接层的权值矩阵固定为傅里叶字典d。对于sar图像，其傅里叶字典的每一列表示为：
[0080]
d＝[d1(f,φ),...,di(f,φ),...,d
k0
(f,φ)]
[0081]
其中，且
[0082][0083]
其中，f表示频率，f∈(f
c-b/2,fc+b/2)，fc表示雷达载频，b表示带宽；φ表示方位角，φ∈(-φm/2,φm/2)，φm表示转角，c表示光速，表示虚部单元，(xi,yi)表示二维的位置坐标。
[0084]
图像重构模块的损失函数lr表示为：
[0085]
lr＝||s-dz||2+λl1(z)
[0086]
其中，l1(z)表示稀疏约束项，本发明采用l1范数约束散射系数z的稀疏性，λ表示可调的权值参数。
[0087]
在本实施例中，目标识别模块的目的是根据散射中心提取模块得到的散射系数z，构建点云识别网络实现目标识别。首先，假设散射中心提取模块对原始sar图像s提取得到的散射系数z中包含m个散射中心，且每个散射中心由位置和幅度构成，第i个散射中心表示为ci＝(xi,yi,ai)(i＝1,
…
,m)，其中(xi,yi)表示二维的位置坐标，ai表示幅度。因此，散射系数z中包含的m个散射中心构造的3d点云数据表示为
[0088]
在一个具体实施例中，请参见图5，目标识别模块包括点云识别网络和多层mlp(全连接层)网络，其中：
[0089]
点云识别网络，用于利用散射系数中包含的m个散射中心构造3d点云数据；
[0090]
尺度归一网络，用于对3d点云数据进行归一化操作，得到归一化后的3d点云数据；
[0091]
多层mlp网络，用于通过归一化后的3d点云数据，得到预测的概率向量；
[0092]
其中，多层mlp网络包括依次连接的第一全连接层、第二全连接层、第一平均池化层、第三全连接层、第四全连接层、第五全连接层、第二平均池化层、第六全连接层和第七全连接层，第七全连接层的输出经过softmax映射到对应标签，得到预测的概率向量。
[0093]
也就是说，本实施例首先将构建的3d点云数据输入到尺度归一网络中，本发明采用的是仿射变换对每一个点云数据ci＝(xi,yi,ai)进行归一化操作；之后将归一化后的3d点云数据输入至多层mlp网络中，将第七全连接层的输出经过softmax映射到对应标签，得到预测的概率向量。
[0094]
这里，目标识别模块的损失函数lc表示为：
[0095][0096]
其中，yc表示真实标签，例如包含十类目标，因此标签yc∈{0,1,2,
…
,9}；表示预测标签，即为第七全连接层的第c个节点的输出。
[0097]
在一个具体的实施例中，本发明还提供了一种散射中心提取和目标识别一体化网络的训练方法，在训练之前首先需要生成训练数据集和测试数据集，具体的，本发明的实施例是将包含十类车辆目标的“运动与静止目标的获取与识别”(moving and stationary target acquisition,mstar)数据集中雷达工作俯仰角为17
°
共2746张sar图像作为训练数据集，雷达工作俯仰角为15
°
共2426张sar图像作为测试数据集。
[0098]
在本实施例中，散射中心提取和目标识别一体化网络的训练方法包括：
[0099]
s1、设置迭代次数epoch为q，最大迭代次数为q，设置随机梯度算法的学习率ρ，例如q＝100，ρ＝10-4
。
[0100]
s2、采用正态分布对散射中心提取模块和目标识别模块中的网络参数进行随机初始化。
[0101]
s3、从训练数据集中选取m幅sar图像构成一个训练样本组(即minibatch)，共得到t/训练样本组，如共2746/m个minibatch。
[0102]
s4、利用散射中心提取和目标识别一体化网络的损失函数计算每个训练样本组的损失函数lm，并利用随机梯度下降算法依次对每个训练样本组的损失函数lm进行优化，以训练散射中心提取模块和目标识别模块中的网络参数，完成一次迭代的训练过程。
[0103]
具体而言，从训练数据集中选取m幅sar图像构成一个minibatch，如共2746/m个minibatch，计算每个minibatch中的样本所构建网络的损失函数lm：
[0104][0105]
利用随机梯度下降算法对上述目标函数进行优化，训练散射中心提取模块和目标识别模块中的网络参数，依次采用2746/m个minibatch进行网络参数的迭代优化，完成一个epoch的训练过程，在本实施例中，m＝2，λ＝0.5，c＝10。
[0106]
s5、计算连续两次迭代之间的损失函数，直至损失函数的变化率小于10-3
或者q＝q，则终止迭代，得到训练好的散射中心提取和目标识别一体化网络。
[0107]
在得到训练好的散射中心提取和目标识别一体化网络之后，对训练好的散射中心提取和目标识别一体化网络进行了测试。
[0108]
s6、将测试数据集中待预测的sar图像样本s
*
输入散射中心提取模块中，得到散射系数z
*
。
[0109]
s7、将散射系数z
*
输入到目标识别模块中，得到预测的标签向量y
*
。
[0110]
s8、基于标签向量y
*
，将待预测的sar图像样本s
*
判断为具有最大概率值的那一维所属类别，完成对待预测的sar图像样本s
*
的类别预测。
[0111]
第一，本发明将sar图像的物理模型嵌入深度神经网络，构建了散射中心提取模块，基于深度学习机制来准确提取sar图像的散射中心特征。而现有方法均是采用传统稀疏
重构算法用于散射中心提取，传统算法计算复杂度高、超参数难确定，导致散射中心特征提取不准确，影响目标识别性能。本发明中所提方法构建深度网络利用训练数据基于随机梯度下降算法学习sar图像到散射中心特征之间的非线性映射关系，可以更加准确的学习散射中心特征，从而有利于目标识别性能的提升。
[0112]
第二，本发明所提方法是一种端到端的散射中心提取-目标识别一体化深度框架，包括散射中心特征提取模块、图像重构模块和目标识别模块，采用随机梯度算法对各个模块的网络参数进行联合优化。而目前大部分方法中散射中心提取和目标识别是两个独立的两个步骤，这会导致提取的散射中心特征与目标识别网络失配，影响最终的识别结果。另外，本发明中所提方法各个模块训练结束后，在测试阶段可以通过前向传播得到测试图像的散射中心特征和识别结果，相比于两阶段独立的方法需要重新采用稀疏重构算法提取散射中心，本发明所提方法具有更高的时间效率，说明了所提方法在实际应用中的时间高效性。
[0113]
下面结合实测数据实验对本发明的效果作进一步的说明：
[0114]
1.实验条件与实验内容
[0115]
本实验采用的软件平台为：ubuntu 18.04linux操作系统，python3.6，pytorch。
[0116]
本实验采用的硬件平台为：戴尔t7910工作站，cpu：intel core(tm)i7-4770，gpu：nvidia geforce rtx 3080ti。
[0117]
本实验采用的数据采用的是sar目标识别实验采用的是mstar实测数据集，它是由x带宽sar传感器测量得到的。该数据集的sar传感器参数如表1.1所示。在该数据集中，每个数据的形式为一幅复值sar图像，且每幅sar图像的分辨率为，图像尺寸为0.3m
×
0.3m。数据集中所有sar图像的方位角范围为0
°
至360
°
，俯仰角包含17
°
和15
°
。该数据集包含十类车辆目标，分别是：bmp2,btr70,t72,t62,brdm2,btr60,zsu23/4,d7,zil131和2s1。训练数据集为17
°
俯仰角下的包含2746张sar图像，测试数据为15
°
俯仰角下的包含2426张sar图像，具体的每一类样本数如表1.2所示。
[0118]
表1.1 mstar数据集的sar传感器参数
[0119][0120]
表1.2 mstar数据集的sar传感器参数
[0121][0122]
2.实验结果与分析
[0123]
测试数据集的识别结果评价指标：识别准确率＝正确判断的样本数/总的样本数，为了验证本发明所提方法的识别性能，表1.3给出了所提方法在十类测试样本上的混淆矩阵，其中每一行表示对每一类目标的识别结果，实验结果表明所提方法可以准确识别每一类目标，在其他类上的错误识别率较低，并且最终取得较优的平均识别准确率。
[0124]
表1.3 所提方法在十类测试样本上的混淆矩阵
[0125][0126][0127]
为了和一些其他对比方法进行对比，对比方法包括传统方法svm、卷积神经网络vgg16、现有基于散射中心的识别方法fgl，对比实验结果如表1.4所示。根据实验结果可知，所提方法相比于对比方法，取得更优的识别准确率。和传统方法svm对比，所提方法是一种深度神经网络方法，具有强大的特征挖掘能力，可以取得更好的识别性能；和卷积神经网络vgg16相比，所提方法结合了sar图像的物理特性，挖掘了散射中心特征可以表示sar目标的
结构特性，从而达到更优性能；与现有基于散射中心的识别方法fgl相比，所提方法是一个端到端的深度神经网络，避免了特征提取和目标识别不匹配的问题，因此具有更高的识别准确性能。
[0128]
表1.4所提方法和对比方法的识别率对比结果
[0129]
不同方法识别准确率(％)svm96.78vgg1698.85fgl99.08所提方法99.51
[0130]
随着深度神经网络逐渐显示出强大的特征挖掘能力非线性拟合能力，基于深度神经网络的sar目标方法已经在雷达感知领域取得了越来越多的关注。目前大部分的基于深度神经网络的sar目标方法是一种纯数据驱动方法，即利用大量的sar图像训练数据学习与分类有关的可分特征，忽略了sar图像本身的物理特性，比如电磁散射特性。这种纯数据驱动的神经网络方法是一个“黑匣子”的结构，提取的特征较抽象，在实际应用中具有一定的决策风险。随着对深度神经网络的研究越来越深入，除了保证模型的性能，还希望将物理机理与深度神经网络相结合，提升深度神经网络的透明性，学习可解释的特征，降低实际中的决策风险。因此，本发明将sar图像的物理模型嵌入深度神经网络，设计了一个卷积网络结构提取sar图像的散射中心特征，该特征具有明确的物理含义，表示sar图像中目标的强散射点的位置和幅度信息，有效地提升了深度神经网络的可解释性。因此，在实际sar目标识别的应用场景中，本发明所提方法具有较强的决策可靠性。
[0131]
本发明所提模型可以实现雷达参数和模型的解耦，具体地，本发明所提方法基于sar图像的物理模型构建了一个图像重构模块，将傅里叶字典作为网络的权值矩阵，而雷达成像参数体现在傅里叶字典中，对于不同雷达成像参数下获得的sar图像，通过调整对应的傅里叶字典，可以获取对应雷达成像参数下的散射中心特征，模型具有较好的泛化性。而传统的基于深度神经网络的sar目标方法仅仅依赖于训练图像中的目标轮廓、线条等结构特征，因此这些方法对图像中结构特性的变化较为敏感，当雷达成像参数变化时，sar图像的散射特性发生较大变化，目标的结构特性发生变化，这些方法的识别性能将会明显下降，模型的泛化性差。因此，本发明所提方法可以实现不同雷达参数下获取的sar图像数据中的目标散射中心特征提取，具有较好的不同雷达参数间泛化性能，在实际场景中具有强大的应用前景。
[0132]
需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0133]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施
例或示例进行接合和组合。
[0134]
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图以及公开内容，可理解并实现所述公开实施例的其他变化。在说明书中，“包括”一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。相互不同的实施例中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
[0135]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

技术特征：
1.一种基于散射中心特征提取的sar目标识别方法，其特征在于，所述sar目标识别方法包括：步骤1、获取待识别的sar图像；步骤2、将所述待识别的sar图像输入至训练好的散射中心提取和目标识别一体化网络，得到识别结果；其中，所述散射中心提取和目标识别一体化网络包括散射中心提取模块、图像重构模块和目标识别模块，所述散射中心提取模块用于从输入的sar图像中提取对应的散射中心，以输出散射系数，图像重构模块用于根据所述散射中心提取模块输出的散射系数，利用傅里叶字典对sar图像进行稀疏重构，输出稀疏重构图像，以使所述图像重构模块的损失函数在训练过程中对所述散射中心提取模块产生约束，所述目标识别模块用于根据所述散射中心提取模块输出的散射系数构建的3d点云数据，以利用所述3d点云数据实现目标识别，得到识别结果。2.根据权利要求1所述的sar目标识别方法，其特征在于，所述散射中心提取模块包括卷积神经网络，所述卷积神经网络用于拟合非线性映射函数，在训练过程，所述卷积神经网络的输入是上一次迭代得到的散射系数，所述卷积神经网络的输出利用稀疏重构算法进行迭代求解，得到散射系数；所述卷积神经网络包括4个依次连接的卷积层，卷积核的大小均设置为3
×
3，且前三层所述卷积层中含有激活函数relu，输出通道数为32，最后一层所述卷积层不含激活函数，输出通道数为1。3.根据权利要求2所述的sar目标识别方法，其特征在于，所述amp算法的迭代公式表示为：h
k
＝α
k
d
t
d-ir
k-1
＝s-dvec(z
k-1
)其中，z
k
表示第k次迭代的散射系数，z
k-1
表示第k-1次迭代的散射系数，α
k
表示可调的控制参数，d表示傅里叶字典，t表示矩阵转置操作，vec表示将矩阵向量化，vec-1
(
·
)表示将向量矩阵化，表示非线性映射函数，i表示单位矩阵，s表示输入的sar图像。4.根据权利要求1所述的sar目标识别方法，其特征在于，所述图像重构模块由单层线性全连接层构成，且所述单层线性全连接层的权值矩阵固定为傅里叶字典；所述sar图像的傅里叶字典的每一列表示为：所述sar图像的傅里叶字典的每一列表示为：所述sar图像的傅里叶字典的每一列表示为：其中，d表示傅里叶字典，||
·
||2表示l2范数，vec表示将矩阵向量化，f表示频率，f∈(f
c-b/2,f
c
+b/2)，f
c
表示雷达载频，b表示带宽，φ表示方位角，φ∈(-φ
m
/2,φ
m
/2)，φ
m
表
示转角，c表示光速，表示虚部单元，(x
i
,y
i
)表示二维的位置坐标。5.根据权利要求4所述的sar目标识别方法，其特征在于，所述图像重构模块的损失函数表示为：l
r
＝||s-dz||2+λl1(z)其中，l
r
表示所述图像重构模块的损失函数，z表示散射系数，l1(z)表示稀疏约束项，λ表示可调的权值参数，s表示原始的sar图像。6.根据权利要求1所述的sar目标识别方法，其特征在于，所述目标识别模块包括点云识别网络和多层mlp网络，其中：点云识别网络，用于利用所述散射系数中包含的m个散射中心构造所述3d点云数据，其中，所述3d点云数据表示为c
i
表示第i个散射中心，c
i
＝(x
i
,y
i
,a
i
)，(x
i
,y
i
)表示二维的位置坐标，a
i
表示幅度；尺度归一网络，用于对所述3d点云数据进行归一化操作，得到归一化后的3d点云数据；多层mlp网络，用于通过所述归一化后的3d点云数据，得到预测的概率向量；其中，所述多层mlp网络包括依次连接的第一全连接层、第二全连接层、第一平均池化层、第三全连接层、第四全连接层、第五全连接层、第二平均池化层、第六全连接层和第七全连接层，所述第七全连接层的输出经过softmax映射到对应标签，得到预测的概率向量。7.根据权利要求6所述的sar目标识别方法，其特征在于，所述目标识别模块的损失函数表示为：其中，l
c
表示所述目标识别模块的损失函数，c表示目标类别的总数量，y
c
表示真实标签，表示预测标签。8.根据权利要求1所述的sar目标识别方法，其特征在于，所述散射中心提取和目标识别一体化网络的训练方法包括：s1、设置迭代次数epoch为q，最大迭代次数为q，设置随机梯度算法的学习率ρ；s2、采用正态分布对散射中心提取模块和目标识别模块中的网络参数进行随机初始化；s3、从训练数据集中选取m幅sar图像构成一个训练样本组，共得到t/训练样本组；s4、利用所述散射中心提取和目标识别一体化网络的损失函数计算每个训练样本组的损失函数l
m
，并利用随机梯度下降算法依次对每个所述训练样本组的损失函数l
m
进行优化，以训练散射中心提取模块和目标识别模块中的网络参数，完成一次迭代的训练过程；s5、计算连续两次迭代之间的10-3
i损失函数，直至所述损失函数的变化率小于或者q＝q，则终止迭代，得到训练好的散射中心提取和目标识别一体化网络。9.根据权利要求8所述的sar目标识别方法，其特征在于，所述损失函数l
m
表示为：其中，s
i
表示训练样本组中第i幅sar图像，d表示傅里叶字典，z
i
表示训练样本组中第幅
sar图像的散射系数，λ表示可调的权值参数，l1(z
i
)表示训练样本组中第i幅sar图像的散射系数的稀疏约束项，c表示目标类别的总数量，表示训练样本组中第i幅sar图像的真实标签，表示训练样本组中第i幅sar图像的预测标签。10.根据权利要求8所述的sar目标识别方法，其特征在于，在步骤s5之后，还包括：s6、将测试数据集中待预测的sar图像样本s
*
输入所述散射中心提取模块中，得到散射系数z
*
；s7、将所述散射系数z
*
输入到所述目标识别模块中，得到预测的标签向量y
*
；s8、基于标签向量y
*
，将所述待预测的sar图像样本s
*
判断为具有最大概率值的那一维所属类别，完成对所述待预测的sar图像样本s
*
的类别预测。

技术总结
本发明公开了一种基于散射中心特征提取的SAR目标识别方法，包括：步骤1、获取待识别的SAR图像；步骤2、将所述待识别的SAR图像输入至训练好的散射中心提取和目标识别一体化网络，得到识别结果。本发明通过将SAR图像的物理模型嵌入深度神经网络，构建了一个深度可解释的网络模型，实现了机理与数据联合驱动的SAR目标识别网络，通过提取具有明确物理含义的散射中心特征，提升了现有深度神经网络的可解释能力。力。力。


技术研发人员：杜兰 廖磊瑶 陈健 曹卓为
受保护的技术使用者：西安电子科技大学
技术研发日：2023.05.24
技术公布日：2023/9/20