文摘

问题的合成孔径雷达(SAR)图像目标识别的方法通过组合提出了多级深度特性。剩余网络(ResNet)用于SAR图像的多级深度特征学习。基于相似性度量,多层次深功能集群和几个特性集。然后,每个特性集的特点是由联合稀疏表示和分类(JSR)和相应的输出结果。最后,不同的特征集的结果结合使用加权融合获取目标识别结果。本文提出的方法能有效地结合的优势ResNet和JSR特征提取和分类,提高整体识别性能。进行实验和分析MSTAR数据集丰富的样本。结果表明,该方法可以实现性能优越十种目标样本标准操作条件下(SOC),噪音干扰,和遮挡条件,验证其有效性。

1。介绍

通过处理得到的高分辨率图像合成孔径雷达(SAR),分析和解释重点区域或感兴趣的目标可以实现。SAR目标识别技术可用于侦察和情报解释(1- - - - - -3]。自1990年代以来,SAR目标识别方法丰富和发展了模式识别和人工智能技术的发展,并取得了相当大的进展。主流SAR目标识别方法通常使用一个两阶段的过程特征提取和分类来确定未知的目标标签样本。典型的SAR图像目标特征包括几何形状(4- - - - - -7)、投影转换(8- - - - - -12),和电磁散射(13- - - - - -16]。目标轮廓、区域、阴影等,代表形状特征,能够区分不同的类别。投影变换算法包括数学投影法和变换域分解。前者包括矩阵分解和多方面的学习,后者包括小波、单基因信号、模态分解。电磁散射特性反映了目标的后向散射特性,如峰值、散射中心,和极化。分类与特征提取阶段紧密耦合,和使用特性的差异来确定输入样本的类别。最近邻分类器(17- - - - - -19),支持向量机(SVM) [20.- - - - - -24(SRC)[],稀疏表示分类25- - - - - -30.)是最广泛使用的分类器在现有的SAR目标识别方法。与深度学习技术的迅速发展,近年来,深度学习模型由卷积神经网络(CNN) (31日- - - - - -38)也用于SAR目标识别。

现有的研究基础上,提出了一种SAR目标识别方法结合多级深度特性。特性的学习阶段,深残余网络(ResNet) [39- - - - - -43用于学习目标多层次特征图。与传统的手工制作的功能相比,特征图谱从ResNet描述能力更强的优势,可以为决策提供更充分的歧视信息阶段(44,45]。考虑到可能的多级深度特性之间的相关性,本文使用向量的相关性为基本准则来执行聚类分析在不同深度特性获得多个深度特性集。后来,联合稀疏表示(JSr)是用来描述和分类不同的特性集,以便进一步利用其内部关系。最后,不同的特征集的结果是线性加权和融合来获得可靠的识别结果。在实验中,标准的操作条件(SOC)和典型扩展操作条件(转换端)设置基于MSTAR数据集测试和验证方法,结果显示其有效性和鲁棒性。

2。学习的深度由ResNet特性

ResNet提出了开明他和已经被完全验证图像检测和分割的比赛(20.,21]。与网络层的数量不断增加,学习功能更加丰富,可以更好地反映的多方面特征图像中感兴趣的目标。然而,与此同时,它还将导致一个严重的梯度消失问题。出于这个原因,ResNet提出残余学习克服网络优化的难度。假设 代表了最佳映射,堆叠非线性层用于获得一个新的映射 ,然后,当前最好的映射 是获得。 可以通过添加“快速连接”操作在前馈网络。这个操作效率高和鲁棒性的优点,不会带来额外的计算复杂度。

现有研究结果的有效性验证ResNet领域的图像处理(如目标探测和识别)。出于这个原因,介绍了在SAR目标识别,主要用于多级深度学习和习得的特性。ResNet结构中使用本文包含20层。与一般的CNN, ResNet可以实现输入和随后的不相邻层之间的直接连接,从而最大限度地减少信息损失的问题。ResNet简化了网络学习的难度,提高整体培训效率。设计网络可以学习多层次特征图谱的SAR图像丰富的描述。这些特性能够反映图像中目标的不同特点,可以从不同的方面为目标识别提供有效的区别的信息。

3所示。基于相关性原理聚类的特性

深特性获得的SAR图像相同,可能会有一些地方在他们的内在相关性。由于这个原因,有必要进行相关分析多级深度特性。本文使用传统的向量相关性作为准则来设计深度特征聚类算法。假设多层次特征通过ResNet深处 ,每两个不同的特征向量之间的相关性是首先计算并记录在表1。随后的算法1描述,

表1
相关矩阵的特征向量。
步骤1:设置阈值的相关性 并初始化t= 1;
第二步:设置 作为初始聚类中心,记录 ,和执行以下周期的判断
为j= {1,2,…,N}
如果
结束
结束
第三步:得到一组特性
步骤4:更新 ,t=t+ 1;重复步骤1∼3直到所有集群功能。
算法1
深特性的聚类算法。

在上面的步骤中,符号“\”意味着其余操作; 表明相关系数 每个特性的 高于阈值 。一般来说,一些实证分析和测试可以用来选择一个合适的阈值。规范化相似性的条件下,阈值通常倾向于中间值的区间,确保平衡特性的相关性和独立性。上述聚类算法后,原来的N特征向量是划分为几个特性集。包含多个特征向量的一个子集,他们分享内部相关性相对较高。

4所示。通过结合多级深度特征识别方法

4.1。JSR的原则

JSR是一个多任务学习算法,主要用于多个相关稀疏表示问题[10- - - - - -13]。为多个深度特征向量相同的特性,本文采用JSR的特征和分类。让米特征向量是 ;他们的独立的稀疏表示问题如下: 在哪里 , ,和 对应的字典稀疏系数向量和代表性误差k分别th特性。

的稀疏表示的问题米特性可以共同研究,获得的模型如下: 在哪里 是包含所有的稀疏系数向量的矩阵。

联合表示模型公式所示(2)只有统一的形式,但是不使用不同特征之间的相关性。改善整体解决方案的准确性的JSR模型适当约束稀疏矩阵 ,这是表示如下: 在哪里 是 规范。根据公式得到的稀疏系数矩阵(3),可以计算不同类别的重建误差,分别之后,可以生成目标类别的决定如下:

4.2。通过决策融合目标识别

本文使用多级深度特性聚类有效调查的独立性和相关性这些特性。JSR用于独立地分析每个特性与内在联系获得重建错误。表示输出每个特性集的重建误差 ,并采用线性加权融合如下: 在哪里 表示权重系数。

本文确定了权重根据特征的数量在每个特性集和集 ,在哪里 特征的数量吗 特性。最后,根据加权重建目标类别确定每个类别的错误。

图1显示了本文方法的基本流程与几个主要步骤,包括深特征聚类,JSR,和决策融合。最后的识别性能是提高研究多级深度特征的独立性和相关性。


图1
该方法的流程图。

5。实验和分析

5.1。MSTAR数据集

MSTAR数据集进行实验测试和分析方法的性能。数据集包含如图10类型的目标2,这些SAR图像的相关信息列在表中2。表3集在实验中使用的训练集和测试集,包括类别、配置、数量的样品,和抑郁角度10类型的目标。


图2
的图像目标分类。(一)BMP2。(b) BTR70。(c) T72。(d) T62。BRDM2 (e)。BTR60 (f)。(g) ZSU23/4。(h) D7。(我)ZIL131。 (j) 2S1.
表2
MSTAR数据集的相关信息。
表3
训练集和测试集的十级识别问题。

在实验中,重点是该方法的比较分析和现有四种类型的SAR目标识别方法,分别标记为“ResNet”,“JSR-Mono,”和“给事先,JSR-Deep。”其中,ResNet和给事先都是基于深度学习模型的方法,利用SAR目标识别的具体网络结构。JSR-Mono JSR-Deep使用JSR作为分类器,但不同的是,使用单基因信号的特性和深度特性。

5.2。结果和分析
5.2.1。SOC

根据表中的设置3的原始样本MSTAR数据集用于验证。在这个时候,可以视为SOC实验场景,即整体测试和训练样本之间的相似性是相对较高的。在目前的实验中,相关的阈值设置为0.4。图3显示了该方法的识别结果。混淆矩阵的对角元素的正确识别利率相应目标。从表可以看出3BMP2的测试配置和T72训练的多,导致其相对较低的识别率的10类目标。合成10类型的目标识别的结果,表4比较不同的方法在当前的平均识别率的场景。识别的准确性,本文方法具有更好的性能在当前条件下,反映了其有效性。与ResNet方法相比,本文进一步提高识别性能通过多级深度特性的综合应用。与JSR-Deep方法相比,本文推广最终的识别性能的改善通过引入深特性和特性集的筛选分析决定和融合。


图3
混淆矩阵通过该方法来实现。
表4
平均识别利率标准操作条件下。

根据特征聚类算法,阈值对最终聚类结果具有重要影响。因此,它是非常重要的选择一个合适的聚类阈值。表5显示了该方法的平均识别率在不同的阈值,达到最好的效果的一个0.4。如果阈值太小,限制之间的相关性不同的功能太弱了,也就是说,巨大差异的特性都聚集到一个类别。相反,当阈值太大,限制不同特征之间的相关性太强大了。个人特性往往自称为一个类别,失去价值的聚类分析。根据这一结果,本文决定了集群相关阈值为0.4在随后的实验。

表5
该方法的识别率平均在不同的阈值。
5.2.2。噪声干扰

是否它是一个光学图像或雷达图像,这是不可避免的在收购过程中被噪声污染。在实际识别系统,训练样本往往是精心挑选和预处理,图像质量高,信噪比(信噪比)。然而,测试样本来自相对随机采集条件,这可能是较差的图像质量和低信噪比。出于这个原因,识别算法的噪声鲁棒性是非常重要的。在这个实验中,在训练集和测试集的基础表3噪音被添加到测试的样本10获得多个测试集与不同类型的目标信噪比(5]。然后,各种方法分别测试。表6显示的结果识别率在当前实验场景。相比之下,结果在SOC,各种方法在噪声干扰下的性能退化。观察每个信噪比下的结果,本文的方法可以实现每个噪声的平均识别率最高水平,反映出其噪声鲁棒性。

表6
识别利率下噪音腐败。

根据(10- - - - - -13),稀疏表示噪声干扰具有一定的鲁棒性,这也反映在较强的噪声鲁棒性的稀疏表示方法在表6。一方面,本文中的方法使用多级深度特性互补提高适应噪声的能力。同时,使用JSR在分类过程中,可以进一步增强和噪声鲁棒性。

5.2.3。部分遮挡

类似于噪声干扰的情况下,实际样品是确认了目标也可能部分堵塞。在这个时候,只有一部分的目标特征可以反映在测试样本,用于分类。根据中描述的算法(5),表的测试集的基础上3,目标区域部分闭塞获取测试集在不同阻塞比率,然后,各种方法的性能测试。图4显示了每个方法的识别率曲线。可以看出,本文的方法是更健壮的在这个实验场景中。类似于噪声干扰的情况下,该方法基于JSR比比较健壮的方法。该方法本文结合多级深度的优势特性,和JSR提高了整体性能目标遮挡条件下的识别方法。


图4
平均识别率下目标遮挡。

6。结论

提出了一种SAR目标识别方法结合多级深度特性。该方法首先使用ResNet学习SAR图像获得多层次深特征向量。然后,深特征向量是集群基于相关标准获得多个特性集。在此基础上,不同的特征集是基于JSR的特点和分类,并重建误差结果。最后,进行线性融合分析的结果从不同的特性集来确定目标的类别。该方法能有效地结合的优势ResNet和JSR提高识别性能。MSTAR数据集进行验证实验,结果表明,该方法可以实现更好的性能与现有方法相比在SOC和典型而是EOCs。

数据可用性

本文中使用的数据集可以在访问请求。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的重大科研项目在广东省(2018 ktscx331和2018 kqncx378号)和教育部合作教育项目(201802123151和201802123151号)。