基于卷積神經網絡的識別變體飛機高分辨距離像方法與流程

本發明屬于雷達
技術領域：
，更進一步涉及目標識別
技術領域：
中的一種基于卷積神經網絡的識別變體飛機高分辨距離像方法。本發明采用卷積神經網絡實現對變體飛機的高分辨距離像的自動識別。
背景技術：
：雷達高分辨距離像是一維圖像，是寬帶雷達獲取的目標散射中心距離像在雷達視線上投影的矢量和。高分辨距離像不僅包含了目標的尺寸和散射中心等結構信息，還具有容易獲取以及處理簡單的優點，因此在雷達目標識別領域受到了廣泛關注。飛機的外形并不是一直不變的，例如由于作戰環境的不同，飛機的外形會發生不同的變化，副油箱的掛載以及武器的掛載都會使得飛機外形發生變化，相應地會引起雷達高分辨距離像的變化，人們將這類發生形變的飛機稱為變體飛機。變體飛機外形結構的變化使得其高分辨距離像隨之改變，因而將與庫內同類型的非變體飛機的高分辨距離像之間存在失配，最終導致對變體飛機高分辨距離像的識別性能嚴重下降，甚至失去識別能力。目前現有的關于變體飛機的識別方法是先去除變體飛機高分辨距離像中的變體飛機部分，即先將變體飛機高分辨距離像恢復成非變體飛機高分辨距離像，再利用傳統的目標識別方法進行識別，識別率的高低取決于變體部分的去除效果。西安電子科技大學在其申請的專利文獻“基于塊稀疏貝葉斯學習的變體目標高分辨距離像識別方法”(專利申請號：201810978483.0，申請公布號：cn109190693a)中提出了一種基于塊稀疏貝葉斯學習的變體目標高分辨距離像識別方法。該方法首先建立變體目標高分辨距離像的數學模型，定義變體目標數學模型中各個變量的先驗概率和其先驗概率參數的先驗分布，然后通過塊稀疏貝葉斯學習迭代求解模型獲取變體目標高分辨距離像中的變體成分，再從變體目標高分辨距離像中去除變體成分，最后用自適應高斯分類器對恢復出的去除變體成分后的高分辨距離像進行識別。該方法存在的不足之處是，對于稀疏度較小的高分辨距離像難以有效消除變體部分的影響，此時識別率相對較低。朱文強在其發表的論文“基于結構稀疏先驗的變體目標識別方法研究”(西安電子科技大學2017-06-01)中提出了一種基于結構稀疏先驗的變體目標識別方法，該方法利用變體分量具有塊稀疏的特點,對變體分量單獨建模,并分離出變體分量,獲取原始目標未形變的高分辨距離像。在此基礎上進行識別,改善了對變體目標的識別性能。該方法存在的不足之處是，采用了較為簡單的自適應高斯分類器，因此識別率相對較低。技術實現要素：本發明的目的是針對上述現有技術存在的不足，提出了一種基于卷積神經網絡的識別變體飛機高分辨距離像方法。實現本發明目的的思路是，構建并訓練卷積神經網絡，利用訓練好的卷積神經網絡對變體飛機的高分辨距離像與非變體飛機的高分辨距離像之間的共性特征進行學習，再根據學習到的共性特征對變體飛機的高分辨距離像進行識別。本發明實現的具體步驟包括如下：(1)構建卷積神經網絡：(1a)搭建一個由卷積層和池化層交替連接組成四個基本層后再與一層全連接層相連的九層卷積神經網絡；(1b)設置卷積神經網絡的參數如下：將四個基本層中每個卷積層的卷積核大小均設置為5、激活函數均設置為relu函數、池化層均設置為最大值池化，每個卷積層中卷積核的個數依次設置為32，16，16，8，將全連接層的輸出節點數設置為m，m為樣本集中飛機目標的類別總數；(2)生成高分辨距離像樣本集：(2a)將雷達接收到的每個類別飛機目標發生形變前的高分辨距離像數據與其對應的類別標簽，組成該類別飛機的非變體樣本集，將雷達接收到的各個類別飛機目標發生形變后的高分辨距離像數據與其對應的類別標簽，組成該類別飛機的變體樣本集；(2b)從每個類別飛機的變體樣本集中隨機選取一半的變體樣本集，組成測試樣本集；(2c)將剩余的變體樣本集和所有非變體樣本集組成訓練樣本集；(3)對每個樣本的幅度進行歸一化處理：(3a)用測試樣本集中的每個高分辨距離像數據除以該高分辨距離像數據的模一范數，得到歸一化后的測試樣本集；(3b)用訓練樣本集中的每個高分辨距離像數據除以該高分辨距離像數據的模一范數，得到歸一化后的訓練樣本集；(4)訓練卷積神經網絡：(4a)將歸一化后的訓練樣本集輸入到卷積神經網絡中，無監督的預訓練卷積神經網絡，得到預訓練后的卷積神經網絡；(4b)利用交叉熵公式計算預訓練后的卷積神經網絡中的全連接層的輸出數據與類別標簽之間的誤差，從卷積神經網絡的頂層向下傳播該誤差，微調整個卷積神經網絡的參數，直到迭代200次為止，得到訓練好的卷積神經網絡；(5)目標識別：將歸一化后的測試樣本集中的所有樣本輸入到訓練好的卷積神經網絡中進行識別，得到測試樣本集中形變目標高分辨距離像的分類標簽，完成目標識別。本發明與現有技術相比具有以下優點：第一，由于本發明通過構建并訓練卷積神經網絡，利用訓練好的卷積神經網絡，學習變體飛機的高分辨距離像與對應的非變體飛機的高分辨距離像的共性特征，克服了現有技術由于變體飛機外形結構的變化，使得其高分辨距離像隨之改變，因而將與庫內同類型的非變體飛機的高分辨距離像之間存在失配，最終會導致對變體飛機高分辨距離像的識別性能嚴重下降的問題，使得本發明提高了對變體飛機的高分辨距離像的正確識別率。第二，由于本發明將歸一化后的測試樣本集中的所有樣本輸入到訓練好的卷積神經網絡中進行識別，得到測試樣本集中變體飛機的高分辨距離像的分類標簽，克服了現有技術由于先將變體飛機高分辨距離像恢復成非變體飛機高分辨距離像，再利用傳統的目標識別方法進行識別，識別率的高低取決于變體部分的去除效果的問題，使得本發明能夠不需要去除變體部分，直接對變體飛機的高分辨距離像進行識別，降低了對變體飛機的高分辨距離像識別的復雜度。第三，由于本發明將歸一化后的測試樣本集中的所有樣本輸入到訓練好的卷積神經網絡中進行識別，克服了現有技術采用了較為簡單的自適應高斯分類器，因此識別率相對較低的問題，使得本發明提高了對變體飛機高分辨距離像的正確識別率。附圖說明圖1是本發明的流程圖；圖2是本發明生成高分辨距離像樣本集步驟中，非變體飛機與其對應的變體飛機的高分辨距離像圖。具體實施方式下面結合附圖對本發明做進一步的描述。參照圖1，對本發明實現的具體步驟做進一步的描述。步驟1，構建卷積神經網絡。搭建一個由卷積層和池化層交替連接組成四個基本層后再與一層全連接層相連的九層卷積神經網絡。設置卷積神經網絡的參數如下。將四個基本層中每個卷積層的卷積核大小均設置為5、激活函數均設置為relu函數、池化層均設置為最大值池化，每個卷積層中卷積核的個數依次設置為32，16，16，8，將全連接層的輸出節點數設置為m，m為樣本集中飛機目標的類別總數。步驟2，生成高分辨距離像樣本集。將雷達接收到的每個類別飛機目標發生形變前的高分辨距離像數據與其對應的類別標簽，組成該類別飛機的非變體樣本集，將雷達接收到的各個類別飛機目標發生形變后的高分辨距離像數據與其對應的類別標簽，組成該類別飛機的變體樣本集。從每個類別飛機的變體樣本集中隨機選取一半的變體樣本集，組成測試樣本集。將剩余的變體樣本集和所有非變體樣本集組成訓練樣本集。參照圖2，對非變體樣本集和變體樣本集中的高分辨距離像做進一步的描述。圖2(a)是從非變體樣本集中隨機選取的一幅非變體飛機的高分辨距離像圖，橫坐標為距離單元，縱坐標為高分辨距離像的幅度，雷達接收到的高分辨距離像中的支撐區，是基于高分辨距離像的目標識別方法的主要依據。圖2(b)為變體樣本集中與圖2(a)對應的變體飛機的高分辨距離像圖，橫坐標為距離單元，縱坐標為高分辨距離像的幅度。圖2(b)中的高分辨距離像圖的支撐區與圖2(a)相比發生了很大的變化，對比圖2(a)和圖2(b)可以看出，變體飛機的高分辨距離像相對于非變體飛機的高分辨距離像產生了明顯的形變，存在嚴重的失配情況。步驟3，對每個樣本的幅度進行歸一化處理。用測試樣本集中的每個高分辨距離像數據除以該高分辨距離像數據的模一范數，得到歸一化后的測試樣本集。用訓練樣本集中的每個高分辨距離像數據除以該高分辨距離像數據的模一范數，得到歸一化后的訓練樣本集。步驟4，訓練卷積神經網絡。將歸一化后的訓練樣本集輸入到卷積神經網絡中，無監督的預訓練卷積神經網絡，得到預訓練后的卷積神經網絡。所述的無監督的預訓練卷積神經網絡的步驟如下。第1步，將歸一化后的訓練樣本集輸入到第一個基本層中，利用卷積層中卷積核對輸入數據進行卷積操作得到卷積后的數據，再通過池化層的最大值池化操作對卷積后的數據進行下采樣，得到第一個基本層的輸出數據。第2步，將第一個基本層的輸出數據輸入到第二個基本層中，利用卷積層中卷積核對輸入數據進行卷積操作得到卷積后的數據，再通過池化層的最大值池化操作對卷積后的數據進行下采樣，得到第二個基本層的輸出數據。第3步，將第二個基本層的輸出數據輸入到第三個基本層中，利用卷積層中卷積核對輸入數據進行卷積操作得到卷積后的數據，再通過池化層的最大值池化操作對卷積后的數據進行下采樣，得到第三個基本層的輸出數據。第4步，將第三個基本層的輸出數據輸入到第四個基本層中，利用卷積層中卷積核對輸入數據進行卷積操作得到卷積后的數據，再通過池化層的最大值池化操作對卷積后的數據進行下采樣，得到第四個基本層的輸出數據。第5步，將第四個基本層的輸出數據輸入到全連接層中，通過softmax分類器進行分類，獲得分類標簽。利用交叉熵公式計算預訓練后的卷積神經網絡中的全連接層的輸出數據與類別標簽之間的誤差，從卷積神經網絡的頂層向下傳播該誤差，微調整個卷積神經網絡的參數，直到迭代200次為止，得到訓練好的卷積神經網絡。所述的交叉熵公式如下。其中，h(p,q)為全連接層的輸出數據與類別標簽之間的交叉熵，p表示類別標簽，q表示全連接層的輸出數據，n表示飛機的類別總數，p(x)表示類別標簽的第x個元素，q(x)表示全連接層的輸出數據中的第x個元素。步驟5，目標識別。將歸一化后的測試樣本集中的所有樣本輸入到訓練好的卷積神經網絡中進行識別，得到測試樣本集中形變目標高分辨距離像的分類標簽，完成目標識別。下面結合仿真實驗對本發明的效果做進一步的描述。1、仿真實驗條件：本發明的仿真實驗采用三類飛機目標的高分辨回波來檢測本發明的方法。其中錄取三類飛機目標高分辨距離像的雷達的具體參數為：中心頻率5520mhz，帶寬400mhz。三類飛機目標的參數如表1所示：表1三類飛機目標的參數飛機長度(m)寬度(m)高度(m)雅克-4236.3834.889.83安-2623.8029.208.58獎狀14.4015.904.91其中，“雅克-42”飛機目標包含七段高分辨回波數據，“安-26”飛機目標包含七段高分辨回波數據，“獎狀”飛機目標包含五段高分辨回波數據。所有高分辨距離像均為128維。本實驗選取“雅克-42”飛機目標的第二段和第五段高分辨距離像數據、“獎狀”飛機目標的第六段和第七段高分辨距離像數據以及“安-26”飛機目標的第五段和第六段高分辨距離像數據作為非變體樣本集，將上述非變體樣本集中的高分辨距離像數據人為的加入變體分量后作為變體樣本集，然后為非變體樣本集和變體樣本集中所有的高分辨距離像數據分別加上類別標簽作為訓練樣本集，將其余數據段的高分辨距離像數據人為的加入變體分量后分別加上類別標簽作為測試樣本集，訓練樣本集包含156000個訓練樣本，測試樣本集包含78000個測試樣本，其中訓練樣本集中每類飛機包含26000個非變體飛機的高分辨距離像和26000個變體飛機的高分辨距離像，測試樣本集中每類飛機包含26000個變體飛機的高分辨距離像。本發明的仿真實驗的硬件測試平臺為：intelcorei7cpu，主頻3.4ghz，內存16gb，軟件平臺為：windows7操作系統和spyder(python3.6)。2.實驗內容及結果分析本發明的仿真實驗分別用現有技術中對高分辨距離像進行識別的自適應高斯分類器和本發明的方法對測試樣本集進行識別。使用自適應高斯分類器對測試樣本集進行識別，對訓練樣本集中156000個高分辨距離像進行方位角分幀，再計算每幀內的平均像和方差像，并儲存各幀內的平均像和方差像作為每幀的模板，然后求出測試樣本和每幀模板的馬氏距離，最后將測試樣本判定為馬氏距離最小的模板對應的類別。其識別結果如表2所示：表2自適應高斯分類器的識別結果使用本發明的方法對測試樣本集進行識別，首先用訓練樣本集對卷積神經網絡進行訓練，然后將測試樣本集輸入到訓練好的卷積神經網絡中，得到測試樣本集的識別結果，如表3所示：表3本發明方法的識別結果使用自適應高斯分類器對測試樣本集進行識別的平均正確識別率為71.28％，本發明的方法對測試樣本集進行識別的平均正確識別率為90.38％，相比于使用自適應高斯分類器對測試樣本集進行識別的平均正確識別率提升了19.10％。綜上所述，由本發明的仿真實驗結果證明本發明的方法顯著降低了變體部分對變體飛機的高分辨距離像的識別帶來的影響，有效地提高了對變體飛機的高分辨距離像的平均正確識別率，實驗驗證了本發明的方法的有效性。當前第1頁12