一种基于深度学习的雷达图像识别方法及装置

技术领域

本发明涉及雷达图像处理技术领域，具体的是一种基于深度学习的雷达图像识别方法及装置。

背景技术

合成孔径雷达(Syntheticapertureradar,SAR)因其具有全方位、全天时、全天候监测等独特的优势，已经成为了军事和民用领域一种重要的信息获取手段。随着SAR技术的日益发展，给SAR图像的解译工作带来了新挑战，而目标检测与识别技术作为SAR图像解译系统的关键技术之一，一直以来都是各国的研究热点。

近年来，计算机的速度和性能的飞速提升使得大数据获取成为可能，进一步推动了深度学习地发展，特别是在目标检测、图像识别等领域取得了突破性成果。而传统的SAR图像目标检测与识别方法仅利用了图像的统计信息，缺乏对SAR目标特征的充分挖掘，导致该方法鲁棒性很差。

同时，现有的雷达信号接收器通常为固定安装在底座上，角度调节不方便，不易捕捉卫星信号，特别是在接收器移动的情况下无法快速调整，导致信号间断，无法得到进准的检测数据。

发明内容

为解决上述背景技术中提到的不足，本发明的目的在于提供一种基于深度学习的雷达图像识别方法及装置,利用深度学习神经网络对SAR图像样本进行训练,避免了传统识别算法中复杂的特征提取和数据重建过程，可以充分挖掘SAR目标特征。

本发明的目的可以通过以下技术方案实现：

一种基于深度学习的雷达图像识别方法，具体包括以下步骤：

步骤1、获取雷达回波数据，生成SAR图像样本；

步骤2、对SAR图像样本进行预处理得到数据集；

步骤3、对数据集进行分类，得到训练集、验证集与测试集；

步骤4、构建针对目标检测的深度学习神经网络；

步骤5、采用训练集对构建的神经网络进行训练，并输出损失值和训练后的检测神经网络；

步骤6、利用训练好的检测神经网络对测试集进行目标检测；

步骤7、获得测试集目标检测准确率结果。

进一步优选地，步骤4中深度学习神经网络采用Faster R-CNN神经网络模型，包括卷积层、区域建议网络、池化层和全连接层四部分。

进一步优选地，步骤5中采用训练集对构建的神经网络进行训练具体为：

(1)将图像数据输入之后，首先通过卷积层提取图像深层特征，使用VGG16对输入图像执行卷积运算，在卷积层之后，使用最大池化层减小图像的维数，生成特征图，特征图中包含图像深层特征信息；

(2)将特征图输入区域建议网络，通过滑动窗口提取特征，得到多个建议区域，将带有建议区域的特征图输入感兴趣区域池化层，输出恒定大小的特征图，即将不同大小的目标建议区域变为相同大小的特征向量输出；

(3)通过全连接层进行分类与回归操作，分类层用于区分目标与复杂背景，构建目标与复杂背景之间的最大差异，回归层用于计算目标位置与真实位置之间的距离；

(4)分类层输入为固定大小的特征信息，通过全连接层与softmax提取区域类别并输出其置信度，回归层通过边框回归得到每个目标建议区域的位置偏移，生成更接近目标真实位置的检测框，最后得到最佳区域类别和边界框回归检测框的最终准确位置。

一种基于深度学习的雷达图像识别装置，包括

信号接收模块，用于获取雷达回波数据；

数据处理模块，对SAR图像样本进行预处理并生产数据集；

网络训练模块，通过深度学习神经网络对训练集数据进行训练；

目标检测模块，用于将训练好的检测神经网络对测试集进行目标检测，并测试集目标检测准确率；

目标分割模块，根据训练结果提取复合条件的图像。

进一步优选地，信号接收模块包括底座，底座一端固定安装牵引架，底座远离牵引架一端底部固定安装滚轮，底座上固定安装升降机构，升降机构顶部固定安装滑动机构，滑动机构上滑动设置转动机构，转动机构上固定安装雷达信号接受器。

进一步优选地，升降机构包括对称固定安装在底座上的第一滑轨，第一滑轨包括第一滑槽，第一滑槽内贯穿设有第一丝杆，第一丝杆与第一滑槽转动连接，第一丝杆一端与第一电机的输出轴连接，第一丝杆上对称设有第一滑块，第一滑块与第一丝杆螺纹配合，第一丝杆上对应第一滑块处开设有方向相反的螺纹；

第一滑块上安装连杆组件，连杆组件由若干交叉杆自下而上依次铰接而成，最下方的交叉杆下端与第一滑块顶部铰接，最上方交叉杆上端与顶板底部铰接；

交叉杆包括第一支撑杆和第二支撑杆，第一支撑杆和第二支撑杆中间通过转轴转动连接。

进一步优选地，滑动机构包括对称固定安装在顶板表面的第二滑轨，第二滑轨包括第二滑槽，第二滑槽内贯穿设有第二丝杆，第二丝杆与第二滑槽转动连接，第二丝杆一端与第二电机的输出轴连接，第二丝杆上均设有第二滑块，第二滑块与第二丝杆螺纹配合，第二滑块之间固定安装第三滑轨，第三滑轨与第二滑轨垂直设置；

第三滑轨包括第三滑槽，第三滑槽内贯穿设有第三丝杆，第三丝杆与第三滑槽转动连接，第三丝杆一端与第三电机的输出轴连接，第三丝杆上设有第三滑块，第三滑块上固定安装转动机构。

进一步优选地，转动机构包括U型座，U型座的敞口朝上，U型座底部固定安装在第三滑块上，U型座两个端部之间设有敞口朝下的U型架，U型架两端分别与两侧的U型座转动连接，U型架的转轴与第四电机的输出轴连接，第四电机固定在U型座一侧外壁，U型座另一侧外壁固定安装第五电机，第五电机的输出轴贯穿U型座和U型架，U型架中间贯穿设有驱动轴，驱动轴与U型架转动连接，驱动轴下端通过锥齿轮与第五电机的输出轴啮合，驱动轴上端固定安装板，雷达信号接受器固定在安装板上。

本发明的有益效果：

本发明利用深度学习神经网络对SAR图像样本进行训练，降低了网络模型的复杂度，减少了权值的数量，可以直接将图像作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程，可以充分挖掘SAR目标特征。

本发明信号接收模块通过升降机构调整雷达信号接受器的高度，通过滑动机构调整雷达信号接受器的水平位置，通过转向机构调整雷达信号接受器的角度，可实现雷达信号接受器的全方位全角度调整，快速准确的捕捉卫星信号。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明信号接收模块的整体结构示意图；

图2是本发明升降机构；

图3是本发明滑动机构；

图4是本发明转动机构。

图中：

1-底座，2-牵引架，3-滚轮，4-升降机构，5-滑动机构，6-转动机构，7-雷达信号接受器，8-第一滑轨，9-第一滑槽，10-第一丝杆，11-第一电机，12-第一滑块，13-顶板，14-第一支撑杆，15-第二支撑杆，16-第二滑轨，17-第二滑槽，18-第二丝杆，19-第二电机，20-第二滑块，21-第三滑轨，22-第三滑槽，23-第三丝杆，24-第三电机，25-第三滑块，26-U型座，27-U型架，28-第四电机，29-第五电机，30-驱动轴，31-交叉杆，32-连杆组件，33-安装板。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

一种基于深度学习的雷达图像识别方法，具体包括以下步骤：

步骤1、获取雷达回波数据，生成SAR图像样本；

步骤2、对SAR图像样本进行预处理得到数据集；

步骤3、对数据集进行分类，得到训练集、验证集与测试集；

步骤4、构建针对目标检测的深度学习神经网络；

步骤5、采用训练集对构建的神经网络进行训练，并输出损失值和训练后的检测神经网络；

步骤6、利用训练好的检测神经网络对测试集进行目标检测；

步骤7、获得测试集目标检测准确率结果。

步骤4中深度学习神经网络采用Faster R-CNN神经网络模型，包括卷积层、区域建议网络、池化层和全连接层四部分。

步骤5中采用训练集对构建的神经网络进行训练具体为：

(1)将图像数据输入之后，首先通过卷积层提取图像深层特征，使用VGG16对输入图像执行卷积运算，在卷积层之后，使用最大池化层减小图像的维数，生成特征图，特征图中包含图像深层特征信息；

(2)将特征图输入区域建议网络，通过滑动窗口提取特征，得到多个建议区域，将带有建议区域的特征图输入感兴趣区域池化层，输出恒定大小的特征图，即将不同大小的目标建议区域变为相同大小的特征向量输出；

(3)通过全连接层进行分类与回归操作，分类层用于区分目标与复杂背景，构建目标与复杂背景之间的最大差异，回归层用于计算目标位置与真实位置之间的距离；

(4)分类层输入为固定大小的特征信息，通过全连接层与softmax提取区域类别并输出其置信度，回归层通过边框回归得到每个目标建议区域的位置偏移，生成更接近目标真实位置的检测框，最后得到最佳区域类别和边界框回归检测框的最终准确位置。

一种基于深度学习的雷达图像识别装置，包括

信号接收模块，用于获取雷达回波数据；

数据处理模块，对SAR图像样本进行预处理并生产数据集；

网络训练模块，通过深度学习神经网络对训练集数据进行训练；

目标检测模块，用于将训练好的检测神经网络对测试集进行目标检测，并测试集目标检测准确率；

目标分割模块，根据训练结果提取复合条件的图像。

如图1-4所示，信号接收模块包括底座1，底座1一端固定安装牵引架2，底座1远离牵引架2一端底部固定安装滚轮3，底座1上固定安装升降机构4，升降机构4顶部固定安装滑动机构5，滑动机构5上滑动设置转动机构6，转动机构6上固定安装雷达信号接受器7。

升降机构4包括对称固定安装在底座1上的第一滑轨8，第一滑轨8包括第一滑槽9，第一滑槽9内贯穿设有第一丝杆10，第一丝杆10与第一滑槽9转动连接，第一丝杆10一端与第一电机11的输出轴连接，第一丝杆10上对称设有第一滑块12，第一滑块12与第一丝杆10螺纹配合，第一丝杆10上对应第一滑块10处开设有方向相反的螺纹；

第一滑块10上安装连杆组件32，连杆组件32由若干交叉杆31自下而上依次铰接而成，最下方的交叉杆31下端与第一滑块10顶部铰接，最上方交叉杆31上端与顶板13底部铰接；

交叉杆31包括第一支撑杆14和第二支撑杆15，第一支撑杆14和第二支撑杆15中间通过转轴转动连接。

滑动机构5包括对称固定安装在顶板13表面的第二滑轨16，第二滑轨16包括第二滑槽17，第二滑槽17内贯穿设有第二丝杆18，第二丝杆18与第二滑槽17转动连接，第二丝杆18一端与第二电机19的输出轴连接，第二丝杆18上均设有第二滑块20，第二滑块20与第二丝杆18螺纹配合，第二滑块20之间固定安装第三滑轨21，第三滑轨21与第二滑轨16垂直设置；

第三滑轨21包括第三滑槽22，第三滑槽22内贯穿设有第三丝杆23，第三丝杆23与第三滑槽22转动连接，第三丝杆23一端与第三电机24的输出轴连接，第三丝杆23上设有第三滑块25，第三滑块25上固定安装转动机构6。

转动机构6包括U型座26，U型座26的敞口朝上，U型座26底部固定安装在第三滑块25上，U型座26两个端部之间设有敞口朝下的U型架27，U型架27两端分别与两侧的U型座26转动连接，U型架27的转轴与第四电机28的输出轴连接，第四电机28固定在U型座26一侧外壁，U型座26另一侧外壁固定安装第五电机29，第五电机29的输出轴贯穿U型座26和U型架27，U型架27中间贯穿设有驱动轴30，驱动轴30与U型架27转动连接，驱动轴30下端通过锥齿轮与第五电机29的输出轴啮合，驱动轴30上端固定安装板33，雷达信号接受器7固定在安装板33上。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。