一种深度神经网络SAR遮挡目标识别方法

doi:10.3969/j.issn.1001-2400.2015.03.026

J4 ›› 2015, Vol. 42 ›› Issue (3): 154-160.doi: 10.3969/j.issn.1001-2400.2015.03.026

一种深度神经网络SAR遮挡目标识别方法

李帅;许悦雷;马时平;倪嘉成;史鹤欢

(空军工程大学航空航天工程学院，陕西西安 710038)

收稿日期:2013-12-30 出版日期:2015-06-20 发布日期:2015-07-27
通讯作者: 李帅
作者简介:李帅(1988-)，男，空军工程大学硕士研究生，E-mail: lishuailishuai@163.com．
基金资助:
国家自然科学基金资助项目(61379104,61372167)；航空科学基金资助项目(20115896022)

New method for SAR occluded targets recognition using DNN

LI Shuai;XU Yuelei;MA Shiping;NI Jiacheng;SHI Hehuan

(Institute of Aeronautics and Astronautics Engineering, Air Force Engineering Univ., Xi'an 710038, China)

Received:2013-12-30 Online:2015-06-20 Published:2015-07-27
Contact: LI Shuai

摘要/Abstract

摘要：

提出了一种利用深度神经网络的合成孔径雷达图像部分遮挡目标的特征提取和目标识别新方法．该方法首先对合成孔径雷达图像进行预处理，然后提取预处理后合成孔径雷达目标的小波域低频子带图像作为训练数据，最后利用深层稀疏编码模型进一步提取合成孔径雷达遮挡目标的有效特征向量作为目标的特征以完成目标识别．采用MSTAR数据库中的3类目标进行目标遮挡模拟及识别实验．结果表明，新方法可以综合利用遮挡目标的局部和整体结构信息以提高目标的正确识别率，是一种有效的合成孔径雷达遮挡目标特征提取和目标识别方法．

关键词: 合成孔径雷达, 目标识别, 遮挡目标, 深度学习, 深层稀疏编码

Abstract:

For synthetic aperture radar(SAR) partial occluded images feature extraction and target recognition, a new method based on deep neural networks(DNN) is proposed. After preprocessing original images, we extract low-frequency sub-band images of SAR images in the wavelet domain as training data, and finally make a further extraction of the occluded targets' feature with the deep sparse autoencoder model as the input vectors. Three types of target in MSTAR database are used to simulate target occlusion and recognition experiment. Experimental results prove that the correct recognition rate could be improved by taking advantage of both local and global information about occluded targets, and that the new method is effective for feature extraction and object recognition of occluded SAR targets.

Key words: synthetic aperture radar, target recognition, occluded targets, deep learning, deep sparse autoencoders

李帅;许悦雷;马时平;倪嘉成;史鹤欢. 一种深度神经网络SAR遮挡目标识别方法[J]. J4, 2015, 42(3): 154-160.

LI Shuai;XU Yuelei;MA Shiping;NI Jiacheng;SHI Hehuan. New method for SAR occluded targets recognition using DNN[J]. J4, 2015, 42(3): 154-160.

参考文献

［1］ Bhanu B, Lin Yingqiang. Stochastic Models for Recognition of Occluded Objects［C］//Lecture Notes in Computer Science: 1876. Berlin: Springer, 2000: 560-570.
［2］ Huan Ruohong, Pan Yun. Target Recognition for Multi-aspect SAR Images with Fusion Strategies ［J］. Progress in Electromagnetics Research, 2013, 134: 267-288.
［3］ Du Chaoran, Rilling G, Davies M, et al. Automatic Target Recognition from Highly Incomplete SAR Data［C］//Proceedings of SPIE: 8051. Bellingham: SPIE, 2011: 8051.
［4］宦若虹, 杨汝良, 岳晋, 等. 一种合成孔径雷达图像特征提取与目标识别的新方法［J］.电子与信息学报, 2008, 30(3): 554-558.
Huan Ruohong, Yang Ruliang, Yue Jin, et al. SAR Target Recognition Using PCA, ICA and Gabor Wavelet Decision Fusion［J］. Journal of Electronics ＆ Information Technology, 2008, 30(3): 554-558.
［5］ Yoo J, Ahn C. Template Matching of Occluded Object under Low PSNR ［J］. Digital Signal Processing, 2013, 23(3): 870-878.
［6］高弋. 基于SVM的SAR遮挡目标识别研究［D］. 西安：西安电子科技大学, 2007.
［7］ Jones G III, Bhanu B. Recognizing Occluded Objects in SAR Images［J］. IEEE Transactions on Aerospace and Electronic Systems, 2001, 37(1): 316-328.
［8］ Zhong Shenghua, Liu Yan, Chung Fulai, et al. Semiconducting Bilinear Deep Learning for Incomplete Image Recognition［C］//The International Conference on Multimedia Retrieval. New York: ACM, 2012: 32.
［9］ Vincent P, Larochelle H, Lajoie I, et al. Stacked Denoising Auto-encoders: Learning Useful Representations in a Deep Network with a Local Denoising Criterion［J］. Journal of Machine Learning Research, 2010, 11(2010): 3371-3408.
［10］ Hinton G E, Salakhutdinov R R. Reducing the Dimensionality of Data with Neural Networks［J］. Science, 2006, 313(5786): 504-507.
［11］ Xie Junyuan, Xu Linli, Chen Enhong. Image Denoising and Inpainting with Deep Neural Networks［C］//Advances in Neural Information Processing Systems: 25. Nevada: NIPSF, 2012: 341-349.
［12］胡利平, 刘宏伟, 吴顺君. 一种SAR图像目标预处理方法［J］. 西安电子科技大学学报, 2007, 34(5): 733-737.
Hu Liping, Liu Hongwei, Wu Wenjun. Novel Pre-processing Method for SAR Image Based on Automatic Target Recognition［J］. Journal of Xidian University, 2007, 34(5): 733-737.
［13］ Sandirasegaram N M. Spot SAR ATR Using Wavelet Features and Neural Network Classifier［R］. Ottawa: Defence R&D, 2005.
［14］ Zhao Qun, Principe J C. Support Vector Machine for SAR Automatic Target Recognition［J］. IEEE Transactions on Aerospace and Electronic Systems, 2001, 37(2): 643-654.
［15］孙志军, 薛磊, 许阳明. 基于深度学习的边际Fisher分析特征提取算法［J］. 电子与信息学报, 2013, 35(4): 805-811.
Sun Zhijun, Xue Lei, Xu Yangming. Marginal Fisher Feature Extraction Algorithm Based on Deep Learning［J］. Journal of Electronics ＆ Information Technology, 2013, 35(4): 805-811.

[1]	刘佳玮,张文辉,寇晓丽,李雁妮. 增强型深度对抗样本攻击防御算法[J]. 西安电子科技大学学报, 2021, 48(6): 23-31.
[2]	李鹏,冯存前,许旭光,唐子翔. 一种利用贝叶斯优化的弹道目标微动分类网络[J]. 西安电子科技大学学报, 2021, 48(5): 139-148.
[3]	闫佳,曹玉东,任佳兴,陈冬昊,李晓会. 深度非对称压缩型哈希算法[J]. 西安电子科技大学学报, 2021, 48(5): 212-221.
[4]	宁阳,杜建超,韩硕,杨传凯. 改进DeeplabV3+的火焰分割与火情分析方法[J]. 西安电子科技大学学报, 2021, 48(5): 38-46.
[5]	周鹏,杨军. 采用神经网络架构搜索的遥感影像分割方法[J]. 西安电子科技大学学报, 2021, 48(5): 47-57.
[6]	戚艳军,孔月萍,王佳婧,朱旭东. 一种LSTM与CNN相结合的步态识别方法[J]. 西安电子科技大学学报, 2021, 48(5): 78-85.
[7]	张宇浩,程培涛,张书豪,王秀美. 一种自适应权重学习的轻量超分辨率重建网络[J]. 西安电子科技大学学报, 2021, 48(5): 15-22.
[8]	宋建锋,苗启广,王崇晓,徐浩,杨瑾. 注意力机制的多尺度单目标跟踪算法[J]. 西安电子科技大学学报, 2021, 48(5): 110-116.
[9]	回海生,张雪英,吴泽林,李凤莲. 一种主辅路径注意力补偿的脑卒中病灶分割方法[J]. 西安电子科技大学学报, 2021, 48(4): 200-208.
[10]	宋剑桥,王峰,牛锦,师泽洲,马军辉. 一种面向时空神经网络的潜在情绪识别方法[J]. 西安电子科技大学学报, 2021, 48(4): 159-167.
[11]	孙豪杰,李苗钰,章盼盼,许鹏飞. 用于面瘫分级的自监督非对称特征学习方法[J]. 西安电子科技大学学报, 2021, 48(3): 115-122.
[12]	陶毅,丁丽. 利用共轭对称性的数字IQ频域校准方法[J]. 西安电子科技大学学报, 2021, 48(2): 181-189.
[13]	胡利平,闫华,钟卫军,殷红成,王超. 舰船目标三维散射中心建模及SAR快速仿真方法[J]. 西安电子科技大学学报, 2021, 48(2): 72-83.
[14]	徐彬,张永顺,张秦,王富平,郑桂妹. 采用乘性RNN的雷达HRRP目标识别[J]. 西安电子科技大学学报, 2021, 48(2): 49-54.
[15]	段崇棣,韩超垒,杨志伟,张庆君. 一种杂波分类辅助的近海岸模糊杂波抑制方法[J]. 西安电子科技大学学报, 2021, 48(2): 64-71.

一种深度神经网络SAR遮挡目标识别方法

New method for SAR occluded targets recognition using DNN

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0