本發(fā)明涉及目標(biāo)識(shí)別，尤其涉及一種基于雙分支散射特征融合模型的isar目標(biāo)識(shí)別方法。

背景技術(shù)：

1、逆合成孔徑雷達(dá)(inverse?syntheticaperture?radar,isar)具有全天時(shí)、全天候、不受天氣條件制約等特點(diǎn)，是獲取非合作目標(biāo)幾何結(jié)構(gòu)信息的重要手段。成像技術(shù)的不斷發(fā)展促進(jìn)了isar成像分辨率的提升。雷達(dá)目標(biāo)精確解譯技術(shù)也受到研究人員越來(lái)越多的關(guān)注。深度神經(jīng)網(wǎng)絡(luò)在非線性建模與特征挖掘方面展現(xiàn)了巨大優(yōu)勢(shì)，在空間環(huán)境探測(cè)、醫(yī)學(xué)圖像分割等領(lǐng)域發(fā)展迅速。語(yǔ)義分割算法可將目標(biāo)從圖像中提取出來(lái)，生成準(zhǔn)確的局部特征邊界，能夠?qū)D像分割為多個(gè)獨(dú)立區(qū)域。適用于從isar圖像中，準(zhǔn)確提取目標(biāo)的局部構(gòu)件。

2、基于深度學(xué)習(xí)語(yǔ)義分割的目標(biāo)部件識(shí)別方法多數(shù)針對(duì)光學(xué)圖像設(shè)計(jì)。isar成像與光學(xué)成像具有機(jī)理層面的差異性，目標(biāo)isar像與光學(xué)圖像在視覺(jué)表征上差異顯著?；诠鈱W(xué)圖像的語(yǔ)義分割方法包括聚類(lèi)、閾值判斷與邊緣檢測(cè)等，上述方法基于像素灰度、問(wèn)題梯度等傳統(tǒng)特征設(shè)計(jì)，難以適應(yīng)低信噪比且噪聲敏感的isar圖像。與光學(xué)成像不同，目標(biāo)isar像多呈現(xiàn)低信噪比、邊緣模糊、部分強(qiáng)散射點(diǎn)旁瓣效應(yīng)嚴(yán)重等問(wèn)題，對(duì)部件精準(zhǔn)分割任務(wù)提出了嚴(yán)峻挑戰(zhàn)。

3、目標(biāo)isar像由不連續(xù)的散射點(diǎn)構(gòu)成。散射點(diǎn)的強(qiáng)度信息受到目標(biāo)形狀、材質(zhì)與雷達(dá)帶寬等多種因素影響。此外，雷達(dá)對(duì)目標(biāo)的相對(duì)觀測(cè)角變化同樣可能引起目標(biāo)isar像的較大差異。

4、現(xiàn)有的少樣本語(yǔ)義分割方法通過(guò)改進(jìn)支持樣本與查詢樣本的匹配策略，已獲得不同程度的性能提升。然而，較為匱乏的數(shù)據(jù)條件能表征的目標(biāo)差異性有限，類(lèi)內(nèi)多樣性與類(lèi)間差異性仍然是制約少樣本語(yǔ)義分割算法性能提升的重要因素。

5、通過(guò)將更多語(yǔ)義信息引入低級(jí)特征，或在高級(jí)特征中嵌入更多空間信息的特征融合手段有助于改善分割性能。目標(biāo)可用isar數(shù)據(jù)匱乏，僅依賴單域散射像素信息分割部件的可靠性較低，融合多域特征有助于獲取置信度更高的劃分邊界。多數(shù)多模態(tài)特征融合方法關(guān)注重點(diǎn)為圖像與圖像、圖像與文本。由于復(fù)值回波的復(fù)雜性，圖像域與信號(hào)域的多模態(tài)特征融合方法研究很少。在圖像域，基于isar像的識(shí)別算法僅利用了幅度信息，損失了相位信息。在信號(hào)域，isar復(fù)值回波中的幅值/相位是表征目標(biāo)特征的重要信息，蘊(yùn)含的信息更豐富。不同模態(tài)的特征間存在較大的差異性，充分發(fā)揮融合優(yōu)勢(shì)的同時(shí)，不引入負(fù)面信息是融合模型設(shè)計(jì)的關(guān)鍵。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問(wèn)題是，如何提升isar系統(tǒng)識(shí)別性能；有鑒于此，本發(fā)明提供一種基于雙分支散射特征融合模型的isar目標(biāo)識(shí)別方法。

2、本發(fā)明采用的技術(shù)方案是，一種基于雙分支散射特征融合模型的isar目標(biāo)識(shí)別方法，包括：

3、步驟s1，對(duì)目標(biāo)isar數(shù)據(jù)進(jìn)行預(yù)處理；

4、步驟s2，依據(jù)預(yù)設(shè)比例將當(dāng)前isar數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集，并對(duì)當(dāng)前訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練；

5、步驟s3，構(gòu)建雙分支散射特征融合模型，提取所述isar像域的高維散射特征；

6、步驟s4，在少樣本n?way-k?shot的實(shí)驗(yàn)設(shè)定下，將isar像與對(duì)應(yīng)的isar回波數(shù)據(jù)輸入所述雙分支散射特征融合模型，獲取對(duì)應(yīng)的高維特征張量，并將雙分支的所述高維特征張量進(jìn)行融合，用于確定目標(biāo)部件分割預(yù)測(cè)結(jié)果；

7、步驟s5，利用所述目標(biāo)部件分割預(yù)測(cè)結(jié)果以及所述高維特征張量進(jìn)行模型訓(xùn)練，以確定模型權(quán)重；

8、步驟s6，加載所述模型權(quán)重，利用所述測(cè)試數(shù)據(jù)集得到少樣本isar目標(biāo)部件識(shí)別結(jié)果。

9、在一個(gè)實(shí)施方式中，所述步驟s1包括：

10、對(duì)散焦的isar像進(jìn)行徙動(dòng)補(bǔ)償，同時(shí)利用濾波與伽馬變換提高圖像中弱小分量的對(duì)比度，使isar像內(nèi)的細(xì)節(jié)信息更豐富。

11、在一個(gè)實(shí)施方式中，所述步驟s2包括：

12、依據(jù)7:3的比例劃分訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集，并將所述訓(xùn)練數(shù)據(jù)集劃分為支持樣本與查詢樣本；

13、基于所述訓(xùn)練數(shù)據(jù)集與所述測(cè)試數(shù)據(jù)集，學(xué)習(xí)isar圖像以及相應(yīng)目標(biāo)的復(fù)值isar回波對(duì)應(yīng)的所述支持樣本與所述查詢樣本以及所述支持樣本的掩碼標(biāo)簽，到所述查詢樣本的映射。

14、在一個(gè)實(shí)施方式中，所述步驟s3包括：

15、構(gòu)建雙分支isar編碼網(wǎng)絡(luò)與復(fù)值回波編碼網(wǎng)絡(luò)，所述isar編碼網(wǎng)絡(luò)用于生成源于isar圖像的高維散射特征，復(fù)值回波編碼網(wǎng)絡(luò)用于生成源于復(fù)值回波的高維散射特征。

16、在一個(gè)實(shí)施方式中，所述步驟s4包括：

17、將目標(biāo)isar像輸入所述isar編碼網(wǎng)絡(luò)，利用卷積殘差結(jié)構(gòu)處理輸入數(shù)據(jù)，提升通道數(shù)至三個(gè)并獲取高級(jí)語(yǔ)義信息；

18、所述高級(jí)語(yǔ)義信息經(jīng)下采樣與卷積處理，生成圖像域多尺度散射特征，包括支持特征以及查詢特征；

19、確定支持特征與查詢特征之間的相似度，生成相似度特征映射矩陣；

20、利用1×1的卷積層與relu激活函數(shù)處理所述映射矩陣，用于提升所述支持樣本與所述查詢樣本之間的耦合度，獲取對(duì)應(yīng)不同感受野的強(qiáng)相關(guān)性散射特征張量；

21、利用上采樣處理提升所述散射特征張量的空間分辨率，將三個(gè)通道的不同尺度的特征張量調(diào)整到相同的維度后，在通道維度拼接，得到源于isar圖像的高維散射特征；

22、將原始isar回波輸入復(fù)值回波編碼網(wǎng)絡(luò)，并進(jìn)行預(yù)處理；

23、利用殘差結(jié)構(gòu)處理回波域輸入數(shù)據(jù)，生成對(duì)應(yīng)不同感受野的回波域多尺度散射特征張量；

24、分別用三個(gè)sqm模塊處理回波域多尺度散射特征，生成三種比例的強(qiáng)相關(guān)性散射特征張量；

25、將三個(gè)通道的不同尺度的特征張量調(diào)整到相同的維度后，在通道維度拼接，得到源于復(fù)值回波的高維散射特征；

26、將雙分支的所述高維特征張量進(jìn)行融合，用于確定目標(biāo)部件分割預(yù)測(cè)結(jié)果。

27、在一個(gè)實(shí)施方式中，所述步驟s5包括；

28、在逐像素的交叉熵?fù)p失函數(shù)的監(jiān)督下，將所述高維特征張量，與所述部件分割預(yù)測(cè)結(jié)果作為輸入，確定上述兩類(lèi)輸入的距離度量；

29、基于所述距離度量確定損失函數(shù)優(yōu)化訓(xùn)練梯度；

30、基于所述訓(xùn)練梯度進(jìn)行模型訓(xùn)練直至損失函數(shù)收斂或達(dá)到預(yù)設(shè)要求，獲取最終的模型權(quán)重。

31、本發(fā)明的另一方面還提供了一種基于雙分支散射特征融合模型的isar目標(biāo)識(shí)別裝置，包括：

32、預(yù)處理單元，配置為對(duì)目標(biāo)isar像進(jìn)行預(yù)處理；

33、劃分單元，配置為依據(jù)預(yù)設(shè)比例將當(dāng)前isar像劃分為訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集，并對(duì)當(dāng)前訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練；

34、構(gòu)建單元，配置為構(gòu)建雙分支散射特征融合模型，提取所述isar像域的高分辨散射紋理特征與復(fù)值回波域的散射量化特征；

35、計(jì)算單元，配置為在少樣本n?way-k?shot的實(shí)驗(yàn)設(shè)定下，將isar像與對(duì)應(yīng)的isar回波數(shù)據(jù)輸入所述雙分支散射特征融合模型，獲取對(duì)應(yīng)的高維特征張量，并融合所述高分辨散射紋理特征與復(fù)值回波域的所述散射量化特征，用于確定目標(biāo)部件分割預(yù)測(cè)結(jié)果；

36、訓(xùn)練單元，配置為利用所述目標(biāo)部件分割預(yù)測(cè)結(jié)果以及所述高維特征張量進(jìn)行模型訓(xùn)練，以確定模型權(quán)重；

37、輸出單元，配置為加載所述模型權(quán)重，利用所述測(cè)試數(shù)據(jù)集得到少樣本isar目標(biāo)部件識(shí)別結(jié)果。

38、本發(fā)明的另一方面還提供了一種電子設(shè)備，所述電子設(shè)備包括：存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如上任一項(xiàng)所述基于雙分支散射特征融合模型的isar目標(biāo)識(shí)別方法的步驟。

39、本發(fā)明的另一方面還提供了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上任一項(xiàng)所述基于雙分支散射特征融合模型的isar目標(biāo)識(shí)別方法的步驟。

40、相較于現(xiàn)有技術(shù)，本發(fā)明至少具備以下優(yōu)點(diǎn)：

41、本發(fā)明基于現(xiàn)今低信噪比目標(biāo)isar像邊緣模糊，散射強(qiáng)度差異大，影響isar系統(tǒng)識(shí)別性能的現(xiàn)有情況，采用語(yǔ)義分割解決isar目標(biāo)部件識(shí)別問(wèn)題，提出了基于雙分支散射特征融合模型的少樣本語(yǔ)義分割框架，實(shí)現(xiàn)了少樣本條件下的目標(biāo)部件精確識(shí)別。