本技術(shù)涉及雷達(dá)信號處理，特別是涉及一種基于尺度不變特征變換的雷達(dá)目標(biāo)識別方法、裝置及設(shè)備。

背景技術(shù)：

1、雷達(dá)自動(dòng)目標(biāo)識別(radar?auto?target?recognition，ratr)在航空安全領(lǐng)域發(fā)揮著重要作用，如何快速、準(zhǔn)確、穩(wěn)健地對空天目標(biāo)進(jìn)行識別是ratr最主要的任務(wù)。在ratr任務(wù)中，對呈現(xiàn)長尾分布的合成孔徑雷達(dá)(synthetic?aperture?radar，sar)目標(biāo)識別存在重大意義。在sar圖像中，有一些目標(biāo)由于獲取難度大導(dǎo)致出現(xiàn)頻率很低(尾部目標(biāo))，而一些常見目標(biāo)則頻繁出現(xiàn)(頭部目標(biāo))，導(dǎo)致目標(biāo)類別之間存在嚴(yán)重的不平衡，這就是長尾分布，其中出現(xiàn)頻率低的目標(biāo)很有可能就是具有重要意義的目標(biāo)。頭部目標(biāo)的數(shù)據(jù)相對容易獲取，尾部數(shù)據(jù)相應(yīng)的樣本數(shù)據(jù)也比較稀缺，這給模型的訓(xùn)練帶來挑戰(zhàn)。

2、傳統(tǒng)的機(jī)器學(xué)習(xí)方法無法充分利用少量樣本進(jìn)行有效的長尾目標(biāo)識別導(dǎo)致對尾部目標(biāo)的識別準(zhǔn)確率較低。因此，如何同時(shí)對頭部目標(biāo)和尾部目標(biāo)實(shí)現(xiàn)較好的識別準(zhǔn)確率、識別穩(wěn)健性是現(xiàn)階段ratr領(lǐng)域亟待解決的問題。傳統(tǒng)的長尾識別方法通過對頭部目標(biāo)降采樣、尾部目標(biāo)重采樣、損失加權(quán)的方法提高尾部數(shù)據(jù)的識別準(zhǔn)確率，然而傳統(tǒng)方法取得的識別率較低。近年來，現(xiàn)有的基于深度學(xué)習(xí)的sar目標(biāo)識別方法的性能高度取決于訓(xùn)練數(shù)據(jù)集的質(zhì)量和數(shù)量。然而，sar目標(biāo)分類場景通常既沒有足夠的訓(xùn)練樣本，也沒有類別的平衡分布，深度學(xué)習(xí)方法的穩(wěn)健性較低，并且未考慮到sar圖像的散射特性。因此，現(xiàn)有的方法并不能很好的實(shí)現(xiàn)對長尾sar目標(biāo)識別。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種能夠提高雷達(dá)目標(biāo)識別準(zhǔn)確率的基于尺度不變特征變換的雷達(dá)目標(biāo)識別方法、裝置及設(shè)備。

2、一種基于尺度不變特征變換的雷達(dá)目標(biāo)識別方法，所述方法包括：

3、獲取長尾sar目標(biāo)數(shù)據(jù)；構(gòu)建雷達(dá)目標(biāo)識別模型；雷達(dá)目標(biāo)識別模型包括尺度不變特征變換特征提取模塊、編碼器、投影頭和分類器；

4、對長尾sar目標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)增廣，得到增廣后的樣本對；根據(jù)尺度不變特征變換特征提取模塊和編碼器對增廣后的樣本對進(jìn)行特征提取，得到雷達(dá)圖像的散射特征和紋理特征；將散射特征和紋理特征進(jìn)行拼接，得到第一混合特征；

5、利用投影頭將第一混合特征映射到嵌入空間，根據(jù)一個(gè)批次中的所有嵌入設(shè)置第一損失函數(shù)；利用第一損失函數(shù)對編碼器進(jìn)行訓(xùn)練，得到訓(xùn)練好的編碼器；

6、根據(jù)訓(xùn)練好的編碼器和尺度不變特征變換特征提取模塊對輸入雷達(dá)圖像進(jìn)行特征提取和拼接，得到第二混合特征；將第二混合特征輸入分類器，得到預(yù)測結(jié)果向量；根據(jù)預(yù)測結(jié)果向量和雷達(dá)圖像的真實(shí)標(biāo)簽設(shè)計(jì)第二損失函數(shù)；

7、根據(jù)第二損失函數(shù)對分類器進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類器；將訓(xùn)練好的編碼器和分類器代入雷達(dá)目標(biāo)識別模型中，得到訓(xùn)練好的雷達(dá)目標(biāo)識別模型；根據(jù)訓(xùn)練好的雷達(dá)目標(biāo)識別模型進(jìn)行雷達(dá)目標(biāo)識別。

8、在其中一個(gè)實(shí)施例中，根據(jù)尺度不變特征變換特征提取模塊和編碼器對增廣后的樣本對進(jìn)行特征提取，得到雷達(dá)圖像的散射特征和紋理特征，包括：

9、根據(jù)尺度不變特征變換特征提取模塊對增廣后的樣本對進(jìn)行特征提取，提取增廣后的樣本的k個(gè)散射點(diǎn)信息，計(jì)算第k個(gè)散射點(diǎn)的散射信息，包含了散射強(qiáng)度最大點(diǎn)的坐標(biāo)最大散射強(qiáng)度方向以及方向?qū)?yīng)的模長

10、定義表示第k個(gè)散射點(diǎn)特征，p＝[p1,p2,…,pk]表示增廣后的樣本i提取到的散射特征，t表示轉(zhuǎn)置操作。

11、在其中一個(gè)實(shí)施例中，散射強(qiáng)度最大點(diǎn)的坐標(biāo)為

12、

13、其中，s表示差分高斯空間，ck表示在高斯差分空間中有最大散射強(qiáng)度的極值點(diǎn)。

14、在其中一個(gè)實(shí)施例中，最大散射強(qiáng)度方向?yàn)?/p>

15、

16、其中，表示尺度空間，n(xk,yk,σk)表示帶有尺度因子σk的高斯分布，xk,yk表示點(diǎn)的坐標(biāo)，l1＝l(xk,yk+1,σk)，l2＝l(xk,yk-1,σk)，l3＝l(xk+1,yk,σk)，l4＝l(xk-1,yk,σk)。

17、在其中一個(gè)實(shí)施例中，方向?qū)?yīng)的模長為

18、

19、其中，其中，表示尺度空間，n(xk,yk,σk)表示帶有尺度因子σk的高斯分布，xk,yk表示散射點(diǎn)的坐標(biāo)，l1＝l(xk,yk+1,σk)，l2＝l(xk,yk-1,σk)，l3＝l(xk+1,yk,σk)，l4＝l(xk-1,yk,σk)。

20、在其中一個(gè)實(shí)施例中，根據(jù)編碼器對增廣后的樣本對進(jìn)行特征提取，得到雷達(dá)圖像的紋理特征為

21、

22、其中，fe(·)表示編碼器特征提取操作，表示增廣后的樣本。

23、在其中一個(gè)實(shí)施例中，根據(jù)一個(gè)批次中的所有嵌入設(shè)置第一損失函數(shù)，包括：

24、根據(jù)一個(gè)批次中的所有嵌入設(shè)置第一損失函數(shù)為

25、

26、其中，za表示增廣后的樣本的嵌入同時(shí)也是這一個(gè)批次中的錨點(diǎn)，p(i)表示該批次中za的所有正樣本的集合，|p(i)|表示p(i)的數(shù)量，a(i)表示該批次中除了錨點(diǎn)以外其他所有樣本的集合，τ是溫度超參數(shù)，zh表示除了錨點(diǎn)以外其他樣本。

27、在其中一個(gè)實(shí)施例中，根據(jù)預(yù)測結(jié)果向量和雷達(dá)圖像的真實(shí)標(biāo)簽設(shè)計(jì)第二損失函數(shù)，包括：

28、根據(jù)預(yù)測結(jié)果向量和雷達(dá)圖像的真實(shí)標(biāo)簽設(shè)計(jì)第二損失函數(shù)為

29、

30、其中，q＝[q1,q2,…,qc]表示含有c個(gè)元素的真實(shí)標(biāo)簽向量，v表示預(yù)測結(jié)果向量。

31、一種基于尺度不變特征變換的雷達(dá)目標(biāo)識別裝置，所述裝置包括：

32、模型構(gòu)建模塊，用于獲取長尾sar目標(biāo)數(shù)據(jù)；構(gòu)建雷達(dá)目標(biāo)識別模型；雷達(dá)目標(biāo)識別模型包括尺度不變特征變換特征提取模塊、編碼器、投影頭和分類器；

33、特征提取模塊，用于對長尾sar目標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)增廣，得到增廣后的樣本對；根據(jù)尺度不變特征變換特征提取模塊和編碼器對增廣后的樣本對進(jìn)行特征提取，得到雷達(dá)圖像的散射特征和紋理特征；將散射特征和紋理特征進(jìn)行拼接，得到第一混合特征；

34、編碼器訓(xùn)練模塊，用于利用投影頭將第一混合特征映射到嵌入空間，根據(jù)一個(gè)批次中的所有嵌入設(shè)置第一損失函數(shù)；利用第一損失函數(shù)對編碼器進(jìn)行訓(xùn)練，得到訓(xùn)練好的編碼器；

35、分類器訓(xùn)練模塊，用于根據(jù)訓(xùn)練好的編碼器和尺度不變特征變換特征提取模塊對輸入雷達(dá)圖像進(jìn)行特征提取和拼接，得到第二混合特征；將第二混合特征輸入分類器，得到預(yù)測結(jié)果向量；根據(jù)預(yù)測結(jié)果向量和雷達(dá)圖像的真實(shí)標(biāo)簽設(shè)計(jì)第二損失函數(shù)；根據(jù)第二損失函數(shù)對分類器進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類器；

36、雷達(dá)目標(biāo)識別模塊，用于將訓(xùn)練好的編碼器和分類器代入雷達(dá)目標(biāo)識別模型中，得到訓(xùn)練好的雷達(dá)目標(biāo)識別模型；根據(jù)訓(xùn)練好的雷達(dá)目標(biāo)識別模型進(jìn)行雷達(dá)目標(biāo)識別。

37、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)以下步驟：

38、獲取長尾sar目標(biāo)數(shù)據(jù)；構(gòu)建雷達(dá)目標(biāo)識別模型；雷達(dá)目標(biāo)識別模型包括尺度不變特征變換特征提取模塊、編碼器、投影頭和分類器；

39、對長尾sar目標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)增廣，得到增廣后的樣本對；根據(jù)尺度不變特征變換特征提取模塊和編碼器對增廣后的樣本對進(jìn)行特征提取，得到雷達(dá)圖像的散射特征和紋理特征；將散射特征和紋理特征進(jìn)行拼接，得到第一混合特征；

40、利用投影頭將第一混合特征映射到嵌入空間，根據(jù)一個(gè)批次中的所有嵌入設(shè)置第一損失函數(shù)；利用第一損失函數(shù)對編碼器進(jìn)行訓(xùn)練，得到訓(xùn)練好的編碼器；

41、根據(jù)訓(xùn)練好的編碼器和尺度不變特征變換特征提取模塊對輸入雷達(dá)圖像進(jìn)行特征提取和拼接，得到第二混合特征；將第二混合特征輸入分類器，得到預(yù)測結(jié)果向量；根據(jù)預(yù)測結(jié)果向量和雷達(dá)圖像的真實(shí)標(biāo)簽設(shè)計(jì)第二損失函數(shù)；

42、根據(jù)第二損失函數(shù)對分類器進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類器；將訓(xùn)練好的編碼器和分類器代入雷達(dá)目標(biāo)識別模型中，得到訓(xùn)練好的雷達(dá)目標(biāo)識別模型；根據(jù)訓(xùn)練好的雷達(dá)目標(biāo)識別模型進(jìn)行雷達(dá)目標(biāo)識別。

43、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(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)以下步驟：

44、上述基于尺度不變特征變換的雷達(dá)目標(biāo)識別方法、裝置及設(shè)備，本發(fā)明提出了基于尺度不變特征變換特征提取模塊的雙通道解耦學(xué)習(xí)表征方法，在特征提取學(xué)習(xí)階段和分類器微調(diào)階段均利用尺度不變特征變換特征提取模塊提供的具有良好可分性的sar圖像特征，用于長尾sar圖像分類，充分利用了sar物理散射屬性以提高在不平衡樣本分布下對sar圖像的特征提取能力，根據(jù)提取的特征進(jìn)行融合后利用融合特征在特征提取學(xué)習(xí)階段設(shè)計(jì)了第一損失函數(shù)，通過錨點(diǎn)對應(yīng)的增廣后的樣本和與錨點(diǎn)標(biāo)簽相同的樣本都作為正樣本，其他的樣本作為負(fù)樣本進(jìn)行有監(jiān)督對比學(xué)習(xí)，使學(xué)習(xí)特征在所有類別上具有更好的平衡性，同時(shí)利用融合特征在分類器微調(diào)階段設(shè)置第二損失函數(shù)，通過直接衡量預(yù)測結(jié)果向量和雷達(dá)圖像的真實(shí)標(biāo)簽之間的差距來調(diào)整分類器輸出，根據(jù)更加具備表征能力的融合特征設(shè)計(jì)的損失函數(shù)能夠提高模型訓(xùn)練的準(zhǔn)確率，進(jìn)而提高后續(xù)雷達(dá)目標(biāo)識別的準(zhǔn)確率。