空间目标识别模型的构建方法、识别方法、装置及设备

摘要

本发明实施例涉及图像处理技术领域，特别涉及一种空间目标识别模型的构建方法、识别方法、装置及设备。其中，方法包括：取若干个训练样本；所述训练样本为含有目标类型标签的空间目标ISAR图像；利用若干个训练样本对识别神经网络进行空间目标的特征提取与训练，以构建得到空间目标识别模型；所述识别神经网络包括多个稀疏自编码网络模块。本发明提供的技术方案可以解决目前还未有基于无监督学习稀疏自编码器网络的空间目标ISAR图像识别方法的问题，可以对空间目标ISAR图像进行高效地数据压缩和分类识别。

说明书

技术领域

本发明实施例涉及图像处理技术领域，特别涉及一种空间目标识别模型的构建方法、识别方法、装置及设备。

背景技术

空间目标识别技术是世界各大强国的一个军事研究重点，如今它已经成为衡量一个国家整体国防系统的重要指标。空间目标的ISAR(Inverse Synthetic Aperture Radar，逆合成孔径雷达)图像含有非常丰富的目标信息，可以从中提取具有良好可分性的特征，且对姿态不敏感，在空间目标识别领域具有重要的研究价值。

现有的空间目标ISAR图像识别方法主要有两类：一类是基于局部判别子和基于Trace变换等的传统识别方法；一类是基于卷积神经网络(CNN)和逆空间变换网络等有监督的深度学习方法。

然而，目前还未有基于无监督学习稀疏自编码器网络的空间目标ISAR图像识别方法。

发明内容

由于目前还未有基于无监督学习稀疏自编码器网络的空间目标ISAR图像识别方法的问题，本发明实施例提供了一种空间目标识别模型的构建方法、识别方法、装置及设备。

第一方面，本发明实施例提供了一种空间目标识别模型的构建方法，包括：

获取若干个训练样本；所述训练样本为含有目标类型标签的空间目标ISAR图像；

利用若干个训练样本对识别神经网络进行空间目标的特征提取与训练，以构建得到空间目标识别模型；所述识别神经网络包括多个稀疏自编码网络模块。

在一种可能的设计中，所述识别神经网络包括：输入层、压缩层、识别层和输出层；

所述利用若干个训练样本对识别神经网络进行空间目标的特征提取与训练，以构建得到空间目标识别模型，包括：

将若干个空间目标ISAR图像输入至所述压缩层的第一稀疏自编码网络模块中，对每一个空间目标ISAR图像进行特征提取与数据压缩，得到若干个压缩数据矩阵；

将若干个压缩数据矩阵输入至所述识别层的第二稀疏自编码网络模块和分类器中，对每一个空间目标ISAR图像中的空间目标进行分类识别，输出对应的识别结果；

根据输出的若干个识别结果和所述训练样本中每一个空间目标ISAR图像对应的目标类型标签，调整所述识别神经网络的网络参数，直至得到符合预期的空间目标识别模型。

在一种可能的设计中，所述第一稀疏自编码网络模块包括第一稀疏自编码网络子模块和第二稀疏自编码网络子模块；

所述将若干个空间目标ISAR图像输入至所述压缩层的第一稀疏自编码网络模块中，对每一个空间目标ISAR图像进行特征提取与数据压缩，包括：

将所述若干个空间目标ISAR图像输入至所述第一稀疏自编码网络子模块中，对每一个空间目标ISAR图像对应的二维数据矩阵进行行压缩；

将每一个行压缩后的二维数据矩阵输入至所述第二稀疏自编码网络子模块中，对每一个空间目标ISAR图像对应的二维数据矩阵进行列压缩。

在一种可能的设计中，在所述得到若干个压缩数据矩阵之后，在所述将若干个压缩数据矩阵输入至所述识别层的第二稀疏自编码网络模块和分类器中之前，还包括：

对每一个压缩数据矩阵进行一维展开，将得到的对应的一维数据矩阵作为压缩数据矩阵。

在一种可能的设计中，所述第一稀疏自编码网络子模块、所述第二稀疏自编码网络子模块和所述第二稀疏自编码网络模块均包括三层中间隐层。

第二方面，本发明实施例还提供了一种本发明实施例还提供了一种利用本说明书中任一所述空间目标识别模型的构建方法构建的空间目标识别模型进行空间目标识别的识别方法，包括：

获取待识别的空间目标ISAR图像；

将所述空间目标ISAR图像输入至所述空间目标识别模型中；

接收所述空间目标识别模型输出的识别结果。

第三方面，本发明实施例还提供了一种空间目标识别模型的构建装置，包括：

获取单元，用于获取若干个训练样本；所述训练样本为含有目标类型标签的空间目标ISAR图像；

构建单元，用于利用若干个训练样本对识别神经网络进行空间目标的特征提取与训练，以构建得到空间目标识别模型；所述识别神经网络包括多个稀疏自编码网络模块。

第四方面，本发明实施例还提供了一种空间目标识别装置，包括：

图像获取单元，用于获取待识别的空间目标ISAR图像；

输入单元，用于将所述空间目标ISAR图像输入至所述空间目标识别模型中；

识别单元，用于接收所述空间目标识别模型输出的识别结果。

第五方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。

第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。

本发明实施例提供了一种空间目标识别模型的构建方法、识别方法、装置及设备，首先获取若干个含有目标类型标签的空间目标ISAR图像，通过利用包括多个稀疏自编码网络模块的识别神经网络，来对空间目标ISAR图像进行特征提取，以训练得到空间目标识别模型，可以对空间目标ISAR图像进行高效地数据压缩和分类识别。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的一种空间目标识别模型的构建方法流程图；

图2是本发明一实施例提供的一种电子设备的硬件架构图；

图3是本发明一实施例提供的一种空间目标识别模型的构建装置结构图；

图4是本发明一实施例提供的另一种电子设备的硬件架构图；

图5是本发明一实施例提供的一种空间目标识别装置结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如前所述，现有的空间目标ISAR图像识别方法主要有两类：一类是基于局部判别子和基于Trace变换等的传统识别方法；一类是基于卷积神经网络(CNN)和逆空间变换网络等有监督的深度学习方法。目前还未有基于无监督学习稀疏自编码器网络的空间目标ISAR图像识别方法。

为了解决上述技术问题，发明人可以考虑获取若干个含有目标类型标签的空间目标ISAR图像作为训练样本，并将若干个训练样本输入至包括多个稀疏自编码网络模块的识别神经网络，来对每一个空间目标ISAR图像中的空间目标进行特征提取，以训练得到空间目标识别模型，该空间目标识别模型可以对空间目标ISAR图像进行高效地数据压缩和分类识别。

下面描述以上构思的具体实现方式。

请参考图1，本发明实施例提供了一种空间目标识别模型的构建方法，该方法包括：

步骤100：获取若干个训练样本；训练样本为含有目标类型标签的空间目标ISAR图像；

步骤102：利用若干个训练样本对识别神经网络进行空间目标的特征提取与训练，以构建得到空间目标识别模型；识别神经网络包括多个稀疏自编码网络模块。

本发明实施例中，首先获取若干个含有目标类型标签的空间目标ISAR图像，通过利用包括多个稀疏自编码网络模块的识别神经网络，来对空间目标ISAR图像进行特征提取，以训练得到空间目标识别模型，可以对空间目标ISAR图像进行高效地数据压缩和分类识别。

下面描述图1所示的各个步骤的执行方式。

针对步骤100：

需要说明的是，每个空间目标ISAR图像都含有表征该图像中目标类型的标签，用于与识别结果进行对比，来调整识别神经网络中的网络参数。

针对步骤102：

在本发明实施例中，识别神经网络包括：输入层、压缩层、识别层和输出层。

在一些实施方式中，步骤102可以包括如下步骤S1-S3：

步骤S1，将若干个空间目标ISAR图像输入至压缩层的第一稀疏自编码网络模块中，对每一个空间目标ISAR图像进行特征提取与数据压缩，得到若干个压缩数据矩阵。

由于稀疏自编码网络只能针对一维数据进行处理,因此对于二维的空间目标ISAR图像在进行数据压缩时需要分别单独对“行”和“列”进行压缩。

因此，在一些实施方式中，第一稀疏自编码网络模块包括第一稀疏自编码网络子模块和第二稀疏自编码网络子模块。

在本实施例中，步骤“将若干个空间目标ISAR图像输入至压缩层的第一稀疏自编码网络模块中，对每一个空间目标ISAR图像进行特征提取与数据压缩”，可以包括：

将若干个空间目标ISAR图像输入至第一稀疏自编码网络子模块中，对每一个空间目标ISAR图像对应的二维数据矩阵进行行压缩；

将每一个行压缩后的二维数据矩阵输入至第二稀疏自编码网络子模块中，对每一个空间目标ISAR图像对应的二维数据矩阵进行列压缩。

举例来说，假设每一个空间目标ISAR图像的二维数据矩阵为S＝M*N,首先经过第一稀疏自编码网络子模块对S矩阵进行“行”压缩得到二维数据矩阵A＝M1*N，其中，M1＜M；随后再经过第二稀疏自编码网络子模块对二维数据矩阵A进行“列”压缩得到二维数据矩阵B＝M1*N1，其中，N1＜N；即为空间目标ISAR图像的压缩数据矩阵。

在一些实施方式中，在得到若干个压缩数据矩阵之后，在将若干个压缩数据矩阵输入至识别层的第二稀疏自编码网络模块和分类器中之前，还包括：

对每一个压缩数据矩阵进行一维展开，将得到的对应的一维数据矩阵作为压缩数据矩阵。

举例来说，对空间目标ISAR图像的压缩数据矩阵B＝M1*N1进行一维展开，采用按列首尾相接的形式得到一维数据矩阵C＝1*(M1*N1)，此时一维数据的长度即为矩阵B的行列相乘(M1*N1)。

需要说明的是，由于在本发明实施例中，第二稀疏自编码网络模块为一个稀疏自编码网络模块，因此需要将压缩数据矩阵进行一维展开。当然，不将压缩数据矩阵进行一维展开也可以，那么第二稀疏自编码网络模块需要包括两个稀疏自编码网络子模块，分别来对二维压缩数据矩阵的行列进行解码。

步骤S2，将若干个压缩数据矩阵输入至识别层的第二稀疏自编码网络模块和分类器中，对每一个空间目标ISAR图像中的空间目标进行分类识别，输出对应的识别结果。

在本发明实施例中，第一稀疏自编码网络子模块、第二稀疏自编码网络子模块和第二稀疏自编码网络模块均为3层稀疏自编码网络，即包括三层中间隐层。

需要说明的是，第一稀疏自编码网络子模块、第二稀疏自编码网络子模块和第二稀疏自编码网络模块的稀疏自编码网络可以为相同层数，也可以为不同层数，且层数不作具体限定。

举例来说，将若干个空间目标ISAR图像对应的压缩数据矩阵输入至第二稀疏自编码网络模块和分类器中进行无监督深度学习，可以训练得到初始网络参数，并输出对应的识别结果，其中，每一个压缩数据矩阵均为一维数据矩阵C＝1*(M1*N1)。

步骤S3，根据输出的若干个识别结果和训练样本中每一个空间目标ISAR图像对应的目标类型标签，调整识别神经网络的网络参数，直至得到符合预期的空间目标识别模型。

在本步骤中，根据分类器输出的每一个空间目标ISAR图像的识别结果与对应的目标类型标签的残差对初始网络参数进行调整，得到符合预期的空间目标识别模型。

本实施例还提供的一种基于说明书中任一所述空间目标识别模型的构建方法构建的空间目标识别模型进行空间目标识别的识别方法，包括：

获取待识别的空间目标ISAR图像；

将空间目标ISAR图像输入至空间目标识别模型中；

接收空间目标识别模型输出的识别结果。

在本发明实施例中，可以按顺序直接将若干个待识别的空间目标ISAR图像输入至空间目标识别模型中，其中，每个空间目标ISAR图像不含有目标类型标签，即可快速得到每个空间目标的识别结果。

如图2、图3所示，本发明实施例提供了一种空间目标识别模型的构建装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种空间目标识别模型的构建装置所在电子设备的一种硬件架构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。

如图3所示，本实施例提供的一种空间目标识别模型的构建装置，包括：

获取单元301，用于获取若干个训练样本；训练样本为含有目标类型标签的空间目标ISAR图像；

构建单元302，用于利用若干个训练样本对识别神经网络进行空间目标的特征提取与训练，以构建得到空间目标识别模型；识别神经网络包括多个稀疏自编码网络模块。

在本发明的一个实施例中，构建单元302中，识别神经网络包括：输入层、压缩层、识别层和输出层；

在本发明的一个实施例中，构建单元302，用于执行如下操作：

将若干个空间目标ISAR图像输入至压缩层的第一稀疏自编码网络模块中，对每一个空间目标ISAR图像进行特征提取与数据压缩，得到若干个压缩数据矩阵；

将若干个压缩数据矩阵输入至识别层的第二稀疏自编码网络模块和分类器中，对每一个空间目标ISAR图像中的空间目标进行分类识别，输出对应的识别结果；

根据输出的若干个识别结果和训练样本中每一个空间目标ISAR图像对应的目标类型标签，调整识别神经网络的网络参数，直至得到符合预期的空间目标识别模型。

在本发明的一个实施例中，构建单元302中，第一稀疏自编码网络模块包括第一稀疏自编码网络子模块和第二稀疏自编码网络子模块；

在执行将若干个空间目标ISAR图像输入至压缩层的第一稀疏自编码网络模块中，对每一个空间目标ISAR图像进行特征提取与数据压缩时，用于执行如下操作：

将若干个空间目标ISAR图像输入至第一稀疏自编码网络子模块中，对每一个空间目标ISAR图像对应的二维数据矩阵进行行压缩；

将每一个行压缩后的二维数据矩阵输入至第二稀疏自编码网络子模块中，对每一个空间目标ISAR图像对应的二维数据矩阵进行列压缩。

在本发明的一个实施例中，构建单元302，在得到若干个压缩数据矩阵之后，在将若干个压缩数据矩阵输入至识别层的第二稀疏自编码网络模块和分类器中之前，还用于执行如下操作：

对每一个列压缩后的二维数据矩阵进行一维展开，得到对应的一维数据矩阵。

在本发明的一个实施例中，构建单元302中，第一稀疏自编码网络子模块、第二稀疏自编码网络子模块和第二稀疏自编码网络模块均包括三层中间隐层。

如图4、图5所示，本发明实施例提供了一种空间目标识别装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图4所示，为本发明实施例提供的一种空间目标识别装置所在电子设备的一种硬件架构图，除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图5所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。

如图5所示，本实施例提供的一种空间目标识别装置，包括：

图像获取单元501，用于获取待识别的空间目标ISAR图像；

输入单元502，用于将空间目标ISAR图像输入至空间目标识别模型中；

识别单元503，用于接收空间目标识别模型输出的识别结果。

可以理解的是，本发明实施例示意的结构并不构成对一种空间目标识别模型的构建装置/空间目标识别装置的具体限定。在本发明的另一些实施例中，一种空间目标识别模型的构建装置/空间目标识别装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。

上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种空间目标识别模型的构建装置和一种利用本说明书中任一所述方法构建的空间目标识别模型进行空间目标识别的识别方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种空间目标识别模型的构建装置和一种利用本说明书中任一所述方法构建的空间目标识别模型进行空间目标识别的识别方法。

具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。

在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。

用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。

此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。

此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。

需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。