摘要：由于深度學習在目標識別方面取得了顯著的成績，為提高合成孔徑雷達(SyntheticApertureRadar，SAR)圖像目標識別的精度與速度提供了新的思路。本文將區域全卷積網絡(Region-basedFullyConvolutionalNetworks，R-FCN)結構應用于SAR圖像目標識別中，取得了良好的效果。對于數據集較小和數據相似度較高的問題，提出了基于遷移學習的R-FCN模型用于SAR圖像目標識別。對更快的區域卷積神經網絡(FasterRegionConvolutionalNeuralNetworks,FasterR-CNN)和R-FCN進行模型訓練及優化，并與本文所提出的基于遷移學習的改進R-FCN模型實驗結果進行對比。結果表明，本文所提出的方法對SAR圖像具有更好的識別效果和更快的識別速度。

　　關鍵詞：機器視覺;目標識別;合成孔徑雷達;全卷積網絡;遷移學習

　　0引言

　　SAR(SyntheticApertureRadar，SAR)成像[1-2]是通過雷達與成像目標之間相對位移產生等效的合成天線陣列，再通過發射端發射寬帶信號與合成陣列的相干獲取距離像和方位向的高分辨實現的成像技術。因其受到外界天氣的影響相對較小，還具有一定的地表穿透能力，所以在軍事領域、國土資源、農林業、重大災害等方面應用廣泛[3]。傳統的SAR圖像識別技術[4-5]在數據量巨大且數據愈發復雜的情況下，會導致最終的識別精度和識別效率低下，而深度學習是通過將獲得的低層次特征進行非線性組合，由此來得到數據的抽象表達。深度學習在圖像識別領域的成功，為它在SAR目標識別[6-8]方面的應用提供了依據。

　　RossGirshick提出了一種基于基于區域特征提取的卷積神經網絡(RegionConvolutionalNeuralNetwork,R-CNN)模型[9-10]用來實現目標檢測，R-CNN模型在傳統卷積神經網絡(ConvolutionalNeuralNetwork,CNN)的基礎上可以獲得更快的識別速度和更好的識別精度。但R-CNN網絡在提取大量候選區域時會占用很大磁盤空間以及巨大的計算浪費。

　　另外，由于傳統CNN需要輸入圖像為固定尺寸(227×227)，所以會進行歸一化處理，使圖像被截斷或拉伸，導致圖像信息丟失。文獻[11]提出的快速區域卷積神經網絡(FastRegionConvolutionalNeuralNetwork,FastRCNN)模型不需要進行圖像預處理和生成候選區域，解決了R-CNN中圖像信息丟失、計算速度慢和占用存儲空間大的問題。

　　為了加快提取候選區域的速度，Ren等人提出快速區域卷積神經網絡(FasterRegionConvolutionalNeuralNetwork,FasterRCNN)模型[12-14]，它用區域建議網絡(RegionProposalnetworks,RPN)[15]網絡來提取候選區域(RegionofInterest,ROI)，然后利用FastRCNN實現目標檢測功能。

　　由于RPN獲得建議區域只需要做一次完全卷積，能和整個檢測網絡共享全圖的卷積特征，減少了大量冗余數據的計算，加快了目標檢測速度。同時，FasterR-CNN還具有較高的檢測精度。JifengDai等提出一種基于區域特征的全卷積網絡(Region-basedFullyConvolutionalNetworks,R-FCN)[16-17]，用于實現精確并且有效的目標檢測。為解決圖像分類中平移不可變性與目標檢測過程中平移方差的矛盾，提出了位置敏感得分圖[18]。在數據集中數據較少的情況下，本文提出了將遷移學習[19]應用于改進R-FCN中實現SAR圖像目標識別的方法。

　　1SAR圖像數據集

　　1.1數據集介紹

　　本文數據源于美國國防高等研究計劃署支持的MSTAR計劃所公布的實測SAR地面靜止目標數據。與光學圖像識別不同，雷達圖像識別更加困難，SAR的分辨率遠低于光學圖像。方位角的變化對SAR圖像識別的影響是巨大的[20]，此外，不同背景下的SAR圖像對目標識別會產生很大的影響[21]。

　　本文用于訓練的數據集是雷達俯仰角為17時所獲得的SAR圖像，用于測試的數據集是雷達俯仰角為15時所獲得的SAR圖像。對比可以看出這兩者之間存在很大的區別，光學圖像肉眼可區分出不同型號的戰車，而通過人眼觀察SAR圖像無法區分出戰車的不同型號，因而需要借助于計算機來區分。實驗采用的訓練集和測試集中分別包含五種類別的戰車，分別為ZSU_23_4、ZIL131、2S1、T62、D7。每類中包含299個訓練樣本和274個測試樣本。

　　1.2圖像數據集擴展

　　由于用于訓練的數據集數量相對較少，使訓練參數不能達到最優，不能得到很好的識別效果，需要通過圖像增強中的灰度變換對訓練集數據進行擴充，本文利用了冪律變換[22]、對數變換[23]與Imadjust函數[24]，使原始訓練集數據量擴充到原來的4倍。

　　2R-FCN結構模型

　　人們對于圖像檢測的速度和精度的需求在逐步提高，在FasterR-CNN的基礎上提出了R-FCN模型。R-FCN網絡的主體部分可以適應不同的全卷積網絡架構，無論是ResNet101[25]還是ResNet152[26]都能滿足R-FCN的需求，從而提取出高質量的圖像特征，本文采用ResNet101結構。

　　2.1R-FCN網路結構R-FCN

　　包括了輸入層，100層卷積層，感興趣池化層以及千級全連接層。R-FCN網絡結構完全共享、完全卷積的體系構成，針對共享網絡檢測精度不佳的缺陷，加入了位置敏感得分圖，該部分負責對目標進行準確識別。假設最終要完成C類目標的分類，對于一個待測物體，首先要對其ROI區域完成劃分，使其分為k×k個子網格，每一個子網格中包含了待測物體的不同部分。經過各自對應后，判斷每一個子網格內是否含有對應部分，如果符合要求，則識別成功屬于該類別，否則歸于其他類別。所以對于R-FCN來說，加上圖中背景共有C+1類，每一類又要經過k2次處理，所以需要k2(C+1)個通道用來輸出。

　　2.2R-FCN工作原理

　　R-FCN網絡在識別時，首先由RPN提取出候選區域ROI，每一類的ROI都有高、寬和橫、縱坐標四個參數，記為h、w、x、y。由于這些ROI都會被劃分為k×k個子網格，故每個子網格的尺寸為(w/k×h/k)。之后，在第101層卷積層引入位置敏感得分圖，將k2個子網格都與得分圖上的相應區域進行位置敏感的評比，可以通過平均池化實現。給定區域(0≤i,j≤k-1)，假設坐標為(i,j)的子網格需要在得分圖上尋找坐標同為(i,j)的位置完成池化操作，共進行C+1次。

　　由于每類ROI都有四個坐標，在計算出位置敏感得分后還需要對其完成回歸操作，故還需要4k2個卷積層用于包絡框回歸。對其進行位置敏感池化，為每一類ROI都產生4k2個矢量。然后平均得分可以將其聚合成4維矢量。這個四維向量會將包絡框參數化為t=(tx,ty,tw,th)。由于包絡框回歸后沒有別的層級，所以網絡的運算速度相應加快。

　　3基于改進R-FCN的SAR圖像目標識別

　　3.1改進殘差網絡的R-FCN

　　R-FCN的最初提出是對光學圖像的目標檢測，由于光學圖像的灰度變化平滑并且目標特征明顯，因此R-FCN的特征提取網絡能夠有效的提取目標的特征。SAR成像原理與光學成像原理不同，其中，SAR圖像帶有很多相干斑噪聲[28]，嚴重影響特征的提取。卷積核的大小決定著卷積神經網絡最終輸出特征向量所包含的原圖特征信息量的多少。卷積核越大，所取得的特征圖的信息量越多，此外，卷積核越大越能夠有效的抑制SAR圖像中的相干斑噪聲對識別結果的影響。

　　3.2改進位置敏感區域池化層的R-FCN

　　3.2.1改進的位置敏感區域池化層

　　由于原始R-FCN網絡中的位置區域池化層具有一定的特殊性，原始R-FCN網絡結構的設計適用于目標檢測數據集PASCALVOC，此數據集中目標加背景一共有21類。位置敏感區域池化層(Position-SensitiveROIPoolingLayer,PSROIPooling)[29]決定著R-FCN特征提取網絡的特征圖的個數。當檢測目標類別越多時，網絡提取的特征圖個數越多，當數據集中目標加背景的類型遠小于PASCALVOC的類別會導致R-FCN網絡畸形。

　　為了得到更好的識別率，對位置敏感區域池化層作出了更適合小類數據集的改進。首先通過RPN獲得位置敏感區域的位置，將其與特征圖結合生成位置敏感分數圖，然后對位置敏感分數圖做全局最大值池化，得到長度為k2(c+1)的特征向量，最后對特征向量做全連接操作并放入Softmax中進行分類。將ROIPooling[30]層改為ROIAlign[31]后采用雙線性內插的方法獲得像素點上的圖像數值，從而使特征聚集過程連續操作。

　　3.3遷移學習的R-FCN

　　遷移學習可以將學到的對圖像分類的理解分享到新模型中，神經網絡從數據中獲取信息并把它們換成相應的權重。這些權重被提取出來遷移到其他的神經網絡中，加快并優化了模型的收斂速度。在基于遷移學習的改進R-FCN網絡的訓練過程中，利用預訓練模型進行特征提取。去掉輸出層后將剩下的網絡當做已經訓練好的特征提取機應用到新的數據集中。這個過程中，需要對特定層進行訓練得到新的權重，凍結其他層保持其權重不變，因此加快了圖像識別的速度。

　　4SAR圖像目標識別結果及分析

　　4.1FasterR-CNN模型實驗結果及分析

　　本節實驗采用FasterR-CNN網絡對SAR圖像進行識別分類。數據集上預訓練VGG16[32]模型用來提取網絡特征圖，學習率為0.002，動量為0.9，權重衰減設置為0.0005，最大迭代次數為45000。通過訓練集對FasterR-CNN模型進行訓練優化后，利用測試集檢測該模型，得到識別結果。在實驗中每種類別分別進行測試，若識別出的類別與目標類別不一致的話，則認為識別錯誤，若沒有標注出識別框，則認為漏識別。各種類別的所有測試數據集，通過FasterR-CNN網絡模型對SAR圖像進行目標識別，得到的目標識別率基本在80%以上，最高可達到95%。識別效果較好。

　　5結束語

　　本文主要研究基于深度學習的SAR圖像目標識別算法，將深度學習中全卷積網絡框架應用于SAR圖像識別中。首先通過圖像增強的方法對數據庫進行擴增，引入遷移學習方法訓練改進R-FCN模型實現對SAR圖像的識別。通過對實驗結果對比分析，可以看出改進后的R-FCN網絡模型的目標識別率略大于原始的R-FCN模型的圖像識別率，同時也減少了訓練需要的時間。所以當數據集較小時，本文所提方法很好的滿足了目標識別的精度和效率。

　　在本文的基礎上，之后還可以對R-FCN網絡作進一步改進，除了將遷移學習運用到R-FCN中，可以改變殘差網絡的部分或者改變損失函數的參數值進而改善圖像識別的準確性。由于現階段R-FCN網絡應用于SAR圖像識別的研究相對較少，大多數還用于識別光學圖像，所以在這方面還需要更加深入的研究，希望能設計出更適合于SAR圖像識別并且識別率更高的算法。

　　參考文獻：

　　[1]ZHOUY,WANGW,CHENZ,etal.High-resolutionandwide-swathSARImagingmodeusingfrequencydiverseplanararray[J].IEEEGeoscienceandRemoteSensingLetters,2020,PP(99):1-5.

　　[2]蘇娟,楊龍,黃華,等.用于SAR圖像小目標艦船檢測的改進SSD算法[J].系統工程與電子技術,2020,42(5):1026-1034.SUJ,YANGL,HUANGH,etal.AnimprovedSSDalgorithmforsmalltargetshipdetectioninSARimages[J].SystemsEngineeringandElectronics,2020,42(5):1026-1034.

　　[3]JANSENRW,RAJRG,LUKER,etal.PracticalMultichannelSARImagingintheMaritimeEnvironment[J].IEEETransa.onGeoence&RemoteSensing,2018:1-12.

　　[4]DINGB,WENG,HUANGX,etal.TargetrecognitioninSARimagesbyexploitingtheazimuthsensitivity[J].RemoteSensingLetters,2017,8(9):821-830.

　　作者：周曉玲，張朝霞*，魯雅，王倩，王琨琨