(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210896624.0 (22)申请日 2022.07.28 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 李尧青　田隆　陈渤　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 田文英　王品华 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 20/13(2022.01) G06V 20/70(2022.01) (54)发明名称 基于最优传输距离函数的零样 本SAR目标识 别方法 (57)摘要 一种基于最优传输距离函数的零样本合成 孔径雷达SAR目标识别方法， 主要解决现有技术 中零样本SAR目标识别方法无法识别未知类别的 新目标且对易混淆目标识别准确率较低的问题， 实现步骤为： 提取SAR图像和光学图像的特征信 息； 计算源域和目标域中SAR图像的类别中心； 计 算光学图像的类别中心； 用均方误差函数和最优 传输距离函数构建目标损失函数； 采用最优传输 距离函数进行图像识别。 本发明将提取的光学图 像的特征信息作为零样本学习中定义的语义属 性， 且利用最优传输距离函数对齐目标域的未知 类别的类别中心， 有效地提高了零样本SAR目标 识别的准确率。 权利要求书2页 说明书7页 附图2页 CN 115205602 A 2022.10.18 CN 115205602 A 1.一种基于最优传输距离函数的零样本合成孔径雷达SAR目标识别方法， 其特征在于， 将提取的光学图像的特征信息作为零样本学习中定义的语义属性， 利用最优传输距离函数 对齐目标域的未知类别的类别中心； 该目标识别方法的步骤 包括如下： 步骤1， 提取SAR图像和光学图像的特 征信息： 步骤1.1， 采用深度神经网络模型作 为SAR图像的特征提取网络， 提取每张SA R图像中的 特征信息； 步骤1.2， 采用与步骤1.1相同的深度神经网络模型作为光学图像的特征提取网络， 提 取每张光学图像中的特 征信息； 步骤2， 计算源域和目标域中SAR图像的类别中心： 步骤2.1， 根据源域中已知目标类别的SAR图像的类别标签信息， 计算源域中同一类别 的SAR图像的类别中心； 步骤2.2， 采用K ‑Means无监督聚类算法， 近似计算目标域 中未知类别的SAR图像的类别 中心； 步骤3， 计算 光学图像的类别中心： 将光学图像的特征信息输入到一个两层训练好的嵌入网络， 输出光学图像的类别中 心； 步骤4， 用均方误差函数和最优传输距离函数构建目标损失函数： 步骤4.1， 采用均方误差函数公式， 计算源域中SAR图像的类别中心与光学图像的类别 中心之间的距离； 步骤4.2， 采用最优传输距离函数公式， 计算目标域中SAR图像的类别中心与光学图像 的类别中心之间的距离； 步骤4.3， 将步骤4.1和步骤4.2中的两个距离函数公式相加， 得到全部SAR图像类别中 心和全部光学图像 类别中心之间的距离； 步骤4.4， 采用梯度下降法， 最小化全部SAR图像类别中心和全部光学图像类别中心之 间的距离， 得到目标域中未知类别的SAR图像的类别中心； 步骤5， 采用最优传输距离函数进行图像识别： 采用最优传输距离函数， 在视觉空间中寻找距离目标域中未知类别SAR图像最近的一 个类别中心， 根据寻找的类别中心标签得知目标域中未知类别的零样本合成孔径雷达SAR 图像的类别 信息。 2.根据权利要求1所述的基于最优传输距离函数的零样本合成孔径雷达SAR目标识别 方法， 其特征在于： 步骤1.1中所述深度神经网络模型指的是： Alexnet、 Vggnet、 Googlenet 和Resnet网络模型中的任意 一个。 3.根据权利要求1所述的基于最优传输距离函数的零样本合成孔径雷达SAR目标识别 方法， 其特征在于： 步骤3中所述两层训练好的嵌入网络的结构是： 将两层网络结构相同， 网 络参数不同的卷积神经网络进行串联， 组成一个具有两层的嵌入网络， 输出光学图像的类 别中心。 4.根据权利要求1所述的基于最优传输距离函数的零样本合成孔径雷达SAR目标识别 方法， 其特 征在于： 步骤4.1中所述均方误差函数公式如下：权　利　要　求　书 1/2 页 2 CN 115205602 A 2其中， LM表示源域中SAR图像的类别中心和光学图像的类别中心之间的距离， S表示源 域 中SAR图像的类别中心的总数， ∑表 示求和操作， s表 示源域中SAR图像的类别中心的序号， s ＝1,2,3...S， 表示源域中第s个SAR图像的类别中心， 表示第s*个光学图像的类别 中心， s*表示光学图像的类别中心的序号， s*＝1,2,3...S*， S*表示光学图像的类别中心的 总数， λ表示正则化系数， Ψ( ·)表示L2范数的参数正则化操作， 用于降低模型的复杂性， w1 和w2分别表示待学习的两个全连通层的权值。 5.根据权利要求1所述的基于最优传输距离函数的零样本合成孔径雷达SAR目标识别 方法， 其特 征在于： 步骤4.2中所述 最优传输距离函数公式如下： 其中， LW表示目标域中SAR图像的类别中心和光学图像的类别中心之间的距 离， T表示目 标域中SAR图像的类别中心的总数， t表示目标域中SAR图像的类别中心的序号， t＝1,2, 3...T， 表示目标域中第t个的SAR图像的类别中心， 表示第t*个的光学图像的类别中 心， t*表示光学图像的类别中心的序号， t*＝1,2,3...T*， T*表示光学图像的类别中心的总 数， Z表示目标域中SAR图像和光学图像的类别中心之间的匹配关系矩 阵， ε表示正则化系 数， log表示以10为底的对数操作。 6.根据权利要求1所述的基于最优传输距离函数的零样本合成孔径雷达SAR目标识别 方法， 其特 征在于： 步骤5中所述计算目标域中未知类别的SAR图像的类别 信息的公式如下： 其中， V*表示目标域中未知类别的SAR图像的类别信息， U表示目标域中未知类别的SAR 图像的总数， u表示目标域中未知 类别的SAR图像的序号， u＝1,2,3...U， φ(xu)表示目标域 中未知类别的第 u张SAR图像xu提取的特征信息， 表示目标域中未知类别的第t类的SAR 图像的类别中心， t表示目标域中未知类别的SAR图像的类别中心的序号， t＝1,2,3...T， T 表示目标域中未知类别的SAR图像的类别中心的总数， V表示目标域中未知类别的SAR图像 和SAR图像 类别中心之间的匹配关系矩阵。权　利　要　求　书 2/2 页 3 CN 115205602 A 3