偏振是光的基本属性之一,太阳光入射到不同目标后,来自目标的光辐射会产生不同状态的偏振光。反射光的偏振状态与目标的表面材质、形状、粗糙度等因素有着密切的关系,因此不同物体具有不同的偏振特性,特别是人造目标与自然背景之间的偏振特性差异更为明显。随着光学成像技术的发展和复杂环境中目标识别任务难度的增加,由于偏振成像技术相较于传统的光学成像技术可以获取更多的信息量,因此其逐渐在各领域中得到广泛应用。随着深度学习技术的突破,目前主流的目标分类解决方案是采用卷积神经网络实现,其特点是通过数据驱动进行特征学习。相较于传统方法中根据先验知识人工手动设计特征,卷积神经网络可以自动表述更为复杂的数学模型,并具有更强的泛化能力。然而,目前深度学习技术主要针对普通光强图像,应用于偏振图像的相关研究寥寥无几。本论文将偏振相关理论和卷积神经网络进行有机结合,提出了适用于偏振图像的目标分类方法,在高质量的偏振有标签数据相对匮乏的情况下,可以进一步提升目标分类的准确率。本论文的主要工作内容如下:(1)通过阐述目标的偏振特性表征,表明其偏振信息分布规律受到多种环境变量和目标参数影响。介绍了卷积神经网络的相关原理,凭借其强大的表征学习能力,可有效的从数量有限的多维偏振图像数据中获取更高阶的特征信息。(2)从增强输入数据质量的角度,提出了基于偏振特性因子的目标分类方法。首先通过偏振双向反射分布函数推导出偏振角(Angle of polarization,AOP)和线偏振度(Degree of linear polarization,DOLP)信息的影响因素,在此基础上,利用信息熵建立人造目标与自然背景表面的离散度模型,并分析两者偏振信息分布规律的差异。为了便于室外识别中实时处理,本文提出的偏振特性因子无需过多先验参数即可计算出目标的区域离散度,预处理后的训练样本具有更好的分类性能。除此之外,为了降低过拟合问题的发生概率,该方法采用了适用于浅层神经网络的 CSC-CNN(consecutive 2 × 2 convolutions convolutional neural networks)架构,该架构在降低权重参数数目的同时,提升了网络整体的非线性。之后,通过实验证明了偏振图像更适合采用离散度为特征准则。实验结果表明,在不同识别环境中,基于偏振特性因子的目标分类方法相较于只采用普通强度图像的传统分类方法可以提升13.2%的准确率;在不同识别波段中,该方法可以提升22.6%的准确率。(3)从优化卷积神经网络架构的角度,提出了基于偏振辐射三维信息提取的目标分类方法。传统的神经网络采用二维卷积只能提取单通道图像的二维信息,然而偏振多参数图像之间的联系无法被分析。因此该算法将偏振方向作为偏振图像的第三个维度的信息,通过该维度信息的特征提取来分析不同参数的偏振图像之间的联系。本算法先采用三维卷积提取三维偏振辐射信息的立体区域特征信息,再通过连续的二维卷积层完成后续的特征提取。该方法可以充分利用偏振图像多维信息的优势,并挖掘出层次更深的特征信息。之后通过实验比较,验证了该算法可以进一步提升目标分类的准确率。实验结果表明,在不同识别环境中,基于偏振辐射三维信息提取的目标分类方法相较于只采用普通强度图像的传统分类方法可以提升6%的准确率。在不同识别波段中,该方法可以提升13%的准确率。并通过多种网络架构的比较,确认该神经网络架构可以在保证准确率不下降的情况下,尽量占用更少的计算资源和运算时间消耗。(4)为了验证在同一自然背景中识别多种人造目标中,提出的方法能否取得更好的分类效果。本文通过设计实验进行验证,实验结果表明,在不同识别环境中,基于偏振特性因子的多目标分类相较于只采用普通强度图像的传统分类方法可以提升7.3%的准确率;基于偏振辐射三维信息提取的多目标分类相较于只采用普通强度图像的传统分类方法可以提升15%的准确率。设计的实验说明本文提出的目标分类方法具有良好的泛化能力和较高的实际应用价值,也为偏振成像技术应用于多种目标的分类问题提供了一种可选方案。