一种基于多方位多特征协同表示的SAR目标识别方法技术

本申请公开了一种基于多方位多特征协同表示的SAR目标识别方法，本发明专利技术首次通过挖掘相邻SAR图像的方位相关性，对传统的协同表示算法进行改进，提出了一种新的多方位CRC算法，该方法综合了不同特征的判别能力，融合了各种特征的多方位CRC决策结果，更加适用于SAR图像目标分类。此方法不仅保留了协同表示操作简单的优点，同时也提高了SAR目标分类的准确度，并且其抗噪声能力和对各参数变化的鲁棒性都很优越。

【技术实现步骤摘要】
一种基于多方位多特征协同表示的SAR目标识别方法
本专利技术涉及雷达目标识别
，尤其涉及一种基于多方位多特征协同表示的SAR目标识别方法。
技术介绍
合成孔径雷达(SyntheticApertureRadar,SAR)凭借其众多优点，被广泛应用于军用和民用领域。利用SAR对特定目标进行判别和分类就是SAR目标识别技术，它是SAR的一种很重要的应用。SAR目标识别方法主要可以分为三大类：(1)基于模板匹配的方法。此方法的良好识别性能必须建立在一个尽量完整的模板库的基础上，如果模板库较小，那么识别性能会受到较大的影响。庞大的模板库导致模板匹配法的空间复杂度较高，效率较低。(2)基于模型的方法。基于模型的方法具有较好的杂波鲁棒性，但此方法对SAR图像的质量要求较高，并且在构建模型的时候需要较高的理论水平和计算能力，因此，当前基于模型的SAR目标识别方法运用并不广泛。(3)基于机器学习的方法。其中基于稀疏表示的SAR目标识别凭借其良好的识别性能受到了广泛的关注。但是值得注意的是，虽然SRC(基于稀疏表达的分类，sparserepresentation-basedclassifier)具有良好的分类性能，但仍存在计算复杂、难以获得全局最优解等缺点。因此，作为一种替代的表示学习方法，协同表示算法被提出。结果证明，基于L2范数约束的CRC(基于协同表达的分类，CollaborativeRepresentation-Basedclassification)可以达到与SRC相似的分类性能，计算的复杂度却比SRC下降很多。然而，至今为止，所有的CRC模型均没有考虑到SAR目标散射对方位角的依赖性和SAR目标图像不同特征之间的互补性。根据SAR成像机制，相邻方位的SAR目标图像具有相似的散射特性，因此它们在图像域中具有很强的相关性。而从SAR图像的不同方面提取的不同特征，每一种特征都从单一的角度描述SAR场景，这些特征所提供的信息具有很强的互补性。因此，如何通过更好的方法来提升高协同表示对于SAR图像目标的分类性能，一直都是领域内研究的重要课题。
技术实现思路
针对现有技术存在的上述不足，本申请公开了一种基于多方位多特征协同表示的SAR目标识别方法，通过挖掘相邻SAR图像的方位相关性，对传统的CRC算法进行改进，提出了一种新的多方位CRC算法，该方法综合了不同特征的判别能力，融合了各种特征的多方位CRC决策结果，得到最终的分类，不仅保留了CRC操作简单的优点，同时也提高了SAR目标分类的准确度。为解决上述技术问题，本申请采用了如下的技术方案：一种基于多方位多特征协同表示的SAR目标识别方法，包括如下步骤：(1)针对多类不同的已知雷达目标，分别采集多个已知雷达目标的多个方位的SAR图像作为训练样本，分别提取各个训练样本的PCA特征、小波特征及2DSZMs特征，从而由各个类别各个训练样本的PCA特征、小波特征及2DSZMs特征的集合构成训练样本集Xu×v，u表示样本的维数，v表示训练样本集中训练样本的总个数，基于训练样本集Xu×v构建特征字典{Dk}k＝1,2,3，k为特征类型索引；(2)针对待测雷达目标，采集待测雷达目标的多个方位的SAR图像作为测试样本，分别提取各个测试样本的PCA特征、小波特征及2DSZMs特征，从而由各个测试样本的PCA特征、小波特征及2DSZMs特征的集合构成测试样本集Yu×w，w表示测试样本集中测试样本的总个数，测试样本集Yu×w中任意一个测试样本可表示为{yk}k＝1,2,3；(3)将测试样本集中的一个测试样本作为中心测试样本m为中心测试样本的索引号，将中心测试样本及中心测试样本方位邻域内的测试样本作为多方位邻域测试样本集，中心测试样本相邻η度的扇区范围即为中心测试样本的方位邻域，则度数在[c-η,c+η]范围内的测试样本即是中心测试样本方位邻域内的测试样本，c为中心测试样本的角度，多方位邻域测试样本集表示为p为中心测试样本上半方位角扇区内的测试样本个数，q为中心测试样本下半方位角扇区内的测试样本个数；(4)将多方位邻域测试样本集中的每个多方位邻域测试样本线性表示；(5)利用训练样本集中的各个训练样本及线性表示的多方位邻域测试样本线建立测试样本集的多方位多特征协同表示分类模型；(6)利用多方位多特征协同表示分类模型分别计算PCA特征、小波特征及2DSZMs特征的临时类标签；(7)根据PCA特征、小波特征及2DSZMs特征的临时类标签进行多特征投票，得到所述中心测试样本的最终类标签，实现对待测雷达目标的识别。优选地，步骤(4)中，多方位邻域测试样本集中的多方位邻域测试样本可线性表示为：其中，表示特征k下的第τ类子字典，N为总类别数，表示第i个测试样本关于子字典的表示系数子向量，表示特征k下的随机误差。优选地，步骤(5)中，多方位多特征协同表示分类模型表示为：其中，Bk为系数子向量集，θ为多方位多特征协同表示正则化参数。优选地，步骤(6)包括如下步骤：1)求多方位多特征协同表示分类模型的解析解其中I表示单位矩阵；2)基于多方位多特征协同表示分类模型的解析解求出中心测试样本方位邻域内的测试样本的表示误差集合其中，3)计算中心测试样本的临时类标签其中，即是优选地，所述步骤(7)包括如下步骤：临时类标签属于第h类的可能性为则多特征投票准则为令中心测试样本的最终类标签为表示表示多特征投票准则的结果。综上所述，本申请公开了一种基于多方位多特征协同表示的SAR目标识别方法，本专利技术首次通过挖掘相邻SAR图像的方位相关性，对传统的协同表示算法进行改进，提出了一种新的多方位CRC算法，该方法综合了不同特征的判别能力，融合了各种特征的多方位CRC决策结果，更加适用于SAR图像目标分类。此方法不仅保留了协同表示操作简单的优点，同时也提高了SAR目标分类的准确度，并且其抗噪声能力和对各参数变化的鲁棒性都很优越。附图说明为了使申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步的详细描述，其中：图1为目标BMP2的近方位SAR图像；图2为目标BTR70的近方位SAR图像；图3为目标T72的近方位SAR图像；图4为相同参数下不同方法的分类效果(PCACRC、WCRC、2DSZMCRC、MFCRC、MAMFCRC)图；图5为五种方法(PCACRC、WCRC、2DSZMCRC、MFCRC、MAMFCRC)分类效果随特征维数的变化图；图6为五种方法(PCACRC、WCRC、2DSZMCRC、MFCRC、MAMFCRC)分类效果性能关于正则化参数θ的变化图；图7为MAMFCRC平均分类准确率关于方位邻域角度的变化图；图8为在不同SNR噪声下的MAMFCRC分类性能变化图；图9为BRDM2的SAR图像；图10为2S1的SAR图像；图11为ZSU23/4的SAR图像；图12为本专利技术公开的一种基于多方位多特征协同表示的SAR目标识别方法的流程图。具体实施方式下面结合附图对本申请作进一步的详细说明。如图12所示，本专利技术公开了一种基于多方位多特征协同表示的SAR目标识别方法，包括如下步骤：(1)针对多类不同的已知雷达目标，分别采集多个已知雷达目标的多个方位的SAR图像作为训练样本，分别提取各个训练样本的PCA特征、小波特本文档来自技高网...

【技术保护点】
1.一种基于多方位多特征协同表示的SAR目标识别方法，其特征在于，包括如下步骤：(1)针对多类不同的已知雷达目标，分别采集多个已知雷达目标的多个方位的SAR图像作为训练样本，分别提取各个训练样本的PCA特征、小波特征及2DSZMs特征，从而由各个类别各个训练样本的PCA特征、小波特征及2DSZMs特征的集合构成训练样本集Xu×v，u表示样本的维数，v表示训练样本集中训练样本的总个数，基于训练样本集Xu×v构建特征字典{Dk}k＝1,2,3，k为特征类型索引；(2)针对待测雷达目标，采集待测雷达目标的多个方位的SAR图像作为测试样本，分别提取各个测试样本的PCA特征、小波特征及2DSZMs特征，从而由各个测试样本的PCA特征、小波特征及2DSZMs特征的集合构成测试样本集Yu×w，w表示测试样本集中测试样本的总个数，测试样本集Yu×w中任意一个测试样本可表示为{yk}k＝1,2,3；(3)将测试样本集中的一个测试样本作为中心测试样本

【技术特征摘要】
1.一种基于多方位多特征协同表示的SAR目标识别方法，其特征在于，包括如下步骤：(1)针对多类不同的已知雷达目标，分别采集多个已知雷达目标的多个方位的SAR图像作为训练样本，分别提取各个训练样本的PCA特征、小波特征及2DSZMs特征，从而由各个类别各个训练样本的PCA特征、小波特征及2DSZMs特征的集合构成训练样本集Xu×v，u表示样本的维数，v表示训练样本集中训练样本的总个数，基于训练样本集Xu×v构建特征字典{Dk}k＝1,2,3，k为特征类型索引；(2)针对待测雷达目标，采集待测雷达目标的多个方位的SAR图像作为测试样本，分别提取各个测试样本的PCA特征、小波特征及2DSZMs特征，从而由各个测试样本的PCA特征、小波特征及2DSZMs特征的集合构成测试样本集Yu×w，w表示测试样本集中测试样本的总个数，测试样本集Yu×w中任意一个测试样本可表示为{yk}k＝1,2,3；(3)将测试样本集中的一个测试样本作为中心测试样本m为中心测试样本的索引号，将中心测试样本及中心测试样本方位邻域内的测试样本作为多方位邻域测试样本集，中心测试样本相邻η度的扇区范围即为中心测试样本的方位邻域，则度数在[c-η,c+η]范围内的测试样本即是中心测试样本方位邻域内的测试样本，c为中心测试样本的角度，多方位邻域测试样本集表示为p为中心测试样本上半方位角扇区内的测试样本个数，q为中心测试样本下半方位角扇区内的测试样本个数；(4)将多方位邻域测试样本集中的每个多方位邻域测试样本线性表示；(5)利用训练样本集...

【专利技术属性】
技术研发人员：张新征，刘苗苗，王娟，伍志林，刘书君，周喜川，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50