基于距离像时频图非负稀疏编码的SAR目标识别方法技术

本发明专利技术提供了一种基于距离像时频图非负稀疏编码的SAR目标识别方法，该方法采用非负稀疏编码，整个识别过程中，均不需要对SAR图像目标进行方位角估计，因此降低了识别复杂程度，也避免了识别准确性对目标方位角估计的依赖，有助于提高目标识别率，同时基于距离像时频图的非负稀疏编码技术进行雷达目标识别在噪声环境下也具有良好的识别性能，不仅不会在目标运动导致散焦或者信噪比等因素造成图像质量不高时影响识别效果，还能够帮助提升雷达目标识别的鲁棒性能。

【技术实现步骤摘要】
基于距离像时频图非负稀疏编码的SAR目标识别方法
本专利技术涉及雷达目标识别
，尤其涉及一种基于距离像时频图非负稀疏编码的SAR目标识别方法。
技术介绍
合成孔径雷达（SyntheticApertureRadar，简称SAR）技术，是采用搭载在卫星或飞机上的移动雷达，获得高精度地理区域雷达目标图像的一种脉冲雷达技术。由于SAR的主动成像特点和成像过程中的复杂散射机制，SAR图像中的目标特性和光学图像差别很大，这给目标特征提取和识别带来了很多困难。科研人员已经研究了不少的基于二维SAR图像的目标识别算法。其中，最直接的一种方法就是直接将SAR图像作为特征，进行目标的识别。另一种雷达目标识别方法是基于小波变换或者多尺度分析的。另外，诸如目标区域描述子、阴影等图像特征也用于进行目标识别。采用散射中心模型的基于物理的特征可以提供一种精细的，物理相关的目标描述，但是其需要依靠估计目标方位角，因此其雷达目标识别的准确率也受到目标方位角估计的准确性限制，因此很难达到非常良好的识别性能。然而，SAR目标识别还可以采用基于目标距离像的方法，目标距离像是一维的数据图像，是将目标的SAR复图像经过一系列处理得到的，由SAR图像转换处理得到SAR的距离像的具体方法参见文献“LiaoXJ,RunkleP,CarinL.Identificationofgroundtargetsfromsequentialhigh-range-resolutionradarsignatures.IEEETrans.onAerospaceandElectronicSystems.2002,2(38):1230-1242”。和基于图像的雷达目标识别方法相比，基于距离像的雷达目标识别方法的优势是能够提取目标-传感器方位依赖的特性信息。另外，当由于目标的不合作运动或者由于信噪比低等因素造成目标图像模糊等时，基于二维图像的特征提取和识别很难奏效，基于距离像的特征提取和识别相比之下更有优势。在基于目标距离像的SAR图像目标识别方面，也已经有一些相关研究。有些文献中采用距离像的一维散射中心特征进行SAR目标识别，这种方法的缺点是：只能提取点散射特征，而不能提取诸如距离扩展、频率色散、谐振等目标复杂电磁散射特征，从而识别准确性有限。还有研究人员采用距离像的高阶谱特征进行SAR目标识别，这种方法的缺点是对距离像的波前振动敏感，特征不够稳定，因此其识别方法的准确性和鲁棒性都受到很大影响。从这些研究工作中可以看出，如何提取鲁棒有效的距离像特征，是SAR目标识别技术的关键。
技术实现思路
针对现有技术中存在的上述问题，为了解决现有技术中SAR图像目标识别都需要估计目标方位角、识别准确性有限的问题，本专利技术提供了一种基于距离像时频图非负稀疏编码的SAR目标识别方法，该雷达目标识别方法采用非负稀疏表示来对非负时频平面数据进行建模和特征提取，不需要对SAR图像进行目标方位角估计，同时能够避免散焦或者信噪比等因素对目标识别效果的影响，提高SAR目标识别的准确性。为实现上述目的，本专利技术采用了如下技术手段：基于距离像时频图非负稀疏编码的SAR目标识别方法，包括如下步骤：A）将SAR图像转换为SAR的距离像；B）采用自适应高斯基表示方法，利用高斯基函数对SAR的距离像进行迭代分解表示，进而计算得到SAR的距离像的时频矩阵；C）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SAR图像作为训练样本，并按照步骤A～B分别处理得到各个类别中各个训练样本的时频矩阵；再将每个训练样本的时频矩阵中的所有非负像素排列形成一个列向量，从而由各个训练样本的时频矩阵构成的列向量排列形成一个训练样本矩阵Z；采用非负稀疏编码学习算法将训练样本矩阵Z分解为非负字典矩阵D和非负稀疏系数矩阵H的乘积：Z=DH；D）利用训练样本矩阵分解得到的非负字典矩阵，根据各个训练样本的时频矩阵计算得到各个训练样本各自的非负稀疏编码特征向量，从而得到各类已知雷达目标的非负稀疏编码总特征向量；E）针对待测雷达目标，采集待测雷达目标的SAR图像，按照步骤A～B处理得到待测雷达目标的时频矩阵；利用训练样本矩阵分解得到的非负字典矩阵，根据待测雷达目标的时频矩阵计算得到待测雷达目标的非负稀疏编码特征向量；F）以各类已知雷达目标的非负稀疏编码总特征向量作为识别基准，利用支撑向量机识别算法，对待测雷达目标的非负稀疏编码特征向量进行分类识别，得到待测雷达目标的识别结果。上述基于距离像时频图非负稀疏编码的SAR目标识别方法中，作为优选方案，所述步骤B具体为：采用自适应高斯基表示方法，利用高斯基函数对SAR的距离像进行迭代分解表示：且其中，t表示时间；r(t)表示时间t时刻的SAR的距离像；gi(t)表示对距离像r(t)进行第i次迭代分解的高斯基函数，Ci表示对距离像r(t)进行第i次迭代分解的展开系数，i∈{1,2,…,imax}，imax表示进行迭代分解表示的迭代总次数，且迭代总次数imax使得迭代分解的重构误差满足ε为预设的重构误差阈值，且10-3≤ε≤10-5；且有关系式：ti,fi,αi表示对距离像r(t)进行第i次迭代分解的高斯基函数中的分解参数；ri(t)表示对距离像r(t)进行第i次迭代分解之前的迭代残余项，且表示高斯基函数gi(t)的共轭；|·|表示取绝对值运算符；表示调整分解参数ti,fi,αi使得|·|2最大的最大值运算符；采用傅里叶变换算法求解上述关系式，得到第i次迭代分解的分解参数ti,fi,αi和展开系数Ci，进而通过下式得到距离像r(t)的时频矩阵Θ(t,f)：其中，t表示时间，f表示频率。上述基于距离像时频图非负稀疏编码的SAR目标识别方法中，作为优选方案，所述步骤C具体为：c1）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SAR图像作为训练样本，并按照步骤A～B分别处理得到各个类别中各个训练样本的时频矩阵；c2）将每个训练样本的时频矩阵中的所有N个非负像素排列形成一个列向量，从而由各个训练样本的时频矩阵构成的列向量排列形成一个N×M的训练样本矩阵Z；M表示训练样本的总个数；c3）采用非负稀疏编码学习算法将训练样本矩阵Z分解为N×K的非负字典矩阵D和K×M的非负稀疏系数矩阵H的乘积：Z=DH；K表示非负稀疏编码中非负字典原子的数量。上述基于距离像时频图非负稀疏编码的SAR目标识别方法中，作为优选方案，所述步骤D具体为：对于第p类已知雷达目标的第j个训练样本的时频矩阵利用训练样本矩阵分解得到的非负字典矩阵D，计算其对应的非负稀疏编码特征向量(i)-1表示矩阵求逆运算符；从而由第p类已知雷达目标的所有训练样本对应的非负稀疏编码特征向量构成第p类已知雷达目标的非负稀疏编码总特征向量Vp：其中，J表示第p类已知雷达目标的训练样本总数；由此，分别得到各类已知雷达目标的非负稀疏编码总特征向量。上述基于距离像时频图非负稀疏编码的SAR目标识别方法中，作为优选方案，所述步骤E具体为：采集待测雷达目标的SAR图像，按照步骤A～B处理得到待测雷达目标的时频矩阵zx，然后利用训练样本矩阵分解得到的非负字典矩阵D，计算待测雷达目标对应的非负稀疏编码特征向量vx：vx=(DTD)-1DTzx；(i)-1表示矩阵求逆运本文档来自技高网...

【技术保护点】
基于距离像时频图非负稀疏编码的SAR目标识别方法，其特征在于，包括如下步骤：A）将SAR图像转换为SAR的距离像；B）采用自适应高斯基表示方法，利用高斯基函数对SAR的距离像进行迭代分解表示，进而计算得到SAR的距离像的时频矩阵；C）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SAR图像作为训练样本，并按照步骤A～B分别处理得到各个类别中各个训练样本的时频矩阵；再将每个训练样本的时频矩阵中的所有非负像素排列形成一个列向量，从而由各个训练样本的时频矩阵构成的列向量排列形成一个训练样本矩阵Z；采用非负稀疏编码学习算法将训练样本矩阵Z分解为非负字典矩阵D和非负稀疏系数矩阵H的乘积：Z=DH；D）利用训练样本矩阵分解得到的非负字典矩阵，根据各个训练样本的时频矩阵计算得到各个训练样本各自的非负稀疏编码特征向量，从而得到各类已知雷达目标的非负稀疏编码总特征向量；E）针对待测雷达目标，采集待测雷达目标的SAR图像，按照步骤A～B处理得到待测雷达目标的时频矩阵；利用训练样本矩阵分解得到的非负字典矩阵，根据待测雷达目标的时频矩阵计算得到待测雷达目标的非负稀疏编码特征向量；F）以各类已知雷达目标的非负稀疏编码总特征向量作为识别基准，利用支撑向量机识别算法，对待测雷达目标的非负稀疏编码特征向量进行分类识别，得到待测雷达目标的识别结果。...

【技术特征摘要】
1.基于距离像时频图非负稀疏编码的SAR目标识别方法，其特征在于，包括如下步骤：A)将SAR图像转换为SAR的距离像；B)采用自适应高斯基表示方法，利用高斯基函数对SAR的距离像进行迭代分解表示，进而计算得到SAR的距离像的时频矩阵；所述步骤B具体为：采用自适应高斯基表示方法，利用高斯基函数对SAR的距离像进行迭代分解表示：且其中，t表示时间；r(t)表示时间t时刻的SAR的距离像；gi(t)表示对距离像r(t)进行第i次迭代分解的高斯基函数，Ci表示对距离像r(t)进行第i次迭代分解的展开系数，i∈{1,2,…,imax}，imax表示进行迭代分解表示的迭代总次数，且迭代总次数imax使得迭代分解的重构误差满足ε为预设的重构误差阈值，且10-3≤ε≤10-5；且有关系式：ti,fi,αi表示对距离像r(t)进行第i次迭代分解的高斯基函数中的分解参数；ri(t)表示对距离像r(t)进行第i次迭代分解之前的迭代残余项，且表示高斯基函数gi(t)的共轭；|·|表示取绝对值运算符；表示调整分解参数ti,fi,αi使得|·|2最大的最大值运算符；采用傅里叶变换算法求解上述关系式，得到第i次迭代分解的分解参数ti,fi,αi和展开系数Ci，进而通过下式得到距离像r(t)的时频矩阵Θ(t,f)：其中，t表示时间，f表示频率；C)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SAR图像作为训练样本，并按照步骤A～B分别处理得到各个类别中各个训练样本的时频矩阵；再将每个训练样本的时频矩阵中的所有非负像素排列形成一个列向量，从而由各个训练样本的时频矩阵构成的列向量排列形成一个训练样本矩阵Z；采用非负稀疏编码学习算法将训练样本矩阵Z分解为非负字典矩阵D和非负稀疏系数...

【专利技术属性】
技术研发人员：张新征，刘书君，秦建红，吴奇政，赵钰，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;85