基于鉴别非线性字典学习的SAR图像目标识别方法技术

本发明专利技术公开了一种基于鉴别非线性字典学习的SAR图像目标识别方法，主要解决现有技术识别精度较低的问题。其实现步骤为：1.提取训练集SAR幅度图像随机脸特征作为训练样本，并将其非线性映射到投影空间；2.根据训练样本的类别编号构造鉴别编码矩阵；3.利用鉴别非线性字典学习得到鉴别特征训练线性SVM分类器；4.提取待测SAR幅度图像随机脸特征作为测试样本，并将其映射到投影空间；5.对训练好的字典进行重归一化，并利用KOMP方法得到测试样本的稀疏表示向量；6.提取测试样本的鉴别特征输入训练好的SVM分类器，得到待测SAR幅度图像中的目标类别。本发明专利技术提高了目标识别的精度，可用于SAR图像中目标的分类识别。

【技术实现步骤摘要】

本专利技术属于雷达目标识别
，涉及一种SAR图像目标识别方法，适用于SAR图像中目标的分类识别。
技术介绍
雷达成像技术自20世纪50年代发展以来，技术不断成熟。合成孔径雷达SAR作为一种成像雷达，是现代雷达技术的重要组成部分。SAR具有全天候、全天时、多极化、多视角、高分辨的观测能力，可以提供大量有价值的信息，已得到广泛应用。因此，SAR图像的目标识别技术成为雷达领域研究的热点。基于字典学习的SAR图像目标识别方法的主要思想为：训练时利用训练样本学习字典，测试时利用测试样本在该字典上的稀疏表示进行目标识别。现有的基于字典学习的SAR图像目标识别方法主要分为三个类别，存在的主要问题概括如下：第一类，基于重构线性字典学习的SAR图像目标识别方法。该类方法将输入信号表示为字典中少量原子的线性组合，并利用稀疏表示得到的重构误差进行分类，该类方法的目标函数仅最小化重构误差，并不直接体现对分类性能的约束，导致SAR图像目标识别的精度较低。第二类，基于鉴别线性字典学习的SAR图像目标识别方法。该类方法依然将输入信号表示为字典中少量原子的线性组号，但目标函数中加入提高分类性能的鉴别性约束。与基于重构线性字典学习的SAR图像目标识别方法相比，能提高目标的识别精度，但该类方法建立的线性模型与非线性的数据结构匹配程度较低，难以获得较高的SAR图像目标识别精度。第三，基于重构非线性字典学习的SAR图像目标识别方法。该类方法先利用核方法将输入信号非线性地投影到高维空间，再将其表示为字典中少量原子的线性组合，并利用稀疏表示得到的重构误差进行分类，该类方法与前两种基于线性字典学习的方法相比，能进一步提高目标的识别精度。但是，该类方法仍然以最小化重构误差为目的，目标函数中并不直接体现对分类性能的约束，难以获得更高的SAR图像目标识别精度。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提供一种基于鉴别非线性字典学习的SAR图像目标识别方法，以提高SAR图像目标识别的精度。本专利技术是这样实现的：一、技术思路在训练阶段，先提取训练集SAR幅度图像的随机脸特征作为训练样本，并利用核方法将训练样本非线性映射到投影空间，再根据训练样本的类别编号构造鉴别编码矩阵，最后通过鉴别非线性字典学习得到鉴别特征，输入线性支持向量机SVM分类器进行训练；在测试阶段，先提取待测SAR幅度图像的随机脸特征作为测试样本，并利用核方法将其映射到投影空间，再对训练好的字典进行重归一化，然后利用核正交匹配追踪KOMP方法得到测试样本的稀疏表示向量，最后提取测试样本的鉴别特征输入训练好的SVM分类器，得到待测SAR幅度图像中的目标类别。二、技术方案本专利技术的实现步骤包括如下：A.获取训练样本矩阵：A1)输入训练集的SAR幅度图像及其类别编号，通过预处理操作得到训练样本矩阵Y＝[y1,...,ym,...,yM]＝[Y1,...,Yn,...,YN]，其中ym为第m个训练样本，M为训练样本总个数，Yn为第n类训练样本子矩阵，N为训练集的SAR幅度图像类别总数；A2)利用核方法将训练样本非线性映射到投影空间，得到投影空间中的训练样本矩阵Φ(Y)＝[Φ(y1),...,Φ(ym),...,Φ(yM)]＝[Φ(Y1),...,Φ(Yn),...,Φ(YN)]，以及投影空间中任意两个训练样本的内积，其中，Φ(ym)为投影空间中的第m个训练样本，Ф(Yn)为投影空间中的第n类训练样本子矩阵；B.获取训练样本的鉴别编码：B1)构造训练样本的鉴别编码矩阵记为Ψ(Q)＝[Ψ(q1),...,Ψ(qm),...,Ψ(qM)]＝[Ψ(Q1),...,Ψ(Qn),...,Ψ(QN)]，其中Ψ(qm)为第m个训练样本的鉴别编码，Ψ(Qn)为第n类鉴别编码子矩阵；B2)根据训练样本的类别编号，建立相关性约束，即将任意两个同类样本的鉴别编码的内积设为1，将任意两个不同类样本的鉴别编码内积设为0；C.字典初始化：C1)利用投影空间中的第n类训练样本子矩阵Ф(Yn)和第n类鉴别编码子矩阵ψ(Qn)，建立第n个子目标函数： L n = m i n | | Φ ( Y n ) - Φ ( Y n ) F n ( 0 ) X ( 0 ) | | F 2 + λ | | Ψ ( Q n ) - Ψ ( Q n ) G n ( 0 ) X ( 本文档来自技高网...

【技术保护点】
一种基于鉴别非线性字典学习的SAR图像目标识别方法，包括：A.获取训练样本矩阵：A1)输入训练集的SAR幅度图像及其类别编号，通过预处理操作得到训练样本矩阵Y＝[y1,...,ym,...,yM]＝[Y1,...,Yn,...,YN]，其中ym为第m个训练样本，M为训练样本总个数，Yn为第n类训练样本子矩阵，N为训练集的SAR幅度图像类别总数；A2)利用核方法将训练样本非线性映射到投影空间，得到投影空间中的训练样本矩阵Φ(Y)＝[Φ(y1),...,Φ(ym),...,Φ(yM)]＝[Φ(Y1),...,Φ(Yn),...,Φ(YN)]，以及投影空间中任意两个训练样本的内积，其中，Φ(ym)为投影空间中的第m个训练样本，Φ(Yn)为投影空间中的第n类训练样本子矩阵；B.获取训练样本的鉴别编码：B1)构造训练样本的鉴别编码矩阵记为Ψ(Q)＝[Ψ(q1),...,Ψ(qm),...,Ψ(qM)]＝[Ψ(Q1),...,Ψ(Qn),...,Ψ(QN)]，其中Ψ(qm)为第m个训练样本的鉴别编码，Ψ(Qn)为第n类鉴别编码子矩阵；B2)根据训练样本的类别编号，建立相关性约束，即将任意两个同类样本的鉴别编码的内积设为1，将任意两个不同类样本的鉴别编码内积设为0；C.字典初始化：C1)利用投影空间中的第n类训练样本子矩阵Φ(Yn)和第n类鉴别编码子矩阵Ψ(Qn)，建立第n个子目标函数：Ln=min||Φ(Yn)-Φ(Yn)Fn(0)X(0)||F2+λ||Ψ(Qn)-Ψ(Qn)Gn(0)X(0)||F2s.t.∀i||xi(0)||0≤H1]]>其中，λ为惩罚项系数，||·||F为F范数，X(0)为初始稀疏表示系数矩阵，为X(0)的第i列，||·||0为0范数算子，H1为第一稀疏度，和的列数均设为C，C＝30；C2)采用核KSVD算法优化第n个子目标函数Ln，得到第n类的重构项初始伪字典第n类的鉴别项初始伪字典C3)利用各类训练样本子矩阵和各类重构项初始伪字典，得到重构项初始字典利用各类鉴别编码子矩阵和各类鉴别项初始伪字典，得到鉴别项初始字典D.训练分类器：D1)利用投影空间中的训练样本矩阵Φ(Y)和鉴别编码矩阵Ψ(Q)，建立字典学习目标函数：LDL=min||Φ(Y)-[Φ(Y1)F1,...,Φ(Yn)Fn,...,Φ(YN)FN]X||F2+λ||Ψ(Q)-[Ψ(Q1)G1,...,Ψ(Qn)Gn,...,Ψ(QN)GN]X||F2s.t.∀i||xi||0≤H2]]>其中，X为训练集稀疏表示系数矩阵，xi为X的第i列，H2为第二稀疏度；D2)优化字典学习目标函数LDL，得到训练集稀疏表示系数矩阵X、训练用的重构项字典D＝[Φ(Y1)F1,...,Φ(YN)FN]、训练用的鉴别项字典B＝[Ψ(Q1)G1,...,Ψ(QN)GN]鉴别特征矩阵BX，和鉴别特征矩阵与自身的内积XTBTBX，其中(·)T为转置；D3)将鉴别特征矩阵与自身的内积XTBTBX，以及训练样本类别编号，输入线性支持向量机SVM分类器进行训练，得到训练好的线性SVM分类器；E.对测试样本分类：E1)输入一幅待测的SAR幅度图像，对其进行预处理得到测试样本z，再利用核方法得到投影空间中的测试样本Φ(z)；E2)分别对上述训练用的重构项字典D和训练用的鉴别项字典B进行重归一化，得到测试用的重构项字典D′和测试用的鉴别项字典B′；E3)利用投影空间的测试样本Φ(z)、测试用的重构项字典D′，建立稀疏表示目标函数：E4)采用核正交匹配追踪KOMP算法优化稀疏表示目标函数LSR，得到测试样本的稀疏表示系数向量u、测试特征内积uTB′TB′u；E5)将测试特征内积uTB′TB′u输入到训练好的线性SVM分类器，得到待测样本的类别编号。...

【技术特征摘要】
1.一种基于鉴别非线性字典学习的SAR图像目标识别方法，包括：A.获取训练样本矩阵：A1)输入训练集的SAR幅度图像及其类别编号，通过预处理操作得到训练样本矩阵Y＝[y1,...,ym,...,yM]＝[Y1,...,Yn,...,YN]，其中ym为第m个训练样本，M为训练样本总个数，Yn为第n类训练样本子矩阵，N为训练集的SAR幅度图像类别总数；A2)利用核方法将训练样本非线性映射到投影空间，得到投影空间中的训练样本矩阵Φ(Y)＝[Φ(y1),...,Φ(ym),...,Φ(yM)]＝[Φ(Y1),...,Φ(Yn),...,Φ(YN)]，以及投影空间中任意两个训练样本的内积，其中，Φ(ym)为投影空间中的第m个训练样本，Φ(Yn)为投影空间中的第n类训练样本子矩阵；B.获取训练样本的鉴别编码：B1)构造训练样本的鉴别编码矩阵记为Ψ(Q)＝[Ψ(q1),...,Ψ(qm),...,Ψ(qM)]＝[Ψ(Q1),...,Ψ(Qn),...,Ψ(QN)]，其中Ψ(qm)为第m个训练样本的鉴别编码，Ψ(Qn)为第n类鉴别编码子矩阵；B2)根据训练样本的类别编号，建立相关性约束，即将任意两个同类样本的鉴别编码的内积设为1，将任意两个不同类样本的鉴别编码内积设为0；C.字典初始化：C1)利用投影空间中的第n类训练样本子矩阵Φ(Yn)和第n类鉴别编码子矩阵Ψ(Qn)，建立第n个子目标函数： L n = m i n | | Φ ( Y n ) - Φ ( Y n ) F n ( 0 ) X ( 0 ) | | F 2 + λ | | Ψ ( Q n ) - Ψ ( Q n ) G n ( 0 ) X ( 0 ) | | F 2 s . t . ∀ i | | x i ( 0 ) | | 0 ≤ H 1 ]]>其中，λ为惩罚项系数，||·||F为F范数，X(0)为初始稀疏表示系数矩阵，为X(0)的第i列，||·||0为0范数算子，H1为第一稀疏度，和的列数均设为C，C＝30；C2)采用核KSVD算法优化第n个子目标函数Ln，得到第n类的重构项初始伪字典第n类的鉴别项初始伪字典C3)利用各类训练样本子矩阵和各类重构项初始伪字典，得到重构项初始字典利用各类鉴别编码子矩阵和各类鉴别项初始伪字典，得到鉴别项初始字典D.训练分类器：D1)利用投影空间中的训练样本矩阵Φ(Y)和鉴别编码矩阵Ψ(Q)，建立字典学习目标函数： L D L = min | | Φ ( Y ) - [ Φ ( Y 1 ) F 1 , ... , Φ ( Y n ) F n , ... , Φ ( Y N ) F N ] X | | F 2 ...

【专利技术属性】
技术研发人员：刘宏伟，王正珏，王英华，纠博，陈渤，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61