基于方位角相关动态字典稀疏表示的SAR目标识别方法技术

本发明专利技术提供了一种基于方位角相关动态字典稀疏表示的SAR目标识别方法，其首先估计作为测试样本的SAR图像的方位角，然后根据这个方位角估计值算出一个相关方位角范围，从而基于各个训练样本的稀疏特征矩阵的集合构成的稀疏特征训练样本集，令稀疏特征训练样本集之中方位角值在相关方位角范围之外的训练样本的稀疏特征矩阵设置为零矩阵，仅保留方位角值在相关方位角范围以内的训练样本的稀疏特征矩阵，由此构成测试样本对应的稀疏特征方位角相关动态字典，然后再进行稀疏表示分类识别，大大减少稀疏编码和稀疏重构的计算量，提升了识别处理效率，同时也减少了方位角不相关的训练样本对测试样本目标识别的干扰，使得识别准确率也得以提高。

【技术实现步骤摘要】

本专利技术涉及雷达目标识别
，尤其涉及一种基于方位角相关动态字典稀疏表示的SAR目标识别方法。
技术介绍
合成孔径雷达(Synthetic Aperture Radar，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。合成孔径雷达是一种主动微波成像系统，通过对目标区域进行电磁波照射，并对回波信号进行信号解析，它可以提供目标区域的高分辨率图像。它具有全天候、全天时的工作能力和一定的穿透能力。鉴于它的这些优点，它被广泛应用于矿产探测、海洋环境监测和军事防御等领域。在军事防御领域中对目标的识别的研究又是最广泛的，因此SAR目标自动识别(Automatic Target Recognition，ATR)的研究受到了国内外学者的广泛关注。近年来，随着压缩感知的理论的发展，基于压缩感知的稀疏表示(sparse representation，SR)引起了信号处理和模式识别领域的很多研究人员的关注。稀疏表示理论表明信号可以通过字典中的原子的线性组合来表示，并且这些原子的分布是稀疏的，即大部分的系数是零或者接近零，只有与输入信号有较大相关性的原子的对应的系数才不为零，稀疏系数的这种稀疏性蕴含着鉴别信息，并且能够在非零数据元素较少的前提下描述目标的最主要特征信息。因此稀疏表示和稀疏重构理论在人脸识别、医学肿瘤识别和SAR图像目标识别等领域中都得到了较为广泛的应用。但是，现有的基于稀疏表示理论的SAR图像目标识别均是利用所有方位角的训练样本作为字典原子，这种稀疏表示分类识别方法忽略了SAR目标图像特性和方位角的密切相关这一科学事实，因此在识别过程中，测试样本需要基于字典原子中所有的训练样本进行稀疏编码，求得测试样本对应的稀疏系数向量，才能借以进行稀疏重构确定测试样本的所述目标类别，实现对测试样本的目标识别，其稀疏编码和稀疏重构运算过程繁杂，计算量较大，导致了识别处理效率较低，并且非相关方位角的训练样本实际上对测试样本的目标识别形成了干扰，这些干扰容易形成识别误差，在一定程度上导致了目标识别准确性的不足。
技术实现思路
针对现有技术中存在的上述问题，本专利技术提供了一种基于方位角相关动态字典稀疏表示的SAR目标识别方法，能够提升基于SAR图像进行雷达目标识别的识别处理效率和识别准确率，用以解决现有技术中采用稀疏表示分类的SAR目标识别方法的稀疏编码和稀疏重构运算过程繁杂、识别处理效率和目标识别准确性不足的问题。为实现上述目的，本专利技术采用了如下技术手段：基于方位角相关动态字典稀疏表示的SAR目标识别方法，包括如下步骤：1)对于多类不同的已知雷达目标，分别针对每一类在0°～360°方位角范围内分布采集多个已知雷达目标的SAR图像作为训练样本，并分别记录各个训练样本的方位角值；2)分别提取各个类别中各个训练样本的稀疏特征矩阵，将针对每个训练样本所提取的稀疏特征矩阵作为一个稀疏特征训练样本，从而由提取的各个类别各个训练样本的稀疏特征矩阵的集合构成稀疏特征训练样本集；3)针对一个待测雷达目标，采集该待测雷达目标的SAR图像作为测试样本，并分别计算测试样本与各个训练样本的图像像素分布相关性，取与测试样本的图像像素分布相关性最大的训练样本的方位角值作为测试样本的方位角估计值gy，从而确定测试样本的相关方位角范围φ(gy)＝[(gy-Δg),(gy+Δg)]；Δg表示预设定的方位角浮动范围值；4)将稀疏特征训练样本集之中方位角值在相关方位角范围φ(gy)之外的训练样本的稀疏特征矩阵设置为零矩阵，仅保留方位角值在相关方位角范围φ(gy)以内的训练样本的稀疏特征矩阵，由此构成测试样本对应的稀疏特征方位角相关动态字典；5)提取测试样本的稀疏特征矩阵，利用测试样本对应的稀疏特征方位角相关动态字典中的各个稀疏特征训练样本建立稀疏线性方程，对测试样本的稀疏特征矩阵进行稀疏线性表示，并求解得到该稀疏线性方程的系数向量，作为测试样本的稀疏系数向量；6)针对每个测试样本的稀疏系数向量，分别提取其稀疏系数向量中对应于稀疏特征方位角相关动态字典中每一类已知雷达目标的类别稀疏系数向量，然后分别计算利用每一类已知雷达目标对应的类别稀疏系数向量和测试样本对应的稀疏特征方位角相关动态字典通过稀疏线性方程对测试样本的稀疏特征矩阵进行稀疏重构的重构误差，将重构误差最小的类别稀疏系数向量所对应的一个已知雷达目标类别判定为测试样本对应的待测雷达目标所属的雷达目标类别，实现对待测雷达目标的类别识别。上述基于方位角相关动态字典稀疏表示的SAR目标识别方法中，具体而言，所述步骤3)中，计算测试样本与训练样本的图像像素分布相关性的具体方式为： r i , n i = Σ m = 1 M Σ n = 1 N ( f i , n i ( m , n ) - f ‾ i , n i ) ( f y ( m , n ) - f ‾ y ) 本文档来自技高网...

【技术保护点】
基于方位角相关动态字典稀疏表示的SAR目标识别方法，其特征在于，包括如下步骤：1)对于多类不同的已知雷达目标，分别针对每一类在0°～360°方位角范围内分布采集多个已知雷达目标的SAR图像作为训练样本，并分别记录各个训练样本的方位角值；2)分别提取各个类别中各个训练样本的稀疏特征矩阵，将针对每个训练样本所提取的稀疏特征矩阵作为一个稀疏特征训练样本，从而由提取的各个类别各个训练样本的稀疏特征矩阵的集合构成稀疏特征训练样本集；3)针对一个待测雷达目标，采集该待测雷达目标的SAR图像作为测试样本，并分别计算测试样本与各个训练样本的图像像素分布相关性，取与测试样本的图像像素分布相关性最大的训练样本的方位角值作为测试样本的方位角估计值gy，从而确定测试样本的相关方位角范围φ(gy)＝[(gy‑Δg),(gy+Δg)]；Δg表示预设定的方位角浮动范围值；4)将稀疏特征训练样本集之中方位角值在相关方位角范围φ(gy)之外的训练样本的稀疏特征矩阵设置为零矩阵，仅保留方位角值在相关方位角范围φ(gy)以内的训练样本的稀疏特征矩阵，由此构成测试样本对应的稀疏特征方位角相关动态字典；5)提取测试样本的稀疏特征矩阵，利用测试样本对应的稀疏特征方位角相关动态字典中的各个稀疏特征训练样本建立稀疏线性方程，对测试样本的稀疏特征矩阵进行稀疏线性表示，并求解得到该稀疏线性方程的系数向量，作为测试样本的稀疏系数向量；6)针对每个测试样本的稀疏系数向量，分别提取其稀疏系数向量中对应于稀疏特征方位角相关动态字典中每一类已知雷达目标的类别稀疏系数向量，然后分别计算利用每一类已知雷达目标对应的类别稀疏系数向量和测试样本对应的稀疏特征方位角相关动态字典通过稀疏线性方程对测试样本的稀疏特征矩阵进行稀疏重构的重构误差，将重构误差最小的类别稀疏系数向量所对应的一个已知雷达目标类别判定为测试样本对应的待测雷达目标所属的雷达目标类别，实现对待测雷达目标的类别识别。...

【技术特征摘要】
1.基于方位角相关动态字典稀疏表示的SAR目标识别方法，其特征在于，包括如下步骤：1)对于多类不同的已知雷达目标，分别针对每一类在0°～360°方位角范围内分布采集多个已知雷达目标的SAR图像作为训练样本，并分别记录各个训练样本的方位角值；2)分别提取各个类别中各个训练样本的稀疏特征矩阵，将针对每个训练样本所提取的稀疏特征矩阵作为一个稀疏特征训练样本，从而由提取的各个类别各个训练样本的稀疏特征矩阵的集合构成稀疏特征训练样本集；3)针对一个待测雷达目标，采集该待测雷达目标的SAR图像作为测试样本，并分别计算测试样本与各个训练样本的图像像素分布相关性，取与测试样本的图像像素分布相关性最大的训练样本的方位角值作为测试样本的方位角估计值gy，从而确定测试样本的相关方位角范围φ(gy)＝[(gy-Δg),(gy+Δg)]；Δg表示预设定的方位角浮动范围值；4)将稀疏特征训练样本集之中方位角值在相关方位角范围φ(gy)之外的训练样本的稀疏特征矩阵设置为零矩阵，仅保留方位角值在相关方位角范围φ(gy)以内的训练样本的稀疏特征矩阵，由此构成测试样本对应的稀疏特征方位角相关动态字典；5)提取测试样本的稀疏特征矩阵，利用测试样本对应的稀疏特征方位角相关动态字典中的各个稀疏特征训练样本建立稀疏线性方程，对测试样本的稀疏特征矩阵进行稀疏线性表示，并求解得到该稀疏线性方程的系数向量，作为测试样本的稀疏系数向量；6)针对每个测试样本的稀疏系数向量，分别提取其稀疏系数向量中对应于稀疏特征方位角相关动态字典中每一类已知雷达目标的类别稀疏系数向量，然后分别计算利用每一类已知雷达目标对应的类别稀疏系数向量和测试样本对应的稀疏特征方位角相关动态字典通过稀疏线性方程对测试样本的稀疏特征矩阵进行稀疏重构的重构误差，将重构误差最小的类别稀疏系数向量所对应的一个已知雷达目标类别判定为测试样本对应的待测雷达目标所属的雷达目标类别，实现对待测雷达目标的类别识别。2.根据权利要求1所述基于方位角相关动态字典稀疏表示的SAR目标识别方法，其特征在于，所述步骤3)中，计算测试样本与训练样本的图像像素分布相关性的具体方式为： r i , n i = Σ m = 1 M Σ n = 1 N ( f i , n i ( m , n ) - f ‾ i , n i ) ( f y ( m , n ) - f ‾ y ) ( Σ m ...

【专利技术属性】
技术研发人员：张新征，王亦坚，谭志颖，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50