基于子类类间判别双字典的SAR目标识别方法技术

本发明专利技术提供了一种基于子类类间判别双字典的SAR目标识别方法，其首先基于每一类训练样本的SAR图像的方位角，在每个类别中划分出若干个子类，从而将每一个子类看做不同的目标类别，通过判别双字典学习方法，学习得到用于重构每个类别的每个子类的子类图像特征训练样本子集所对应的分析子字典和综合子字典，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，同时确保了重构时综合字典和分析字典表示系数能通过一个简单的线性投影函数来逼近，大大减少训练处理和重构识别处理的计算量，提升了识别处理效率，并且其重构识别处理过程中利用了各个不同类别中各个子类的训练样本的类标签信息，进而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
，尤其涉及一种基于子类类间判别双字典的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。G.J.Owirk提出的模板匹配方法和Katsushi Ikeuchi提出的基于模型的算法是SAR目标自动识别领域中较早出现的识别算法。在模板匹配算法中，通过训练图像构建一系列的参考图像(空域或时域)，即模板，再将所有的模板储存起来构成模板库。在进行识别的时候，将待识别的SAR图像和模板库内的所有的模板进行匹配，然后根据相似度准则将测试图像归到与之最相近的模板所在的类中。而基于模型的目标识别算法的具体步骤是：①提取出未知目标的特征，根据数学模型来推出一些相关的候选目标，然后分别假设这些目标的类别和姿态；②对候选目标通过模型构建技术进行三维成像，提取出散射中心模型，并进一步预测识别目标的特征，看作待识别目标的参考特征；③匹配，判决。基于模型的方法对杂波具有较好的鲁棒性，但是此方法对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，当前基于模板匹配的方法较基于模型的方法应用更为广泛。然而，随着理论计算水平的提高和电磁预估软件的日益发展，基于模型的方法将会受到更多的关注。随着机器学习的发展，模式识别的发展取得了长足的进步。一些模式识别中的算法也开始应用到SAR目标识别中来，例如。Q.Zhao和Sandirasegaram.NM分别将支撑向量机(support vector machine，SVM)和神经网络(artificial neural network，ANN)用于SAR地面目标识别，并取得了较好的识别效果。SVM是一个功能很强大的分类器，通过对参数的恰当的设置，SVM可以取得很好的分类效果，甚至一些线性不可分问题也可以通过SVM来进行分类。但是当特征维度太高时，SVM分类器就会面临维数灾难的问题。除此之外，SVM的参数的设置也是经验性的，且不同的分类问题的设置一般不相同，这也大大的限制了SVM的泛化能力。ANN具有良好的非线性可分，一个训练良好的神经网络可以有很好的分类性能。然而，在实际应用中，往往需要大量的训练样本才可以训练一个较好的网络，有时候训练的网络会出现过拟合，从而导致泛化能力较差。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0°～360°范围方位角的所有训练样本作为一类字典原子进行识别。然而，根据SAR目标特性随成像方位角变化而剧烈变化，所以目标在0°～360°之间的图像具有非常大的差异，对于目标识别来说，同一类别的目标在不同方位角上呈现出来的却好像是多种类别目标。因此在识别过程中，非相关方位角的训练样本在一个类别的字典中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，降低了类间的判别能力，在一定程度上导致了目标识别准确性的不足。另一方面，字典在稀疏表示过程中扮演了很重要的角色。字典学习在图像恢复问题中成功促使了它在图像分类任务中的运用。和图像恢复不同，分配正确的类标签给测试样本是分类问题的目标，因此，学习字典的准确判别性能是主要关心的问题。为此，监督字典学习方法被提出来以提高学习字典的准确判别能力。通过对测试样本在学习字典上的稀疏编码，编码系数和编码残差都能被用于分类，用编码系数还是用编码残差取决于所用的字典学习模型。鉴别字典学习在模式识别问题中有很好的结果。一个常用的鉴别字典学习的策略是对所有类别学习一个共用的字典，同时给稀疏编码系数加上判别性约束。基于稀疏编码系数的分类器能同时被训练来进行分类。Mairal等人提出了学习字典和学习在编码向量空间中相应的线性分类器。在标签一致的KSVD(LC-KSVD)方法中，蒋等人提出了二值类标签稀疏编码矩阵来激励相同类别的样本具有相似的稀疏编码。Mairal等人提出了任务驱动的字典学习框架(TDDL)，使不同任务的编码系数风险最小化。另一个字典学习中的研究主线是试图学习一个结构化的字典来提升类别之间的鉴别能力。在结构化字典中的原子有类标签，具体类别的表示残差能计算出来用于分类。拉米雷斯等人引入了一种非相干提升项来激励不同类别的子字典相互独立。杨等人提出Fisher判别字典学习方法，这一算法中对表示残差和表示系数都应用了Fisher准则。王等人从最大边缘愿景角度提出了最大边缘化字典学习算法。在大部分现存的字典学习方法中，L0范数或L1范数用来规则化表示参数，因为稀疏稀系数更可能产生好的分类结果。因此，稀疏编码步骤一般包含在迭代字典学习过程中。尽管大量的算法被提出来以提高稀疏编码的效率，L0范数或L1范数的稀疏正则化仍然是一个很大的计算负担，并且使得训练过程和目标识别过程效率很低。因此，采用怎样的字典学习分类方法来进一步提高SAR目标识别的处理效率和识别准确率，也是SAR目标自动识别
的一个重要研究方向。
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子类类间判别双字典的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SAR目标识别技术的训练过程和目标识别过程较为繁杂、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：基于子类类间判别双字典的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)将0°～360°方位角区间等分为S个方位角子区间，使得每个方位角子区间的方位角跨度为Δg＝360°/S；将每一类的所有训练样本中方位角值在同一方位角子区间的各个训练样本归为相应类别中的一个子类，从而分别将每一类的训练样本划分为S个子类；3)分别提取各个类别的各个子类中各个训练样本的图像特征矩阵，将针对每个训练样本所提取的图像特征矩阵作为一个图像特征训练样本，从而由每个本文档来自技高网...

【技术保护点】
基于子类类间判别双字典的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)将0°～360°方位角区间等分为S个方位角子区间，使得每个方位角子区间的方位角跨度为Δg＝360°/S；将每一类的所有训练样本中方位角值在同一方位角子区间的各个训练样本归为相应类别中的一个子类，从而分别将每一类的训练样本划分为S个子类；3)分别提取各个类别的各个子类中各个训练样本的图像特征矩阵，将针对每个训练样本所提取的图像特征矩阵作为一个图像特征训练样本，从而由每个类别的每个子类中各个训练样本的图像特征矩阵的集合构成一个子类图像特征训练样本子集，由各个类别的各个子类的子类图像特征训练样本子集的集合构成图像特征训练样本集；4)采用判别双字典学习算法的重构目标函数对图像特征训练样本集进行学习和训练，求解得到对图像特征训练样本集进行重构的分析字典和综合字典，进而分别得到所述分析字典和综合字典中用于重构每个类别的每个子类的子类图像特征训练样本子集所对应的分析子字典和综合子字典；5)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，提取测试样本的图像特征矩阵；6)分别计算利用每个类别的每个子类的子类图像特征训练样本子集所对应的分析子字典和综合子字典对测试样本的图像特征矩阵进行重构的重构误差，将重构误差最小的分析子字典和综合子字典所对应的子类图像特征训练样本子集所属的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.基于子类类间判别双字典的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)将0°～360°方位角区间等分为S个方位角子区间，使得每个方位角子区间的方位角跨度为Δg＝360°/S；将每一类的所有训练样本中方位角值在同一方位角子区间的各个训练样本归为相应类别中的一个子类，从而分别将每一类的训练样本划分为S个子类；3)分别提取各个类别的各个子类中各个训练样本的图像特征矩阵，将针对每个训练样本所提取的图像特征矩阵作为一个图像特征训练样本，从而由每个类别的每个子类中各个训练样本的图像特征矩阵的集合构成一个子类图像特征训练样本子集，由各个类别的各个子类的子类图像特征训练样本子集的集合构成图像特征训练样本集；4)采用判别双字典学习算法的重构目标函数对图像特征训练样本集进行学习和训练，求解得到对图像特征训练样本集进行重构的分析字典和综合字典，进而分别得到所述分析字典和综合字典中用于重构每个...

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