基于半监督协同训练的SAR目标鉴别方法技术

本发明专利技术公开了一种基于半监督协同训练的SAR图像目标鉴别方法，主要解决现有鉴别方法需要大量人工标记样本且实时性较差的问题。其实现过程是：1)将恒虚警率CFAR检测切片作为训练样本，从中取少量的样本进行标记；2)提取训练样本的两个林肯特征组；3)用标记过样本的两个林肯特征组训练两个分类器；4)利用3)得到的分类器对无标记样本进行鉴别；5)两个分类器挑选各自置信度较高的少数样本加入到对方的有标记训练样本中；6)利用新的有标记样本重复4)‑5)得到最终的分类器；7)用分类器对测试样本进行分类，得到分类结果。本发明专利技术仅需标记少量的样本就能达到与全监督方法相同的效果，可用于实现SAR图像目标的实时鉴别。

SAR target identification method based on semi supervised collaborative training

The invention discloses a SAR image target identification method based on semi supervised cooperative training, which mainly solves the problem that the existing identification method needs a large number of manual labelled samples and the real time is poor. The actual process is as follows: 1) the constant false alarm rate CFAR detection slice is used as a training sample, from which a small number of samples are marked; 2) two Lincoln characteristic groups of the training samples are extracted; 3) the two classifier is trained with two Lincoln characteristic groups marked over the sample; 4) the classifier is identified by the 3); 5) two The classifier selects a few samples with higher confidence to join the marked training sample of each other; 6) use the new labeled samples to repeat 4) to get the final classifier; 7) the classifier is used to classify the test samples, and the classification results are obtained. The invention can achieve the same effect as the whole supervised method by marking only a small number of samples, and can be used for real-time identification of SAR image targets.

【技术实现步骤摘要】
基于半监督协同训练的SAR目标鉴别方法
本专利技术属于雷达
，涉及SAR图像鉴别方法，可用于SAR图像中对车辆目标的鉴别。技术背景雷达成像技术是20世纪50年代发展起来的，在此后的60年里得到了突飞猛进的发展，目前，已经在军事、农林、地质、海洋、灾害、绘测等诸多方面得到广泛的应用。合成孔径雷达SAR是一种利用微波进行感知的主动传感器，其与红外、光学等其他传感器相比，SAR成像不受光照、天气等条件的限制，可以对感兴趣的目标进行全天候、全天时的观测，因此SAR图像的应用受到越来越广泛的关注，其中SAR图像自动目标识别ATR由于其提供目标属性、类别等详细信息的能力而在民用、军事领域得到了广泛的应用。SAR自动目标识别ATR方法通常采取美国林肯实验室提出的三级处理流程：检测、鉴别、识别。该流程采用一种分层注意机制，其实现过程是：首先，对整幅SAR图像进行检测处理，除去图像中明显不是目标的区域，得到疑似目标区域；然后，对疑似目标区域提取鉴别特征，利用鉴别特征剔除其中的自然杂波区域和明显大于或小于目标的人造杂波区域；最后，对鉴别阶段保留下来的目标区域进行目标级的分类与识别。在这种处理机本文档来自技高网...

【技术保护点】
一种基于半监督协同训练的SAR目标鉴别方法，包括：A、训练步骤：(A1)将检测得到的恒虚警率CFAR切片作为训练样本D，D＝{Dl,Du}，其中Dl表示标记样本集，

【技术特征摘要】
1.一种基于半监督协同训练的SAR目标鉴别方法，包括：A、训练步骤：(A1)将检测得到的恒虚警率CFAR切片作为训练样本D，D＝{Dl,Du}，其中Dl表示标记样本集，xi表示第i个有标记样本，yi表示第i个样本对应的类别标号，L表示有标记样本的个数；Du表示无标记样本集，xj表示第j个未标记样本，U表示无标记样本的个数；另记第一有标记样本集为第二有标记样本集为且第一无标记样本集为第二有标记样本集为且(A2)提取训练样本D的23维林肯特征，并将这23维林肯特征按照其物理意义进行分组，再从分好的林肯特征组中任意取两组特征，得到有标记样本Dl和无标记样本Du的各自两组林肯特征；(A3)用有标记样本Dl提取的第一组特征对第一支持向量机SVM分类器f(1)进行训练；(A4)用有标记样本Dl提取的第二组特征对第二支持向量机SVM分类器f(2)进行训练；(A5)用训练好的第一支持向量机SVM分类器f(1)对第一无标记样本提取的第一组特征进行的分类，将分类结果按照分类置信度从高到低进行排列，从中选取前k＝5个置信度最高的样本，将其加入到第二有标记样本集中，构成新的第二有标记样本集同时将这k个置信度最高的样本从第一无标记样本中剔除，构成新的第一无标记样本集(A6)利用新的第二有标记样本集的第二组特征训练新的第二支持向量机SVM分类器(A7)用训练好的第二支持向量机SVM分类器f(2)对第二无标记样本提取的第二组特征进行分类，将分类结果按照分类置信度从高到低进行排列，从中选取前k个置信度最高的样本，将其加入到第一有标记样本集中，构成新的第一有标记样本集同时将这k个置信度最高的样本从第二无标记样本中剔除，构成新的第二无标记样本集(A8)利用新的第一有标记样本集的第一组特征训练新的第一支持向量机SVM分类器f1(1)；(A9)将第一有标记样本集替换为新的第一有标记样本集第一无标记样本集替换为新的第一有标记样本集将第二有标记样本集替换为新的第二有标记样本集第二无标记样本集替换为新的第二有标记样本集将第一支持向量机SVM分类器f(1)替换为新的第一支持向量机SVM分类器f1(1)，第二支持向量机SVM分类器f(2)替换为新的第二支持向量机SVM分类器f1(2)。(A10)重复(A5)到(A10)的操作直到剩余未标记样本的数目小于k，得到最终的第一支持向量机SVM分类器ft(1)和第二支持向量机SVM分类器ft(2)；B、测试步骤：(B1)提取测试样本的23维林肯特征，按照其物理意义进行分组，提取与训练样本相同物理意义的两组特征；(B2)用训练步骤中训练得到的最终的第一支持向量机SVM分类器ft(1)对测试样本提取的第一组特征进行分类，得到分类结果，或者用最终的第二支持向量机SVM分类器ft(2)对测试样本提取的第二组特征进行分类，得到分类结果。2.根据权利要求1所述的基于半监督协同训练的SAR目标鉴别方法，其中步骤(A3)所述的用有标记样本Dl提取的第一组特征对第一支持向量机SVM分类器f(1)进行训练，按如下步骤进行：(A31)记有标记样本集为Dl提取的第一组特征为构造约束最优化问题：αi≥0,i＝1,2,…,L其中αp表示第p个有标记样本第一组特征对应的拉格朗日乘子，αq表示第q个有标记样本第一组特征对应的拉格朗日乘子，yp表示第p个有标记样本对应的类别标号，yq表示第q个有标记样本对应的类别标号，表示第p个有标记样本的第一组特征，...

【专利技术属性】
技术研发人员：杜兰，王燕，代慧，刘宏伟，王英华，
申请(专利权)人：西安电子科技大学，西安中电科西电科大雷达技术协同创新研究院有限公司，
类型：发明
国别省市：陕西,61