一种基于两级多任务学习的合成孔径雷达图像识别方法技术

本发明专利技术公开了一种基于两级多任务学习的合成孔径雷达图像识别方法，包括：提取目标图像及训练图像集的多类异质特征；将目标图像的每一类异质特征以训练图像集中所有训练图像对应的异质特征的线性组合表示；提取每一类异质特征的系数矢量；得到每一类异质特征的M近邻局部子集并组成新字典；得到协同表示系数矩阵；利用最小重构误差进准则得到目标图像的识别结果。本发明专利技术第一阶段得到目标图像在训练样本中的最佳局部子集，并相应更新各个特征的字典，大大减少了远离目标图像的训练样本的干扰，从而避免了异常值造成的干扰，分类性能明显优于多任务稀疏表示学习和多任务协同表示学习算法，且对广泛的正则化参数具有鲁棒性。

A method of SAR image recognition based on two-level multitask learning

The invention discloses a synthetic aperture radar image recognition method based on two-level multi task learning, which includes: extracting multi class heterogeneous features of the target image and the training image set; representing each class of heterogeneous features of the target image with the linear combination of the corresponding heterogeneous features of all training images in the training image set; extracting the coefficient vector of each class of heterogeneous features; obtaining each class of different features The local subsets of m-nearest neighbors of qualitative features are combined to form a new dictionary, the coefficient matrix of collaborative representation is obtained, and the recognition result of target image is obtained by using the minimum reconstruction error progression criterion. In the first stage of the invention, the best local subset of the target image in the training sample is obtained, and the dictionaries of each feature are updated accordingly, which greatly reduces the interference of the training sample far away from the target image, thus avoiding the interference caused by the abnormal value. The classification performance is obviously superior to the multi-task sparse representation learning and multi-task collaborative representation learning algorithms, and has the advantages of Robustness.

【技术实现步骤摘要】
一种基于两级多任务学习的合成孔径雷达图像识别方法
本专利技术涉及雷达目标识别
，具体涉及一种基于两级多任务学习的合成孔径雷达图像识别方法。
技术介绍
雷达图像目标识别是国防科技领域中的重要研究课题。利用表示学习的方法是雷达图像领域中较为有效的途径，其关键技术就是表示学习模型的建立。常见的基于表示学习的雷达图像目标识别方法有：(1)基于稀疏表示方法，在表示系数的稀疏约束下，得到唯一的表示系数解，稀疏表示利用的是样本之间的“竞争”关系，其算法复杂度较高(2)基于协同表示的方法，协同表示利用样本间的“合作”关系，实际上是L2范数约束下的优化问题，大大降低了计算复杂度，但在算法的准确率和鲁棒性还有待进一步提高(3)基于多任务学习与表示学习结合的方法，该方法目前已经成为表示学习的又一发展趋势。多任务学习充分利用了识别任务足够相似或在某种程度上相关这一特性，有利于提高识别算法的泛化能力。提取图像的多种不同类型的特征，将每类特征的表示识别看作是一个任务，建立多特征联合表示模型。多任务学习结合表示学习的方法在图像识别以及分类目标识别领域都有很广泛的运用，可以挖掘不同任务之间的共享训练样本模式，从而确保选择正确的训练样本，降低错误类别训练样本的干扰。本专利技术在现有的基于多任务学习与表示学习结合的方法的基础上提出了一种基于两级多任务学习的合成孔径雷达图像识别方法，基于两级多任务表示学习方法利用了多特征协同判别能力，而且将稀疏表示与协同表示的表示学习能力相结合，在第一阶段利用L2,1范数规则化的多任务稀疏表示得到目标图像在训练样本中的最佳局部子集，并相应更新各个特征的字典，大大减少了远离目标图像的训练样本的干扰，从而避免了异常值造成的干扰，分类性能明显优于多任务稀疏表示学习和多任务协同表示学习算法，且对广泛的正则化参数具有鲁棒性。
技术实现思路
针对上述现有技术的不足，本专利技术在现有的基于多任务学习与表示学习结合的方法的基础上提出了一种基于两级多任务学习的合成孔径雷达图像识别方法，基于两级多任务表示学习方法利用了多特征协同判别能力，而且将稀疏表示与协同表示的表示学习能力相结合，在第一阶段利用L2,1范数规则化的多任务稀疏表示得到目标图像在训练样本中的最佳局部子集，并相应更新各个特征的字典，大大减少了远离目标图像的训练样本的干扰，从而避免了异常值造成的干扰，分类性能明显优于多任务稀疏表示学习和多任务协同表示学习算法，且对广泛的正则化参数具有鲁棒性。本专利技术采用了如下的技术方案：一种基于两级多任务学习的合成孔径雷达图像识别方法，包括：S1、获取目标图像及训练图像集；S2、提取所述目标图像及所述训练图像集的多类异质特征；S3、将所述目标图像的每一类异质特征以所述训练图像集中所有训练图像对应的异质特征的线性组合表示；S4、基于所述异质特征的线性组合表示提取每一类异质特征的系数矢量；S5、基于所述每一类异质特征的系数矢量得到所述每一类异质特征的M近邻局部子集并组成新字典，M近邻局部子集为系数矢量的真子集；S6、基于M近邻局部子集组成新字典来表示目标图像，得到协同表示系数矩阵；S7、基于协同表示系数矩阵，利用最小重构误差进准则得到目标图像的识别结果。优选地，所述多类异质特征包括PCA特征、小波变换特征及2DSZM特征中的任意一种或多种。优选地，步骤S3中：……式中，yk为目标图像的第k类异质特征，P为异质特征类数，为yk对应的第i个训练图像的系数矢量原子，n为所述训练图像集中训练图像的个数，为yk对应的第i个训练图像的异质特征；将目标图像的异质特征表示为：y1＝X1a'1……yk＝Xka'kyP＝XPa'P式中，Xk为yk对应的异质特征向量，a'k为yk对应的表示系数矢量。优选地，步骤S4中：建立L2,1范数规则化的多任务稀疏表示模型：式中，η为平衡参数，||·||2,1表示L2,1范数，A为系数矢量集，A＝[a1…aP，||·||F表示矩阵的F范数。优选地，步骤S5中：从每一类异质特征的系数矢量中提取最大的前Q个系数矢量原子并去重得到原子集，为原子集中第j个原子的k模式特征矢量；基于公式计算距离测度量ej，取对应的ej最小的前M个原子组成M近邻局部子集；将M近邻局部子集中原子以外的系数矢量原子设置为0，得到新的异质特征向量并将新的异质特征向量作为新字典，X'k为Xk对应的新字典。优选地，步骤S6中：基于M近邻局部子集组成新字典来表示目标图像：式中，ρ为平衡参数，||·||F表示矩阵的F范数，B为协同表示系数矩阵，B＝[b1…bP]，bk为yk对应的新的表示系数矢量。综上所述，本专利技术公开了一种基于两级多任务学习的合成孔径雷达图像识别方法，包括：S1、获取目标图像及训练图像集；S2、提取所述目标图像及所述训练图像集的多类异质特征；S3、将所述目标图像的每一类异质特征以所述训练图像集中所有训练图像对应的异质特征的线性组合表示；S4、基于所述异质特征的线性组合表示提取每一类异质特征的系数矢量；S5、基于所述每一类异质特征的系数矢量得到所述每一类异质特征的M近邻局部子集并组成新字典，M近邻局部子集为系数矢量的真子集；S6、基于M近邻局部子集组成新字典来表示目标图像，得到协同表示系数矩阵；S7、基于协同表示系数矩阵，利用最小重构误差进准则得到目标图像的识别结果。在现有技术的基础上，本专利技术基于两级多任务表示学习方法利用了多特征协同判别能力，而且将稀疏表示与协同表示的表示学习能力相结合，在第一阶段利用L2,1范数规则化的多任务稀疏表示得到目标图像在训练样本中的最佳局部子集，并相应更新各个特征的字典，大大减少了远离目标图像的训练样本的干扰，从而避免了异常值造成的干扰，分类性能明显优于多任务稀疏表示学习和多任务协同表示学习算法，且对广泛的正则化参数具有鲁棒性。附图说明为了使专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步的详细描述，其中：图1为本专利技术公开的一种基于两级多任务学习的合成孔径雷达图像识别方法的流程图；图2为某一雷达目标图像；图3为PCA特征的第二阶段协同表示系数；图4为小波特征的第二阶段协同表示系数；图5为2DSZM特征的第二阶段协同表示系数；图6为基于两级多任务表示学习方法中三类特征的重构误差；图7为基于两级多任务表示学习方法、直接多任务稀疏表示方法与直接多任务协同表示方法三种方法的识别率随特征维数变化的曲线图；图8为基于两级多任务表示学习方法、直接多任务稀疏表示方法与直接多任务协同表示方法三种方法识别率随随规则化参数变化的曲线图；图9为基于两级多任务表示学习方法中对于两个阶段不同规则化参数变化的识别效果图。具体实施方式下面结合附图对本本文档来自技高网...

【技术保护点】
1.一种基于两级多任务学习的合成孔径雷达图像识别方法，其特征在于，包括：/nS1、获取目标图像及训练图像集；/nS2、提取所述目标图像及所述训练图像集的多类异质特征；/nS3、将所述目标图像的每一类异质特征以所述训练图像集中所有训练图像对应的异质特征的线性组合表示；/nS4、基于所述异质特征的线性组合表示提取每一类异质特征的系数矢量；/nS5、基于所述每一类异质特征的系数矢量得到所述每一类异质特征的M近邻局部子集并组成新字典，M近邻局部子集为系数矢量的真子集；/nS6、基于M近邻局部子集组成新字典来表示目标图像，得到协同表示系数矩阵；/nS7、基于协同表示系数矩阵，利用最小重构误差进准则得到目标图像的识别结果。/n

【技术特征摘要】
1.一种基于两级多任务学习的合成孔径雷达图像识别方法，其特征在于，包括：
S1、获取目标图像及训练图像集；
S2、提取所述目标图像及所述训练图像集的多类异质特征；
S3、将所述目标图像的每一类异质特征以所述训练图像集中所有训练图像对应的异质特征的线性组合表示；
S4、基于所述异质特征的线性组合表示提取每一类异质特征的系数矢量；
S5、基于所述每一类异质特征的系数矢量得到所述每一类异质特征的M近邻局部子集并组成新字典，M近邻局部子集为系数矢量的真子集；
S6、基于M近邻局部子集组成新字典来表示目标图像，得到协同表示系数矩阵；
S7、基于协同表示系数矩阵，利用最小重构误差进准则得到目标图像的识别结果。


2.如权利要求1所述的基于两级多任务学习的合成孔径雷达图像识别方法，其特征在于，所述多类异质特征包括PCA特征、小波变换特征及2DSZM特征中的任意一种或多种。


3.如权利要求1所述的基于两级多任务学习的合成孔径雷达图像识别方法，其特征在于，步骤S3中：



……






式中，yk为目标图像的第k类异质特征，P为异质特征类数，为yk对应的第i个训练图像的系数矢量原子，n为所述训练图像集中训练图像的个数，为yk对应的第i个训练图像的异质特征；
将目标图像的异质特征表示为：
...

【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