一种基于局部结构保持类子字典学习的目标识别方法技术

该发明专利技术公开了一种基于局部结构保持类子字典学习的目标识别方法，属于合成孔径雷达(SAR)图像解译领域，特别涉及一种基于局部结构保持的类字典学习方法，实现SAR自动目标识别。与传统的基于稀疏模式预设稀疏表征方法不同，本发明专利技术可以为每类目标学习一个鉴别能力强的类字典。在字典学习过程中，利用Tikhonov正则化准则对稀疏表征向量施加局部加权，从而可得到更优的稀疏特征。此外，考虑到SAR图像对目标姿态变化非常敏感，在测试阶段，样本可通过在每类类字典上进行重构，并将目标分配给重构误差最小的类字典对应的类标签。

A target recognition method based on local structure preserving class sub dictionary learning

The invention discloses a target recognition method based on local structure preserving class sub dictionary learning, which belongs to the field of synthetic aperture radar (SAR) image interpretation, in particular relates to a class dictionary learning method based on local structure preserving to realize SAR automatic target recognition. Different from the traditional sparse representation method based on Sparse Mode preset, the invention can learn a class dictionary with strong identification ability for each class of objects. In the process of dictionary learning, Tikhonov regularization criterion is used to apply local weighting to sparse representation vectors, so that better sparse features can be obtained. In addition, considering that SAR image is very sensitive to the change of target attitude, in the test phase, the samples can be reconstructed on each kind of dictionary, and the target can be assigned to the class label corresponding to the class dictionary with the least reconstruction error.

【技术实现步骤摘要】
一种基于局部结构保持类子字典学习的目标识别方法
本专利技术属于合成孔径雷达(SAR)图像解译领域，特别涉及一种基于局部结构保持的类字典学习方法，实现SAR自动目标识别。
技术介绍
随着合成孔径雷达成像技术的不断提高，高分辨SAR图像已在遥感领域应用非常广泛。基于SAR图像的自动目标识别是SAR图像的一个重要应用。图像解译是自动目标识别中特别关键的技术。目前已有众多学者在SAR图像解译方面取得丰硕的研究成果。由于独特的SAR成像机制，在一些扩展的操作场景中，诸如配置变化场景、大俯仰角变化场景等，从SAR图像中提取出稳健的鉴别信息是非常有挑战性的。为了能在这些扩展场景中仍能获得可接受的识别效果，学者们已从数据流形、深度学习等方向出发陆续提出各种SAR自动目标识别算法。近年来，由于稀疏表征强表征能力，对噪声的强稳健性等优点，已有大量基于稀疏表征的算法在SAR自动目标识别领域被提出。但现有的多数基于稀疏表征的SAR自动目标识别算法中，稀疏模式(字典)是由训练样本直接构成。然而由于噪声、干扰等存在，很明显这种字典构造方式是不能获得最优的字本文档来自技高网...

【技术保护点】
1.一种基于局部结构保持类子字典学习的目标识别方法,该方法包括:/n步骤1：给定训练目标样本X＝[X

【技术特征摘要】
1.一种基于局部结构保持类子字典学习的目标识别方法,该方法包括:
步骤1：给定训练目标样本X＝[X1,X2,…,XC]，Xi表示第i类目标训练样本，xi,j表示第i类样本的第j张视图，Ni是第i类目标的样本数，C是训练样本的类别数；
步骤2：基于给定的训练样本，得到每一类样本的初始化类字典，D＝[D1,D2,…,DC]，其中Di表示第i类样本对应的初始子字典；
步骤3：为了在字典学习过程中保持样本的局部属性，对样本对应的稀疏特征进行局部加权，具体方法为：



其中，||·||2表示2范数，λ是一个平衡重构误差和稀疏度的正则化参数，Γ表示Tikhonov正则化矩阵；
步骤4：通过步骤3的模型，求解得到局部结构保持的类字典
其中表示求解得到的第i类样本对...

【专利技术属性】
技术研发人员：于雪莲，唐永昊，任浩浩，赵林森，周云，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51