[發明專利]拉普拉斯正則化最小二乘合成孔徑雷達自動目標識別方法

無效

• 申請號: 200710199271.4
• 申請日: 2007-12-18
• 公開（公告）號: CN101196564A
• 公開（公告）日: 2008-06-11
• 發明（設計）人: 張向榮;焦李成;陽春;公茂果;劉芳
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G01S13/90
• 分類號: G01S13/90;G01S7/295;G06K9/64
• 代理公司: 陜西電子工業專利中心
• 代理人: 王品華;韋全生

技術領域

本發明屬于雷達技術領域，涉及一種模式識別技術的具體應用，具體地說是一種拉普拉斯Laplacian正則化最小二乘合成孔徑雷達SAR自動目標識別方法。該方法可用于解決基于二維SAR圖像的識別問題。

背景技術

SAR技術在對地面目標，特別是對靜止目標探測方面的獨特優勢，以及其在現代戰場感知、對地面打擊等領域的良好應用前景，使得基于SAR圖像的自動目標識別技術ATR受到了越來越多的重視。目前針對SAR圖像的自動目標識別學者們已經進行了多方面的研究，提出了各種方法，這些方法都是基于目標模型的識別方法。目標模型的描述方法通常分為兩類：基于模板的目標描述方法和基于模型的目標描述方法。基于模板的目標描述方法通過一些典型的目標特征樣本來描述每一類目標，基于模型的目標描述方法利用隱馬爾可夫模型或神經網絡模型來描述每一類目標特征，這些方法都存在一定的不足和缺陷。

1998年，美國的Timothy?Ross等人提出一種基于模板匹配的SAR自動目標識別方法，并以此結果作為標準，向該領域征集更優的ATR方法。該方法是在圖像域內，將樣本按10°方位間隔分組，在每一個方位單元內利用樣本均值作為模板，用最小距離分類法進行分類。由于模板匹配法是利用樣本的均值作為模板，其與樣本圖像的幾何形狀有直接關系，同時SAR目標圖像對方位比較敏感，所以方位間隔越小，形成的模板質量越高，匹配效果越好，但是需要對方位有較好的估計，并且隨著模板數量的增加，所需存儲空間增大。

同樣在1998年，Theera-Umpon提出利用形態學權值共享神經網絡來解決SAR圖像中軍用車輛的檢測和識別問題。這種處理方法基于如下事實：異類神經網絡能夠同時學習特征提取和分類。權值共享神經網絡和形態學權值共享神經網絡是異類神經網絡的一種。這些神經網絡由兩個階段組成：特征提取階段和分類階段。此方法只能對兩類目標進行分類識別，由于神經網絡的輸入是一塊圖像，因此網絡的訓練計算量較大。在目標類較多的情況下，可能導致網絡訓練無法收斂。

2001年，Qun?Zhao對樣本不做任何特征提取，將樣本按30°方位分組，在每一個方位單元內建立支撐矢量機SVM分類器，識別時利用目標的方位信息選出相應方位單元的分類器進行分類。雖然SVM適合解決小樣本高維模式分類問題，但在按10°方位間隔分組時，樣本數目過于少，每類目標在每個方位單元內只有6～7個訓練樣本，訓練性能較差，在此情況下達不到較高的識別率。另外，該方法沒有經過特征提取的預處理，一方面會因為噪聲的存在降低識別率，另一方面達不到降維的目的，給計算帶來負擔。

目前，已經有學者將核主成分分析KPCA的特征提取方法對SAR目標進行預處理，然后用SVM進行目標識別，與上述的方法相比該方法的識別率有一定的提高，但在訓練樣本過于少的情況下，比如按10°方位間隔分組，訓練性能同樣會較差。

發明內容

本發明的目的在于：為了克服現有技術的不足，提出了一種拉普拉斯正則化最小二乘合成孔徑雷達自動目標識別方法，以提高SAR圖像的目標識別率，并且對方位不需要精確的估計，在小樣本情況下仍然可以獲得很好的識別效果。

本發明的技術方案是：將待識別的SAR目標圖像看作是半監督學習中訓練集的無標識樣本，通過轉導推理得到標識。首先將運動、靜止目標獲取與識別MSTAR數據庫中的全部樣本采用KPCA進行特征提取，再將訓練集數據全部作為有標識樣本，測試集數據全部作為無標識樣本來建立一個無向加權圖G＝(V，E)，將數據點看作G的頂點V，并定義成對數據點的相似度為無向加權圖的邊，然后用圖的方法逼近流形，在全局上要求滿足光滑性的假設，并將它作為一個正則項，添加到正則化最小二乘分類RLSC中，稱為拉普拉斯正則化最小二乘分類LapRLSC，求解對應的優化問題，最后用訓練得到的分類函數對無標識樣本進行分類。該方法的具體實現步驟如下：