[發明專利]基于多信息聯合動態稀疏表示的SAR目標變體識別方法

有效

• 申請號: 201410030065.0
• 申請日: 2014-01-23
• 公開（公告）號: CN103824088B
• 公開（公告）日: 2017-04-19
• 發明（設計）人: 王英華;齊會嬌;劉宏偉;丁軍;杜蘭;糾博;白雪茹;王鵬輝;陳渤
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 西安睿通知識產權代理事務所(特殊普通合伙)61218
• 代理人: 惠文軒

技術領域

本發明屬于雷達自動目標識別領域，涉及一種基于多信息聯合動態稀疏表示的SAR目標變體識別方法，適用于SAR圖像中目標的分類識別。

背景技術

雷達成像技術是20世紀50年代發展起來的，在以后的60年里得到了突飛猛進的發展，目前已經在軍事、農林、地質、海洋、災害、繪測等諸多方面得到廣泛的應用。

合成孔徑雷達SAR具有全天候、全天時、分辨率高以及穿透力強等特點，成為目前對地觀測和軍事偵察的重要手段，SAR圖像自動目標識別受到越來越廣泛的關注。

SAR圖像自動目標識別方法通常采取美國林肯實驗室提出的三級處理流程。在從整個SAR圖像中提取感興趣區域(ROIs)后，首先對該區域進行預處理，剔除非目標區域；然后對目標區域進行特征提取，并使用提取得到的特征進行目標分類和識別。

現有文獻中提出了很多SAR目標識別方法，例如支持向量機SVM、核支持向量機K-SVM、基于稀疏表示的分類SRC等方法。在現有的SAR目標識別方法中，通常只是用一種特征或者信息來進行識別，例如在SRC方法中，只是用了SAR圖像的圖像域目標區域的幅度信息。SAR目標識別的難點在于訓練數據永遠無法表示真實世界中的所有情況，實際中不可能得到目標所有狀態或者配置下的訓練樣本。測試目標與訓練目標相比，通常存在著變體的情況，即測試目標與訓練目標在狀態、配置等方面有一些變化，例如炮筒的旋轉、油箱的有無、履帶的有無等情況。對于目標變體的識別，如果只使用一種特征或信息，得到的識別率不夠高。例如SRC僅基于圖像域目標區域的幅度信息，在訓練樣本不包含目標變體時，在測試階段對目標變體的識別效果較差。

發明內容

針對上述現有技術的不足，本發明的目的在于提供一種基于多信息聯合動態稀疏表示的SAR目標變體識別方法，可以提高目標的識別率，特別是目標變體的識別率。

本發明中稀疏表示可以解釋為用已有的訓練樣本圖像構成一個字典(模板庫)，測試圖像若屬于模板庫中的某一類目標，則該測試樣本就可以由模板庫中該類的目標線性表示。

本發明的技術思路是：使用聯合動態稀疏表示JDSR(Joint Dynamic Sparse Representation)模型，聯合使用圖像域目標區域幅度信息、圖像域目標陰影幅度信息以及圖像的頻域信息構造了多個子字典，測試樣本對應相同的信息在各自的子字典中可以用同一類的樣本線性表示，即多種特征在稀疏表示中涉及到的稀疏系數的位置均屬于同一類。

JDSR模型強調多種信息或多特征的稀疏系數不是嚴格限制相同位置，而是擴展到同一類別，其更符合聯合稀疏表示的實際情況，適用性更強。多種信息的稀疏系數共同構成稀疏系數矩陣，利用稀疏系數矩陣來重構測試樣本，而后通過計算測試樣本的重構估計值與該測試樣本的重構誤差，按照重構誤差最小準則進行分類識別。

為了達到上述目的，本發明采用以下技術方案予以實現。

一種基于多信息聯合動態稀疏表示的SAR目標變體識別方法，其特征在于，包括以下步驟：

(1)以將訓練樣本的原始SAR圖像為基礎，構建關于圖像域目標幅度信息的目標訓練字典關于圖像域目標陰影信息的陰影訓練字典關于頻域目標幅度信息的頻域訓練字典并拼接成一個多信息訓練字典D，公式表示為：

其中Num為訓練樣本的總數；

(2)以測試樣本SAR圖像為基礎，構建關于圖像域目標幅度信息的歸一化測試目標向量關于圖像域目標陰影信息的歸一化測試陰影向量關于頻域目標幅度信息的歸一化頻域測試向量并拼接得到多信息測試矩陣

(3)根據多信息訓練字典D和多信息測試矩陣Y，構造聯合稀疏表達式，求解聯合稀疏系數矩陣X；

聯合稀疏表達式如下所示：

D＝[D₁，D₂，...，D_K]

則有：

Y＝DX

或者Y＝DX+ε

其中，D_k表示第k種信息構成的訓練字典，聯合稀疏系數矩陣X＝[X₁，X₂，...，X_K]，其X_k表示第k類信息的稀疏系數向量，k＝1，2，...，K為信息的種類，ε為噪聲或誤差向量；其中，K＝3，k＝1表示時域目標幅度信息；k＝2表示時域目標陰影信息；k＝3表示頻域目標幅度信息；

(4)利用得到的聯合稀疏系數矩陣X，對測試樣本進行重構，根據重構誤差最小化原則，得到最終的分類結果；