[發(fā)明專利]一種基于KFDA及SVM的SAR圖像目標(biāo)特征提取與識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410103639.2
• 申請(qǐng)日: 2014-03-19
• 公開（公告）號(hào): CN103824093B
• 公開（公告）日: 2017-10-13
• 發(fā)明（設(shè)計(jì)）人: 高飛;梅凈緣;孫進(jìn)平;王俊;呂文超
• 申請(qǐng)（專利權(quán)）人: 北京航空航天大學(xué)
• 主分類號(hào): G06K9/66
• 分類號(hào): G06K9/66;G06K9/46
• 代理公司: 北京科迪生專利代理有限責(zé)任公司11251
• 代理人: 楊學(xué)明,李新華

技術(shù)領(lǐng)域

本發(fā)明屬于SAR圖像處理及模式識(shí)別領(lǐng)域，涉及一種基于KFDA(Kernel Fisher Discriminant Analysis)及SVM(Support Vector Machine)的SAR圖像目標(biāo)特征提取與識(shí)別方法。

背景技術(shù)

合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)是一種利用微波感知的主動(dòng)式傳感器，可對(duì)感興趣目標(biāo)或區(qū)域進(jìn)行全天時(shí)、全天候的偵察，具有多視角、多俯角數(shù)據(jù)的獲取能力以及對(duì)一些地物的穿透能力。所謂雷達(dá)目標(biāo)識(shí)別，就是在雷達(dá)對(duì)目標(biāo)進(jìn)行檢測(cè)和定位的基礎(chǔ)上，根據(jù)目標(biāo)和環(huán)境的雷達(dá)回波信號(hào)，提取目標(biāo)特征，實(shí)現(xiàn)目標(biāo)的屬性、類別或型號(hào)的判定。隨著SAR成像技術(shù)的不斷成熟，基于SAR圖像的目標(biāo)識(shí)別具有越來(lái)越重要的意義。

基于SAR圖像的目標(biāo)識(shí)別流程中，最重要的兩步為特征提取與識(shí)別。對(duì)于SAR圖像，由于其特殊的成像方式，使得它不像一般的光學(xué)圖像能夠比較完整地描述目標(biāo)的整體形狀，而是表現(xiàn)為稀疏的散射中心分布，且對(duì)成像的方位較為敏感。因此，有效地提取目標(biāo)特征顯得尤為重要。在得到了SAR圖像的目標(biāo)的特征以后，接下來(lái)的主要任務(wù)就是對(duì)未知目標(biāo)進(jìn)行識(shí)別。

在SAR圖像的目標(biāo)特征提取方法中，最常用的是主分量分析(PCA)、核函數(shù)的主分量分析(KPCA)等方法，其中主分量分析方法的缺點(diǎn)是無(wú)法提取圖像中存在的非線性特征，而核函數(shù)的主分量分析方法的缺點(diǎn)是所提取的特征不具有良好的類判別能力且特征的維數(shù)較高；在SAR圖像的目標(biāo)識(shí)別方法中，最常用的是最大相關(guān)分類器和最近鄰分類器等，其中最大相關(guān)分類器的缺點(diǎn)是當(dāng)樣本維數(shù)較高時(shí)，算法復(fù)雜度也較高，而最近鄰分類器的缺點(diǎn)是選取的最優(yōu)分類面不是全局最優(yōu)。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問(wèn)題是：提供一種基于KFDA及SVM的SAR圖像目標(biāo)特征提取與識(shí)別方法，該方法利用KFDA準(zhǔn)則進(jìn)行目標(biāo)特征提取，再通過(guò)SVM分類器實(shí)現(xiàn)目標(biāo)識(shí)別。本發(fā)明通過(guò)將KPCA準(zhǔn)則與SVM分類器相結(jié)合，本發(fā)明能非常好地完成SAR圖像的目標(biāo)特征提取與識(shí)別，降低了對(duì)預(yù)處理過(guò)程的要求，克服了SAR圖像的方位敏感性，壓縮了樣本特征的維數(shù)，并獲得較高的目標(biāo)識(shí)別率，具有良好的推廣性。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案為：

一種基于KFDA及SVM的SAR圖像目標(biāo)特征提取與識(shí)別方法，包括以下幾個(gè)步驟：

步驟(1)對(duì)已知類別的訓(xùn)練目標(biāo)樣本及未知類別的測(cè)試目標(biāo)樣本進(jìn)行幅度數(shù)據(jù)歸一化處理；

步驟(2)利用KFDA準(zhǔn)則對(duì)歸一化后的已知類別的訓(xùn)練目標(biāo)樣本及未知類別的測(cè)試目標(biāo)樣本數(shù)據(jù)進(jìn)行特征提??；

步驟(3)利用KFDA準(zhǔn)則提取的已知類別的訓(xùn)練目標(biāo)樣本特征，對(duì)SVM(Support Vector Machine)分類器進(jìn)行訓(xùn)練，產(chǎn)生最優(yōu)分類面；

步驟(4)通過(guò)最優(yōu)分類面，對(duì)KFDA準(zhǔn)則提取的未知類別的測(cè)試目標(biāo)樣本的特征進(jìn)行識(shí)別。

進(jìn)一步的，所述的步驟(1)中對(duì)已知類別的訓(xùn)練目標(biāo)樣本及未知類別的測(cè)試目標(biāo)樣本進(jìn)行幅度數(shù)據(jù)歸一化處理的過(guò)程具體為：

歸一化公式為：

其中，x為任一個(gè)已知類別的訓(xùn)練目標(biāo)樣本或未知類別的測(cè)試目標(biāo)樣本的向量表示(即將圖像矩陣按列排列成向量形式)，x_Normalized為對(duì)應(yīng)的已知類別的訓(xùn)練目標(biāo)樣本或未知類別的測(cè)試目標(biāo)樣本的幅度數(shù)據(jù)歸一化后的向量表示。

進(jìn)一步的，所述的步驟(2)中利用KFDA準(zhǔn)則對(duì)歸一化后的已知類別的訓(xùn)練目標(biāo)樣本及未知類別的測(cè)試目標(biāo)樣本數(shù)據(jù)進(jìn)行特征提取的過(guò)程具體為：先求類內(nèi)散度矩陣K_w與類間散度矩陣K_b，再求的非零特征值對(duì)應(yīng)的特征向量，最后求KFDA準(zhǔn)則下的已知類別的訓(xùn)練目標(biāo)樣本和未知類別的測(cè)試目標(biāo)樣本的特征；其中類內(nèi)散度矩陣K_w為：