[發明專利]基于多信息字典學習的SAR目標識別方法

有效

• 申請號: 201410243072.9
• 申請日: 2014-06-03
• 公開（公告）號: CN104008373B
• 公開（公告）日: 2017-09-01
• 發明（設計）人: 劉宏偉;王英華;齊會嬌;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: G06K9/00
• 分類號: G06K9/00
• 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技術領域，特別涉及基于多信息字典學習的SAR目標識別方法。

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。由于SAR(合成孔徑雷達)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。

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(Sparse Representation Classification)、聯合多視角下的JSR(Joint Sparse Representation)及基于多信息聯合動態稀疏表示(Joint Dynamic Sparse Representation，JDSR)的SAR目標變體識別方法。在基于多信息聯合動態稀疏表示的SAR目標變體識別方法中，聯合了目標的多種信息，用這些信息直接構成字典，再通過聯合動態稀疏表示模型對目標進行識別。而直接構成的字典的原子之間存在很多冗余信息，字典尺寸(字典原子的個數)較大，給后續的稀疏表示帶來較大的計算量和存儲量，并且當字典尺寸變小時，字典中包含的目標信息也會隨之急劇減少，對目標特別是目標變體的識別性能也會有很大的影響。

發明內容

本發明的目的在于提出基于多信息字典學習的SAR目標識別方法。本發明在多信息聯合動態稀疏表示的基礎上，綜合利用SAR目標圖像域幅度信息與頻域幅度信息，在訓練階段對兩種信息分別進行鑒別字典學習，在測試階段通過采用聯合動態稀疏表示的模型對目標進行識別。本發明在字典尺寸較小時也會較全面地包含各類目標信息，可以提高SAR目標(特別是目標變體)的識別率。

本發明的技術思路為：首先在訓練階段采用LC-KSVD(Label Consistent K-SVD)方法分別對訓練樣本的目標圖像域幅度信息、目標頻域幅度信息進行字典學習，得到兩種信息對應的字典，然后在測試階段采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、頻域幅度信息以及兩種信息對應的學習后的字典，對測試樣本的兩種信息進行聯合動態稀疏求解，并對測試樣本兩種信息進行重構，根據重構誤差對測試目標進行識別。字典學習采用的LC-KSVD方法是在原來的K-SVD字典學習方法中引入了鑒別信息，屬于同一類目標的信息(特征)有相似的稀疏編碼形式，而不同類的目標的信息的編碼形式則有差異，限制了各類目標的稀疏編碼模式，這樣學習后的字典更有利于后續目標的識別。JDSR模型強調多種信息或多特征的稀疏系數非零值位置不是嚴格限制在相同位置，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間的重構誤差，按照重構誤差最小準則進行識別。

對于SAR目標，特別是目標變體，在字典尺寸較小時，即使利用多種信息也容易產生錯分現象。而本發明的方法對多種信息先通過字典學習，利用學習后的字典再結合多種信息進行聯合動態稀疏表示，尋找多種信息在字典中的共性，利用多種信息的重構誤差共同對目標進行識別，因此可以更好地解決SAR目標變體識別問題。

為實現上述技術目的，本發明采用如下技術方案予以實現。

基于多信息字典學習的SAR目標識別方法包括以下步驟：

步驟1，獲取多個訓練用SAR目標圖像，分別對多個訓練用SAR目標圖像進行配準，得到對應的多個訓練用配準圖像；對每個訓練用配準圖像進行圖像截取，得出對應的訓練用截取后圖像；根據所有訓練用截取后圖像，得出訓練用圖像域幅度信息初始化字典D₁₀；對訓練用截取后圖像進行二維傅里葉變換，得到對應的訓練用頻域圖像；根據所有訓練用頻域圖像，得到訓練用頻域幅度信息初始化字典D₂₀；