[發明專利]基于CS和SVM決策級融合的SAR圖像目標識別方法

有效

• 申請號: 201410328277.7
• 申請日: 2014-07-10
• 公開（公告）號: CN104134076B
• 公開（公告）日: 2017-06-06
• 發明（設計）人: 谷雨;張琴;彭冬亮;陳華杰
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/00;G06T5/00
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙)33240
• 代理人: 杜軍

1.基于CS和SVM決策級融合的SAR圖像目標識別方法，所述的CS為壓縮感知、SVM為支持向量機、SAR為合成孔徑雷達，其特征在于該方法的具體步驟是：

步驟(1).預處理

1.1方位角的標記

對MSTAR數據庫中的訓練樣本中7類的方位角進行手工標記，并與圖像的索引建立一種映射關系；

1.2去噪、濾波

對原圖進行裁剪，讀取以圖像中心點為中心的61×61圖像區域，然后進行小波變換和均值濾波處理，以達到去噪的目的；

步驟(2).分類器模型設計

2.1建立壓縮感知模型和基于壓縮感知分類

2.1.1模型建立

在訓練樣本中，選取第i類目標的n_i張圖像，將第j張圖像進行預處理，然后將圖像的信息存放在一個列向量里來構成A_i的第j列v_i,j，得到一個過完備字典A：

A＝[A₁；...；A_i；...；A_k]＝[v_1,1,...,v_1,n1；....；v_i,1,...,v_i,j,...,v_i,ni；...；v_k,1,...,v_k,nk](m×n)；

其中A_i表示由第i類目標所有圖像的信息，v_i,j表示第i類目標第j張圖像的信息；

給定測試圖像y表示為：

y＝Ax₀式(1)；

其中α_i,j為實數；x₀是稀疏系數，x₀中只有與第i類目標相對應的值為非零，其它值均為零；用l₁范數求解x₀，表達如下：

(P₁)min||x₀||₁ subject to y＝Ax₀式(2)；

上式為壓縮感知的優化重建問題，可求出稀疏解x₀；

2.1.2基于壓縮感知分類、姿態矯正

在得到一個測試圖像y時，用壓縮感知模型得到一個稀疏解采用最近鄰方法找出分類結果；對于第i類目標，定義函數：對于是系數向量，即x₀中僅與第i類目標相對應的值保持不變，其它值都賦值為零；定義殘差r_i(y)：

r_i(y)＝||y-Aδ_i(x₀)||₂式(3)；

殘差值最小意味著測試圖像與樣本最接近，通過求解的殘差最小值來判斷類別；則測試圖像y的所在類別s可由式子(4)判斷：

2.2選擇支持向量機模型參數：

核函數采用徑向基核函數；徑向基核函數的重要參數懲罰因子C和γ由交叉驗證和網格參數尋優方法訓練得到，結果為：C取值32和γ取值0.5；已校正和未校正的訓練樣本，采用SVM方法訓練得到兩個分類模型，然后用這兩個分類模型得到兩個分類結果；

步驟(3).姿態校正：

利用訓練樣本構造字典后，利用壓縮感知模型進行優化求解時，可根據獲得稀疏解判斷與之最相近的訓練樣本，即稀疏解x₀的最大值位置t處表明測試樣本與該訓練樣本最相似：

此時可利用該訓練樣本的姿態信息對測試圖像進行姿態校正；

步驟(4).決策級融合：

采用投票法對CS方法和SVM方法識別的三種結果進行決策級融合，即

r＝MajorityVote(r_CS,r_SVM1,r_SVM2)式(6)；

式中r_cs為基于CS方法的識別結果，r_svm1為未經過姿態校正的基于SVM方法的識別結果，r_svm2為經過姿態校正的基于SVM方法的識別結果；當出現三種結果不一致時，根據每種算法對訓練樣本的識別準確率作為先驗知識進行判別，即：

式中為采用CS方法進行識別時識別結果為第i類的概率，為基于未經校正的樣本采用SVM方法進行識別時識別結果為第j類的概率，為基于經校正的樣本采用SVM方法進行識別時識別結果為第k類的概率。