[發(fā)明專利]基于CS和SVM決策級(jí)融合的SAR圖像目標(biāo)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410328277.7
• 申請(qǐng)日: 2014-07-10
• 公開(kāi)（公告）號(hào): CN104134076B
• 公開(kāi)（公告）日: 2017-06-06
• 發(fā)明（設(shè)計(jì)）人: 谷雨;張琴;彭冬亮;陳華杰
• 申請(qǐng)（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): G06K9/66
• 分類號(hào): G06K9/66;G06K9/00;G06T5/00
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙)33240
• 代理人: 杜軍

技術(shù)領(lǐng)域

本發(fā)明屬于目標(biāo)識(shí)別技術(shù)領(lǐng)域，涉及一種基于CS和SVM決策級(jí)融合的SAR圖像目標(biāo)識(shí)別方法。

背景技術(shù)

SAR(Synthetic Aperture Radar，合成孔徑雷達(dá))是一種微波成像傳感器，對(duì)土壤和植被具有一定的穿透能力，具有全天時(shí)、全天候、多波段、多極化和高分辨成像的特點(diǎn)，在國(guó)民經(jīng)濟(jì)和國(guó)防建設(shè)中有了越來(lái)越廣泛的應(yīng)用。SAR圖像自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition，ATR)技術(shù)的研究，尤其是變形目標(biāo)的識(shí)別，是目前需要迫切解決的關(guān)鍵問(wèn)題之一。

SAR圖像目標(biāo)識(shí)別的過(guò)程可以描敘為：從用SAR觀測(cè)得到的圖像中，找到ROIS(Region of Interests,感興趣區(qū)域)，然后對(duì)每個(gè)ROIS進(jìn)行分類判斷出它的類別。目前研究方法主要是基于模板匹配的方法、基于SVM(Support Vector Machine，支持向量機(jī))的方法、基于Boosting的方法、基于CS(Compressed sensing，壓縮感知)的方法等。總體來(lái)說(shuō)，基于CS的方法和基于SVM的方法有優(yōu)勢(shì)，CS方法在沒(méi)有校正方位角的情況下也能得到較高的識(shí)別率，SVM方法泛化能力很強(qiáng)。

為了得到更高的識(shí)別率，可利用不同特征提取方法和目標(biāo)分類算法，采用信息融合方法對(duì)多視角圖像、多特征和多分類器的識(shí)別結(jié)果進(jìn)行融合。決策級(jí)融合是最高層次的圖像信息融合，每個(gè)傳感器先分別建立各自的初步判決，然后對(duì)來(lái)自各傳感器的決策根據(jù)一定的準(zhǔn)則和每個(gè)決策的可信度進(jìn)行融合處理，從而獲得最終的聯(lián)合判決。決策級(jí)融合對(duì)分類器的選擇并沒(méi)有限制，但選擇合適的分類器對(duì)分類精度有一定影響。本發(fā)明結(jié)合了CS和SVM的優(yōu)勢(shì)，從而達(dá)到提高識(shí)別率的目的。

發(fā)明內(nèi)容

本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提供了一種基于CS和SVM決策級(jí)融合的SAR圖像目標(biāo)識(shí)別方法。

本發(fā)明的具體步驟是：

步驟(1).預(yù)處理

1.1方位角的標(biāo)記

對(duì)MSTAR數(shù)據(jù)庫(kù)中的訓(xùn)練樣本中7類的方位角進(jìn)行手工標(biāo)記，并與圖像的索引建立一種映射關(guān)系。

1.2去噪、濾波

對(duì)原圖進(jìn)行裁剪，讀取以圖像中心點(diǎn)為中心的61×61圖像區(qū)域，然后進(jìn)行小波變換和均值濾波處理，以達(dá)到去噪的目的。

步驟(2).分類器模型設(shè)計(jì)

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(xùn)練樣本中，選取第i類目標(biāo)的n_i張圖像，將第j(j＝1,…,n_i)張圖像進(jìn)行預(yù)處理，然后將圖像的信息存放在一個(gè)列向量里來(lái)構(gòu)成A_i(A_i表示由第i類目標(biāo)所有圖像的信息)的第j列v_i,j(v_i,j表示第i類目標(biāo)第j張圖像的信息)，得到一個(gè)過(guò)完備字

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)。

給定測(cè)試圖像y表示為

y＝Ax₀ 式(1)；

其中α_i,j為實(shí)數(shù)。x₀是稀疏系數(shù)，x₀中只有與第i類目標(biāo)相對(duì)應(yīng)的值為非零，其它值均為零。用l₁范數(shù)求解x₀，用數(shù)學(xué)公式表達(dá)如下：

(P₁) min||x₀||₁ subject to y＝Ax₀ 式(2)；

上式為壓縮感知的優(yōu)化重建問(wèn)題，可求出稀疏解x₀。

2.1.2基于壓縮感知分類、姿態(tài)矯正

在得到一個(gè)測(cè)試圖像y時(shí)，用壓縮感知模型得到一個(gè)稀疏解采用NN(Nearest Neighbor,最近鄰方法)找出分類結(jié)果。對(duì)于第i類目標(biāo)，定義函數(shù)：對(duì)于是系數(shù)向量，即x₀中僅與第i類目標(biāo)相對(duì)應(yīng)的值保持不變，其它值都賦值為零。定義殘差