[發明專利]基于貝葉斯多核學習支持向量機的SAR目標識別方法

有效

• 申請號: 201710149246.9
• 申請日: 2017-03-14
• 公開（公告）號: CN106951921B
• 公開（公告）日: 2019-07-02
• 發明（設計）人: 王英華;王麗業;劉宏偉;陳渤;文偉
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

本發明公開了一種基于貝葉斯多核學習支持向量機的SAR目標識別方法，主要解決現有的目標識別方法對SAR圖像目標識別不準確的問題。其實現步驟為：1)輸入原始SAR圖像并預處理，計算不同特征的核矩陣；2)根據多核學習方法對核矩陣進行組合；3)根據組合的核矩陣對支持向量機建立貝葉斯多核學習支持向量機模型；4)使用期望最大化算法求解貝葉斯多核學習支持向量機模型，得到最優解；5)使用最優解對SAR圖像測試數據進行目標識別。本發明有效地結合了貝葉斯方法的推斷能力和多核學習方法的區分能力，提高了識別性能，可用于對SAR圖像的分類。

技術領域

本發明屬于雷達目標識別技術領域，特別涉及一種SAR目標識別方法，可用于SAR圖像的分類。

背景技術

合成孔徑雷達SAR是一種利用微波進行感知的主動傳感器，其成像不受客觀因素如光照、氣候的影響，可以全天時、全天候地對目標進行監測，無論在民用領域還是在軍事領域都具有很高的利用價值。SAR圖像中除包含目標外，還包含大量的雜波，加之SAR圖像中還包含大量的相干斑，這使得對SAR圖像的檢測、鑒別和識別變得十分困難；另外，由于SAR目標的配置不同和所處環境的復雜性，不可能得到所有情況下的訓練樣本。因此，如何提高SAR目標的識別性能是雷達目標識別中的一個重要研究方向。

在SAR目標識別方法中主要分以下幾種：

一是基于模板匹配的方法；

二是基于模型的方法；

三是基于稀疏表示的分類方法；

四是基于分類器設計的方法，如K近鄰分類器，神經網絡分類器，支持向量機等等。

所述支持向量機，它是一種基于統計學習理論的分類算法，其通過引入核函數，巧妙地解決了高維空間中的內積運算問題，使得核支持向量機在小樣本、非線性及高維度模式識別問題中表現出了特有的優點。

這種將單一數據特征結合支持向量機而成的分類器稱為單核學習支持向量機，由于不同的數據特征表征數據的相似性和區分性的能力不同，選取不同的數據特征，單核學習支持向量機會表現出完全不同的分類性能，因此，單核學習支持向量機僅能表現出某一數據特征的特性，不能體現出各數據特征之間的關聯性，從而影響分類器的分類性能，使得目標識別率下降。

發明內容

本發明的目的在于針對上述現有技術的不足問題，提出一種基于貝葉斯多核學習支持向量機的SAR目標識別方法，以提高目標識別性能。

本發明的技術方案是這樣實現的：

一、技術思路

本發明將貝葉斯推斷與多核學習方法相結合，針對不同數據特征的選取問題，引入多核學習方法，它具有很好的泛化能力和更強的學習能力；同時，用貝葉斯推斷推理出支持向量機原始問題的解。其實現方案是：首先，對原始SAR圖像進行預處理，得到圖像域、頻域和稀疏系數三種數據特征并分別計算對應徑向核函數RBF的核矩陣；再次，使用多核學習算法將三種核矩陣進行組合；最后，用訓練數據的組合核矩陣推理貝葉斯模型并得到最優解，并對測試數據的組合核矩陣分類，其實現步驟包括如下：

(A)SAR圖像預處理步驟：

A1)輸入一幅原始SAR圖像：I＝{i_mn|1≤m≤M,1≤n≤N}，其中，i_mn表示原始SAR圖像的幅度像素值，M表示SAR圖像的行數，N表示SAR圖像的列數；

A2)對原始SAR圖像I進行二值分割，并計算獲得SAR圖像的質心

A3)將原始SAR圖像I進行圓周移位，使質心移動到圖像的中心位置，得到配準圖像I₁；