[發(fā)明專利]基于集成學習的SAR目標鑒別方法

有效

• 申請?zhí)枺?/td>: 201710316452.4
• 申請日: 2017-05-08
• 公開（公告）號: CN107122753B
• 公開（公告）日: 2020-04-07
• 發(fā)明（設(shè)計）人: 王英華;呂翠文;劉宏偉;宋文青;王寧
• 申請（專利權(quán)）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

本發(fā)明公開了一種基于集成學習的SAR目標鑒別方法，主要解決現(xiàn)有技術(shù)在訓練數(shù)據(jù)類別分布不平衡時SAR目標鑒別性能低的問題。其方案是：1.對給定的訓練切片和測試切片提取詞包模型特征；2.對雜波類訓練樣本進行隨機下采樣，將得到的子集與目標類訓練樣本一起訓練獲得代價敏感的字典；3.對雜波類訓練樣本進行隨機下采樣，將得到的子集與目標類訓練樣本一起訓練獲得SVM分類器；4.利用代價敏感的字典和SVM分類器對測試樣本進行分類，記錄測試樣本的分類決策值；5.利用最大投票方法對測試樣本的分類決策值進行判定，確定測試樣本最終的類別標號。本發(fā)明提升了鑒別的性能，可用于對復雜場景下的訓練數(shù)據(jù)類別不平衡時的SAR目標鑒別。

技術(shù)領(lǐng)域

本發(fā)明屬于雷達技術(shù)領(lǐng)域，特別涉及一種SAR目標鑒別方法，可用于對車輛目標識別與分類提供重要信息。

背景技術(shù)

合成孔徑雷達SAR利用微波遙感技術(shù)，不受氣候和晝夜影響，具有全天候、全天時的工作能力，并具有多頻段、多極化、視角可變和穿透性等特點。隨著越來越多的機載和星載SAR的出現(xiàn)，帶來大量不同場景下的SAR數(shù)據(jù)，對SAR數(shù)據(jù)一個重要的應(yīng)用就是自動目標識別ATR，復雜場景下的目標鑒別也成為目前研究方向之一。

SAR目標鑒別是指從訓練數(shù)據(jù)集中學習得到的一個分類器，這個分類器可以用于預測未知樣本的類別標號。現(xiàn)有文獻中已提出了很多的SAR目標鑒別方法，比如：基于紋理、形狀、對比度等傳統(tǒng)特征的二次距離鑒別方法、基于梯度直方圖特征的SVM鑒別方法、基于詞袋模型特征的SVM鑒別方法等等。這些傳統(tǒng)的SAR目標鑒別方法在SAR訓練數(shù)據(jù)集類別分布相對平衡時性能較好，但是當SAR訓練數(shù)據(jù)集類別分布不平衡時性能較差。又因為在實驗中SAR訓練數(shù)據(jù)集中目標樣本數(shù)遠少于雜波樣本數(shù)，傳統(tǒng)方法的目標檢測率較低，而在SAR目標鑒別過程中通常更加關(guān)注目標的檢測率，即在實際應(yīng)用中傾向于將目標分對，盡量降低目標的漏檢率。然而傳統(tǒng)的SAR目標鑒別方法并不適用于訓練數(shù)據(jù)類別不平衡這種情況下的SAR目標鑒別。

上述的傳統(tǒng)的分類方法在不平衡的SAR數(shù)據(jù)集上其分類效果存在以下不足：

1.由于傳統(tǒng)分類方法基本都是以訓練數(shù)據(jù)總體分類精度最大為分類準則，當訓練樣本類別分布不平衡時，目標類數(shù)據(jù)在訓練數(shù)據(jù)集中占很小的比例，分類器通常是傾向于將目標類判定為雜波類，因此對目標類樣本的檢測率較低，從而導致SAR目標鑒別的性能較差。

2.由于在SAR目標鑒別過程中，通常更加關(guān)注目標類的準確率，當訓練樣本類別分布不平衡時，傳統(tǒng)的分類方法訓練所得的分類器會對雜波類樣本產(chǎn)生很高的檢測率，但是對目標類樣本的檢測率卻很低，由于面對不平衡數(shù)據(jù)集的SAR目標鑒別時，不僅要維持雜波類原有的分類精度，更要大大提高目標類的分類精度，因此現(xiàn)有的這些傳統(tǒng)SAR目標鑒別方法并不能滿足這個要求。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對已有SAR目標鑒別方法的不足，提出一種基于集成學習的SAR目標鑒別方法，以提高在訓練數(shù)據(jù)類別不平衡時的目標鑒別性能。

為實現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下：

(1)對給定的訓練切片和測試切片分別提取詞包模型特征，得到訓練切片的詞包模型特征和測試切片的詞包模型特征其中，表示目標類訓練切片，表示雜波類訓練切片,表示目標類測試切片，表示雜波類測試切片，是目標類訓練切片的詞包模型特征，是雜波類訓練切片的詞包模型特征，是目標類測試切片的詞包模型特征，是雜波類測試切片的詞包模型特征，p₁表示目標類訓練切片數(shù)目，p₂表示雜波類訓練切片數(shù)目，k₁表示目標類測試切片數(shù)目，k₂表示雜波類測試切片數(shù)目，h表示詞包模型特征的維數(shù)。

(2)利用(1)中所得的訓練切片的詞包模型特征W訓練n個代價敏感的字典，得到訓練后的字典D₁,...,D_i...,D_n，i＝1,...,n：