[發明專利]基于分辨率金字塔模型的極窄脈沖雷達船只鑒別方法

有效

• 申請號: 202010466321.6
• 申請日: 2020-05-28
• 公開（公告）號: CN111539385B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 李楓;李姍;李陽;姚迪;龍騰
• 申請（專利權）人: 北京理工大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/50;G06V10/762;G06V10/774;G06V10/764;G06K9/62;G06T7/194;G01S13/89;G01S13/90
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 高會允

1.基于分辨率金字塔模型的極窄脈沖雷達船只鑒別方法，其特征在于，包括如下步驟：

步驟1、取歷史時刻的2幅以上的雷達圖像，將雷達圖像中的船只目標從背景中分割出來，得到船只目標圖像；

步驟2、針對船只目標圖像采用無監督方法提取判別性切片特征向量；

具體包括如下步驟：

步驟201、對船只目標圖像進行多尺度切片；

所述多尺度切片流程如下：預先設定多個切片尺度，對所述船只目標圖像進行多尺度切片，得到一定數量的切片圖像，針對每個切片圖像，提取方向梯度直方圖特征HOG特征作為切片圖像的特征向量；

對所有船只目標圖像的所有的切片圖像的特征向量進行維度統一處理，使所有的切片圖像的特征向量具有相同的維度，切片圖像的特征向量作為切片樣本，將所有切片樣本隨機均勻的分為切片分類訓練集和切片分類驗證集兩部分；設置最大迭代次數N；設定當前迭代次數計數i初值為1；

步驟202、對切片分類訓練集進行聚類處理，得到切片分類訓練集的聚類類群；

步驟203、針對每個聚類類群訓練對應的SVM分類器，即類群分類器，所述類群分類器的正例樣本為當前聚類類群的類群成員，反例樣本為除去正例樣本的訓練集樣本；

步驟204、對切片分類驗證集采用步驟203訓練的類群分類器進行分類，得到分類器分類結果；同時對所述切片分類驗證集進行k-means聚類處理，得到聚類結果；

以聚類結果為標準，計算分類器分類結果的準確率，將準確率最低的分類器分類結果對應類群分類器的類群成員移除；

步驟205，交換切片分類驗證集和切片分類訓練集，判斷是否達到最大迭代次數N：

若是，以步驟204中移除操作后剩余的所有切片樣本作為判別性切片特征向量進行輸出，進行步驟3；

若否，返回步驟202繼續執行；

步驟3，針對所有判別性切片特征向量進行聚類處理，并將聚類中心構建為特征字典；

步驟4，對所有已獲取的雷達圖像，利用所述特征字典獲取每一幅雷達圖像的中層語義特征向量；

具體流程為：

利用所述特征字典，對同一幅雷達圖像的所有切片特征向量進行編碼，從而將每個切片特征向量量化為與其歐式距離最近的判別性切片的表示向量，將所有切片特征向量求和并歸一化處理后，得到當前幅雷達圖像的中層語義特征向量；

其中，表示向量V_i＝[v₁,v₂,…,v_n]，表示向量中第n個元素v_n的編碼規則如下：

d_k第k個聚類中心向量，||f_i-d_k||²表示f_i與d_k的歐式距離；k指代1,2,3…,N中數值；f_i為第i個切片圖像的特征向量；

步驟5，取所有已獲取的雷達圖像的中層語義特征向量作為目標分類訓練集，對目標分類訓練集中的所有中層語義特征向量進行目標類別標簽設置，并利用目標分類訓練集訓練SVM分類器，得到目標分類器；

步驟6、取新獲取的待分類的雷達圖像，利用所述特征字典獲取待分類的雷達圖像的中層語義特征向量，輸入至所述目標分類器進行船只目標鑒別。

2.如權利要求1所述的方法，其特征在于，所述將雷達圖像中的船只目標從背景中分割出來，得到船只目標圖像，具體為：

利用去噪算法去除雷達圖像中的斑點噪聲，然后利用Radon變換確定船只目標的主軸和分割范圍，最后將船只目標從雷達圖像的背景中分割出來，得到船只目標圖像。

3.如權利要求1所述的方法，其特征在于，所述針對所有判別性切片進行聚類處理，并將聚類中心構建為特征字典，具體為：

針對所有判別性切片特征向量進行聚類處理，得到共N個聚類中心，特征字典為：D＝[d₁,d₂,...,d_N]。

4.如權利要求1所述的方法，其特征在于，所述步驟4還包括：取部分已獲取的雷達圖像的中層語義特征向量作為目標分類測試集；對目標分類測試集中的所有中層語義特征向量進行目標類別標簽設置，并利用訓練得到的目標分類器對目標分類測試集進行分類測試，計算所述目標分類器的分類準確率，若所述目標分類器的分類準確率低于設定閾值，則重新訓練特征字典，執行步驟5和6。