[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

本發明公開了基于分辨率金字塔模型的極窄脈沖雷達船只鑒別方法，能夠在小樣本的情況下，對極窄脈沖雷達采集的雷達圖像進行穩定可靠、以及準確率更高的船只鑒別。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；無監督方法提取判別性切片特征向量，針對所有判別性切片進行聚類處理，構建特征字典對單個雷達圖像所有切片特征向量進行編碼，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，對所有切片特征向量求和并歸一化處理作為雷達圖像的中層語義特征向量；取歷史時刻的雷達圖像均進行處理得到中層語義特征向量作為目標分類訓練集，訓練SVM分類器，得到目標分類器，采用目標分類器進行船只目標鑒別。

技術領域

本發明涉及船只目標檢測技術領域，具體涉及基于分辨率金字塔模型的極窄脈沖雷達船只鑒別方法。

背景技術

近年來，利用雷達圖像，進行船只檢測與鑒別在海洋遙感應用領域得到了高度重視。雷達能夠全天時、全天候對大范圍海洋區域進行觀測，是進行大范圍海域船只鑒別的有效手段之一。

目前艦船鑒別主要有如下兩種方式：

一是基于幾何結構、電磁散射等各種初級圖像低層特征來進行鑒別，該方法簡單但特征易變，鑒別效果不好。當船只自身姿態和幾何形態以及雷達參數發生變化，低層特征變化大，因此采用底層特征進行目標鑒別時，其對目標的描述容易受外界環境的影響，存在一定的不穩定性。

二是基于深度學習的船只目標鑒別，該類鑒別算法不需要人為的進行圖像預處理、特征提取和分類器設計，但該方法需要大量的訓練樣本。而對于極窄脈沖雷達，其中極窄脈沖持續時間短，一般為ns級別，導致信號帶寬較大，帶寬達到GHz，因此其獲取的船只圖像數量少，不適合于該種方式。

因此如何在小樣本的情況下，對極窄脈沖雷達采集的雷達圖像進行穩定可靠、以及準確率更高的船只鑒別是目前亟待解決的問題。

發明內容

有鑒于此，本發明提供了基于分辨率金字塔模型的極窄脈沖雷達船只鑒別方法，能夠在小樣本的情況下，對極窄脈沖雷達采集的雷達圖像進行穩定可靠、以及準確率更高的船只鑒別。

為達到上述目的，本發明的技術方案為：基于分辨率金字塔模型的極窄脈沖雷達船只鑒別方法，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。

多尺度切片流程如下：預先設定多個切片尺度，對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，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。