[發明專利]基于Attribute的極窄脈沖雷達船只目標鑒別方法

有效

• 申請號: 202010536147.8
• 申請日: 2020-06-12
• 公開（公告）號: CN111767806B
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 龍騰;李楓;李姍;李陽;姚迪
• 申請（專利權）人: 北京理工大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/26;G06V10/50;G06V10/764;G06V10/774;G06V10/77
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 高會允

1.基于Attribute的極窄脈沖雷達船只目標鑒別方法，其特征在于，包括：

對極窄脈沖雷達圖像中的艦船目標進行分割，得到艦船目標的分割圖像作為訓練圖像；

提取所述訓練圖像的低層特征；

根據屬性Attribute的重構性、高判別性和高預測性三個性質，構建屬性中層特征與所述低層特征的映射模型；并利用所述映射模型將所述訓練圖像的低層特征映射至屬性中層特征；

其中，構建的屬性中層特征與所述低層特征映射模型的優化模型為：

其中為屬性Attribute的重構性模型；X為低層特征向量，X維度為即為訓練圖像總數；K_RBF(*)為高斯核函數；D_i為字典D的第i行，D為大小為M×K的字典，M為低層特征的維度；α為屬性中層特征，α的維度為K小于M；α_j為α的第j列；為高斯核的帶寬；

J_c(W,ξ,b,α)為利用類別c的SVM學習問題構建的屬性Attribute的高判別性模型，其中對于第i個圖像I_i和類別c，如果y_i＝c，即第i個圖像I_i中目標類別y_c為類別c，則SVM分類結果y_ci設置為1，否則y_ci設置為-1

其中，Q₁為依經驗設定的常數值；W為超平面集合W＝{W_c}_c，c為目標類別c，每個類別為總類別，W_c為類別c的超平面，用于將類別c的屬性向量和其他類別的屬性向量分開；第c類SVM分類器松弛變量集合ξ＝{ξ_c}_c，ξ_c為第c類SVM分類器松弛變量，ξ_ci為第c類SVM分類器松弛變量中的第i項，共項；第c類SVM分類器位移參數集合b＝{b_c}_c，b_c為第c類SVM分類器的位移參數；

L_k(β,α)為利用支持向量回歸SVR公式的對偶問題構建的屬性Attribute的高預測性模型，其中：

其中ε對應于SVR對預測誤差的容忍程度；Q₂為設定約束誤差經驗值，Q₂為常數；k為屬性α的維度，范圍是1～K；對于每個屬性k，利用線性SVM分類，學習一個超平面w_k；β為屬性預測相關參數，β_k為第一屬性預測相關參數為第二屬性預測相關參數k為屬性維度，取值范圍是[1,K]區間內整數；x_i為圖像I_i對應的低層特征，也即X中的第i行；x_j為屬性預測器f_k(k∈{1,…,K})根據x_i預測得到的測試樣本；κ(x_i,x_j)為代入x_i和x_j的正的半有限內核；α_ik為α的第i行第k列；測試樣本x_j的第k個屬性的值為：

對所構建的屬性中層特征與所述低層特征映射模型的優化模型進行優化求解，得到屬性中層特征與低層特征的映射模型的最優解；

構建SVM分類器，以訓練圖像的屬性中層特征作為輸入，對所述SVM分類器進行訓練，得到訓練好的SVM分類器用于極窄脈沖雷達船只目標鑒別。

2.如權利要求1所述的方法，其特征在于，所述對極窄脈沖雷達圖像中的艦船目標進行分割，得到艦船目標的分割圖像作為訓練圖像，具體為：

使用Radon變換處理所述極窄脈沖雷達圖像，確定艦船目標的船只主軸，并將艦船目標從所述極窄脈沖雷達圖像的海雜波背景中分割出來，得到艦船目標的分割圖像作為訓練圖像。