一种基于多方位多特征协同表示的SAR目标识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109344767A(43)申请公布日2019.02.15(21)申请号201811148970.0(22)申请日2018.09.29(71)申请人重庆大学地址400044重庆市沙坪坝区沙正街174号(72)发明人张新征刘苗苗王娟伍志林刘书君周喜川(74)专利代理机构重庆博凯知识产权代理有限公司50212代理人黄河(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书10页附图6页(54)发明名称一种基于多方位多特征协同表示的SAR目标识别方法(57)摘要本申请公开了一种基于多方位多特征协同表示的SAR目标识别方法，本发明首次通过挖掘相邻SAR图像的方位相关性，对传统的协同表示算法进行改进，提出了一种新的多方位CRC算法，该方法综合了不同特征的判别能力，融合了各种特征的多方位CRC决策结果，更加适用于SAR图像目标分类。此方法不仅保留了协同表示操作简单的优点，同时也提高了SAR目标分类的准确度，并且其抗噪声能力和对各参数变化的鲁棒性都很优越。CN109344767ACN109344767A权利要求书1/2页1.一种基于多方位多特征协同表示的SAR目标识别方法，其特征在于，包括如下步骤：(1)针对多类不同的已知雷达目标，分别采集多个已知雷达目标的多个方位的SAR图像作为训练样本，分别提取各个训练样本的PCA特征、小波特征及2DSZMs特征，从而由各个类别各个训练样本的PCA特征、小波特征及2DSZMs特征的集合构成训练样本集Xu×v，u表示样本的维数，v表示训练样本集中训练样本的总个数，基于训练样本集Xu×v构建特征字典k{D}k＝1,2,3，k为特征类型索引；(2)针对待测雷达目标，采集待测雷达目标的多个方位的SAR图像作为测试样本，分别提取各个测试样本的PCA特征、小波特征及2DSZMs特征，从而由各个测试样本的PCA特征、小波特征及2DSZMs特征的集合构成测试样本集Yu×w，w表示测试样本集中测试样本的总个数，k测试样本集Yu×w中任意一个测试样本可表示为{y}k＝1,2,3；(3)将测试样本集中的一个测试样本作为中心测试样本m为中心测试样本的索引号，将中心测试样本及中心测试样本方位邻域内的测试样本作为多方位邻域测试样本集，中心测试样本相邻η度的扇区范围即为中心测试样本的方位邻域，则度数在[c-η,c+η]范围内的测试样本即是中心测试样本方位邻域内的测试样本，c为中心测试样本的角度，多方位邻域测试样本集表示为p为中心测试样本上半方位角扇区内的测试样本个数，q为中心测试样本下半方位角扇区内的测试样本个数；(4)将多方位邻域测试样本集中的每个多方位邻域测试样本线性表示；(5)利用训练样本集中的各个训练样本及线性表示的多方位邻域测试样本线建立测试样本集的多方位多特征协同表示分类模型；(6)利用多方位多特征协同表示分类模型分别计算PCA特征、小波特征及2DSZMs特征的临时类标签；(7)根据PCA特征、小波特征及2DSZMs特征的临时类标签进行多特征投票，得到所述中心测试样本的最终类标签，实现对待测雷达目标的识别。2.如权利要求1所述的基于多方位多特征协同表示的SAR目标识别方法，其特征在于，步骤(4)中，多方位邻域测试样本集中的多方位邻域测试样本可线性表示为：其中，表示特征k下的第τ类子字典，N2CN109344767A权利要求书2/2页为总类别数，表示第i个测试样本关于子字典的表示系数子向量，表示特征k下的随机误差。3.如权利要求2所述的基于多方位多特征协同表示的SAR目标识别方法，其特征在于，步骤(5)中，多方位多特征协同表示分类模型表示为：其中，Bk为系数子向量集，θ为多方位多特征协同表示正则化参数。4.如权利要求3所述的基于多方位多特征协同表示的SAR目标识别方法，其特征在于，步骤(6)包括如下步骤：1)求多方位多特征协同表示分类模型的解析解其中I表示单位矩阵；2)基于多方位多特征协同表示分类模型的解析解求出中心测试样本方位邻域内的测试样本的表示误差集合其中，3)计算中心测试样本的临时类标签其中，即是5.如权利要求4所述的基于多方位多特征协同表示的SAR目标识别方法，其特征在于，所述步骤(7)包括如下步骤：临时类标签属于第h类的可能性为则多特征投票准则为令中心测试样本的最终类标签为表示表示多特征投票准则的结果。3CN109344767A说明书1/10页一种基于多方位多特征协同表示的SAR目标识别方法技术领域[0001]本发明涉及雷达目标识别技术领域，尤其涉及一种基于多方位多特征协同表示的SAR目标识别方法。背景技术[0002]合成孔径雷达(SyntheticApertureRadar,S