基于多尺度特征协同表示的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CN106096505A(43)申请公布日2016.11.09(21)申请号201610368684.X(22)申请日2016.05.28(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亦坚(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9页附图3页(54)发明名称基于多尺度特征协同表示的SAR目标识别方法(57)摘要本发明提供了一种基于多尺度特征协同表示的SAR目标识别方法，其利用SAR图像的多尺度特征，结合协同表示分类识别方法，采用的规则化最小均方协同表示模型，和L1范数约束下的稀疏表示识别算法相比，能够充分利用所有类别训练样本的信息，并且计算复杂度大大降低；而多尺度特征显著降低了特征维数，并且保留了原始SAR目标图像中的鉴别特征信息；实验结果表明，本发明识别方法的正确识别率可以达到96.93%，能够很好的确保针对SAR图像具有较好的目标识别准确性，并且，本发明识别方法的识别处理效率很高，整个识别过程的耗时远低于稀疏表示分类识别方法，能够在确保识别准确性的同时有效提升识别处理效率。CN106096505ACN106096505A权利要求书1/2页1.基于多尺度特征协同表示的SAR目标识别方法，其特征在于，包括如下步骤：1)对于多类不同的已知雷达目标，分别针对每一类采集多个已知雷达目标的SAR图像作为训练样本，并分别获取各个类别中各个训练样本的SAR图像像素值向量；每个训练样本的SAR图像像素值向量，是由作为训练样本的SAR图像的各个像素值排列构成；2)分别对每个训练样本的SAR图像像素值向量进行小波多尺度分解，分解得到每个训练样本的多尺度特征矩阵，从而由各个类别各个训练样本的多尺度特征矩阵的集合构成多尺度特征训练样本字典；3)针对一个待测雷达目标，采集待测雷达目标的SAR图像作为测试样本，并获取测试样本的SAR图像像素值向量；所述测试样本的SAR图像像素值向量，是由作为测试样本的SAR图像的各个像素值排列构成；4)对测试样本的SAR图像像素值向量进行小波多尺度分解，分解得到测试样本的多尺度特征矩阵；5)建立利用多尺度特征训练样本字典对测试样本的多尺度特征矩阵进行协同表示的协同表示方程，并求解得到该协同表示方程的协同表示系数向量；6)分别提取所得协同表示系数向量中对应于多尺度特征训练样本字典中每一类已知雷达目标的类别协同表示系数向量，然后分别计算利用每一类已知雷达目标对应的类别协同表示系数向量和多尺度特征训练样本字典对测试样本的多尺度特征矩阵进行协同表示重构的重构误差，将重构误差最小的类别协同表示系数向量所对应的一个已知雷达目标类别判定为测试样本对应的待测雷达目标所属的雷达目标类别，实现对待测雷达目标的类别识别。2.根据权利要求1所述基于多尺度特征协同表示的SAR目标识别方法，其特征在于，所述步骤5)中，利用多尺度特征训练样本字典对测试样本的多尺度特征矩阵进行协同表示的协同表示方程具体为：其中，y表示测试样本的多尺度特征矩阵，X表示多尺度特征训练样本字典，ρ表示利用多尺度特征训练样本字典对测试样本的多尺度特征矩阵进行协同表示的协同表示系数向量；λ＞0为规则化参数；||·||2为L2范数运算符；求解所述协同表示方程的解析表达式为：ρ＝(XTX+λ·I)-1XTy；其中，I为单位矩阵；上角标T为转置符号。3.据权利要求1所述基于多尺度特征协同表示的SAR目标识别方法，其特征在于，所述步骤6)具体为：61)对于协同表示系数向量ρ，分别提取其中对应于多尺度特征训练样本字典中每一类已知雷达目标的类别协同表示系数向量；其中，协同表示系数向量ρ对应于多尺度特征训练样本字典中第i个类别已知雷达目标的类别协同表示系数向量ρi为：其中，类别协同表示系数向量ρi的维数与协同表示系数向量ρ的维数相同，表示协同表示系数向量ρ中对应于第i个类别第ni个训练样本的多尺度特征矩阵的协同表示系数，且2CN106096505A权利要求书2/2页类别协同表示系数向量ρi中对应于非第i个类别已知雷达目标的协同表示系数的值均为零；1≤i≤K，K表示所采集的已知雷达目标的类别总数；1≤ni≤Ni，Ni表示第i个类别包含的训练样本的个数；62)分别计算利用每一类已知雷达目标对应的类别协同表示系数向量和多尺度特征训练样本字典对测试样本的多尺度特征矩阵进行协同表示重构的重构误差，将重构误差最小的类别协同表示系数向量所对应的一个已知雷达目标类别判定为测试样本对应的待测雷达目标所属的雷达目标类别；即：其中，ly表示测试样本对应的待测