一种基于多方位多特征协同表示的SAR目标识别方法与流程

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：

合成孔径雷达(syntheticapertureradar,sar)凭借其众多优点，被广泛应用于军用和民用领域。利用sar对特定目标进行判别和分类就是sar目标识别技术，它是sar的一种很重要的应用。

sar目标识别方法主要可以分为三大类：(1)基于模板匹配的方法。此方法的良好识别性能必须建立在一个尽量完整的模板库的基础上，如果模板库较小，那么识别性能会受到较大的影响。庞大的模板库导致模板匹配法的空间复杂度较高，效率较低。(2)基于模型的方法。基于模型的方法具有较好的杂波鲁棒性，但此方法对sar图像的质量要求较高，并且在构建模型的时候需要较高的理论水平和计算能力，因此，当前基于模型的sar目标识别方法运用并不广泛。(3)基于机器学习的方法。其中基于稀疏表示的sar目标识别凭借其良好的识别性能受到了广泛的关注。但是值得注意的是，虽然src(基于稀疏表达的分类，sparserepresentation-basedclassifier)具有良好的分类性能，但仍存在计算复杂、难以获得全局最优解等缺点。因此，作为一种替代的表示学习方法，协同表示算法被提出。结果证明，基于l2范数约束的crc(基于协同表达的分类，collaborativerepresentation-basedclassification)可以达到与src相似的分类性能，计算的复杂度却比src下降很多。然而，至今为止，所有的crc模型均没有考虑到sar目标散射对方位角的依赖性和sar目标图像不同特征之间的互补性。根据sar成像机制，相邻方位的sar目标图像具有相似的散射特性，因此它们在图像域中具有很强的相关性。而从sar图像的不同方面提取的不同特征，每一种特征都从单一的角度描述sar场景，这些特征所提供的信息具有很强的互补性。

因此，如何通过更好的方法来提升高协同表示对于sar图像目标的分类性能，一直都是领域内研究的重要课题。

技术实现要素：

针对现有技术存在的上述不足，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，通过挖掘相邻sar图像的方位相关性，对传统的crc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，得到最终的分类，不仅保留了crc操作简单的优点，同时也提高了sar目标分类的准确度。

为解决上述技术问题，本申请采用了如下的技术方案：

一种基于多方位多特征协同表示的sar目标识别方法，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{d^k}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，测试样本集yu×w中任意一个测试样本可表示为{y^k}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。

优选地，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，n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。

优选地，步骤(5)中，多方位多特征协同表示分类模型表示为：其中，b^k为系数子向量集，θ为多方位多特征协同表示正则化参数。

优选地，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

优选地，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。

综上所述，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。

附图说明

为了使申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步的详细描述，其中：

图1为目标bmp2的近方位sar图像；

图2为目标btr70的近方位sar图像；

图3为目标t72的近方位sar图像；

图4为相同参数下不同方法的分类效果(pcacrc、wcrc、2dszmcrc、mfcrc、mamfcrc)图；

图5为五种方法(pcacrc、wcrc、2dszmcrc、mfcrc、mamfcrc)分类效果随特征维数的变化图；

图6为五种方法(pcacrc、wcrc、2dszmcrc、mfcrc、mamfcrc)分类效果性能关于正则化参数θ的变化图；

图7为mamfcrc平均分类准确率关于方位邻域角度的变化图；

图8为在不同snr噪声下的mamfcrc分类性能变化图；

图9为brdm2的sar图像；

图10为2s1的sar图像；

图11为zsu23/4的sar图像；

图12为本发明公开的一种基于多方位多特征协同表示的sar目标识别方法的流程图。

具体实施方式

下面结合附图对本申请作进一步的详细说明。

如图12所示，本发明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，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{d^k}k＝1,2,3，k为特征类型索引；

如图1至图3、图9至图11所示，在本发明提出的方法中，可应用多种典型的sar目标图像特征。这些不同的特征是从sar图像的不同方面提取的，每一种特征都从单一的角度描述sar场景。由于这些特征所提供的信息具有很强的互补性，因此，综合利用这些不同的特征，可以提高sar目标识别的准确性和鲁棒性。

pca是一种非常常用的数据压缩和特征提取技术。首先，其对数据做中心化处理，然后求出数据协方差矩阵的特征值和特征向量。再将特征值从大到小排列，选择出其中最大的k个特征值，其对应的k个特征向量组成特征向量矩阵。最后将样本点投影到选取的特征向量上，就得到了降维后的pca特征数据。

小波变换可以有效的提取二维图像的多尺度特征，而且可以突出图像中的奇异点。图像的二维离散小波变换(twodimensionaldiscretewavelettransform,2d-dwt)是对行和列分别采用低通和高通滤波器，分解得到低频近似子图像、水平高频子图像、竖直高频子图像和对角高频子图像。本发明中采用二维离散小波变换的低频子图像作为小波多尺度特征。

zernike矩能够很容易地构造图像的任意高阶矩，并能够使用较少的矩来重建图像。本发明中我们采用的是基于图像域的2ds-zms特征。它是对一幅sar图像按照幅值方向均匀切成k片，得到一幅图像的多层2d-slice。再对每一层使用zernike矩描述，使得每一层都得到一个zernike矩特征矢量。最后将这些特征矢量堆列在一起，用这个列矢量描述sar图像，这个列矢量就叫做sar图像的2d-slicezernikemoments特征矢量。

(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，测试样本集yu×w中任意一个测试样本可表示为{y^k}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；

根据sar传感器成像机理，相近方位角的sar图像具有强相关性。也就是说，在一个较小方位邻域内的若干sar目标图像测试样本之间有着很高的相关性和相似性。我们将这个机理引入基本的协同表示模型中。我们以中心测试样本的方位角为中心，取较小的方位角扇区内的若干测试样本构成多方位邻域样本集。

(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。

如图8所示，为本发明在不同snr噪声下的分类性能变化图，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。

具体实施时，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，n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。

具体实施时，步骤(5)中，多方位多特征协同表示分类模型表示为：其中，b^k为系数子向量集，θ为多方位多特征协同表示正则化参数。

根据前述的目标多方位强相关特性，上述表示系数之间应该是类似的。若对这种类似进行严格要求，令各均相等，则上述问题可以表示为：

这里，根据协同表示分类器原理，可得如下矩阵形式的多方位多特征协同表示分类模型：

具体实施时，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；

上述多方位多特征协同表示分类模型中，矩阵的frobenius范数可以写为其各个列向量的l2范数之和，即公式：及

因此，多方位邻域协同表示模型就变成了下列求解问题：

另一方面，由于噪声等因素，不同方位角的测试样本之间相互又有差异性，那么表示系数也应该有差异性以保证提供足够的互补信息，这会使得表示更灵活。这样，我们仍然将每一个认为是不同的，这样，多方位邻域协同表示的表示系数就可以由下列优化问题求解：

上述的多方位邻域协同表示模型优化问题具有解析解，如下：

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，

根据我们可以求出方位邻域内各测试样本的协同表示系数。进一步，每个方位邻域测试样本的表示误差可以如下求出：

3)计算中心测试样本的临时类标签其中，即是

当前测试样本的临时类标签就可以根据方位邻域内所有测试样本的表示误差总和最小的原则得到。

具体实施时，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当时，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。

为了充分利用sar目标不同特征的判别信息，我们融合了当前测试样本三种特征(pca,小波和2dszms)下的多方位多特征协同表示分类模型分类结果。也就是，对于当前未分类样本ym，通过多方位多特征协同表示分类模型得到每个特征下的三个临时标签假设临时类标签属于第h类的可能性为多特征投票准则为：

下面通过实施例对本发明的技术方案进行进一步的说明。

实施例：

在此实验中将pcacrc、wcrc、2dszmcrc、mfcrc、mamfcrc五种方法在相同参数、相同条件下进行实验比较。这里，每一种方法的正则化参数均为0.1，每一种特征维数均取200维，mamfcrc中方位邻域角度取5°。五种方法分别实现步骤如下：

(1)pcacrc：提取sar训练样本和测试样本的pca特征数据，将pca特征数据输入基本crc框架中，得到识别结果。

(2)wcrc：提取sar训练样本和测试样本的小波特征数据，将小波特征数据输入基本crc框架中，得到识别结果。

(3)2dszmcrc：提取sar训练样本和测试样本的2dszms特征数据，将2dszms特征数据输入基本crc框架中，得到识别结果。

(4)mfcrc：首先，从sar图像中提取出pca，小波和2dszms特征。然后，将每个特征下的训练样本和当前测试样本输入到基本crc模型，从而获得临时输出标签。最后，通过对三个临时标签进行投票决策，得到当前测试样本的分类结果。

(5)mamfcrc：首先，从sar图像中提取出pca、小波、2dszms三类典型特征。然后，根据sar目标图像相邻方位强相关的原理，将基本的协同表示模型扩展为多方位邻域协同表示模型。对于每一种特征，分别将当前测试样本的多方位邻域测试样本输入至此模型，得到每一种特征所对应的临时输出标签。最后，对三类特征的多方位邻域临时输出标签进行投票决策，得到当前测试样本的最终识别结果。

此实验结果如表2和图4所示。图4将这五种方法针对同一sar目标图像的平均分类效果做出对比，表2则给出了具体数据。从表2中我们可以看出，在各参数相同的情况下，基于多特征的协同表示算法(mfcrc)较单特征crc算法而言识别率均有所提高，达到了96.36％。尽管如此，从表2与图4中仍可以明显发现，本发明所提出的mamfcrc算法较其它4种方法而言，识别的准确性大大提高，可以达到99.32％，此时对btr70类以及t72类数据分类正确率甚至达到100％，这也充足的说明了mamfcrc的优越性。并且，如图5及图6所示，本发明的方法其分类效果随特征维数及正则化参数的变化均不明显，因此本发明的方法与现有的其他方法相比，稳定性更好。

表1.训练样本和测试样本的型号及数量

表2.单特征crc(pcacrc、wcrc、2dszmcrc)、mfcrc与mamfcrc算法的性能比较

表3.不同方位邻域角度下mamfcrc算法的分类准确率

从表3及图7中可以看出，在设置不同方位邻域角时，mamfcrc算法的准确率均较高，且随着领域角的增大，分类精确率逐渐上升，因此，最佳的邻域角为10°。

表4：俯仰角实验所用数据集

表5.不同俯仰角下的mamfcrc算法分类准确率

采用表4中的数据作为测试集，得到的结果如表5所示，随着俯角的增大，采用本发明的算法的准确率会有所下降，因此，采用本发明的方法适合在俯角较小的场景使用。

最后说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管通过参照本申请的优选实施例已经对本申请进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本申请的精神和范围。