一种基于稀疏表征分类的多视图SAR自动目标识别方法与流程

本发明属于雷达信号处理领域，特别涉及一种基于稀疏表征分类的多视图sar目标识别方法，用以实现合成孔径雷达自动目标识别。

背景技术：

合成孔径雷达(syntheticapertureradar,sar)是一种主动微波成像传感器，因其具有穿透性强，成像分辨率高，可以全天是全天候工作的等特点，目前已在民用和军用等领域得到广泛应用。随着成像技术的不断发展，sar图像分析对图像解译技术要求越来越高，而sar自动目标识别是图像解译的重要组成部分。近年来,基于sar的自动目标识别已成为sar领域的研究热点之一。

sar目标识别旨在利用sar图像信息从复杂的环境中对目标的类型或者型号等作为准确判定。目前已有众多的目标识别方法已被提出，但是由于独特的sar成像机制，sar图像对目标的俯仰角、方位角和环境噪声等是非常敏感的，因此稳健的特征提取仍然是sar目标识别中的关键技术研究之一。

稀疏表征作为一种稳健的分类方法，由于其对噪声的强鲁棒性以及强大表征能力，已成功地应有到sar目标识别。现有的多数基于稀疏表征的sar目标识别方法通常是先通过训练样本预定义稀疏模式，然后对单个sar视图进行结果测试。在sar目标识别中，稀疏模式通常是由训练样本直接给出，因此稀疏模式的鉴别及表征能力是比较弱，并且单个测试视图所含的鉴别信息也是有限的。所以在有些sar场景中，这种识别框架很难得到预想的识别效果。

技术实现要素：

本发明的目的是针对上述sar目标识别方面存在的问题，提出一种基于稀疏表征分类的多视图sar目标识别方法，通过充分利用训练样本的标签信息联合学习一个稀疏模式和分类器，增强字典表征能力和分类器泛化能力，从而改善目标分类精度，在测试阶段通过挖掘同一物理目标多个视图间的内在关联和互补信息，减弱sar图像对目标俯仰角敏感性对识别的影响，进一步提高识别性能。

为了实现上述任务，本发明技术方案为一种基于稀疏表征分类的多视图sar自动目标识别方法，该方法包括训练阶段和测试阶段：

所述训练阶段的方法为：

步骤a(1)：给定sar图像训练样本集str＝{xtr,ytr}，其中xtr＝[x1,x2,……xn]，xi为n维列向量的训练样本，其中i＝1,2,……n，其中n表示训练样本数，ytr＝[y1,y2,……yn]为训练样本对应的类标签；

步骤a(2)：随机采样多个训练样本，对字典d进行初始化；

步骤a(3)：从训练集中随机采样训练样本(x,y)，其中x为n维列向量的训练样本，y为x的类标签；

步骤a(4)：建立如下式(1)所示的稀疏表征模型：

其中，λ是在重构误差和稀疏度之间做出权衡的正则化参数，||·||2表示2范数；||·||1表示将所有的绝对值相加，a表示训练样本x的稀疏表征系数，a*(x,d)表示满足式(1)条件更新后的稀疏表征系数，

步骤a(5)：基于(1)式模型，利用交替方向乘子法(alternatingdirectionmethodofmultipliers,admm)得到迭代更新后的字典d和样本的稀疏表征系数a*(x,d)；

步骤a(6):将得到的稀疏表征系数作为输入量，输入到如下式(2)所示的分类误差最小模型中：

其中，为了得到最优的分类模型，采用分类误差期望最小准则设计分类函数如下式(3)：

式(3)中的分类损失函数ls为：

其中，w表示分类器参数，w表示分类器参数集，v为正则化参数,||·||f表示frobenius范数，ey,x[·]表示求y,x所有分类的误差均值，ls(·)为分类误差函数；

步骤a(7):基于步骤a(6)中提出的分类模型，利用梯度下降算法(stochasticgradientdescent,sgd)迭代分别求得最优的字典d和分类器参数集w；

所述测试阶段的方法为：

步骤b(1):获取同一测试目标的m个视图：xte＝[x1,x2,……，xm]，xi表示测试样本的第i幅视图；

步骤b(2):基于在训练阶段得到的字典d，计算同一测试目标m个视图的进行联合稀疏表征系数；

步骤b(3):根据步骤b(2)获得联合稀疏表征系数后，根据以下式(7)的加权回归模型来确定目标的类标签

其中c＝1,…,c(7)

其中,label(x)表示目标x的类标签；w^c∈w表示第c类标签对应分类器的回归系数，标签总类数，δ^c(·)表示从ai中选取在字典d上与第c类样本有关的稀疏系数，ωi表示第i幅视图的权重系数。

进一步的，所述步骤b(2)的具体方法为：

步骤b2a)在联合稀疏表征过程中，同一目标的多个视图在任意的第i子字典di上自由选择表征原子；引入一个新的符号gs为激活集；gs为在稀疏表征的迭代求解过程中，多个视图在第s次迭代时所选的表征系数在稀疏表征系数矩阵a中的行索引号，其中gs(k)表示第k幅视图在第s次稀疏迭代求解中的表征系数在稀疏矩阵a中所对应索引号；

步骤b2b)基于给定的稀疏度，给出如下的稀疏约束条件，求解得到稀疏矩阵a：

其中，表示由第s个激活集的对应的所有系数形成的向量，||·||g表示g范数，a(gs(k),k)表示第k幅视图第s次稀疏迭代后对应的稀疏系数值；

步骤b2c)多视图联合稀疏表征模型如下式(6)所示，利用贪婪算法可求出多视图联合表征系数；

其中，k表示稀疏度，ai表示同一测试目标m个视图的进行联合稀疏表征系数，xi表示待测目标的第i幅视图。

本发明与现有技术相比，具有以下优点：

(1)本发明是基于src算法框架，在对目标姿态不进行估计的情况下，仍然可以获得较好的识别性能；

(2)本发明充分利用了训练样本的标签信息，将稀疏模式与分类器进行联合优化，增强了稀疏模式的表征能力及分类器的泛化能力，使其在字典原子较少节约存储空间的情况下仍能获得更好的识别性能；

(3)本发明从同一目标的多个视图中提出更多的识别信息(相关信息与互补信息)，减小了sar目标识别在雷达观测角度变化情况下的敏感性

附图说明

图1为本发明的算法流程图

图2为本发明在噪声环境干扰情况下的识别率随噪声干扰等级的变化曲线图

具体实施步骤

参照图(1)算法流程图，本发明的具体实施包括以下两个阶段：

一、训练阶段

步骤1：图像裁剪预处理：为了减小多余的图像背景对识别的影响，将数据库的每幅图像进行裁剪为64×64的像素大小目标区域；

步骤2：图像归一化预处理：对每幅裁剪后的图像进行归一化处理，并将其所有像素按列取出，得到训练样本集xtr；

步骤3：从训练样本中随机采样得到初始化字典d0；

步骤4：从训练集中随机取样得到样本x及其类标签y，建立如下稀疏表征模型

步骤5：通过步骤4中的模型，利用admm算法可以求出训练样本的稀疏表征系数a*(x,dm)与更新后的字典d；

步骤6：利用样本的稀疏表征系数a*(x,dm)以及更新后的字典d，建立以下分类器模型

其中w是分类器参数，w是分类器参数集，e表示期望操作运算；

步骤7：利用sgd方法求解步骤5中的模型，达到终止条件先后，停止迭代运算，得到最优的稀疏模式d和分类器参数集w。

二、测试阶段：

步骤1：给定同一目标的m个视图测试样本集xte＝[x1,...xm]，分别进行图像裁剪与归一化预处理；

步骤2：假设同一目标的多个视图在稀疏表征过程中，可以在字典的类层面上自由地选择表征原子，则可以给出如下的稀疏约束项

其中gs表示在稀疏表征过程中，在稀疏系数矩阵上被选择用于稀疏表征的系数对应的行索引。

步骤3:基于步骤2中的约束条件给出如下所示的多视图联合稀疏表征模型，利用贪婪算法可求出多视图稀疏表征向量

s.t.||a||g≤k

其中，k表示稀疏度

步骤4：基于以下的加权回归策略可判定目标的类型

其中，label(x)表示测试样本的类标签，wi为给定的视图权值。

下面结合实例对本发明进行说明：

一、仿真条件：

硬件：i7cpu3.6ghz,64g，软件：matlab2014b

二、仿真实验过程：

选用msatr数据库中的实测数据来验证算法的有效性。为了较小冗余背景对识别的影响，所有的sar目标图像被切割为64×64像素，并作归一化处理。然后进行如下仿真测试：

仿真一：

在这个实验中，选择msatr数据库中标准条件下(standardoperationcondition,soc)采集的数据进行仿真测试，soc数据集如表1所示。具体来说，在15°俯仰角下采集的数据作为训练集，而17°俯仰角下采集的数据作为测试集，我们也可以认为这种采集场景是小俯仰角变化场景。视图数m设置为3，本发明中提出的方法的对应字典大小设置为100，其他正则化参数通过多次交叉验证试验可得到。对于多视图算法而言，每次实验中多视图样本都是从数数据库中的同一类数据中随机采样得到，为了避免实验结果的随机性，随机采样后的实验被重复10次。为了体现出本发明中所提算法的识别性能优势，支持向量机(supportvectormachine,svm),稀疏表征分类(sparserepresentationbasedclassification,src),联合稀疏表征分类(jointsparserepresentationclassification,jsrc),任务驱使联合稀疏表征(tri-taskjointsparserepresentation,tjrs)和标签一致k奇异值分解字典学习(labelconsistentksingularvaluedecomposition,lc-ksvd),这五种目前比较流行的算法也被进行实验仿真，旨在用于性能对比。实验结果如表2所示。

表1

表2

表2中最后一列表示所有目标的平均识别率。由表2结果可知，本发明中提出方法的平均识别率均高于参考方法。此外，对于每种目标，本发明提出的方法的识别率都可以达到90％以上，而参考方法无法达到这样的识别效果。由此可见，在小俯仰角变化背景下，本发明中提出的方法可以取得更好的识别性能。

仿真二：

在这个实验中，我们测试样本视图数量的变化对本发明提出的方法的识别性能的影响。在实验中，视图变化范围m＝2,3……10。为了对比算法性能，jsrc也被用于仿真实验测试。实验结果如表3所示。

表3

由表3可见，随着样本视图数量的变化，本发明中提出的方法识别性能波动较小，而jsrc的识别性能随着样本视图的变化波动较大，由此可说明本发明中提出的方法对视图变化具有更强的鲁棒性。

仿真三：

为了测试大俯仰角变化情况下本发明的识别性能的稳定性，msatr数据中扩展条件下(extendoperationconditions,eocs)采集数据集被使用进行实验验证。其中，17°俯仰角下采集的数据被用于训练，用在俯仰角为30°和45°下采集的数据分别进行测试。实验数据集如表4所示，实验结果表5所示。

表4

表5

从表5中可以看到，在30°俯仰角条件下，所有方法都能得到一个比较满意的识别结果，其中本发明中提出方法的识别率可达98.29％，并高于参考方法。而在45°俯仰角测试条件下，所有方法识别率都显著降低，原因可归结为sar图像对雷达观测角度敏感，在雷达观测视角的大俯仰角变化情况下很难提取鲁棒的判别特征。不过，从实验结果看出，但在这种情况下本发明的方法识别率依然高于其他方法，说明本发明对大俯仰角变化有较其他方法更好的鲁棒性。

综上所述，本发明提出的算法有更好识别性能。

仿真四：

在本实验中，我们对算法的噪声鲁棒性进行测试。为了研究本发明中提出方法在不同程度的噪声污染环境中的算法性能，我们按照的如下的信噪比添加高斯白噪声到原始的sar图像中：

其中，f(i,j)表示原始sar图像经fft变换后的复频率，h和w表示sar图像变换到频率后的大小。σ²表示高斯噪声的方差。

在本仿真中所选用的实验数据集与仿真实验一一样。在实验过程中，训练数据选择与仿真一一致，在测试阶段，对测试sar图像进行不同程度的噪声污染。本实验中研究的所有方法的识别率随信噪比变化如图2所示。

从图2可以看出，随着信噪比的减小，所有方法的识别效果逐渐降低，当信噪比达到0db时，在本实验中所涉及的提及的多种算法并不能得到一个可被接受的识别效果。但是不难发现。在0db信噪比场景中，本发明中提出的方法的识别率可达到75％以上，且优于参考方法，因此，可以推断出本发明中提出的方法具有较强的抗噪能力。

综上所述，本发明提出的算法拥有更好的识别性能。