专利名称：一种合成孔径雷达自动目标识别的方法
技术领域：
本发明属于合成孔径雷达(Synthetic Aperture Radar,简称SAR)领域,它特别涉及自动目标识别(Automatic Target Recognition, ATR)中SAR图像的特征提取和目标分类领域。
背景技术：
众所周之，SAR自动目标识别是SAR成像的一个重要的应用方面，它综合了现代信号处理技术和模式识别理论，利用计算机对采集的信息进行自动分析，完成发现、定位、识别目标，从而使得ATR技术可以提供目标属性、类别等信息。通过SAR ATR技术，可以去除SAR图像中的干扰信息和目标的冗余信息，提取出目标的鉴别特征，既提高了对未知目标的识别能力，又缩短了分类时间。SAR ATR主要包括三个步骤，即SAR图像预处理、特征提取和目标分类。其中特征提取是SAR ATR的关键问题，它直接影响着分类的效果。特征提取的目的是利用各种变换技术改善原始数据在特征空间中的分布结构，去除冗余信息，从而提高了数据的可鉴别性，减少运算量° 在文献《Efficient and Robust Feature Extraction by Maximum MarginCriterion))中，提出了一种基于最大边缘准则(MMC)特征提取方法(详见“Haifeng Li, TaoJiang, Keshu Zhang, Efficient and robust feature extraction by maximum margincriterion. IEEE Transactions on Neural Networks, Vol 17，No. I，January 2006，pages :157-165. ”)，该方法基于数据的全局线性分布结构理论，融合了训练样本的类别信息，旨在寻找投影矩阵，使得样本经过投影矩阵映射后同类样本之间的距离彼此靠近，异类样本之间的距离彼此远离。为了方便处理SAR图像数据，通常将二维SAR图像转换为一维向量，这将会产生一组高维的数据集，高维数据在空间中的分布是非线性结构而并不是全局线性结构，因此基于全局线性结构提出的MMC方法并不能很好的描述SAR图像在空间中的分布结构，势必会影响识别性能。
发明内容
为了解决在SAR ATR的特征提取中无法在高维数据中提取出有利于识别的特征信息的问题，本发明提出基于流形理论的一种合成孔径雷达自动目标识别方法。该方法基于流形学习理论，利用最大边缘准则提取数据的特征信息，能够使得异类样本彼此远离，同类样本彼此靠近，从而提高特征的识别特性。本发明具有数据空间结构分布更加合理、高稳健性、高识别性能的特点。为了方便描述本发明的内容，首先作以下术语定义定义I、流形设M是Hausdorff空间,若对任意一点x属于Μ,都有χ在M中的一个邻域U同胚于m维欧氏空间Rm的一个开集，则称M是一个m维流形。详见文献“陈省身.微分几何讲义.北京大学出版社”。定义2、最大边缘准则最大边缘准则是一种特征提取方法的准则，详见文献“Haifeng Li, Tao Jiang,Keshu Zhang.Efficient and robust feature extraction by maximum margincriterion. I EEE Transactions on Neural Networks, Vol 17，No. I，January 2006，，。定义3、特征值和特征向量设A是η阶方阵，如果存在数λ和η维非零向量α使Αα=λ α，则称λ为方阵A的一个特征值，α为方阵A对应于特征值λ的一个特征向量。详见文献“黄廷祝，成孝予.线性代数与空间解析几何(第二版).高等教育出版社，2003”。定义4、欧氏距离 欧氏距离是测量两个向量之间距离的一种量度，设向量χ和y，它们之间的欧氏距离是I |x-y| |2。详见文献“黄廷祝，钟守铭，李正良.矩阵理论.高等教育出版社.2003”。定义5、向量2范数设列向量X= (Xl，X2，…xn)Te Rn，其中T是矩阵的转置，则I I · I |2是向量2范数，
141丨2=(|>,|2)1:2。详见文献“黄廷祝，钟守铭，李正良.矩阵理论.高等教育出版社，2003，，。
=1定义6、对角矩阵若方阵A=(Sij)nxn的元afOQ关j)，则称A为对角矩阵，记作A=diag (an, a22,…，aj。详见文献“黄廷祝，成孝予.线性代数与空间解析几何(第二版).高等教育出版社，2003”定义7、最小距离分类器设有L个类别已知的样本T=Lt1, t2,…tj，每个样本\的类别是(Oi, i =1，2，…，L0现有一待识别的样本S，分别计算S与各个样本ti的欧式距离d(s，ti)，则s应该属于与其距离最小的样本代表的那一类，即如果4 = —^，/,)，则判别s e Coi。详见文献“Cover. T. Estimati on by the Nearest Neighbor Rule. IEEE Transactions onInformation Theory, Vol 14, No. I, January 1968，，。本发明提出基于流形理论的一种合成孔径雷达自动目标识别的方法，它包括以下步骤步骤I、初始化读取SAR图像，将读取的SAR图像按列拼接，得到列向量。定义含有N幅SAR图像的训练集合表示为矩阵X= (X1, χ2，*··, Xi, *··, xN) e RmXN,其中,N表示这组训练样本集合中的样本个数，N是正整数，X1是第一个训练样本，X2是第二个训练样本，Xi是第i个训练样本，χΝ是第N个训练样本，i e {I, 2,…，N}。每个训练样本的维数是mX I维，m表示SAR图像的像素个数，R表示实数集合。定义训练样本的类别标号集合表示为矩阵Y=G1, y2，…，y” ···，yj，其中Y1是训练样本X1的类别标号，y2是训练样本X2的类别标号，Ii是训练样本Xi的类别标号，yN是训练样本xN的类别标号，i e {1，2，···，Ν}。定义SAR图像测试样本集合表示为矩阵Χ’=(χ/ ,χ丨2，…，χ/，…，χ' N,)erXN'，其中χ/是第一个测试样本，χ2'是第二个测试样本，χ/是第t个测试样本，Xi N是第N个测试样本，Ni表示这组测试样本的个数。每个测试样本Xt'的维数是mXl维，t e {1，2，···，Ν' }，t是测试样本的标号。
步骤2、构造相似性矩阵Ww和差异性矩阵W(b)步骤2包括步骤2. I、步骤2. 2、步骤2. 3 步骤2. I根据步骤I得到的训练样本集合X，采用公式(I)构造所有训练样本之间的欧氏距离矩阵G :G=(giJ)NxN，i，j e {1 ，2，…，N}Cl)其中，欧氏距离矩阵G的元素gij= I Xi-Xj I 12表示训练样本集合X中训练样本Xi和Xj之间的欧氏距离，I I · I I2是向量2范数,N表示这组训练样本集合中的样本个数,N是正整数。步骤2. 2根据步骤I得到的训练样本的类别标号集合Y和步骤2. I得到的欧氏距离矩阵G，采用公式(2)构造所有样本之间的相似性矩阵Ww rw=(wf)v；<Ar, i,j ^{1,2,-,N}(2) 其中相似性矩阵Ww中的元素Hf〕表示训练样本集合X中训练样本Xi和χ]之间的相似性影响因子
w iexP(—% )，lf(g,；· ^ειη y,- = Vj)4--1'
O. others
Lκ3)其中，n表示逻辑符号“与”，71和5^分别是样本\和\的类别标号，S1表示同类样本的邻域阈值，实际中采用仿真确定的经验值。步骤2. 3根据步骤I得到的训练样本的类别标号集合Y和步骤2. I得到的欧氏距离矩阵G，采用公式(4)构造样本之间的差异性矩阵W(b)= (wDnxn f{1,2,--,N}(4)其中差异性矩阵W(b)中的元素Iif表示训练样本集合X中训练样本Xi和\之间的差异性影响因子
(6) exp(-g )，Ifig11 <ε2Γ\>>,本 y )H H , '
1 [OyOthers(s)其中，η表示逻辑符号“与”，71和5^分别是样本\和\的类别标号，ε2表示异类样本的邻域阈值，实际中采用仿真确定的经验值。步骤3、基于最大边缘准则计算目标矩阵J对步骤I得到的训练样本集合X、步骤2. 2得到的相似性矩阵Ww和步骤2. 3得到的差异性矩阵W(b)，采用公式(6)计算目标矩阵J J = X (D(w) -D(b)) Xt-X (ff(w) -ff(b)) Xt(6)其中，X表示训练样本集合，w是相似性矩阵Ww的上标，表示相似性，b是差异性矩阵W(b)的上标，表示差异性，Dw为对角矩阵，表示为
…乂'…，其中，义』是对角矩阵D(W)的第一个元素，
表示为萃>= <，_是对角矩阵Dw的第二个元素，表示为<=f>y 是对角
J=I^*2/=IUj
矩阵0 的第i个元素，表示为是对角矩阵Dw的第N个元素，表示为
J-IN
=ZwS0 °D(b)为对角矩阵，表示为# =diag{d^\df,---,df\---,d^)^R^N dm是对角矩阵D(b)的第一个元素，表示为=Σ^}，#)是对角矩阵D(b)的第二个元素，表示为4b、=jyt; 是对角矩阵D(b)的第i个元素，表示为,=f>f ,是对角矩阵D(b)
MaiMaN
的第N个元素，表示为= Σ< O Xt是矩阵X的转置。步骤4、计算投影矩阵V采用投影矩阵V将训练样本集进行降维。根据步骤3得到的目标矩阵J，计算目标矩阵J的m组特征值和特征向量Μ，ν,)μ, e Λ,V,, e Rm^li，其中，λ i是目标矩阵J的第i个特征值，Vi是λ i对应的特征向 量，R表示实数集合，样本维数m是正整数。将m个特征值从大到小排序后，表示为X1S λ2彡…Ai彡…彡λω0其中，A1是目标矩阵J从大到小排序后的第I个特征值，λ 2是目标矩阵J从大到小排序后的第2个特征值，Xi是目标矩阵J从大到小排序后的第i个特征值，λπ是目标矩阵J从大到小排序后的第m个特征值。选取λ广λ m中前K个最大特征值λ广λ κ对应的特征向量V1^k组成投影矩阵V，其中λ κ是目标矩阵J的第K个特征值，V1是λ i对应的特征向量，Vk是λ κ对应的特征向量，K是提取特征的维数，K选取I到样本维数m之间的任意整数。步骤5、特征提取根据步骤4得到的投影矩阵V，将步骤I得到的训练样本集合X中的所有训练样本Xi, I = {1,2，···，N}按照公式(7),计算训练样本Xi的特征Zi,Zi=V1Xi, i e {1，2，…，N}(7)得到训练样本特征集合,表示为矩阵Ztadn= (Z1, Z2, ···, Zi,…，zN),其中Z1表示训练样本X1的特征，Z2表示训练样本X2的特征，Zi表示训练样本Xi的特征，Zn表示训练样本Xn的特征。Vt是矩阵V的转置。根据步骤4得到的投影矩阵V、步骤I得到的测试样本集合X'中的所有测试样本x/ , t e {1,2，···，N' },按照公式(8),计算测试样本χ/的特征z/ ,zt' = VTxt'，ie{l，2,…，N' }(8)得到测试样本特征集合表示为矩阵Ztest= (z/，z' 2，…，zt'，…，Z' N,)，其中z/表示测试样本X1的特征，Z2'表示测试样本X2的特征，Zt'表示测试样本Xt的特征，Zi r表示测试样本Xn,的特征，t是测试样本的标号，Ni是测试样本的个数。步骤6、目标分类根据步骤5得到的训练样本特征集合Ztrain和测试样本特征集合Ztest,采用传统的最小距离分类器对测试样本特征集合Ztest中每个测试样本的特征Zt1进行分类，得到测试样本的类别标号yt'，te{l，2，…，N' }。所有的测试样本的类别标号用集合表示为矩阵Y' =(y/ ,J2'，…，y/，…,j' N,)，其中，y’i表示测试样本X1的类别标号，y 表示测试样本X2的类别标号，y/表示测试样本Xt的类别标号，l' W表示测试样本Xr的类别标号。测试样本Xt的类别标号It'就是合成孔径雷达探测的未知目标种类。经过以上步骤，实现合成孔径雷达目标识别。需要说明的是步骤I 5是对SAR图像进行特征提取，获得易于分类的特征；步骤3是采用最大边缘准则计算目标矩阵J，使同类样本聚集，异类样本远离；步骤6目标分类的目的是通过比较训练样本的特征与测试样本的特征，依据特征确定测试样本的类别。本发明无需人工干预，自动完成从读取SAR图像到输出SAR图像中目标类别的过程，达到SAR自动目标识别的目的。本发明的实质与创新点 本发明利用流形学习理论，有效提取了高维SAR数据中易于分类的特征。创新是针对全局线性结构不能有效提取高维SAR数据特征的问题，引入流形学习理论，利用利用最大边缘准则，在降低SAR图像特征维数的同时提取出易于分类的有效特征。本发明的优点I :数据空间结构分布更加合理本方法基于流形理论，符合高维SAR图像在空间中的非线性分布结构。采用流形理论可以从高维SAR图像数据中恢复其低维流形结构，不仅降低了特征维数，还能够获得易于分类的特征信息。2 :稳健性有所提高本方法采用最大边缘准则，避免了处理高维数据时面临的维数灾难问题，提高了该方法的稳健性能。3 :识别性能有所提高与基于最大边缘准则特征提取方法相比，采用本方法提取的高维数据的特征更易于分类。
图I为本发明的工作流程框2为本发明使用的训练样本和测试样本的类型和样本数量图3为采用本发明方法的目标识别率其中横坐标表示提取的特征维数，纵坐标表示目标被正确识别的识别率。图4为采用本发明各类目标的最优识别率。
具体实施例方式如图I，本发明的具体实施步骤如下步骤I、初始化设SAR图像训练样本集合表示为矩阵X= (X1, x2，- ,xN) e RmXN，其中N=698表示这组训练样本的个数，每个训练样本Xi的维数是HiXl维，m=3721，m取SAR图像的像素个数，ie {1，2，…，698} ,R表不实数集合。于此同时,假设训练样本的类别标号集合表不为矩阵Y=(yi，y2，…，y698)，其中Yi是训练样本Xi的类别标号，I e {1，2，···，698}。设SAR图像测试样本集合表示为矩阵X' =(x/，V，…，χ' N, ) e RmXN,，其中N’=1365表示这组测试样本的个数，每个测试样本χ’t的维数是mX I维，t e {1,2，···，1365}，t是测试样本的标号。步骤2、构造相似性矩阵Ww和差异性矩阵W(b)
此步骤分为如下3个小步骤步骤2. I根据步骤I得到训练样本集合X，采用公式(I)构造所有训练样本之间的欧氏距离矩阵G :
权利要求
1.一种合成孔径雷达自动目标识别方法，其特征是它包括以下步骤 步骤I、初始化 读取SAR图像，将读取的SAR图像按列拼接，得到列向量；定义含有N幅SAR图像的训练集合表示为矩阵X= (X1, X2，…，Xi, -,xN) e Rdixn，其中，N表示这组训练样本集合中的样本个数，N是正整数，X1是第一个训练样本，X2是第二个训练样本，Xi是第i个训练样本，xN是第N个训练样本，i e {1，2，···，Ν};每个训练样本的维数是mX I维，m表示SAR图像的像素个数，R表示实数集合；定义训练样本的类别标号集合表示为矩阵Y=G1, y2，···, Yi, ---,Yn),其中Y1是训练样本X1的类别标号，y2是训练样本X2的类别标号，Ii是训练样本Xi的类别标号，yN是训练样本xN的类别标号，i e {1,2,-,N};定义SAR图像测试样本集合表示为矩阵X’=(x/ ’X丨2，…，V，…，X' N,)erXN'，其中X/是第一个测试样本，X2'是第二个测试样本，χ/是第t个测试样本，Xi N是第N个测试样本，Ni表示这组测试样本的个数；每个测试样本Xt'的维数是mXl维，t e {1，2，…，N' }，t是测试样本的标号；步骤2、构造相似性矩阵Ww和差异性矩阵W(b) 步骤2包括步骤2. I、步骤2. 2、步骤2. 3 步骤2. I根据步骤I得到的训练样本集合X，采用公式(I)构造所有训练样本之间的欧氏距离矩阵G 6=“ i，j e U，2，…，N}(I) 其中，欧氏距离矩阵G的元素gu= I Xi-Xj I 12表示训练样本集合X中训练样本Xi和Xj之间的欧氏距离，I I ·| I2是向量2范数,N表示这组训练样本集合中的样本个数,N是正整数；步骤2. 2根据步骤I得到的训练样本的类别标号集合Y和步骤2. I得到的欧氏距离矩阵G，采用公式(2)构造所有样本之间的相似性矩阵Ww
全文摘要
一种合成孔径雷达自动目标识别的方法，合成孔径雷达自动目标识别主要有三个步骤SAR图像预处理、特征提取、目标分类，该发明应用于合成孔径雷达自动目标识别的特征提取和目标分类两个步骤，解决了在高维SAR图像中无法提取有效的识别信息的问题。该发明引入流形结构理论，是一种基于邻域鉴别嵌入准则的合成孔径雷达自动目标识别方法，其步骤如下A初始化；B构造相似性矩阵和差异性矩阵；C基于最大边缘准则计算目标矩阵；D计算投影矩阵；E根据投影矩阵，对训练样本进行特征提取，获得训练样本特征；对待分类的SAR图像进行特征提取，获得测试样本特征；F根据最近邻分类器，对测试SAR图像进行分类；其中A～E步骤是特征提取阶段，F步骤是目标分类阶段。采用本方法可以提高目标被正确识别的概率。
文档编号G06K9/62GK102902979SQ201210338630
公开日2013年1月30日 申请日期2012年9月13日 优先权日2012年9月13日
发明者黄钰林, 王兵, 杨建宇, 王涛, 武俊杰, 李文超, 刘娴 申请人:电子科技大学