专利名称：一种基于视觉注意机制的sar图像协同目标识别方法
技术领域：
本发明涉及一种SAR图像目标识别技术领域，特别是一种基于视觉注意机制的 SAR图像协同目标识别方法。
背景技术：
合成孔径雷达(Synthetic Aperture Radar, SAR)是一种工作在微波波段的主动 式相干成像雷达，具有远距离、快速、大面积的高分辨力成像能力，自问世以来，广泛地应用 于军事侦察、国土测绘、资源探测等领域。SAR图像在军事上主要用于侦察、监视、打击效果 评估和重要目标的动态检测等方面，能够从广阔的范围内获得敌方纵深区域中多种军事目 标的类型、分布态势和地理坐标等情报信息。随着预警机、侦察无人机等挂载SAR成像设备 的相关装备的快速发展，SAR图像已成为现代战场情报侦察监视的一个重要信息源。对SAR 图像的信息处理需求将是未来情报处理系统的重要能力。从海量的SAR图像中自动检测关 注的重要目标，并对其进行识别，已成为SAR图像处理领域的一个关键问题。
对SAR图像中目标的检测和识别是实现目标属性判决和类型分类的重要手段。一 般可以通过人工判读或自动特征与模式分析，实现目标属性判决或类型分类。人工判读速 度较慢，对于日益增长的军事SAR图像，已经不能满足需要。常见的自动特征与模式分析解 决途径包括统计方法、结构方法和谱方法等。为了对目标的存在性做出判断，这些方法往往 需要对整个图像区域进行搜索、处理，但实际上所关心的内容通常仅占图像中很小的一部 分面积。这种全面处理方法既增加了计算复杂性，又加重了分析难度。此外，各类算法都是 从图像本身出发，没有考虑视觉任务对图像分析的指导作用，研究上缺少联系自下而上数 据驱动和由上而下知识指导的纽带。各类算法智能化处理水平低，与人类在识别过程中的 认知过程的各种功能相差较远，其检测结果也不令人满意。
视觉选择注意(Visual Selective Attention)机制很好的解决了这一问题。视 觉选择注意机制是人类的一个内在属性，是人处理外部环境视觉信息的本质特征，也是人 从外界输入的大量信息中选择特定感兴趣区域的一个关键技术，是人类视觉系统在与大自 然交互过程中经过漫长而又复杂的进化而发展的处理视觉信息的本质特征。人能在海量 视觉信息中迅速发现“感兴趣”和“有意义”的区域或物体，面对一个复杂场景或图像，人 的视觉总会迅速选择少数几个区域进行优先处理，被选中的区域称为注意焦点(Focus of Attention)。视觉注意能够以不同的次序和力度对各个场景区域进行选择性加工，从而避 免了计算浪费，降低了分析难度。视觉选择注意计算模型是模拟人类视觉注意机制的数学 实现，对于一幅图像，视觉注意计算模型能够快速选择出复杂场景中的显著区域或物体。视 觉注意计算模型在图像增强、图像分割、图像压缩、目标识别等视觉领域已得到广泛的研究 和应用。发明内容
发明目的本发明所要解决的技术问题是针对现有技术的不足，提供一种基于视觉注意机制的SAR图像协同目标识别方法。
为了解决上述技术问题，本发明公开了一种基于视觉注意机制的SAR图像协同目标识别方法，包括以下步骤
步骤1，建立SAR图像的尺度空间表示；提取低层视觉特征图，包括提取亮度特征、 轮廓特征以及方向特征；
步骤2，对视觉任务进行语义转换，将视觉任务转换、分解为与步骤I中视觉特征对应的视觉特征图，计算各视觉特征图的权重，生成与视觉任务相关的视觉任务显著步骤3，利用视觉任务显著图选择SAR图像中的显著目标区域，实现SAR图像中目标区域的前景和背景的分离；
步骤4，已知原型目标的学习，通过协同学习算法对各种已知原型目标的样本进行学习，得到已知原型目标特征及已知原型目标特征空间，生成已知原型目标知识库；
步骤5，显著目标区域中目标的协同识别基于已知原型目标知识库，利用协同模式识别序参量动力学迭代过程，对选择出的SAR图像显著目标区域中目标的进行识别。
本发明步骤I包括建立SAR图像的高斯金字塔尺度表示，提取不同尺度图像的轮廓特征和方向特征，利用中央周边差算子得到亮度视觉特征图、轮廓视觉特征图以及方向视觉特征图。
本发明步骤2中，通过归一化亮度视觉特征图、轮廓视觉特征图以及方向视觉特征图，将语义表示的视觉任务转换为与低层视觉特征相对应的视觉特征图，进而根据各个视觉特征图的权重生成与视觉任务相关的视觉任务显著图。
本发明步骤3中，基于视觉任务显著图，根据返回抑制机制依次选择SAR图像中的显著目标区域。
本发明步骤4中，利用基于独立分量分析的协同学习算法计算已知原型目标样本的特征向量，构建已知原型目标样本特征空间，生成已知原型目标知识库，并计算每个已知原型目标样本特征向量的伴随向量。
本发明步骤5包括将选择出的SAR图像显著目标区域映射到目标特征空间中， 生成显著目标区域特征向量，计算显著目标区域初始序参量，如果显著目标区域初始序参量的最大值大于设定阈值，由序参量动力学迭代方程进行显著目标区域识别并输出识别结果；序参量动力学迭代方程为
权利要求
1.一种基于视觉注意机制的SAR图像协同目标识别方法，其特征在于，包括以下步骤步骤1，建立SAR图像的尺度空间表示；提取低层视觉特征图，包括提取亮度特征、轮廓特征以及方向特征；步骤2，对视觉任务进行语义转换，将视觉任务转换、分解为与步骤I中视觉特征对应的视觉特征图，计算各视觉特征图的权重，生成与视觉任务相关的视觉任务显著图；步骤3，利用视觉任务显著图选择SAR图像中的显著目标区域，实现SAR图像中目标区域的前景和背景的分离；步骤4，已知原型目标的学习，通过协同学习算法对各种已知原型目标的样本进行学习，得到已知原型目标特征及已知原型目标特征空间，生成已知原型目标知识库；步骤5，显著目标区域中目标的协同识别基于已知原型目标知识库，利用协同模式识别序参量动力学迭代过程，对选择出的SAR图像显著目标区域中目标的进行识别。
2.根据权利要求1所述的一种基于视觉注意机制的SAR图像协同目标识别方法，其特征在于，步骤I包括建立SAR图像的高斯金字塔尺度表示，提取不同尺度图像的轮廓特征和方向特征，利用中央周边差算子得到亮度视觉特征图、轮廓视觉特征图以及方向视觉特征图。
3.根据权利要求2所述的一种基于视觉注意机制的SAR图像协同目标识别方法，其特征在于，步骤2中，通过归一化亮度视觉特征图、轮廓视觉特征图以及方向视觉特征图，将语义表示的视觉任务转换为与低层视觉特征相对应的视觉特征图，进而根据各个视觉特征图的权重生成与视觉任务相关的视觉任务显著图。
4.根据权利要求3所述的一种基于视觉注意机制的SAR图像协同目标识别方法，其特征在于，步骤3中，基于视觉任务显著图，根据返回抑制机制依次选择SAR图像中的显著目标区域。
5.根据权利要求4所述的一种基于视觉注意机制的SAR图像协同目标识别方法，其特征在于，步骤4中，利用基于独立分量分析的协同学习算法计算已知原型目标样本的特征向量，构建已知原型目标样本特征空间，生成已知原型目标知识库，并计算每个已知原型目标样本特征向量的伴随向量。
6.根据权利要求5所述的一种基于视觉注意机制的SAR图像协同目标识别方法，其特征在于，步骤5包括将选择出的SAR图像显著目标区域映射到目标特征空间中，生成显著目标区域特征向量，计算显著目标区域初始序参量，如果显著目标区域初始序参量的最大值大于设定阈值，由序参量动力学迭代方程进行显著目标区域识别并输出识别结果；如果显著目标区域的初始序参量的最大值小于设定阈值，再次通过基于独立分量分析的协同学习算法对未知目标进行学习，并将学习的结果动态增加到已知原型目标知识库中。
全文摘要
本发明提供一种基于视觉注意机制的SAR图像协同目标识别方法，包括以下步骤建立SAR图像的尺度空间表示；提取低层视觉特征图，对视觉任务进行语义转换，将视觉任务转换、分解视觉特征图，计算各视觉特征图的权重，生成与视觉任务相关的视觉任务显著图；利用视觉任务显著图选择SAR图像中的显著目标区域，实现SAR图像中目标区域的前景和背景的分离；通过协同学习算法对各种已知原型目标的样本进行学习，得到已知原型目标特征及已知原型目标特征空间，生成已知原型目标知识库；显著目标区域中目标的协同识别基于已知原型目标知识库，利用协同模式识别序参量动力学迭代过程，对选择出的SAR图像显著目标区域中目标的进行识别。
文档编号G06K9/00GK103065136SQ201310033808
公开日2013年4月24日 申请日期2013年1月29日 优先权日2013年1月29日
发明者邵静, 王芳, 张铭, 陈鹏 申请人:中国电子科技集团公司第二十八研究所