基于多信息联合动态稀疏表示的sar目标变体识别方法
【专利摘要】本发明公开了一种基于多信息联合动态稀疏表示的SAR目标变体识别方法，包括步骤：（1）以将训练样本的原始SAR图像为基础，构建关于图像域目标幅度信息的目标训练字典关于图像域目标阴影信息的阴影训练字典关于频域目标幅度信息的频域训练字典并拼接成一个多信息训练字典D；（2）以测试样本SAR图像为基础，构建归一化测试目标向量归一化测试阴影向量归一化频域测试向量并拼接得到多信息测试矩阵（3）根据多信息训练字典D和多信息测试矩阵Y，构造联合稀疏表达式，求解联合稀疏系数矩阵X；（4）利用得到的联合稀疏系数矩阵X，对测试样本进行重构，根据重构误差最小化原则，得到最终的分类结果。
【专利说明】基于多信息联合动态稀疏表示的SAR目标变体识别方法
【技术领域】
[0001]本发明属于雷达自动目标识别领域，涉及一种基于多信息联合动态稀疏表不的SAR目标变体识别方法，适用于SAR图像中目标的分类识别。
【背景技术】
[0002]雷达成像技术是20世纪50年代发展起来的，在以后的60年里得到了突飞猛进的发展，目前已经在军事、农林、地质、海洋、灾害、绘测等诸多方面得到广泛的应用。
[0003]合成孔径雷达SAR具有全天候、全天时、分辨率高以及穿透力强等特点，成为目前对地观测和军事侦察的重要手段，SAR图像自动目标识别受到越来越广泛的关注。
[0004]SAR图像自动目标识别方法通常采取美国林肯实验室提出的三级处理流程。在从整个SAR图像中提取感兴趣区域(ROIs)后，首先对该区域进行预处理，剔除非目标区域；然后对目标区域进行特征提取，并使用提取得到的特征进行目标分类和识别。
[0005]现有文献中提出了很多SAR目标识别方法，例如支持向量机SVM、核支持向量机K-SVM、基于稀疏表示的分类SRC等方法。在现有的SAR目标识别方法中，通常只是用一种特征或者信息来进行识别，例如在SRC方法中，只是用了 SAR图像的图像域目标区域的幅度信息。SAR目标识别的难点在于训练数据永远无法表示真实世界中的所有情况，实际中不可能得到目标所有状态或者配置下的训练样本。测试目标与训练目标相比，通常存在着变体的情况，即测试目标与训练目标在状态、配置等方面有一些变化，例如炮筒的旋转、油箱的有无、履带的有无等情况。对于目标变体的识别，如果只使用一种特征或信息，得到的识别率不够高。例如SRC仅基于图像域目标区域的幅度信息，在训练样本不包含目标变体时，在测试阶段对目标变体的识别效果较差。
【发明内容】
[0006]针对上述现有技术的不足，本发明的目的在于提供一种基于多信息联合动态稀疏表示的SAR目标变体识别方法，可以提高目标的识别率，特别是目标变体的识别率。
[0007]本发明中稀疏表示可以解释为用已有的训练样本图像构成一个字典(模板库)，测试图像若属于模板库中的某一类目标，则该测试样本就可以由模板库中该类的目标线性表
/Jn ο
[0008]本发明的技术思路是:使用联合动态稀疏表示JDSR (Joint Dynamic SparseRepresentation)模型，联合使用图像域目标区域幅度信息、图像域目标阴影幅度信息以及图像的频域信息构造了多个子字典，测试样本对应相同的信息在各自的子字典中可以用同一类的样本线性表示，即多种特征在稀疏表示中涉及到的稀疏系数的位置均属于同一类。
[0009]JDSR模型强调多种信息或多特征的稀疏系数不是严格限制相同位置，而是扩展到同一类别，其更符合联合稀疏表示的实际情况，适用性更强。多种信息的稀疏系数共同构成稀疏系数矩阵，利用稀疏系数矩阵来重构测试样本，而后通过计算测试样本的重构估计值与该测试样本的重构误差，按照重构误差最小准则进行分类识别。[0010]为了达到上述目的，本发明采用以下技术方案予以实现。
[0011]一种基于多信息联合动态稀疏表示的SAR目标变体识别方法，其特征在于，包括以下步骤:
[0012](I)以将训练样本的原始SAR图像为基础，构建关于图像域目标幅度?目息的目标训练字典
【权利要求】
1.一种基于多信息联合动态稀疏表示的SAR目标变体识别方法，其特征在于，包括以下步骤: (O以将训练样本的原始SAR图像为基础，构建关于图像域目标幅度信息的目标训练字血
2.根据权利要求1所述的基于多信息联合动态稀疏表示的SAR目标变体识别方法，其特征在于，步骤(1)具体包括: (a)将训练样本原始SAR图像F进行质心对齐，得到匹配后的训练配准图像G； (b)截取训练配准图像G的中心pXq大小的训练区域图像G’，并将其转化成关于像素幅度值的列向量d，由所有训练样本生成的训练区域图像G’产生的列向量构成目标信息字典D1=W1, d2,..., dNJ,其中，Num为训练样本的总数； (C)根据目标信息字典D1=W1, d2，...，dNim]每列的大小pq以及设定的降维维数r，通过matIab中的高斯随机函数randn生成大小为rXpq的目标随机投影矩阵R ； Cd)将目标信息字典D1= [(I1, d2，…，dj左乘目标随机投影矩阵R，得到降维后的目标降维字典 A，BP^1 =^xD1 ’ 其中，D1 =[di,d2,...,dMiim]; (e)对目标降维字典為的每一列进行能量归一化，得到目标信息构成的目标训练字典A =i^i,d2,...,dNum],其中4为A的能量归一化的向量。 能量归一化公式为:
3.根据权利要求1所述的基于多信息联合动态稀疏表示的SAR目标变体识别方法，其特征在于，步骤(2)具体包括: (a)对测试样本SAR图像进行进行质心对齐，得到测试配准图像Q； (b)对测试配准图像Q进行截取中心包含目标的大小为pXq的测试区域图像Q’，并将其转化成关于像素幅度值的列向量，形成测试目标向量Y1 ; (c)对测试目标向量Y1左乘目标随机投影矩阵R，得到降维测试目标向量只，即 Rxyl (d)对降维测试目标向量％进行能量归一化处理，得到归一化测试目标向量Λ，即? = Ρ?其中I1.1l2为I2范数；
(e)对测试配准图像Q进行阴影分割，采用自适应阈值分割、形态学滤波、几何聚类处理方法，最终得到包含阴影区域信息的测试阴影图像Sh’，测试阴影图像Sh’的非阴影区域值均为O ;对测试阴影图像Sh’的幅度值进行列向量化，并左乘阴影随机投影矩阵Rs，得到降维测试阴影向量Λ，即Y2=RsXy2 ； (f)对降维测试阴影向量^进行能量归一化处理，得到归一化测试阴影向量f，即
4.根据权利要求1所述的基于多信息联合动态稀疏表示的SAR目标变体识别方法，其特征在于，步骤(3)中采用JDSR模型求解联合稀疏系数矩阵X的表达式为:
5.根据权利要求1所述的基于多信息联合动态稀疏表示的SAR目标变体识别方法，其特征在于，步骤(4)的Wk为第k种信息的权重，其中，W1=0.55-0.65，W2=0.05-0.1，Wg-0.3—0.35j Wi+W^+Wg-1。
【文档编号】G06K9/66GK103824088SQ201410030065
【公开日】2014年5月28日 申请日期:2014年1月23日 优先权日:2014年1月23日
【发明者】王英华, 齐会娇, 刘宏伟, 丁军, 杜兰, 纠博, 白雪茹, 王鹏辉, 陈渤 申请人:西安电子科技大学