一种基于kfda及svm的sar图像目标特征提取与识别方法
【专利摘要】本发明提供一种基于KFDA（Kernel?Fisher?Discriminant?Analysis）及SVM（Support?Vector?Machine）的SAR图像目标特征提取与识别方法，包括以下步骤：对已知类别的训练目标样本及未知类别的测试目标样本进行幅度数据归一化处理；利用KFDA准则分别对归一化后的已知类别的训练目标样本及未知类别的测试目标样本进行特征提取；利用KFDA准则所提取的已知类别的训练目标样本特征，对SVM分类器进行训练，产生最优分类面；最后通过最优分类面，对KFDA准则所提取的未知类别的测试目标样本的特征进行识别；本发明降低了对预处理过程的要求，克服了SAR图像的方位敏感性，压缩了样本特征的维数，并获得较高的目标识别率，具有良好的推广性。
【专利说明】—种基于KFDA及SVM的SAR图像目标特征提取与识别方法
【技术领域】
[0001]本发明属于SAR图像处理及模式识别领域,涉及一种基于KFDA (Kernel FisherDiscriminant Analysis)及 SVM (Support Vector Machine)的 SAR 图像目标特征提取与识别方法。
【背景技术】
[0002]合成孔径雷达(Synthetic Aperture Radar, SAR)是一种利用微波感知的主动式传感器，可对感兴趣目标或区域进行全天时、全天候的侦察，具有多视角、多俯角数据的获取能力以及对一些地物的穿透能力。所谓雷达目标识别，就是在雷达对目标进行检测和定位的基础上，根据目标和环境的雷达回波信号，提取目标特征，实现目标的属性、类别或型号的判定。随着SAR成像技术的不断成熟，基于SAR图像的目标识别具有越来越重要的意义。
[0003]基于SAR图像的目标识别流程中，最重要的两步为特征提取与识别。对于SAR图像，由于其特殊的成像方式，使得它不像一般的光学图像能够比较完整地描述目标的整体形状，而是表现为稀疏的散射中心分布，且对成像的方位较为敏感。因此，有效地提取目标特征显得尤为重要。在得到了 SAR图像的目标的特征以后，接下来的主要任务就是对未知目标进行识别。
[0004]在SAR图像的目标特征提取方法中，最常用的是主分量分析(PCA)、核函数的主分量分析(KPCA)等方法，其中主分量分析方法的缺点是无法提取图像中存在的非线性特征，而核函数的主分量分析方法的缺点是所提取的特征不具有良好的类判别能力且特征的维数较高；在SAR图像的目标识别方法中，最常用的是最大相关分类器和最近邻分类器等，其中最大相关分类器的缺点是当样本维数较高时，算法复杂度也较高，而最近邻分类器的缺点是选取的最优分类面不是全局最优。
【发明内容】
[0005]本发明要解决的技术问题是:提供一种基于KFDA及SVM的SAR图像目标特征提取与识别方法，该方法利用KFDA准则进行目标特征提取，再通过SVM分类器实现目标识别。本发明通过将KPCA准则与SVM分类器相结合，本发明能非常好地完成SAR图像的目标特征提取与识别，降低了对预处理过程的要求，克服了 SAR图像的方位敏感性，压缩了样本特征的维数，并获得较高的目标识别率，具有良好的推广性。
[0006]本发明解决其技术问题所采用的技术方案为:
[0007]一种基于KFDA及SVM的SAR图像目标特征提取与识别方法，包括以下几个步骤:
[0008]步骤(I)对已知类别的训练目标样本及未知类别的测试目标样本进行幅度数据归一化处理；
[0009]步骤(2)利用KFDA准则对归一化后的已知类别的训练目标样本及未知类别的测试目标样本数据进行特征提取；[0010]步骤(3)利用KFDA准则提取的已知类别的训练目标样本特征，对SVM (SupportVector Machine)分类器进行训练,产生最优分类面；
[0011]步骤(4)通过最优分类面，对KFDA准则提取的未知类别的测试目标样本的特征进行识别。
[0012]进一步的，所述的步骤(1)中对已知类别的训练目标样本及未知类别的测试目标样本进行幅度数据归一化处理的过程具体为:
[0013]归一化公式为:
[0014]
【权利要求】
1.一种基于KFDA及SVM的SAR图像目标特征提取与识别方法，其特征在于，包括以下几个步骤: 步骤(1)对已知类别的训练目标样本及未知类别的测试目标样本进行幅度数据归一化处理； 步骤(2)利用KFDA准则对归一化后的已知类别的训练目标样本及未知类别的测试目标样本数据进行特征提取； 步骤(3 )利用KFDA准则提取的已知类别的训练目标样本特征，对SVM分类器进行训练，产生最优分类面； 步骤(4)通过最优分类面，对KFDA准则提取的未知类别的测试目标样本的特征进行识别。
2.根据权利要求1所述的基于KFDA及SVM的SAR图像目标特征提取与识别方法，其特征在于:所述的步骤(1)中对已知类别的训练目标样本及未知类别的测试目标样本进行幅度数据归一化处理的过程具体为: 归一化公式为:
3.根据权利要求1所述的基于KFDA及SVM的SAR图像目标特征提取与识别方法，其特征在于:所述的步骤(2)中利用KFDA准则对归一化后的已知类别的训练目标样本及未知类别的测试目标样本数据进行特征提取的过程具体为:先求类内散度矩阵Kw与类间散度矩阵Kb，再求&的非零特征值对应的特征向量，最后求KFDA准则下的已知类别的训练目标样本和未知类别的测试目标样本的特征；其中类内散度矩阵Kw为:
4.根据权利要求3所述的基于KFDA及SVM的SAR图像目标特征提取与识别方法，其特征在于:所述的步骤(3)中利用KFDA准则提取的已知类别的训练目标样本特征，对SVM分类器进行训练，产生最优分类面的过程具体为: 利用Lagrange乘子法,最大化泛函:
5.根据权利要求1所述的基于KFDA及SVM的SAR图像目标特征提取与识别方法，其特征在于:所述的步骤(4)中通过最优分类面，对KFDA准则提取的未知类别的测试目标样本的特征进行识别的过程具体为: 最优分类面的函数表示为:
【文档编号】G06K9/66GK103824093SQ201410103639
【公开日】2014年5月28日 申请日期:2014年3月19日 优先权日:2014年3月19日
【发明者】高飞, 梅净缘, 孙进平, 王俊, 吕文超 申请人:北京航空航天大学