CN106778564A - 基于多视角下一维像特征层融合的舰艇与货船分类方法 - Google Patents
基于多视角下一维像特征层融合的舰艇与货船分类方法 Download PDFInfo
- Publication number
- CN106778564A CN106778564A CN201611100025.4A CN201611100025A CN106778564A CN 106778564 A CN106778564 A CN 106778564A CN 201611100025 A CN201611100025 A CN 201611100025A CN 106778564 A CN106778564 A CN 106778564A
- Authority
- CN
- China
- Prior art keywords
- dimensional picture
- target
- freighter
- under
- waveform
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于多视角下一维像特征层融合的舰艇与货船分类的实现方法。该方法主要适用于协同体系下常规宽带相参警戒雷达的舰艇与货船分类。其主要流程是:首先对各视角下的目标一维像进行数据预处理;对预处理后的各视角下的一维像进行目标一维像区域提取;提取各视角下目标一维像区域波形结构特征;然后构造目标一维像区域波形结构特征融合矩阵;进行分类器设计;最后进行舰艇与货船分类识别。本发明所提供的方法具有工程实现简单、特征融合效果好、所用方法理论依据充分等特点,并且多视角下舰艇与货船分类识别正确率相较于单视角下舰艇与货船分类识别正确率提高在5%以上。
Description
技术领域
本发明适用于基于协同体系下常规宽带相参警戒雷达系统,特别涉及一种雷达目标识别方法,实现基于多视角下一维像的雷达目标粗分类。
背景技术
研究表明一维像能够反映出雷达目标在雷达视线上精细的几何结构特征。对舰艇与货船结构分析发现,舰艇与货船有着显著的物理结构特征差异,物理结构特征差异导致舰艇与货船的一维像回波存在明显的差异,如附图2、附图3。在各视角下一维像的基础上,通过特征融合等实现舰艇与货船分类识别,利用舰艇与货船的分类识别信息可以实现雷达目标的粗分类,提高识别正确率。配合现有探测设备的改造,可以在现有探测设备的基础上大力提升协同目标识别能力。
目前很多一维像的技术研究是基于单视角下一维像进行的,如在2013年5月西安邮电大学学报《基于高分辨距离像子带融合的目标识别新算法》中提出的一种最大相关系数投票准则子带融合识别算法,实现单视角下的雷达目标识别。
基于单视角一维像的雷达目标识别方法极易受到目标姿态的影响,本发明针对在基于多视角下一维像的基础上,通过特征融合的舰艇与货船分类识别方法,实现雷达目标的粗分类,能够有效避免目标姿态对雷达目标识别结果的影响。
发明内容
本发明的目的在于提供一种解决协同体系下的多视角下一维像特征层融合的舰艇与货船分类识别方法,有效地实现雷达目标的粗分类。通过本发明,能够实现海上舰艇编队对视距内各种运动状态下的舰艇与货船进行有效的分类,并且多视角一维像下的舰艇与货船分类识别正确率在单视角一维像下的舰艇与货船分类识别正确率基础上提高5%。
实现本发明的技术解决方案为:
首先对各视角下的目标一维像数据进行剔除坏像、非相干积累等预处理;设置目标一维像区域提取门限,提取各视角下目标一维像区域;对各视角下的目标一维像区域进行归一化和等分处理,在强散射点位置信息和幅度信息提取的基础上进行等分区域强散射点统计、强散射点位置分布统计和强散射点幅度分布统计,结合最近邻线特征提取方法进行各视角下的目标一维像区域波形结构特征提取,生成各视角下的目标一维像区域波形结构初始特征矩阵;结合各视角下目标的姿态和信噪比信息,构造目标一维像区域波形结构特征融合矩阵;结合Sigmoid函数进行线性二分类器设计;最后进行舰艇与货船分类识别。
本发明与现有技术相比,其显著优点为:
各视角下目标一维像区域波形结构特征提取方法,能够快速、有效地提取目标一维像区域波形结构特征,该方法具有自适应好,计算量小,运行效率高的特点。目标一维像区域波形结构特征融合矩阵构造方法,能够准确、有效地消除不同视角、不同信噪比造成的一维像姿态敏感性和强度敏感性的影响,而且其实现方法简单。本发明的提出和工程实现在雷达目标识别领域具有很高的推广应用价值。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明的数据处理流程图。
图2是本发明的货船一维像回波特征示意图。
图3是本发明的舰艇一维像回波特征示意图。
图4是本发明的各视角下目标区域一维像波形结构特征提取处理流程图。
图5是本发明的各视角下目标区域一维像波形结构特征示意图。
图6是本发明的线性二分类器组成示意图。
具体实施方式
本发明基于多视角下一维像特征层融合的舰艇与货船分类方法具体实施步骤为,参见附图1:
(1)各视角下目标一维像数据预处理,方法如下:
计算一维像的峰度矩阵K,找到峰度矩阵的最大元素max(K)及其对应的一维像,统计余下一维像集合{xi}和离群峰度集合{ki}:
其中N是一维像的个数,Xi是余下的第i个一维像样本数据,μi是样本均值,σi是样本标准方差,E(Xi-μi)4是第i个一维像样本数据的4阶中心距。如果ki非正,则认为第i个一维像为异常一维像,将样本数据置为0。以峰度矩阵最大元素对应的一维像为基像,采用最小熵谱估计准则进行对齐处理,对对齐后的一维像做非相干积累。
I(xk)=-logpk
其中xk是一维像样本数据,I(xk)是信息量,X是离散随机变量,Pk是事件X=xk发生的概率,是一维像样本数据集合。
其中si为对齐后的第i个距离单元的非相干积累结果,N是一维像的个数。
(2)各视角下目标一维像区域提取,方法如下:
计算各视角下目标非相干积累一维像的前八分之一部分和后八分之一部分的均值,取最小均值的1.5倍作为目标一维像区域提取门限,超过门限的部分为各视角下目标一维像区域。
(3)各视角下目标一维像区域波形结构特征提取,方法如下,如附图4:
a)将各视角下的目标一维像区域进行归一化处理:
其中P(m,n)为目标一维像区域样本数据,max(P(m,n))是样本数据的全局极大值,min(P(m,n))是样本数据的全局极小值,P′(m,n)是归一初始化处理后的样本数据。
b)对归一化处理后的目标一维像区域按照距离单元进行等分为10份{Qi},i=1,2,…,10。
c)按照(2)中方法设置强散射点提取门限,统计强散射点个数M。
d)统计M个强散射点的位置信息和幅度信息。
e)分别进行等分区域内的强散射点个数统计、强散射点位置分布统计和强散射点幅度分布统计。
f)在(c)(d)(e)的基础上利用最近邻线算法进行包含波形有效宽度、波形对称性、波形集中度、波形峰度、波形峰值个数、峰值前缘陡峭度、峰值后缘陡峭度、峰值形状统计的波形结构特征提取,如附图5。
g)在(f)基础上构造各视角下目标一维像区域波形结构特征初始矩阵F∈R8×1
其中x1表示波形有效宽度、x2表示波形对称性、x3表示波形集中度、x4表示波形峰度、x5表示波形峰值个数、x6表示峰度前缘陡峭度、x7表示峰度后缘陡峭度、x8表示峰值形状。
(4)目标一维像区域波形结构特征融合矩阵构造,其方法如下:
结合各视角下目标一维像姿态和信噪比信息,构造目标一维像区域波形结构特征融合矩阵F∈R8×1
F=k1·F1+k2·F2
其中F1∈R8×1、F2∈R8×1分别表示各视角下目标一维像区域波形结构特征初始矩阵:
k1、k2分别表示各视角下目标一维像区域波形结构特征初始矩阵加权算子
θ1、θ2分别表示各视角下目标的姿态,Snr1、Snr2分别表示各视角下目标的信噪比。
(5)分类器设计,其方法如下:
本发明采用线性二分类器作为分类器进行舰艇与货船分类,线性二分类器由输入层、激励函数和输出节点组成,如附图6。输入层由8个节点构成,分别对应目标一维像区域波形结构特征融合矩阵的8个特征,使用Sigmoid函数作为激励函数,输出节点y为:
其中F∈R8×1为目标一维像区域波形结构特征融合矩阵,W∈R8×1为输入层的权值矩阵:
(6)舰艇与货船分类识别,其方法如下:
根据(5)中输出接点y的取值进行舰艇与货船分类识别:
Claims (3)
1.基于多视角下一维像特征层融合的舰艇与货船分类方法,其特征在于:通过计算各视角下目标一维像的峰度矩阵K,找到峰度矩阵的最大元素max(K)及其对应的一维像,统计余下一维像集合{xi}和离群峰度集合{ki},利用离群峰度法剔除异常一维像;以峰度矩阵最大元素对应的一维像为基像,采用最小熵估计准则对一维像进行对齐处理,对对齐后的一维像做非相干积累;对各视角下非相干积累后目标一维像统计前八分之一和后八分之一部分的均值,按最小均值的1.5倍设置目标一维像区域提取门限进行目标区域一维像提取;利用归一化方法对各视角下目标一维像区域进行归一化处理,对归一化后的目标一维像区域按照距离单元进行10等分处理,通过统计强散射点个数、强散射点位置信息和幅度信息、等分区域内的强散射点个数、等分区域内强散射点位置分布、等分区域内强散射点幅度,利用最近邻线算法进行包含波形有效宽度、波形对称性、波形集中度、波形峰度、波形峰值个数、峰值前缘陡峭度、峰值后缘陡峭度、峰值形状统计的波形结构特征提取,构造各视角下目标一维像区域波形结构特征初始矩阵;结合各视角下目标一维像姿态和信噪比信息,构造目标一维像区域波形结构特征融合矩阵;结合目标一维像区域波形结构特征融合矩阵和Sigmoid函数进行线性二分类器输入层和激励函数设计,利用线性二分类器作为舰艇与货船分类识别的分类器;最后利用线性二分类器输出接点的取值进行舰艇与货船分类识别;通过该方法进行多视角下一维像特征层融合的舰艇与货船分类识别正确率在单视角下舰艇与货船分类识别正确率基础上提高5%。
2.根据权利要求1所述的基于多视角下一维像特征层融合的舰艇与货船分类方法,其特征在于:各视角下目标一维像区域波形结构特征提取方法,该方法通过统计强散射点个数、强散射点位置信息和幅度信息、等分区域内的强散射点个数、等分区域内强散射点位置分布、等分区域内强散射点幅度,利用最近邻线算法进行包含波形有效宽度、波形对称性、波形集中度、波形峰度、波形峰值个数、峰值前缘陡峭度、峰值后缘陡峭度、峰值形状统计的波形结构特征提取,构造各视角下目标一维像区域波形结构特征初始矩阵,降低多目标和边界野值对目标一维像区域波形结构特征精确提取的影响。
3.根据权利要求1所述的基于多视角下一维像特征层融合的舰艇与货船分类方法,其特征在于:目标一维像区域波形结构特征融合矩阵构造方法,该方法通过构建各视角下目标一维像区域波形结构特征初始矩阵加权算子标定各波形结构特征初始矩阵的权重,通过线性组合方法构造目标一维像区域波形结构特征融合矩阵,降低不同视角、不同信噪比造成的目标一维像区域波形结构特征姿态敏感性和强度敏感性的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611100025.4A CN106778564A (zh) | 2016-12-02 | 2016-12-02 | 基于多视角下一维像特征层融合的舰艇与货船分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611100025.4A CN106778564A (zh) | 2016-12-02 | 2016-12-02 | 基于多视角下一维像特征层融合的舰艇与货船分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106778564A true CN106778564A (zh) | 2017-05-31 |
Family
ID=58884210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611100025.4A Pending CN106778564A (zh) | 2016-12-02 | 2016-12-02 | 基于多视角下一维像特征层融合的舰艇与货船分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778564A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412548A (zh) * | 2019-07-20 | 2019-11-05 | 中国船舶重工集团公司第七二四研究所 | 基于高分辨一维距离像的雷达多目标识别方法 |
CN110441750A (zh) * | 2019-07-19 | 2019-11-12 | 北京遥感设备研究所 | 一种雷达目标强散射点提取方法 |
CN111289954A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 用于毫米波雷达目标跟踪的点云划分与航迹匹配方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721963A (zh) * | 2012-07-10 | 2012-10-10 | 中国船舶重工集团公司第七二四研究所 | 一种宽带雷达对目标一维成像的目标特征提取算法 |
CN104122540A (zh) * | 2014-07-31 | 2014-10-29 | 电子科技大学 | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 |
CN104459663A (zh) * | 2014-11-27 | 2015-03-25 | 中国船舶重工集团公司第七二四研究所 | 基于高分辨一维距离像的舰艇与货船分类方法 |
CN106019255A (zh) * | 2016-07-22 | 2016-10-12 | 中国船舶重工集团公司第七二四研究所 | 基于多视角下一维像数据层融合的雷达目标类型识别方法 |
CN106067042A (zh) * | 2016-06-13 | 2016-11-02 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN106154266A (zh) * | 2016-07-19 | 2016-11-23 | 西安电子科技大学 | 基于属性散射中心模型的多视角目标部件特征提取方法 |
-
2016
- 2016-12-02 CN CN201611100025.4A patent/CN106778564A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721963A (zh) * | 2012-07-10 | 2012-10-10 | 中国船舶重工集团公司第七二四研究所 | 一种宽带雷达对目标一维成像的目标特征提取算法 |
CN104122540A (zh) * | 2014-07-31 | 2014-10-29 | 电子科技大学 | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 |
CN104459663A (zh) * | 2014-11-27 | 2015-03-25 | 中国船舶重工集团公司第七二四研究所 | 基于高分辨一维距离像的舰艇与货船分类方法 |
CN106067042A (zh) * | 2016-06-13 | 2016-11-02 | 西安电子科技大学 | 基于半监督深度稀疏滤波网络的极化sar分类方法 |
CN106154266A (zh) * | 2016-07-19 | 2016-11-23 | 西安电子科技大学 | 基于属性散射中心模型的多视角目标部件特征提取方法 |
CN106019255A (zh) * | 2016-07-22 | 2016-10-12 | 中国船舶重工集团公司第七二四研究所 | 基于多视角下一维像数据层融合的雷达目标类型识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441750A (zh) * | 2019-07-19 | 2019-11-12 | 北京遥感设备研究所 | 一种雷达目标强散射点提取方法 |
CN110412548A (zh) * | 2019-07-20 | 2019-11-05 | 中国船舶重工集团公司第七二四研究所 | 基于高分辨一维距离像的雷达多目标识别方法 |
CN111289954A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 用于毫米波雷达目标跟踪的点云划分与航迹匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2015271047B2 (en) | Data fusion analysis for maritime automatic target recognition | |
CN105518709B (zh) | 用于识别人脸的方法、系统和计算机程序产品 | |
Novak et al. | Automatic target recognition using enhanced resolution SAR data | |
CN105894656B (zh) | 一种纸币图像识别方法 | |
CN109766830A (zh) | 一种基于人工智能图像处理的舰船目标识别系统及方法 | |
CN105809198B (zh) | 基于深度置信网络的sar图像目标识别方法 | |
CN101923640B (zh) | 基于鲁棒纹理特征和机器学习对伪造虹膜图像判别的方法 | |
CN107944370B (zh) | 基于dccgan模型的极化sar图像分类方法 | |
Malof et al. | A large-scale multi-institutional evaluation of advanced discrimination algorithms for buried threat detection in ground penetrating radar | |
Chen et al. | Research on recognition of fly species based on improved RetinaNet and CBAM | |
CN103824093B (zh) | 一种基于kfda及svm的sar图像目标特征提取与识别方法 | |
CN107330457B (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
CN106778564A (zh) | 基于多视角下一维像特征层融合的舰艇与货船分类方法 | |
EP3493103A1 (en) | Human body gender automatic recognition method and apparatus | |
CN106597406B (zh) | 基于多视角下一维像决策层融合的雷达目标识别方法 | |
CN102928822A (zh) | 基于高分辨一维距离像的雷达目标长度计算方法 | |
CN110412548A (zh) | 基于高分辨一维距离像的雷达多目标识别方法 | |
Alujaim et al. | Human motion detection using planar array FMCW Radar through 3D point clouds | |
CN107766792A (zh) | 一种遥感图像舰船目标识别方法 | |
Moftah et al. | A novel fuzzy bat based ambulance detection and traffic counting approach | |
Naumenko et al. | SAR-image edge detection using artificial neural network | |
Eeti et al. | A modified class-specific weighted soft voting for bagging ensemble | |
Schwegmann et al. | Ship detection in South African oceans using SAR, CFAR and a Haar-like feature classifier | |
CN116311067A (zh) | 基于高维特征图谱的目标综合识别方法、装置及设备 | |
Liu et al. | Infrared small target detection with kernel Fukunaga–Koontz transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170531 |
|
WD01 | Invention patent application deemed withdrawn after publication |