CN106874932A - 基于快速稀疏描述的sar目标型号识别方法 - Google Patents

Abstract

本发明公开了一种基于快速稀疏描述的SAR目标型号识别方法，包括以下步骤：利用SAR成像方法获取测试样本图像和训练样本图像；将属于同一样本类别的训练样本图像按照目标方位角均分成多块；对每个块内包含的所有训练样本图像取平均值，得到平均样本图像；利用平均样本图像形成字典矩阵；根据字典矩阵和测试样本图像，构建并求解优化问题，得到稀疏描述向量；利用稀疏描述向量计算重构误差；根据重构误差获得测试样本图像中的待识别目标的样本类别。本发明与现有技术相比，计算复杂度显著降低，能够有效实现目标的型号识别。

Description

基于快速稀疏描述的SAR目标型号识别方法

技术领域

本发明属于图像处理技术领域，涉及一种基于快速稀疏描述的SAR目标型号识别方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)由于其全天时、全天候、能够穿透云、雨、烟、雾等优点，已被广泛的应用于军事和民用等诸多领域。其中，基于SAR的自动目标识别(Automatic Target Recognition,ATR)技术是SAR应用的一个研究热点，它的研究对于环境监测、敌我识别和灾害评估等方面都有着重要意义。

传统的SAR目标识别方法是针对目标类型的识别，也就是说，同一类型不同型号的样本在识别时被认为是一样的。而目标的型号识别比类型识别更具挑战性，因为同一类型目标的不同型号之间的差异非常小，如同一类型坦克上有没有机关枪、邮箱、天线是否展开等等。高精度的目标型号识别对于战场感知、精确打击等需要获取目标详细信息等应用领域是非常必要的，有着重要的应用价值。

稀疏描述是一种有效的模式识别、机器学习理论，已被成功应用于雷达成像、图像处理、数据压缩、模式识别等领域。稀疏描述用于识别时，利用所有训练样本构造字典矩阵，然后求解测试样本的稀疏描述向量，最终根据稀疏描述向量计算重构误差得到识别结果。基于稀疏描述的SAR目标型号识别方法可以得到较好的识别结果，但是由于阴影效应、信号和环境的相互作用、将三维场景投影到平面等原因，SAR图像对目标方位角的变化较为敏感，为了实现较好的SAR目标型号识别，对训练样本有较大的需求，通常需要覆盖整个方位区间的大量训练样本来全面捕获目标特征，这就使得基于稀疏描述的SAR目标型号识别方法的计算复杂度较高，不利于方法的实时性和高效性。

发明内容

针对上述现有技术中存在的问题或缺陷，本发明的目的在于，提供一种基于快速稀疏描述的SAR目标型号识别方法，能够有效实现目标的型号识别，本发明的计算复杂度显著降低。

为了实现上述目的，本发明采用如下技术方案：

基于快速稀疏描述的SAR目标型号识别方法，包括以下步骤：

步骤1，利用SAR成像方法针对多个训练样本目标获取不同方位角下的包含有训练样本目标的图像，作为训练样本图像，将针对每一个训练样本目标获取的不同方位角下的多个训练样本图像划分为同一个样本类别，方位角覆盖的范围为0°～360°；利用利用SAR成像方法获取包含有待识别目标的图像，作为测试样本图像；

步骤2，对每一幅训练样本图像和测试样本图像分别进行预处理，得到预处理后的训练样本图像和预处理后的测试样本图像；预处理包括截取子图像和标准直方图均衡化；

步骤3，针对每一幅预处理后的训练样本图像，均将图像中的所有像素值按列取出，排成一个训练样本列向量；针对预处理后的测试样本图像，将图像中的所有像素值按列取出，排成一个测试样本列向量；

步骤4，针对步骤3中得到的所有训练样本列向量，将隶属于同一样本类别的训练样本列向量分成K块，每个块内的训练样本列向量所属的方位角度的覆盖范围为

步骤5，对每个块内包含的所有训练样本列向量取平均值，得到K个平均样本列向量；

步骤6，利用样本类别i(i＝1,2,...,C)内的K个平均样本列向量，形成该样本类别i下的训练样本集C表示样本类别总数；

步骤7，利用获得的各个样本类别的训练样本集，形成稀疏描述中的字典矩阵

步骤8，基于字典矩阵和测试样本列向量，构建优化问题；并利用正交匹配追踪方法或者基追踪方法求解优化问题，获得稀疏描述向量

步骤9，利用稀疏描述向量计算重构误差e_i；

步骤10，基于最小重构误差准则，选择最小的重构误差e_i对应的样本类别i作为输出结果，即为测试样本图像中的待识别目标所属样本类别。

具体地，所述步骤2中的针对训练样本图像进行预处理的过程如下：

以训练样本图像的几何中心为基准，在训练样本图像上截取包含整个目标的图像，作为训练样本子图像；

对截取的训练样本子图像进行标准直方图均衡化得到均衡化后的图像，即为预处理后的训练样本图像。

具体地，所述步骤5中的对每个块内包含的所有训练样本列向量取平均值，得到K个平均样本列向量，采用的公式如下：

其中，表示第i(i＝1,2,…,C)个样本类别中属于第k(k＝1,2,...,K)个划分块内的所有训练样本列向量取平均值后得到的平均样本列向量，X_it表示第i个样本类别中属于第k个划分块的第t个训练样本列向量，T表示该划分块内所有训练样本列向量的数目，C表示样本类别总数，K表示划分块总数。

具体地，所述步骤8中的基于字典矩阵和测试样本列向量，构建的优化问题采用如下公式进行表示：

其中，arg(·)表示求目标函数的最值时的变量值，min(·)表示求最小值操作，s.t.表示约束条件，y表示测试样本列向量，a'表示字典矩阵下预处理后的测试样本列向量y的稀疏描述向量，||·||₁表示取1范数，表示求解优化问题得到的稀疏描述向量最优值。

具体地，所述步骤9中的利用稀疏描述向量计算重构误差e_i，采用的公式如下：

其中，为选择函数，其将稀疏描述向量中对应样本类别i的元素保留下来，将其余位置的元素置为零，||·||₂表示取2范数。

与现有技术相比，本发明具有以下技术效果：本发明考虑到虽然SAR图像对于目标方位角的变化较为敏感，但是在一定的角度范围内目标图像的形态变化不大的特点，也即在一定角度范围内目标SAR图像惰性变化的特点，将每个型号的训练样本在一定的方位区间内分别取平均，采用不同型号在不同方位区间的平均样本表征原来方位区间内的若干个样本，这样可有效减少训练样本的数目，显著降低方法的计算复杂度，提高对目标型号的识别率。

附图说明

图1是采用不同方法对不同型号目标的识别结果图；

图2是采用本发明在不同方位区间下的实验结果图；

图3是本发明的流程图；

下面结合附图和具体实施方式对本发明的方案作进一步详细地解释和说明。

具体实施方式

本发明的基于快速稀疏描述的SAR目标型号识别方法，包括以下步骤：

步骤1，利用SAR成像方法针对多个训练样本目标获取不同方位角下的包含有训练样本目标的图像，作为训练样本图像，将针对每一个训练样本目标获取的不同方位角下的多个训练样本图像划分为同一个样本类别，方位角覆盖的范围为0°～360°；利用利用SAR成像方法获取包含有待识别目标的图像，作为测试样本图像；其中，训练样本目标与待识别目标是同类型的物体，具有相似的外部特征，获取测试样本图像和训练样本图像的场景相同。例如，当待识别目标为装甲车时，将不同型号的多个装甲车作为训练样本目标。

步骤2，对每一幅训练样本图像和测试样本图像分别进行预处理，得到预处理后的训练样本图像和预处理后的测试样本图像；预处理的过程如下：

针对训练样本图像，以训练样本图像的几何中心为基准，在训练样本图像上截取包含整个目标的图像，即包含目标所有信息的图像，作为训练样本子图像，一般截取的训练样本子图像的大小为48×48像素；此步骤的目的在于，减少SAR图像中大面积的背景噪声对方位角估计性能产生的影响。

对截取的训练样本子图像进行标准直方图均衡化得到均衡化后的图像，以减弱SAR图像中存在的不均匀散射对方位角估计性能产生的影响，即为预处理后的训练样本图像；标准直方图均衡化操作将图像像素值的变化范围调整到[0,1]，使得所有图像具有相同的动态范围。

针对测试样本图像的预处理过程与针对训练样本图像的预处理过程相同，此处不再赘述。

步骤3，针对每一幅预处理后的训练样本图像，均将图像中的所有像素值按列取出，排成一个训练样本列向量；针对预处理后的测试样本图像，将图像中的所有像素值按列取出，排成一个测试样本列向量；

步骤4，针对步骤3中得到的所有训练样本列向量，将隶属于同一样本类别的训练样本列向量分成K块，每个块内的训练样本列向量所属的方位角度的覆盖范围为

步骤5，对每个块内包含的所有训练样本列向量取平均值，得到K个平均样本列向量，采用的公式如下：

其中，表示第i(i＝1,2,…,C)个样本类别中属于第k(k＝1,2,...,K)个划分块内的所有训练样本列向量取平均值后得到的平均样本列向量，X_it表示第i个样本类别中属于第k(k＝1,2,...,K)个划分块的第t个训练样本列向量，T表示该划分块内的训练样本列向量的数目。C表示样本类别总数，即为所有训练样本列向量包含的目标的个数，K表示划分块总数。

步骤6，利用样本类别i(i＝1,2,...,C)内的K个平均样本列向量，形成该样本类别i下的训练样本集

步骤7，利用获得的各个样本类别的训练样本集，形成稀疏描述中的字典矩阵

步骤8，基于字典矩阵和测试样本列向量，构建优化问题，采用如下公式表示：

其中，arg(·)表示求目标函数的最值时的变量值，min(·)表示求最小值操作，s.t.表示约束条件，y表示测试样本列向量，a'表示字典矩阵下测试样本列向量y的稀疏描述向量，||·||₁表示取1范数；表示求解优化问题得到的稀疏描述向量最优值。

利用正交匹配追踪方法(OMP)或者基追踪方法(BP)求解公式(2)，获得稀疏描述向量稀疏描述向量中包括对应不同样本类别的所有元素，每个样本类别对应K个元素。如稀疏描述向量中第1～第K个元素对应的样本类别为1。

步骤9，利用稀疏描述向量计算重构误差e_i，采用的公式如下：

其中，为选择函数，其将稀疏描述向量中对应样本类别i的元素保留下来，将其余位置的元素置为零；||·||₂表示取2范数。

步骤10，基于最小重构误差准则，选择最小的重构误差e_i对应的样本类别i作为输出结果，即为测试样本图像中的待识别目标的样本类别。

复杂度对比分析

以SAR目标识别方法常用的MSTAR(Moving and Stationary Target Acquisitionand Recognition)数据库为例，假设进行3类7种不同型号(BMP2-sn-9563、BMP2-sn-9566、BMP2-sn-c21、BTR70-sn-c71、T72-sn-132、T72-sn-812、T72-sn-s7)数据的目标识别，这些目标总共包含1622个训练样本，那么基于稀疏描述的识别方法采用基追踪方法(BasisPursuit，BP)求解稀疏描述向量的计算复杂度是其中，P表示特征维数；采用正交匹配追踪方法(Orthogonal Matching Pursuit，OMP)求解稀疏描述向量的计算复杂度为O(1622P)。如果采用本发明进行识别，特征维数P保持不变，假定以5°为间隔对整个方位区间进行划分，则每个型号目标可以得到72个平均样本，7个型号目标就可以得到72×7＝504个平均样本，也即字典矩阵中的基向量个数是504，这时采用BP方法和OMP方法求解稀疏描述向量的计算复杂度分别是和O(504P)，采用本发明的计算复杂度不到原来的1/3，方法的计算复杂度得到了有效的降低。

仿真条件：

仿真实验环境为：MATLAB R2011a，Intel(R)Core(TM)2 Duo CPU 2.53 GHz，Window XP专业版。

仿真内容与结果分析：

利用美国的MSTAR数据进行实验验证本发明的有效性，选取其中3类7种不同型号的目标，目标SAR图像的大小为128像素×128像素，雷达工作在X波段，采用聚束模式进行成像，分辨率为0.3米×0.3米，方位覆盖范围为0°～360°，采用雷达在俯仰角为17°时的成像数据作为训练样本，雷达在俯仰角为15°时的成像数据作为测试样本。表1给出了训练样本和测试样本的型号和样本个数。

表1 训练样本与测试样本的型号及样本个数

首先在BMP2数据集上进行实验，以5°为一个方位区间对训练样本进行取平均操作，特征维数为1024。选取SR-BP、SR-OMP、支持向量机(Support Vector Machine,SVM)、k近邻分类器(k Nearest Neighbor,k-NN)4种不同的方法在此数据集上进行实验验证本发明的有效性。SR-BP为采用BP方法求解稀疏描述向量的稀疏描述方法，SR-OMP为采用OMP方法求解稀描述疏向量的稀疏描述方法，FSR-BP为本发明采用BP方法求解稀疏描述向量，FSR-OMP为本发明采用OMP方法求解稀疏描述向量。不同方法下的实验结果如表2所示。由识别结果可以看出，本发明效果要弱于稀疏描述方法，可见本发明在降低计算复杂度的同时也损失了一部分信息，但是由于SAR图像在一定的角度范围内惰性变化的特点，信息的损失较小，因此其识别结果仍然要优于SVM方法和k-NN方法。由表2可见，本发明在大幅度降低计算复杂度的前提下，能达到87.22％的平均识别率。

表2 BMP2目标型号识别结果

下面采用T72数据集验证本发明的有效性，实验条件和上述相同，对应的实验结果如表3所示。可以看到，在此条件下，本发明的性能仍然较为优越，可以达到94.85％的正确识别率。可见，本发明在T72数据集上同样可以取得满意的识别结果。

表3 T72目标型号识别结果

表4 7个型号目标识别结果

最后，将本发明在表1所示的全部7个型号目标上进行实验，相应的实验结果如表4所示。可以看到，在多型号数据条件下，本发明依然可以取得满意的识别结果。由实验结果可见，SAR图像虽然具有明显的方位角敏感特性，但其在一定的范围内图像具有惰性变化的特点，利用区间内的平均样本可较好的表征这一区间内的样本特性。虽然这样会造成一部分识别信息的损失，但损失较小。在需要快速识别的情形下，可考虑采用本发明。图1为不同方法对各个型号目标的识别结果图。

表5 FSR-BP方法在不同方位区间下的计算复杂度

表6 FSR-OMP方法在不同方位区间下的计算复杂度

表5和表6分别给出了本发明采用BP方法和OMP方法求解稀疏描述向量时在不同方位区间下的计算复杂度，可以看出，样本的方位区间取的越大，计算复杂度越低，但相应的识别结果也会变差，对应的识别结果如图2所示。由图2可见，在方位区间取为2°的时候，识别结果可达到91.28％，当方位区间增大到12°的时候，识别精度会下降到86.08％。因此，实际应用中，需要对识别精度和计算复杂度进行折中考虑。

本发明利用SAR图像在一定角度范围内惰性变化的特点，将每个型号的训练样本在一定的方位区间内分别取平均，采用不同型号在不同方位区间的平均样本表征原来方位区间内的若干个样本，有效的降低了计算复杂度。方位区间设置的越小，则目标信息保留的越完整，计算复杂度也就相应的越高，但识别结果越好；方位区间设置的越大，则目标信息损失的越多，识别结果有所降低，但对应的计算复杂度也越低，在实际应用中可根据具体要求选择合适的方位区间。

Claims (5)

1.基于快速稀疏描述的SAR目标型号识别方法，其特征在于，包括以下步骤：

步骤1，利用SAR成像方法针对多个训练样本目标获取不同方位角下的包含有训练样本目标的图像，作为训练样本图像，将针对每一个训练样本目标获取的不同方位角下的多个训练样本图像划分为同一个样本类别，方位角覆盖的范围为0°～360°；利用利用SAR成像方法获取包含有待识别目标的图像，作为测试样本图像；

步骤2，对每一幅训练样本图像和测试样本图像分别进行预处理，得到预处理后的训练样本图像和预处理后的测试样本图像；预处理包括截取子图像和标准直方图均衡化；

步骤3，针对每一幅预处理后的训练样本图像，均将图像中的所有像素值按列取出，排成一个训练样本列向量；针对预处理后的测试样本图像，将图像中的所有像素值按列取出，排成一个测试样本列向量；

步骤4，针对步骤3中得到的所有训练样本列向量，将隶属于同一样本类别的训练样本列向量分成K块，每个块内的训练样本列向量所属的方位角度的覆盖范围为

步骤5，对每个块内包含的所有训练样本列向量取平均值，得到K个平均样本列向量；

步骤6，利用样本类别i(i＝1,2,...,C)内的K个平均样本列向量，形成该样本类别i下的训练样本集C表示样本类别总数；

步骤7，利用获得的各个样本类别的训练样本集，形成稀疏描述中的字典矩阵

步骤8，基于字典矩阵和测试样本列向量，构建优化问题；并利用正交匹配追踪方法或者基追踪方法求解优化问题，获得稀疏描述向量

步骤9，利用稀疏描述向量计算重构误差e_i；

步骤10，基于最小重构误差准则，选择最小的重构误差e_i对应的样本类别i作为输出结果，即为测试样本图像中的待识别目标所属样本类别。

2.如权利要求1所述的基于快速稀疏描述的SAR目标型号识别方法，其特征在于，所述步骤2中的针对训练样本图像进行预处理的过程如下：

以训练样本图像的几何中心为基准，在训练样本图像上截取包含整个目标的图像，作为训练样本子图像；

对截取的训练样本子图像进行标准直方图均衡化得到均衡化后的图像，即为预处理后的训练样本图像。

3.如权利要求1所述的基于快速稀疏描述的SAR目标型号识别方法，其特征在于，所述步骤5中的对每个块内包含的所有训练样本列向量取平均值，得到K个平均样本列向量，采用的公式如下：

$\stackrel{\‾}{X_{ik}}=\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}{X}_{it}$

其中，表示第i(i＝1,2,…,C)个样本类别中属于第k(k＝1,2,...,K)个划分块内的所有训练样本列向量取平均值后得到的平均样本列向量，X_it表示第i个样本类别中属于第k个划分块的第t个训练样本列向量，T表示该划分块内所有训练样本列向量的数目，C表示样本类别总数，K表示划分块总数。

4.如权利要求1所述的基于快速稀疏描述的SAR目标型号识别方法，其特征在于，所述步骤8中的基于字典矩阵和测试样本列向量，构建的优化问题采用如下公式进行表示：

$\begin{array}{cc}{\hat{a}}^{\′}=\arg \min \left|\right|a^{\′}|{|}_1& s.t.\tilde{D}{a}^{\′}=y\end{array}$

其中，arg(·)表示求目标函数的最值时的变量值，min(·)表示求最小值操作，s.t.表示约束条件，y表示测试样本列向量，a'表示字典矩阵下预处理后的测试样本列向量y的稀疏描述向量，||·||₁表示取1范数，表示求解优化问题得到的稀疏描述向量最优值。

5.如权利要求4所述的基于快速稀疏描述的SAR目标型号识别方法，其特征在于，所述步骤9中的利用稀疏描述向量计算重构误差e_i，采用的公式如下：

$e_i=\left|\right|y-\tilde{D}{f}_i\left({\hat{a}}^{\′}\right)|{|}_2$

其中，为选择函数，其将稀疏描述向量中对应样本类别i的元素保留下来，将其余位置的元素置为零，||·||₂表示取2范数。