CN107122753B - 基于集成学习的sar目标鉴别方法 - Google Patents

基于集成学习的sar目标鉴别方法 Download PDF

Info

Publication number
CN107122753B
CN107122753B CN201710316452.4A CN201710316452A CN107122753B CN 107122753 B CN107122753 B CN 107122753B CN 201710316452 A CN201710316452 A CN 201710316452A CN 107122753 B CN107122753 B CN 107122753B
Authority
CN
China
Prior art keywords
training
class
test
dictionary
slice
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.)
Active
Application number
CN201710316452.4A
Other languages
English (en)
Other versions
CN107122753A (zh
Inventor
王英华
吕翠文
刘宏伟
宋文青
王宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201710316452.4A priority Critical patent/CN107122753B/zh
Publication of CN107122753A publication Critical patent/CN107122753A/zh
Application granted granted Critical
Publication of CN107122753B publication Critical patent/CN107122753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于集成学习的SAR目标鉴别方法，主要解决现有技术在训练数据类别分布不平衡时SAR目标鉴别性能低的问题。其方案是：1.对给定的训练切片和测试切片提取词包模型特征；2.对杂波类训练样本进行随机下采样，将得到的子集与目标类训练样本一起训练获得代价敏感的字典；3.对杂波类训练样本进行随机下采样，将得到的子集与目标类训练样本一起训练获得SVM分类器；4.利用代价敏感的字典和SVM分类器对测试样本进行分类，记录测试样本的分类决策值；5.利用最大投票方法对测试样本的分类决策值进行判定，确定测试样本最终的类别标号。本发明提升了鉴别的性能，可用于对复杂场景下的训练数据类别不平衡时的SAR目标鉴别。

Description

基于集成学习的SAR目标鉴别方法
技术领域
本发明属于雷达技术领域，特别涉及一种SAR目标鉴别方法，可用于对车辆目标识别与分类提供重要信息。
背景技术
合成孔径雷达SAR利用微波遥感技术，不受气候和昼夜影响，具有全天候、全天时的工作能力，并具有多频段、多极化、视角可变和穿透性等特点。随着越来越多的机载和星载SAR的出现，带来大量不同场景下的SAR数据，对SAR数据一个重要的应用就是自动目标识别ATR，复杂场景下的目标鉴别也成为目前研究方向之一。
SAR目标鉴别是指从训练数据集中学习得到的一个分类器，这个分类器可以用于预测未知样本的类别标号。现有文献中已提出了很多的SAR目标鉴别方法，比如：基于纹理、形状、对比度等传统特征的二次距离鉴别方法、基于梯度直方图特征的SVM鉴别方法、基于词袋模型特征的SVM鉴别方法等等。这些传统的SAR目标鉴别方法在SAR训练数据集类别分布相对平衡时性能较好，但是当SAR训练数据集类别分布不平衡时性能较差。又因为在实验中SAR训练数据集中目标样本数远少于杂波样本数，传统方法的目标检测率较低，而在SAR目标鉴别过程中通常更加关注目标的检测率，即在实际应用中倾向于将目标分对，尽量降低目标的漏检率。然而传统的SAR目标鉴别方法并不适用于训练数据类别不平衡这种情况下的SAR目标鉴别。
上述的传统的分类方法在不平衡的SAR数据集上其分类效果存在以下不足：
1.由于传统分类方法基本都是以训练数据总体分类精度最大为分类准则，当训练样本类别分布不平衡时，目标类数据在训练数据集中占很小的比例，分类器通常是倾向于将目标类判定为杂波类，因此对目标类样本的检测率较低，从而导致SAR目标鉴别的性能较差。
2.由于在SAR目标鉴别过程中，通常更加关注目标类的准确率，当训练样本类别分布不平衡时，传统的分类方法训练所得的分类器会对杂波类样本产生很高的检测率，但是对目标类样本的检测率却很低，由于面对不平衡数据集的SAR目标鉴别时，不仅要维持杂波类原有的分类精度，更要大大提高目标类的分类精度，因此现有的这些传统SAR目标鉴别方法并不能满足这个要求。
发明内容
本发明的目的在于针对已有SAR目标鉴别方法的不足，提出一种基于集成学习的SAR目标鉴别方法，以提高在训练数据类别不平衡时的目标鉴别性能。
为实现上述目的，本发明的技术方案包括如下：
(1)对给定的训练切片
Figure BDA0001288589610000021
和测试切片
Figure BDA0001288589610000022
分别提取词包模型特征，得到训练切片的词包模型特征
Figure BDA0001288589610000023
和测试切片的词包模型特征
Figure BDA0001288589610000024
其中，
Figure BDA0001288589610000025
表示目标类训练切片，
Figure BDA0001288589610000026
表示杂波类训练切片,
Figure BDA0001288589610000027
表示目标类测试切片，
Figure BDA0001288589610000028
表示杂波类测试切片，
Figure BDA0001288589610000029
是目标类训练切片的词包模型特征，
Figure BDA00012885896100000210
是杂波类训练切片的词包模型特征，
Figure BDA00012885896100000211
是目标类测试切片的词包模型特征，
Figure BDA00012885896100000212
是杂波类测试切片的词包模型特征，p1表示目标类训练切片数目，p2表示杂波类训练切片数目，k1表示目标类测试切片数目，k2表示杂波类测试切片数目，h表示词包模型特征的维数。
(2)利用(1)中所得的训练切片的词包模型特征W训练n个代价敏感的字典，得到训练后的字典D1,...,Di...,Dn，i＝1,...,n：
2a)从训练样本中的杂波类样本
Figure BDA00012885896100000213
随机下采样n个子集{N1,...,Ni,...,Nn}，每个子集中的样本个数与训练样本中目标样本个数p1相同；
2b)当前循环次数为i′，i′＝1,...,n′，n′为学习字典的最大循环次数，其值与随机下采样的子集个数n相同；选择集合{N1,...,Ni,...,Nn}中第i＝i′个子集Ni，与目标类训练样本
Figure BDA00012885896100000214
一起再构成新的训练样本Ti＝[P,Ni]；
2c)利用新的训练样本Ti＝[P,Ni]进行代价敏感的字典学习，得到第i个字典Di；
2d)将当前循环次数i′与最大循环次数n′进行比较，若i′≤n′，则令i′＝i′+1，返回到2b)，若i′＞n′，则停止循环，得到所有字典D1,...,Di...,Dn；
(3)利用(1)中所得的训练切片的词包模型特征W训练m个支持向量机SVM，得到训练后的模型M1,...,Mj...,Mm，j＝1,...,m；
(4)利用(2)得到所有的字典D1,...,Di...,Dn和(3)中得到所有的模型M1,...,Mj...,Mm对测试样本V进行分类，得到测试样本的分类决策值
Figure BDA0001288589610000031
(5)根据(4)中测试样本的分类决策值
Figure BDA0001288589610000032
利用最大投票法进行分类，即将第k个样本的分类决策值ek与分类阈值t＝(n+m)/2进行比较：如果ek≥t，则第k个测试样本为目标类，否则为杂波类。
本发明为复杂场景下SAR训练数据集类别不平衡时的车辆目标鉴别方法，相比于传统的SAR目标鉴别方法，本发明在训练分类器时针对训练数据中目标类样本数目少于杂波类样本数目而导致分类器的分类结果倾向于杂波类的问题，采用集成学习方法，集成了基于代价敏感字典的稀疏表达分类器和支持向量机SVM分类器，用集成后的分类器对测试样本进行测试，提升了复杂场景下SAR训练数据集类别不平衡时的车辆目标鉴别性能。
附图说明
图1是本发明的实现流程图；
图2是本发明中的代价敏感字典学习的子流程图；
图3是本发明实验1使用的一组切片图像；
图4是本发明实验2使用的一组切片图像；
图5是本发明实验3使用的一组切片图像；
图6是本发明实验4使用的一组切片图像；
具体实施方式
下面结合附图对本发明的实施例和效果作进一步详细说明：
参见图1，本发明的实现步骤包括如下：
步骤1，对给定的训练切片图像和测试切片图像提取词包模型特征。
1a)从给定的miniSAR切片数据集中，得到训练切片图像
Figure BDA0001288589610000033
和测试切片图像
Figure BDA0001288589610000034
其中，
Figure BDA0001288589610000035
表示目标类训练切片，
Figure BDA0001288589610000036
表示杂波类训练切片,
Figure BDA0001288589610000037
表示目标类测试切片，
Figure BDA0001288589610000038
表示杂波类测试切片，p1表示目标类训练切片图像数目，p2表示杂波类训练切片图像数目，k1表示目标类测试切片图像数目，k2表示杂波类测试切片图像数目；
1b)利用SAR-SIFT局部特征描述符对训练切片图像I进行局部特征提取，得到训练切片图像的局部特征
Figure BDA0001288589610000041
其中，
Figure BDA0001288589610000042
是目标类训练切片图像的局部特征，
Figure BDA0001288589610000043
是杂波类训练切片图像的局部特征；
1c)利用SAR-SIFT局部特征描述符对测试切片图像J进行局部特征提取，得到测试切片图像的局部特征
Figure BDA0001288589610000044
其中，
Figure BDA0001288589610000045
是目标类测试切片图像的局部特征，
Figure BDA0001288589610000046
是杂波类测试练切片图像的局部特征；
1d)对训练样本的局部特征X利用kmeans算法得到编码字典D；
1e)利用编码字典D对训练样本的局部特征X进行特征编码，得到训练样本的局部特征编码系数
Figure BDA0001288589610000047
其中，
Figure BDA0001288589610000048
目标类训练切片图像的局部特征编码系数，
Figure BDA0001288589610000049
是杂波类训练切片图像的局部特征编码系数，
1f)对训练样本的局部特征编码系数A进行特征合并，得到训练样本的词包模型特征：
Figure BDA00012885896100000410
其中，
Figure BDA00012885896100000411
是目标类训练切片的词包模型特征，
Figure BDA00012885896100000412
是杂波类训练切片的词包模型特征，h表示词包模型特征的维数；
1g)利用编码字典D对测试样本的局部特征Y进行特征编码，得到测试样本的局部特征编码系数
Figure BDA00012885896100000413
其中，
Figure BDA00012885896100000414
为目标类测试切片图像的局部特征编码系数，
Figure BDA00012885896100000415
为杂波类测试切片图像的局部特征编码系数；
1h)对测试样本局部特征编码系数B进行特征合并，得到测试样本的词包模型特征：
Figure BDA00012885896100000416
其中，
Figure BDA00012885896100000417
是目标类测试切片的词包模型特征，
Figure BDA00012885896100000418
是杂波类测试切片的词包模型特征；
步骤2，根据步骤1中的训练样本的词包模型特征W训练n个代价敏感的字典，得到训练后的字典。
2a)从训练样本中的杂波类样本
Figure BDA0001288589610000051
中随机下采样n个子集，得到集合{N1,...,Ni,...,Nn}，每个子集中的样本个数与训练样本中目标样本个数p1相同；
2b)设当前循环次数为i′，i′＝1,...,n′，n′为学习字典的最大循环次数，其值与随机下采样的子集个数n相同；选择集合{N1,...,Ni,...,Nn}中第i＝i′个子集Ni，与目标类训练样本
Figure BDA0001288589610000052
一起再构成新的训练样本Ti＝[P,Ni]；
2c)利用新的训练样本Ti＝[P,Ni]进行代价敏感的字典学习，得到第i个字典Di；
参见图2，本步骤的具体实现如下：
2c1)从原始的目标类训练样本
Figure BDA0001288589610000053
和杂波类训练样本
Figure BDA0001288589610000054
中分别随机下采样Z个样本，得到目标类初始化字典
Figure BDA0001288589610000055
和杂波类初始化字典
Figure BDA0001288589610000056
2c2)利用目标类训练样本P，使用KSVD算法对目标类字典
Figure BDA0001288589610000057
进行更新，得到更新后的目标类字典为
Figure BDA0001288589610000058
利用杂波类训练样本Ni，使用KSVD算法对杂波类字典
Figure BDA0001288589610000059
进行更新，得到更新后的杂波类字典为
Figure BDA00012885896100000510
并令
Figure BDA00012885896100000511
Figure BDA00012885896100000512
2c3)令iter＝1为当前迭代次数，iterMax为最大迭代次数；
2c4)由新的训练样本Ti和字典Di，利用下面的优化模型求解稀疏系数Λi：
Figure BDA00012885896100000513
其中：λ1和λ2是正则化参数，||·||F表示F范数，||·||1表示1范数，||·||2表示2范数，⊙表示点乘，
Figure BDA00012885896100000514
表示字典Di的第h列原子，Q表示代价惩罚矩阵；
Figure BDA0001288589610000061
其中，
Figure BDA0001288589610000062
表示将类别为
Figure BDA0001288589610000063
的样本错判成类别为
Figure BDA0001288589610000064
的代价，
Figure BDA0001288589610000065
表示样本ts的类别，
Figure BDA0001288589610000066
表示原子dr的类别，δ(·)是一个离散脉冲函数，即
Figure BDA0001288589610000067
σ≥2表示代价常数；
2c5)利用2c4)中的稀疏系数Λi，通过求解下面的优化公式，更新字典Di：
Figure BDA0001288589610000068
通过拉格朗日乘子法求解上述优化公式，得到更新后的第h列原子：
Figure BDA0001288589610000069
其中，
Figure BDA00012885896100000610
表示稀疏系数Λi中的第h行，(·)T表示转置操作，
Figure BDA00012885896100000611
Figure BDA00012885896100000612
表示稀疏系数Λi中的第l行，
Figure BDA00012885896100000613
表示字典Di中的第l列原子；
2c6)根据2c5)中得到的更新后的字典原子
Figure BDA00012885896100000614
得到更新后的字典：
Figure BDA00012885896100000615
2c7)令
Figure BDA00012885896100000616
将当前迭代次数iter与最大迭代次数iterMax进行比较，若iter≥iterMax，则令iter＝iter+1，返回步骤2c4)，否则，输出字典Di；
2d)将当前循环次数i′与最大循环次数n′进行比较，若i′≤n′，则令i′＝i′+1，返回到2b)，若i′＞n′，则停止循环，得到所有字典D1,...,Di...,Dn，i＝1,...,n。
步骤3，根据步骤1中的训练样本的词包模型特征W训练m个支持向量机SVM，得到训练后的模型。
3a)从训练样本中的杂波类样本
Figure BDA0001288589610000071
中随机下采样m个子集，得到集合{F1,...,Fj...,Fm，}每个子集中的样本个数与训练样本中目标样本个数p1相同；
3b)设训练SVM的当前循环次数为：j′＝1,...,m′，m′为训练SVM的最大循环次数，其值与随机下采样的子集个数m相同；从集合{F1,...,Fj...,Fm}中选择第j＝j′个子集Fj，并将其与目标类训练样本
Figure BDA0001288589610000072
一起构成新的训练样本Uj＝[P,Fj]；
3c)利用训练样本Uj＝[P,Fj]训练一个支持向量机SVM，得到第j个训练后的模型Mj；
3d)将当前循环次数j′与最大循环次数m′进行比较：若j′≤m′，则令j′＝j′+1，返回到3b)，若j′＞m′，则停止循环，得到所有训练后的模型M1,...,Mj...,Mm，j＝1,...m。
步骤4，利用步骤2中得到的所有字典D1,...,Di...,Dn和步骤3中得到的所有模型M1,...,Mj...,Mm，对测试样本V进行分类。
4a)利用步骤2中得到的字典D1,...,Di...,Dn对测试样本V进行稀疏表达分类；
4a1)设循环次数为i′＝1,...,n′，n′为最大循环次数，其值与字典个数一样；
4a2)利用第i＝i′个字典Di对测试样本V进行稀疏表达分类：若第k个测试样本预测为目标类，则令字典Di对第k个测试样本的分类结果
Figure BDA0001288589610000073
若第k个测试样本预测为杂波类，则令字典Di对第k个测试样本的分类结果
Figure BDA0001288589610000074
4a3)根据4a2)中字典Di对第k个测试样本的分类结果
Figure BDA0001288589610000075
得到第i个字典Di对所有测试样本V的分类结果
Figure BDA0001288589610000076
4a4)将当前循环次数i′与最大循环次数n′进行比较，若i′≥n′，则令i′＝i′+1，返回到4a2)，否则，得到所有字典D1,...,Di...,Dn对测试样本V的分类结果：
Figure BDA0001288589610000077
4b)利用步骤3中得到的训练后模型M1,...,Mj...,Mm对测试样本V进行支持向量机SVM分类；
4b1)设循环次数为j′＝1,...,m′，m′为最大循环次数，其值与模型个数一样；
4b2)利用第j＝j′个模型Mj对测试样本V进行支持向量机SVM分类：若第k个测试样本预测为目标类，则令模型Mj对第k个测试样本的分类结果
Figure BDA0001288589610000081
若第k个测试样本预测为杂波类，则令模型Mj对第k个测试样本的分类结果
Figure BDA0001288589610000082
4b3)根据4b2)中模型Mj对第k个测试样本的分类结果
Figure BDA0001288589610000083
得到第j个模型Mj对测试样本V的分类结果
Figure BDA0001288589610000084
4b4)将当前循环次数j′与最大循环次数m′进行比较：若j′≥m′，则令j′＝j′+1，返回到4b2)，否则，得到训练后所有模型M1,...,Mj...,Mm对测试样本V的分类结果：
Figure BDA0001288589610000085
4c)根据4a)中的字典D1,...,Di...,Dn对测试样本V分类结果和4b)中的训练后模型M1,...,Mj...,Mm对测试样本V的分类结果，得到第k个测试样本的分类决策值为：
Figure BDA0001288589610000086
4d)根据4c)中第k个测试样本的分类决策值ek，得到所有测试样本V的分类决策值
Figure BDA0001288589610000087
步骤5，根据步骤4中测试样本的分类决策值
Figure BDA0001288589610000088
利用最大投票法进行分类，即将第k个样本的分类决策值ek与分类阈值t＝(n+m)/2进行比较：如果ek≥t，则第k个测试样本为目标类，否则为杂波类。
本发明的效果可通过以下实验数据进一步说明：
实验1：
(1)实验场景：
本实验所用的测试切片图像来自于美国Sandia实验室公开的miniSAR数据集中的图像MiniSAR20050519p0006image004，所用的训练切片图像来自于美国Sandia实验室公开的miniSAR数据集中的图像MiniSAR20050519p0002image005、图像MiniSAR20050519p0003image003和图像MiniSAR20050519p0005image003，这些数据下载自Sandia实验室的网站，切片图像示例如图3所示，其中图3(a)是目标类训练切片图像示例，图3(b)是杂波类训练切片图像示例，图3(c)是测试切片图像示例。
(2)实验参数：
取训练目标切片数p1＝353，训练杂波切片数p2＝1442，测试目标切片数k1＝140，测试杂波切片数k2＝599；从杂波类训练样本随机下采样8个子集，取正则化参数λ1＝λ2＝0.01，代价常数σ＝2，目标样本类错分成杂波类样本的代价Ctc＝5，杂波类样本错分成目标类样本的代价Cct＝1，目标类字典原子数目和杂波类原子数目Z＝300，字典更新迭代最大次数iterMax＝5，SVM分类器采用LIBSVM工具包，选择高斯核的SVM分类器，设核参数g＝10，惩罚系数C＝10；
(3)实验内容：
(3.1)用现有的基于支持向量机SVM的方法与本发明方法对训练样本类别分布非平衡下的SAR数据进行对比实验；
(3.2)用现有的基于稀疏表达分类SRC的方法与本发明方法对训练样本类别分布非平衡下的SAR数据进行对比实验；
(3.3)用现有的基于KSVD的稀疏表达分类KSVD-SRC的方法与本发明方法对训练样本类别分布非平衡下的SAR数据进行对比实验；
(3.4)用现有的基于代价敏感字典学习CSDL的方法与本发明方法对训练样本类别分布非平衡下的SAR数据进行对比实验。
实验1的对比结果如表1所示，表1中的AUC表示ROC曲线下的面积，Pc表示总体精度，Pd表示检测率，Pf表示虚警率。
表1不同方法的对比结果
不同方法 AUC Pc Pd Pf
SVM 0.9451 0.8917 0.5000 0.0167
SRC 0.7617 0.7957 0.2857 0.0851
KSVD-SRC 0.9299 0.8809 0.6357 0.0618
CSDL 0.9633 0.9202 0.8357 0.0601
本发明 0.9737 0.9250 0.8636 0.0606
从表1中可见，本发明的AUC和目标检测率Pd最高，并且在检测率有较大幅度上升的同时虚警率上升幅度较小，说明在训练样本类别分布非平衡时，本发明的鉴别性能比现有的方法更好。
实验2：
(1)实验场景：
本实验所用的测试切片图像来自于美国Sandia实验室公开的miniSAR数据集中的图像MiniSAR20050519p0002image005，所用的训练切片图像来自于美国Sandia实验室公开的miniSAR数据集中的图像MiniSAR20050519p0006image004、图像MiniSAR20050519p0003image003和图像MiniSAR20050519p0005image003，这些数据下载自Sandia实验室的网站，切片图像示例如图4所示，其中图4(a)是目标类训练切片图像示例，图4(b)是杂波类训练切片图像示例，图4(c)是测试切片图像示例。
(2)实验参数：
取训练目标切片数p1＝414，训练杂波切片数p2＝1531，测试目标切片数k1＝79，测试杂波切片数k2＝510；从杂波类训练样本随机下采样8个子集；取正则化参数λ1＝λ2＝0.01，代价常数σ＝2，目标样本类错分成杂波类样本的代价Ctc＝5，杂波类样本错分成目标类样本的代价Cct＝1，目标类字典原子数目和杂波类原子数目Z＝300，字典更新迭代最大次数iterMax＝5，SVM分类器采用LIBSVM工具包，选择高斯核的SVM分类器，取核参数g＝10，惩罚系数C＝10；
(3)试验内容：
同实验1相同。
实验2的对比结果如表2所示：
表2不同方法的对比结果
不同方法 AUC Pc Pd Pf
SVM 0.8820 0.8964 0.4051 0.0275
SRC 0.7097 0.7385 0.4051 0.2098
KSVD-SRC 0.8780 0.8251 0.4204 0.1137
CSDL 0.9059 0.8846 0.5433 0.0627
本发明 0.9482 0.9027 0.8139 0.0835
从表2中可见，本发明的AUC和目标检测率Pd最高，并且在检测率有较大幅度上升的同时虚警率上升幅度较小，说明在训练样本类别分布非平衡时，本发明的鉴别性能比现有的方法更好。
实验3：
(1)实验场景：
本实验所用的测试切片图像来自于美国Sandia实验室公开的miniSAR数据集中的图像MiniSAR20050519p0003image003，所用的训练切片图像来自于美国Sandia实验室公开的miniSAR数据集中的图像MiniSAR20050519p0006image004、图像MiniSAR20050519p0005image003和图像MiniSAR20050519p0002image005，这些数据下载自Sandia实验室的网站，切片图像示例如图5所示，其中图5(a)是目标类训练切片图像示例，图5(b)是杂波类训练切片图像示例，图5(c)是测试切片图像示例。
(2)实验参数：
取训练目标切片数p1＝334，训练杂波切片数p2＝1414，测试目标切片数k1＝159，测试杂波切片数k2＝627；从杂波类训练样本随机下采样8个子集，取正则化参数λ1＝λ2＝0.01，代价常数σ＝2，目标样本类错分成杂波类样本的代价Ctc＝5，杂波类样本错分成目标类样本的代价Cct＝1，目标类字典原子数目和杂波类原子数目Z＝300，字典更新迭代最大次数iterMax＝5，SVM分类器采用LIBSVM工具包，选择高斯核的SVM分类器，取核参数g＝10，惩罚系数C＝10；
(3)实验内容：
同实验1相同。
实验3的对比结果如表3所示：
表3不同方法的对比结果
不同方法 AUC Pc Pd Pf
SVM 0.8383 0.7691 0.7610 0.2281
SRC 0.5088 0.6247 0.2830 0.2887
KSVD-SRC 0.7585 0.7214 0.6792 0.2679
CSDL 0.7944 0.6972 0.7673 0.3206
本发明 0.8389 0.6308 0.9025 0.4381
从表3中可见，本发明的AUC和目标检测率Pd最高，并且在检测率有较大幅度上升的同时虚警率上升幅度较小，说明在训练样本类别分布非平衡时，本发明的鉴别性能比现有的方法更好。
实验4：
(1)实验场景：
本实验所用的测试切片图像来自于美国Sandia实验室公开的miniSAR数据集中的图像MiniSAR20050519p0005image003，所用的训练切片图像来自于美国Sandia实验室公开的miniSAR数据集中的图像MiniSAR20050519p0006image004、图像MiniSAR20050519p0003image003和图像MiniSAR20050519p0002image005，这些数据下载自Sandia实验室的网站，切片图像示例如图6所示，其中图6(a)是目标类训练切片图像示例，图6(b)是杂波类训练切片图像示例，图6(c)是测试切片图像示例。
(2)实验参数：
取训练目标切片数p1＝378，训练杂波切片数p2＝1736，测试目标切片数k1＝115，测试杂波切片数k2＝305；从杂波类训练样本随机下采样8个子集；取正则化参数λ1＝λ2＝0.01，代价常数σ＝2，目标样本类错分成杂波类样本的代价Ctc＝5，杂波类样本错分成目标类样本的代价Cct＝1，目标类字典原子数目和杂波类原子数目Z＝300，字典更新迭代最大次数iterMax＝5，SVM分类器采用LIBSVM工具包，选择高斯核的SVM分类器，取核参数g＝10，惩罚系数C＝10；
(3)实验内容：
同实验1相同。
实验4的对比结果如表4所示：
表4不同方法的对比结果
不同方法 AUC Pc Pd Pf
SVM 0.9058 0.8738 0.6522 0.0426
SRC 0.6818 0.6667 0.1565 0.1410
KSVD-SRC 0.8733 0.8405 0.6957 0.1049
CSDL 0.9247 0.8619 0.7913 0.1115
本发明 0.9315 0.8402 0.8226 0.1531
从表4中可见，本发明的AUC和目标检测率Pd最高，并且在检测率有较大幅度上升的同时虚警率上升幅度较小，说明在训练样本类别分布非平衡时，本发明的鉴别性能比现有的方法更好。
综上，本发明是基于集成学习的SAR目标鉴别方法，解决了训练样本集类别分布非平衡下得SAR的目标鉴别问题，有效的利用了高分辨SAR图像丰富的细节信息以及不同类别的错分代价信息，并采用集成学习的方法进一步提升了复杂场景下的SAR目标鉴别性能。

Claims (6)

1.基于集成学习的SAR目标鉴别方法,包括：
(1)对给定的训练切片
Figure FDA0002358106080000011
和测试切片
Figure FDA0002358106080000012
分别提取词包模型特征，得到训练切片的词包模型特征
Figure FDA0002358106080000013
和测试切片的词包模型特征
Figure FDA0002358106080000014
其中，
Figure FDA0002358106080000015
表示目标类训练切片，
Figure FDA0002358106080000016
表示杂波类训练切片,
Figure FDA0002358106080000017
表示目标类测试切片，
Figure FDA0002358106080000018
表示杂波类测试切片，
Figure FDA0002358106080000019
是目标类训练切片的词包模型特征，
Figure FDA00023581060800000110
是杂波类训练切片的词包模型特征，
Figure FDA00023581060800000111
是目标类测试切片的词包模型特征，
Figure FDA00023581060800000112
是杂波类测试切片的词包模型特征，p1表示目标类训练切片数目，p2表示杂波类训练切片数目，k1表示目标类测试切片数目，k2表示杂波类测试切片数目，h表示词包模型特征的维数；
(2)利用(1)中所得的训练切片的词包模型特征W训练n个代价敏感的字典，得到训练后的字典D1,...,Di...,Dn，i＝1,...,n：
2a)从训练样本中的杂波类样本
Figure FDA00023581060800000113
随机下采样n个子集{N1,...,Ni,...,Nn}，每个子集中的样本个数与训练样本中目标样本个数p1相同；
2b)当前循环次数为i′，i′＝1,...,n′，n′为学习字典的最大循环次数，其值与随机下采样的子集个数n相同；选择集合{N1,...,Ni,...,Nn}中第i＝i′个子集Ni，与目标类训练样本
Figure FDA00023581060800000114
一起再构成新的训练样本Ti＝[P,Ni]；
2c)利用新的训练样本Ti＝[P,Ni]进行代价敏感的字典学习，得到第i个字典Di；
2d)将当前循环次数i′与最大循环次数n′进行比较，若i′≤n′，则令i′＝i′+1，返回到2b)，若i′＞n′，则停止循环，得到所有字典D1,...,Di...,Dn；
(3)利用(1)中所得的训练切片的词包模型特征W训练m个支持向量机SVM，得到训练后的模型M1,...,Mj...,Mm，j＝1,...,m；
(4)利用(2)得到所有的字典D1,...,Di...,Dn和(3)中得到所有的模型M1,...,Mj...,Mm对测试样本V进行分类，得到测试样本的分类决策值
Figure FDA0002358106080000022
(5)根据(4)中测试样本的分类决策值
Figure FDA0002358106080000023
利用最大投票法进行分类，即将第k个样本的分类决策值ek与分类阈值t＝(n+m)/2进行比较：如果ek≥t，则第k个测试样本为目标类，否则为杂波类。
2.根据权利要求1所述的方法，其中步骤(1)提取训练切片I和测试切片J的词包模型特征，按如下步骤进行：
1a)利用SAR-SIFT描述符对给定的训练切片图像I进行局部特征提取，得到训练切片图像的局部特征
Figure FDA0002358106080000024
其中，
Figure FDA0002358106080000025
是目标类训练切片图像的局部特征，
Figure FDA0002358106080000026
是杂波类训练切片图像的局部特征，p1表示目标类训练切片图像数目，p2表示杂波类训练切片图像数目；
1b)利用SAR-SIFT描述符对给定的测试切片图像J进行局部特征提取，得到测试切片图像的局部特征
Figure FDA0002358106080000027
其中，
Figure FDA0002358106080000028
是目标类测试切片图像的局部特征，
Figure FDA0002358106080000029
是杂波类测试练切片图像的局部特征，k1表示目标类测试切片图像数目，k2表示杂波类测试切片图像数目；
1c)对训练样本的局部特征X利用kmeans算法得到编码字典D；
1d)利用编码字典D对训练样本的局部特征X进行特征编码，得到训练样本的局部特征编码系数
Figure FDA00023581060800000210
其中，
Figure FDA00023581060800000211
目标类训练切片图像的局部特征编码系数，
Figure FDA00023581060800000212
是杂波类训练切片图像的局部特征编码系数，接着对训练样本的局部特征编码系数A进行特征合并，得到训练样本的词包模型特征：
Figure FDA0002358106080000021
其中，h表示词包模型特征的维数；
1e)利用编码字典D对测试样本的局部特征Y进行特征编码，得到测试样本的局部特征编码系数
Figure FDA0002358106080000036
其中，
Figure FDA0002358106080000037
目标类测试切片图像的局部特征编码系数，
Figure FDA0002358106080000038
是杂波类测试切片图像的局部特征编码系数，接着对测试样本局部特征编码系数B进行特征合并，测试样本的词包模型特征：
Figure FDA0002358106080000031
3.根据权利要求1所述的方法，其中步骤2c)求解代价敏感的字典Di，按如下步骤进行；
2c1)从原始的目标类训练样本
Figure FDA0002358106080000039
和杂波类训练样本
Figure FDA00023581060800000310
中分别随机下采样Z个样本，得到目标类初始化字典
Figure FDA00023581060800000311
和杂波类初始化字典
Figure FDA00023581060800000312
2c2)利用目标类训练样本P，使用KSVD算法对目标类字典
Figure FDA00023581060800000313
进行更新，得到更新后的目标类字典为
Figure FDA00023581060800000314
利用杂波类训练样本Ni，使用KSVD算法对杂波类字典
Figure FDA00023581060800000315
进行更新，得到更新后的杂波类字典为
Figure FDA00023581060800000316
并令
Figure FDA00023581060800000317
Figure FDA00023581060800000318
2c3)令iter＝1为当前迭代次数，iterMax为最大迭代次数；
2c4)由新的训练样本Ti和字典Di，利用下面的优化模型求解稀疏系数Λi：
Figure FDA0002358106080000032
其中：λ1和λ2是正则化参数，||·||F表示F范数，||·||1表示1范数，||·||2表示2范数，⊙表示点乘，
Figure FDA00023581060800000319
表示字典Di的第h列原子，Q表示代价惩罚矩阵；
2c5)通过求解下面的优化模型，更新字典Di：
Figure FDA0002358106080000033
通过拉格朗日乘子法求解上述优化公式，得到更新后的第h列原子：
Figure FDA0002358106080000034
其中，
Figure FDA00023581060800000320
表示稀疏系数Λi中的第h行，(·)T表示转置操作，
Figure FDA0002358106080000035
Figure FDA00023581060800000321
表示稀疏系数Λi中的第l行，
Figure FDA0002358106080000044
表示字典Di中的第l列原子；
2c6)根据2c5)中得到的更新后的字典原子
Figure FDA0002358106080000045
得到更新后的字典：
Figure FDA0002358106080000041
2c7)令
Figure FDA0002358106080000046
将当前迭代次数iter与最大迭代次数iterMax进行比较，若iter≥iterMax，则令iter＝iter+1，返回步骤2c4)，否则，输出字典Di。
4.根据权利要求3所述的方法，其中步骤2c4)中的代价惩罚矩阵Q，其表达式如下：
Figure FDA0002358106080000042
其中，
Figure FDA0002358106080000047
表示将类别为
Figure FDA0002358106080000048
的样本错判成类别为
Figure FDA0002358106080000049
的代价，
Figure FDA00023581060800000410
表示样本ts的类别，
Figure FDA00023581060800000411
表示原子dr的类别，δ(·)是一个离散脉冲函数，即
Figure FDA0002358106080000043
σ≥2是代价常数。
5.根据权利要求1所述的方法，其中步骤(3)中训练m个支持向量机SVM，得到训练后的模型M1,...,Mj...,Mm，j＝1,...m，按如下步骤进行；
3a)从训练样本中的杂波类样本
Figure FDA00023581060800000412
随机下采样m个子集{F1,...,Fj...,Fm}，每个子集中的样本个数与训练样本中目标样本个数p1相同；
3b)，设训练SVM的当前循环次数为：j′＝1,...,m′，m′为训练SVM的最大循环次数，其值与随机下采样的子集个数m相同；从集合{F1,...,Fj...,Fm}中选择第j＝j′个子集Fj，并将其与目标类训练样本
Figure FDA0002358106080000052
一起构成新的训练样本Uj＝[P,Fj]；
3c)利用训练样本Uj＝[P,Fj]训练一个支持向量机SVM，得到第j个训练后的模型Mj；
3d)将当前循环次数j′与最大循环次数m′进行比较，若j′≤m′，则令j′＝j′+1，返回到3b)，若j′＞m′，则停止循环，得到所有训练后的模型M1,...,Mj...,Mm。
6.根据权利要求1所述的方法，其中步骤(4)利用(2)中得到的所有字典D1,...,Di...,Dn和(3)中得到的所有模型M1,...,Mj...,Mm对测试样本V进行分类，按如下步骤进行；
4a)利用(2)中得到的字典D1,...,Di...,Dn对测试样本V进行稀疏表达分类；
4a1)设循环次数为i′＝1,...,n′，n′为最大循环次数，其值与字典个数一样；
4a2)利用第i＝i′个字典Di对测试样本V进行稀疏表达分类，若第k个测试样本预测为目标类，则令字典Di对第k个测试样本的分类结果
Figure FDA0002358106080000053
若第k个测试样本预测为杂波类，则令字典Di对第k个测试样本的分类结果
Figure FDA0002358106080000054
4a3)根据4a2)中字典Di对第k个测试样本的分类结果
Figure FDA0002358106080000055
得到第i个字典Di对所有测试样本V的分类结果
Figure FDA0002358106080000056
4a4)将当前循环次数i′与最大循环次数n′进行比较，若i′≥n′，则令i′＝i′+1，返回到4a2)，否则，得到字典D1,...,Di...,Dn对测试样本V的分类结果：
Figure FDA0002358106080000051
4b)利用(3)中得到的训练后模型M1,...,Mj...,Mm对测试样本V进行支持向量机SVM分类；
4b1)设循环次数为j′＝1,...,m′，m′为最大循环次数，其值与模型个数一样；
4b2)利用第j＝j′个模型Mj对测试样本V进行支持向量机SVM分类，若第k个测试样本预测为目标类，则令模型Mj对第k个测试样本的分类结果
Figure FDA0002358106080000063
若第k个测试样本预测为杂波类，则令模型Mj对第k个测试样本的分类结果
Figure FDA0002358106080000064
4b3)根据4b2)中模型Mj对第k个测试样本的分类结果
Figure FDA0002358106080000065
得到第j个模型Mj对测试样本V的分类结果
Figure FDA0002358106080000066
4b4)将当前循环次数j′与最大循环次数m′进行比较，若j′≥m′，则令j′＝j′+1，返回到4b2)，否则，得到训练后模型M1,...,Mj...,Mm对测试样本V的分类结果：
Figure FDA0002358106080000061
4c)根据4a)中的字典D1,...,Di...,Dn对测试样本V分类结果和4b)中的训练后模型M1,...,Mj...,Mm对测试样本V的分类结果，得到第k个测试样本的分类决策值为：
Figure FDA0002358106080000062
4d)根据4c)中第k个测试样本的分类决策值ek，得到所有测试样本V的分类决策值
Figure FDA0002358106080000067
CN201710316452.4A 2017-05-08 2017-05-08 基于集成学习的sar目标鉴别方法 Active CN107122753B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710316452.4A CN107122753B (zh) 2017-05-08 2017-05-08 基于集成学习的sar目标鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710316452.4A CN107122753B (zh) 2017-05-08 2017-05-08 基于集成学习的sar目标鉴别方法

Publications (2)

Publication Number Publication Date
CN107122753A CN107122753A (zh) 2017-09-01
CN107122753B true CN107122753B (zh) 2020-04-07

Family

ID=59727782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710316452.4A Active CN107122753B (zh) 2017-05-08 2017-05-08 基于集成学习的sar目标鉴别方法

Country Status (1)

Country Link
CN (1) CN107122753B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934292B (zh) * 2019-03-15 2021-04-09 西安电子科技大学 基于代价敏感性辅助学习的不平衡极化sar地物分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955915A (zh) * 2014-03-17 2014-07-30 西安电子科技大学 基于稀疏表示和多字典的sar图像分割
CN105913083A (zh) * 2016-04-08 2016-08-31 西安电子科技大学 基于稠密sar-sift和稀疏编码的sar分类方法
CN105956611A (zh) * 2016-04-25 2016-09-21 西安电子科技大学 基于鉴别非线性字典学习的sar图像目标识别方法
CN106408030A (zh) * 2016-09-28 2017-02-15 武汉大学 基于中层语义属性和卷积神经网络的sar图像分类方法
CN106599831A (zh) * 2016-12-12 2017-04-26 西安电子科技大学 基于样本加权类别特定与共享字典的sar目标鉴别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5417368B2 (ja) * 2011-03-25 2014-02-12 株式会社東芝 画像識別装置及び画像識別方法
US9152881B2 (en) * 2012-09-13 2015-10-06 Los Alamos National Security, Llc Image fusion using sparse overcomplete feature dictionaries

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955915A (zh) * 2014-03-17 2014-07-30 西安电子科技大学 基于稀疏表示和多字典的sar图像分割
CN105913083A (zh) * 2016-04-08 2016-08-31 西安电子科技大学 基于稠密sar-sift和稀疏编码的sar分类方法
CN105956611A (zh) * 2016-04-25 2016-09-21 西安电子科技大学 基于鉴别非线性字典学习的sar图像目标识别方法
CN106408030A (zh) * 2016-09-28 2017-02-15 武汉大学 基于中层语义属性和卷积神经网络的sar图像分类方法
CN106599831A (zh) * 2016-12-12 2017-04-26 西安电子科技大学 基于样本加权类别特定与共享字典的sar目标鉴别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Automatic target recognition with joint sparse representation of heterogeneous multi-view SAR images over a locally adaptive dictionary";Zongjie Cao et al;《Signal Processing》;20160121;第126卷;27-34 *
"Decision fusion of sparse representation and support vector machine for SAR image target recognition";Haicang Liu et al;《Neurocomputing》;20130305;第113卷;97-104 *
"基于稀疏编码字典和深度学习的极化SAR影像地物分类";汤玫;《中国优秀硕士学位论文全文数据库》;20170315;第2017年卷(第3期);I136-2184 *
"基于稀疏表示的SAR目标识别算法研究";黎兰;《中国优秀硕士学位论文全文数据库-信息科技辑》;20160315;第2016年卷(第3期);I136-2387 *

Also Published As

Publication number Publication date
CN107122753A (zh) 2017-09-01

Similar Documents

Publication Publication Date Title
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN107515895B (zh) 一种基于目标检测的视觉目标检索方法与系统
CN108133232B (zh) 一种基于统计字典学习的雷达高分辨距离像目标识别方法
CN108426994B (zh) 分析数字全息显微术数据以用于血液学应用
CN103971123B (zh) 基于线性回归与Fisher判别字典学习的高光谱图像分类方法
CN108280460B (zh) 基于改进卷积神经网络的sar车辆目标识别方法
CN107480620B (zh) 基于异构特征融合的遥感图像自动目标识别方法
CN109598711B (zh) 一种基于特征挖掘和神经网络的热图像缺陷提取方法
Wang et al. A sparse representation-based method for infrared dim target detection under sea–sky background
CN111046787A (zh) 一种基于改进YOLO v3模型的行人检测方法
CN111126361B (zh) 基于半监督学习和特征约束的sar目标鉴别方法
CN109801305B (zh) 基于深度胶囊网络的sar图像变化检测方法
CN107392140B (zh) 基于低秩稀疏分解和增量学习的极化sar地物分类方法
Chen et al. Semi-supervised object detection in remote sensing images using generative adversarial networks
Zhai et al. A generative adversarial network based framework for unsupervised visual surface inspection
CN107133648B (zh) 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法
CN106951822B (zh) 一种基于多尺度稀疏保持投影一维距离像融合识别方法
Pan et al. Airplane recognition in TerraSAR-X images via scatter cluster extraction and reweighted sparse representation
CN111639697B (zh) 基于非重复采样与原型网络的高光谱图像分类方法
CN103456017B (zh) 基于种子集的半监督权重核模糊聚类的图像分割方法
Dou et al. Aircraft recognition in high resolution SAR images using saliency map and scattering structure features
CN115393631A (zh) 基于贝叶斯层图卷积神经网络的高光谱图像分类方法
CN107122753B (zh) 基于集成学习的sar目标鉴别方法
CN109872319B (zh) 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN109117850B (zh) 利用可见光目标图像进行相应红外目标图像的识别方法

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
GR01 Patent grant
GR01 Patent grant