CN108615029A - 一种自适应群智能优化sar雷达陆地坦克目标识别系统 - Google Patents

一种自适应群智能优化sar雷达陆地坦克目标识别系统 Download PDF

Info

Publication number
CN108615029A
CN108615029A CN201810457331.6A CN201810457331A CN108615029A CN 108615029 A CN108615029 A CN 108615029A CN 201810457331 A CN201810457331 A CN 201810457331A CN 108615029 A CN108615029 A CN 108615029A
Authority
CN
China
Prior art keywords
feature
tank
module
sar
indicate
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
Application number
CN201810457331.6A
Other languages
English (en)
Inventor
刘兴高
吴俊�
孙元萌
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810457331.6A priority Critical patent/CN108615029A/zh
Publication of CN108615029A publication Critical patent/CN108615029A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (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)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种自适应群智能优化SAR雷达陆地坦克目标识别系统，包括SAR雷达、数据库以及上位机；SAR雷达、数据库、上位机依次相连，所述SAR雷达对陆地进行实时监测，并将SAR雷达获得的图像数据存储到所述的数据库中，所述的上位机包括图像预处理模块、特征提取模块、特征选择模块、分类器训练模块、自适应群智寻优模块以及结果显示模块。本发明提供一种实现在线识别、精度高的陆地坦克目标识别系统。

Description

一种自适应群智能优化SAR雷达陆地坦克目标识别系统
技术领域
本发明涉及雷达数据处理领域，特别地，涉及一种自适应群智优化SAR雷达陆地坦克目标识别系统。
背景技术
图像识别问题的数学本质属于模式空间到类别空间的映射问题。目前，在图像识别的发展中，主要有三种识别方法：统计模式识别、结构模式识别、模糊模式识别。图像分割是图像处理中的一项关键技术，自20世纪70年代，其研究已经有几十年的历史，一直都受到人们的高度重视，至今借助于各种理论提出了数以千计的分割算法，而且这方面的研究仍然在积极地进行着。其中利用SAR图像对海洋坦克进行监测和识别，可以通过对SAR图像进行海洋坦克的监测识别，获取坦克的类型、位置以及驶向等重要的信息参数。对于获取陆地坦克的主动权、确保陆地坦克行动的成功起到了至关重要的作用。目前基于SAR图像的坦克目标检测已经有了广泛的研究，而坦克目标分类识别由于SAR图像分辨率的限制才刚刚起步，已有的一些研究成果也由于研究不够透彻，系统的效果并不是很好。因此，积极开展基于高分辨率SAR图像的坦克目标分类识别研究具有极其重大的意义。
发明内容
为了克服目前基于SAR图像的陆地坦克目标识别准确率不高的不足，本发明的目的在于提供一种实现实时分析的自适应群智优化SAR雷达陆地坦克目标识别系统。
本发明解决其技术问题所采用的技术方案是：
一种自适应群智能优化SAR雷达陆地坦克目标识别系统，包括SAR雷达、数据库以及上位机,SAR雷达、数据库和上位机依次相连，其特征在于：所述SAR雷达对陆地进行实时监测，并将SAR雷达获得的图像数据存储到所述的数据库中，所述的上位机包括：
图像预处理模块，用以进行SAR雷达图像数据预处理，采用如下过程完成：
1)从数据库中传来的SAR图像灰度级为L,f(x0,y0)为像素点(x0,y0)处的灰度值，g(x0,y0)为像素点(x0,y0)的N×N邻域内像素的平均值，其中x0,y0分别表示像素点的横坐标和纵坐标；
2)通过计算满足f＝m和g＝n的像素数目h(m,n)，得到二维联合概率密度pmn：
pmn＝p(m,n)＝h(m,n)/M
其中，M表示图像像素的总数目；
3)计算二维直方图的均值向量μ：
4)分别计算图像中目标和背景出现的概率P0,1和均值向量μ0,1：
其中，t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域；
5)计算类间方差BCV：
BCV＝P0(μ0-μ)(μ0-μ)′+P1(μ1-μ)(μ1-μ)′；
其中，μ表示均值向量，上标’表示矩阵的转置。
6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s0,t0]：
特征提取模块，用以进行坦克典型特征的提取，采用如下过程完成：
1)从图像预处理模块传来的只包含一个坦克目标的SAR图像切片I(m,n)，其中只包含目标区域的二值图为B(m,n)，则只包含目标的图像T(m,n)：
T(m,n)＝I(m,n)×B(m,n)
其中，×表示对应像素相乘；
2)在B(m,n)中根据坦克个体的主轴方向求得坦克主体区域的最小外接矩形，则该矩形的长边长度Length即为坦克个体的长度，矩形的短边长度Width即为坦克个体的宽度；
3)计算得到几何结构特征，其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量：
周长面积长宽比R＝Length/Width；形状复杂度C＝Length2/4πS；目标区域的质心位置
转动惯量式中，r代表了目标像素点与质心之间的距离，
4)计算得到灰度统计特征，其中包括质量、均值、方差系数、标准差、分形维数、加权填充比：
质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和；分形维数H＝(log10N1-log10N2)/(log10d1-log10d2)，该特征的计算方法是：用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K＝50)个最亮像素点的二值图B2(m,n)，首先将一个大小为d1×d2的窗口在这个二值图中连续滑动，记下窗口中包含亮点的窗口总数记为N1，接着再用一个大小为d2×d2的窗口在这个二值图中连续滑动，记下在窗口中包含亮点的窗口总数记为N2；加权填充比
特征选择模块，用以选择出最优特征子集，采用如下过程完成：
1)计算类内距离类间距离以及类内类间距Ji:
其中，i表示特征标号，ω表示坦克类别的标号，||Fi (ω)||2表示特征向量Fi (ω)的2范数，表示训练集样本的总体均值，Nω表示第ω类坦克的数量，N表示训练集中坦克总数，E表示期望，下标W、下标B分别表示类内、类间。
2)计算得到归一化方差系数ρi (ω)：
ρi (ω)＝E[||Fi (ω)||2 2]-E2[||Fi (ω)||2]/E[||Fi (ω)||2 2]
其中，i表示特征标号，ω表示坦克类别的标号，||Fi (ω)||2表示特征向量Fi (ω)的2范数，E[||Fi (ω)||2 2]和E2[||Fi (ω)||2]分别表示特征的平方均值以及均值的平方。特征的方差系数ρi (ω)越小，表明该目标特征的稳定性越好；
3)计算得到相关系数ri,j：
其中，i,j表示特征标号，||Fi||2表示特征Fi的2范数，和分别表示Fi和Fj的均值，σi,i和σj,j分别表示Fi和Fj的标准差。由相关系数的性质可知，0≤ri,j≤1；如果两个特征完全不相关，ri,j＝0；如果两个特征完全相关，ri,j＝1；如果两个特征之间的相关性很低，即特征之间的信息冗余非常少，那么ri,j就会越接近0；反之，如果两个特征之间的相关性很高，即特征之间的信息冗余非常多，那么ri,j就会越接近1；
4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集，构造最优输入特征向量；
分类器训练模块，用以进行分类器训练，采用如下过程完成：
5)从特征选择模块中采集N个SAR雷达图像xi作为训练样本，i＝1,2,…,N；
6)对训练样本进行归一化处理，得到归一化样本
7)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y:
其中，D表示重构维数，D为自然数，且D<N,D的取值范围为50-70；
8)将得到的X,Y代入如下分类器：
Y＝wTΦ(x)+E
其中，Φ(·)是核函数矩阵，w为权重系数矩阵，E为残差矩阵，核函数的似然函数为：
其中，t为样本目标的分类值，σ2为坦克样本的方差，直接用最大似然估计的方法求解w,σ2，通常会导致严重的过拟合现象，使w中的元素大部分不是0，失去了稀疏性。为了避免这一现象，引入高斯先验来解决这一问题，即定义权重w的先验分布为依赖于超参数α的高斯分布：
其中，α＝(α0,α1,…,αM)T为超参数，决定分类器的稀疏性。由贝叶斯准则，可得权重向量w的后验似然分布为：
该权值的后验分布属于多变量高斯分布，其后验协方差和后验均值分别为：
Σ＝(σ-2ΦTΦ+A)-1
μ＝σ-2ΣΦTt
其中，A＝diag(α0,α1,…,αM)为超参数的对角矩阵。通过最大化边缘似然函数化求得最大似然估计点αMP，如下：
其中，I为单位矩阵。通过得到的α＝αMP代入式求得均值的点估计μMP，从而得到最后坦克分类的估计值t＝ΦμMP。采用自下向上系统来更新超参数α，即快速边缘最大化算法。在迭代过程中，大部分的αi会接近无穷大，即相应的wi为0，其基函数可以被删除，从而达到稀疏性。其他的αi会接近有限值，与之对应的非零μMP的数目也很少，这些元素称为相关向量。引入稀疏因子si和质量因子qi：
其中，B＝σ2I+ΦA-1ΦT，表示该矩阵中去掉第i个基向量后得到的相应矩阵。si是衡量基向量是否在系统中存在的依据；qi是某一个基向量排除在系统外的误差调整尺度。可得：
在训练的RVM坦克分类器中：
当αi＝∞，而更新的则系统中添加基向量且求得αi；
当αi<∞，且则删除并且设置αi＝∞；
当αi<∞，且则保留修正αi；
当max|Δαi|<10-3时，表明分类器已经收敛，wi和αi的更新迭代过程结束。
快速算法是针对每一个输入向量进行添加、删除和修正，避免了进行大矩阵求逆运算，同时每一步迭代都保证边缘似然目标函数的递增，确保迭代的收敛性。
自适应群智寻优模块，用以采用自适应粒子群算法对分类器系统的核参数θ和惩罚因子γ进行优化，采用如下过程完成：
1)随机产生初始粒子群速度和位置；
2)计算种群多样性指数D(t)：
其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解,Fit(Gbest(t))表示
Gbest(t)对应的适应度值，m是粒子群规模，zi(t)是第i个粒子在第t次迭代时的位置，
Fit(zi(t))表示zi(t)对应的适应度值；
3)更新学习速率参数Ψ(t):
4)更新粒子的速度和位置，产生新的群体；
zik(t+1)＝zik(t)+uik(t+1)
其中，α1是个体加速度参数，α2是全局加速度参数，和是0-1之间的随机数，t为
迭代次数，p为粒子群规模；uik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，
uik(t)是第i个粒子的第k个分量在第t次迭代的速度，zik(t+1)是第i个粒子的第k个分
量在第t+1次迭代的位置，zik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbestik
是第i个粒子的第k个分量达到过的最优解，k＝1,2分别对应于核参数θ和惩罚系数γ；
5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回2)继续迭代；
其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择系统的均方根误差，终止条件为连续五次迭代全局最优解不变。
结果显示模块，用以进行识别结果的显示，即将输入SAR图像中坦克的类型显示在屏幕当中。
本发明的技术构思为：本发明针对SAR雷达全天时、全天候工作以及强穿透的特性，对SAR雷达监测到的海洋图像进行图像预处理，接着进行特征的提取以及特征的选择，最后通过分类器的训练过程建立陆地坦克目标识别系统，从而实现SAR雷达陆地坦克目标的识别。
本发明的有益效果主要表现在：1、可实时识别陆地坦克目标；2、所用的识别方法只需较少的训练样本；3、智能化、受人为因素干扰小。
附图说明
图1是本发明所提出的系统的整体结构图；
图2是本发明所提出的上位机的功能模块图。
具体实施方式
下面根据附图具体说明本发明。上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
实施例
参照图1、图2，一种自适应群智优化SAR雷达陆地坦克目标识别系统，包括SAR雷达1、数据库2及上位机3，SAR雷达1、数据库2和上位机3依次相连，所述SAR雷达1对所监测陆地进行照射，并将SAR雷达图像存储到所述的数据库2，所述的上位机3包括：
图像预处理模块4，用以进行SAR雷达图像数据预处理，采用如下过程完成：
1)从数据库中传来的SAR图像灰度级为L,f(x0,y0)为像素点(x0,y0)处的灰度值，g(x0,y0)为像素点(x0,y0)的N×N邻域内像素的平均值，其中x0,y0分别表示像素点的横坐标和纵坐标；
2)通过计算满足f＝m和g＝n的像素数目h(m,n)，得到二维联合概率密度pmn：
pmn＝p(m,n)＝h(m,n)/M
其中，M表示图像像素的总数目；
3)计算二维直方图的均值向量μ：
4)分别计算图像中目标和背景出现的概率P0,1和均值向量μ0,1：
其中，t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域；
5)计算类间方差BCV：
BCV＝P0(μ0-μ)(μ0-μ)′+P1(μ1-μ)(μ1-μ)′；
其中，μ表示均值向量，上标’表示矩阵的转置。
6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s0,t0]：
特征提取模块5，用以进行坦克典型特征的提取，采用如下过程完成：
1)从图像预处理模块传来的只包含一个坦克目标的SAR图像切片I(m,n)，其中只包含目标区域的二值图为B(m,n)，则只包含目标的图像T(m,n)：
T(m,n)＝I(m,n)×B(m,n)
其中，×表示对应像素相乘；
2)在B(m,n)中根据坦克个体的主轴方向求得坦克主体区域的最小外接矩形，则该矩形的长边长度Length即为坦克个体的长度，矩形的短边长度Width即为坦克个体的宽度；
3)计算得到几何结构特征，其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量：
周长面积长宽比R＝Length/Width；形状复杂度C＝Length2/4πS；目标区域的质心位置
转动惯量式中，r代表了目标像素点与质心之间的距离，
4)计算得到灰度统计特征，其中包括质量、均值、方差系数、标准差、分形维数、加权填充比：
质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和；分形维数H＝(log10N1-log10N2)/(log10d1-log10d2)，该特征的计算方法是：用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K＝50)个最亮像素点的二值图B2(m,n)，首先将一个大小为d1×d2的窗口在这个二值图中连续滑动，记下窗口中包含亮点的窗口总数记为N1，接着再用一个大小为d2×d2的窗口在这个二值图中连续滑动，记下在窗口中包含亮点的窗口总数记为N2；加权填充比
特征选择模块6，用以选择出最优特征子集，采用如下过程完成：
1)计算类内距离类间距离以及类内类间距Ji:
其中，i表示特征标号，ω表示坦克类别的标号，||Fi (ω)||2表示特征向量Fi (ω)的2范数，表示训练集样本的总体均值，Nω表示第ω类坦克的数量，N表示训练集中坦克总数，E表示期望，下标W、下标B分别表示类内、类间。
2)计算得到归一化方差系数ρi (ω)：
ρi (ω)＝E[||Fi (ω)||2 2]-E2[Fi (ω)||2]/E[||Fi (ω)||2 2]
其中，i表示特征标号，ω表示坦克类别的标号，||Fi (ω)||2表示特征向量Fi (ω)的2范数，E[||Fi (ω)||2 2]和E2[||Fi (ω)||2]分别表示特征的平方均值以及均值的平方。特征的方差系数ρi (ω)越小，表明该目标特征的稳定性越好；
3)计算得到相关系数ri,j：
其中，i,j表示特征标号，||Fi||2表示特征Fi的2范数，和分别表示Fi和Fj的均值，σi，i和σj,j分别表示Fi和Fj的标准差。由相关系数的性质可知，0≤ri,j≤1；如果两个特征完全不相关，ri,j＝0；如果两个特征完全相关，ri,j＝1；如果两个特征之间的相关性很低，即特征之间的信息冗余非常少，那么ri,j就会越接近0；反之，如果两个特征之间的相关性很高，即特征之间的信息冗余非常多，那么ri,j就会越接近1；
4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集，构造最优输入特征向量；
分类器训练模块7，用以进行分类器训练，采用如下过程完成：
1)从特征选择模块中采集N个SAR雷达图像xi作为训练样本，i＝1,2,…,N；
2)对训练样本进行归一化处理，得到归一化样本
3)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y:
其中，D表示重构维数，D为自然数，且D<N,D的取值范围为50-70；
4)将得到的X,Y代入如下分类器：
Y＝wTΦ(x)+E
其中，Φ(·)是核函数矩阵，w为权重系数矩阵，E为残差矩阵，核函数的似然函数为：
其中，t为样本目标的分类值，σ2为坦克样本的方差，直接用最大似然估计的方法求解w,σ2，通常会导致严重的过拟合现象，使w中的元素大部分不是0，失去了稀疏性。为了避免这一现象，引入高斯先验来解决这一问题，即定义权重w的先验分布为依赖于超参数α的高斯分布：
其中，α＝(α0,α1,…,αM)T为超参数，决定分类器的稀疏性。由贝叶斯准则，可得权重向量w的后验似然分布为：
该权值的后验分布属于多变量高斯分布，其后验协方差和后验均值分别为：
Σ＝(σ-2ΦTΦ+A)-1
μ＝σ-2ΣΦTt
其中，A＝diag(α0,α1,…,αM)为超参数的对角矩阵。通过最大化边缘似然函数化求得最大似然估计点αMP，如下：
其中，I为单位矩阵。通过得到的α＝αMP代入式求得均值的点估计μMP，从而得到最后坦克分类的估计值t＝ΦμMP。采用自下向上系统来更新超参数α，即快速边缘最大化算法。在迭代过程中，大部分的αi会接近无穷大，即相应的wi为0，其基函数可以被删除，从而达到稀疏性。其他的αi会接近有限值，与之对应的非零μMP的数目也很少，这些元素称为相关向量。引入稀疏因子si和质量因子qi：
其中，B＝σ2I+ΦA-1ΦT，表示该矩阵中去掉第i个基向量后得到的相应矩阵。si是衡量基向量是否在系统中存在的依据；qi是某一个基向量排除在系统外的误差调整尺度。可得：
在训练的RVM坦克分类器中：
当αi＝∞，而更新的则系统中添加基向量且求得αi；
当αi<∞，且则删除并且设置αi＝∞；
当αi<∞，且则保留修正αi；
当max|Δαi|<10-3时，表明分类器已经收敛，wi和αi的更新迭代过程结束。
快速算法是针对每一个输入向量进行添加、删除和修正，避免了进行大矩阵求逆运算，同时每一步迭代都保证边缘似然目标函数的递增，确保迭代的收敛性。
自适应群智寻优模块9，用以采用自适应粒子群算法对分类器系统的核参数θ和惩罚因子γ进行优化，采用如下过程完成：
1)随机产生初始粒子群速度和位置；
2)计算种群多样性指数D(t)：
其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解,Fit(Gbest(t))表示
Gbest(t)对应的适应度值，m是粒子群规模，zi(t)是第i个粒子在第t次迭代时的位置，
Fit(zi(t))表示zi(t)对应的适应度值；
3)更新学习速率参数Ψ(t):
4)更新粒子的速度和位置，产生新的群体；
zik(t+1)＝zik(t)+uik(t+1)
其中，α1是个体加速度参数，α2是全局加速度参数，和是0-1之间的随机数，t为
迭代次数，p为粒子群规模；uik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，
uik(t)是第i个粒子的第k个分量在第t次迭代的速度，zik(t+1)是第i个粒子的第k个分
量在第t+1次迭代的位置，zik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbestik
是第i个粒子的第k个分量达到过的最优解，k＝1,2分别对应于核参数θ和惩罚系数γ；
5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回2)继续迭代；
其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择系统的均方根误差，终止条件为连续五次迭代全局最优解不变。
结果显示模块8，用以进行识别结果的显示，即将输入SAR图像中坦克的类型显示在上位机当中。
所述上位机3的硬件部分包括：I/O元件，用于数据的采集和信息的传递；数据存储器，存储运行所需要的数据样本和运行参数等；程序存储器，存储实现功能模块的软件程序；运算器，执行程序，实现指定的功能；显示模块，显示设置的参数和识别结果。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种自适应群智能优化SAR雷达陆地坦克目标识别系统，其特征在于：包括SAR雷达、数据库以及上位机，SAR雷达、数据库和上位机依次相连，所述SAR雷达对陆地进行实时监测，并将SAR雷达获得的图像数据存储到所述的数据库中，所述的上位机包括图像预处理模块、特征提取模块、分类器训练模块、分类器训练模块、自适应群智寻优模块和结果显示模块，所述图像预处理模块、特征提取模块、分类器训练模块、分类器训练模块和结果显示模块依次相连，分类器训练模块与自适应群智寻优模块相连。
2.根据权利要求1所述自适应群智能优化SAR雷达陆地坦克目标识别系统，其特征在于：所述图像预处理模块，用以进行SAR雷达图像数据预处理，采用如下过程完成：
1)从数据库中传来的SAR图像灰度级为L,f(x0,y0)为像素点(x0,y0)处的灰度值，g(x0,y0)为像素点(x0,y0)的N×N邻域内像素的平均值，其中x0,y0分别表示像素点的横坐标和纵坐标；
2)通过计算满足f＝m和g＝n的像素数目h(m,n)，得到二维联合概率密度pmn：
pmn＝p(m,n)＝h(m,n)/M
其中，M表示图像像素的总数目；
3)计算二维直方图的均值向量μ：
4)分别计算图像中目标和背景出现的概率P0,1和均值向量μ0,1：
其中，t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域；
5)计算类间方差BCV：
BCV＝P0(μ0-μ)(μ0-μ)′+P1(μ1-μ)(μ1-μ)′；
其中，μ表示均值向量，上标’表示矩阵的转置。
6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s0,t0]：
3.根据权利要求1所述自适应群智能优化SAR雷达陆地坦克目标识别系统，其特征在于：所述特征提取模块，用以进行坦克典型特征的提取，采用如下过程完成：
1)从图像预处理模块传来的只包含一个坦克目标的SAR图像切片I(m,n)，其中只包含目标区域的二值图为B(m,n)，则只包含目标的图像T(m,n)：
T(m,n)＝I(m,n)×B(m,n)
其中，×表示对应像素相乘；
2)在B(m,n)中根据坦克个体的主轴方向求得坦克主体区域的最小外接矩形，则该矩形的长边长度Length即为坦克个体的长度，矩形的短边长度Width即为坦克个体的宽度；
3)计算得到几何结构特征，其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量：
周长面积长宽比R＝Length/Width；形状复杂度C＝Length2/4πS；目标区域的质心位置
转动惯量式中，r代表了目标像素点与质心之间的距离，
4)计算得到灰度统计特征，其中包括质量、均值、方差系数、标准差、分形维数、加权填充比：
质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和；分形维数H＝(log10N1-log10N2)/(log10d1-log10d2)，该特征的计算方法是：用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K＝50)个最亮像素点的二值图B2(m,n)，首先将一个大小为d1×d2的窗口在这个二值图中连续滑动，记下窗口中包含亮点的窗口总数记为N1，接着再用一个大小为d2×d2的窗口在这个二值图中连续滑动，记下在窗口中包含亮点的窗口总数记为N2；加权填充比
4.根据权利要求1所述自适应群智能优化SAR雷达陆地坦克目标识别系统，其特征在于：所述特征选择模块，用以选择出最优特征子集，采用如下过程完成：
1)计算类内距离类间距离以及类内类间距Ji:
其中，i表示特征标号，ω表示坦克类别的标号，||Fi (ω)||2表示特征向量Fi (ω)的2范数，表示训练集样本的总体均值，Nω表示第ω类坦克的数量，N表示训练集中坦克总数，E表示期望，下标W、下标B分别表示类内、类间。
2)计算得到归一化方差系数ρi (ω)：
ρi (ω)＝E[||Fi (ω)||2 2]-E2[||Fi (ω)||2]/E[||Fi (ω)||2 2]
其中，i表示特征标号，ω表示坦克类别的标号，||Fi (ω)||2表示特征向量Fi (ω)的2范数，E[||Fi (ω)||2 2]和E2[||Fi (ω)||2]分别表示特征的平方均值以及均值的平方。特征的方差系数ρi (ω)越小，表明该目标特征的稳定性越好；
3)计算得到相关系数ri,j：
其中，i,j表示特征标号，||Fi||2表示特征Fi的2范数，和分别表示Fi和Fj的均值，σi,i和σj,j分别表示Fi和Fj的标准差。由相关系数的性质可知，0≤ri,j≤1；如果两个特征完全不相关，ri,j＝0；如果两个特征完全相关，ri,j＝1；如果两个特征之间的相关性很低，即特征之间的信息冗余非常少，那么ri,j就会越接近0；反之，如果两个特征之间的相关性很高，即特征之间的信息冗余非常多，那么ri,j就会越接近1；
4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集，构造最优输入特征向量。
5.根据权利要求1所述自适应群智能优化SAR雷达陆地坦克目标识别系统，其特征在于：所述分类器训练模块，用以进行分类器训练，采用如下过程完成：
1)从特征选择模块中采集N个SAR雷达图像xi作为训练样本，i＝1,2,…,N；
2)对训练样本进行归一化处理，得到归一化样本
3)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y:
其中，D表示重构维数，D为自然数，且D<N,D的取值范围为50-70；
4)将得到的X,Y代入如下分类器：
Y＝wTΦ(x)+E
其中，Φ(·)是核函数矩阵，w为权重系数矩阵，E为残差矩阵，核函数的似然函数为：
其中，t为样本目标的分类值，σ2为坦克样本的方差，直接用最大似然估计的方法求解w,σ2，通常会导致严重的过拟合现象，使w中的元素大部分不是0，失去了稀疏性。为了避免这一现象，引入高斯先验来解决这一问题，即定义权重w的先验分布为依赖于超参数α的高斯分布：
其中，α＝(α0,α1,…,αM)T为超参数，决定分类器的稀疏性。由贝叶斯准则，可得权重向量w的后验似然分布为：
该权值的后验分布属于多变量高斯分布，其后验协方差和后验均值分别为：
Σ＝(σ-2ΦTΦ+A)-1
μ＝σ-2ΣΦTt
其中，A＝diag(α0,α1,…,αM)为超参数的对角矩阵。通过最大化边缘似然函数化求得最大似然估计点αMP，如下：
其中，I为单位矩阵。通过得到的α＝αMP代入式求得均值的点估计μMP，从而得到最后坦克分类的估计值t＝ΦμMP。采用自下向上系统来更新超参数α，即快速边缘最大化算法。在迭代过程中，大部分的αi会接近无穷大，即相应的wi为0，其基函数可以被删除，从而达到稀疏性。其他的αi会接近有限值，与之对应的非零μMP的数目也很少，这些元素称为相关向量。引入稀疏因子si和质量因子qi：
其中，B＝σ2I+ΦA-1ΦT，表示该矩阵中去掉第i个基向量后得到的相应矩阵。si是衡量基向量是否在系统中存在的依据；qi是某一个基向量排除在系统外的误差调整尺度。可得：
在训练的RVM坦克分类器中：
当αi＝∞，而更新的则系统中添加基向量且求得αi；
当αi<∞，且则删除并且设置αi＝∞；
当αi<∞，且则保留修正αi；
当max|Δαi|<10-3时，表明分类器已经收敛，wi和αi的更新迭代过程结束。
快速算法是针对每一个输入向量进行添加、删除和修正，避免了进行大矩阵求逆运算，同时每一步迭代都保证边缘似然目标函数的递增，确保迭代的收敛性。
所述自适应群智寻优模块，用以采用自适应粒子群算法对分类器的核参数θ和惩罚因子γ进行优化，采用如下过程完成：
1)随机产生初始粒子群速度和位置；
2)计算种群多样性指数D(t)：
其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解,Fit(Gbest(t))表示Gbest(t)对应的适应度值，m是粒子群规模，zi(t)是第i个粒子在第t次迭代时的位置，Fit(zi(t))表示zi(t)对应的适应度值；
3)更新学习速率参数Ψ(t):
4)更新粒子的速度和位置，产生新的群体；
zik(t+1)＝zik(t)+uik(t+1)
其中，α1是个体加速度参数，α2是全局加速度参数，和是0-1之间的随机数，t为迭代次数，p为粒子群规模；uik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，uik(t)是第i个粒子的第k个分量在第t次迭代的速度，zik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，zik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbestik是第i个粒子的第k个分量达到过的最优解，k＝1,2分别对应于核参数θ和惩罚系数γ；
5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回2)继续迭代；
其中，粒子群规模为50-100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择均方根误差，终止条件为连续五次迭代全局最优解不变。
所述结果显示模块，用以进行识别结果的显示，即将输入SAR图像中坦克的类型显示在屏幕当中。
CN201810457331.6A 2018-05-14 2018-05-14 一种自适应群智能优化sar雷达陆地坦克目标识别系统 Pending CN108615029A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810457331.6A CN108615029A (zh) 2018-05-14 2018-05-14 一种自适应群智能优化sar雷达陆地坦克目标识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810457331.6A CN108615029A (zh) 2018-05-14 2018-05-14 一种自适应群智能优化sar雷达陆地坦克目标识别系统

Publications (1)

Publication Number Publication Date
CN108615029A true CN108615029A (zh) 2018-10-02

Family

ID=63663101

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810457331.6A Pending CN108615029A (zh) 2018-05-14 2018-05-14 一种自适应群智能优化sar雷达陆地坦克目标识别系统

Country Status (1)

Country Link
CN (1) CN108615029A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102183749A (zh) * 2011-03-03 2011-09-14 浙江大学 一种自适应雷达海上目标检测系统及方法
CN102194224A (zh) * 2010-03-08 2011-09-21 王琛 一种光学遥感图像坦克群的识别方法
CN106203457A (zh) * 2016-06-30 2016-12-07 南京理工大学 一种基于改进的胡氏不变矩的坦克识别系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102194224A (zh) * 2010-03-08 2011-09-21 王琛 一种光学遥感图像坦克群的识别方法
CN102183749A (zh) * 2011-03-03 2011-09-14 浙江大学 一种自适应雷达海上目标检测系统及方法
CN106203457A (zh) * 2016-06-30 2016-12-07 南京理工大学 一种基于改进的胡氏不变矩的坦克识别系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
蒋华琴: "智能支持向量机方法及其在丙烯聚合熔融指数预报中的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *
陈文婷: "SAR图像舰船目标特征提取与分类识别方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *

Similar Documents

Publication Publication Date Title
CN106355151B (zh) 一种基于深度置信网络的三维sar图像目标识别方法
CN103413146B (zh) 基于Freeman熵和自学习的极化SAR图像精细分类方法
CN108596156A (zh) 一种智能sar雷达空中飞行目标识别系统
CN103116744B (zh) 基于mrf和svm-knn分类的假指纹检测方法
CN111160268B (zh) 一种基于多任务学习的多角度sar目标识别方法
CN105574534A (zh) 基于稀疏子空间聚类和低秩表示的显著性目标检测方法
CN105631436A (zh) 基于随机森林的级联位置回归用于人脸对齐的方法
CN102999761B (zh) 基于Cloude分解和K-wishart分布的极化SAR图像分类方法
CN105160353B (zh) 基于多特征集的极化sar数据地物分类方法
CN108399430B (zh) 一种基于超像素和随机森林的sar图像舰船目标检测方法
CN103246894B (zh) 一种解决光照不敏感问题的地基云图识别方法
CN108490415A (zh) 一种智能sar雷达海上舰船目标识别系统
CN106485269A (zh) 基于混合统计分布与多部件模型的sar图像目标检测方法
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
CN108629382A (zh) 一种群智优化sar雷达海上舰船目标识别系统
CN108596155A (zh) 一种sar雷达空中飞行目标识别系统
CN108647653A (zh) 一种智能sar雷达陆地坦克目标识别系统
CN104463227A (zh) 基于fqpso和目标分解的极化sar图像分类方法
CN107563420B (zh) 基于散射能量和堆栈自编码的极化sar图像分类方法
CN109801208A (zh) 基于多gpu任务优化的sar图像变化检测方法
CN108875578A (zh) 一种自适应群智能优化sar雷达空中飞行目标识别系统
CN111428627B (zh) 一种山地地貌遥感提取方法及系统
EP3671634B1 (en) Curvilinear object segmentation with geometric priors
CN108615029A (zh) 一种自适应群智能优化sar雷达陆地坦克目标识别系统
CN106127236A (zh) 基于狄利克雷mrf混合模型的极化sar图像分类方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181002

RJ01 Rejection of invention patent application after publication