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 PDFInfo
- 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
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
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。
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)
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 |
-
2018
- 2018-05-14 CN CN201810457331.6A patent/CN108615029A/zh active Pending
Patent Citations (3)
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)
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 |