CN108647653A - 一种智能sar雷达陆地坦克目标识别系统 - Google Patents
一种智能sar雷达陆地坦克目标识别系统 Download PDFInfo
- Publication number
- CN108647653A CN108647653A CN201810457990.XA CN201810457990A CN108647653A CN 108647653 A CN108647653 A CN 108647653A CN 201810457990 A CN201810457990 A CN 201810457990A CN 108647653 A CN108647653 A CN 108647653A
- Authority
- CN
- China
- Prior art keywords
- tank
- module
- target
- image
- vector
- 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
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 19
- 230000000875 corresponding effect Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000007306 functionalization reaction Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种智能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、智能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,涉及一种智能SAR雷达陆地坦克目标识别系统。
背景技术
利用SAR图像对陆地坦克进行监测和识别,可以通过对SAR图像进行陆地坦克的监测识别,获取坦克的类型、位置以及航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。传统的分类方法,如人工神经网络在处理小样本问题时一方面容易出现过学习现象,导致算法的推广性差;另一方面学习的性能差,处理非线性问题算法复杂。而统计学习理论是一种专门的小样本统计理论,基于统计学习理论的支持向量机技术是一种新的模式识别方法,能够较好的解决小样本学习问题,是当今机器学习领域的热点,已经在人脸识别,手写识别,指纹识别,甚至在三维物体识别得到了运用。其中基于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,模型的效果并不是很好。
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:一种智能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,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。
智能寻优模块,用以采用遗传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)采用实数编码方法对θ和γ进行编码;
2)随机产生初始种群;
3)采用下式计算种群每个个体的适应度,并判断是否符合算法终止条件,若符合,输出最佳个体及其代表的最优解,并结束计算,否则继续迭代;
其中,为待估计函数,Cmax为f(x)的最大估计;
4)采用正态分布概率选择个体;
5)通过单点线性交叉产生新个体;
6)通过均匀变异方式产生新个体;
7)产生新一代种群,返回3)进行迭代;
其中,初始种群大小为50-200,最大代数50-300,最佳个体选择概率为0.05-0.1,交叉概率为0.5-0.9,变异概率为0.001-0.01,个体适应度选择模型的均方根误差,终止条件为达到最大代数或者连续五次适应度不变。
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雷达监测到的陆地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模型,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2,一种智能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。
智能寻优模块9,用以采用遗传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)采用实数编码方法对θ和γ进行编码;
2)随机产生初始种群;
3)采用下式计算种群每个个体的适应度,并判断是否符合算法终止条件,若符合,输出最佳个体及其代表的最优解,并结束计算,否则继续迭代;
其中,为待估计函数,Cmax为f(x)的最大估计;
4)采用正态分布概率选择个体;
5)通过单点线性交叉产生新个体;
6)通过均匀变异方式产生新个体;
7)产生新一代种群,返回3)进行迭代;
其中,初始种群大小为50-200,最大代数50-300,最佳个体选择概率为0.05-0.1,交叉概率为0.5-0.9,变异概率为0.001-0.01,个体适应度选择模型的均方根误差,终止条件为达到最大代数或者连续五次适应度不变。
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)
1.一种智能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、群智优化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,分类器训练模块与群智优化模块相连。
2.根据权利要求1所述智能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所述智能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所述智能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所述智能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。
所述智能寻优模块用以采用遗传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)采用实数编码方法对θ和γ进行编码;
2)随机产生初始种群;
3)采用下式计算种群每个个体的适应度,并判断是否符合算法终止条件,若符合,输出最佳个体及其代表的最优解,并结束计算,否则继续迭代;
其中,为待估计函数,Cmax为f(x)的最大估计;
4)采用正态分布概率选择个体;
5)通过单点线性交叉产生新个体;
6)通过均匀变异方式产生新个体;
7)产生新一代种群,返回3)进行迭代;
其中,初始种群大小为50-200,最大代数50-300,最佳个体选择概率为0.05-0.1,交叉概率为0.5-0.9,变异概率为0.001-0.01,个体适应度选择模型的均方根误差,终止条件为达到最大代数或者连续五次适应度不变。
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 |
---|---|---|---|
CN201810457990.XA CN108647653A (zh) | 2018-05-14 | 2018-05-14 | 一种智能sar雷达陆地坦克目标识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810457990.XA CN108647653A (zh) | 2018-05-14 | 2018-05-14 | 一种智能sar雷达陆地坦克目标识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108647653A true CN108647653A (zh) | 2018-10-12 |
Family
ID=63755284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810457990.XA Pending CN108647653A (zh) | 2018-05-14 | 2018-05-14 | 一种智能sar雷达陆地坦克目标识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647653A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492556A (zh) * | 2018-10-28 | 2019-03-19 | 北京化工大学 | 面向小样本残差学习的合成孔径雷达目标识别方法 |
CN111860144A (zh) * | 2020-06-10 | 2020-10-30 | 长沙理工大学 | 一种基于新型MDR-Net的雷达目标识别算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183745A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种智能雷达海杂波预报系统及方法 |
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 |
CN107976662A (zh) * | 2017-11-13 | 2018-05-01 | 浙江大学 | 一种基于入侵杂草优化算法的智能雷达海上目标检测系统及方法 |
-
2018
- 2018-05-14 CN CN201810457990.XA patent/CN108647653A/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 |
CN102183745A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 一种智能雷达海杂波预报系统及方法 |
CN107976662A (zh) * | 2017-11-13 | 2018-05-01 | 浙江大学 | 一种基于入侵杂草优化算法的智能雷达海上目标检测系统及方法 |
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》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492556A (zh) * | 2018-10-28 | 2019-03-19 | 北京化工大学 | 面向小样本残差学习的合成孔径雷达目标识别方法 |
CN111860144A (zh) * | 2020-06-10 | 2020-10-30 | 长沙理工大学 | 一种基于新型MDR-Net的雷达目标识别算法 |
CN111860144B (zh) * | 2020-06-10 | 2023-10-17 | 长沙理工大学 | 一种基于MDR-Net的雷达目标识别系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN106295694B (zh) | 一种迭代重约束组稀疏表示分类的人脸识别方法 | |
CN111695456B (zh) | 一种基于主动判别性跨域对齐的低分辨人脸识别方法 | |
CN108596156A (zh) | 一种智能sar雷达空中飞行目标识别系统 | |
CN110458192B (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
CN111160268A (zh) | 一种基于多任务学习的多角度sar目标识别方法 | |
CN106096517A (zh) | 一种基于低秩矩阵与特征脸的人脸识别方法 | |
CN104732244A (zh) | 基于小波变换、多策略pso和svm集成的遥感图像分类方法 | |
Bawane et al. | Object and character recognition using spiking neural network | |
CN116188880B (zh) | 基于遥感影像和模糊识别的耕地分类的方法及其系统 | |
CN113344045B (zh) | 一种结合hog特征提高sar船只分类精度的方法 | |
CN109376787A (zh) | 流形学习网络及基于其的计算机视觉图像集分类方法 | |
CN114972904B (zh) | 一种基于对抗三元组损失的零样本知识蒸馏方法及系统 | |
CN115995040A (zh) | 一种基于多尺度网络的sar图像小样本目标识别方法 | |
CN110163103A (zh) | 一种基于视频图像的生猪行为识别方法和装置 | |
CN104123563B (zh) | 一种基于Cloude分解的极化SAR图像分类方法 | |
CN108647653A (zh) | 一种智能sar雷达陆地坦克目标识别系统 | |
CN110135435B (zh) | 一种基于广度学习系统的显著性检测方法及装置 | |
CN117275080B (zh) | 基于计算机视觉的眼部状态识别方法及系统 | |
CN113869454A (zh) | 一种基于快速嵌入式谱分析的高光谱图像稀疏特征选择方法 | |
CN108596155A (zh) | 一种sar雷达空中飞行目标识别系统 | |
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 | |
Goncharova et al. | Greedy algorithms of feature selection for multiclass image classification | |
CN105139422A (zh) | 一种自解释目标跟踪方法及装置 |
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: 20181012 |
|
RJ01 | Rejection of invention patent application after publication |