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 |