CN110135444B - 一种目标库属性一维像判别最优本征子空间特征提取方法 - Google Patents

Abstract

本文公开了一种目标库属性一维像判别最优本征子空间特征提取方法。该方法首先利用所有库属目标的训练一维距离像样本数据建立一个最优本征子空间，抽取目标的最优特征，构建库属目标的特征描述库，对输入目标的库属性进行判别。该方法通过逐层优化建立最优本征子空间，能够更好地描述库属目标和非库属目标的区别信息，从而提高了目标库属性的判别性能。对4类目标的仿真实验验证了方法的有效性。

Description

一种目标库属性一维像判别最优本征子空间特征提取方法

技术领域

本发明属于雷达目标识别技术领域，涉及一种目标库属性一维像判别最优本征子空间特征提取方法。

背景技术

目标一维距离像包含了有关目标的结构和形状的信息，相对于低分辩雷达而言，这些信息更有利于目标的分类，因此，基于一维距离像的目标识别成为了当前雷达目标识别的热点。

常规的模式识别方法是预先利用目标的训练样本数据集进行训练，建立目标的特征模板库，然后对参与了训练的目标输入数据进行识别，在输入目标与建库目标相同的情况下，许多基于一维距离像的识别方法都获得了良好的识别效果。然而，在实际中，对于飞机等非协作目标，很难一次性收集到所有目标的一维距离像数据以建立一个包含所有目标的特征模板征库，表明输入目标可能是没有参与训练的目标，即没有特征模板库，在这种情况下，常规一维距离像识别方法将会出现识别错误，降低对目标的识别性能。因此，在实际工程应用中，首先必须对输入目标的一维距离像进行判别，若输入目标被判别为库属目标，将采用常规一维距离像方法进行识别；若输入目标被判别为一个新目标，则在原有的特征模板库中增加一个该新目标的模板，以便下次对该目标进行识别。

常规的本征子空间目标库属性判别方法以输入目标一维距离像与特征模板库的欧氏距离作为识别统计量，与训练阶段确定的门限进行比较来判定输入目标的库属性。然而，常规本征子空间法提取的特征不是最优的，不能更好地描述库属目标的本质信息，增大了库属目标与非库属目标的特征交叠区域，导致误判率明显增加。

发明内容

针对上述问题，本发明提出一种目标库属性一维距离像判别中的最优本征子空间特征提取方法，通过对库属目标的训练一维距离像样本数据进行逐层分析，建立一个最优本征子空间，能够更好地描述库属目标的本质信息，减少了库属目标与非库属目标的特征交叠区域，因此，改善了对库属目标和非库属目标的判别率。

本发明的技术方案是，最优本征子空间特征提取方法：

设x_ij(n维列矢量)为第i^th类库属目标的第j^th个训练一维距离像,1≤i≤g，1≤j≤N_i，

其中N_i为第i^th类库属目标的训练样本数，N为训练样本总数。利用训练数据集计算协方差矩阵C

对式(1)中的协方差矩阵进行本征分解，获取最大本征值λ_1,max对应的n维本征列向量v_1,max作为子空间变换矩阵中的第一根坐标轴a₁

a₁＝v_1,max(3)

设Q₁是n维空间中列向量v_1,max对应的n×(n-1)维正交补子空间矩阵，即

其中T表示向量的转置，0是元素全是零的向量。库属目标的训练样本向矩阵Q₁投影

其中

为(n-1)维子空间中的向量，对所有库属目标的

计算协方差矩阵C¹

对式(6)中的协方差矩阵进行特本征分解，获取最大本征值λ_2,max对应的(n-1)维本征列向量v_2,max，将其变换到n维空间，作为子空间变换矩阵中的第二根坐标轴a₂

a₂＝Q₁v_2,max (8)

同理，可以获得子空间变换矩阵中的第r(2<r≤n)根坐标轴a_r

a_r＝Q_r-1v_r,max (9)

其中Q_r-1为矩阵[a₁ a₂…a_r-1]对应的正交补子空间，v_r,max为协方差矩阵C^r-1的最大本征值λ_r,max对应的本征向量，其中

由a₁，a₂，...，a_r组成变换矩阵

A＝[a₁ a₂…a_r] (13)

由于变换矩阵中的每根坐标轴对应的本征值都是子空间中最大的，因此，变换矩阵A称为最优本征子空间。将训练一维距离像x_ij向子空间矩阵A投影

y_ij＝A^Tx_ij (14)

其中y_ij即为x_ij对应的最优本征投影矢量。

本发明的有益效果为，本发明首先利用所有库属目标的训练一维距离像样本数据建立一个最优本征子空间，抽取目标的最优特征，构建库属目标的特征描述库，对输入目标的库属性进行判别。该方法通过逐层优化建立最优本征子空间，能够更好地描述库属目标和非库属目标的区别信息，从而提高了目标库属性的判别性能。对4类目标的仿真实验验证了方法的有效性。

具体实施方式

下面结合仿真示例说明本发明方案的有效性。

设计四种点目标：“|”字型，“V”字型,“干”字型和“小”字型。前三种目标(“|”字型，“V”字型,“干”字型目标)作为库属目标参与训练，建立库属目标的模板库。后一种目标(“小”字型目标)不参与训练(即作为非库属目标)。在目标姿态角为(0°∽60°)范围内每隔1°的一维距离像中,取所有训练目标姿态角为0°、2°、4°、...、60°的一维距离像进行训练，其余姿态角的一维距离像作为测试数据。使用常规本征子空间判别法和本发明方法对以上仿真数据进行判别实验。实验中,以输入目标的一维距离像数据x_t对应的最优本征投影特征矢量为y_t，计算y_t与库属目标模板的欧氏距离，如果最小欧氏距离小于预先设置的判别门限，则输入目标判为库属目标，否则判为非库属目标。

仿真实验中雷达发射脉冲的带宽为150MHZ(距离分辨率为1m,雷达径向取样间隔为0.5m),目标设置为均匀散射点目标，”|”目标的散射点为5，其余三目标的散射点数均为9。实验结果如下：

表1 常规本征子空间判别法对四种目标的判别结果(％)

表2 本发明方法对四种目标的判别结果(％)

从表1和表2的结果可见，常规本征子空间判别法对“|”字型目标、“V”字型目标和“干”字型目标等三种库属目标的正确判别率分别为84％、80％和78％；对“小”字型目标等非库属目标，判为非库属目标的正确判别率为77％。相比而言，本发明方法对“|”字型目标、“V”字型目标和“干”字型目标等三种库属目标的正确判别率分别为87％、82％和83％；对“小”字型目标等非库属目标，判为非库属目标的正确判别率为88％，结果表明本发明方法对库属目标和非库属目标的判别率明显高于常规本征子空间判别方法。

Claims (1)

1.一种目标库属性一维像判别最优本征子空间特征提取方法，其特征在于，包括以下步骤：

S1、令n维列矢量x_ij为第i^th类库属目标的第j^th个训练一维距离像,1≤i≤g，1≤j≤N_i，

其中N_i为第i^th类库属目标的训练样本数，N为训练样本总数；

S2、利用训练数据集计算协方差矩阵C：

对式(1)中的协方差矩阵进行本征分解，获取最大本征值λ_1,max对应的n维本征列向量v_1,max作为子空间变换矩阵中的第一根坐标轴a₁：

a₁＝v_1,max (3)

令Q₁是n维空间中列向量v_1,max对应的n×(n-1)维正交补子空间矩阵，即

其中T表示向量的转置，0是元素全是零的向量；库属目标的训练样本向矩阵Q₁投影

其中

为(n-1)维子空间中的向量，对所有库属目标的

计算协方差矩阵C¹

对式(6)中的协方差矩阵进行特本征分解，获取最大本征值λ_2,max对应的(n-1)维本征列向量v_2,max，将其变换到n维空间，作为子空间变换矩阵中的第二根坐标轴a₂

a₂＝Q₁v_2,max (8)

同理，获得子空间变换矩阵中的第r(2<r≤n)根坐标轴a_r

a_r＝Q_r-1v_r,max (9)

其中Q_r-1为矩阵[a₁a₂…a_r-1]对应的正交补子空间，v_r,max为协方差矩阵C^r-1的最大本征值λ_r,max对应的本征向量，其中

由a₁，a₂，...，a_r组成变换矩阵

A＝[a₁a₂…a_r] (13)

由于变换矩阵中的每根坐标轴对应的本征值都是子空间中最大的，因此，变换矩阵A称为最优本征子空间；

S3、将训练一维距离像x_ij向子空间矩阵A投影

y_ij＝A^Tx_ij (14)

其中y_ij即为x_ij对应的最优本征投影矢量。