CN110503015B - 一种基于局部结构保持类子字典学习的目标识别方法 - Google Patents
一种基于局部结构保持类子字典学习的目标识别方法 Download PDFInfo
- Publication number
- CN110503015B CN110503015B CN201910734668.1A CN201910734668A CN110503015B CN 110503015 B CN110503015 B CN 110503015B CN 201910734668 A CN201910734668 A CN 201910734668A CN 110503015 B CN110503015 B CN 110503015B
- Authority
- CN
- China
- Prior art keywords
- class
- dictionary
- sample
- target
- local structure
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 230000014759 maintenance of location Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 18
- 238000012512 characterization method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 4
- 102100024506 Bone morphogenetic protein 2 Human genes 0.000 description 2
- 101000762366 Homo sapiens Bone morphogenetic protein 2 Proteins 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- 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
- 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
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (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)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
该发明公开了一种基于局部结构保持类子字典学习的目标识别方法,属于合成孔径雷达(SAR)图像解译领域,特别涉及一种基于局部结构保持的类字典学习方法,实现SAR自动目标识别。与传统的基于稀疏模式预设稀疏表征方法不同,本发明可以为每类目标学习一个鉴别能力强的类字典。在字典学习过程中,利用Tikhonov正则化准则对稀疏表征向量施加局部加权,从而可得到更优的稀疏特征。此外,考虑到SAR图像对目标姿态变化非常敏感,在测试阶段,样本可通过在每类类字典上进行重构,并将目标分配给重构误差最小的类字典对应的类标签。
Description
技术领域
本发明属于合成孔径雷达(SAR)图像解译领域,特别涉及一种基于局部结构保持的类字典学习方法,实现SAR自动目标识别。
背景技术
随着合成孔径雷达成像技术的不断提高,高分辨SAR图像已在遥感领域应用非常广泛。基于SAR图像的自动目标识别是SAR图像的一个重要应用。图像解译是自动目标识别中特别关键的技术。目前已有众多学者在SAR图像解译方面取得丰硕的研究成果。
由于独特的SAR成像机制,在一些扩展的操作场景中,诸如配置变化场景、大俯仰角变化场景等,从SAR图像中提取出稳健的鉴别信息是非常有挑战性的。为了能在这些扩展场景中仍能获得可接受的识别效果,学者们已从数据流形、深度学习等方向出发陆续提出各种SAR自动目标识别算法。
近年来,由于稀疏表征强表征能力,对噪声的强稳健性等优点,已有大量基于稀疏表征的算法在SAR自动目标识别领域被提出。但现有的多数基于稀疏表征的SAR自动目标识别算法中,稀疏模式(字典)是由训练样本直接构成。然而由于噪声、干扰等存在,很明显这种字典构造方式是不能获得最优的字典表征能力。此外由于SAR图像对目标姿态变化非常敏感,因此目标的全局特征,比如,轮廓,背影等全局鉴别信息会在扩展条件下变得不可靠,而目标的局部特征却可以仍然保持。考虑到以上两点,字典学习与局部特征保持对于基于稀疏表征的SAR目标识别显得尤为重要。
发明内容
本发明针对上面的问题,提出了一种基于局部结构保持的类字典学习算法。与传统的基于稀疏模式预设稀疏表征方法不同,本发明可以为每类目标学习一个鉴别能力强的类字典。在字典学习过程中,利用Tikhonov正则化准则对稀疏表征向量施加局部加权,从而可得到更优的稀疏特征。此外,考虑到SAR图像对目标姿态变化非常敏感,在测试阶段,样本可通过在每类类字典上进行重构,并将目标分配给重构误差最小的类字典对应的类标签。
本发明技术方案为一种基于局部结构保持类子字典学习的目标识别方法,该方法包括:
步骤2:基于给定的训练样本,得到每一类样本的初始化类字典,D=[D1,D2,…,DC],其中Di表示第i类样本对应的初始子字典;
其中,||·||2表示2范数,λ是一个平衡重构误差和稀疏度的正则化参数,Γ表示Tikhonov正则化矩阵;
步骤5:考虑到SAR图像对目标姿态变化相当敏感,比如说,同一类目标在不同方位角下采集两个样本之间的差异有可能远远大于不同类目标在相同方位角下两样本之间的差异;为缓解这一问题对识别带来的影响,在测试过程中,在类字典上完成目标重构,来消除干扰,然后将测试样本分类到重构误差最小的类字典的那一类。具体来说,测试样本y利用如下模型得到其在类字典上的表征系数
步骤7:利用如下的重构方法确定测试样本的类标签:
其中,l(x)表示测试样本y的类标签。
进一步的,所述步骤3中Γ采用如下矩阵:
其中,rj,k(xi,j,di,k)表示训练样本xi,j和对应第i类字典内第k个原子di,k之间的相似度;其中相似度采用如下公式计算:
本发明与现有技术相比,有以下优点
(1)本发明从训练样本中学习稀疏模型,这对于基于稀疏表征框架模型的SAR目标识别来说非常有益;
(2)本发明在字典学习过程中,为了保持数据的局部特征,引入一种正则化方法到稀疏约束项中,局部特征的保持对扩展条件下的SAR目标识别是非常重要的;
(3)本发明为了缓解SAR图像的姿态敏感性对识别结果的影响,引入一种基于类字典重构策略,以消除干扰。
附图说明
图1为实验一中T72的三种不同配置的例子;
图2为实验一中四种方法的混淆矩阵;
图3为实验二中两种俯仰角下各算法识别率。
具体实施方式
步骤一:给定训练样本为坦克或步兵战车的不同类的图片X=[X1,X2,…,XC],Xi表示第i类目标;
步骤二:利用给定样本初始化类字典D=[D1,D2,…,DC];
其中,Γ表示Tikhonov正则化矩阵,可具体表示为:
步骤七:利用如下的重构方法确定测试样本的类标签:
其中,l(x)表示测试样本y的类标签。
下面结合实例对本发明进行说明:
一、仿真条件:
硬件:i7CPU 3.6GHz,32G,软件:Matlab 2014b
二、仿真实验过程:
选用MSATR数据库中的实测数据来验证算法的有效性。为了减小冗余背景对识别结果的影响,所有的SAR目标图像被切割为64×64像素,并作归一化处理。然后进行如下仿真测试:
实验一:
第一个实验是SAR目标结构类别识别实验。
实验用数据集如表1所示。从表1可以看出,有三类目标:BMP2、T72和BTR70。其中BMP2和T72分别装载三种不同的配置。图1显示了T72的三种不同配置的例子。表1为实验一的数据集;
表1
在本实施例中,选取在17°俯仰角下采集的SAR图像进行作为训练集,对在15°俯仰角下采集的SAR图像进行测试。本次实验采用SVM、SRC、LC-KSCD三种算法用于性能对比。每种方法的平均识别率如表2所示,图2为不同算法的识别混淆矩阵。其中,CLPDL表示本发明提出的算法。表2为实验一中四种算法的平均识别率;
表2
算法 | SVM | SRC | LC-KSVD | 本发明方法 |
识别率 | 64.98% | 94.58% | 95.75% | 98.82% |
从表2中可以看出,本发明提出的算法识别率可达到98.82%,明显高于其他的对比算法,。从图2中可以看出,这几种算法对sn9563、sn9566、snc21这三类目标容易产生混淆,尤其是SVM算法,但是本发明的算法对每一类目标的识别率都能达到96%以上,且均高于其他三种算法。
实验二:
第二个实验是在不同俯仰角下进行性能测试。
在本实施例中,选取在17°俯仰角下采集的SAR图像进行作为训练集,选取在30°和45°俯仰角下采集的SAR图像分别作为不同的测试集。本次实验同样采用SVM、SRC、LC-KSCD进行性能对比。实验数据集如表3所示。图3用直方图表示各算法的识别率,图中横轴表示测试图像的俯仰角,纵轴表示识别率。其中CLPDL表示本发明提出的算法。表3为实验二的数据集;
表3
训练样本类型 | S1 | BRDM2 | ZSU234 |
训练集(17°) | 99 | 298 | 299 |
测试集(30°) | 88 | 287(133) | 288(118) |
测试集(45°) | 03 | 303(120) | 303(119) |
从图3可以看出,选用30°俯仰角下的SAR图像进行算法测试,四种方法的识别率都达到了90%以上,但是本发明提出的方法最高,可达到97.02%。而当用45°俯仰角下的采集SAR图像进行测试实验时,所有方法的识别率都出现了严重的下降。但从识别结果看出,本发明方法识别率依然优于对比算法,达到了76.03%。
Claims (2)
1.一种基于局部结构保持类子字典学习的目标识别方法,该方法包括:
步骤2:基于给定的训练样本,得到每一类样本的初始化类字典,D=[D1,D2,…,DC],其中Di表示第i类样本对应的初始子字典;
其中,||·||2表示2范数,λ是一个平衡重构误差和稀疏度的正则化参数,Γ表示Tikhonov正则化矩阵;
步骤7:利用如下的重构方法确定测试样本的类标签:
其中,l(x)表示测试样本y的类标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910734668.1A CN110503015B (zh) | 2019-08-09 | 2019-08-09 | 一种基于局部结构保持类子字典学习的目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910734668.1A CN110503015B (zh) | 2019-08-09 | 2019-08-09 | 一种基于局部结构保持类子字典学习的目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503015A CN110503015A (zh) | 2019-11-26 |
CN110503015B true CN110503015B (zh) | 2022-03-15 |
Family
ID=68586356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910734668.1A Expired - Fee Related CN110503015B (zh) | 2019-08-09 | 2019-08-09 | 一种基于局部结构保持类子字典学习的目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503015B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130110460A (ko) * | 2012-03-29 | 2013-10-10 | 부산대학교 산학협력단 | 비선형 운동시스템의 비선형 시변화 감쇠특성 추정을 위한 비파라메트릭 수치해석방법 |
CN104301730A (zh) * | 2014-10-14 | 2015-01-21 | 河海大学常州校区 | 基于视频移动设备的双向视频编解码系统及其方法 |
CN105912854A (zh) * | 2016-04-11 | 2016-08-31 | 西安交通大学 | 一种机械结构动载荷识别的稀疏表征方法 |
CN106852684A (zh) * | 2015-12-09 | 2017-06-16 | 佳能株式会社 | 光声装置和显示控制方法 |
CN107392190A (zh) * | 2017-09-07 | 2017-11-24 | 南京信息工程大学 | 基于半监督多视图字典学习的彩色人脸识别方法 |
CN108734115A (zh) * | 2018-05-03 | 2018-11-02 | 电子科技大学 | 一种基于标签一致字典学习的雷达目标识别方法 |
-
2019
- 2019-08-09 CN CN201910734668.1A patent/CN110503015B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130110460A (ko) * | 2012-03-29 | 2013-10-10 | 부산대학교 산학협력단 | 비선형 운동시스템의 비선형 시변화 감쇠특성 추정을 위한 비파라메트릭 수치해석방법 |
CN104301730A (zh) * | 2014-10-14 | 2015-01-21 | 河海大学常州校区 | 基于视频移动设备的双向视频编解码系统及其方法 |
CN106852684A (zh) * | 2015-12-09 | 2017-06-16 | 佳能株式会社 | 光声装置和显示控制方法 |
CN105912854A (zh) * | 2016-04-11 | 2016-08-31 | 西安交通大学 | 一种机械结构动载荷识别的稀疏表征方法 |
CN107392190A (zh) * | 2017-09-07 | 2017-11-24 | 南京信息工程大学 | 基于半监督多视图字典学习的彩色人脸识别方法 |
CN108734115A (zh) * | 2018-05-03 | 2018-11-02 | 电子科技大学 | 一种基于标签一致字典学习的雷达目标识别方法 |
Non-Patent Citations (4)
Title |
---|
《DCVS中插值多假设预测重构算法》;朱金秀等;《计算机工程与设计》;20160419;第37卷(第2期);全文 * |
《Hyperspectral Image Classification Via Basic Thresholding Classifier》;Mehmet AT et al;《IEEE Transactions on Geoscience and Remote Sensing》;20160321;第54卷(第7期);全文 * |
《基于协同表示的SAR目标识别研究》;刘苗苗;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190415(第2019年第04期);全文 * |
《基于核子空间低秩表示的人脸识别算法研究》;潘禹岐;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170915(第2017年第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110503015A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598881B (zh) | 基于变分自编码器的图像异常检测方法 | |
CN106845374B (zh) | 基于深度学习的行人检测方法及检测装置 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN105046664B (zh) | 一种基于自适应epll算法的图像去噪方法 | |
Cetin et al. | Feature enhancement and ATR performance using nonquadratic optimization-based SAR imaging | |
CN108764310B (zh) | 基于多尺度多特征深度森林的sar目标识别方法 | |
CN107862680B (zh) | 一种基于相关滤波器的目标跟踪优化方法 | |
CN107194329B (zh) | 一种基于自适应局部稀疏保持投影的一维距离像识别方法 | |
CN113808174B (zh) | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 | |
CN109712149B (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
CN111784721A (zh) | 基于深度学习的超声内窥图像智能分割与量化方法及系统 | |
CN110245587B (zh) | 一种基于贝叶斯迁移学习的光学遥感图像目标检测方法 | |
CN110598636B (zh) | 一种基于特征迁移的舰船目标识别方法 | |
CN111539957A (zh) | 一种用于目标检测的图像样本生成方法、系统及检测方法 | |
CN106874932B (zh) | 基于快速稀疏描述的sar目标型号识别方法 | |
CN112070151B (zh) | 一种mstar数据图像的目标分类识别方法 | |
CN111275192A (zh) | 一种同时提高神经网络精确度和鲁棒性的辅助训练方法 | |
JP7277341B2 (ja) | ノイズ先行物を用いる曲線オブジェクトセグメンテーション | |
CN117893533B (zh) | 基于图像特征的心胸比智能检测方法及系统 | |
CN106934398B (zh) | 基于超像素聚类和稀疏表示的图像去噪方法 | |
CN109063750B (zh) | 基于cnn和svm决策融合的sar目标分类方法 | |
CN117392545B (zh) | 一种基于深度学习的sar图像目标检测方法 | |
CN110503015B (zh) | 一种基于局部结构保持类子字典学习的目标识别方法 | |
JP7277342B2 (ja) | 幾何学的先行物を用いる曲線オブジェクトセグメンテーション | |
Kou et al. | ISAR image segmentation for space target based on contrastive learning and NL-Unet |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220315 |