CN110781822B - 基于自适应多方位角字典对学习的sar图像目标识别方法 - Google Patents

Abstract

本发明公开了基于自适应多方位角字典对学习的SAR图像目标识别方法，包括：获取目标图像及全方位角训练样本集；划分局部方位角扇区并将全方位角训练样本集分成多个训练局部方位角扇区；确定目标图像所在的局部方位角扇区；对目标图像所在的局部方位角扇区对应的训练局部方位角扇区中的训练样本子集进行判别字典对学习，得到目标图像所在的局部方位角扇区的判别字典对；基于判别字典对目标图像进行重构，利用最小重构误差准则确定目标图像的标签，实现目标图像的识别。针对上述现有技术的不足，本发明针对雷达图像对方位角敏感，挖掘局部扇区的字典对的表示学习能力，减小了计算成本，降低了样本间因方位角差异过大而引起的干扰。

Description

基于自适应多方位角字典对学习的SAR图像目标识别方法

技术领域

本发明涉及雷达目标识别技术领域，具体涉及基于自适应多方位角字典对学习的SAR图像目标识别方法。

背景技术

雷达图像目标识别是国防科技领域中的重要的研究课题。利用表示学习的方法是雷达图像领域中较为有效的途径，其模型中的字典对表示模型的表示能力和鉴别能力都有着关键性的作用。

常见的基于表示学习的雷达图像目标识别方法有：(1)基于模板匹配的方法，将待识别的图像和模板库内的所有模板进行匹配，根据相似度准则进行判决，此类方法对图像的质量要求较高。(2)基于机器学习的方法，较为代表性的有稀疏表示方法，该类方法对表示系数的稀疏性进行约束，用于稀疏表示的字典通常由所有训练样本组成，导致存储和计算成本很高，利用字典学习的方法在模式识别领域也得到越来越多的应用，通过合理设计字典改善算法的整体性能。其中投影字典对学习方法同时学习综合字典和分析字典，综合字典和分析字典组成一个字典对，避免了

或者

范数的优化过程，从而大大节省了计算消耗。然而，根据SAR图像成像特点，在局部方位区间上有较强的相关性，目前的研究中，未充分考虑同一类别中的非相关方位角训练样本带来的影响，会因方位角差异过大而引起的干扰而对识别结果产生不良影响。

因此，本发明提出了基于自适应多方位角字典对学习的SAR图像目标识别方法，针对雷达图像对方位角敏感，挖掘局部扇区的字典对的表示学习能力，减小了计算成本，降低了样本间因方位角差异过大而引起的干扰。

发明内容

针对上述现有技术的不足，本发明提出了基于自适应多方位角字典对学习的SAR图像目标识别方法，针对雷达图像对方位角敏感，挖掘局部扇区的字典对的表示学习能力，减小了计算成本，降低了样本间因方位角差异过大而引起的干扰。

本发明采用了如下的技术方案：

基于自适应多方位角字典对学习的SAR图像目标识别方法，包括：

S1、获取目标图像及全方位角训练样本集；

S2、基于预设方位角扇区区间，划分局部方位角扇区并将全方位角训练样本集分成多个训练局部方位角扇区；

S3、基于规则化非负稀疏学习方法确定所述目标图像所在的局部方位角扇区；

S4、对所述目标图像所在的局部方位角扇区对应的训练局部方位角扇区中的训练样本子集进行判别字典对学习，得到所述目标图像所在的局部方位角扇区的判别字典对；

S5、基于所述判别字典对目标图像进行重构，利用最小重构误差准则确定目标图像的标签，实现目标图像的识别。

优选地，步骤S3中，基于以下公式确定所述目标图像所在的局部方位角扇区：

式中，X表示全方位角训练样本集，α_i是第i个局部方位角扇区的表示系数向量，S为局部方位角扇区总个数，||·||₂表示

范数，||·||₁表示

范数，λ表示标量常数，λ＞0，

α_k,i表示第i个训练局部方位角扇区内第k类训练样本的表示系数，第n_i表示第i个训练局部方位角扇区内的训练样本数，s_y表示所述目标图像所在的局部方位角扇区，y表示所述目标图像。

优选地，步骤S4中：

建立如下所示的DPL模型；

式中，P和D分别表示对全方位角训练样本集X进行重构的分析字典和综合字典；X_k,s表示第k个类别的第s个训练局部方位角扇区的训练样本子集，

表示全方位角训练样本集X中除第k个类别的第s个训练局部方位角扇区的训练样本子集X_k,s之外的其它各训练局部方位角扇区中训练样本子集所集合构成的训练样本余量集，k∈[1,2,…,K]，s∈[1,2,…,S]，K表示类别总数；P_k,s表示分析字典P中用于重构X_k,s的分析子字典，D_k,s表示综合字典D中用于重构X_k,s的综合子字典；

表示综合子字典D_k,s中对应X_k,s中第n_s个训练样本的综合字典重构稀疏，1≤n_s≤N_s，N_s表示X_k,s中包含的训练样本的个数；||·||_F为F范数运算符；

基于所述DPL模型得到所述目标图像所在的局部方位角扇区的判别字典对

及

优选地，步骤S5中，利用下式确定目标图像的标签：

式中，l_y为目标图像的标签。

综上所述，本发明公开了基于自适应多方位角字典对学习的SAR图像目标识别方法，包括：S1、获取目标图像及全方位角训练样本集；S2、基于预设方位角扇区区间，划分局部方位角扇区并将全方位角训练样本集分成多个训练局部方位角扇区；S3、基于规则化非负稀疏学习方法确定所述目标图像所在的局部方位角扇区；S4、对所述目标图像所在的局部方位角扇区对应的训练局部方位角扇区中的训练样本子集进行判别字典对学习，得到所述目标图像所在的局部方位角扇区的判别字典对；S5、基于所述判别字典对目标图像进行重构，利用最小重构误差准则确定目标图像的标签，实现目标图像的识别。针对上述现有技术的不足，本发明针对雷达图像对方位角敏感，挖掘局部扇区的字典对的表示学习能力，减小了计算成本，降低了样本间因方位角差异过大而引起的干扰。

附图说明

为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明公开的基于自适应多方位角字典对学习的SAR图像目标识别方法的流程图；

图2(a)、图2(b)及图2(c)分别为目标1(BMP2)、目标2(BTR70)及目标3(T72)的雷达图像。

图3为规则化非负稀疏表示中使用的字典

图4为利用规则化非负稀疏学习得到表示系数。

图5为基于自适应多方位角字典对学习方法中图2中雷达目标图像的样本的重构误差

图6为基于自适应多方位角字典对学习方法与基于全方位字典对学习两种方法的识别率随扇区划分变化的曲线图

图7为基于自适应多方位角字典对学习方法识别率随规则化参数变化的曲线图

图8为基于自适应多方位角字典对学习方法、全方位字典对学习方法、稀疏表示方法、协同表示方法和标签一致的字典对学习方法的五种方法的识别率随信噪比变化的曲线图

图9基于自适应多方位角字典对学习方法、全方位字典对学习方法、稀疏表示方法、协同表示方法和标签一致的KSVD方法的五种方法的识别率在大俯仰角下变化的柱状图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

如图1所示，本发明公开了基于自适应多方位角字典对学习的SAR图像目标识别方法，包括：

S1、获取目标图像及全方位角训练样本集；

本发明在获取训练样本的同时，也会获取每个样本对应的标签，用于后续的目标图像的识别。

S2、基于预设方位角扇区区间，划分局部方位角扇区并将全方位角训练样本集分成多个训练局部方位角扇区；

S3、基于规则化非负稀疏学习方法确定所述目标图像所在的局部方位角扇区；

S4、对所述目标图像所在的局部方位角扇区对应的训练局部方位角扇区中的训练样本子集进行判别字典对学习，得到所述目标图像所在的局部方位角扇区的判别字典对；

S5、基于所述判别字典对目标图像进行重构，利用最小重构误差准则确定目标图像的标签，实现目标图像的识别。

本发明针对上述现有技术的不足，本发明针对雷达图像对方位角敏感，挖掘局部扇区的字典对的表示学习能力，减小了计算成本，降低了样本间因方位角差异过大而引起的干扰。

具体实施时，步骤S3中，基于以下公式确定所述目标图像所在的局部方位角扇区：

式中，X表示全方位角训练样本集，α_i是第i个局部方位角扇区的表示系数向量，S为局部方位角扇区总个数，||·||₂表示

范数，||·||₁表示

范数，λ表示标量常数，λ＞0，

α_k,i表示第i个训练局部方位角扇区内第k类训练样本的表示系数，第n_i表示第i个训练局部方位角扇区内的训练样本数，s_y表示所述目标图像所在的局部方位角扇区，y表示所述目标图像。

本发明中可根据预设方位角扇区区间进行扇区的划分，具体实施时，每个扇区的幅度可为10°。对于全方位角训练样本集来说，训练样本实际上处于一个非线性流形空间。对于某一个测试样本来说，若该测试样本的方位角为θ₀，则只有在θ₀附近的局部方位角扇区内的训练样本才能线性表示该测试样本。问题的关键是，如何找到当前测试样本对应的这个局部方位扇区。在本发明中，提出了一种规则化非负稀疏学习的方法来解决这个问题。假设当前测试样本y₀的方位角为θ₀，则该测试样本y₀可以由θ₀为中心的局部方位角扇区(θ₀-Δθ，θ₀+Δθ]内的

个训练样本进行线性表示，公式可以写作：

其中

为表示系数向量。由于测试样本的方位角是未知的，应该用全方位0°-360°的训练样本去表示，并且，为得到最稀疏的解，我们可以将问题转化为具有稀疏度约束的

范数的优化问题，其表达形式如下：

其中，X表示全方位角训练样本集，α为表示系数向量，ε表示允许误差。||·||₀表示

范数，||·||₂表示

范数。根据稀疏学习的理论可知，若对表示系数进行稀疏规则化约束，则用全方位训练样本集表示时，该表示系数向量对应于和测试样本方位角相近的局部方位角扇区的表示系数应该为非零值，其他表示系数元素应该为零值。另外，为了符合表示学习的物理含义，我们对表示系数向量增加了非负约束。同时，增加了使得表示系数向量的元素和为1的约束；这样做的目的是为了将每个表示系数的值更符合概率意义上的似然性。综上所述，将目标图像作为测试样本时，可得到的最终的基于规则化的非负稀疏学习的自适应选择局部方位扇区的模型如下：

这样，对目标图像，得到其表示系数向量后，计算每个局部方位扇区的系数平方和，根据平方和最大的局部扇区即为目标图像所在的局部方位扇区s_y，公式写作：

值得注意的是本发明中的字典X的构造。根据前述原理，字典X的构造和传统的做法是不同的，是按照方位角扇区去排列，而不是按传统的类别来排列。传统的字典中原子顺序按类排列，同类的排列顺序与方位角无关可以随机排列。这里的字典原子排列是将同方位角扇区的训练样本排列在一起。该模型较基本的稀疏表示模型有更明确的物理意义模型，优化方求解采用的是加速梯度投影优化法。值得注意的是，在这里我们使用规则化的非负稀疏学习并没有得到测试样本或目标图像的类别，只是选择出测试样本或目标图像所在的局部方位角扇区，因为局部方位角扇区内包含了所有目标类别的局部方位训练样本。

具体实施时，步骤S4中：

建立如下所示的DPL模型；

式中，P和D分别表示对全方位角训练样本集X进行重构的分析字典和综合字典；X_k,s表示第k个类别的第s个训练局部方位角扇区的训练样本子集，

表示全方位角训练样本集X中除第k个类别的第s个训练局部方位角扇区的训练样本子集X_k,s之外的其它各训练局部方位角扇区中训练样本子集所集合构成的训练样本余量集，k∈[1,2,…,K]，s∈[1,2,…,S]，K表示类别总数；P_k,s表示分析字典P中用于重构X_k,s的分析子字典，D_k,s表示综合字典D中用于重构X_k,s的综合子字典；

表示综合子字典D_k,s中对应X_k,s中第n_s个训练样本的综合字典重构稀疏，1≤n_s≤N_s，N_s表示X_k,s中包含的训练样本的个数；||·||_F为F范数运算符；

基于所述DPL模型得到所述目标图像所在的局部方位角扇区的判别字典对

及

在基于自适应局部方位角的字典对学习方法中，训练字典并不是直接使用整个全方位训练样本集，而是根据目标图像，先选出相应的局部方位角扇区。再由该局部方位角扇区内的训练样本去识别目标图像。本发明采用字典学习的方法，实现目标图像的识别。

判别字典学习方法意图通过挖掘训练数据和其相应的类标签信息，从全方位角训练样本集X中学习到一个有效的数据表示模型。假设，来自K类，第s个扇区的p维训练样本集合用X＝[X_1,s,...,X_k,s,...,X_K,s]表示，

是s扇区第k类的训练样本，n是每个类的样本数量。传统的判别字典学习方法可以用以下公式来表示：

其中，λ≥0是一个标量常数，Y表示在X中样本的类标签矩阵，D是要学习的综合字典，A是X在D上的编码系数矩阵。上式中，约束项

确保了D的表示能力；λ||A||_P是

范数在A上的正则化；ψ(D,A,Y)代表的是判别提升函数，确保了D和A的异类之间的判别能力。

然而，上述模型旨在学习一个合成字典D来稀疏表示X，需要一个耗时的

范数稀疏编码过程来求解编码矩阵A。假设我们能找到一个分析字典，表示为

这样编码系数矩阵A能用A＝PX这样解析的获得，避免了

范数的稀疏求解过程。基于这一想法，同时学习这样的分析字典P和综合字典D，得到下面的DPL模型：

ψ(D,P,X,Y)是判别函数。D和P形成一个字典对：分析字典P用来分析编码X，合成字典D用来重构X,D^*表示对DPL模型求解得到的合成字典的最优解，P^*表示对DPL模型求解得到的分析字典的最优解。

DPL模型的判别能力取决于ψ(D,P,X,Y)的合理设计。我们提出学习一个结构化的综合字典D＝[D₁,...,D_k,...,D_K]和分析字典P＝[P₁,...,P_k,...,P_K]，其中

构成对应类别k的子字典对。在稀疏子空间聚类的研究证明：如果样本集满足某种非相干条件，样本能通过相应的字典被稀疏表示。通过结构化字典P，可以使得子字典P_k能将来自第i个类别的样本(i≠k)投影到接近零空间。

很明显，在

式的条件下，矩阵PX将会是近似的块对角矩阵。另一方面，对于结构化的综合字典D，我们希望子字典D_k能很好地从投影编码矩阵P_kX_k重构数据矩阵X_k；即字典对应该具有最小化重构误差的能力：

基于上述分析，得到下面的DPL模型优化函数：

其中，

代表的是在整个训练集X中除X_k之外的样本，λ＞0是一个标量常数，d_i代表综合字典D的第i个原子。在这里限制了每个原子d_i的能量，是为了避免P_k＝0的解，使DPL模型更稳定。

式

中的DPL模型并不是一个稀疏表示模型，然而它强制了对编码矩阵PX的群组稀疏(因为PX是近似块对角)。

针对本发明，利用的是通过规则化非负稀疏学习判定得到的局部方位角扇区样本，对改局部方位扇区样本进行字典对学习，因此，本发明的DPL模型将写作：

本发明中将训练样本集按方位角区间分成了S个局部方位角扇区，改变了原来判别字典对学习中选择训练样本训练字典的方式，在判别字典对学习的基础上充分发掘训练样本的局部特性，合理运用了目标图像的方位角信息，增强判别字典的类内的类内相似性，增大了类间的差异性，可以有效减小方位角差异较大的同类样本带来的影响。

具体实施时，步骤S5中，利用下式确定目标图像的标签：

式中，l_y为目标图像的标签。

为了证明本发明的技术效果，采用以下实验：

对于给定的雷达目标图像(如图2所示)，首先利用规则化非负稀疏学习方法确定该目标图像所在的方位角区间。根据方位角扇区区间将训练样本集按照方位角扇区并按顺序进行排列作为规则化稀疏学习中的字典(如图3所示)，规则化非负稀疏学习在基础的稀疏表示的基础上增加表示系数非负及其表示系数元素和为1的约束，求解该目标图像的表示系数如图4所示。对应方位角扇区的表示系数最大的方位角扇区即认定为该目标图像所在方位角扇区。确定其方位角扇区之后，再确定其类别。取该扇区的所有训练样本组成新的训练集，去除其他训练样本的干扰。从新的训练样本集中学习基于局部方位的字典对，联合学习综合字典和分析字典，利用交替方向乘子法可以求解得到，最后再利用最小重构误差准则确定目标图像的标签，每类的重构误差如图5所示。图6为基于自适应多方位角字典对学习方法与基于全方位字典对学习两种方法的识别率随扇区划分变化的曲线图，从图中识别率可以看出利用局部方位扇区内样本间的相似性更有利于分类。图7为基于自适应多方位角字典对学习方法识别率随规则化参数(τ和λ)变化的曲线图，该图充分说明了本方法对于规则化参数值具有较好的鲁棒性。图8为基于自适应多方位角字典对学习方法、全方位字典对学习方法、稀疏表示方法、协同表示方法和标签一致的字典对学习方法的五种方法的识别率随信噪比变化的曲线图，从实验结果来看本方法对噪声也有良好的鲁棒性。图9基于自适应多方位角字典对学习方法、全方位字典对学习方法、稀疏表示方法、协同表示方法和标签一致的KSVD方法的五种方法的识别率在大俯仰角下变化的识别效果图。这些实验结果支撑了提出的基于自适应多方位角字典对学习方法识别效果的优越性。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (1)

1.基于自适应多方位角字典对学习的SAR图像目标识别方法，其特征在于，包括：

S1、获取目标图像及全方位角训练样本集；

S2、基于预设方位角扇区区间，划分局部方位角扇区并将全方位角训练样本集分成多个训练局部方位角扇区；

S3、基于规则化非负稀疏学习方法确定所述目标图像所在的局部方位角扇区；步骤S3中，基于以下公式确定所述目标图像所在的局部方位角扇区：

式中，X表示全方位角训练样本集，α_i是第i个局部方位角扇区的表示系数向量，S为局部方位角扇区总个数，||·||₂表示l₂范数，||·||₁表示l₁范数，λ表示标量常数，λ＞0，α_i＝[α_1,i,α_2,i，…，α_k,i，…，α_ni,i]^T，α_k,i表示第i个训练局部方位角扇区内第k类训练样本的表示系数，第n_i表示第i个训练局部方位角扇区内的训练样本数，s_y表示所述目标图像所在的局部方位角扇区，y表示所述目标图像；

S4、对所述目标图像所在的局部方位角扇区对应的训练局部方位角扇区中的训练样本子集进行判别字典对学习，得到所述目标图像所在的局部方位角扇区的判别字典对；步骤S4中：

建立如下所示的DPL模型；

式中，P和D分别表示对全方位角训练样本集X进行重构的分析字典和综合字典；X_k,s表示第k个类别的第s个训练局部方位角扇区的训练样本子集，

表示全方位角训练样本集X中除第k个类别的第s个训练局部方位角扇区的训练样本子集X_k,s之外的其它各训练局部方位角扇区中训练样本子集所集合构成的训练样本余量集，k∈[1,2,…,K]，s∈[1,2,…,S]，K表示类别总数；P_k,s表示分析字典P中用于重构X_k,s的分析子字典，D_k,s表示综合字典D中用于重构X_k,s的综合子字典；

表示综合子字典D_k,s中对应X_k,s中第n_s个训练样本的综合字典重构稀疏，1≤n_s≤N_s，N_s表示X_k,s中包含的训练样本的个数；||·||_F为F范数运算符；

基于所述DPL模型得到所述目标图像所在的局部方位角扇区的判别字典对

及

S5、基于所述判别字典对目标图像进行重构，利用最小重构误差准则确定目标图像的标签，实现目标图像的识别；步骤S5中，利用下式确定目标图像的标签：

式中，l_y为目标图像的标签。

Images