一種基于多核最優(yōu)化的合成孔徑雷達自動目標識別方法
【專利摘要】本發(fā)明公開了一種基于多核最優(yōu)化的合成孔徑雷達自動目標識別方法，包括以下步驟：S1：SAR圖像預處理；S2：固定核函數(shù)權值向量β，最優(yōu)化投影矩陣系數(shù)向量α，得到最優(yōu)化目標方程Jα；S3：固定投影矩陣系數(shù)向量α，最優(yōu)化核函數(shù)權值向量β，得到目標函數(shù)Jβ；S4：重復步驟S2和S3，直至Jα和Jβ相等且保持不變?yōu)橹?，得到α和β；S5：通過投影將高維空間中的樣本映射到特征空間中，分別得到訓練樣本集和測試樣本集的圖像特征；S6：采用最近鄰分類器進行分類識別。本發(fā)明以最優(yōu)化的方法求得核函數(shù)系數(shù)，克服了核方法中不同核函數(shù)參數(shù)的選擇對識別效果影響較大的問題，提高了SAR圖像的識別率，具有良好的穩(wěn)定性和更高的實用價值。
【專利說明】-種基于多核最優(yōu)化的合成孔徑雷達自動目標識別方法

【技術領域】
[0001] 本發(fā)明涉及一種基于多核最優(yōu)化的合成孔徑雷達自動目標識別方法，屬于合成孔 徑雷達信號處理領域。

【背景技術】
[0002] 合成孔徑雷達（Synthetic Aperture Radar, SAR)因其全天時，全天候和高分辨率 成像的特性，廣泛地被應用在民用和軍用領域。然而受SAR成像系統(tǒng)固有特性影響，所獲 得的SAR圖像與光學圖像差異很大，造成了目標識別的困難；此外，以目前對偵察系統(tǒng)的大 范圍覆蓋要求，需要處理大量的SAR圖像數(shù)據(jù)，造成了快速識別的困難。對于這些問題，僅 僅依靠人工判讀，其正確性和高效性都無法滿足實際需要。因此，需要尋找一種準確快速的 SAR圖像目標判讀方法，SAR ATR應運而生。
[0003] SAR ATR，即合成孔徑雷達自動目標識別，它主要包括三個步驟：SAR圖像預處理、 特征提取和目標分類。其中，特征提取是SAR ATR里的一項重要步驟，旨在通過對已有樣本 的學習，建立起已有樣本和新樣本之間的聯(lián)系，進而發(fā)掘出新樣本中有利于分類的低維特 征，進行商效的識別。
[0004] 目前常用的特征提取方法分為線性方法和非線性方法：線性方法只有在數(shù)據(jù)集滿 足線性可分的條件下才是最優(yōu)的，而對于SAR數(shù)據(jù)集，往往是線性不可分的，因而線性方法 的使用受到了一定限制；非線性方法種類較多，如核方法、基于流形理論的方法等。其中，基 于流形理論的方法從SAR數(shù)據(jù)集的分布特點進行考慮，是一類較為合理的SARATR特征提取 方法。在文獻"Seung H S, Lee D D. The manifold ways of perception[J] · Science, 2000, 29 0(5500) :2268-2269"中指出，大量的高維數(shù)據(jù)在人腦中是以流形結(jié)構存儲的。此后，越來越 多的研究者認為SAR數(shù)據(jù)是分布在一個嵌入于高維空間中的低維流形結(jié)構上的?；诹餍?學習理論的代表性方法有：l〇cally linear embedding(LLE)、Laplacian eigenmaps(LE)。 但這些方法沒有建立起已有數(shù)據(jù)集和新數(shù)據(jù)集之間的聯(lián)系，不能通過對已有數(shù)據(jù)集的學習 來獲得新數(shù)據(jù)集的特征，因而無法應用于SAR ATR中。
[0005] 此后，在文獻"]^父，附7〇8丨？.1^0。31；^5^代861'￥；[叫。1'0]_6(31：；[0118[0]· NIPS. 2003, 16:234-241 " 中提出的 Locality preserving pro jections (LPP)方法，從已有 數(shù)據(jù)集中訓練學習得到投影向量，進而可以通過投影的方法獲得新數(shù)據(jù)集的特征，建立起 已有數(shù)據(jù)集和新數(shù)據(jù)集之間的聯(lián)系。但是該方法沒有考慮樣本的類別信息，應用于SARATR 中效果不理想。
[0006] 在文獻"Chen Η T，Chang H W，Liu T L. Local discriminant embedding and its variants[C]. Computer Vision and Pattern Recognition, 2005. CVPR2005.IEEE Computer Society Conference on. IEEE, 2005, 2:846-853" 中提出的 Local discriminant embedding(LDE)方法，引入了樣本的類別信息，克服了 LPP中存在的問題。Kernel local discriminant embedding (KLDE)方法，引入了核方法，應用于SAR ATR中獲得了較好的識別 效果。但是，KLDE有著核函數(shù)參數(shù)選擇的敏感問題，不同的核函數(shù)參數(shù)對識別效果有很大 影響。


【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于克服現(xiàn)有技術的不足，提供一種以最優(yōu)化的方法求得核函數(shù)系 數(shù)，克服了核方法中不同核函數(shù)參數(shù)的選擇對識別效果影響較大的問題，提高了 SAR圖像 的識別率，具有良好的穩(wěn)定性和更高的實用價值的基于多核最優(yōu)化的合成孔徑雷達自動目 標識別方法。
[0008] 本發(fā)明的目的是通過以下技術方案來實現(xiàn)的：一種基于多核最優(yōu)化的合成孔徑雷 達自動目標識別方法，包括以下步驟：
[0009] SI :SAR圖像預處理，包括以下子步驟：
[0010] S11 :目標分割：找到圖像中的目標區(qū)域，以目標為中心向周邊擴展，分割出包含 目標的全部有效信息的圖像切片，并對所有的圖像切片進行圖像增強，將圖像增強后的SAR 數(shù)據(jù)集記為，其中，Xi表示第i幅SAR圖像，N表示樣本數(shù)目，對應的樣本類別記為 m yi是圖像\的類別；
[0011] S12 :數(shù)據(jù)集分類：將整個SAR數(shù)據(jù)集進行分類，取train_Nf樣本作為訓練樣本， 余下的test_Nf樣本作為測試樣本；
[0012] S2 :固定核函數(shù)權值向量β，最優(yōu)化投影矩陣系數(shù)向量α，包括以下子步驟： _3] S21 :引入一組核函數(shù)K = [Kp K2, . . .，ΚΜ]，其中，&是第i個核函數(shù)，
[0014] S22 :固定核函數(shù)權值向量β = [βρ β2，...，βΜ]τ，I是第i個核函數(shù)的權值， 用以衡量該核函數(shù)的重要性，得到最優(yōu)化目標方程J a :
[0015]

【權利要求】
1. 一種基于多核最優(yōu)化的合成孔徑雷達自動目標識別方法，其特征在于，包括以下步 驟： 51 :SAR圖像預處理，包括以下子步驟： 511 :目標分割：找到圖像中的目標區(qū)域，以目標為中心向周邊擴展，分割出包含目標 的全部有效信息的圖像切片，并對所有的圖像切片進行圖像增強，將圖像增強后的SAR數(shù) 據(jù)集記為ΟΧ,，其中，Xi表示第i幅SAR圖像，N表示樣本數(shù)目，對應的樣本類別記為， yi是圖像\的類別； 512 :數(shù)據(jù)集分類：將整個SAR數(shù)據(jù)集進行分類，取train_N個樣本作為訓練樣本，余下 的test_N個樣本作為測試樣本； 52 :固定核函數(shù)權值向量β，最優(yōu)化投影矩陣系數(shù)向量α，包括以下子步驟： 321:引入一組核函數(shù)1(=[1( 1，1(2，...，1(」，其中，1是第1個核函數(shù)，
S22 :固定核函數(shù)權值向量
I是第i個核函數(shù)的權值，用以衡量該核 函數(shù)的重要性，得到最優(yōu)化目標方程Ja :
限制條件J' a為：
其中，trace表示矩陣的對角元素求和，V為投影向量，用于將圖像投影到特征空間，T 為轉(zhuǎn)置符號，Φ(Χ?)為圖像Xi在高維空間中的表達式，Ct cti表示 ΦΟΟ的系數(shù)，^用于線性表出投影向量V; S23:計算在固定β情況下的表示不同類別樣本間距的矩陣
其中，D為對角矩陣，其對角線上元素為
為預先設定的常數(shù)，
同時，計算表示同類別樣本間距的矩陣<:
D'為對角矩陣，其對角線上元素為：

S24 :對矩陣進行特征值分解，求出其最大的前1個特征值，將其對應的特征向量 作為α的值； 53 :固定投影矩陣系數(shù)向量α，最優(yōu)化核函數(shù)權值向量β，包括以下子步驟： S31:步驟S2中得到了一組投影矩陣系數(shù)向量α，固定α，得到目標函數(shù)Je :
限制條件J g為
532 :計算在固定α情況下的表示不同類別樣本間距的矩陣

為第Μ個核函 數(shù)參數(shù)； 同時，計算在固定α的情況下的表示同類別樣本間距的矩陣
533 :通過半正定規(guī)劃，得到最優(yōu)化目標函數(shù)％在條件J' e限制下的最優(yōu)解，并將此解 作為核函數(shù)權值向量β的值； 54 :迭代更新待求向量：重復步驟S2和S3,直至目標函數(shù)Ja和Je相等且保持不變?yōu)?止，得到此模型下的參數(shù)α和β ; 55 :特征提?。焊鶕?jù)步驟S4得到的參數(shù)a和β，通過投影將高維空間中的樣本Φ (Xi) 映射到特征空間中得到Xi的特征，其計算公式為：
其中，Km(p，j)為圖像Xp和\的核函數(shù)，通過上述公式分別得到訓練樣本集圖像Xi的 特征Φ (Zi)為： Φ (Zi) = α TK⑴ β 測試樣本集圖像X' i可的特征Φ (ζ' i)為：
S6 :分類識別：采用最近鄰分類器進行分類識別。
【文檔編號】G06K9/66GK104050489SQ201410300319
【公開日】2014年9月17日 申請日期:2014年6月27日 優(yōu)先權日:2014年6月27日
【發(fā)明者】黃鈺林, 韓昊, 劉曉佳, 裴季方, 武俊杰, 楊建宇 申請人:電子科技大學