基于cs和svm決策級融合的sar圖像目標識別方法
【專利摘要】本發(fā)明公開了一種基于CS和SVM決策級融合的SAR圖像目標識別方法。本發(fā)明結合了壓縮感知和支持向量機各自的優(yōu)勢，利用壓縮感知的優(yōu)化求解數(shù)據(jù)校正方位角，并對壓縮感知和支持向量機的識別結果進行決策級融合。首先將SAR圖像目標識別問題轉化為稀疏信號恢復問題，基于恢復的稀疏系數(shù)分別獲得目標分類結果和目標方位角估計，然后對測試圖像進行姿態(tài)校正，利用支持向量機獲取目標分類結果，最后將三者分類結果根據(jù)投票法進行決策級融合。實驗結果表明，在不進行姿態(tài)校正的情況下，基于壓縮感知的目標識別算法與其它算法相比，顯著提高了SAR圖像變形目標識別的準確率；當樣本數(shù)較少情況下，本發(fā)明顯著提高了SAR變形目標的識別率。
【專利說明】 基于CS和SVM決策級融合的SAR圖像目標識別方法

【技術領域】
[0001]本發(fā)明屬于目標識別【技術領域】，涉及一種基于CS和SVM決策級融合的SAR圖像目標識別方法。

【背景技術】
[0002]SAR(Synthetic Aperture Radar,合成孔徑雷達)是一種微波成像傳感器,對土壤和植被具有一定的穿透能力，具有全天時、全天候、多波段、多極化和高分辨成像的特點，在國民經濟和國防建設中有了越來越廣泛的應用。SAR圖像自動目標識別(Automatic TargetRecognit1n, ATR)技術的研究，尤其是變形目標的識別，是目前需要迫切解決的關鍵問題之一 O
[0003]SAR圖像目標識別的過程可以描敘為:從用SAR觀測得到的圖像中，找到ROIS(Reg1n of Interests,感興趣區(qū)域)，然后對每個ROIS進行分類判斷出它的類別。目前研究方法主要是基于模板匹配的方法、基于SVM(Support Vector Machine,支持向量機)的方法、基于Boosting的方法、基于CS (Compressed sensing,壓縮感知)的方法等?？傮w來說，基于CS的方法和基于SVM的方法有優(yōu)勢，CS方法在沒有校正方位角的情況下也能得到較高的識別率，SVM方法泛化能力很強。
[0004]為了得到更高的識別率，可利用不同特征提取方法和目標分類算法，采用信息融合方法對多視角圖像、多特征和多分類器的識別結果進行融合。決策級融合是最高層次的圖像信息融合，每個傳感器先分別建立各自的初步判決，然后對來自各傳感器的決策根據(jù)一定的準則和每個決策的可信度進行融合處理，從而獲得最終的聯(lián)合判決。決策級融合對分類器的選擇并沒有限制，但選擇合適的分類器對分類精度有一定影響。本發(fā)明結合了 CS和SVM的優(yōu)勢，從而達到提聞識別率的目的。


【發(fā)明內容】

[0005]本發(fā)明針對現(xiàn)有技術的不足，提供了一種基于CS和SVM決策級融合的SAR圖像目標識別方法。
[0006]本發(fā)明的具體步驟是:
[0007]步驟(I).預處理
[0008]1.1方位角的標記
[0009]對MSTAR數(shù)據(jù)庫中的訓練樣本中7類的方位角進行手工標記，并與圖像的索引建立一種映射關系。
[0010]1.2去噪、濾波
[0011]對原圖進行裁剪，讀取以圖像中心點為中心的61X61圖像區(qū)域，然后進行小波變換和均值濾波處理，以達到去噪的目的。
[0012]步驟(2).分類器模型設計
[0013]2.1建立壓縮感知模型和基于壓縮感知分類
[0014]2.1.1模型建立
[0015]在訓練樣本中，選取第i類目標的叫張圖像，將第j(j = 1，…，Iii)張圖像進行預處理，然后將圖像的信息存放在一個列向量里來構成Ai (Ai表示由第i類目標所有圖像的信息)的第j列Viij (Viij表示第i類目標第j張圖像的信息)，得到一個過完備字
[0016]A — [A1 ;...；Aj ;...；Aji] — [Vi’”...，v^nl ;....；Vi^...，v^j,...，v^ni ;...；Vk’i，…，Vk,nk] (mXn)。
[0017]給定測試圖像y表示為
[0018]y = Ax0 式(I)；
[0019]其中'=[O,…,O;…;au,a:2,...,a: ,a,,, ;_..;(),...,Of，a ^為實數(shù)。x。是稀疏系數(shù)，Xtl中只有與第i類目標相對應的值為非零，其它值均為零。用I1范數(shù)求解Χο，用數(shù)學公式表達如下:
[0020](P1) min| X0 I1 subject to y = Ax0 式(2);
[0021]上式為壓縮感知的優(yōu)化重建問題，可求出稀疏解X。。
[0022]2.1.2基于壓縮感知分類、姿態(tài)矯正
[0023]在得到一個測試圖像y時，用壓縮感知模型得到一個稀疏解Xn = [O,...,O;...;ajA,aj2,...,?(.y,...,aLll;...;0,..■,0]/。米用 NN(Nearest Neighbor,最近鄰方法)找出分類結果。對于第i類目標，定義函數(shù):5對于，4(?)^Rh
是系數(shù)向量，即Xtl中僅與第i類目標相對應的值保持不變，其它值都賦值為零。定義殘差
[0024]T1 (y) = I y-A δ i (X0) Il2 式⑶；
[0025]殘差值最小意味著測試圖像與樣本最接近，通過求解的殘差最小值來判斷類別。則測試圖像I的所在類別s可由式子(4)判斷:
[0026]s = identity{y) = arg mini/, (_v),...,/}(_v),...,/; (v)! 式⑷.
[0027]2.2 選擇支持向量機(Support Vector Machine, SVM)模型參數(shù)
[0028]核函數(shù)采用徑向基核函數(shù)。徑向基核函數(shù)的重要參數(shù)懲罰因子C和Y由交叉驗證和網(wǎng)格參數(shù)尋優(yōu)方法訓練得到，最優(yōu)結果為C取值32和Y取值0.5。已校正和未校正的訓練樣本，采用SVM方法訓練得到兩個分類模型，然后用這兩個分類模型得到兩個分類結果。
[0029]步驟(3).姿態(tài)校正
[0030]利用訓練樣本構造字典后，利用壓縮感知模型進行優(yōu)化求解時，可根據(jù)獲得稀疏解判斷與之最相近的訓練樣本，即稀疏解Xtl的最大值位置t處表明測試樣本與該訓練樣本最相似:
[0031]^ = argmax(v0) 式⑶；
[0032]此時可利用該訓練樣本的姿態(tài)信息對測試圖像進行姿態(tài)校正。
[0033]步驟(4).決策級融合
[0034]采用投票法(Majority Vote)對CS方法和SVM方法(校正方位角、未校正方位角)識別的三種結果進行決策級融合，即
[0035]r = MajorityVote (rcs, rsvlIll, rsvm2) 式(6);
[0036]式中res為基于CS方法的識別結果，rsvml為未經過姿態(tài)校正的基于SVM方法的識另1J結果，rsvm2為經過姿態(tài)校正的基于SVM方法的識別結果。當出現(xiàn)三種結果不一致時，根據(jù)每種算法對訓練樣本的識別準確率作為先驗知識進行判別，即
[0037]r = MaxiP^, P；unV式(7);
[0038]式中G為采用CS方法進行識別時識別結果為第i類的概率，Pj ,為基于未經校.svmi
正的樣本采用SVM方法進行識別時識別結果為第j類的概率，Zt2為基于經校正的樣本采用SVM方法進行識別時識別結果為第k類的概率。
[0039]本發(fā)明中融合方法的識別率高于用CS方法和SVM方法的識別率。并且，在變形目標識別中，本發(fā)明能夠在使用較少的訓練樣本情況下提高識別率和提高泛乏能力。

【專利附圖】

【附圖說明】
[0040]圖1為本發(fā)明流程圖。

【具體實施方式】
[0041]以下結合附圖對本發(fā)明作進一步說明。
[0042]如圖1所示，本發(fā)明包括以下步驟:
[0043]步驟(I).預處理
[0044]1.1方位角的標記
[0045]由于同一種目標在不同方位角條件下的性質有很大的差別，因此在目標識別中應該考慮目標的方向性。估計出目標方位角可極大地減少目標識別所需的特征個數(shù)，從而減少識別時間并提高識別性能。采用手工方法標記方位角，記錄目標與標準方位角(90度)之間的夾角。并將標記的方位角與圖像的索引建立一種映射關系，即將方位角和圖像的索引一一對應，以便于通過索引來找到圖像的方位角。
[0046]1.2去噪、濾波
[0047]SAR圖像中的相干斑噪聲、背景、雜波和方位角變化等都為目標的識別帶來困難，這就要求在提取特征之前進行預處理使得圖像中的信息更接近真實值。主要包括:SAR圖像去噪(抑制SAR圖像相干斑噪聲)，SAR圖像分辨率的改善，SAR圖像分割特征。對圖像進行了裁剪、小波變換和均值濾波處理，裁剪即讀取以圖像中心點為中心的61X61圖像區(qū)域，小波變換中使用的小波是Haar小波，均值濾波的模板是[33]。
[0048]步驟(2).分類器模型設計
[0049]2.1建立壓縮感知模型和基于壓縮感知分類
[0050]2.1.1模型建立
[0051]在訓練樣本中，選取第i類目標的ni張圖像，將第j(j = I,…，Iii)張圖像進行預處理，然后將圖像的信息存放在一個列向量里來構成Ai (Ai表示由第i類目標所有圖像的信息)的第j列Viij (Viij表示第i類目標第j張圖像的信息)，得到一個過完備字典
[0052]A [八1 ;...?^i ;...;^k] [Vl，I，...，Vl，nl ;....;Vi，l，...，Vi，j，...，Vi，ni ;...;Vk’i，…，Vk,nk] (mXn)。
[0053]采用MSTAR數(shù)據(jù)庫中的圖像，由訓練樣本直接構成字典時，一幅圖像用961X1的列向量(Vy)表不，字典A的大小為961 X 1622。
[0054]對于第i類目標的測試樣本y表示為
產 OX vu + -" + OxvU| +...+ aLlvn + ai2vL2 +...+ ?,?_v,,,,
[0055]ηη式⑴；
+ - + Oxvil+--.+ Oxv“s
[0056]即
[0057]y = Ax0 式⑵；
[0058]=1，...，叫。X0是稀疏系數(shù)，X0中只有與第i類目標相對應的值為非零，其它值均為零。
[0059]用I1范數(shù)求解X(l，用數(shù)學公式表達如下:
[0060](P1) min| X0 I1 subject to y = Ax0 式(3)；
[0061]上式為壓縮感知的優(yōu)化重建問題，可求出稀疏解Xtl，求解出的Xtl的大小為1622X 1。
[0062]2.1.2基于壓縮感知分類
[0063]由于相干斑噪聲、方位角等因素的影響，Xtl中非對應于測試圖像類別的系數(shù)值也是非零的，這些值相對于Xtl中對應于測試圖像類別的系數(shù)值是很小的，因此可采用尋找最小重構誤差的方法進行目標類別判別，該方法也可視為最近鄰法(Nearest Neighbor,NN)。
對于第i類目標，定義函數(shù)《U。): Mfl 4 f，對于是系數(shù)向量，其中Xtl中僅與第i類目標相對應的系數(shù)保持不變，其它值均為零。定義殘差為
[0064]T1 (y) = I y-A δ i (X0) Il2式⑷；
[0065]殘差值最小意味著測試圖像與樣本最接近，通過求解的殘差最小值來判斷類別。則測試圖像I的所在類別s可由式子(5)判斷:
[0066]s = identity(y) - arg niin{/- (_r),...,/}(r),...,rL (_v)|式(5).
[0067]2.2選擇支持向量機模型參數(shù)
[0068]支持向量機的模型訓練，最重要的部分是選定核函數(shù)。目前使用最普遍的核函數(shù)是徑向基核函數(shù)，這是因為徑向基核函數(shù)對應的特征空間是無窮維的，有限的樣本在該特征空間中肯定是線性可分的。徑向基核函數(shù)參數(shù)的選擇主要是C和Y。C是懲罰因子，表示對錯誤的懲罰程度，我們可以通過C來控制訓練精度，一般情況下取值為[0，50] ; Y主要影響著樣本數(shù)據(jù)在高維特征空間中分布的復雜程度，y的取值范圍是[0，1]。C和Y的最優(yōu)結果由交叉驗證和網(wǎng)格參數(shù)尋優(yōu)方法訓練得到，最優(yōu)結果為C取值32和Y取值0.5。
[0069]步驟(3).姿態(tài)矯正
[0070]用SVM方法進行SAR圖像目標識別時，方位角的校正對識別結果很重要；但是對于測試圖像來說，它的信息全部都是未知的，無法校正方位角。對于CS方法的優(yōu)化求解數(shù)據(jù)，稀疏解Xtl不僅能夠得到識別結果，還可以得到與測試圖像最相似的訓練樣本圖像的姿態(tài)信息，可用來估計測試圖像的姿態(tài)信息和校正方位角。
[0071]利用訓練樣本構造字典后，利用壓縮感知模型進行優(yōu)化求解時，可根據(jù)獲得稀疏解Xtl判斷與之最相近的訓練樣本，即稀疏解Xtl的最大值位置t處表明測試樣本與該訓練樣本最相似:
[0072]t = argmax(^o) 式(6).
[0073]此時根據(jù)訓練樣本的姿態(tài)信息估計測試樣本的姿態(tài)信息，從而對測試樣本進行姿態(tài)矯正。
[0074]步驟(4).決策級融合
[0075]采用投票法(Majority Vote)對CS方法和SVM方法(校正方位角、未校正方位角)識別的三種結果進行決策級融合，即
[0076]r = MajorityVote (rcs, rsvlIll, rsvm2)式(7);
[0077]式中res為未經過姿態(tài)校正的基于CS方法的識別結果，rsvml為未經過姿態(tài)校正的基于SVM方法的識別結果，rsvm2為經過姿態(tài)校正的基于SVM方法的識別結果。當出現(xiàn)三種結果不一致時，根據(jù)每種算法對訓練樣本的識別準確率作為先驗知識進行判別，即
[0078]r = MaxiF,匕，PksvJ 式⑶；
[0079]式中G為采用CS方法進行識別時識別結果為第i類的概率P ,為基于未經校正的樣本采用SVM方法進行識別時識別結果為第j類的概率，Ρ^2為基于經校正的樣本采用SVM方法進行識別時識別結果為第k類的概率。
【權利要求】
1.基于CS和SVM決策級融合的SAR圖像目標識別方法，其特征在于該方法的具體步驟是: 步驟(I).預處理 1.1方位角的標記 對MSTAR數(shù)據(jù)庫中的訓練樣本中7類的方位角進行手工標記，并與圖像的索引建立一種映射關系； 1.2去噪、濾波 對原圖進行裁剪，讀取以圖像中心點為中心的61X61圖像區(qū)域，然后進行小波變換和均值濾波處理，以達到去噪的目的； 步驟(2).分類器模型設計 .2.1建立壓縮感知模型和基于壓縮感知分類 .2.1.1模型建立 在訓練樣本中，選取第i類目標的Iii張圖像，將第j張圖像進行預處理，然后將圖像的信息存放在一個列向量里來構成Ai的第j列Vu，得到一個過完備字
A [八1 ;...;...;Ak] [Vl，l，...，Vl，nl ;....;Vi，l，...，Vi，j，...，Vi，ni ;...;Vk’i，…，Vk,nk] (mXn)； 其中Ai表示由第i類目標所有圖像的信息，Viij表示第i類目標第j張圖像的信息 給定測試圖像y表示為 y = Ax0 式(I)；
其中Xfl — [O,.._,O,…,GeiA,Gti 2，…,Cii j 1...，t^i n,,O,…,()]_ I a i，」為頭數(shù)；x。是稀疏系數(shù)，X0中只有與第i類目標相對應的值為非零，其它值均為零；用I1范數(shù)求解Xtl，表達如下:
(P1) mini I Xci I I1 subject to y = Axci 式(2); 上式為壓縮感知的優(yōu)化重建問題，可求出稀疏解X。； .2.1.2基于壓縮感知分類、姿態(tài)矯正 在得到一個測試圖像y時，用壓縮感知模型得到一個稀疏解xo — [O，…,O，…,h I ai,2,…，aij，…,aiJh，…，0，…，O];米用最近鄰方法找出分類結果；對于弟i類目標，定義函數(shù)肥對于xueir，4(xu)eir是系數(shù)向量，即?中僅與第i類目標相對應的值保持不變，其它值都賦值為零；定義殘差ri(y)
T1 (y) = I I y-A δ j (χ0) I 12 式(3); 殘差值最小意味著測試圖像與樣本最接近，通過求解的殘差最小值來判斷類別；則測試圖像I的所在類別s可由式子(4)判斷:
s = identity{y) = argmin{/-丨(V),...,r^y),…,7】(y)j 式⑷.2.2選擇支持向量機模型參數(shù) 核函數(shù)采用徑向基核函數(shù)；徑向基核函數(shù)的重要參數(shù)懲罰因子C和Y由交叉驗證和網(wǎng)格參數(shù)尋優(yōu)方法訓練得到，最優(yōu)結果為C取值32和Y取值0.5;已校正和未校正的訓練樣本，采用SVM方法訓練得到兩個分類模型，然后用這兩個分類模型得到兩個分類結果； 步驟(3).姿態(tài)校正 利用訓練樣本構造字典后，利用壓縮感知模型進行優(yōu)化求解時，可根據(jù)獲得稀疏解判斷與之最相近的訓練樣本，即稀疏解Xtl的最大值位置t處表明測試樣本與該訓練樣本最相似: i = argmax(.v0) 式⑶；
J 此時可利用該訓練樣本的姿態(tài)信息對測試圖像進行姿態(tài)校正； 步驟(4).決策級融合 采用投票法對CS方法和SVM方法識別的三種結果進行決策級融合，即 r = MajorityVote (rcs, rsvml, rsvm2) 式(6)； 式中res為基于CS方法的識別結果，rsvml為未經過姿態(tài)校正的基于SVM方法的識別結果，rsvm2為經過姿態(tài)校正的基于SVM方法的識別結果；當出現(xiàn)三種結果不一致時，根據(jù)每種算法對訓練樣本的識別準確率作為先驗知識進行判別，即r = MaxiP', Pj ',Pk J 式(J)；
CS svm\7 svmZv ;， 式中為采用CS方法進行識別時識別結果為第i類的概率，/^1為基于未經校正的樣本采用SVM方法進行識別時識別結果為第j類的概率，Zi2為基于經校正的樣本采用SVM方法進行識別時識別結果為第k類的概率。
【文檔編號】G06K9/66GK104134076SQ201410328277
【公開日】2014年11月5日 申請日期:2014年7月10日 優(yōu)先權日:2014年7月10日
【發(fā)明者】谷雨, 張琴, 彭冬亮, 陳華杰 申請人:杭州電子科技大學