[发明专利]基于弱监督学习的SAR图像目标鉴别方法

说明书

本发明公开了一种基于弱监督学习的SAR图像目标鉴别方法，主要解决现有技术鉴别性能低和样本标记成本高的问题。其实现方案是：在训练阶段，先对正图像的样本集和负图像的负样本集分别提取局部限制性编码LLC特征，再用负样本集训练一个潜在的狄利克雷分配LDA模型，并用该模型从正图像样本集中挑选初始正样本集，用以迭代训练二类SVM鉴别器，得到最优鉴别器；在测试阶段，先对测试样本集提取局部限制性编码LLC特征，再用得到的最优鉴别器对测试样本集进行鉴别。本发明在鉴别性能与全监督的二类SVM鉴别器相近的同时减少了人工标记的成本，更具有实用性，而且，对比杂波训练的一类SVDD鉴别器在复杂场景下的鉴别性能更优，适用于SAR图像目标鉴别。

技术领域

本发明属于雷达技术领域，特别涉及一种目标鉴别方法，可用于在合成孔径雷达SAR图像中有效地鉴别目标。

背景技术

雷达成像技术是20世纪50年代发展起来的，在以后的60年里得到了突飞猛进的发展，目前，已经在军事、农林、地质、海洋、灾害、绘测等诸多方面得到广泛的应用。合成孔径雷达SAR具有全天候、全天时、分辨率高以及穿透力强等特点，成为目前对地观测和军事侦察的重要手段。

SAR图像自动目标识别是当前SAR应用的前沿课题，具有重要的研究意义和广泛的应用前景。美国林肯实验室提出了SAR图像自动目标识别的三级处理流程图并被广泛使用。该流程采用一种分层注意机制，其实现过程是：首先，对整幅SAR图像进行检测处理，除去图像中明显不是目标的区域，得到潜在目标区域；然后，对潜在的目标区域进行目标鉴别处理，以剔除其中的自然杂波虚警，或剔除明显比目标大或者小的区域；通过目标的检测和鉴别阶段，得到目标感兴趣区域ROI；最后，再对目标ROI进行分类识别。

现有文献中提出了很多SAR图像目标鉴别方法，常用的有全监督的二类支持向量机SVM鉴别器和一类支持向量数据描述SVDD鉴别器。训练全监督的二类SVM鉴别器需要有大量标记的训练样本，如果第一步检测是基于无监督的，则对得到的检测结果进行人工标记，既耗时又耗力，同时，对于模糊或遮挡的样本，可能导致错误的标记，影响鉴别器的学习；一类SVDD鉴别器只需要一类数据就可以进行学习，通常情况下，杂波数据更容易得到，虽然它减少了人工标记的繁琐，但是相对目标而言，杂波数据更复杂，种类更多，训练得到的模型不能很好地适应复杂场景下SAR图像目标和杂波的鉴别，进而影响最后的鉴别性能。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于弱监督学习的SAR图像目标鉴别方法，其在鉴别性能与全监督的二类SVM鉴别器相近的同时减少人工标记样本的成本，且相对比杂波训练的一类SVDD鉴别器对复杂场景SAR图像的目标鉴别性能更优。

本发明的技术方案是这样实现的：

一、技术思路

在实际应用中，对目标检测后的样本进行标记是繁琐和耗时的，同时对于遮挡或模糊的样本的标记也是困难的，而对于检测前的图中是否有目标的标记就相对比较容易。所谓的弱监督信息指检测前的图中是否有目标的标记，含有目标的图像标为正图像；不含目标的图像标为负图像。本发明引入弱监督的思想用于SAR图像目标的鉴别。用传统的双参数CFAR对SAR图像进行检测，负图像得到的检测结果组成负图像样本集，都是负样本，无需人工标记，而正图像得到的检测结果组成正图像样本集，既有正样本也有负样本，利用负图像样本集都是负样本的信息从正图像样本集中挑选出初始正样本集，然后利用负图像负样本集和挑选的初始正样本集训练全监督的二类SVM鉴别器，再利用得到的鉴别器从初始正样本集中挑选正样本集迭代训练全监督的二类SVM鉴别器，直到得到最优的鉴别器。最后，用得到的最优鉴别器对测试样本集进行目标鉴别。

二、技术方案

根据上述原理，本发明的技术方案包括如下：

A、训练步骤