[发明专利]一种基于GPU实现的合成孔径雷达图像目标识别方法

说明书

本发明雷达图像目标识别技术领域，具体涉及一种基于GPU实现的合成孔径雷达图像目标识别方法。随着SAR成像技术的发展，SAR图像的分辨率和数据量均迅速增加，所以传统基于CPU串行计算的PCA方法效率过低且计算代价过高。本发明利用GPU通用计算的高效计算能力，对PCA特征提取方法进行并行分析，并将其中并行性强的矩阵乘法、Jacobi特征分解和归约求最值等方法进行GPU并行改进。

技术领域

本发明属于雷达图像目标识别技术领域，具体涉及一种基于GPU实现的合成孔径雷达图像目标识别方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，以下简称SAR)图像自动目标识别(Automatic Target Recognition，ATR)技术是指在没有人工协助的情况下，从大场景中对目标进行检测和定位并实现对目标的型号、属性及装备等情况的判断。目前SAR目标识别所采用的方法有很多，在特征提取和分类器的设计上都有比较多的方法且都有各自的优缺点。然而相较于这些丰硕的理论成果，SAR目标识别的技术实现和实际应用研究却较为缓慢，实用化的SAR目标检测和识别系统还较少或不成熟。影响这种进程的一大原因就是SAR图像分辨率的提高导致获取的数据量急剧增加，以致传统的CPU处理方式难以实时的处理数据。现有对于SAR目标识别方法的研究大多针对如何提高目标的分类精度，而少有对SAR目标识别算法计算速度的研究。因此，如何在保证识别算法准确率的前提下，提高算法执行速度，实现目标识别算法的实时性，是科研工作者面临的一项挑战。

近年来，图形处理器(GPU，Graphic Process Unit)的高速发展，其架构的不断完善，使得它从最初的仅适用于图形的渲染发展成具有超高的浮点计算能力的计算工具，为目标识别算法速度缓慢问题提供了有力工具。GPU的并行性是由其片内大量线程决定的，这种并行性使得GPU在计算数据量大、密集度高的数据时相对于传统的CPU串行运算有更大的优势。此外，NVIDIA公司不断优化GPU各方面的指标，在保证计算能力的提前下，尽量降低功耗以减少计算成本。

发明内容

本发明提供一种基于GPU实现的合成孔径雷达图像目标识别方法，能够有效的解决目标识别算法实时性差的问题。主成分分析法(Principle Component Analysis，简称PCA)是一种比较常用的SAR图像特征提取方法，它基于大方差对应高信息的思想，将原始数据投影至新的坐标空间，用较少的几个综合变量尽可能多的反映样本原始信息。它的实现步骤如下：

第一步，将每个样本处理成一维数据，对于原始n个训练样本，组成了一个矩阵P_m*n＝{X₁,X₂,X₃,…,X_n}，并计算均值化矩阵P。

第二步，计算求出均值后的矩阵P的协方差矩阵：

第三步，Jacobi迭代法对协方差矩阵Q进行特征值分解：

Q＝U^TΛU

对于一个秩为k的协方差矩阵，其中协方差阵有k个非零特征值，U为正交矩阵，每一列也是相应特征值对应的特征向量。这时通常取排好序的特征值的前d个最大特征值所对应的向量，作为PCA投影空间，从而降低了特征的维数。选大的特征值，因为特征值越大那么向其对应的特征向量方向映射的特征越明显。

第四步，将样本数据投影到步骤三中获得的特征投影空间上，就可以得到主成分的特征：

Y_PCA＝TP

根据以上四步给出PCA算法实现流程图，如附图1所示。

接下来对PCA算法各个实现过程进行并行分析，从而最终实现算法的GPU并行计算，达到提速效果。