[发明专利]一种基于多特征低秩表示融合的SAR目标识别方法

说明书

本发明公开了一种基于多特征低秩表示融合的SAR目标识别方法，将低秩表示模型应用到SAR配置下的目标识别问题中，利用多特征低秩表示联合识别SAR目标，提高了识别精度，此外，本发明还提出了一种新的两级融合策略，这一融合策略充分挖掘了SAR图像的多方位相关性和多特征对识别的贡献，并且两级决策融合进一步提高了所提出方法的鲁棒性。

技术领域

本发明涉及雷达目标识别技术领域，尤其涉及一种基于多特征低秩表示融合的SAR目标识别方法。

背景技术

基于合成孔径雷达(SAR)全天时、全天候以及不受天气、光照条件影响的工作特点，SAR已经广泛应用于民用和军事领域。SAR自动目标识别(SARATR)技术在SAR图像目标的处理和解译中起重要作用。

常见的SAR目标识别方法包括：(1)基于模板匹配的方法，该方法通过训练图像构建一系列的参考图像(空域或时域)，即模板。事先将这些模板存储起来，构成模板库。在需要进行识别的时候，对于一幅待识别的SAR目标图像，首先将该测试图像与模板库内的所有模板进行匹配，然后将该测试图像归到与之最相近的模板所在的类中。然而，这一方法需要预先存储大量的模板，计算负担很重。(2)基于模型的方法，这是MSTAR研究计划中采用的一种识别方法。该方法的具体步骤是：首先，提取出未知目标的特征，根据数学模型来推出一些相关的候选目标，接着分别假设这些目标的类别和姿态；然后，对候选目标通过模型构建技术进行三维成像，提取出散射中心模型，并进一步预测识别目标的特征，看作待识别目标的参考特征；最后进行匹配与判决。然而，该方法最大的问题在于需要精确估计散射模型的参数，对噪声敏感且不易实现。(3)基于表示学习的方法，随着机器学习的发展，表示学习作为机器学习领域中的一个重要分支，基于其在信号处理和数据挖掘中的突出性能而备受学者关注。

稀疏表示和压缩感知是目前表示学习中的热门研究课题。稀疏表示和压缩感知刻画的是向量的稀疏性，但在实际应用中，我们将面临各种数据，如图像、视频等，这些数据天然就是矩阵。对于矩阵稀疏性的度量，如果继续套用向量的稀疏性，将它们展开成向量来处理，那必将破坏数据的内部结果，在很多应用中会产生大量问题。此外，传统的SAR目标识别算法大都只利用了原始图像，一方面原始图像的维数过高会降低后续的分类器性能；另一方面原始图像中有大量的冗余信息；这些都限制了目标识别的性能。此外，考虑到每一类特征对识别的贡献是不同的，已经有文献证明多特征融合可以提高识别的鲁棒性。尽管常规的融合方法能取得一定的效果，但是没有挖掘方位相邻的SAR图像之间的强相关性。

综上所述，如何提供一种新的SAR目标识别方法，提高SAR目标识别过程中的识别精度和鲁棒性，一直都是本领域内研究的重要课题。

发明内容

针对现有技术存在的上述不足，本发明公开了一种基于多特征低秩表示融合的SAR目标识别方法，将低秩表示模型应用到SAR配置下的目标识别问题中，利用多特征低秩表示联合识别SAR目标，提高了识别精度，此外，本发明还提出了一种新的两级融合策略，这一融合策略充分挖掘了SAR图像的多方位相关性和多特征对识别的贡献，并且两级决策融合进一步提高了所提出方法的鲁棒性。

为解决上述技术问题，本发明采用了如下的技术方案：

一种基于多特征低秩表示融合的SAR目标识别方法，包括如下步骤：

(1)针对N类不同的已知雷达目标，采集每类已知雷达目标的多个方位的SAR图像，将每个已知雷达目标的SAR图像作为一个训练样本，将所有训练样本的集合作为训练样本集，分别提取各个训练样本的Gabor变换特征、PCA特征及小波变换特征；

(2)针对待测雷达目标，采集待测雷达目标的多个方位的SAR图像，将每个SAR图像作为一个测试样本，将所有测试样本的集合作为测试样本集，分别提取各个测试样本的Gabor变换特征、PCA特征及小波变换特征；

(3)基于训练样本集的Gabor变换特征、PCA特征及小波变换特征得到特征字典；