[发明专利]一种基于稀疏表征分类的多视图SAR自动目标识别方法

权利要求书

1.一种基于稀疏表征分类的多视图SAR自动目标识别方法，该方法包括训练阶段和测试阶段：

所述训练阶段的方法为：

步骤A(1)：给定SAR图像训练样本集S_tr＝{X_tr,Y_tr}，其中X_tr＝[x₁,x₂,……x_N]，x_i为n维列向量的训练样本，其中i＝1,2,……N，其中N表示训练样本数，Y_tr＝[y₁,y₂,……y_N]为训练样本对应的类标签；

步骤A(2)：随机采样多个训练样本，对字典D进行初始化；

步骤A(3)：从训练集中随机采样训练样本(x,y)，其中x为n维列向量的训练样本，y为x的类标签；

步骤A(4)：建立如下式(1)所示的稀疏表征模型：

其中，λ是在重构误差和稀疏度之间做出权衡的正则化参数，||·||₂表示2范数；||·||₁表示将所有的绝对值相加，a表示训练样本x的稀疏表征系数，a*(x,D)表示满足式(1)条件更新后的稀疏表征系数，

步骤A(5)：基于(1)式模型，利用交替方向乘子法得到迭代更新后的字典D和样本的稀疏表征系数a*(x,D)；

步骤A(6):将得到的稀疏表征系数作为输入量，输入到如下式(2)所示的分类误差最小模型中：

其中，为了得到最优的分类模型，采用分类误差期望最小准则设计分类函数如下式(3)：

式(3)中的分类损失函数l_s为：

其中，w表示分类器参数，W表示分类器参数集，v为正则化参数,||·||_F表示Frobenius范数，E_y,x[·]表示求y,x所有分类的误差均值，l_s(·)为分类误差函数；

步骤A(7):基于步骤A(6)中提出的分类模型，利用梯度下降算法迭代分别求得最优的字典D和分类器参数集W；

所述测试阶段的方法为：

步骤B(1):获取同一测试目标的M个视图：X_te＝[x₁,x₂,……，x_M]，x_i表示测试样本的第i幅视图；

步骤B(2):基于在训练阶段得到的字典D，计算同一测试目标M个视图的联合稀疏表征系数；

步骤B(3):根据步骤B(2)获得联合稀疏表征系数后，根据以下式(7)的加权回归模型来确定目标的类标签

其中,label(X)表示目标X的类标签；w^c∈W表示第c类标签对应分类器的回归系数，C表示标签总类数，δ^c(·)表示从a_i中选取在字典D上与第c类样本有关的稀疏系数，ω_i表示第i幅视图的权重系数。

2.如权利要求1所述的一种基于稀疏表征分类的多视图SAR自动目标识别方法,其特征在于所述步骤B(2)的具体方法为：

步骤B2a)在联合稀疏表征过程中，同一目标的多个视图在任意的第i子字典D_i上自由选择表征原子；引入一个新的符号g_s为激活集；g_s为在稀疏表征的迭代求解过程中，多个视图在第s次迭代时所选的表征系数在稀疏表征系数矩阵A中的行索引号，其中g_s(k)表示第k幅视图在第s次稀疏迭代求解中的表征系数在稀疏矩阵A中所对应索引号；

步骤B2b)基于给定的稀疏度，给出如下的稀疏约束条件，求解得到稀疏矩阵A：

其中，表示由第s个激活集的对应的所有系数形成的向量，||·||_G表示G范数，A(g_s(k),k)表示第k幅视图第s次稀疏迭代后对应的稀疏系数值；

步骤B2c)多视图联合稀疏表征模型如下式(6)所示，利用贪婪算法可求出多视图联合表征系数；

其中，K表示稀疏度，a_i表示同一测试目标M个视图的联合稀疏表征系数，x_i表示待测目标的第i幅视图。