[发明专利]基于分辨率金字塔模型的极窄脉冲雷达船只鉴别方法

权利要求书

1.基于分辨率金字塔模型的极窄脉冲雷达船只鉴别方法，其特征在于，包括如下步骤：

步骤1、取历史时刻的2幅以上的雷达图像，将雷达图像中的船只目标从背景中分割出来，得到船只目标图像；

步骤2、针对船只目标图像采用无监督方法提取判别性切片特征向量；

具体包括如下步骤：

步骤201、对船只目标图像进行多尺度切片；

所述多尺度切片流程如下：预先设定多个切片尺度，对所述船只目标图像进行多尺度切片，得到一定数量的切片图像，针对每个切片图像，提取方向梯度直方图特征HOG特征作为切片图像的特征向量；

对所有船只目标图像的所有的切片图像的特征向量进行维度统一处理，使所有的切片图像的特征向量具有相同的维度，切片图像的特征向量作为切片样本，将所有切片样本随机均匀的分为切片分类训练集和切片分类验证集两部分；设置最大迭代次数N；设定当前迭代次数计数i初值为1；

步骤202、对切片分类训练集进行聚类处理，得到切片分类训练集的聚类类群；

步骤203、针对每个聚类类群训练对应的SVM分类器，即类群分类器，所述类群分类器的正例样本为当前聚类类群的类群成员，反例样本为除去正例样本的训练集样本；

步骤204、对切片分类验证集采用步骤203训练的类群分类器进行分类，得到分类器分类结果；同时对所述切片分类验证集进行k-means聚类处理，得到聚类结果；

以聚类结果为标准，计算分类器分类结果的准确率，将准确率最低的分类器分类结果对应类群分类器的类群成员移除；

步骤205，交换切片分类验证集和切片分类训练集，判断是否达到最大迭代次数N：

若是，以步骤204中移除操作后剩余的所有切片样本作为判别性切片特征向量进行输出，进行步骤3；

若否，返回步骤202继续执行；

步骤3，针对所有判别性切片特征向量进行聚类处理，并将聚类中心构建为特征字典；

步骤4，对所有已获取的雷达图像，利用所述特征字典获取每一幅雷达图像的中层语义特征向量；

具体流程为：

利用所述特征字典，对同一幅雷达图像的所有切片特征向量进行编码，从而将每个切片特征向量量化为与其欧式距离最近的判别性切片的表示向量，将所有切片特征向量求和并归一化处理后，得到当前幅雷达图像的中层语义特征向量；

其中，表示向量V_i＝[v₁,v₂,…,v_n]，表示向量中第n个元素v_n的编码规则如下：

d_k第k个聚类中心向量，||f_i-d_k||²表示f_i与d_k的欧式距离；k指代1,2,3…,N中数值；f_i为第i个切片图像的特征向量；

步骤5，取所有已获取的雷达图像的中层语义特征向量作为目标分类训练集，对目标分类训练集中的所有中层语义特征向量进行目标类别标签设置，并利用目标分类训练集训练SVM分类器，得到目标分类器；

步骤6、取新获取的待分类的雷达图像，利用所述特征字典获取待分类的雷达图像的中层语义特征向量，输入至所述目标分类器进行船只目标鉴别。

2.如权利要求1所述的方法，其特征在于，所述将雷达图像中的船只目标从背景中分割出来，得到船只目标图像，具体为：

利用去噪算法去除雷达图像中的斑点噪声，然后利用Radon变换确定船只目标的主轴和分割范围，最后将船只目标从雷达图像的背景中分割出来，得到船只目标图像。

3.如权利要求1所述的方法，其特征在于，所述针对所有判别性切片进行聚类处理，并将聚类中心构建为特征字典，具体为：

针对所有判别性切片特征向量进行聚类处理，得到共N个聚类中心，特征字典为：D＝[d₁,d₂,...,d_N]。

4.如权利要求1所述的方法，其特征在于，所述步骤4还包括：取部分已获取的雷达图像的中层语义特征向量作为目标分类测试集；对目标分类测试集中的所有中层语义特征向量进行目标类别标签设置，并利用训练得到的目标分类器对目标分类测试集进行分类测试，计算所述目标分类器的分类准确率，若所述目标分类器的分类准确率低于设定阈值，则重新训练特征字典，执行步骤5和6。