[发明专利]基于距离像时频图鉴别字典学习的SAR目标识别方法

摘要

本发明提供了一种基于距离像时频图鉴别字典学习的SAR目标识别方法，其采用了SAR的距离像时频图作为识别特征，避免了由于目标运动导致散焦或者信噪比等因素造成图像质量不高时对目标识别效果的影响，通过鉴别字典学习联合进行字典学习和分类器训练，能够有效的提取雷达目标距离像时频数据中的特征信息，不仅有利于减少字典中的原子数目，降低稀疏编码过程中的运算复杂度，同时还有利于提高稀疏编码的精度，从而提高对雷达目标的识别准确率，并且整个识别过程中均不需要对SAR图像目标进行方位角估计，因此降低了识别复杂程度，也避免了识别准确性对目标方位角估计的依赖，同时具有良好的识别性能，能够帮助提升雷达目标识别的鲁棒性能。

主权项

基于距离像时频图鉴别字典学习的SAR目标识别方法，其特征在于，包括如下步骤：1)将SAR图像转换为SAR的距离像；2)采用自适应高斯基表示方法，利用高斯基函数对SAR的距离像进行迭代分解表示，进而计算得到SAR的距离像的时频矩阵；3)针对多个不同类别的已知雷达目标，分别采集多个已知雷达目标的SAR图像作为训练样本，并按照步骤1～2分别处理得到各个类别中各个训练样本的时频矩阵，从而由各个类别的各个训练样本的时频矩阵排列构成训练样本时频数据矩阵向量Y；4)基于训练样本时频数据矩阵向量Y以及各个训练样本的类别信息，分别求得入LC‑KSVD字典学习算法的目标函数所需的学习参数；所述学习参数包括初始化学习字典矩阵D₀、初始化线性转换矩阵A₀、初始化分类器矩阵W₀、训练样本时频数据矩阵向量Y对应的标签矩阵H、用以表示训练样本时频数据矩阵向量Y与初始化学习字典矩阵D₀之间类别对应关系的鉴别矩阵Q以及利用初始化学习字典矩阵D₀对训练样本时频数据矩阵向量Y进行稀疏分解所得的稀疏系数向量X；5)将初始化学习字典矩阵D₀、初始化线性转换矩阵A₀和初始化分类器矩阵W₀分别作为LC‑KSVD字典学习算法中学习字典矩阵D、线性转换矩阵A和分类器矩阵W的初始值，并将训练样本时频数据矩阵向量Y对应的稀疏系数向量X、标签矩阵H和鉴别矩阵Q一并代入LC‑KSVD字典学习算法的目标函数中进行学习和训练，得到经过LC‑KSVD字典学习后的学习字典矩阵D_new、线性转换矩阵A_new和分类器矩阵W_new；6)利用学习字典矩阵D_new、线性转换矩阵A_new和分类器矩阵W_new计算得到基准字典矩阵基准转换矩阵和基准分类器矩阵$\hat{D}=\{\frac{d_{\mathrm{new},1}}{{\left|\right|d_{\mathrm{new},1}\left|\right|}_2},\frac{d_{\mathrm{new},2}}{{\left|\right|d_{\mathrm{new},2}\left|\right|}_2},...,\frac{d_{\mathrm{new},k}}{{\left|\right|d_{\mathrm{new},k}\left|\right|}_2},...,\frac{d_{\mathrm{new},K}}{{\left|\right|d_{\mathrm{new},K}\left|\right|}_2}\};$$\hat{A}=\{\frac{a_{\mathrm{new},1}}{{\left|\right|d_{\mathrm{new},1}\left|\right|}_2},\frac{a_{\mathrm{new},2}}{{\left|\right|d_{\mathrm{new},2}\left|\right|}_2},...,\frac{a_{\mathrm{new},k}}{{\left|\right|d_{\mathrm{new},k}\left|\right|}_2},...,\frac{a_{\mathrm{new},K}}{{\left|\right|d_{\mathrm{new},K}\left|\right|}_2}\};$$\hat{W}=\{\frac{w_{\mathrm{new},1}}{{\left|\right|d_{\mathrm{new},1}\left|\right|}_2},\frac{w_{\mathrm{new},2}}{{\left|\right|d_{\mathrm{new},2}\left|\right|}_2}...,\frac{w_{\mathrm{new},k}}{{\left|\right|d_{\mathrm{new},k}\left|\right|}_2},...,\frac{w_{\mathrm{new},K}}{{\left|\right|d_{\mathrm{new},K}\left|\right|}_2}\};$其中，d_new,k表示学习字典矩阵D_new的第k个字典原子，a_new,k表示线性转换矩阵A_new的第k个列向量，w_new,k表示分类器矩阵W_new的第k个列向量，k∈{1,2,…,K}，K表示采集的训练样本的总个数；||·||₂为l₂范数运算符；7)针对待测雷达目标，采集待测雷达目标的SAR图像，按照步骤1～2处理得到待测雷达目标的时频矩阵z，并利用基准字典矩阵采用稀疏编码学习算法将待测雷达目标的时频矩阵z进行稀疏分解：$z={\hat{D}x}_z;$得到待测雷达目标的时频矩阵z对应的稀疏系数x_z；8)利用基准分类器矩阵确定待测雷达目标所属的雷达目标类别j：$j=\arg \underset{j}{\max }(J={\hat{W}x}_z);$其中，J表示待测雷达目标对应的类别标签向量，且j∈J；由此实现对待测雷达目标的分类识别。