[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

摘要

本发明公开了一种基于稀疏表征分类的多视图SAR自动目标识别方法,属于雷达信号处理领域，特别涉及一种基于稀疏表征分类的多视图SAR目标识别方法，用以实现合成孔径雷达自动目标识别。本发明的目的是针对上述SAR目标识别方面存在的问题，提出一种基于稀疏表征分类的多视图SAR目标识别方法，通过充分利用训练样本的标签信息联合学习一个稀疏模式和分类器，增强字典表征能力和分类器泛化能力，从而改善目标分类精度，在测试阶段通过挖掘同一物理目标多个视图间的内在关联和互补信息，减弱SAR图像对目标俯仰角敏感性对识别的影响，进一步提高识别性能。

主权项

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(Alternating Direction Method of Multipliers,ADMM)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(Stochastic gradient descent,SGD)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个视图的进行联合稀疏表征系数；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，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。