基于融合类别信息与局部保持投影的SAR目标型号识别方法

摘要

本发明公开了一种基于融合类别信息与局部保持投影的SAR目标型号识别方法，利用目标先验类别信息，通过相似性矩阵和差异性矩阵的构建，实现数据局部特性和差异特性的精确描述，继而通过融合的方式实现两个特性的优势互补，最终实现数据结构特性的全面捕获与精确描述，使得降维前后的数据结构得到有效保持。本发明可克服现有方法对SAR目标方位角敏感的问题，得到高精度的目标型号识别结果。

说明书

技术领域

本发明属于图像处理技术领域，涉及高分辨率SAR体制下目标的精确识别方法，可作为进一步的精确制导以及指挥自动化等的基础。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式的微波成像传感器，它几乎不受气候条件的影响，可以全天时、全天候的进行工作，被广泛应用于民用和军事领域。致力于从复杂的地物场景中有效的检测到目标，并对检测到的目标进行识别的SAR自动目标识别技术，是指在雷达对目标进行检测和定位的基础上，根据目标和背景的雷达回波信号，提取出目标的特征，最终实现目标的属性、类型或型号的判定。

对于目标的类型识别而言，国内外学者已经提出了诸多有效的方法，而对于型号识别的研究方兴未艾，目标的不同型号表明了目标的配置情况，同类型不同型号的目标被称之为变形目标。目标型号识别比类型识别能够提供更多的目标细节信息。例如，同一类型的坦克上有没有机关枪、油箱、天线是否打开等。目标型号识别意在要把同类型不同型号的目标区分开来，型号识别要比类型识别要更难于实现。目标型号识别的研究在感兴趣目标细节信息获取、战场感知、精确打击等方面具有重要的意义。

实现目标型号识别的关键在于克服目标的方位角敏感特性，现有的SAR目标识别算法均不可避免的遭受方位角敏感特性的影响，也就是说同类别不同型号目标在不同方位角下的差异往往要大于不同类别目标在相似方位角下的差异。解决此问题的关键在于如何精确捕获数据样本的本质结构特征，实现数据局部和全局结构的准确描述。

发明内容

针对现有技术中存在的问题，本发明的目的在于，提供一种基于融合类别信息与局部保持投影的SAR目标型号识别方法，可以更好的捕获和描述样本的结构特性以改善识别效果，克服SAR目标方位角敏感特性对识别的不利影响。

为实现上述目的，本发明采用以下技术方案：

基于融合类别信息与局部保持投影的SAR目标型号识别方法，包括以下步骤：

步骤1，利用SAR成像方法针对多个训练样本目标获取不同方位角下的包含有训练样本目标的图像，作为训练样本图像，将针对每一个训练样本目标获取的不同方位角下的多个训练样本图像划分为同一个样本类别；利用利用SAR成像方法获取包含有待识别目标的图像，作为测试样本图像；

步骤2，对每一幅训练样本图像和测试样本图像分别进行预处理，得到多幅预处理后的训练样本图像和预处理后的测试样本图像；预处理包括截取子图像和图像归一化；

步骤3，将每一幅训练样本图像中的所有像素值按列取出，排成一个训练样本列向量，利用所有训练样本图像排成的训练样本列向量形成训练样本列向量集合X；针对预处理后的测试样本图像，将其所有像素值按列取出，排成一个测试样本列向量Z；

步骤4，利用训练样本列向量集合X，融合样本类别信息，构建目标的相似性矩阵S和差异性矩阵D；

步骤5，基于相似性矩阵S，构建能够保持数据局部特性的目标函数J₁，基于差异性矩阵D，构建能够保持数据差异特性的目标函数J₂；

步骤6，融合目标函数J₁和目标函数J₂，得到能捕获数据全局结构特性的目标函数J₃；

步骤7，利用拉格朗日乘子法求解目标函数J₃，得到投影矩阵A；

步骤8，对步骤3中的训练样本列向量集合X利用投影矩阵A进行降维处理，得到训练样本特征向量集合Y，对步骤3中的测试样本列向量Z利用投影矩阵A进行降维处理，得到测试样本特征向量M；

步骤9，将测试样本特征向量M和训练样本特征向量集合Y均输入最近邻分类器，最近邻分类器自动输出测试样本图像中的待识别目标所属样本类别，得到最终的识别结果。

具体地，所述步骤2中的针对训练样本图像的预处理过程如下：

以训练样本图像的几何中心为基准，在训练样本图像上截取包含整个目标的图像，作为训练样本子图像；将训练样本子图像中的每一个像素值除以该训练样本子图像中所有像素值的最大值，得到归一化后的训练样本子图像，即为预处理后的训练样本图像。

具体地，所述步骤4中的构建目标的相似性矩阵S的方法如下：

相似性矩阵S中的每一个元素S_ij的构建公式如下：

其中，t₁为常数，exp(·)表示指数函数，||·||₂表示取2范数，x_i与x_j分别表示训练样本列向量集合X中的第i个列向量和第j个列向量，i,j＝1,2,...,N，N表示训练样本列向量的个数。

具体地，所述步骤4中的构建差异性矩阵D的方法如下：

差异性矩阵D中的每一个元素D_ij的构建公式如下：

其中，t₂为常数，N_k(x_i)表示训练样本列向量x_i的k个近邻列向量，N_k(x_j)表示x_j的k个近邻列向量。

具体地，所述步骤5中的构建能够保持数据局部特性的目标函数J₁，采用的公式如下：

其中，y_i与y_j分别表示训练样本特征向量集合Y中的第i个列向量和第j个列向量，min(·)表示求最小值操作；

所述构建能够保持数据差异特性的目标函数J₂，采用的公式如下：

其中，max(·)表示求最大值操作。

具体地，所述步骤6中的融合目标函数J₁和目标函数J₂，得到能实现数据全局结构特性捕获的目标函数J₃，采用公式如下：

J₃＝J₁-J₂

具体地，所述步骤7中的利用拉格朗日乘子法求解目标函数J₃，得到投影矩阵A，具体包括以下步骤：

步骤7.1：给目标函数J₃添加约束条件A^TXBX^TA＝I，可得

其中，A^TX＝Y，A表示投影矩阵，B＝H-G，H为对角矩阵，其对角线元素为相似性矩阵S的行和，G为对角矩阵，对角线元素为差异性矩阵D的行和，L＝L₁-L₂，L₁＝H-S，L₂＝G-D，s.t.表示约束条件，Tr(·)表示求矩阵的迹，(·)^T表示求矩阵的转置，I表示单位阵；

步骤7.2：利用拉格朗日乘子法，求解步骤7.1中的公式所示的含有约束条件的最小值问题，得到如下公式：

XLX^TA＝λXBX^TA

其中，λ表示拉格朗日乘子；

步骤7.3：求解步骤7.2中的公式，得到d个最小非零特征值0＜λ₁≤λ₂≤...≤λ_d对应的特征向量a₁,a₂,...,a_d，利用特征向量a₁,a₂,...,a_d构建投影矩阵A＝{a₁,a₂,...,a_d}。

具体地，所述步骤8中的对训练样本列向量集合X利用投影矩阵A进行降维处理，得到训练样本特征向量集合Y，采用的公式如下：

Y＝A^TX

对测试样本列向量Z利用投影矩阵A进行降维处理，得到测试样本特征向量M，采用的公式如下：

M＝A^TZ

其中，A^T表示投影矩阵A的转置。

与现有技术相比，本发明具有以下技术效果：

1)目标型号识别精度高

本发明利用目标先验类别信息，通过相似性矩阵和差异性矩阵的构建，实现数据局部特性和差异特性的精确描述，继而通过融合的方式实现两个特性的优势互补，最终实现数据结构特性的全面捕获与精确描述，使得降维前后的数据结构得到有效保持。本发明可克服现有方法对SAR目标方位角敏感特性的问题，得到高精度的目标识别结果。

2)为精确制导和火力打击提供参考

本发明可以为基于目标识别结果的后续过程提供参考，识别结果可提供给火控系统，为多源信息融合提供判据，为精确制导和火力打击提供重要的参考。

附图说明

图1是本发明的流程图；

图2是本发明与其他3种方法对7个型号目标的识别结果对比图；

图3是本发明与其他3种方法获得的识别率随特征维数变化的曲线图。

下面结合附图和具体实施方式对本发明的方案作进一步详细地解释和说明。

具体实施方式

参照图1，本发明的基于融合类别信息与局部保持投影的SAR目标型号识别方法，包括以下步骤：

步骤1，利用SAR成像方法针对多个训练样本目标获取不同方位角下的包含有训练样本目标的图像，作为训练样本图像，将针对每一个训练样本目标获取的不同方位角下的多个训练样本图像划分为同一个样本类别；利用利用SAR成像方法获取包含有待识别目标的图像，作为测试样本图像；其中，训练样本目标与待识别目标具有相似的外部特征，获取测试样本图像和训练样本图像的场景相同。例如，当待识别目标为装甲车时，将不同型号的多个装甲车作为训练样本目标。

步骤2，对每一幅训练样本图像和测试样本图像分别进行预处理，得到多幅预处理后的训练样本图像和预处理后的测试样本图像；预处理的过程如下：

针对训练样本图像，以训练样本图像的几何中心为基准，在训练样本图像上截取包含整个目标的图像，即包含目标所有信息的图像，作为训练样本子图像，一般截取的训练样本子图像的大小为48×48像素；

将训练样本子图像中的每一个像素值除以该训练样本子图像中所有像素值的最大值，得到归一化后的训练样本子图像，即预处理后的训练样本图像。

针对测试样本图像的预处理过程与针对训练样本图像的预处理过程相同，此处不再赘述。

步骤3，将每一幅训练样本图像中的所有像素值按列取出，排成一个训练样本列向量，利用所有训练样本图像排成的训练样本列向量x₁，x₂,…x_i,…x_j,…x_N形成训练样本列向量集合X＝{x₁，x₂,…x_i,…x_j,…x_N}，其中，N表示训练样本列向量的个数；针对预处理后的测试样本图像，将其所有像素值按列取出，排成一个测试样本列向量Z。

步骤4，利用训练样本列向量集合X，融合样本类别信息，构建目标的相似性矩阵S和差异性矩阵D；本步骤的具体实现方式如下：

步骤4.1，构建相似性矩阵S，其中每一个元素S_ij的构建如下：

其中，t₁为常数，exp(·)表示指数函数，||·||₂表示取2范数，x_i与x_j分别表示训练样本列向量集合X中的第i个列向量和第j个列向量，i,j＝1,2,...,N，N表示训练样本列向量的个数。

步骤4.2，构建差异性矩阵D，其中每一个元素D_ij的构建如下：

其中，t₂为常数，N_k(x_i)表示训练样本列向量x_i的k个近邻列向量，N_k(x_j)表示x_j的k个近邻列向量；训练样本列向量x_i的k个近邻列向量指的是，与训练样本列向量x_i距离最近的k个列向量，训练样本列向量x_j的k个近邻列向量指的是，与训练样本列向量x_j距离最近的k个列向量。

步骤5，基于相似性矩阵S，构建能够保持数据局部特性的目标函数J₁，基于差异性矩阵D，构建能够保持数据差异特性的目标函数J₂：

步骤5.1，构建目标函数J₁：

其中，y_i与y_j分别表示训练样本特征向量集合Y中的第i个列向量和第j个列向量，min(·)表示求最小值操作。

步骤5.2，构建目标函数J₂：

其中，max(·)表示求最大值操作。

步骤6，融合目标函数J₁和目标函数J₂，得到能捕获数据全局结构特性的目标函数J₃，采用公式如下：

J₃＝J₁-J₂(5)

步骤7，利用拉格朗日乘子法求解目标函数J₃，得到投影矩阵A。本步骤的具体实现如下：

步骤7.1：给目标函数J₃添加约束条件A^TXBX^TA＝I，可得

其中，A^TX＝Y，A表示投影矩阵，B＝H-G，H为对角矩阵，其对角线元素为相似性矩阵S的行和，G为对角矩阵，对角线元素为差异性矩阵D的行和，L＝L₁-L₂，L₁＝H-S，L₂＝G-D，s.t.表示约束条件，Tr(·)表示求矩阵的迹，(·)^T表示求矩阵的转置，I表示单位阵；

步骤7.2：利用拉格朗日乘子法，求解公式(6)所示的含有约束条件的最小值问题，得到如下公式：

XLX^TA＝λXBX^TA(7)

其中，λ表示拉格朗日乘子。

步骤7.3：求解公式(7)，得到d个最小非零特征值0＜λ₁≤λ₂≤...≤λ_d对应的特征向量a₁,a₂,...,a_d，利用特征向量a₁,a₂,...,a_d构建投影矩阵A＝{a₁,a₂,...,a_d}。

步骤8，对步骤3中的训练样本列向量集合X利用投影矩阵A进行降维处理，得到训练样本特征向量集合Y，Y＝A^TX，对步骤3中的测试样本列向量Z利用投影矩阵A进行降维处理，得到测试样本特征向量M，M＝A^TZ。

步骤9，将测试样本特征向量M和训练样本特征向量集合Y均输入最近邻分类器，最近邻分类器自动输出测试样本图像中的待识别目标所属样本类别，得到最终的识别结果。

仿真条件：

仿真实验环境为：MATLAB R2011a，Intel(R)Core(TM)2Duo CPU 2.53GHz，WindowXP专业版。

仿真内容与结果分析：

本发明的实验数据，采用美国“运动和静止目标获取与识别”项目组，在互联网上所公开的实测数据。

选取BMP2步兵战车、BTR70装甲车和T72主战坦克三类目标。其中BMP2有sn-9563、sn-9566、sn-c21 3种不同的型号；BTR70的型号为sn-c71；T72有sn-132、sn-812、sn-s7 3种不同的型号。实验中采用SAR在俯仰角为17°时的图像作为训练样本，俯仰角为15°时的图像作为测试样本。所有图像的大小均为128像素×128像素，聚束模式下获得的SAR图像的距离分辨率和方位分辨率为0.3米×0.3米，图像的方位覆盖范围为0°～360°，采用雷达在俯仰角为17°时的成像数据作为训练样本，雷达在俯仰角为15°时的成像数据作为测试样本。

训练样本和测试样本的型号和样本个数如表1所示。

表1训练样本与测试样本的型号及样本个数

仿真1，采用本发明对BMP2数据进行识别，结果如表2所示。由表2可见，采用本发明可以取得最高的正确识别率，平均识别率比基于线性判决分析(Linear DiscriminantAnalysis，LDA)的识别方法、基于主成分分析(Principal Component Analysis，PCA)的识别方法和基于局部保持投影(Locality Preserving Projection，LPP)的识别方法的识别率分别高出51.79％、25.72％、12.10％。

表2 BMP2目标型号识别结果

仿真2，采用本发明对T72数据进行识别，结果如表3所示。由表3可见，采用本发明获得的正确识别率仍然是最优的。平均识别率比基于LDA的识别方法、基于PCA的识别方法和基于LPP的识别方法的识别率分别高出40.55％、18.05％、4.99％。

表3 T72目标型号识别结果

仿真3，对表1所示的3类7个型号数据进行识别，结果如表4所示。由表4可见，本发明由于不仅保持了同类数据的局部结构特性，而且在特征空间里增大了异类相似目标之间的距离，对识别有利的信息保持的更加完整，在和LDA、PCA以及LPP的对比中取得了最好的识别结果。图2给出了不同方法对各个型号目标的识别结果对比，图3给出了不同方法下的识别率随特征维数变化曲线，从中均可看出利用本发明进行SAR目标型号识别的优越性。

表4 7个型号目标识别结果

目标的型号识别可提供更多目标的细节信息，但其较之于类型识别也更加难以实现，对特征提取的要求更高。在对目标细节信息捕获和描述要求较高的条件下，采用本发明实现高精度的目标型号识别是一种有效的解决方法。