一種目標(biāo)識(shí)別方法
【專利摘要】本發(fā)明實(shí)施例公開一種目標(biāo)識(shí)別方法，應(yīng)用于雷達(dá)目標(biāo)識(shí)別領(lǐng)域，能夠避免目標(biāo)信息丟失以及方位角對(duì)識(shí)別結(jié)果的過(guò)大影響。該方法包括：利用獨(dú)立同分布高斯隨機(jī)矩陣，對(duì)訓(xùn)練樣本和測(cè)試樣本進(jìn)行降維。將降維后的每一個(gè)訓(xùn)練樣本稱為一個(gè)原子，降維后的訓(xùn)練樣本集稱為字典。針對(duì)每一幅目標(biāo)圖像，降維后，從訓(xùn)練樣本中挑選用于稀疏表示的原子，使其可以最大可能的重構(gòu)目標(biāo)圖像原子。然后將不同方位角的目標(biāo)圖像作為一個(gè)整體，通過(guò)自適應(yīng)方法，將稀疏表示每一幅圖像的原子提取出來(lái)，構(gòu)成局部自適應(yīng)字典。通過(guò)聯(lián)合稀疏表示方法，計(jì)算賦給局部自適應(yīng)原子中的各原子的系數(shù)值，將目標(biāo)圖像集聯(lián)合稀疏重構(gòu)出來(lái)。最后，通過(guò)各個(gè)類別中參與聯(lián)合稀疏表示的原子的貢獻(xiàn)度，得到測(cè)試目標(biāo)的類別。本發(fā)明的實(shí)施例應(yīng)用于訓(xùn)練集相對(duì)完備，目標(biāo)圖像數(shù)量有限且方位角參數(shù)不確定的情況下。
【專利說(shuō)明】一種目標(biāo)識(shí)別方法

【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明涉及雷達(dá)目標(biāo)識(shí)別【技術(shù)領(lǐng)域】，尤其涉及一種目標(biāo)識(shí)別方法。

【背景技術(shù)】
[0002] 信號(hào)處理技術(shù)常常需要通過(guò)更有效的表示來(lái)捕獲信號(hào)的特征，對(duì)識(shí)別來(lái)說(shuō)，表示 方法需要突出顯著特征，對(duì)去噪來(lái)說(shuō)，表示方法需要有效的分離信號(hào)和噪聲，對(duì)壓縮來(lái)說(shuō)， 表示方法需要用少量的系數(shù)來(lái)描述大部分的信號(hào)。這些應(yīng)用看似目的不同，但都有一個(gè)共 同的目標(biāo)就是簡(jiǎn)化信號(hào)表示，即稀疏化。Chen S等人提出了冗余字典上的稀疏表示方法。 Elad M，Protter M，Bryt O等研宄人員使用稀疏表示方法，在基礎(chǔ)的信號(hào)和圖像處理中取 得了目前最好的效果。研宄表明測(cè)試樣本能夠被表示（或逼近）成訓(xùn)練樣本的線性組合， 而且這些組合系數(shù)是稀疏的，也就是說(shuō)大部分系數(shù)是0,或接近0。為了進(jìn)一步提高目標(biāo)的 識(shí)別率，提尚目標(biāo)?目息的利用率，Haichao Zhang等人在傳統(tǒng)的稀疏表不方法基礎(chǔ)上，提出 聯(lián)合稀疏表示方法。將相近方位角的目標(biāo)圖像聯(lián)合形成測(cè)試樣本集，利用稀疏表示原理，由 訓(xùn)練原子將測(cè)試樣本集聯(lián)合稀疏表示出來(lái)。
[0003] 傳統(tǒng)的稀疏表示方法，使用獨(dú)立的目標(biāo)圖像進(jìn)行目標(biāo)識(shí)別，不能充分利用目標(biāo)信 息，而聯(lián)合稀疏表示方法將相近方位的目標(biāo)圖像聯(lián)合起來(lái)用于目標(biāo)識(shí)別，相比之下，增加了 目標(biāo)信息量，提高了識(shí)別率，然而該方法存在較大的局限性。由于雷達(dá)圖像對(duì)目標(biāo)姿態(tài)敏感 的特征，聯(lián)合稀疏表示的目標(biāo)圖像之間，方位角間隔不能過(guò)大，否則會(huì)導(dǎo)致干擾信息增加， 識(shí)別率下降。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明實(shí)施例提供一種目標(biāo)識(shí)別方法，解決了現(xiàn)有技術(shù)因方位角間隔過(guò)大導(dǎo)致干 擾增加識(shí)別率下降的缺陷。
[0005] 本發(fā)明的第一方面提供一種目標(biāo)識(shí)別方法，包括：選擇訓(xùn)練樣本，通過(guò)獨(dú)立同分布 高斯隨機(jī)矩陣對(duì)訓(xùn)練樣本和測(cè)試樣本降維；針對(duì)每一個(gè)所述測(cè)試樣本，采用所述同分布高 斯隨機(jī)矩陣進(jìn)行降維，得到測(cè)試原子，當(dāng)稀疏度一定時(shí)，從訓(xùn)練字典中選擇可以最大程度稀 疏重構(gòu)出測(cè)試樣本的訓(xùn)練原子集合；選取目標(biāo)不同方位的圖像合成測(cè)試樣本集，使用自適 應(yīng)方法將與所述測(cè)試樣本集中每一個(gè)樣本對(duì)應(yīng)的訓(xùn)練原子從訓(xùn)練字典中提取出來(lái)，并將所 有提取出來(lái)的原子合并起來(lái)，構(gòu)成局部自適應(yīng)字典，利用所述局部自適應(yīng)字典，獲得目標(biāo)圖 像集聯(lián)合稀疏表示；根據(jù)最小重構(gòu)錯(cuò)誤準(zhǔn)則，判斷目標(biāo)類別。
[0006] 根據(jù)第一方面，在第一種可能的實(shí)現(xiàn)方式中，所述針對(duì)每一個(gè)所述測(cè)試樣本，得到 訓(xùn)練樣本集中選擇最大程度稀疏重構(gòu)出測(cè)試樣本的原子包括：將稀疏度K作為限制條件 時(shí)，Ilxll <κ，其中范數(shù)可以為1范數(shù)或者〇范數(shù)。
[0007] 根據(jù)第一方面，在第二種可能的實(shí)現(xiàn)方式中，所述得到訓(xùn)練樣本集中選擇最大程 度稀疏重構(gòu)出測(cè)試樣本的原子包括：匹配追蹤。
[0008] 根據(jù)第一方面的第二種可能的實(shí)現(xiàn)方式，在第三種可能的實(shí)現(xiàn)方式中，所述匹配 追蹤包括：計(jì)算測(cè)試原子與訓(xùn)練字典中各原子的內(nèi)積，選擇絕對(duì)值最大的一個(gè)原子，它就是 與測(cè)試樣本在本次迭代中最匹配的；將測(cè)試樣本分解為在最匹配原子方向的投影部分和殘 差部分，將殘差部分分解為最匹配原子方向的投影和殘差部分投影，更新殘差部分，直到獲 得較小的殘差值或者一定數(shù)量的匹配原子。
[0009] 根據(jù)第一方面的第二種可能的實(shí)現(xiàn)方式，在第四種可能的實(shí)現(xiàn)方式中，所述得到 訓(xùn)練樣本集中選擇最大程度稀疏重構(gòu)出測(cè)試樣本的原子還包括：在分解的每一步對(duì)所選擇 的全部原子進(jìn)行正交化處理。
[0010] 根據(jù)第一方面的第二種可能的實(shí)現(xiàn)方式，在第五種可能的實(shí)現(xiàn)方式中，所述得到 訓(xùn)練樣本集中選擇最大程度稀疏重構(gòu)出測(cè)試樣本的原子還包括：在匹配追蹤之前，通過(guò)相 應(yīng)的稀疏算法，對(duì)測(cè)試樣本進(jìn)行采樣。
[0011] 根據(jù)第一方面，在第六種可能的實(shí)現(xiàn)方式中，所述獲得目標(biāo)圖像集聯(lián)合稀疏表示 包括：多重壓縮感知匹配追蹤。
[0012] 本發(fā)明提供的目標(biāo)識(shí)別方法，將構(gòu)建自適應(yīng)局部字典和聯(lián)合稀疏表示的優(yōu)勢(shì)結(jié)合 在一起，既增加了目標(biāo)信息量，又克服了方位信息間隔對(duì)識(shí)別率的影響。該方法在隨機(jī)選取 目標(biāo)方位圖像、選取任意幅目標(biāo)圖像的情況下都能保持較高的識(shí)別率，是一種較好的雷達(dá) 目標(biāo)識(shí)別方法。

【專利附圖】

【附圖說(shuō)明】
[0013] 為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹。
[0014] 圖1為本發(fā)明實(shí)施例提供的目標(biāo)識(shí)別方法的流程示意圖；
[0015] 圖2為本發(fā)明實(shí)施例仿真實(shí)驗(yàn)采用的訓(xùn)練、測(cè)試數(shù)據(jù)情況的示意圖；
[0016] 圖3為本發(fā)明實(shí)施例稀疏表示方法、聯(lián)合稀疏表示方法原子選擇正確率對(duì)比圖；
[0017] 圖4為本發(fā)明實(shí)施例目標(biāo)圖像數(shù)目變化對(duì)識(shí)別結(jié)果的影響的示意圖；
[0018] 圖5本發(fā)明實(shí)施例圖像方位角間隔變化對(duì)識(shí)別結(jié)果的影響的示意圖；
[0019] 圖6本發(fā)明實(shí)施例中的稀疏表示、聯(lián)合稀疏表示、本發(fā)明方法的識(shí)別率統(tǒng)計(jì)圖。

【具體實(shí)施方式】
[0020] 下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。
[0021] 本發(fā)明實(shí)施例公開一種利用目標(biāo)圖像融合、聯(lián)合稀疏表示進(jìn)行目標(biāo)識(shí)別的算法， 應(yīng)用于雷達(dá)目標(biāo)識(shí)別領(lǐng)域，能夠避免目標(biāo)信息丟失以及方位角對(duì)識(shí)別結(jié)果的過(guò)大影響。該 方法包括：利用獨(dú)立同分布高斯隨機(jī)矩陣，對(duì)訓(xùn)練樣本和測(cè)試樣本進(jìn)行降維。將降維后的 每一個(gè)訓(xùn)練樣本稱為一個(gè)原子，降維后的訓(xùn)練樣本集稱為字典。針對(duì)每一幅目標(biāo)圖像，降維 后，從訓(xùn)練樣本中挑選用于稀疏表示的原子，使其可以最大可能的重構(gòu)目標(biāo)圖像原子。然后 將不同方位角的目標(biāo)圖像作為一個(gè)整體，通過(guò)自適應(yīng)方法，將稀疏表示每一幅圖像的原子 提取出來(lái)，構(gòu)成局部自適應(yīng)字典。通過(guò)聯(lián)合稀疏表示方法，計(jì)算賦給局部自適應(yīng)原子中的各 原子的系數(shù)值，將目標(biāo)圖像集聯(lián)合稀疏重構(gòu)出來(lái)。最后，通過(guò)各個(gè)類別中參與聯(lián)合稀疏表示 的原子的貢獻(xiàn)度，得到測(cè)試目標(biāo)的類別。本發(fā)明的實(shí)施例應(yīng)用于訓(xùn)練集相對(duì)完備，目標(biāo)圖像 數(shù)量有限且方位角參數(shù)不確定的情況下。
[0022] 下面以具體實(shí)施例來(lái)進(jìn)行說(shuō)明。
[0023] 圖1為本發(fā)明實(shí)施例提供的目標(biāo)識(shí)別方法的流程示意圖，參考圖1，該方法主要包 括以下步驟：
[0024] 10、選擇訓(xùn)練樣本，通過(guò)獨(dú)立同分布高斯隨機(jī)矩陣對(duì)訓(xùn)練樣本和測(cè)試樣本降維。
[0025] 已知k種目標(biāo)，對(duì)不同目標(biāo)類別進(jìn)行標(biāo)記label = 1，2, ...，k。通過(guò)Γ -360°分 別獲取目標(biāo)圖像，且圖像方位角間隔〈=3°。其中每一幅圖像，都是訓(xùn)練樣本。所有圖像 的集合為訓(xùn)練樣本集。
[0026] 針對(duì)未知類別的目標(biāo)，通過(guò)任意角度獲得的目標(biāo)圖像為測(cè)試樣本，多幅圖像組成 測(cè)試樣本集。
[0027] 本實(shí)施例假設(shè)訓(xùn)練樣本圖像大小為wXw，將二維圖像轉(zhuǎn)換為一個(gè)列向量 Vni(vWeR'm = wxw )，即為第i類目標(biāo)的第n個(gè)訓(xùn)練樣本。訓(xùn)練樣本集的第i類樣本 可表示為Di= [V n, v2i, ...，vni]。訓(xùn)練樣本集由k類目標(biāo)組成，D = [D1, D2,... Dk]。R為 獨(dú)立同分布高斯隨機(jī)矩陣，即隨機(jī)生成的標(biāo)準(zhǔn)正交矩陣，且每一行滿足Norm(0，l)分布， 5 = ，乃為降維后的訓(xùn)練樣本集，gp為訓(xùn)練字典，每一個(gè)降維后的訓(xùn) 練樣本為一個(gè)訓(xùn)練原子。
[0028] 20、針對(duì)每一個(gè)測(cè)試樣本，采用同樣的同分布高斯隨機(jī)矩陣進(jìn)行降維，得到測(cè)試原 子，當(dāng)稀疏度一定時(shí)，從訓(xùn)練字典中選擇可以最大程度稀疏重構(gòu)出測(cè)試樣本的訓(xùn)練原子集 合。
[0029] 在原子選擇階段，稀疏表示方法的選擇正確率遠(yuǎn)大于聯(lián)合稀疏表示選擇正確率， 以此，在使用聯(lián)合稀疏表示方法融合多傳感器圖像之前，使用稀疏表示方法進(jìn)行原子選擇， 控制融合引入的干擾。測(cè)試原子y = ，X為系數(shù)向量。稀疏度K為從訓(xùn)練字典中挑選的 訓(xùn)練原子個(gè)數(shù)，當(dāng)稀疏度一定時(shí)，X中非零元素的個(gè)數(shù)確定。要求挑選出來(lái)的原子具有最大 程度重構(gòu)測(cè)試樣本的能力，即argminij：·-Δτ|μ.Λ ||4 。使用^表示滿足上式條件的系數(shù)向 量。
[0030] 30、選取目標(biāo)不同方位的圖像合成測(cè)試樣本集，使用自適應(yīng)方法將測(cè)試樣本集中 每一個(gè)樣本對(duì)應(yīng)的訓(xùn)練原子從訓(xùn)練字典中提取出來(lái)，并將所有提取出來(lái)的原子合并起來(lái)， 構(gòu)成局部自適應(yīng)字典，利用所述局部自適應(yīng)字典，獲得目標(biāo)圖像集聯(lián)合稀疏表示。
[0031] 選擇從目標(biāo)不同方位角照射得到的M幅目標(biāo)圖像，形成測(cè)試樣本集Y = Ly1, y2,...，yM]。對(duì)Y中的每一個(gè)樣本采用相同的獨(dú)立同分布高斯矩陣進(jìn)行降維，得到測(cè)試 字典。將其中每一個(gè)測(cè)試原子稀疏表示出來(lái)的訓(xùn)練原子，合并為一個(gè)原子 集合，即局部自適應(yīng)字典/)。將重新給各原子分配相應(yīng)的稀疏系數(shù)，這樣可以將測(cè)試樣本 聯(lián)合稀疏表不出來(lái)。Σ^π?η|；Ρ-Δτ||ρ，·?./. ||X|" SI，X = [X1,…，χΜ]為系數(shù)矩陣，K為稀疏 度。其中對(duì)X系數(shù)矩陣，首先在每一行使用I2范數(shù)，得到的結(jié)果再使用1〇范數(shù)。戈表示滿 足約束條件的系數(shù)矩陣。
[0032] 本方案從m個(gè)不同的角度去拍攝目標(biāo)，得到目標(biāo)m幅圖片，然后把m幅圖片并列到 一起，當(dāng)做一個(gè)整體，這樣可以結(jié)合更多的目標(biāo)信息。
[0033] 40、根據(jù)最小重構(gòu)錯(cuò)誤準(zhǔn)則，判斷目標(biāo)類別。
[0034] 最小重構(gòu)錯(cuò)誤準(zhǔn)則是多次計(jì)算最小重構(gòu)錯(cuò)誤準(zhǔn)則，具體的：
[0035] 重復(fù)步驟10到步驟30,多次計(jì)算最小重構(gòu)錯(cuò)誤準(zhǔn)則，判斷目標(biāo)類別。
[0036] δ\·)選擇向量中與第i類目標(biāo)對(duì)應(yīng)的元素不變，其它元素為〇。IIF-Z^(X)舊 求得每一類訓(xùn)練樣本對(duì)測(cè)試樣本集的重構(gòu)錯(cuò)誤大小。減小隨機(jī)矩陣帶來(lái)的偶然性，重復(fù)C 次步驟10-步驟30,生成不同的獨(dú)立同分布高斯矩陣，計(jì)算每一次各類的重構(gòu)錯(cuò)誤。目標(biāo)類 別

【權(quán)利要求】
1. 一種目標(biāo)識(shí)別方法，其特征在于，包括： 選擇訓(xùn)練樣本，通過(guò)獨(dú)立同分布高斯隨機(jī)矩陣對(duì)訓(xùn)練樣本和測(cè)試樣本降維； 針對(duì)每一個(gè)所述測(cè)試樣本，采用所述同分布高斯隨機(jī)矩陣進(jìn)行降維，得到測(cè)試原子，當(dāng) 稀疏度一定時(shí)，從訓(xùn)練字典中選擇最大程度稀疏重構(gòu)出測(cè)試樣本的訓(xùn)練原子集合； 選取目標(biāo)不同方位的圖像合成測(cè)試樣本集，使用自適應(yīng)方法將與所述測(cè)試樣本集中每 一個(gè)樣本對(duì)應(yīng)的訓(xùn)練原子從訓(xùn)練字典中提取出來(lái)，并將所有提取出來(lái)的原子合并起來(lái)，構(gòu) 成局部自適應(yīng)字典，利用所述局部自適應(yīng)字典，獲得目標(biāo)圖像集聯(lián)合稀疏表示； 根據(jù)最小重構(gòu)錯(cuò)誤準(zhǔn)則，判斷目標(biāo)類別。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述針對(duì)每一個(gè)所述測(cè)試樣本，得到訓(xùn)練 樣本集中選擇最大程度稀疏重構(gòu)出測(cè)試樣本的原子包括： 將稀疏度K作為限制條件時(shí)，11x11 <K，其中范數(shù)為1范數(shù)或者0范數(shù)。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述得到訓(xùn)練樣本集中選擇最大程度稀 疏重構(gòu)出測(cè)試樣本的原子包括： 匹配追蹤。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述匹配追蹤包括： 計(jì)算測(cè)試原子與訓(xùn)練字典中各原子的內(nèi)積，選擇絕對(duì)值最大的一個(gè)原子，它就是與測(cè) 試樣本在本次迭代中最匹配的； 將測(cè)試樣本分解為在最匹配原子方向的投影部分和殘差部分，將殘差部分分解為最匹 配原子方向的投影和殘差部分投影，更新殘差部分，直到獲得較小的殘差值或者一定數(shù)量 的匹配原子。
5. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述得到訓(xùn)練樣本集中選擇最大程度稀 疏重構(gòu)出測(cè)試樣本的原子還包括： 在分解的每一步對(duì)所選擇的全部原子進(jìn)行正交化處理。
6. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述得到訓(xùn)練樣本集中選擇最大程度稀 疏重構(gòu)出測(cè)試樣本的原子還包括： 在匹配追蹤之前，通過(guò)相應(yīng)的稀疏算法，對(duì)測(cè)試樣本進(jìn)行采樣。
7. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲得目標(biāo)圖像集聯(lián)合稀疏表示包括： 多重壓縮感知匹配追蹤。
【文檔編號(hào)】G06K9/66GK104463245SQ201410743344
【公開日】2015年3月25日 申請(qǐng)日期:2014年12月8日 優(yōu)先權(quán)日:2014年12月8日
【發(fā)明者】皮亦鳴, 曹宗杰, 徐黎媛, 李晉, 閔銳, 范錄宏, 楊曉波 申請(qǐng)人:電子科技大學(xué)