本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種基于快速稀疏描述的SAR目標(biāo)型號(hào)識(shí)別方法。

背景技術(shù)：

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)由于其全天時(shí)、全天候、能夠穿透云、雨、煙、霧等優(yōu)點(diǎn)，已被廣泛的應(yīng)用于軍事和民用等諸多領(lǐng)域。其中，基于SAR的自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition,ATR)技術(shù)是SAR應(yīng)用的一個(gè)研究熱點(diǎn)，它的研究對(duì)于環(huán)境監(jiān)測、敵我識(shí)別和災(zāi)害評(píng)估等方面都有著重要意義。

傳統(tǒng)的SAR目標(biāo)識(shí)別方法是針對(duì)目標(biāo)類型的識(shí)別，也就是說，同一類型不同型號(hào)的樣本在識(shí)別時(shí)被認(rèn)為是一樣的。而目標(biāo)的型號(hào)識(shí)別比類型識(shí)別更具挑戰(zhàn)性，因?yàn)橥活愋湍繕?biāo)的不同型號(hào)之間的差異非常小，如同一類型坦克上有沒有機(jī)關(guān)槍、郵箱、天線是否展開等等。高精度的目標(biāo)型號(hào)識(shí)別對(duì)于戰(zhàn)場感知、精確打擊等需要獲取目標(biāo)詳細(xì)信息等應(yīng)用領(lǐng)域是非常必要的，有著重要的應(yīng)用價(jià)值。

稀疏描述是一種有效的模式識(shí)別、機(jī)器學(xué)習(xí)理論，已被成功應(yīng)用于雷達(dá)成像、圖像處理、數(shù)據(jù)壓縮、模式識(shí)別等領(lǐng)域。稀疏描述用于識(shí)別時(shí)，利用所有訓(xùn)練樣本構(gòu)造字典矩陣，然后求解測試樣本的稀疏描述向量，最終根據(jù)稀疏描述向量計(jì)算重構(gòu)誤差得到識(shí)別結(jié)果?；谙∈杳枋龅腟AR目標(biāo)型號(hào)識(shí)別方法可以得到較好的識(shí)別結(jié)果，但是由于陰影效應(yīng)、信號(hào)和環(huán)境的相互作用、將三維場景投影到平面等原因，SAR圖像對(duì)目標(biāo)方位角的變化較為敏感，為了實(shí)現(xiàn)較好的SAR目標(biāo)型號(hào)識(shí)別，對(duì)訓(xùn)練樣本有較大的需求，通常需要覆蓋整個(gè)方位區(qū)間的大量訓(xùn)練樣本來全面捕獲目標(biāo)特征，這就使得基于稀疏描述的SAR目標(biāo)型號(hào)識(shí)別方法的計(jì)算復(fù)雜度較高，不利于方法的實(shí)時(shí)性和高效性。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述現(xiàn)有技術(shù)中存在的問題或缺陷，本發(fā)明的目的在于，提供一種基于快速稀疏描述的SAR目標(biāo)型號(hào)識(shí)別方法，能夠有效實(shí)現(xiàn)目標(biāo)的型號(hào)識(shí)別，本發(fā)明的計(jì)算復(fù)雜度顯著降低。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

基于快速稀疏描述的SAR目標(biāo)型號(hào)識(shí)別方法，包括以下步驟：

步驟1，利用SAR成像方法針對(duì)多個(gè)訓(xùn)練樣本目標(biāo)獲取不同方位角下的包含有訓(xùn)練樣本目標(biāo)的圖像，作為訓(xùn)練樣本圖像，將針對(duì)每一個(gè)訓(xùn)練樣本目標(biāo)獲取的不同方位角下的多個(gè)訓(xùn)練樣本圖像劃分為同一個(gè)樣本類別，方位角覆蓋的范圍為0°～360°；利用利用SAR成像方法獲取包含有待識(shí)別目標(biāo)的圖像，作為測試樣本圖像；

步驟2，對(duì)每一幅訓(xùn)練樣本圖像和測試樣本圖像分別進(jìn)行預(yù)處理，得到預(yù)處理后的訓(xùn)練樣本圖像和預(yù)處理后的測試樣本圖像；預(yù)處理包括截取子圖像和標(biāo)準(zhǔn)直方圖均衡化；

步驟3，針對(duì)每一幅預(yù)處理后的訓(xùn)練樣本圖像，均將圖像中的所有像素值按列取出，排成一個(gè)訓(xùn)練樣本列向量；針對(duì)預(yù)處理后的測試樣本圖像，將圖像中的所有像素值按列取出，排成一個(gè)測試樣本列向量；

步驟4，針對(duì)步驟3中得到的所有訓(xùn)練樣本列向量，將隸屬于同一樣本類別的訓(xùn)練樣本列向量分成K塊，每個(gè)塊內(nèi)的訓(xùn)練樣本列向量所屬的方位角度的覆蓋范圍為

步驟5，對(duì)每個(gè)塊內(nèi)包含的所有訓(xùn)練樣本列向量取平均值，得到K個(gè)平均樣本列向量；

步驟6，利用樣本類別i(i＝1,2,...,C)內(nèi)的K個(gè)平均樣本列向量，形成該樣本類別i下的訓(xùn)練樣本集C表示樣本類別總數(shù)；

步驟7，利用獲得的各個(gè)樣本類別的訓(xùn)練樣本集，形成稀疏描述中的字典矩陣

步驟8，基于字典矩陣和測試樣本列向量，構(gòu)建優(yōu)化問題；并利用正交匹配追蹤方法或者基追蹤方法求解優(yōu)化問題，獲得稀疏描述向量

步驟9，利用稀疏描述向量計(jì)算重構(gòu)誤差e_i；

步驟10，基于最小重構(gòu)誤差準(zhǔn)則，選擇最小的重構(gòu)誤差e_i對(duì)應(yīng)的樣本類別i作為輸出結(jié)果，即為測試樣本圖像中的待識(shí)別目標(biāo)所屬樣本類別。

具體地，所述步驟2中的針對(duì)訓(xùn)練樣本圖像進(jìn)行預(yù)處理的過程如下：

以訓(xùn)練樣本圖像的幾何中心為基準(zhǔn)，在訓(xùn)練樣本圖像上截取包含整個(gè)目標(biāo)的圖像，作為訓(xùn)練樣本子圖像；

對(duì)截取的訓(xùn)練樣本子圖像進(jìn)行標(biāo)準(zhǔn)直方圖均衡化得到均衡化后的圖像，即為預(yù)處理后的訓(xùn)練樣本圖像。

具體地，所述步驟5中的對(duì)每個(gè)塊內(nèi)包含的所有訓(xùn)練樣本列向量取平均值，得到K個(gè)平均樣本列向量，采用的公式如下：

其中，表示第i(i＝1,2,…,C)個(gè)樣本類別中屬于第k(k＝1,2,...,K)個(gè)劃分塊內(nèi)的所有訓(xùn)練樣本列向量取平均值后得到的平均樣本列向量，X_it表示第i個(gè)樣本類別中屬于第k個(gè)劃分塊的第t個(gè)訓(xùn)練樣本列向量，T表示該劃分塊內(nèi)所有訓(xùn)練樣本列向量的數(shù)目，C表示樣本類別總數(shù)，K表示劃分塊總數(shù)。

具體地，所述步驟8中的基于字典矩陣和測試樣本列向量，構(gòu)建的優(yōu)化問題采用如下公式進(jìn)行表示：

其中，arg(·)表示求目標(biāo)函數(shù)的最值時(shí)的變量值，min(·)表示求最小值操作，s.t.表示約束條件，y表示測試樣本列向量，a'表示字典矩陣下預(yù)處理后的測試樣本列向量y的稀疏描述向量，||·||₁表示取1范數(shù)，表示求解優(yōu)化問題得到的稀疏描述向量最優(yōu)值。

具體地，所述步驟9中的利用稀疏描述向量計(jì)算重構(gòu)誤差e_i，采用的公式如下：

其中，為選擇函數(shù)，其將稀疏描述向量中對(duì)應(yīng)樣本類別i的元素保留下來，將其余位置的元素置為零，||·||₂表示取2范數(shù)。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下技術(shù)效果：本發(fā)明考慮到雖然SAR圖像對(duì)于目標(biāo)方位角的變化較為敏感，但是在一定的角度范圍內(nèi)目標(biāo)圖像的形態(tài)變化不大的特點(diǎn)，也即在一定角度范圍內(nèi)目標(biāo)SAR圖像惰性變化的特點(diǎn)，將每個(gè)型號(hào)的訓(xùn)練樣本在一定的方位區(qū)間內(nèi)分別取平均，采用不同型號(hào)在不同方位區(qū)間的平均樣本表征原來方位區(qū)間內(nèi)的若干個(gè)樣本，這樣可有效減少訓(xùn)練樣本的數(shù)目，顯著降低方法的計(jì)算復(fù)雜度，提高對(duì)目標(biāo)型號(hào)的識(shí)別率。

附圖說明

圖1是采用不同方法對(duì)不同型號(hào)目標(biāo)的識(shí)別結(jié)果圖；

圖2是采用本發(fā)明在不同方位區(qū)間下的實(shí)驗(yàn)結(jié)果圖；

圖3是本發(fā)明的流程圖；

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明的方案作進(jìn)一步詳細(xì)地解釋和說明。

具體實(shí)施方式

本發(fā)明的基于快速稀疏描述的SAR目標(biāo)型號(hào)識(shí)別方法，包括以下步驟：

步驟1，利用SAR成像方法針對(duì)多個(gè)訓(xùn)練樣本目標(biāo)獲取不同方位角下的包含有訓(xùn)練樣本目標(biāo)的圖像，作為訓(xùn)練樣本圖像，將針對(duì)每一個(gè)訓(xùn)練樣本目標(biāo)獲取的不同方位角下的多個(gè)訓(xùn)練樣本圖像劃分為同一個(gè)樣本類別，方位角覆蓋的范圍為0°～360°；利用利用SAR成像方法獲取包含有待識(shí)別目標(biāo)的圖像，作為測試樣本圖像；其中，訓(xùn)練樣本目標(biāo)與待識(shí)別目標(biāo)是同類型的物體，具有相似的外部特征，獲取測試樣本圖像和訓(xùn)練樣本圖像的場景相同。例如，當(dāng)待識(shí)別目標(biāo)為裝甲車時(shí)，將不同型號(hào)的多個(gè)裝甲車作為訓(xùn)練樣本目標(biāo)。

步驟2，對(duì)每一幅訓(xùn)練樣本圖像和測試樣本圖像分別進(jìn)行預(yù)處理，得到預(yù)處理后的訓(xùn)練樣本圖像和預(yù)處理后的測試樣本圖像；預(yù)處理的過程如下：

針對(duì)訓(xùn)練樣本圖像，以訓(xùn)練樣本圖像的幾何中心為基準(zhǔn)，在訓(xùn)練樣本圖像上截取包含整個(gè)目標(biāo)的圖像，即包含目標(biāo)所有信息的圖像，作為訓(xùn)練樣本子圖像，一般截取的訓(xùn)練樣本子圖像的大小為48×48像素；此步驟的目的在于，減少SAR圖像中大面積的背景噪聲對(duì)方位角估計(jì)性能產(chǎn)生的影響。

對(duì)截取的訓(xùn)練樣本子圖像進(jìn)行標(biāo)準(zhǔn)直方圖均衡化得到均衡化后的圖像，以減弱SAR圖像中存在的不均勻散射對(duì)方位角估計(jì)性能產(chǎn)生的影響，即為預(yù)處理后的訓(xùn)練樣本圖像；標(biāo)準(zhǔn)直方圖均衡化操作將圖像像素值的變化范圍調(diào)整到[0,1]，使得所有圖像具有相同的動(dòng)態(tài)范圍。

針對(duì)測試樣本圖像的預(yù)處理過程與針對(duì)訓(xùn)練樣本圖像的預(yù)處理過程相同，此處不再贅述。

步驟3，針對(duì)每一幅預(yù)處理后的訓(xùn)練樣本圖像，均將圖像中的所有像素值按列取出，排成一個(gè)訓(xùn)練樣本列向量；針對(duì)預(yù)處理后的測試樣本圖像，將圖像中的所有像素值按列取出，排成一個(gè)測試樣本列向量；

步驟4，針對(duì)步驟3中得到的所有訓(xùn)練樣本列向量，將隸屬于同一樣本類別的訓(xùn)練樣本列向量分成K塊，每個(gè)塊內(nèi)的訓(xùn)練樣本列向量所屬的方位角度的覆蓋范圍為

步驟5，對(duì)每個(gè)塊內(nèi)包含的所有訓(xùn)練樣本列向量取平均值，得到K個(gè)平均樣本列向量，采用的公式如下：

其中，表示第i(i＝1,2,…,C)個(gè)樣本類別中屬于第k(k＝1,2,...,K)個(gè)劃分塊內(nèi)的所有訓(xùn)練樣本列向量取平均值后得到的平均樣本列向量，X_it表示第i個(gè)樣本類別中屬于第k(k＝1,2,...,K)個(gè)劃分塊的第t個(gè)訓(xùn)練樣本列向量，T表示該劃分塊內(nèi)的訓(xùn)練樣本列向量的數(shù)目。C表示樣本類別總數(shù)，即為所有訓(xùn)練樣本列向量包含的目標(biāo)的個(gè)數(shù)，K表示劃分塊總數(shù)。

步驟6，利用樣本類別i(i＝1,2,...,C)內(nèi)的K個(gè)平均樣本列向量，形成該樣本類別i下的訓(xùn)練樣本集

步驟7，利用獲得的各個(gè)樣本類別的訓(xùn)練樣本集，形成稀疏描述中的字典矩陣

步驟8，基于字典矩陣和測試樣本列向量，構(gòu)建優(yōu)化問題，采用如下公式表示：

其中，arg(·)表示求目標(biāo)函數(shù)的最值時(shí)的變量值，min(·)表示求最小值操作，s.t.表示約束條件，y表示測試樣本列向量，a'表示字典矩陣下測試樣本列向量y的稀疏描述向量，||·||₁表示取1范數(shù)；表示求解優(yōu)化問題得到的稀疏描述向量最優(yōu)值。

利用正交匹配追蹤方法(OMP)或者基追蹤方法(BP)求解公式(2)，獲得稀疏描述向量稀疏描述向量中包括對(duì)應(yīng)不同樣本類別的所有元素，每個(gè)樣本類別對(duì)應(yīng)K個(gè)元素。如稀疏描述向量中第1～第K個(gè)元素對(duì)應(yīng)的樣本類別為1。

步驟9，利用稀疏描述向量計(jì)算重構(gòu)誤差e_i，采用的公式如下：

其中，為選擇函數(shù)，其將稀疏描述向量中對(duì)應(yīng)樣本類別i的元素保留下來，將其余位置的元素置為零；||·||₂表示取2范數(shù)。

步驟10，基于最小重構(gòu)誤差準(zhǔn)則，選擇最小的重構(gòu)誤差e_i對(duì)應(yīng)的樣本類別i作為輸出結(jié)果，即為測試樣本圖像中的待識(shí)別目標(biāo)的樣本類別。

復(fù)雜度對(duì)比分析

以SAR目標(biāo)識(shí)別方法常用的MSTAR(Moving and Stationary Target Acquisition and Recognition)數(shù)據(jù)庫為例，假設(shè)進(jìn)行3類7種不同型號(hào)(BMP2-sn-9563、BMP2-sn-9566、BMP2-sn-c21、BTR70-sn-c71、T72-sn-132、T72-sn-812、T72-sn-s7)數(shù)據(jù)的目標(biāo)識(shí)別，這些目標(biāo)總共包含1622個(gè)訓(xùn)練樣本，那么基于稀疏描述的識(shí)別方法采用基追蹤方法(Basis Pursuit，BP)求解稀疏描述向量的計(jì)算復(fù)雜度是其中，P表示特征維數(shù)；采用正交匹配追蹤方法(Orthogonal Matching Pursuit，OMP)求解稀疏描述向量的計(jì)算復(fù)雜度為O(1622P)。如果采用本發(fā)明進(jìn)行識(shí)別，特征維數(shù)P保持不變，假定以5°為間隔對(duì)整個(gè)方位區(qū)間進(jìn)行劃分，則每個(gè)型號(hào)目標(biāo)可以得到72個(gè)平均樣本，7個(gè)型號(hào)目標(biāo)就可以得到72×7＝504個(gè)平均樣本，也即字典矩陣中的基向量個(gè)數(shù)是504，這時(shí)采用BP方法和OMP方法求解稀疏描述向量的計(jì)算復(fù)雜度分別是和O(504P)，采用本發(fā)明的計(jì)算復(fù)雜度不到原來的1/3，方法的計(jì)算復(fù)雜度得到了有效的降低。

仿真條件：

仿真實(shí)驗(yàn)環(huán)境為：MATLAB R2011a，Intel(R)Core(TM)2 Duo CPU 2.53 GHz，Window XP專業(yè)版。

仿真內(nèi)容與結(jié)果分析：

利用美國的MSTAR數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證本發(fā)明的有效性，選取其中3類7種不同型號(hào)的目標(biāo)，目標(biāo)SAR圖像的大小為128像素×128像素，雷達(dá)工作在X波段，采用聚束模式進(jìn)行成像，分辨率為0.3米×0.3米，方位覆蓋范圍為0°～360°，采用雷達(dá)在俯仰角為17°時(shí)的成像數(shù)據(jù)作為訓(xùn)練樣本，雷達(dá)在俯仰角為15°時(shí)的成像數(shù)據(jù)作為測試樣本。表1給出了訓(xùn)練樣本和測試樣本的型號(hào)和樣本個(gè)數(shù)。

表1 訓(xùn)練樣本與測試樣本的型號(hào)及樣本個(gè)數(shù)

首先在BMP2數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，以5°為一個(gè)方位區(qū)間對(duì)訓(xùn)練樣本進(jìn)行取平均操作，特征維數(shù)為1024。選取SR-BP、SR-OMP、支持向量機(jī)(Support Vector Machine,SVM)、k近鄰分類器(k Nearest Neighbor,k-NN)4種不同的方法在此數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證本發(fā)明的有效性。SR-BP為采用BP方法求解稀疏描述向量的稀疏描述方法，SR-OMP為采用OMP方法求解稀描述疏向量的稀疏描述方法，F(xiàn)SR-BP為本發(fā)明采用BP方法求解稀疏描述向量，F(xiàn)SR-OMP為本發(fā)明采用OMP方法求解稀疏描述向量。不同方法下的實(shí)驗(yàn)結(jié)果如表2所示。由識(shí)別結(jié)果可以看出，本發(fā)明效果要弱于稀疏描述方法，可見本發(fā)明在降低計(jì)算復(fù)雜度的同時(shí)也損失了一部分信息，但是由于SAR圖像在一定的角度范圍內(nèi)惰性變化的特點(diǎn)，信息的損失較小，因此其識(shí)別結(jié)果仍然要優(yōu)于SVM方法和k-NN方法。由表2可見，本發(fā)明在大幅度降低計(jì)算復(fù)雜度的前提下，能達(dá)到87.22％的平均識(shí)別率。

表2 BMP2目標(biāo)型號(hào)識(shí)別結(jié)果

下面采用T72數(shù)據(jù)集驗(yàn)證本發(fā)明的有效性，實(shí)驗(yàn)條件和上述相同，對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果如表3所示?？梢钥吹剑诖藯l件下，本發(fā)明的性能仍然較為優(yōu)越，可以達(dá)到94.85％的正確識(shí)別率?？梢姡景l(fā)明在T72數(shù)據(jù)集上同樣可以取得滿意的識(shí)別結(jié)果。

表3 T72目標(biāo)型號(hào)識(shí)別結(jié)果

表4 7個(gè)型號(hào)目標(biāo)識(shí)別結(jié)果

最后，將本發(fā)明在表1所示的全部7個(gè)型號(hào)目標(biāo)上進(jìn)行實(shí)驗(yàn)，相應(yīng)的實(shí)驗(yàn)結(jié)果如表4所示。可以看到，在多型號(hào)數(shù)據(jù)條件下，本發(fā)明依然可以取得滿意的識(shí)別結(jié)果。由實(shí)驗(yàn)結(jié)果可見，SAR圖像雖然具有明顯的方位角敏感特性，但其在一定的范圍內(nèi)圖像具有惰性變化的特點(diǎn)，利用區(qū)間內(nèi)的平均樣本可較好的表征這一區(qū)間內(nèi)的樣本特性。雖然這樣會(huì)造成一部分識(shí)別信息的損失，但損失較小。在需要快速識(shí)別的情形下，可考慮采用本發(fā)明。圖1為不同方法對(duì)各個(gè)型號(hào)目標(biāo)的識(shí)別結(jié)果圖。

表5 FSR-BP方法在不同方位區(qū)間下的計(jì)算復(fù)雜度

表6 FSR-OMP方法在不同方位區(qū)間下的計(jì)算復(fù)雜度

表5和表6分別給出了本發(fā)明采用BP方法和OMP方法求解稀疏描述向量時(shí)在不同方位區(qū)間下的計(jì)算復(fù)雜度，可以看出，樣本的方位區(qū)間取的越大，計(jì)算復(fù)雜度越低，但相應(yīng)的識(shí)別結(jié)果也會(huì)變差，對(duì)應(yīng)的識(shí)別結(jié)果如圖2所示。由圖2可見，在方位區(qū)間取為2°的時(shí)候，識(shí)別結(jié)果可達(dá)到91.28％，當(dāng)方位區(qū)間增大到12°的時(shí)候，識(shí)別精度會(huì)下降到86.08％。因此，實(shí)際應(yīng)用中，需要對(duì)識(shí)別精度和計(jì)算復(fù)雜度進(jìn)行折中考慮。

本發(fā)明利用SAR圖像在一定角度范圍內(nèi)惰性變化的特點(diǎn)，將每個(gè)型號(hào)的訓(xùn)練樣本在一定的方位區(qū)間內(nèi)分別取平均，采用不同型號(hào)在不同方位區(qū)間的平均樣本表征原來方位區(qū)間內(nèi)的若干個(gè)樣本，有效的降低了計(jì)算復(fù)雜度。方位區(qū)間設(shè)置的越小，則目標(biāo)信息保留的越完整，計(jì)算復(fù)雜度也就相應(yīng)的越高，但識(shí)別結(jié)果越好；方位區(qū)間設(shè)置的越大，則目標(biāo)信息損失的越多，識(shí)別結(jié)果有所降低，但對(duì)應(yīng)的計(jì)算復(fù)雜度也越低，在實(shí)際應(yīng)用中可根據(jù)具體要求選擇合適的方位區(qū)間。