基于融合类别信息与局部保持投影的SAR目标型号识别方法技术

本发明专利技术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。本发明专利技术可克服现有方法对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。

【技术实现步骤摘要】
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
本专利技术属于图像处理
，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。
技术介绍
合成孔径雷达(SyntheticApertureRadar，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。
技术实现思路
针对现有技术中存在的问题，本专利技术的目的在于，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，本专利技术采用以下技术方案：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Sij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，xi与xj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Dij的构建公式如下：其中，t2为常数，Nk(xi)表示训练样本列向量xi的k个近邻列向量，Nk(xj)表示xj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，yi与yj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ATXBXTA＝I，可得其中，ATX＝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：XLXTA＝λXBXTA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≤...≤λd对应的特征向量a1,a2,...,ad，利用特征向量a1,a2,...,ad构建投影矩阵A＝{a1,a2,...,ad}。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＝ATX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＝ATZ其中，AT表示投影矩阵A的转置。与现有技术相比，本专利技术具有以下技术效果：1)目标型号识别精度高本专利技术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。本专利技术可克服现有方法对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专利技术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是本专利技术的流程图；图2是本专利技术与其他3种方法对7个型号目标的识别结果对比图；图3是本专利技术与其他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专利技术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，本专利技术的基于融合类别信息与局部保持投影的S本文档来自技高网...

【技术保护点】
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，其特征在于，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J

【技术特征摘要】
1.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，其特征在于，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。2.如权利要求1所述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，其特征在于，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。3.如权利要求1所述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，其特征在于，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Sij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，xi与xj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,......

【专利技术属性】
技术研发人员：刘明，汪西莉，武杰，孙增国，洪灵，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西,61