一种基于多特征融合词包模型的SAR目标鉴别方法技术

本发明专利技术属于雷达目标鉴别技术领域，公开了一种基于多特征融合词包模型的SAR目标鉴别方法，包括：1.获取训练切片图像和测试切片图像中每幅图像对应的多组局部特征；2.得到多组局部特征对应的视觉字典；3.对多组局部特征进行底层特征编码，得到训练切片图像和测试切片图像的BoW模型直方图特征，进而得到融合后的训练切片图像和测试切片图像的全局特征；4.使用直方图交叉核支持向量机对测试切片全局特征进行鉴别；本发明专利技术提升了鉴别的性能，可用于对复杂场景的SAR目标鉴别。

A SAR target identification method based on multi feature fused word package model

The invention belongs to the technical field of radar target identification, discloses a SAR target identification method, multi feature fusion based on bag of words model includes: 1. to obtain the corresponding set of local features for each image slice training images and test images in the 2. groups; local features of the visual dictionary should be 3. of groups; local features are low-level feature encoding, get the histogram BoW model training and test slice image slice image, then the global features of training images and test sections slice the fused image obtained; 4. using histogram intersection kernel support vector machine to identify the test sections of global features; the invention improves the identification performance, can be used for SAR the target for the identification of complex scenes.

【技术实现步骤摘要】
一种基于多特征融合词包模型的SAR目标鉴别方法
本专利技术属于雷达目标鉴别
，尤其涉及一种基于多特征融合词包模型的SAR目标鉴别方法，可用于对车辆目标的鉴别、识别与分类提供重要信息。
技术介绍
随着SAR成像技术的不断发展，目前其已成为对地观测不可或缺的遥感平台之一。SAR图像自动目标识别(AutomaticTargetRecognition，ATR)，特别是车辆目标识别，是SAR图像的重要应用之一，越来越受到研究人员的关注。典型的SARATR系统一般包括目标检测、目标鉴别和目标分类三个阶段。在SARATR三级处理流程中，目标鉴别处于中间环节，具有承前启后的作用，是一个重要的处理步骤，因此对于目标鉴别算法的研究也是一个重要的研究方向。在SAR图像目标鉴别中，疑似目标切片图像鉴别特征提取是其首要环节。在美国国防部下设的DARPA资助下，首批SAR目标鉴别特征由林肯实验室(LincolnLaboratory，LL)和密西根环境研究所(EnvironmentalResearchInstituteofMichigan，ERIM)等多家单位提出。这些特征大致可以分为四种类型：纹理特征、尺寸特征、对比度特征和极化特征。之后，LL的Verbout和Novak等人根据目标散射点在空间上的散布特性进而又提出一组空间边界属性特征。以上鉴别特征形成了SAR目标鉴别领域的传统特征集合。传统特征主要有以下两个方面的缺点：第一，传统鉴别特征一般假定疑似目标区域的均匀场景中分布着单一的感兴趣目标，然后在目标最小外接矩形内或者目标分割区域内提取各个属性特征。然而对于多目标和杂波边界等复杂背景下的目标区域，区域内单个目标的外接矩形和分割图像很难获取，从而大大影响传统特征的鉴别性能，尤其是对目标尺寸类型特征的影响较为严重。此外，传统鉴别特征对于区分车辆目标和人造建筑杂波的能力较差。第二，随着SAR图像分辨率的不断提高，目标的局部结构在图像上变的越来越清晰。考虑到高分辨SAR图像中目标和杂波局部结构间存在的差异特性，传统特征对目标只提供粗糙的、部分的描述，它们不能描述目标与杂波详细的局部形状和结构信息，这表明鉴别不能充分利用高分辨图像丰富的细节信息。当目标和杂波在纹理，尺寸和对比度方面没有明显的差别时，传统特征就不能表现出很好的鉴别性能。综上所述，随着SAR图像分辨率的不断提升，传统特征对复杂场景下的目标鉴别具有较大的局限性。
技术实现思路
针对上述现有技术的不足，本专利技术的目的在于提供一种基于多特征融合词包模型的SAR目标鉴别方法，能够提升SAR目标鉴别性能。为达到上述目的，本专利技术采用如下技术方案予以实现。一种基于多特征融合词包模型的SAR目标鉴别方法，所述方法包括如下步骤：步骤1，获取训练切片图像和测试切片图像；其中，所述训练切片图像中包含杂波类训练切片图像和目标类训练切片图像，所述测试切片图像中包含杂波类测试切片图像和目标类测试切片图像；步骤2，获取所述训练切片图像中每幅图像对应的多组局部特征，以及所述测试切片图像中每幅图像对应的多组局部特征，所述多组局部特征包含SAR-SIFT(SARScale-invariantfeaturetransform，SAR尺度不变特征变换)局部特征、局部区域CFAR响应直方图特征(LocalHistogramofCFARfeature，局部区域恒虚警响应直方图特征，简写为LHistCFAR特征)、局部区域最大CFAR响应特征(LocalMaximumCFARfeature，局部区域最大恒虚警响应特征，简写为LMaxCFAR特征)、局部区域平均CFAR响应特征(LocalMeanCFARfeature，局部区域平均恒虚警响应特征，简写为LMeanCFAR特征)、局部区域SD特征(LocalStandardDeviationfeature，局部区域标准差特征，简写为LSD特征)、局部区域WRFR特征(LocalWeightedRankFillRatiofeature，局部区域加权排列能量比特征，简写为LWRFR特征)以及局部区域VI特征(LocalVariabilityIndexfeature，局部区域可变指数特征，简写为LVI特征)；步骤3，根据所述训练切片图像中所有图像对应的多组局部特征，采用K均值聚类算法得到所述训练切片图像的多组局部特征分别对应的视觉字典；步骤4，根据所述训练切片图像的多组局部特征分别对应的视觉字典对所述训练切片图像中每幅图像对应的多组局部特征和所述测试切片图像中每幅图像对应的多组局部特征进行硬矢量量化编码，并得到所述训练切片图像生成的BoW模型直方图特征(词包模型直方图特征)和所述测试切片图像生成的BoW模型直方图特征；步骤5，将所述训练切片图像生成的BoW模型直方图特征进行融合，得到所述训练切片图像中每幅图像的全局描述特征；并将所述测试切片图像生成的BoW模型直方图特征进行融合，得到所述测试切片图像中每幅图像的全局描述特征；步骤6，采用所述训练切片图像中每幅图像的全局描述特征对基于直方图交叉核SVM分类器进行训练，得到具有特定参数的直方图交叉核SVM分类器；并采用具有特定参数的直方图交叉核SVM分类器对所述测试切片图像中每幅图像的全局描述特征进行分类，得到所述测试切片图像中每幅图像的分类决策值；步骤7，设定分类阈值，将所述测试切片图像中每幅图像的分类决策值与所述分类阈值进行比较，若第一测试切片图像的分类决策值大于所述分类阈值，则判定所述第一测试切片图像为目标类测试切片图像，否则判定所述第一测试切片图像为杂波类测试切片图像，所述第一测试切片图像为所述测试切片图像中的任意一幅图像。本专利技术与现有技术相比具有以下优点：(1)本专利技术基于BoW模型提取鉴别特征，相对于传统鉴别特征，对于复杂场景中的目标鉴别任务，BoW模型特征提取算法利用图像中局部结构集合表征图像内容信息，且局部结构的特征提取受背景杂波影响较小，从而能够大大提升SAR目标鉴别性能；(2)本专利技术在SAR图像鉴别领域中传统的对比度特征和纹理特征的基础上，提出了几种新的局部区域对比度特征和纹理特征描述子，将本专利技术的局部区域特征与现有的SAR-SIFT特征融合得到的图像全局描述特征能够保留更多图像的内容信息，从而提升特征鉴别能力。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种基于多特征融合词包模型的SAR目标鉴别方法的流程示意图；图2为本专利技术实施例提供的四幅包含有车辆目标的高分辨SAR图像；图3为本专利技术实验所得的两组传统鉴别特征和两个多特征融合BoW模型特征的鉴别性能ROC曲线示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提供的技术方案主要涉及本文档来自技高网...

【技术保护点】
一种基于多特征融合词包模型的SAR目标鉴别方法，其特征在于，所述方法包括如下步骤：步骤1，获取训练切片图像和测试切片图像；其中，所述训练切片图像中包含杂波类训练切片图像和目标类训练切片图像，所述测试切片图像中包含杂波类测试切片图像和目标类测试切片图像；步骤2，获取所述训练切片图像中每幅图像对应的多组局部特征，以及所述测试切片图像中每幅图像对应的多组局部特征，所述多组局部特征包含SAR‑SIFT局部特征、局部区域CFAR响应直方图特征、局部区域最大CFAR响应特征、局部区域平均CFAR响应特征、局部区域SD特征、局部区域WRFR特征以及局部区域VI特征；步骤3，根据所述训练切片图像中所有图像对应的多组局部特征，得到所述训练切片图像的多组局部特征分别对应的视觉字典；步骤4，根据所述训练切片图像的多组局部特征分别对应的视觉字典对所述训练切片图像中每幅图像对应的多组局部特征和所述测试切片图像中每幅图像对应的多组局部特征进行硬矢量量化编码，并得到所述训练切片图像生成的BoW模型直方图特征和所述测试切片图像生成的BoW模型直方图特征；步骤5，将所述训练切片图像生成的BoW模型直方图特征进行融合，得到所述训练切片图像中每幅图像的全局描述特征；并将所述测试切片图像生成的BoW模型直方图特征进行融合，得到所述测试切片图像中每幅图像的全局描述特征；步骤6，采用所述训练切片图像中每幅图像的全局描述特征对基于直方图交叉核SVM分类器进行训练，得到具有特定参数的直方图交叉核SVM分类器；并采用具有特定参数的直方图交叉核SVM分类器对所述测试切片图像中每幅图像的全局描述特征进行分类，得到所述测试切片图像中每幅图像的分类决策值；步骤7，设定分类阈值，将所述测试切片图像中每幅图像的分类决策值与所述分类阈值进行比较，若第一测试切片图像的分类决策值大于所述分类阈值，则判定所述第一测试切片图像为目标类测试切片图像，否则判定所述第一测试切片图像为杂波类测试切片图像，所述第一测试切片图像为所述测试切片图像中的任意一幅图像。...

【技术特征摘要】
1.一种基于多特征融合词包模型的SAR目标鉴别方法，其特征在于，所述方法包括如下步骤：步骤1，获取训练切片图像和测试切片图像；其中，所述训练切片图像中包含杂波类训练切片图像和目标类训练切片图像，所述测试切片图像中包含杂波类测试切片图像和目标类测试切片图像；步骤2，获取所述训练切片图像中每幅图像对应的多组局部特征，以及所述测试切片图像中每幅图像对应的多组局部特征，所述多组局部特征包含SAR-SIFT局部特征、局部区域CFAR响应直方图特征、局部区域最大CFAR响应特征、局部区域平均CFAR响应特征、局部区域SD特征、局部区域WRFR特征以及局部区域VI特征；步骤3，根据所述训练切片图像中所有图像对应的多组局部特征，得到所述训练切片图像的多组局部特征分别对应的视觉字典；步骤4，根据所述训练切片图像的多组局部特征分别对应的视觉字典对所述训练切片图像中每幅图像对应的多组局部特征和所述测试切片图像中每幅图像对应的多组局部特征进行硬矢量量化编码，并得到所述训练切片图像生成的BoW模型直方图特征和所述测试切片图像生成的BoW模型直方图特征；步骤5，将所述训练切片图像生成的BoW模型直方图特征进行融合，得到所述训练切片图像中每幅图像的全局描述特征；并将所述测试切片图像生成的BoW模型直方图特征进行融合，得到所述测试切片图像中每幅图像的全局描述特征；步骤6，采用所述训练切片图像中每幅图像的全局描述特征对基于直方图交叉核SVM分类器进行训练，得到具有特定参数的直方图交叉核SVM分类器；并采用具有特定参数的直方图交叉核SVM分类器对所述测试切片图像中每幅图像的全局描述特征进行分类，得到所述测试切片图像中每幅图像的分类决策值；步骤7，设定分类阈值，将所述测试切片图像中每幅图像的分类决策值与所述分类阈值进行比较，若第一测试切片图像的分类决策值大于所述分类阈值，则判定所述第一测试切片图像为目标类测试切片图像，否则判定所述第一测试切片图像为杂波类测试切片图像，所述第一测试切片图像为所述测试切片图像中的任意一幅图像。2.根据权利要求1所述的一种基于多特征融合词包模型的SAR目标鉴别方法，其特征在于，步骤1具体为：获取训练切片图像和测试切片图像其中，表示杂波类训练切片图像，表示目标类训练切片图像，表示杂波类测试切片图像，表示目标类测试切片图像，p1表示杂波类训练切片图像的数目，p2表示目标类训练切片图像的数目，k1表示杂波类测试切片图像的数目，k2表示目标类测试切片图像的数目。3.根据权利要求2所述的一种基于多特征融合词包模型的SAR目标鉴别方法，其特征在于，步骤2中，获取所述训练切片图像中每幅图像对应的SAR-SIFT局部特征，以及所述测试切片图像中每幅图像对应的SAR-SIFT局部特征，具体包括：(2a1)提取所述训练切片图像的局部区域以及所述测试切片图像的局部区域其中，n1表示杂波类训练切片图像的局部区域个数，n2表示目标类训练切片图像的局部区域个数，m1表示杂波类测试切片图像的局部区域个数，m2表示目标类测试切片图像的局部区域个数；(2a2)对所述训练切片图像的局部区域内的像素坐标、所述测试切片图像的局部区域内的像素坐标分别进行主方向对齐处理以及空间单元格划分处理，得到新的训练切片图像的局部区域和新的测试切片图像的局部区域；(2a3)利用SAR-SIFT描述符对所述新的训练切片图像的局部区域、所述新的测试切片图像的局部区域进行SAR-SIFT局部特征的提取，得到训练切片图像的SAR-SIFT局部特征和测试切片图像的SAR-SIFT局部特征其中，是杂波类训练切片图像的SAR-SIFT局部特征，是目标类训练切片图像的SAR-SIFT局部特征，是杂波类测试切片图像的SAR-SIFT局部特征，是目标类测试切片图像的SAR-SIFT局部特征；(2a4)所述SAR-SIFT局部特征的计算式表示为：将训练切片图像的参数带入上述SAR-SIFT局部特征的计算式得到训练切片图像的SAR-SIFT局部特征XSIFT，将测试切片图像的参数带入上述SAR-SIFT局部特征的计算式得到测试切片图像的SAR-SIFT局部特征YSIFT；其中，m∈[1，M]，n∈[1，N]，p∈[1，P]，M、N和P分别对应三维直方图中的空间垂直维、空间水平维和梯度角度维的间隔量化数目，R为局部区域范围，GR(x，y)为R内像素(x，y)的梯度幅度，W(x，y，m，n，p)为像素(x，y)对应的三线性插值因子，表示像素(x，y)在三维直方图SAR-SFIT局部特征的网格(m，n，p)内的单位梯度幅度贡献系数；W(x，y，m，n，p)由Wθ(x，y，p)、Ws1(x，y，m)和Ws2(x，y，n)三部分组成，，Wθ(x，y，p)为像素(x，y)在梯度角度维插值系数分量，与像素(x，y)的梯度方向角θ(x，y)到直方图角度网格p的中心角度θp的角度距离相关，Ws1(x，y，m)和Ws2(x，y，n)分别为像素(x，y)在空间垂直维和水平维的插值系数分量，分别与像素(x，y)到直方图空间网格(m，n)的中心的垂直方向和水平方向距离相关，由式Ws(x，y，m，n)＝Ws1(x，y，m)Ws2(x，y，n)计算SAR-SIFT局部特征空间单元加权因子Ws(x，y，m，n)。4.根据权利要求3所述的一种基于多特征融合词包模型的SAR目标鉴别方法，其特征在于，步骤2中，获取所述训练切片图像中每幅图像对应的局部区域CFAR响应直方图特征，以及所述测试切片图像中每幅图像对应的局部区域CFAR响应直方图特征，具体包括：(2b1)采用有序统计量恒虚警OS-CFAR算法对所述训练切片图像和所述测试切片图像分别进行计算，分别得到所述训练切片图像的初步CFAR特征图和测试切片图像的初步CFAR特征图并对所述训练切片图像的初步CFAR特征图Ios、所述测试切片图像的初步CFAR特征图Jos分别进行Sigmoid函数压缩变换，得到训练切片图像的最终CFAR响应特征图和测试切片图像的最终CFAR响应特征图(262)获取所述训练切片图像的最终CFAR响应特征图的局部区域以及所述测试切片图像的最终CFAR响应特征图的局部区域(263)对所述训练切片图像的最终CFAR响应特征图的局部区域内的像素坐标、所述测试切片图像的最终CFAR响应特征图的局部区域内的像素坐标分别进行主方向对齐处理以及空间单元格划分处理，得到新的训练切片图像的最终CFAR响应特征图的局部区域和新的的测试切片图像的最终CFAR响应特征图的局部区域；(264)计算所述新的训练切片图像的最终CFAR响应特征图的局部区域内像素的CFAR响应直方图特征、所述新的测试切片图像的最终CFAR响应特征图的局部区域内像素的CFAR响应直方图特征，得到训练切片图像的局部区域CFAR响应直方图特征和测试切片图像的局部区域CFAR响应直方图特征其中，是杂波类训练切片图像的局部区域CFAR响应直方图特征，是目标类训练切片图像的局部区域CFAR响应直方图特征，是杂波类测试切片图像的局部区域CFAR响应直方图特征，是目标类测试切片图像的局部区域CFAR响应直方图特征；(265)所述局部区域CFAR响应直方图特征的计算式表示为：将训练切片图像的参数带入上述局部区域CFAR响应直方图特征的计算式得到训练切片图像的局部区域CFAR响应直方图特征XLHistCFAR，将测试切片图像的参数带入上述局部区域CFAR响应直方图特征的计算式得到测试切片图像的局部区域CFAR响应直方图特征YLHistCFAR；其中，每个局部区域的直方图灰度中心为q＝[q1，q2，…，qQ]，令qi表示直方图每个柱体的灰度中心值，i∈[1，Q]，Q表示直方图划分区间的个数，直方图区间大小为Δq，则像素(x，y)在像素CFAR响应的统计直方图的第i个区间的贡献权重因子为WCFAR(x，y，qi)＝1-|ICFAR-qi|/Δq，且当|ICFAR-qi|≥Δq时，WCFAR(x，y，qi)＝0。5.根据权利要求3所述的一种基于多特征融合词包模型的SAR目标鉴别方法，其特征在于，步骤2中，获取所述训练切片图像中每幅图像对应的局部区域最大CFAR响应特征，以及所述测试切片图像中每幅图像对应的局部区域最大CFAR响应特征，具体包括：根据所述训练切片图像的最终CFAR响应特征图的局部区域所述测试切片图像的最终CFAR响应特征图的局部区域以及SAR-SIFT特征空间单元加权因子Ws(x，y，m，n)按照下式计算局部区域最大CFAR响应特征：从而得到训练切片图像的局部区域最大CFAR响应特征和测试切片图像的局部区域最大CFAR响应特征其中，是杂波类训练切片图像的局部区域最大CFAR响应特征，是目标类训练切片图像的局部区域最大CFAR响应特征，是杂波类测试切片图像的局部区域最大CFAR响应特征，是目标类测试切片图像的局部区域最大CFAR响应特征。6.根据权利要求3所述的一种基于多特征融合词包模型的SAR目标鉴别方法，其特征在于，步骤2中，获取所述训练切片图像中每幅图像对应的局部区域平均CFAR响应特征，以及所述测试切片图像中每幅图像对应的局部区域平均CFAR响应特征，具体包括：根据所述训练切片图像的最终CFAR响应特征图的局部区域所述测试切片图像的最终CFAR响应特征图的局部区域以及SAR-SIFT特征空间单元加权因子Ws(x，y，m，n)按照下式计算局部区域平均CFAR响应特征：

【专利技术属性】
技术研发人员：刘宏伟，杨柳，宋文青，王英华，罗晔，王宁，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61