[发明专利]基于集成学习的SAR目标鉴别方法

说明书

本发明公开了一种基于集成学习的SAR目标鉴别方法，主要解决现有技术在训练数据类别分布不平衡时SAR目标鉴别性能低的问题。其方案是：1.对给定的训练切片和测试切片提取词包模型特征；2.对杂波类训练样本进行随机下采样，将得到的子集与目标类训练样本一起训练获得代价敏感的字典；3.对杂波类训练样本进行随机下采样，将得到的子集与目标类训练样本一起训练获得SVM分类器；4.利用代价敏感的字典和SVM分类器对测试样本进行分类，记录测试样本的分类决策值；5.利用最大投票方法对测试样本的分类决策值进行判定，确定测试样本最终的类别标号。本发明提升了鉴别的性能，可用于对复杂场景下的训练数据类别不平衡时的SAR目标鉴别。

技术领域

本发明属于雷达技术领域，特别涉及一种SAR目标鉴别方法，可用于对车辆目标识别与分类提供重要信息。

背景技术

合成孔径雷达SAR利用微波遥感技术，不受气候和昼夜影响，具有全天候、全天时的工作能力，并具有多频段、多极化、视角可变和穿透性等特点。随着越来越多的机载和星载SAR的出现，带来大量不同场景下的SAR数据，对SAR数据一个重要的应用就是自动目标识别ATR，复杂场景下的目标鉴别也成为目前研究方向之一。

SAR目标鉴别是指从训练数据集中学习得到的一个分类器，这个分类器可以用于预测未知样本的类别标号。现有文献中已提出了很多的SAR目标鉴别方法，比如：基于纹理、形状、对比度等传统特征的二次距离鉴别方法、基于梯度直方图特征的SVM鉴别方法、基于词袋模型特征的SVM鉴别方法等等。这些传统的SAR目标鉴别方法在SAR训练数据集类别分布相对平衡时性能较好，但是当SAR训练数据集类别分布不平衡时性能较差。又因为在实验中SAR训练数据集中目标样本数远少于杂波样本数，传统方法的目标检测率较低，而在SAR目标鉴别过程中通常更加关注目标的检测率，即在实际应用中倾向于将目标分对，尽量降低目标的漏检率。然而传统的SAR目标鉴别方法并不适用于训练数据类别不平衡这种情况下的SAR目标鉴别。

上述的传统的分类方法在不平衡的SAR数据集上其分类效果存在以下不足：

1.由于传统分类方法基本都是以训练数据总体分类精度最大为分类准则，当训练样本类别分布不平衡时，目标类数据在训练数据集中占很小的比例，分类器通常是倾向于将目标类判定为杂波类，因此对目标类样本的检测率较低，从而导致SAR目标鉴别的性能较差。

2.由于在SAR目标鉴别过程中，通常更加关注目标类的准确率，当训练样本类别分布不平衡时，传统的分类方法训练所得的分类器会对杂波类样本产生很高的检测率，但是对目标类样本的检测率却很低，由于面对不平衡数据集的SAR目标鉴别时，不仅要维持杂波类原有的分类精度，更要大大提高目标类的分类精度，因此现有的这些传统SAR目标鉴别方法并不能满足这个要求。

发明内容

本发明的目的在于针对已有SAR目标鉴别方法的不足，提出一种基于集成学习的SAR目标鉴别方法，以提高在训练数据类别不平衡时的目标鉴别性能。

为实现上述目的，本发明的技术方案包括如下：

(1)对给定的训练切片和测试切片分别提取词包模型特征，得到训练切片的词包模型特征和测试切片的词包模型特征其中，表示目标类训练切片，表示杂波类训练切片,表示目标类测试切片，表示杂波类测试切片，是目标类训练切片的词包模型特征，是杂波类训练切片的词包模型特征，是目标类测试切片的词包模型特征，是杂波类测试切片的词包模型特征，p₁表示目标类训练切片数目，p₂表示杂波类训练切片数目，k₁表示目标类测试切片数目，k₂表示杂波类测试切片数目，h表示词包模型特征的维数。

(2)利用(1)中所得的训练切片的词包模型特征W训练n个代价敏感的字典，得到训练后的字典D₁,...,D_i...,D_n，i＝1,...,n：