[发明专利]一种基于多方位多特征协同表示的SAR目标识别方法

说明书

本申请公开了一种基于多方位多特征协同表示的SAR目标识别方法，本发明首次通过挖掘相邻SAR图像的方位相关性，对传统的协同表示算法进行改进，提出了一种新的多方位CRC算法，该方法综合了不同特征的判别能力，融合了各种特征的多方位CRC决策结果，更加适用于SAR图像目标分类。此方法不仅保留了协同表示操作简单的优点，同时也提高了SAR目标分类的准确度，并且其抗噪声能力和对各参数变化的鲁棒性都很优越。

技术领域

本发明涉及雷达目标识别技术领域，尤其涉及一种基于多方位多特征协同表示的SAR目标识别方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)凭借其众多优点，被广泛应用于军用和民用领域。利用SAR对特定目标进行判别和分类就是SAR目标识别技术，它是SAR的一种很重要的应用。

SAR目标识别方法主要可以分为三大类：(1)基于模板匹配的方法。此方法的良好识别性能必须建立在一个尽量完整的模板库的基础上，如果模板库较小，那么识别性能会受到较大的影响。庞大的模板库导致模板匹配法的空间复杂度较高，效率较低。(2)基于模型的方法。基于模型的方法具有较好的杂波鲁棒性，但此方法对SAR图像的质量要求较高，并且在构建模型的时候需要较高的理论水平和计算能力，因此，当前基于模型的SAR目标识别方法运用并不广泛。(3)基于机器学习的方法。其中基于稀疏表示的SAR目标识别凭借其良好的识别性能受到了广泛的关注。但是值得注意的是，虽然SRC(基于稀疏表达的分类，sparse representation-based classifier)具有良好的分类性能，但仍存在计算复杂、难以获得全局最优解等缺点。因此，作为一种替代的表示学习方法，协同表示算法被提出。结果证明，基于L2范数约束的CRC(基于协同表达的分类，Collaborative Representation-Based classification)可以达到与SRC相似的分类性能，计算的复杂度却比SRC下降很多。然而，至今为止，所有的CRC模型均没有考虑到SAR目标散射对方位角的依赖性和SAR目标图像不同特征之间的互补性。根据SAR成像机制，相邻方位的SAR目标图像具有相似的散射特性，因此它们在图像域中具有很强的相关性。而从SAR图像的不同方面提取的不同特征，每一种特征都从单一的角度描述SAR场景，这些特征所提供的信息具有很强的互补性。

因此，如何通过更好的方法来提升高协同表示对于SAR图像目标的分类性能，一直都是领域内研究的重要课题。

发明内容

针对现有技术存在的上述不足，本申请公开了一种基于多方位多特征协同表示的SAR目标识别方法，通过挖掘相邻SAR图像的方位相关性，对传统的CRC算法进行改进，提出了一种新的多方位CRC算法，该方法综合了不同特征的判别能力，融合了各种特征的多方位CRC决策结果，得到最终的分类，不仅保留了CRC操作简单的优点，同时也提高了SAR目标分类的准确度。

为解决上述技术问题，本申请采用了如下的技术方案：

一种基于多方位多特征协同表示的SAR目标识别方法，包括如下步骤：

(1)针对多类不同的已知雷达目标，分别采集多个已知雷达目标的多个方位的SAR图像作为训练样本，分别提取各个训练样本的PCA特征、小波特征及2DSZMs特征，从而由各个类别各个训练样本的PCA特征、小波特征及2DSZMs特征的集合构成训练样本集X_u×v，u表示样本的维数，v表示训练样本集中训练样本的总个数，基于训练样本集X_u×v构建特征字典{D^k}_k＝1,2,3，k为特征类型索引；