[发明专利]一种基于KFDA及SVM的SAR图像目标特征提取与识别方法

摘要

本发明提供一种基于KFDA（Kernel Fisher Discriminant Analysis）及SVM（Support Vector Machine）的SAR图像目标特征提取与识别方法，包括以下步骤对已知类别的训练目标样本及未知类别的测试目标样本进行幅度数据归一化处理；利用KFDA准则分别对归一化后的已知类别的训练目标样本及未知类别的测试目标样本进行特征提取；利用KFDA准则所提取的已知类别的训练目标样本特征，对SVM分类器进行训练，产生最优分类面；最后通过最优分类面，对KFDA准则所提取的未知类别的测试目标样本的特征进行识别；本发明降低了对预处理过程的要求，克服了SAR图像的方位敏感性，压缩了样本特征的维数，并获得较高的目标识别率，具有良好的推广性。

主权项

一种基于KFDA及SVM的SAR图像目标特征提取与识别方法，其特征在于，该方法利用KFDA准则进行目标特征提取，再通过SVM分类器实现目标识别，通过将KPCA准则与SVM分类器相结合，能非常好地完成SAR图像的目标特征提取与识别，降低了对预处理过程的要求，克服了SAR图像的方位敏感性，压缩了样本特征的维数，并获得较高的目标识别率，具有良好的推广性，包括以下几个步骤：步骤(1)对已知类别的训练目标样本及未知类别的测试目标样本进行幅度数据归一化处理；所述的步骤(1)中对已知类别的训练目标样本及未知类别的测试目标样本进行幅度数据归一化处理的过程具体为：归一化公式为：xNormalized=x||x||2]]>其中，x为任一个已知类别的训练目标样本或未知类别的测试目标样本的向量表示，即将图像矩阵按列排列成向量形式，xNormalized为对应的已知类别的训练目标样本或未知类别的测试目标样本的幅度数据归一化后的向量表示；步骤(2)利用KFDA准则对归一化后的已知类别的训练目标样本及未知类别的测试目标样本数据进行特征提取；所述的步骤(2)中利用KFDA准则对归一化后的已知类别的训练目标样本及未知类别的测试目标样本数据进行特征提取的过程具体为：先求类内散度矩阵Kw与类间散度矩阵Kb，再求的非零特征值对应的特征向量，最后求KFDA准则下的已知类别的训练目标样本和未知类别的测试目标样本的特征；其中类内散度矩阵Kw为：Kw=1NΣi=1cKi(I-1Ni)KiT]]>其中，N为已知类别的训练目标样本的个数，c为已知类别的训练目标样本的类别数，为N×Ni矩阵，xp(p＝1,2,…,N)为第p个已知类别的训练目标样本归一化后的数据，为第i类中第j个训练目标样本归一化后的数据，Ni为第i类已知类别的训练目标样本的样本数，k1(·,·)表示核函数，I为Ni×Ni单位阵，为元素均为的Ni×Ni方阵；若Kw矩阵是一个奇异矩阵，则令Kw≈Kw+κI以解决Kw的奇异性，I为与Kw同阶的单位阵，κ是一个很小且大于零的扰动常数，通常可取κ≤10‑2；类间散度矩阵Kb为：Kb=1NΣi=1cNi(Gi-G0)(Gi-G0)T]]>其中，为第i类中第j个训练目标样本归一化后的数据，再求的非零特征值对应的特征向量α，即：λα=Kw-1Kbα]]>其中，λ表示特征值；对任一个归一化后的已知类别的训练目标样本或未知类别的测试目标样本，KFDA准则最终提取的已知类别的训练目标样本或未知类别的测试目标样本特征均为一个c‑1维向量，可表示为z＝[z1,z2,…,zc‑1]T，每一维元素可表示为：zt=Σj=1Nαjtk1(xj,x)]]>其中，t＝1,2,…,c‑1，表示的第t个非零特征值所对应特征向量的第j个元素；步骤(3)利用KFDA准则提取的已知类别的训练目标样本特征，对SVM分类器进行训练，产生最优分类面；所述的步骤(3)中利用KFDA准则提取的已知类别的训练目标样本特征，对SVM分类器进行训练，产生最优分类面的过程具体为：利用Lagrange乘子法，最大化泛函：Q(a)=Σi=1nai-12Σi,j=1naiajyiyjk2(zi,zj)]]>s.t.Σi=1nyiai=0]]>ai≥0,i＝1,…,n其中，yi∈{+1,‑1}，分别对应不同的两类已知类别的训练目标样本；zi为KFDA准则提取的第i个已知类别的训练目标的特征；k2(·,·)表示核函数，与上述k1(·,·)完全独立；ai为待求的与第i个已知类别的训练目标样本相对应的Lagrange乘子；步骤(4)通过最优分类面，对KFDA准则提取的未知类别的测试目标样本的特征进行识别；所述的步骤(4)中通过最优分类面，对KFDA准则提取的未知类别的测试目标样本的特征进行识别的过程具体为：最优分类面的函数表示为：f(x)=sgn{Σi=1naiyik2(zi,z)+b*}]]>其中，ai为待求的与第i个已知类别的训练目标样本相对应的Lagrange乘子；yi∈{+1,‑1}，分别对应不同的两类已知类别的训练目标样本；k2(·,·)表示核函数；zi为KFDA准则提取的第i个已知类别的训练目标的特征；z为KFDA准则提取的未知类别的测试目标样本的特征；f(x)∈{+1,‑1}，即决定了当前未知类别的测试目标样本的所属类别；该方法对于目标特征提取部分，较之于PCA准则，可获得图像中的非线性特征；该方法对于目标特征提取部分，较之于KPCA准则，可获得更低的特征维数，且具有更好的鲁棒性；该方法对于目标识别部分，较之于最大相关分类器，巧妙地解决了维数问题，算法复杂度与样本维数无关；该方法对于目标识别部分，较之于最近邻分类器，得到的是全局最优解。