[发明专利]基于稀疏特征的雷达目标识别方法

说明书

技术领域

本发明涉及雷达目标识别技术领域，尤其涉及一种基于稀疏特征的雷达目标识别方法。

背景技术

合成孔径雷达（Synthetic Aperture Radar，简称SAR）技术，是采用搭载在卫星或飞机上的移动雷达，获得高精度地理区域雷达目标图像的一种脉冲雷达技术。雷达目标自动识别（Synthetic Aperture Radar Auto Targets Recognition，简称SAR-ATR）系统在军事防御领域中具有重要的应用价值。这些雷达目标自动识别系统的目标是利用雷达目标图像和各种信号处理技术来探测和识别地理区域上的军事目标。

雷达目标自动识别系统的识别性能，主要由特征提取和识别算法决定。为了获得更快速的识别处理效率和更高的识别准确性，提高雷达目标识别性能，本领域科研工作者从多种不同方向对特征提取算法和识别算法进行了研究，产生了更优秀的雷达目标识别方法。其中，模板匹配识别方法就是一种典型的雷达目标识别方法，现有技术文献“Ross,T.D.;Worrell,S.W.;Velten,V.J.;Mossing,J.C.;Bryant,M.L.Standard SAR ATR evaluation experiments using the MSTAR public release data set,In Proc.SPIE 3370,Algorithms for Synthetic Aperture Radar Imagery V,Orlando,FL,USA,13April1998;pp.566-573.”公开了一种采用功率归一化模版匹配器进行雷达目标识别的方法，该方法即是一种模板匹配识别方法，模板匹配识别方法需要在不同的方位角区域构造的目标的多个模板，在训练样本数据库中每添加一个雷达目标类别都需要创建对应的一个模板集，然而，当目标类型的数目增加以及模板数量增加时，这种模板匹配方案导致计算量大大增加，并且其识别过程需要依靠准确地目标方位角估计，以确定识别采用何种方位角区域的模板集，这不仅导致了识别运算的复杂程度和冗杂度较高，并且目标方位角估计的准确与否也直接影响到雷达目标识别的准确率。另外一个广泛应用的识别方法是基于支持向量机（Support Vector Machine，简称SVM）的雷达目标识别方法，也称作支持向量机识别法，现有技术文献“Zhao,Q.;Principe,J.C.Support vector machines for SAR automatic target recognition.IEEE Transactions on Aerospace and Electronic Systems,2001,37,643-654”即公开了一种基于支持向量机的雷达目标识别方法，其通过构建SVM分类器，通过降维归类，来简化运算复杂度，提高雷达目标识别准确性，并能提供较好的泛化能力；但支持向量机识别法依然需要依靠目标方位角估计，因此其雷达目标识别的准确率也受到目标方位角估计的准确性限制，无法获得非常良好的识别性能。

发明内容

针对现有技术中存在的上述问题，为了解决现有技术中雷达目标识别系统较为复杂、识别准确性有限的问题，本发明提供了一种基于稀疏特征的雷达目标识别方法，该雷达目标识别方法避免了识别准确性对目标方位角估计的依赖，能够降低雷达目标识别复杂度，提高雷达目标识别的处理效率和识别准确性。

为实现上述目的，本发明采用了如下技术手段：

基于稀疏特征的雷达目标识别方法，包括如下步骤：

A）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图像作为训练样本，并分别提取各个类别中各个训练样本的稀疏特征矩阵；

B）将步骤A提取的每个训练样本的稀疏特征矩阵作为一个稀疏特征训练样本，从而由步骤A提取的各个类别各个训练样本的稀疏特征矩阵的集合构成稀疏特征训练样本集；

C）针对待测雷达目标，采集待测雷达目标图像，提取待测雷达目标图像的稀疏特征矩阵；

D）利用稀疏特征训练样本集中个各个稀疏特征训练样本建立稀疏线性方程，对待测雷达目标图像的稀疏特征矩阵进行稀疏线性表示，并采用贝叶斯压缩感知算法求解得到该稀疏线性方程的系数向量；

E）分别提取步骤D所得系数向量对应于稀疏特征训练样本集中每一类已知雷达目标的稀疏系数向量，然后分别计算对应于每一类已知雷达目标的稀疏系数向量的L2范数值，将L2范数值最大的稀疏系数向量所对应的一个已知雷达目标类别判定为待测雷达目标所属的雷达目标类别，实现对待测雷达目标的识别。