[发明专利]一种目标识别方法

说明书

本发明实施例公开一种目标识别方法，应用于雷达目标识别领域，能够避免目标信息丢失以及方位角对识别结果的过大影响。该方法包括：利用独立同分布高斯随机矩阵，对训练样本和测试样本进行降维。将降维后的每一个训练样本称为一个原子，降维后的训练样本集称为字典。针对每一幅目标图像，降维后，从训练样本中挑选用于稀疏表示的原子，使其可以最大可能的重构目标图像原子。然后将不同方位角的目标图像作为一个整体，通过自适应方法，将稀疏表示每一幅图像的原子提取出来，构成局部自适应字典。通过联合稀疏表示方法，计算赋给局部自适应原子中的各原子的系数值，将目标图像集联合稀疏重构出来。最后，通过各个类别中参与联合稀疏表示的原子的贡献度，得到测试目标的类别。本发明的实施例应用于训练集相对完备，目标图像数量有限且方位角参数不确定的情况下。

技术领域

本发明涉及雷达目标识别技术领域，尤其涉及一种目标识别方法。

背景技术

信号处理技术常常需要通过更有效的表示来捕获信号的特征，对识别来说，表示方法需要突出显著特征，对去噪来说，表示方法需要有效的分离信号和噪声，对压缩来说，表示方法需要用少量的系数来描述大部分的信号。这些应用看似目的不同，但都有一个共同的目标就是简化信号表示，即稀疏化。Chen S等人提出了冗余字典上的稀疏表示方法。Elad M,Protter M,Bryt O等研究人员使用稀疏表示方法，在基础的信号和图像处理中取得了目前最好的效果。研究表明测试样本能够被表示(或逼近)成训练样本的线性组合，而且这些组合系数是稀疏的，也就是说大部分系数是0，或接近0。为了进一步提高目标的识别率，提高目标信息的利用率，Haichao Zhang等人在传统的稀疏表示方法基础上，提出联合稀疏表示方法。将相近方位角的目标图像联合形成测试样本集，利用稀疏表示原理，由训练原子将测试样本集联合稀疏表示出来。

传统的稀疏表示方法，使用独立的目标图像进行目标识别，不能充分利用目标信息，而联合稀疏表示方法将相近方位的目标图像联合起来用于目标识别，相比之下，增加了目标信息量，提高了识别率，然而该方法存在较大的局限性。由于雷达图像对目标姿态敏感的特征，联合稀疏表示的目标图像之间，方位角间隔不能过大，否则会导致干扰信息增加，识别率下降。

发明内容

本发明实施例提供一种目标识别方法，解决了现有技术因方位角间隔过大导致干扰增加识别率下降的缺陷。

本发明的第一方面提供一种目标识别方法，包括：选择训练样本，通过独立同分布高斯随机矩阵对训练样本和测试样本降维；针对每一个所述测试样本，采用所述同分布高斯随机矩阵进行降维，得到测试原子，当稀疏度一定时，从训练字典中选择可以最大程度稀疏重构出测试样本的训练原子集合；选取目标不同方位的图像合成测试样本集，使用自适应方法将与所述测试样本集中每一个样本对应的训练原子从训练字典中提取出来，并将所有提取出来的原子合并起来，构成局部自适应字典，利用所述局部自适应字典，获得目标图像集联合稀疏表示；根据最小重构错误准则，判断目标类别。

根据第一方面，在第一种可能的实现方式中，所述针对每一个所述测试样本，得到训练样本集中选择最大程度稀疏重构出测试样本的原子包括：将稀疏度K作为限制条件时，||x||＜K，其中范数可以为1范数或者0范数。

根据第一方面，在第二种可能的实现方式中，所述得到训练样本集中选择最大程度稀疏重构出测试样本的原子包括：匹配追踪。

根据第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述匹配追踪包括：计算测试原子与训练字典中各原子的内积，选择绝对值最大的一个原子，它就是与测试样本在本次迭代中最匹配的；将测试样本分解为在最匹配原子方向的投影部分和残差部分，将残差部分分解为最匹配原子方向的投影和残差部分投影，更新残差部分，直到获得较小的残差值或者一定数量的匹配原子。

根据第一方面的第二种可能的实现方式，在第四种可能的实现方式中，所述得到训练样本集中选择最大程度稀疏重构出测试样本的原子还包括：在分解的每一步对所选择的全部原子进行正交化处理。