[发明专利]基于样本加权类别特定与共享字典的SAR目标鉴别方法

说明书

本发明公开了一种基于样本加权类别特定与共享字典的SAR目标鉴别方法，主要解决现有技术在复杂场景下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局部特征；2.利用训练切片的局部特征获得全局字典；3.利用全局字典对训练切片和测试切片的局部特征分别进行标准稀疏编码，获得局部特征编码系数；4.对训练切片和测试切片的局部特征编码系数分别进行特征合并与降维，得到训练切片的全局特征和测试切片的全局特征；5.使用支持向量机对测试切片全局特征进行鉴别。本发明提升了鉴别的性能，可用于对复杂场景的SAR目标鉴别。

技术领域

本发明属于雷达目标鉴别技术领域，主要涉及一种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。

在目标鉴别过程中特征提取是一个重要的过程。在过去的几十年里，有大量关于SAR目标鉴别特征提取的研究，主要分为四种：第一种特征是纹理特征，如林肯实验室提出的标准差特征、分形维特征和排列能量比特征；第二种特征与目标的形状有关，如ERIM(Environmental Research Institute of Michigan)提出的质量特征、直径特征和方差归一化转动惯量特征，以及其他文献中使用的水平和垂直投影特征、最小和最大投影长度特征；第三种特征决定于目标和背景的对比度，如ERIM提出的峰值CFAR和均值CFAR以及CFAR最亮百分比特征，和Gao提出的平均信噪比，峰值信噪比和最亮像素百分比特征。除此之外，林肯实验室还提出了几种特征用来描述对图像加上不同阈值时高亮度像素在空间散布的改变，这些特征不仅取决于目标与背景的差异还取决于目标的大小；第四种特征是极化特征，如纯度百分比，纯偶百分比以及强偶百分比特征，但这些极化特征只能在全极化SAR数据上才可以被提取出来。

上述传统特征主要有以下两个方面的缺点：第一，这些特征对目标只提供粗糙的、部分的描述，它们不能描述目标与杂波详细的局部形状和结构信息，这表明鉴别不能充分利用高分辨图像丰富的细节信息。当目标和杂波在纹理，形状和对比度方面没有明显的差别时，这些特征就不能表现出很好的鉴别性能。第二，现有的特征适用于简单场景下自然杂波与目标的鉴别。目前大多数SAR目标鉴别方法的验证都是基于MSTAR数据集，具有0.3m分辨率。这个标准数据集的场景比较简单，目标切片拥有相似的特征，每个切片只包含一个目标且位于切片图像的中心。目标是一个紧致的高强度区域，周围是强度较低的、同质的背景杂波。杂波切片也表现出一些相似的属性，杂波切片中大部分高强度的区域对应树冠。这些目标切片和杂波切片在纹理，形状和对比度上差异较大，传统的目标鉴别特征适用于该数据集，并且表现出比较好的鉴别特性。然而，真实的场景更加复杂，如miniSAR数据集，目标切片中目标的位置和方向是不同的，并且在一幅切片图像中有多目标或者部分目标存在的情况。对于杂波切片，杂波的类型是多种多样的，包括自然杂波，如树木，还有许多人造杂波，如建筑物的边缘。因此现存的纹理，形状和对比度特征不足以鉴别这种情况下的目标和杂波。

综上所述，随着SAR图像分辨率的不断提升，传统特征对复杂场景下的目标鉴别具有较大的局限性。

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，提出一种基于样本加权类别特定与共享字典的SAR目标鉴别方法，以提高在复杂场景下的目标鉴别性能。

本发明的技术方案是这样实现的：