[发明专利]一种基于多特征融合词包模型的SAR目标鉴别方法

说明书

本发明属于雷达目标鉴别技术领域，公开了一种基于多特征融合词包模型的SAR目标鉴别方法，包括：1.获取训练切片图像和测试切片图像中每幅图像对应的多组局部特征；2.得到多组局部特征对应的视觉字典；3.对多组局部特征进行底层特征编码，得到训练切片图像和测试切片图像的BoW模型直方图特征，进而得到融合后的训练切片图像和测试切片图像的全局特征；4.使用直方图交叉核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，尤其涉及一种基于多特征融合词包模型的SAR目标鉴别方法，可用于对车辆目标的鉴别、识别与分类提供重要信息。

背景技术

随着SAR成像技术的不断发展，目前其已成为对地观测不可或缺的遥感平台之一。SAR图像自动目标识别(Automatic Target Recognition，ATR)，特别是车辆目标识别，是SAR图像的重要应用之一，越来越受到研究人员的关注。典型的SAR ATR系统一般包括目标检测、目标鉴别和目标分类三个阶段。在SAR ATR三级处理流程中，目标鉴别处于中间环节，具有承前启后的作用，是一个重要的处理步骤，因此对于目标鉴别算法的研究也是一个重要的研究方向。

在SAR图像目标鉴别中，疑似目标切片图像鉴别特征提取是其首要环节。在美国国防部下设的DARPA资助下，首批SAR目标鉴别特征由林肯实验室(Lincoln Laboratory，LL)和密西根环境研究所(Environmental Research Institute of Michigan，ERIM)等多家单位提出。这些特征大致可以分为四种类型：纹理特征、尺寸特征、对比度特征和极化特征。之后，LL的Verbout和Novak等人根据目标散射点在空间上的散布特性进而又提出一组空间边界属性特征。以上鉴别特征形成了SAR目标鉴别领域的传统特征集合。

传统特征主要有以下两个方面的缺点：

第一，传统鉴别特征一般假定疑似目标区域的均匀场景中分布着单一的感兴趣目标，然后在目标最小外接矩形内或者目标分割区域内提取各个属性特征。然而对于多目标和杂波边界等复杂背景下的目标区域，区域内单个目标的外接矩形和分割图像很难获取，从而大大影响传统特征的鉴别性能，尤其是对目标尺寸类型特征的影响较为严重。此外，传统鉴别特征对于区分车辆目标和人造建筑杂波的能力较差。

第二，随着SAR图像分辨率的不断提高，目标的局部结构在图像上变的越来越清晰。考虑到高分辨SAR图像中目标和杂波局部结构间存在的差异特性，传统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，尺寸和对比度方面没有明显的差别时，传统特征就不能表现出很好的鉴别性能。

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

针对上述现有技术的不足，本发明的目的在于提供一种基于多特征融合词包模型的SAR目标鉴别方法，能够提升SAR目标鉴别性能。

为达到上述目的，本发明采用如下技术方案予以实现。

一种基于多特征融合词包模型的SAR目标鉴别方法，所述方法包括如下步骤：

步骤1，获取训练切片图像和测试切片图像；其中，所述训练切片图像中包含杂波类训练切片图像和目标类训练切片图像，所述测试切片图像中包含杂波类测试切片图像和目标类测试切片图像；