[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

摘要

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。

主权项

1.一种基于多特征融合词包模型的SAR目标鉴别方法，其特征在于，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；获取训练切片图像和测试切片图像其中，表示杂波类训练切片图像，表示目标类训练切片图像，表示杂波类测试切片图像，表示目标类测试切片图像，p₁表示杂波类训练切片图像的数目，p₂表示目标类训练切片图像的数目，k₁表示杂波类测试切片图像的数目，k₂表示目标类测试切片图像的数目；步骤2，获取所述训练切片图像中每幅图像对应的多组局部特征，以及所述测试切片图像中每幅图像对应的多组局部特征，所述多组局部特征包含SAR‑SIFT局部特征、局部区域CFAR响应直方图特征、局部区域最大CFAR响应特征、局部区域平均CFAR响应特征、局部区域SD特征、局部区域WRFR特征以及局部区域VI特征；步骤3，根据所述训练切片图像中所有图像对应的多组局部特征，得到所述训练切片图像的多组局部特征分别对应的视觉字典；步骤4，根据所述训练切片图像的多组局部特征分别对应的视觉字典对所述训练切片图像中每幅图像对应的多组局部特征和所述测试切片图像中每幅图像对应的多组局部特征进行硬矢量量化编码，并得到所述训练切片图像生成的BoW模型直方图特征和所述测试切片图像生成的BoW模型直方图特征；其中，所述硬矢量量化编码是指在硬矢量量化方法中，每个底层特征仅用字典中与其最近的一个视觉单词进行表示；步骤5，将所述训练切片图像生成的BoW模型直方图特征进行融合，得到所述训练切片图像中每幅图像的全局描述特征；并将所述测试切片图像生成的BoW模型直方图特征进行融合，得到所述测试切片图像中每幅图像的全局描述特征；步骤6，采用所述训练切片图像中每幅图像的全局描述特征对基于直方图交叉核SVM分类器进行训练，得到具有特定参数的直方图交叉核SVM分类器；并采用具有特定参数的直方图交叉核SVM分类器对所述测试切片图像中每幅图像的全局描述特征进行分类，得到所述测试切片图像中每幅图像的分类决策值；步骤7，设定分类阈值，将所述测试切片图像中每幅图像的分类决策值与所述分类阈值进行比较，若第一测试切片图像的分类决策值大于所述分类阈值，则判定所述第一测试切片图像为目标类测试切片图像，否则判定所述第一测试切片图像为杂波类测试切片图像，所述第一测试切片图像为所述测试切片图像中的任意一幅图像；其中，步骤2具体包括：获取所述训练切片图像中每幅图像对应的SAR‑SIFT局部特征，以及所述测试切片图像中每幅图像对应的SAR‑SIFT局部特征，具体包括：(2a1)提取所述训练切片图像的局部区域以及所述测试切片图像的局部区域其中，n₁表示杂波类训练切片图像的局部区域个数，n₂表示目标类训练切片图像的局部区域个数，m₁表示杂波类测试切片图像的局部区域个数，m₂表示目标类测试切片图像的局部区域个数；(2a2)对所述训练切片图像的局部区域内的像素坐标、所述测试切片图像的局部区域内的像素坐标分别进行主方向对齐处理以及空间单元格划分处理，得到新的训练切片图像的局部区域和新的测试切片图像的局部区域；(2a3)利用SAR‑SIFT描述符对所述新的训练切片图像的局部区域、所述新的测试切片图像的局部区域进行SAR‑SIFT局部特征的提取，得到训练切片图像的SAR‑SIFT局部特征和测试切片图像的SAR‑SIFT局部特征其中，是杂波类训练切片图像的SAR‑SIFT局部特征，是目标类训练切片图像的SAR‑SIFT局部特征，是杂波类测试切片图像的SAR‑SIFT局部特征，是目标类测试切片图像的SAR‑SIFT局部特征；(2a4)所述SAR‑SIFT局部特征的计算式表示为：将训练切片图像的参数带入上述SAR‑SIFT局部特征的计算式得到训练切片图像的SAR‑SIFT局部特征X_SIFT，将测试切片图像的参数带入上述SAR‑SIFT局部特征的计算式得到测试切片图像的SAR‑SIFT局部特征Y_SIFT；其中，m∈[1,M]，n∈[1,N]，p∈[1,P]，M、N和P分别对应三维直方图中的空间垂直维、空间水平维和梯度角度维的间隔量化数目，R为局部区域范围，G^R(x,y)为R内像素(x,y)的梯度幅度，W(x,y,m,n,p)为像素(x,y)对应的三线性插值因子，表示像素(x,y)在三维直方图SAR‑SFIT局部特征的网格(m,n,p)内的单位梯度幅度贡献系数；W(x,y,m,n,p)由W_θ(x,y,p)、W_s1(x,y,m)和W_s2(x,y,n)三部分组成，W_θ(x,y,p)为像素(x,y)在梯度角度维插值系数分量，与像素(x,y)的梯度方向角θ(x,y)到直方图角度网格f的中心角度θ_p的角度距离相关，W_s1(x,y,m)和W_s2(x,y,n)分别为像素(x,y)在空间垂直维和水平维的插值系数分量，分别与像素(x,y)到直方图空间网格(m,n)的中心的垂直方向和水平方向距离相关，由式W_s(x,y,m,n)＝W_s1(x,y,m)W_s2(x,y,n)计算SAR‑SIFT局部特征空间单元加权因子W_s(x,y,m,n)；获取所述训练切片图像中每幅图像对应的局部区域CFAR响应直方图特征，以及所述测试切片图像中每幅图像对应的局部区域CFAR响应直方图特征，具体包括：(2b1)采用有序统计量恒虚警OS‑CFAR算法对所述训练切片图像和所述测试切片图像分别进行计算，分别得到所述训练切片图像的初步CFAR特征图和测试切片图像的初步CFAR特征图并对所述训练切片图像的初步CFAR特征图I_os、所述测试切片图像的初步CFAR特征图J_os分别进行Sigmoid函数压缩变换，得到训练切片图像的最终CFAR响应特征图和测试切片图像的最终CFAR响应特征图(2b2)获取所述训练切片图像的最终CFAR响应特征图的局部区域以及所述测试切片图像的最终CFAR响应特征图的局部区域(2b3)对所述训练切片图像的最终CFAR响应特征图的局部区域内的像素坐标、所述测试切片图像的最终CFAR响应特征图的局部区域内的像素坐标分别进行主方向对齐处理以及空间单元格划分处理，得到新的训练切片图像的最终CFAR响应特征图的局部区域和新的的测试切片图像的最终CFAR响应特征图的局部区域；(2b4)计算所述新的训练切片图像的最终CFAR响应特征图的局部区域内像素的CFAR响应直方图特征、所述新的测试切片图像的最终CFAR响应特征图的局部区域内像素的CFAR响应直方图特征，得到训练切片图像的局部区域CFAR响应直方图特征和测试切片图像的局部区域CFAR响应直方图特征其中，是杂波类训练切片图像的局部区域CFAR响应直方图特征，是目标类训练切片图像的局部区域CFAR响应直方图特征，是杂波类测试切片图像的局部区域CFAR响应直方图特征，是目标类测试切片图像的局部区域CFAR响应直方图特征；(2b5)所述局部区域CFAR响应直方图特征的计算式表示为：将训练切片图像的参数带入上述局部区域CFAR响应直方图特征的计算式得到训练切片图像的局部区域CFAR响应直方图特征X_LHistCFAR，将测试切片图像的参数带入上述局部区域CFAR响应直方图特征的计算式得到测试切片图像的局部区域CFAR响应直方图特征Y_LHistCFAR；其中，每个局部区域的直方图灰度中心为q＝[q₁,q₂,…,q_Q]，令q_i表示直方图每个柱体的灰度中心值，i∈[1,Q]，Q表示直方图划分区间的个数，直方图区间大小为△q，则像素(x,y)在像素CFAR响应的统计直方图的第i个区间的贡献权重因子为W_CFAR(x,y,q_i)＝1‑|I_CFAR‑q_i|/△q，且当|I_CFAR‑q_i|≥△q时，W_CFAR(x,y,q_i)＝0；获取所述训练切片图像中每幅图像对应的局部区域最大CFAR响应特征，以及所述测试切片图像中每幅图像对应的局部区域最大CFAR响应特征，具体包括：根据所述训练切片图像的最终CFAR响应特征图的局部区域所述测试切片图像的最终CFAR响应特征图的局部区域以及SAR‑SIFT特征空间单元加权因子W_s(x,y,m,n)按照下式计算局部区域最大CFAR响应特征：从而得到训练切片图像的局部区域最大CFAR响应特征和测试切片图像的局部区域最大CFAR响应特征其中，是杂波类训练切片图像的局部区域最大CFAR响应特征，是目标类训练切片图像的局部区域最大CFAR响应特征，是杂波类测试切片图像的局部区域最大CFAR响应特征，是目标类测试切片图像的局部区域最大CFAR响应特征；获取所述训练切片图像中每幅图像对应的局部区域平均CFAR响应特征，以及所述测试切片图像中每幅图像对应的局部区域平均CFAR响应特征，具体包括：根据所述训练切片图像的最终CFAR响应特征图的局部区域所述测试切片图像的最终CFAR响应特征图的局部区域以及SAR‑SIFT特征空间单元加权因子W_s(x,y,m,n)按照下式计算局部区域平均CFAR响应特征：从而得到训练切片图像的局部区域平均CFAR响应特征和测试切片图像的局部区域平均CFAR响应特征其中，是杂波类训练切片图像的局部区域平均CFAR响应特征，是目标类训练切片图像的局部区域平均CFAR响应特征，是杂波类测试切片图像的局部区域平均CFAR响应特征，是目标类测试切片图像的局部区域平均CFAR响应特征；获取所述训练切片图像中每幅图像对应的局部区域SD特征，以及所述测试切片图像中每幅图像对应的局部区域SD特征，具体包括：(2e1)对所述训练切片图像I和所述测试切片图像J进行对数变换得到训练切片对数图像和测试切片对数图像(2e2)提取所述训练切片对数图像的局部区域表示为提取所述测试切片对数图像的局部区域表示为(2e3)对所述训练切片对数图像的局部区域、所述测试切片对数图像的局部区域内的像素坐标进行主方向对齐处理以及空间单元格划分处理；(2e4)根据所述训练切片对数图像的局部区域所述测试切片对数图像的局部区域以及SAR‑SIFT特征空间单元加权因子W_s(x,y,m,n)进行以下计算：从而得到训练切片图像的局部区域SD特征和测试切片图像的局部区域SD特征其中，是杂波类训练切片图像的局部区域SD特征，是目标类训练切片图像的局部区域SD特征，是杂波类测试切片图像的局部区域SD特征，是目标类测试切片图像的局部区域SD特征；获取所述训练切片图像中每幅图像对应的局部区域WRFR特征，以及所述测试切片图像中每幅图像对应的局部区域WRFR特征，具体包括：(2f1)利用像素筛选函数对所述训练切片图像的局部区域I^R和所述测试切片图像的局部区域J^R进行筛选处理，保留每个局部区域内前20％强像素点，其中β为筛选阈值，得到筛选后的训练切片图像局部区域和测试切片图像局部区域(2f2)根据所述训练切片图像I和测试切片图像J，以及所述SAR‑SIFT特征空间单元加权因子W_s(x,y,m,n)进行以下计算：从而得到训练切片图像的局部区域WRFR特征和测试切片图像的局部区域WRFR特征其中，是杂波类训练切片图像的LWRFR特征，是目标类训练切片图像的局部区域WRFR特征，是杂波类测试切片图像的局部区域WRFR特征，是目标类测试切片图像的局部区域WRFR特征；获取所述训练切片图像中每幅图像对应的局部区域VI特征，以及所述测试切片图像中每幅图像对应的局部区域VI特征，具体包括：利用所述训练切片图像的局部区域I^R和所述测试切片图像的局部区域J^R，以及所述SAR‑SIFT特征空间单元加权因子W_s(x,y,m,n)进行以下计算：从而得到训练切片图像的局部区域VI特征和测试切片图像的局部区域VI特征其中，是杂波类训练切片图像的局部区域VI特征，是目标类训练切片图像的局部区域VI特征，是杂波类测试切片图像的局部区域VI特征，是目标类测试切片图像的局部区域VI特征；步骤3具体包括：(3a)将所述训练切片图像对应的多组局部特征作为训练样本，则得到每组局部特征对应的N个训练样本，且N＝n₁+n₂，从所述每组局部特征对应的N个训练样本中选取K个训练样本作为初始聚类中心，通过K均值聚类算法构造每组局部特征对应的视觉字典C＝[c₁,c₂,…c_k,…c_K]；(3b)从而得到多组局部特征分别对应的视觉字典：SAR‑SIFT局部特征对应的视觉词典为C_SIFT＝[c_SIFT1,c_SIFT2,…c_SIFTk,…c_SIFTK]；局部区域CFAR响应直方图特征对应的视觉词典为C_LHistCFAR＝[c_LHistCFAR1,c_LHistCFAR2,…c_LHistCFARk,…c_LHistCFARK]；局部区域最大CFAR响应特征对应的视觉词典为C_LMaxCFAR＝[c_LMaxCFAR1,c_LMaxCFAR2,…c_LMaxCFARk,…c_LMaxCFARK]；局部区域平均CFAR响应特征对应的视觉词典为C_LMeanCFAR＝[c_LMeanCFAR1,c_LMeanCFAR2,…c_LMeanCFARk,…c_LMeanCFARK]；局部区域SD特征对应的视觉词典为C_LSD＝[c_LSD1,c_LSD2,…c_LSDk,…c_LSDK]；局部区域WRFR特征对应的视觉词典为C_LWRFR＝[c_LWRFR1,c_LWRFR2,…c_LWRFRk,…c_LWRFRK]；局部区域VI特征对应的视觉词典为C_LVI＝[c_LVI1,c_LVI2,…c_LVIk,…c_LVIK]；步骤4中，得到所述训练切片图像生成的BoW模型直方图特征和所述测试切片图像生成的BoW模型直方图特征，具体包括：采用平均合并策略得到由训练切片图像的SAR‑SIFT局部特征X_SIFT生成的BoW模型直方图特征以及由测试切片图像的SAR‑SIFT局部特征Y_SIFT生成的BoW模型直方图特征采用平均合并策略得到由训练切片图像的局部区域CFAR响应直方图特征X_LHistCFAR生成的BoW模型直方图特征由测试切片图像的局部区域CFAR响应直方图特征Y_LHistCFAR生成的BoW模型直方图特征采用平均合并策略得到由训练切片图像的局部区域平均CFAR响应特征X_LMeanCFAR生成的BoW模型直方图特征由测试切片图像的局部区域平均CFAR响应特征Y_LMeanCFAR生成的BoW模型直方图特征采用平均合并策略得到由训练切片图像的局部区域SD特征X_LSD生成的BoW模型直方图特征由测试切片图像的局部区域SD特征Y_LSD生成的BoW模型直方图特征采用平均合并策略得到由训练切片图像的局部区域WRFR特征X_LWRFR生成的BoW模型直方图特征由测试切片图像的局部区域WRFR特征Y_LWRFR生成的BoW模型直方图特征采用平均合并策略得到由训练切片图像的局部区域VI特征X_LVI生成的BoW模型直方图特征由测试切片图像的局部区域VI特征Y_LVI生成的BoW模型直方图特征采用最大值合并策略生成由训练切片图像的局部区域最大CFAR响应特征X_LMaxCFAR生成的BoW模型直方图特征由测试切片图像的局部区域最大CFAR响应特征Y_LMaxCFAR生成的BoW模型直方图特征步骤5具体包括：将训练切片图像的七组BoW模型直方图特征V_SIFT、V_LHistCFAR、V_LMaxCFAR、V_LMeanCFAR、V_LSD、V_LWRFR、V_LVI进行融合得到每个训练切片图像全局描述特征H_train＝[d_SIFTV_SIFT；d_LHistCFARV_LHistCFAR；d_LMaxCFARV_LMaxCFAR；d_LMeanCFARV_LMeanCFAR；d_LSDV_LSD；d_LWRFRV_LWRFR；d_LVIV_LVI]，及每个测试切片图像特征全局描述特征H_test＝[d_SIFTW_SIFT；d_LHistCFARW_LHistCFAR；d_LMaxCFARW_LMaxCFAR；d_LMeanCFARW_LMeanCFAR；d_LSDW_LSD；d_LWRFRW_LWRFR；d_LVIW_LVI]；其中，{d_SIFT,d_LHistCFAR,d_LMaxCFAR,d_LMeanCFAR,d_LSD,d_LWRFR,d_LVI}为七组BoW模型直方图特征的权系数，则训练切片图像的全局描述特征集合为测试切片图像的全局描述特征集合为其中，为杂波训练切片图像的全局描述特征集合，为目标训练切片图像的全局描述特征集合，为杂波测试切片图像的全局描述特征集合，为目标测试切片图像的全局描述特征集合；步骤6具体包括：使用训练切片图像的全局描述特征训练基于直方图交叉核SVM分类器，得到具有特定参数的直方图交叉核SVM分类器，使用具有特定参数的直方图交叉核SVM分类器对测试切片图像的全局描述特征进行分类；确定不同特征间的权系数{d_SIFT,d_LHistCFAR,d_LMaxCFAR,d_LMeanCFAR,d_LSD,d_LWRFR,d_LVI}及直方图交叉核SVM分类器；用具有特定参数的直方图交叉核SVM分类器对测试切片图像的全局描述特征BOW_test进行分类，得到每个测试切片图像的分类决策值。