一種目標識別方法
【專利摘要】本發(fā)明實施例公開一種目標識別方法，應用于雷達目標識別領域，能夠避免目標信息丟失以及方位角對識別結果的過大影響。該方法包括：利用獨立同分布高斯隨機矩陣，對訓練樣本和測試樣本進行降維。將降維后的每一個訓練樣本稱為一個原子，降維后的訓練樣本集稱為字典。針對每一幅目標圖像，降維后，從訓練樣本中挑選用于稀疏表示的原子，使其可以最大可能的重構目標圖像原子。然后將不同方位角的目標圖像作為一個整體，通過自適應方法，將稀疏表示每一幅圖像的原子提取出來，構成局部自適應字典。通過聯(lián)合稀疏表示方法，計算賦給局部自適應原子中的各原子的系數值，將目標圖像集聯(lián)合稀疏重構出來。最后，通過各個類別中參與聯(lián)合稀疏表示的原子的貢獻度，得到測試目標的類別。本發(fā)明的實施例應用于訓練集相對完備，目標圖像數量有限且方位角參數不確定的情況下。
【專利說明】一種目標識別方法

【技術領域】
[0001 ] 本發(fā)明涉及雷達目標識別【技術領域】，尤其涉及一種目標識別方法。

【背景技術】
[0002] 信號處理技術常常需要通過更有效的表示來捕獲信號的特征，對識別來說，表示 方法需要突出顯著特征，對去噪來說，表示方法需要有效的分離信號和噪聲，對壓縮來說， 表示方法需要用少量的系數來描述大部分的信號。這些應用看似目的不同，但都有一個共 同的目標就是簡化信號表示，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等研宄人員使用稀疏表示方法，在基礎的信號和圖像處理中取 得了目前最好的效果。研宄表明測試樣本能夠被表示（或逼近）成訓練樣本的線性組合， 而且這些組合系數是稀疏的，也就是說大部分系數是0,或接近0。為了進一步提高目標的 識別率，提尚目標?目息的利用率，Haichao Zhang等人在傳統(tǒng)的稀疏表不方法基礎上，提出 聯(lián)合稀疏表示方法。將相近方位角的目標圖像聯(lián)合形成測試樣本集，利用稀疏表示原理，由 訓練原子將測試樣本集聯(lián)合稀疏表示出來。
[0003] 傳統(tǒng)的稀疏表示方法，使用獨立的目標圖像進行目標識別，不能充分利用目標信 息，而聯(lián)合稀疏表示方法將相近方位的目標圖像聯(lián)合起來用于目標識別，相比之下，增加了 目標信息量，提高了識別率，然而該方法存在較大的局限性。由于雷達圖像對目標姿態(tài)敏感 的特征，聯(lián)合稀疏表示的目標圖像之間，方位角間隔不能過大，否則會導致干擾信息增加， 識別率下降。


【發(fā)明內容】

[0004] 本發(fā)明實施例提供一種目標識別方法，解決了現(xiàn)有技術因方位角間隔過大導致干 擾增加識別率下降的缺陷。
[0005] 本發(fā)明的第一方面提供一種目標識別方法，包括：選擇訓練樣本，通過獨立同分布 高斯隨機矩陣對訓練樣本和測試樣本降維；針對每一個所述測試樣本，采用所述同分布高 斯隨機矩陣進行降維，得到測試原子，當稀疏度一定時，從訓練字典中選擇可以最大程度稀 疏重構出測試樣本的訓練原子集合；選取目標不同方位的圖像合成測試樣本集，使用自適 應方法將與所述測試樣本集中每一個樣本對應的訓練原子從訓練字典中提取出來，并將所 有提取出來的原子合并起來，構成局部自適應字典，利用所述局部自適應字典，獲得目標圖 像集聯(lián)合稀疏表示；根據最小重構錯誤準則，判斷目標類別。
[0006] 根據第一方面，在第一種可能的實現(xiàn)方式中，所述針對每一個所述測試樣本，得到 訓練樣本集中選擇最大程度稀疏重構出測試樣本的原子包括：將稀疏度K作為限制條件 時，Ilxll <κ，其中范數可以為1范數或者〇范數。
[0007] 根據第一方面，在第二種可能的實現(xiàn)方式中，所述得到訓練樣本集中選擇最大程 度稀疏重構出測試樣本的原子包括：匹配追蹤。
[0008] 根據第一方面的第二種可能的實現(xiàn)方式，在第三種可能的實現(xiàn)方式中，所述匹配 追蹤包括：計算測試原子與訓練字典中各原子的內積，選擇絕對值最大的一個原子，它就是 與測試樣本在本次迭代中最匹配的；將測試樣本分解為在最匹配原子方向的投影部分和殘 差部分，將殘差部分分解為最匹配原子方向的投影和殘差部分投影，更新殘差部分，直到獲 得較小的殘差值或者一定數量的匹配原子。
[0009] 根據第一方面的第二種可能的實現(xiàn)方式，在第四種可能的實現(xiàn)方式中，所述得到 訓練樣本集中選擇最大程度稀疏重構出測試樣本的原子還包括：在分解的每一步對所選擇 的全部原子進行正交化處理。
[0010] 根據第一方面的第二種可能的實現(xiàn)方式，在第五種可能的實現(xiàn)方式中，所述得到 訓練樣本集中選擇最大程度稀疏重構出測試樣本的原子還包括：在匹配追蹤之前，通過相 應的稀疏算法，對測試樣本進行采樣。
[0011] 根據第一方面，在第六種可能的實現(xiàn)方式中，所述獲得目標圖像集聯(lián)合稀疏表示 包括：多重壓縮感知匹配追蹤。
[0012] 本發(fā)明提供的目標識別方法，將構建自適應局部字典和聯(lián)合稀疏表示的優(yōu)勢結合 在一起，既增加了目標信息量，又克服了方位信息間隔對識別率的影響。該方法在隨機選取 目標方位圖像、選取任意幅目標圖像的情況下都能保持較高的識別率，是一種較好的雷達 目標識別方法。

【專利附圖】

【附圖說明】
[0013] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn) 有技術描述中所需要使用的附圖作簡單地介紹。
[0014] 圖1為本發(fā)明實施例提供的目標識別方法的流程示意圖；
[0015] 圖2為本發(fā)明實施例仿真實驗采用的訓練、測試數據情況的示意圖；
[0016] 圖3為本發(fā)明實施例稀疏表示方法、聯(lián)合稀疏表示方法原子選擇正確率對比圖；
[0017] 圖4為本發(fā)明實施例目標圖像數目變化對識別結果的影響的示意圖；
[0018] 圖5本發(fā)明實施例圖像方位角間隔變化對識別結果的影響的示意圖；
[0019] 圖6本發(fā)明實施例中的稀疏表示、聯(lián)合稀疏表示、本發(fā)明方法的識別率統(tǒng)計圖。

【具體實施方式】
[0020] 下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。
[0021] 本發(fā)明實施例公開一種利用目標圖像融合、聯(lián)合稀疏表示進行目標識別的算法， 應用于雷達目標識別領域，能夠避免目標信息丟失以及方位角對識別結果的過大影響。該 方法包括：利用獨立同分布高斯隨機矩陣，對訓練樣本和測試樣本進行降維。將降維后的 每一個訓練樣本稱為一個原子，降維后的訓練樣本集稱為字典。針對每一幅目標圖像，降維 后，從訓練樣本中挑選用于稀疏表示的原子，使其可以最大可能的重構目標圖像原子。然后 將不同方位角的目標圖像作為一個整體，通過自適應方法，將稀疏表示每一幅圖像的原子 提取出來，構成局部自適應字典。通過聯(lián)合稀疏表示方法，計算賦給局部自適應原子中的各 原子的系數值，將目標圖像集聯(lián)合稀疏重構出來。最后，通過各個類別中參與聯(lián)合稀疏表示 的原子的貢獻度，得到測試目標的類別。本發(fā)明的實施例應用于訓練集相對完備，目標圖像 數量有限且方位角參數不確定的情況下。
[0022] 下面以具體實施例來進行說明。
[0023] 圖1為本發(fā)明實施例提供的目標識別方法的流程示意圖，參考圖1，該方法主要包 括以下步驟：
[0024] 10、選擇訓練樣本，通過獨立同分布高斯隨機矩陣對訓練樣本和測試樣本降維。
[0025] 已知k種目標，對不同目標類別進行標記label = 1，2, ...，k。通過Γ -360°分 別獲取目標圖像，且圖像方位角間隔〈=3°。其中每一幅圖像，都是訓練樣本。所有圖像 的集合為訓練樣本集。
[0026] 針對未知類別的目標，通過任意角度獲得的目標圖像為測試樣本，多幅圖像組成 測試樣本集。
[0027] 本實施例假設訓練樣本圖像大小為wXw，將二維圖像轉換為一個列向量 Vni(vWeR'm = wxw )，即為第i類目標的第n個訓練樣本。訓練樣本集的第i類樣本 可表示為Di= [V n, v2i, ...，vni]。訓練樣本集由k類目標組成，D = [D1, D2,... Dk]。R為 獨立同分布高斯隨機矩陣，即隨機生成的標準正交矩陣，且每一行滿足Norm(0，l)分布， 5 = ，乃為降維后的訓練樣本集，gp為訓練字典，每一個降維后的訓 練樣本為一個訓練原子。
[0028] 20、針對每一個測試樣本，采用同樣的同分布高斯隨機矩陣進行降維，得到測試原 子，當稀疏度一定時，從訓練字典中選擇可以最大程度稀疏重構出測試樣本的訓練原子集 合。
[0029] 在原子選擇階段，稀疏表示方法的選擇正確率遠大于聯(lián)合稀疏表示選擇正確率， 以此，在使用聯(lián)合稀疏表示方法融合多傳感器圖像之前，使用稀疏表示方法進行原子選擇， 控制融合引入的干擾。測試原子y = ，X為系數向量。稀疏度K為從訓練字典中挑選的 訓練原子個數，當稀疏度一定時，X中非零元素的個數確定。要求挑選出來的原子具有最大 程度重構測試樣本的能力，即argminij：·-Δτ|μ.Λ ||4 。使用^表示滿足上式條件的系數向 量。
[0030] 30、選取目標不同方位的圖像合成測試樣本集，使用自適應方法將測試樣本集中 每一個樣本對應的訓練原子從訓練字典中提取出來，并將所有提取出來的原子合并起來， 構成局部自適應字典，利用所述局部自適應字典，獲得目標圖像集聯(lián)合稀疏表示。
[0031] 選擇從目標不同方位角照射得到的M幅目標圖像，形成測試樣本集Y = Ly1, y2,...，yM]。對Y中的每一個樣本采用相同的獨立同分布高斯矩陣進行降維，得到測試 字典。將其中每一個測試原子稀疏表示出來的訓練原子，合并為一個原子 集合，即局部自適應字典/)。將重新給各原子分配相應的稀疏系數，這樣可以將測試樣本 聯(lián)合稀疏表不出來。Σ^π?η|；Ρ-Δτ||ρ，·?./. ||X|" SI，X = [X1,…，χΜ]為系數矩陣，K為稀疏 度。其中對X系數矩陣，首先在每一行使用I2范數，得到的結果再使用1〇范數。戈表示滿 足約束條件的系數矩陣。
[0032] 本方案從m個不同的角度去拍攝目標，得到目標m幅圖片，然后把m幅圖片并列到 一起，當做一個整體，這樣可以結合更多的目標信息。
[0033] 40、根據最小重構錯誤準則，判斷目標類別。
[0034] 最小重構錯誤準則是多次計算最小重構錯誤準則，具體的：
[0035] 重復步驟10到步驟30,多次計算最小重構錯誤準則，判斷目標類別。
[0036] δ\·)選擇向量中與第i類目標對應的元素不變，其它元素為〇。IIF-Z^(X)舊 求得每一類訓練樣本對測試樣本集的重構錯誤大小。減小隨機矩陣帶來的偶然性，重復C 次步驟10-步驟30,生成不同的獨立同分布高斯矩陣，計算每一次各類的重構錯誤。目標類 別

【權利要求】
1. 一種目標識別方法，其特征在于，包括： 選擇訓練樣本，通過獨立同分布高斯隨機矩陣對訓練樣本和測試樣本降維； 針對每一個所述測試樣本，采用所述同分布高斯隨機矩陣進行降維，得到測試原子，當 稀疏度一定時，從訓練字典中選擇最大程度稀疏重構出測試樣本的訓練原子集合； 選取目標不同方位的圖像合成測試樣本集，使用自適應方法將與所述測試樣本集中每 一個樣本對應的訓練原子從訓練字典中提取出來，并將所有提取出來的原子合并起來，構 成局部自適應字典，利用所述局部自適應字典，獲得目標圖像集聯(lián)合稀疏表示； 根據最小重構錯誤準則，判斷目標類別。
2. 根據權利要求1所述的方法，其特征在于，所述針對每一個所述測試樣本，得到訓練 樣本集中選擇最大程度稀疏重構出測試樣本的原子包括： 將稀疏度K作為限制條件時，11x11 <K，其中范數為1范數或者0范數。
3. 根據權利要求1所述的方法，其特征在于，所述得到訓練樣本集中選擇最大程度稀 疏重構出測試樣本的原子包括： 匹配追蹤。
4. 根據權利要求3所述的方法，其特征在于，所述匹配追蹤包括： 計算測試原子與訓練字典中各原子的內積，選擇絕對值最大的一個原子，它就是與測 試樣本在本次迭代中最匹配的； 將測試樣本分解為在最匹配原子方向的投影部分和殘差部分，將殘差部分分解為最匹 配原子方向的投影和殘差部分投影，更新殘差部分，直到獲得較小的殘差值或者一定數量 的匹配原子。
5. 根據權利要求3所述的方法，其特征在于，所述得到訓練樣本集中選擇最大程度稀 疏重構出測試樣本的原子還包括： 在分解的每一步對所選擇的全部原子進行正交化處理。
6. 根據權利要求3所述的方法，其特征在于，所述得到訓練樣本集中選擇最大程度稀 疏重構出測試樣本的原子還包括： 在匹配追蹤之前，通過相應的稀疏算法，對測試樣本進行采樣。
7. 根據權利要求1所述的方法，其特征在于，所述獲得目標圖像集聯(lián)合稀疏表示包括： 多重壓縮感知匹配追蹤。
【文檔編號】G06K9/66GK104463245SQ201410743344
【公開日】2015年3月25日 申請日期:2014年12月8日 優(yōu)先權日:2014年12月8日
【發(fā)明者】皮亦鳴, 曹宗杰, 徐黎媛, 李晉, 閔銳, 范錄宏, 楊曉波 申請人:電子科技大學