本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及高分辨率SAR體制下目標(biāo)的精確識別方法，可作為進(jìn)一步的精確制導(dǎo)以及指揮自動化等的基礎(chǔ)。

背景技術(shù)：

合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)是一種主動式的微波成像傳感器，它幾乎不受氣候條件的影響，可以全天時、全天候的進(jìn)行工作，被廣泛應(yīng)用于民用和軍事領(lǐng)域。致力于從復(fù)雜的地物場景中有效的檢測到目標(biāo)，并對檢測到的目標(biāo)進(jìn)行識別的SAR自動目標(biāo)識別技術(shù)，是指在雷達(dá)對目標(biāo)進(jìn)行檢測和定位的基礎(chǔ)上，根據(jù)目標(biāo)和背景的雷達(dá)回波信號，提取出目標(biāo)的特征，最終實現(xiàn)目標(biāo)的屬性、類型或型號的判定。

對于目標(biāo)的類型識別而言，國內(nèi)外學(xué)者已經(jīng)提出了諸多有效的方法，而對于型號識別的研究方興未艾，目標(biāo)的不同型號表明了目標(biāo)的配置情況，同類型不同型號的目標(biāo)被稱之為變形目標(biāo)。目標(biāo)型號識別比類型識別能夠提供更多的目標(biāo)細(xì)節(jié)信息。例如，同一類型的坦克上有沒有機關(guān)槍、油箱、天線是否打開等。目標(biāo)型號識別意在要把同類型不同型號的目標(biāo)區(qū)分開來，型號識別要比類型識別要更難于實現(xiàn)。目標(biāo)型號識別的研究在感興趣目標(biāo)細(xì)節(jié)信息獲取、戰(zhàn)場感知、精確打擊等方面具有重要的意義。

實現(xiàn)目標(biāo)型號識別的關(guān)鍵在于克服目標(biāo)的方位角敏感特性，現(xiàn)有的SAR目標(biāo)識別算法均不可避免的遭受方位角敏感特性的影響，也就是說同類別不同型號目標(biāo)在不同方位角下的差異往往要大于不同類別目標(biāo)在相似方位角下的差異。解決此問題的關(guān)鍵在于如何精確捕獲數(shù)據(jù)樣本的本質(zhì)結(jié)構(gòu)特征，實現(xiàn)數(shù)據(jù)局部和全局結(jié)構(gòu)的準(zhǔn)確描述。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的在于，提供一種基于融合類別信息與局部保持投影的SAR目標(biāo)型號識別方法，可以更好的捕獲和描述樣本的結(jié)構(gòu)特性以改善識別效果，克服SAR目標(biāo)方位角敏感特性對識別的不利影響。

為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

基于融合類別信息與局部保持投影的SAR目標(biāo)型號識別方法，包括以下步驟：

步驟1，利用SAR成像方法針對多個訓(xùn)練樣本目標(biāo)獲取不同方位角下的包含有訓(xùn)練樣本目標(biāo)的圖像，作為訓(xùn)練樣本圖像，將針對每一個訓(xùn)練樣本目標(biāo)獲取的不同方位角下的多個訓(xùn)練樣本圖像劃分為同一個樣本類別；利用利用SAR成像方法獲取包含有待識別目標(biāo)的圖像，作為測試樣本圖像；

步驟2，對每一幅訓(xùn)練樣本圖像和測試樣本圖像分別進(jìn)行預(yù)處理，得到多幅預(yù)處理后的訓(xùn)練樣本圖像和預(yù)處理后的測試樣本圖像；預(yù)處理包括截取子圖像和圖像歸一化；

步驟3，將每一幅訓(xùn)練樣本圖像中的所有像素值按列取出，排成一個訓(xùn)練樣本列向量，利用所有訓(xùn)練樣本圖像排成的訓(xùn)練樣本列向量形成訓(xùn)練樣本列向量集合X；針對預(yù)處理后的測試樣本圖像，將其所有像素值按列取出，排成一個測試樣本列向量Z；

步驟4，利用訓(xùn)練樣本列向量集合X，融合樣本類別信息，構(gòu)建目標(biāo)的相似性矩陣S和差異性矩陣D；

步驟5，基于相似性矩陣S，構(gòu)建能夠保持?jǐn)?shù)據(jù)局部特性的目標(biāo)函數(shù)J₁，基于差異性矩陣D，構(gòu)建能夠保持?jǐn)?shù)據(jù)差異特性的目標(biāo)函數(shù)J₂；

步驟6，融合目標(biāo)函數(shù)J₁和目標(biāo)函數(shù)J₂，得到能捕獲數(shù)據(jù)全局結(jié)構(gòu)特性的目標(biāo)函數(shù)J₃；

步驟7，利用拉格朗日乘子法求解目標(biāo)函數(shù)J₃，得到投影矩陣A；

步驟8，對步驟3中的訓(xùn)練樣本列向量集合X利用投影矩陣A進(jìn)行降維處理，得到訓(xùn)練樣本特征向量集合Y，對步驟3中的測試樣本列向量Z利用投影矩陣A進(jìn)行降維處理，得到測試樣本特征向量M；

步驟9，將測試樣本特征向量M和訓(xùn)練樣本特征向量集合Y均輸入最近鄰分類器，最近鄰分類器自動輸出測試樣本圖像中的待識別目標(biāo)所屬樣本類別，得到最終的識別結(jié)果。

具體地，所述步驟2中的針對訓(xùn)練樣本圖像的預(yù)處理過程如下：

以訓(xùn)練樣本圖像的幾何中心為基準(zhǔn)，在訓(xùn)練樣本圖像上截取包含整個目標(biāo)的圖像，作為訓(xùn)練樣本子圖像；將訓(xùn)練樣本子圖像中的每一個像素值除以該訓(xùn)練樣本子圖像中所有像素值的最大值，得到歸一化后的訓(xùn)練樣本子圖像，即為預(yù)處理后的訓(xùn)練樣本圖像。

具體地，所述步驟4中的構(gòu)建目標(biāo)的相似性矩陣S的方法如下：

相似性矩陣S中的每一個元素S_ij的構(gòu)建公式如下：

其中，t₁為常數(shù)，exp(·)表示指數(shù)函數(shù)，||·||₂表示取2范數(shù)，x_i與x_j分別表示訓(xùn)練樣本列向量集合X中的第i個列向量和第j個列向量，i,j＝1,2,...,N，N表示訓(xùn)練樣本列向量的個數(shù)。

具體地，所述步驟4中的構(gòu)建差異性矩陣D的方法如下：

差異性矩陣D中的每一個元素D_ij的構(gòu)建公式如下：

其中，t₂為常數(shù)，N_k(x_i)表示訓(xùn)練樣本列向量x_i的k個近鄰列向量，N_k(x_j)表示x_j的k個近鄰列向量。

具體地，所述步驟5中的構(gòu)建能夠保持?jǐn)?shù)據(jù)局部特性的目標(biāo)函數(shù)J₁，采用的公式如下：

其中，y_i與y_j分別表示訓(xùn)練樣本特征向量集合Y中的第i個列向量和第j個列向量，min(·)表示求最小值操作；

所述構(gòu)建能夠保持?jǐn)?shù)據(jù)差異特性的目標(biāo)函數(shù)J₂，采用的公式如下：

其中，max(·)表示求最大值操作。

具體地，所述步驟6中的融合目標(biāo)函數(shù)J₁和目標(biāo)函數(shù)J₂，得到能實現(xiàn)數(shù)據(jù)全局結(jié)構(gòu)特性捕獲的目標(biāo)函數(shù)J₃，采用公式如下：

J₃＝J₁-J₂

具體地，所述步驟7中的利用拉格朗日乘子法求解目標(biāo)函數(shù)J₃，得到投影矩陣A，具體包括以下步驟：

步驟7.1：給目標(biāo)函數(shù)J₃添加約束條件A^TXBX^TA＝I，可得

其中，A^TX＝Y(jié)，A表示投影矩陣，B＝H-G，H為對角矩陣，其對角線元素為相似性矩陣S的行和，G為對角矩陣，對角線元素為差異性矩陣D的行和，L＝L₁-L₂，L₁＝H-S，L₂＝G-D，s.t.表示約束條件，Tr(·)表示求矩陣的跡，(·)^T表示求矩陣的轉(zhuǎn)置，I表示單位陣；

步驟7.2：利用拉格朗日乘子法，求解步驟7.1中的公式所示的含有約束條件的最小值問題，得到如下公式：

XLX^TA＝λXBX^TA

其中，λ表示拉格朗日乘子；

步驟7.3：求解步驟7.2中的公式，得到d個最小非零特征值0＜λ₁≤λ₂≤...≤λ_d對應(yīng)的特征向量a₁,a₂,...,a_d，利用特征向量a₁,a₂,...,a_d構(gòu)建投影矩陣A＝{a₁,a₂,...,a_d}。

具體地，所述步驟8中的對訓(xùn)練樣本列向量集合X利用投影矩陣A進(jìn)行降維處理，得到訓(xùn)練樣本特征向量集合Y，采用的公式如下：

Y＝A^TX

對測試樣本列向量Z利用投影矩陣A進(jìn)行降維處理，得到測試樣本特征向量M，采用的公式如下：

M＝A^TZ

其中，A^T表示投影矩陣A的轉(zhuǎn)置。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下技術(shù)效果：

1)目標(biāo)型號識別精度高

本發(fā)明利用目標(biāo)先驗類別信息，通過相似性矩陣和差異性矩陣的構(gòu)建，實現(xiàn)數(shù)據(jù)局部特性和差異特性的精確描述，繼而通過融合的方式實現(xiàn)兩個特性的優(yōu)勢互補，最終實現(xiàn)數(shù)據(jù)結(jié)構(gòu)特性的全面捕獲與精確描述，使得降維前后的數(shù)據(jù)結(jié)構(gòu)得到有效保持。本發(fā)明可克服現(xiàn)有方法對SAR目標(biāo)方位角敏感特性的問題，得到高精度的目標(biāo)識別結(jié)果。

2)為精確制導(dǎo)和火力打擊提供參考

本發(fā)明可以為基于目標(biāo)識別結(jié)果的后續(xù)過程提供參考，識別結(jié)果可提供給火控系統(tǒng)，為多源信息融合提供判據(jù)，為精確制導(dǎo)和火力打擊提供重要的參考。

附圖說明

圖1是本發(fā)明的流程圖；

圖2是本發(fā)明與其他3種方法對7個型號目標(biāo)的識別結(jié)果對比圖；

圖3是本發(fā)明與其他3種方法獲得的識別率隨特征維數(shù)變化的曲線圖。

下面結(jié)合附圖和具體實施方式對本發(fā)明的方案作進(jìn)一步詳細(xì)地解釋和說明。

具體實施方式

參照圖1，本發(fā)明的基于融合類別信息與局部保持投影的SAR目標(biāo)型號識別方法，包括以下步驟：

步驟1，利用SAR成像方法針對多個訓(xùn)練樣本目標(biāo)獲取不同方位角下的包含有訓(xùn)練樣本目標(biāo)的圖像，作為訓(xùn)練樣本圖像，將針對每一個訓(xùn)練樣本目標(biāo)獲取的不同方位角下的多個訓(xùn)練樣本圖像劃分為同一個樣本類別；利用利用SAR成像方法獲取包含有待識別目標(biāo)的圖像，作為測試樣本圖像；其中，訓(xùn)練樣本目標(biāo)與待識別目標(biāo)具有相似的外部特征，獲取測試樣本圖像和訓(xùn)練樣本圖像的場景相同。例如，當(dāng)待識別目標(biāo)為裝甲車時，將不同型號的多個裝甲車作為訓(xùn)練樣本目標(biāo)。

步驟2，對每一幅訓(xùn)練樣本圖像和測試樣本圖像分別進(jìn)行預(yù)處理，得到多幅預(yù)處理后的訓(xùn)練樣本圖像和預(yù)處理后的測試樣本圖像；預(yù)處理的過程如下：

針對訓(xùn)練樣本圖像，以訓(xùn)練樣本圖像的幾何中心為基準(zhǔn)，在訓(xùn)練樣本圖像上截取包含整個目標(biāo)的圖像，即包含目標(biāo)所有信息的圖像，作為訓(xùn)練樣本子圖像，一般截取的訓(xùn)練樣本子圖像的大小為48×48像素；

將訓(xùn)練樣本子圖像中的每一個像素值除以該訓(xùn)練樣本子圖像中所有像素值的最大值，得到歸一化后的訓(xùn)練樣本子圖像，即預(yù)處理后的訓(xùn)練樣本圖像。

針對測試樣本圖像的預(yù)處理過程與針對訓(xùn)練樣本圖像的預(yù)處理過程相同，此處不再贅述。

步驟3，將每一幅訓(xùn)練樣本圖像中的所有像素值按列取出，排成一個訓(xùn)練樣本列向量，利用所有訓(xùn)練樣本圖像排成的訓(xùn)練樣本列向量x₁，x₂,…x_i,…x_j,…x_N形成訓(xùn)練樣本列向量集合X＝{x₁，x₂,…x_i,…x_j,…x_N}，其中，N表示訓(xùn)練樣本列向量的個數(shù)；針對預(yù)處理后的測試樣本圖像，將其所有像素值按列取出，排成一個測試樣本列向量Z。

步驟4，利用訓(xùn)練樣本列向量集合X，融合樣本類別信息，構(gòu)建目標(biāo)的相似性矩陣S和差異性矩陣D；本步驟的具體實現(xiàn)方式如下：

步驟4.1，構(gòu)建相似性矩陣S，其中每一個元素S_ij的構(gòu)建如下：

其中，t₁為常數(shù)，exp(·)表示指數(shù)函數(shù)，||·||₂表示取2范數(shù)，x_i與x_j分別表示訓(xùn)練樣本列向量集合X中的第i個列向量和第j個列向量，i,j＝1,2,...,N，N表示訓(xùn)練樣本列向量的個數(shù)。

步驟4.2，構(gòu)建差異性矩陣D，其中每一個元素D_ij的構(gòu)建如下：

其中，t₂為常數(shù)，N_k(x_i)表示訓(xùn)練樣本列向量x_i的k個近鄰列向量，N_k(x_j)表示x_j的k個近鄰列向量；訓(xùn)練樣本列向量x_i的k個近鄰列向量指的是，與訓(xùn)練樣本列向量x_i距離最近的k個列向量，訓(xùn)練樣本列向量x_j的k個近鄰列向量指的是，與訓(xùn)練樣本列向量x_j距離最近的k個列向量。

步驟5，基于相似性矩陣S，構(gòu)建能夠保持?jǐn)?shù)據(jù)局部特性的目標(biāo)函數(shù)J₁，基于差異性矩陣D，構(gòu)建能夠保持?jǐn)?shù)據(jù)差異特性的目標(biāo)函數(shù)J₂：

步驟5.1，構(gòu)建目標(biāo)函數(shù)J₁：

其中，y_i與y_j分別表示訓(xùn)練樣本特征向量集合Y中的第i個列向量和第j個列向量，min(·)表示求最小值操作。

步驟5.2，構(gòu)建目標(biāo)函數(shù)J₂：

其中，max(·)表示求最大值操作。

步驟6，融合目標(biāo)函數(shù)J₁和目標(biāo)函數(shù)J₂，得到能捕獲數(shù)據(jù)全局結(jié)構(gòu)特性的目標(biāo)函數(shù)J₃，采用公式如下：

J₃＝J₁-J₂ (5)

步驟7，利用拉格朗日乘子法求解目標(biāo)函數(shù)J₃，得到投影矩陣A。本步驟的具體實現(xiàn)如下：

步驟7.1：給目標(biāo)函數(shù)J₃添加約束條件A^TXBX^TA＝I，可得

其中，A^TX＝Y(jié)，A表示投影矩陣，B＝H-G，H為對角矩陣，其對角線元素為相似性矩陣S的行和，G為對角矩陣，對角線元素為差異性矩陣D的行和，L＝L₁-L₂，L₁＝H-S，L₂＝G-D，s.t.表示約束條件，Tr(·)表示求矩陣的跡，(·)^T表示求矩陣的轉(zhuǎn)置，I表示單位陣；

步驟7.2：利用拉格朗日乘子法，求解公式(6)所示的含有約束條件的最小值問題，得到如下公式：

XLX^TA＝λXBX^TA (7)

其中，λ表示拉格朗日乘子。

步驟7.3：求解公式(7)，得到d個最小非零特征值0＜λ₁≤λ₂≤...≤λ_d對應(yīng)的特征向量a₁,a₂,...,a_d，利用特征向量a₁,a₂,...,a_d構(gòu)建投影矩陣A＝{a₁,a₂,...,a_d}。

步驟8，對步驟3中的訓(xùn)練樣本列向量集合X利用投影矩陣A進(jìn)行降維處理，得到訓(xùn)練樣本特征向量集合Y，Y＝A^TX，對步驟3中的測試樣本列向量Z利用投影矩陣A進(jìn)行降維處理，得到測試樣本特征向量M，M＝A^TZ。

步驟9，將測試樣本特征向量M和訓(xùn)練樣本特征向量集合Y均輸入最近鄰分類器，最近鄰分類器自動輸出測試樣本圖像中的待識別目標(biāo)所屬樣本類別，得到最終的識別結(jié)果。

仿真條件：

仿真實驗環(huán)境為：MATLAB R2011a，Intel(R)Core(TM)2Duo CPU 2.53GHz，Window XP專業(yè)版。

仿真內(nèi)容與結(jié)果分析：

本發(fā)明的實驗數(shù)據(jù)，采用美國“運動和靜止目標(biāo)獲取與識別”項目組，在互聯(lián)網(wǎng)上所公開的實測數(shù)據(jù)。

選取BMP2步兵戰(zhàn)車、BTR70裝甲車和T72主戰(zhàn)坦克三類目標(biāo)。其中BMP2有sn-9563、sn-9566、sn-c21 3種不同的型號；BTR70的型號為sn-c71；T72有sn-132、sn-812、sn-s7 3種不同的型號。實驗中采用SAR在俯仰角為17°時的圖像作為訓(xùn)練樣本，俯仰角為15°時的圖像作為測試樣本。所有圖像的大小均為128像素×128像素，聚束模式下獲得的SAR圖像的距離分辨率和方位分辨率為0.3米×0.3米，圖像的方位覆蓋范圍為0°～360°，采用雷達(dá)在俯仰角為17°時的成像數(shù)據(jù)作為訓(xùn)練樣本，雷達(dá)在俯仰角為15°時的成像數(shù)據(jù)作為測試樣本。

訓(xùn)練樣本和測試樣本的型號和樣本個數(shù)如表1所示。

表1訓(xùn)練樣本與測試樣本的型號及樣本個數(shù)

仿真1，采用本發(fā)明對BMP2數(shù)據(jù)進(jìn)行識別，結(jié)果如表2所示。由表2可見，采用本發(fā)明可以取得最高的正確識別率，平均識別率比基于線性判決分析(Linear Discriminant Analysis，LDA)的識別方法、基于主成分分析(Principal Component Analysis，PCA)的識別方法和基于局部保持投影(Locality Preserving Projection，LPP)的識別方法的識別率分別高出51.79％、25.72％、12.10％。

表2 BMP2目標(biāo)型號識別結(jié)果

仿真2，采用本發(fā)明對T72數(shù)據(jù)進(jìn)行識別，結(jié)果如表3所示。由表3可見，采用本發(fā)明獲得的正確識別率仍然是最優(yōu)的。平均識別率比基于LDA的識別方法、基于PCA的識別方法和基于LPP的識別方法的識別率分別高出40.55％、18.05％、4.99％。

表3 T72目標(biāo)型號識別結(jié)果

仿真3，對表1所示的3類7個型號數(shù)據(jù)進(jìn)行識別，結(jié)果如表4所示。由表4可見，本發(fā)明由于不僅保持了同類數(shù)據(jù)的局部結(jié)構(gòu)特性，而且在特征空間里增大了異類相似目標(biāo)之間的距離，對識別有利的信息保持的更加完整，在和LDA、PCA以及LPP的對比中取得了最好的識別結(jié)果。圖2給出了不同方法對各個型號目標(biāo)的識別結(jié)果對比，圖3給出了不同方法下的識別率隨特征維數(shù)變化曲線，從中均可看出利用本發(fā)明進(jìn)行SAR目標(biāo)型號識別的優(yōu)越性。

表4 7個型號目標(biāo)識別結(jié)果

目標(biāo)的型號識別可提供更多目標(biāo)的細(xì)節(jié)信息，但其較之于類型識別也更加難以實現(xiàn)，對特征提取的要求更高。在對目標(biāo)細(xì)節(jié)信息捕獲和描述要求較高的條件下，采用本發(fā)明實現(xiàn)高精度的目標(biāo)型號識別是一種有效的解決方法。