基于正則化局部保持投影的SAR變形目標(biāo)識(shí)別方法技術(shù)

本發(fā)明專利技術(shù)公開(kāi)了一種基于正則化局部保持投影的SAR變形目標(biāo)識(shí)別方法，包括以下步驟：利用SAR成像方法獲取訓(xùn)練樣本圖像和測(cè)試樣本圖像；結(jié)合樣本類別信息，構(gòu)建目標(biāo)的相似性矩陣；基于相似性矩陣，構(gòu)建能夠保持?jǐn)?shù)據(jù)局部特性的目標(biāo)函數(shù)；對(duì)目標(biāo)函數(shù)進(jìn)行正則化處理；根據(jù)正則化處理結(jié)果得到投影矩陣；利用投影矩陣對(duì)訓(xùn)練樣本圖像和測(cè)試樣本圖像進(jìn)行降維處理，得到訓(xùn)練樣本特征向量集合和測(cè)試樣本特征向量；將訓(xùn)練樣本特征向量集合和測(cè)試樣本特征向量輸入到最近鄰分類器中，輸出最終的識(shí)別結(jié)果。本發(fā)明專利技術(shù)通過(guò)正則化處理方法，有效地解決了局部保持投影方法中存在的矩陣奇異性問(wèn)題，減少了信息的損失，采用最近鄰分類器進(jìn)行分類判決，實(shí)現(xiàn)變形目標(biāo)的識(shí)別。

SAR deformable object recognition method based on regularized locality preserving projections

The invention discloses a deformable target recognition method of regularization based on locality preserving projection SAR, which comprises the following steps: obtaining training samples and test samples of image image using SAR imaging method; with the sample category information, similarity matrix construction; similarity matrix based on the construction of the objective function can keep the data of the local characteristics; regularization of the objective function; according to the regularization results of projection matrix; to reduce the dimension of the training sample and test sample image image by using the projection matrix, get the training samples and test samples of feature vectors are eigenvectors; the training samples and test samples of feature vector set feature vector input to the nearest neighbor classifier, the final output the recognition results. The present invention through regularization method can effectively solve the problems of singular locality preserving projection method, reduce the loss of information, the nearest neighbor classifier is used for classification, recognition of target deformation.

【技術(shù)實(shí)現(xiàn)步驟摘要】
基于正則化局部保持投影的SAR變形目標(biāo)識(shí)別方法
本專利技術(shù)屬于圖像處理
，更進(jìn)一步涉及圖像解譯和分析、精確識(shí)別應(yīng)用領(lǐng)域中的一種基于正則化局部保持投影的SAR變形目標(biāo)識(shí)別方法。本專利技術(shù)可以實(shí)現(xiàn)高精度的SAR變形目標(biāo)識(shí)別。
技術(shù)介紹
基于合成孔徑雷達(dá)(SyntheticApertureRadar，SAR)圖像的目標(biāo)識(shí)別是SAR圖像理解和分析的重要組成部分，也是SAR圖像處理和模式識(shí)別領(lǐng)域的研究熱點(diǎn)。變形目標(biāo)識(shí)別是指從觀測(cè)到的SAR圖像中，找到可能的目標(biāo)并識(shí)別出其型號(hào)，其關(guān)鍵是提取出能準(zhǔn)確描述不同型號(hào)目標(biāo)之間差異的特征，目標(biāo)的不同型號(hào)代表了目標(biāo)不同的配置情況，同類不同型號(hào)的目標(biāo)稱之為變形目標(biāo)，變形主要是指目標(biāo)的配置有差異，比如同一類坦克上有無(wú)機(jī)關(guān)槍、油箱，天線是否展開(kāi)等。傳統(tǒng)的SAR目標(biāo)識(shí)別方法是針對(duì)類的識(shí)別，即同類不同型號(hào)的樣本在識(shí)別時(shí)被歸為同一類別的目標(biāo)，然而，實(shí)現(xiàn)高精度的變形目標(biāo)識(shí)別對(duì)于戰(zhàn)場(chǎng)感知、精確打擊等希望獲取目標(biāo)詳細(xì)信息等應(yīng)用領(lǐng)域是非常必要的。特征提取是目標(biāo)識(shí)別的關(guān)鍵，目的是從眾多特征中找出最有效的特征進(jìn)行識(shí)別。子空間分析法因其描述性強(qiáng)、計(jì)算代價(jià)小、易實(shí)現(xiàn)及可分性好等特點(diǎn)，被廣泛地應(yīng)用于特征提取中。主成分分析(PrincipalComponentAnalysis，PCA)，線性判決分析(LinearDiscriminantAnalysis，LDA)是其中的兩個(gè)典型方法，兩者都是在假設(shè)數(shù)據(jù)是全局線性結(jié)構(gòu)的前提下，基于歐式空間的線性降維方法。局部保持投影(LocalityPreservingProjections，LPP)是一種基于流形學(xué)習(xí)的子空間分析方法，其基本思想是保持降維前后數(shù)據(jù)的局部結(jié)構(gòu)不變，解決了傳統(tǒng)的基于歐式空間的線性降維方法難以保持?jǐn)?shù)據(jù)非線性流形結(jié)構(gòu)的缺點(diǎn)。局部保持投影是一種能準(zhǔn)確描述數(shù)據(jù)實(shí)際分布的流形學(xué)習(xí)方法，可以有效地捕獲目標(biāo)的局部信息。然而此方法采用PCA方法對(duì)數(shù)據(jù)進(jìn)行降維以解決矩陣奇異性問(wèn)題，會(huì)產(chǎn)生較多的信息損失，而且，該方法無(wú)法實(shí)現(xiàn)數(shù)據(jù)全局結(jié)構(gòu)的捕獲、描述與保持。
技術(shù)實(shí)現(xiàn)思路
針對(duì)上述現(xiàn)有技術(shù)中存在的問(wèn)題或缺陷，本專利技術(shù)的目的在于，提供一種基于正則化局部保持投影的SAR變形目標(biāo)識(shí)別方法，其有效地解決了LPP方法中存在的矩陣奇異性問(wèn)題，減少了信息的損失，可高精度的實(shí)現(xiàn)變形目標(biāo)的識(shí)別。為了實(shí)現(xiàn)上述目的，本專利技術(shù)采用如下技術(shù)方案：基于正則化局部保持投影的SAR變形目標(biāo)識(shí)別方法，包括以下步驟：步驟1，利用SAR成像方法針對(duì)多個(gè)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(duì)每一個(gè)訓(xùn)練樣本目標(biāo)獲取的不同方位角下的多個(gè)訓(xùn)練樣本圖像劃分為同一個(gè)樣本類別；利用利用SAR成像方法獲取包含有待識(shí)別目標(biāo)的圖像，作為測(cè)試樣本圖像；步驟2，對(duì)每一幅訓(xùn)練樣本圖像和測(cè)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(cè)試樣本圖像；預(yù)處理包括截取子圖像和標(biāo)準(zhǔn)直方圖均衡化；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(gè)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(duì)預(yù)處理后的測(cè)試樣本圖像，將其所有像素值按列取出，排成測(cè)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；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；步驟6，對(duì)目標(biāo)函數(shù)J1添加約束條件得到包含有約束條件的優(yōu)化問(wèn)題，利用拉格朗日乘子法求解優(yōu)化問(wèn)題得到計(jì)算結(jié)果，對(duì)計(jì)算結(jié)果進(jìn)行正則化處理，得到正則化處理結(jié)果；求解正則化處理結(jié)果得到投影矩陣A；步驟7，對(duì)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(duì)步驟3中的測(cè)試樣本列向量Z利用投影矩陣A進(jìn)行降維處理，得到測(cè)試樣本特征向量M；步驟8，將測(cè)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(dòng)輸出測(cè)試樣本圖像中的待識(shí)別目標(biāo)所屬樣本類別，得到最終的識(shí)別結(jié)果。具體地，所述步驟2中的針對(duì)訓(xùn)練樣本圖像的預(yù)處理過(guò)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(gè)目標(biāo)的圖像，作為訓(xùn)練樣本子圖像；對(duì)截取的訓(xùn)練樣本子圖像進(jìn)行標(biāo)準(zhǔn)直方圖均衡化得到均衡化后的圖像，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(gè)元素Sij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)，xi與xj分別表示訓(xùn)練樣本列向量集合X中的第i個(gè)列向量和第j個(gè)列向量，i,j＝1,2,...,N，N表示訓(xùn)練樣本列向量的個(gè)數(shù)。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，yi與yj分別表示訓(xùn)練樣本特征向量集合Y中的第i個(gè)列向量和第j個(gè)列向量，min(·)表示求最小值操作。具體地，所述步驟6中的對(duì)目標(biāo)函數(shù)J1添加約束條件得到包含有約束條件的優(yōu)化問(wèn)題，利用拉格朗日乘子法求解優(yōu)化問(wèn)題得到計(jì)算結(jié)果，對(duì)計(jì)算結(jié)果進(jìn)行正則化處理，得到正則化處理結(jié)果；求解正則化處理結(jié)果得到投影矩陣A，具體包括以下步驟：步驟6.1，給目標(biāo)函數(shù)J1添加約束條件ATXDXTA＝I，可得其中，ATX＝Y(jié)，A表示投影矩陣，D為對(duì)角矩陣，其對(duì)角線元素或?yàn)橄嗨菩跃仃嘢的行和或列和，S為一個(gè)對(duì)稱矩陣，L＝D-S為拉普拉斯矩陣，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6.2，利用拉格朗日乘子法，求解步驟6.1中的公式所示的含有約束條件的最小值問(wèn)題，得到如下公式：XLXTA＝λXDXTA其中，λ表示拉格朗日乘子；步驟6.3，對(duì)步驟6.2中的公式進(jìn)行正則化處理，按照如下公式進(jìn)行：XLXTA＝λ(XDXT)newA(XDXT)new＝XDXT+λ0I其中，λ0為對(duì)矩陣XDXT進(jìn)行特征分解后得到的所有特征值中最大的特征值。步驟6.4，求解步驟6.3中的公式，得到d個(gè)最大非零特征值λ1≥λ2≥...≥λd對(duì)應(yīng)的特征向量a1,a2,...,ad，利用特征向量a1,a2,...,ad構(gòu)建投影矩陣A＝{a1,a2,...,ad}。具體地，所述步驟7中的對(duì)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＝ATX對(duì)步驟3中的測(cè)試樣本列向量Z利用投影矩陣A進(jìn)行降維處理，得到測(cè)試樣本特征向量M，采用的公式如下：M＝ATZ其中，AT表示投影矩陣A的轉(zhuǎn)置。與現(xiàn)有技術(shù)相比，本專利技術(shù)具有以下技術(shù)效果：本專利技術(shù)利用局部保持投影實(shí)現(xiàn)數(shù)據(jù)局部結(jié)構(gòu)的有效保持，利用數(shù)據(jù)的先驗(yàn)類別信息來(lái)構(gòu)建相似度矩陣實(shí)現(xiàn)數(shù)據(jù)全局拓?fù)浣Y(jié)構(gòu)的保持，從而實(shí)現(xiàn)局部結(jié)構(gòu)信息和全局拓?fù)浣Y(jié)構(gòu)信息的聯(lián)合提取；本專利技術(shù)通過(guò)一種正則化處理方法，有效地解決了局部保持投影方法中存在的矩陣奇異性問(wèn)題，減少了信息的損失。附圖說(shuō)明圖1是不同方位角下7個(gè)變形目標(biāo)訓(xùn)練樣本的SAR圖像；圖2是采用不同方法針對(duì)不同型號(hào)的樣本得到的目標(biāo)識(shí)別率隨特征維數(shù)的變化曲線，其中，(a)表示采用不同方法針對(duì)型號(hào)為BMP2-sn-9563的樣本得到的目標(biāo)識(shí)別率隨特征維數(shù)的變化曲線；(b)表示采用不同方法針對(duì)型號(hào)為BMP2-sn-9566的樣本得到的目標(biāo)識(shí)本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
基于正則化局部保持投影的SAR變形目標(biāo)識(shí)別方法，其特征在于，包括以下步驟：步驟1，利用SAR成像方法針對(duì)多個(gè)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(duì)每一個(gè)訓(xùn)練樣本目標(biāo)獲取的不同方位角下的多個(gè)訓(xùn)練樣本圖像劃分為同一個(gè)樣本類別；利用利用SAR成像方法獲取包含有待識(shí)別目標(biāo)的圖像，作為測(cè)試樣本圖像；步驟2，對(duì)每一幅訓(xùn)練樣本圖像和測(cè)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(cè)試樣本圖像；預(yù)處理包括截取子圖像和標(biāo)準(zhǔn)直方圖均衡化；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(gè)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(duì)預(yù)處理后的測(cè)試樣本圖像，將其所有像素值按列取出，排成測(cè)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；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)J

【技術(shù)特征摘要】
1.基于正則化局部保持投影的SAR變形目標(biāo)識(shí)別方法，其特征在于，包括以下步驟：步驟1，利用SAR成像方法針對(duì)多個(gè)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(duì)每一個(gè)訓(xùn)練樣本目標(biāo)獲取的不同方位角下的多個(gè)訓(xùn)練樣本圖像劃分為同一個(gè)樣本類別；利用利用SAR成像方法獲取包含有待識(shí)別目標(biāo)的圖像，作為測(cè)試樣本圖像；步驟2，對(duì)每一幅訓(xùn)練樣本圖像和測(cè)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(cè)試樣本圖像；預(yù)處理包括截取子圖像和標(biāo)準(zhǔn)直方圖均衡化；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(gè)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(duì)預(yù)處理后的測(cè)試樣本圖像，將其所有像素值按列取出，排成測(cè)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；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；步驟6，對(duì)目標(biāo)函數(shù)J1添加約束條件得到包含有約束條件的優(yōu)化問(wèn)題，利用拉格朗日乘子法求解優(yōu)化問(wèn)題得到計(jì)算結(jié)果，對(duì)計(jì)算結(jié)果進(jìn)行正則化處理，得到正則化處理結(jié)果；求解正則化處理結(jié)果得到投影矩陣A；步驟7，對(duì)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(duì)步驟3中的測(cè)試樣本列向量Z利用投影矩陣A進(jìn)行降維處理，得到測(cè)試樣本特征向量M；步驟8，將測(cè)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(dòng)輸出測(cè)試樣本圖像中的待識(shí)別目標(biāo)所屬樣本類別，得到最終的識(shí)別結(jié)果。2.如權(quán)利要求1所述的基于正則化局部保持投影的SAR變形目標(biāo)識(shí)別方法，其特征在于，所述步驟2中的針對(duì)訓(xùn)練樣本圖像的預(yù)處理過(guò)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(gè)目標(biāo)的圖像，作為訓(xùn)練樣本子圖像；對(duì)截取的訓(xùn)練樣本子圖像進(jìn)行標(biāo)準(zhǔn)直方圖均衡化得到均衡化后的圖像，即為預(yù)處理后的訓(xùn)練樣本圖像。3.如權(quán)利要求1所述的基于正則化局部保持投影的SAR變形目標(biāo)識(shí)別方法，其特征在于，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(gè)元素Sij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)，xi與xj分別表示訓(xùn)練樣本列向量集合X中的第i個(gè)列向...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉明，汪西莉，武杰，孫增國(guó)，洪靈，
申請(qǐng)(專利權(quán))人：陜西師范大學(xué)，
類型：發(fā)明
國(guó)別省市：陜西,61