联合多特征的MSTAR数据集SAR目标识别方法

提出联合Zernike矩、核主成分分析(kernel principal component analysis,KPCA)及单演信号特征的合成孔径雷达(synthetic aperture radar,SAR)目标识别方法,3类特征分别描述SAR目标几何形状特征、投影特征及图像分解特征,联合使用可以有效增强对目标的描述。分类阶段采用联合稀疏表示对测试样本的3类特征进行表征。对于3类特征的输出误差矢量,采用多组权值矢量进行加权融合,进而根据最终融合的误差判定测试样本的目标类别。基于MSTAR(moving and stationary target acquisition and recognition)数据集的标准操作条件、扩展操作条件及少量训练样本条件对所提方法进行测试,结果验证了所提方法的有效性、稳健性及对少量训练样本的适应性。

基于改进D-S证据理论的数据融合目标分类

首先采用分类算法对MSTAR数据集进行十类目标分类识别、三类目标的变体分类识别,然后根据分类调参过程中的先验知识修正证据即分类器输出,构造基本置信函数,并采用改进的合成规则即基于冲突系数K和Pignistic概率距离相结合的冲突度量方法,对冲突证据采用按比例分配冲突度的合成规则进行合成。未融合时,三类目标的变体分类准确率最高为93.553%,融合后三类目标变体分类识别率为95.092%,提升幅度约是理想状态的37%。

基于协同编码分类器的SAR目标识别方法

合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别(Automatic Target Recognition,ATR)是SAR图像解译的关键技术之一。本文提出了基于协同编码分类器的SAR目标识别方法。协同编码采用所有类别训练样本构建的全局字典最优重构测试样本,并根据各类别的重构误差判定目标类别。相比稀疏表示的方法,协同编码的策略可以提升少量训练样本对于测试样本的表示能力。针对SAR目标识别,训练样本的资源十分有限。因此,协同编码表示更为适用。采用MSTAR十类目标数据集在多种条件下进行了目标识别实验并与其它分类器进行了对比。实验结果表明,本文方法在标准操作条件、型号变化、俯仰角变化以及少量训练样本等条件下均可以觉得优越的识别性能,证明了其有效性。

高斯过程模型在SAR图像目标识别中的应用

将高斯过程模型应用于合成孔径雷达(SAR)图像目标识别。高斯过程模型是基于贝叶斯框架的统计学习算法,通过结合核函数和和概率判别构建分类模型。与传统分类模型相比,高斯过程模型可以获得更高的分类效率和精度。方法实施过程中,采用SAR图像的特征矢量作为输入,以目标类别标签作为输出训练高斯过程模型。对于待识别样本,通过计算其在高斯过程模型下属于各个类别的后验概率判定其目标类别。实验中,依托MSTAR数据集在典型条件下开展测试。根据实验结果,所提方法在标准操作条件下对10类目标识别精度达到99.28%;在30°和45°俯仰角下的平均识别率分别为98.04%和73.13%;在噪声干扰各个信噪比条件下均保持最高性能。实验结果验证了所提方法的有效性和稳健性。

SAR目标轮廓匹配及其在目标识别中的运用

为提高合成孔径雷达目标识别性能,提出一种基于目标轮廓匹配的目标识别方法,目标轮廓描述目标的几何外形分布以及尺寸信息,是广泛应用于目标识别的特征之一。将目标轮廓进行分段,采用部分Hausdorff距离度量各个分段的距离,通过科学综合各个分段的部分Hausdorff距离,设计目标轮廓的距离测度,根据具有最小距离的原则判断目标类型。分段匹配的策略有效避免了轮廓提取误差以及目标部分遮挡对于目标识别的不良影响,提高了识别算法的稳健性。通过在MSTAR数据集的多种条件下进行实验,验证了提出方法有效性和稳健性。

基于非下采样剪切波特征提取的SAR图像目标识别方法

针对现有合成孔径雷达(SAR)图像特征提取方面的不足,提出基于非下采样剪切波(NSST)特征提取的SAR目标识别方法。该方法采用NSST对SAR图像进行分解获得多层次的子代图像,这些子代图像具有良好的平移不变性并且可以很好地反映目标的主要和细节特征。在分类阶段,采用联合稀疏表示对多层次NSST子代图像进行联合表征;联合稀疏表示在独立表示各个分量的同时考察了不同分量之间的相关性,因此可以有效提高联合表征的精度;最终,根据整体重构误差判定测试样本的目标类别。基于MSTAR数据集对提出方法进行测试,实验结果分析表明该方法在标准操作条件、型号差异、俯仰角差异以及噪声干扰的条件下均可以保持优异性能。