文摘

合成孔径雷达(SAR)的目标识别方法,提出了通过对全球和本地词典线性表示。执行协作表示在本地词典,它由一个类的训练样本。然后,重建错误代表测试样本反映的绝对代表功能不同的培训课程。因此,目标标签可以直接决定当一个类实现一个重建误差明显低于其他人。否则,多个候选类相对较低的重建错误被选为候选类形成全球词典,基于稀疏表示的分类(SRC)执行。SRC的重建误差也会产生候选类,反映他们的相对表现能力测试样本。综合考虑,重建错误和SRC融合协作表示的决策。因此,该方法可以继承的高效协作表示。此外,候选人的选择培训课程也在SRC减轻计算负担。通过结合绝对和相对表示能力,最后还可以提高分类精度。 During the experimental evaluation, the Moving and Stationary Target Acquisition and Recognition (MSTAR) dataset is employed to test the proposed method under several different operating conditions. The proposed method is compared with some other SAR target recognition methods simultaneously. The results show the superior performance of the proposed method.

1。介绍

合成孔径雷达(SAR)日夜工作提供高分辨率观测地面场景。具体来说,战场信息领域的收购,通常是采用自动目标识别(ATR)技术来确定标签SAR图像中感兴趣的目标。在过去的三十年,一组丰富的SAR ATR方法已经被开发出来,通常可以分为两个主要mainstreams-template-based和基于模型的却是让不同的描述目标的特征(1]。半自动图像智能处理(SAIP)项目是一个典型的基于模板的SAR ATR系统中,在传统的三级处理过程,提出了。、目标探测、歧视,和分类(2]。基于模板的模板图像目标特征描述的方法来衡量不同条件。模板集是第一个由SAR图像从不同观点的角度,背景,目标配置,等。后来,分类阶段构建之间的关系与模板类测试样本进行分类。最后,最高的模板类匹配分数(关系)与测试样本确定目标类。相比之下,使用CAD模型描述目标(基于模型的方法3,全球散射中心模型4,5)等。移动和静止目标获取与识别(MSTAR)项目(4)提供了一个可行的方式进行基于模型的SAR ATR,在CAD模型被用来预测目标的签名。近年来,三维散射中心模型复杂的目标是开发和应用到SAR ATR的简洁形式和高灵活性[4,5]。由于MSTAR数据集的释放,许多模式识别技术被使用或改进加强包括特征提取方法和分类器的识别性能。各种类型的功能是传达在SAR图像目标的特征提取。用于描述几何特性的物理大小或形状目标如目标轮廓(6,7)、地区(8- - - - - -11),和影子12]。投影特性描述中提取目标的强度分布的形象用数学转换(例如,主成分分析(PCA) (13),非负矩阵分解(NMF) [14),和其他流形学习算法(15- - - - - -17])或信号处理技术(如小波(18)和单基因信号(19,20.])。当工作在高频区域,整个目标的后向散射场可以被视为多个散射中心的总和(21,22]。因此,散射中心也适合使用SAR ATR-like由于散射中心(23- - - - - -26]。根据提取的特征,分类器的设计是决定目标标签。最近邻(NN) [13,27),支持向量机(SVM) [28,29日(SRC)[],稀疏表示分类29日- - - - - -31日),自适应提高(32),和最近的深度学习分类器(例如,卷积神经网络(CNN) (33- - - - - -37)在SAR ATR流行的分类方案。

SRC是一个分类器,起源于压缩传感理论,首先应用于人脸识别的莱特等。38]。结果证明它的优越性在传统神经网络和支持向量机等特点尤其是一些讨厌的情况如噪声的鲁棒性腐败和部分遮挡。刘和李将SRC带入SAR目标的分类和验证其有效性29日]。此后,许多SAR ATR方法采用SRC为基本分类器而做出一些改进19,20.,30.]。在这些文献报道,SRC背后的基本思想是基于全球的测试样本的线性表示字典比较由不同的类和重建错误。理想情况下,训练样本正确的类可以最好的重建误差最小的测试样本;因此,目标标签可以正确地决定。本质上,来自不同阶层的重建误差实际上反映了它们的相对表现能力代表测试样本。然而,绝对代表不同的培训课程的功能并不完全在传统SRC相比。作为一个可靠的决策,正确的类应该能够近似测试样本与一个小错误之前验证其能力绝对表示比较的相对表现能力不同的类。因此,本研究提出了一种SAR ATR方法通过两阶段在局部和全局字典稀疏表示。本地词典是由单独的类的测试样本。然后,在每个本地词典,协作表示执行(39]。不同的稀疏表示,最好协作表示旨在重建测试样本使用本地字典中的所有原子无约束线性系数。因此,协作表示可以用高精度实现分析解决方案。因此,它可以得到更有效的重建结果比传统稀疏表示。通过比较重建通过协作表示不同类型的错误,绝对代表功能可以比较,确定目标提供良好的参考标签。当一个类的重建误差明显低于其他人,可以直接决定目标标签。否则,当超过一个类股接近重建错误,绝对表示目前的能力是不可靠的分类任务单。在这种情况下,较低的类重建错误被选为候选人形成全球词典,根据测试样本由SRC进一步分类。之后,重建错误SRC的融合与协同表示分类。这样,绝对和相对表现的能力一定可以利用培训班。 In addition, the selection of the candidate classes for the global dictionary can effectively reduce the computational complexity and interferences from the wrong classes during SRC. Therefore, both the effectiveness and efficiency during the classification can be enhanced.

本研究的其余部分被组织为追随者。节2,当地协作表示字典了。部分3描述了SRC /全球词典由候选类从协作中选择表示阶段。节4,提出了目标识别算法通过两阶段稀疏表示是解释说。实验研究部分5MSTAR数据集。部分6使本研究的结论基于实验结果。

2。协作表示在本地词典

协作表示(39张等人提出的)是应用于人脸识别。与稀疏表示相比,协作表示试图线性表示最小误差的测试样本。因此,协作表示是一个凸优化问题的分析解决方案。至于目标分类,不同类别的重建误差相比,误差最小的决心是目标标签。在这项研究中,协作表示用于评估不同阶层的绝对表现功能。不同的策略(28),本文在当地执行协作表示词典由单个类的训练样本。因此,可以充分利用每个培训班代表测试样本。然后,重建误差的不同的类协作表示在本地词典可以更好地反映他们的绝对代表能力。

表示训练样本th类 ,在哪里是原子的尺寸。测试样本th类可以是线性表示如下: 在哪里 表示线性系数向量。

协作表示,解决线性系数向量是获得使用拉格朗日公式如下:

这个问题在方程(2)是一个凸优化问题,封闭的解 在哪里表示单位矩阵是正规化的因素。

的估计系数向量 ,重建的错误可以计算不同的培训课程如下:

不同类别的重建误差实际上反映了精确线性表示测试样本。从这个意义上说,它们可以用来决定目标标签根据规则的最小误差

在方程(决策规则5)比较不同阶层的绝对代表功能来确定目标标签。然而,当最小重建误差特别是接近其他类,决定从方程(5)被认为是不够可靠。因此,在这项研究中,作了一些修改传统的决策规则。表示所有的重建误差最小,修改后的决策规则如下:

在方程(6),表示阈值来评估之间的差异最小重建误差和其他的。因此,当最小重建误差明显低于其他人,协作的决定表示被认为可靠的。否则,决定不采纳,但一些候选的类可以选择。候选类是被认为是潜在的目标测试样本的标签而没有选择不正确的标签高概率。在这项研究中,类与重建误差低于阈值选为候选的类,用于构建全球SRC字典。在细节中,我们定义了两个阈值和作为 和 ,分别在哪里 。

3所示。SRC /全球词典

SRC与成功的应用程序是一个流行的分类器对模式识别领域,例如,人脸识别(36和SAR目标识别28- - - - - -30.]。在测试样本的线性表示对全球词典,系数向量的稀疏约束分配 在哪里 代表了全球词典组成的n从所有的训练样本C类;和分别表示的稀疏系数向量和宽容错误。

与协作的解决方案表示,问题在方程(7)是一个非凸的 - - - - - -规范的目标。提高解决方案的效率, - - - - - -规范放松(38]或一些贪心算法(例如,正交匹配追踪(OMP)) (30.)可以用来获得一个接近的解决方案。类似于方程(决策机制5),SRC分类目标标签培训班,达到最小重建误差。

根据方程(7),测试样本的表示精度密切相关的完整性全球词典。如果字典可以覆盖测试样本的状况,然后是一个正确的线性表示。从这个意义上说,一个庞大而全面的字典是首选。然而,当字典的原子,太多了稀疏系数的解决方案变得复杂。在报道30.)的复杂性OMP算法求解稀疏表示问题 ,在哪里表示稀疏的水平,是原子的数目,是原子的维数。

因此,最好的选择是构建一个全球词典,它只包含了高度可能的类标签的测试样本。然后,高时间消费和干扰造成的冗余类是可以避免的。根据分类方案基于协作表示,它可以作为预选选择建立一个合适的候选人类全球对SRC的字典。

很容易得到一个精确的解决方案使用与SRC中的协作表示。所以,不同类型的表示精度测试样本可以更好的比较。然而,SRC /全球词典可以反映不同类型的相对表现能力在一个统一的框架。因此,它是一个可行的方法结合协作的结果表示和SRC,全面评估测试样本之间的相关性或差异,每个培训班。然后,最终的分类精度可以充满希望地增强。

4所示。目标识别

在这项研究中,协作表示和SRC共同用于全面评价的绝对和相对表示功能不同的培训课程,以形成强大的决策。图1显示了该方法的总体思路,它可以分为两个阶段。

在第一阶段,协作表示用于分类根据决策规则在方程(6)。在这种情况下,当一个类显著优于其他绝对表示能力,可以直接确定目标标签。否则,选择候选类是基于重建错误形成全球词典SRC在第二阶段。协作的重建误差表示和SRC融合形成更健壮的决定。与SRC相比,该方法包含协作表示预选,更高的效率。对于那些测试样品,可以可靠地分类的协作表示,没有必要进行进一步SRC。此外,协作表示选择候选类SRC,从而有效地缓解类的干扰,尤其是低相似的测试样本。因此,它有助于提高分类精度在SRC以及效率。表示选定的候选人从协作表示类 ,在哪里对应于原始类指数,并重建错误的合作表示和SRC候选类 和 ,分别。当没有可靠的决定从协作表示,这两个是线性融合,重建错误 在哪里和是权重。本研究定义了 和 对SRC更为重要,因为协作表示在这种情况下不能实现一个可靠的决策。基于融合重建错误,可以决定目标标签。

5。实验

5.1。实验装置

MSTAR数据集用于全面考察该方法的性能。数据集收集十个不同的地面目标的SAR图像机载x波段SAR不同角度传感器等各种操作条件下或配置。图2显示了10个目标的光学图像。表1显示了训练和测试样本的实验装置标准操作条件下(SOC)。图像在17°俯角采用训练样本而在15°抑郁角度进行分类。此外,该数据集包含了一些扩展操作条件(转换端)配置方差和俯角方差。此外,通过简单的模拟,可以模拟一些额外的而是EOCs噪音腐败和部分遮挡等实验评价。

一些其他方法在当前文献中用于比较的实验包括资讯,支持向量机,SRC, SRC, CNN。他们给出了实现细节如下。(我)然而,。邻居”的数量”设置为3,采用欧氏距离之间的距离测量测试样本和训练的(2)支持向量机。LIBSVM [40是用于执行多类支持向量机和参数(例如,内核参数和成本因素)决心通过交叉验证(3)SRC。稀疏表示是对全球执行字典包含所有的培训课程。稀疏的水平和错误宽容与该方法是一致的(iv)儿童权利公约。协作表示分类(CRC) (39]介绍了SAR ATR相比较而言,这是在全球执行字典(v)美国有线电视新闻网。网络设计(33)用于比较

公平的比较,采用PCA特征提取方法,然而,支持向量机,SRC,维度和CRC的功能是设置为80。CNN进行基于图像强度的训练和分类。在本节的其余部分,SOC是首先建立测试方法。后来,不同类型的而是EOCs用于评估该方法的鲁棒性。

5.2。识别在SOC的十级目标

基于实验设置表1该方法首先是评估在SOC。十个目标记录的详细识别结果混淆矩阵图3识别率,对角元素代表了相应的目标。他们每个人可以分类的识别率超过97%,平均达到98.86%。BMP2和T72认可率最低的10个目标,因为有配置差异他们的训练和测试样本如表所示1。表2比较不同方法的性能。稍微的识别率高于CNN,提出的方法比其余的显著下降。深度学习技术,CNN是能够学习高度区别的特性,当训练样本足够的识别任务。在SOC测试样本与训练的CNN可以分享高相似性处理与即将来临的识别率非常高的效率,提出了一个。SRC和CRC相比,该方法有效地提高了识别性能通过结合自己的优势。不同分类方法的时间消耗一个图像也比较表2。对公平的比较,在PC平台上执行的所有方法分类与英特尔i7 3.4 GHz CPU和8 GB RAM。该方法显著提高了效率与传统的SRC。协作表示有一个分析的解决方案,可以解决在这种情况下以非常高的效率。在这个实验中,2144个3203个测试样本可以可靠地分类在协作表示。此外,候选人的选择类也减少了计算复杂度的SRC。因此,该方法的实际时间消耗可以降低。

5.3。配置差异

配置的各种常见的地面车辆目标。以坦克为例;盾牌和备用桶可以配置为不同的应用程序或删除。在这个实验中,训练和测试样本集在表3。上市,BMP2的配置和T72分类不同于他们的训练样本。的平均识别率表列出不同的方法4进行比较。因为现有的配置差异,所有方法的平均识别率降低而下的SOC。上该方法的鲁棒性,可能配置方差可以因为它的最高识别率进行验证。和SRC可以互补协作表示当评估的表示功能不同的培训课程。因此,他们的研究结果的结合能够更好地找到配置测试样本之间的差异和相应的培训班,这有助于提高分类精度下配置方差。CNN中识别率最高达到第二的所有方法由于其高的分类能力。然而,假设一个配置的网络训练时可能会失去一些有效性分类其他配置。因此,CNN和该方法之间的差距变得更加显著。

5.4。俯视角方差

这也是一个常见的情况,测试样本在萧条的角度分类收集不同于训练的。由于俯视角方差,测试和训练样本之间的相似性可能明显减少,导致更多的正确的目标识别障碍。训练和测试样本表列出了这个实验5,训练集的17°俯角而测试样本来自抑郁症30°、45°角。图4说明了俯角方差的影响在SAR图像捕获。很明显,图像在45°之间有很多差异,在17°。表6显示了该方法的结果在不同的抑郁角度,达到一个非常高的平均识别率为98.15%在30°俯角但在45°抑郁角急剧下降到72.06%。不同方法的性能在俯角方差比较图5股票类似的趋势,即。,high recognition rates at 30° depression angle but much lower ones at 45° depression angle. This is mainly because the images at 45° depression angle have many differences with the training samples at 17° depression angle as shown in Figure4。相比之下,该方法优于其他方法在抑郁的角度,俯角方差反映其优越的鲁棒性。

5.5。噪音腐败

实测SAR数据可能被污染的背景杂波或系统噪声(41,42),和喧闹的SAR图像在低信噪比(信噪比)是很难分类精度高得多。因此,它是必要的目标识别方法可以处理噪声下鲁棒性腐败。原MSTAR收集图像在高信噪比,这确实使目标识别的难度。在这个实验中,不同级别的加性高斯噪声首先被添加到测试样本表1,然后,吵闹的测试样本进行分类。一些模拟嘈杂的SAR图像给出了图6说明噪声腐败的影响。相比之下,图的原始图像6(一),吵闹的样品在较低信噪比有更多的目标轮廓模糊的和不稳定的强度分布。图7显示了该方法的识别率平均在不同的信噪比,这是同时与其他方法相比。该方法获得的最高识别率在每个信噪比,所以它的健壮性可能噪音腐败是验证。协作的表征和测试样本的稀疏表示执行线性表示。从本质上讲,两个都是优化的问题,所以他们可以消除噪声干扰的分类。结合他们的优点,噪声的鲁棒性腐败可以进一步改善。相似的情况下,前两个而是EOCs, CNN的性能将显著下降与信噪比的降低。

5.6。部分遮挡

在模式识别领域对象阻塞是一个麻烦的问题,例如,人脸识别。同时,部分阻塞在SAR ATR很常见,因为地面目标可能被附近的障碍。测试该方法的鲁棒性部分阻塞,第一阻挡SAR图像模拟根据模型(43,44基于原始的测试样本表。1。然后,这些阻挡图像进行分类。图8说明了部分遮挡的影响,20%的目标区域被遮挡(删除)从不同的方向。相比之下,图的原始图像8(一个)腐败,缺乏一些部分目标最初的目标轮廓和强度分布。图9显示了该方法的性能在不同的阻塞程度,与其他方法比较。测试样本的线性近似的协作表示和稀疏表示被认为有一定的鲁棒性部分闭塞是在(36]。然后,通过协作表示的组合和SRC分层的方式,部分遮挡的鲁棒性可以进一步加强。

6。结论

在这项研究中,我们提出一种SAR ATR方法由两阶段稀疏表示的优点相结合协作表示和SRC。协作表示在本地执行字典来评估不同阶层的绝对代表能力而SRC是用来评估选定的候选人的相对表现功能类。这两个分类方案融合等级执行识别任务。因此,该方法的分类精度和效率可以提高。基于MSTAR数据集上的实验在几种操作条件下,可以达到一些结论。首先,该方法实现了一个明显的高识别率98.86% 10类的目标在SOC,展示了其良好的性能分类任务的几个类似的目标。此外,由于快速试销的协作表示,该方法的平均时间消耗显著降低,提高整体效率。其次,在不同类型的而是EOCs如配置和俯角方差,噪音腐败,和部分遮挡,该方法的性能更优越的参考方法。尽管而是EOCs变形或损坏,该方法仍能维持较高的鲁棒性来获取可靠的分类结果。第三,作为一个综合评价,该方法可以保持健壮的性能在不同的操作条件下与其他方法相比相对较高的效率。 In the future, the proposed method can be further improved via adaptive determination of the threshold in the collaborative representation and intelligent fusion of the decisions from the collaborative representation and SRC.

数据可用性

MSTAR数据集用于支持本研究的结果可在网上http://www.sdms.afrl.af.mil/datasets/mstar/。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金支持下批准号61201422。