針對合成孔徑雷達（Synthetic aperture radar,SAR）圖像艦船目標(biāo)識別問題,提出一種基于多特征聯(lián)合稀疏表示的方法。分別采用幾何尺寸特征矢量、主成分分析（Principal component analysis,PCA）和核主成分分析（Kernel PCA,KPCA）特征矢量描述SAR艦船目標(biāo)的特性,基于以上特征,采用聯(lián)合稀疏表示進行分類。根據(jù)散射特征的重構(gòu)誤差之和對測試樣本的目標(biāo)類別進行決策。實驗中,采用RADARSAT-2 4類典型艦船目標(biāo)的SAR圖像進行性能測試。結(jié)果表明,此方法在標(biāo)準(zhǔn)操作條件下可以取得92.5%的平均識別率,高于現(xiàn)有的幾類對比方法。另外,此方法在噪聲干擾以及少量訓(xùn)練樣本的條件下也能保持更強的穩(wěn)健性,獲得優(yōu)于現(xiàn)有方法的性能。 

【文章來源】：火力與指揮控制. 2020,45(10)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

基于多特征聯(lián)合稀疏表示的SAR艦船目標(biāo)識別基本流程

聶豐英：基于多特征聯(lián)合稀疏表示的SAR艦船目標(biāo)識別方法（總第45-）方法類型平均識別率（%）本文方法92.50矩特征88.72KPCA91.16多神經(jīng)網(wǎng)絡(luò)91.08CNN92.14［9］中基于多神經(jīng)網(wǎng)絡(luò)的方法（記為多神經(jīng)網(wǎng)絡(luò)方法）以及文獻［11］中基于CNN的方法（記為CNN方法）。圖24類艦船目標(biāo)的光學(xué)圖像和SAR圖像3.2結(jié)果與分析3.2.1標(biāo)準(zhǔn)操作條件標(biāo)準(zhǔn)操作條件一般指測試樣本與訓(xùn)練樣本具有相近的數(shù)據(jù)獲取條件，因此，此時的識別問題較為簡單。此處，認為原始的訓(xùn)練和測試樣本滿足標(biāo)準(zhǔn)操作條件。采用本文方法對4類艦船目標(biāo)進行識別，其結(jié)果展示為如圖3所示的混淆矩陣。其中，對角線原始為對應(yīng)艦船類別的正確識別率，均達到87%以上，最終4類目標(biāo)的平均識別率為92.50%。表2對比了各類方法對5類目標(biāo)的平均識別率，本文方法的識別率最高，與基于單一矩特征方法和KPCA的方法相比，本文方法通過兼顧幾何尺寸信息和灰度分布信息取得了更好的性能。同時，聯(lián)合稀疏表示分類可以考察不同特征之間的內(nèi)在關(guān)聯(lián)，從而進一步促進了識別性能的提高。CNN方法的識別率略低于本文方法，顯示其在標(biāo)準(zhǔn)操作條件下的強分類能力。然而，受限于可用的樣本規(guī)模，深度學(xué)習(xí)方法在本文設(shè)置的實驗條件下并不能充分發(fā)揮其優(yōu)勢。圖3本文方法對4類艦船目標(biāo)的混淆矩陣表2各方法對4類艦船目標(biāo)的平均識別率3.2.2噪聲干擾噪聲干擾是SAR圖像獲取過程中不可避免的現(xiàn)象。在信噪比較低的條件下，目標(biāo)特性一定程度被淹沒，從而導(dǎo)致提取的特征精度下降。為驗證提出方法在噪聲干擾條件下的性能，本文首先向原始的4類艦船目標(biāo)的測試樣本中加入不同程度的高斯白噪聲，獲得不同信噪比（SNR）下的測試樣本集。在此基礎(chǔ)上，對本文方法和對比方法的性能進行測試，其結(jié)果如

疏表示的SAR艦船目標(biāo)識別方法（總第45-）方法類型平均識別率（%）本文方法92.50矩特征88.72KPCA91.16多神經(jīng)網(wǎng)絡(luò)91.08CNN92.14［9］中基于多神經(jīng)網(wǎng)絡(luò)的方法（記為多神經(jīng)網(wǎng)絡(luò)方法）以及文獻［11］中基于CNN的方法（記為CNN方法）。圖24類艦船目標(biāo)的光學(xué)圖像和SAR圖像3.2結(jié)果與分析3.2.1標(biāo)準(zhǔn)操作條件標(biāo)準(zhǔn)操作條件一般指測試樣本與訓(xùn)練樣本具有相近的數(shù)據(jù)獲取條件，因此，此時的識別問題較為簡單。此處，認為原始的訓(xùn)練和測試樣本滿足標(biāo)準(zhǔn)操作條件。采用本文方法對4類艦船目標(biāo)進行識別，其結(jié)果展示為如圖3所示的混淆矩陣。其中，對角線原始為對應(yīng)艦船類別的正確識別率，均達到87%以上，最終4類目標(biāo)的平均識別率為92.50%。表2對比了各類方法對5類目標(biāo)的平均識別率，本文方法的識別率最高，與基于單一矩特征方法和KPCA的方法相比，本文方法通過兼顧幾何尺寸信息和灰度分布信息取得了更好的性能。同時，聯(lián)合稀疏表示分類可以考察不同特征之間的內(nèi)在關(guān)聯(lián)，從而進一步促進了識別性能的提高。CNN方法的識別率略低于本文方法，顯示其在標(biāo)準(zhǔn)操作條件下的強分類能力。然而，受限于可用的樣本規(guī)模，深度學(xué)習(xí)方法在本文設(shè)置的實驗條件下并不能充分發(fā)揮其優(yōu)勢。圖3本文方法對4類艦船目標(biāo)的混淆矩陣表2各方法對4類艦船目標(biāo)的平均識別率3.2.2噪聲干擾噪聲干擾是SAR圖像獲取過程中不可避免的現(xiàn)象。在信噪比較低的條件下，目標(biāo)特性一定程度被淹沒，從而導(dǎo)致提取的特征精度下降。為驗證提出方法在噪聲干擾條件下的性能，本文首先向原始的4類艦船目標(biāo)的測試樣本中加入不同程度的高斯白噪聲，獲得不同信噪比（SNR）下的測試樣本集。在此基礎(chǔ)上，對本文方法和對比方法的性能進行測試，其結(jié)果如圖4所示�？梢钥闯觯疚�?

【參考文獻】：
期刊論文
[1]航母編隊反潛目標(biāo)識別和威脅評估仿真[J]. 陳龍,馬亞平.  火力與指揮控制. 2019(03)
[2]基于CNN的SAR圖像艦船目標(biāo)檢測算法[J]. 曲長文,劉晨,周強,李智,李健偉.  火力與指揮控制. 2019(01)
[3]基于矩與支持向量機的艦船目標(biāo)識別方法[J]. 徐芳,韓樹奎.  傳感器與微系統(tǒng). 2018(08)
[4]復(fù)雜艦船目標(biāo)毀傷評估模型建立方法研究[J]. 馬曉明,晏衛(wèi)東,劉延青.  火力與指揮控制. 2018(07)
[5]基于高分辨率SAR的目標(biāo)識別技術(shù)研究[J]. 張國賓,韓如雪,陳晨.  科技資訊. 2018(13)
[6]基于分塊CNN的多尺度SAR圖像目標(biāo)分類算法[J]. 曲長文,劉晨,周強,李智,李健偉.  雷達科學(xué)與技術(shù). 2018(02)
[7]基于KPCA與KFDA的SAR圖像艦船目標(biāo)識別[J]. 劉磊,孟祥偉,于柯遠.  艦船科學(xué)技術(shù). 2017(13)
[8]基于不變矩和支持向量機理論的艦船目標(biāo)識別[J]. 袁愛民.  艦船科學(xué)技術(shù). 2017(10)
[9]基于Gabor變換和KPCA的SAR圖像艦船目標(biāo)鑒別[J]. 劉磊.  艦船電子工程. 2016(11)
[10]高分辨率SAR圖像艦船目標(biāo)幾何結(jié)構(gòu)特征提取[J]. 甄勇,劉偉,陳建宏,趙擁軍.  信號處理. 2016(04)



本文編號：3488447