提出了一種考察獨(dú)立性和相關(guān)性的合成孔徑雷達(dá)（SAR）圖像目標(biāo)識(shí)別方法。由于SAR圖像的方位角敏感性,參與識(shí)別的多視角SAR圖像之間的關(guān)聯(lián)性不夠穩(wěn)定。首先,基于圖像相關(guān)對(duì)多視角SAR圖像進(jìn)行聚類,獲得具有較強(qiáng)內(nèi)在關(guān)聯(lián)的多個(gè)視角集。然后,對(duì)于每一個(gè)視角集,分別采用聯(lián)合稀疏表示對(duì)其進(jìn)行聯(lián)合重構(gòu),獲得高精度的重構(gòu)誤差。最終,采用線性加權(quán)的方法融合各個(gè)視角集合的重構(gòu)誤差并根據(jù)融合誤差判定目標(biāo)類別�；贛STAR數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)測(cè)試,結(jié)果表明了提出方法的有效性。 

【文章來源】：電光與控制. 2020,27(03)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

不同方位角的SAR圖像對(duì)比

圖2顯示了本文方法的基本流程,介紹了本文方法中的幾個(gè)主要環(huán)節(jié),包括多視角聚類、多視角聯(lián)合稀疏表示以及各個(gè)視角集結(jié)果的線性加權(quán)融合。通過考察多視角SAR圖像的獨(dú)立性和相關(guān)性提高最終的識(shí)別性能。具體實(shí)施中,為降低SAR圖像的維度,按照文獻(xiàn)[12]中的方法采用隨機(jī)投影算法將其變換為520維的特征矢量。值得注意的是,當(dāng)某些聚類結(jié)果僅包含一幅SAR圖像時(shí),聯(lián)合稀疏表示就退化為傳統(tǒng)的稀疏表示分類,這并不影響本文方法的實(shí)施。3 實(shí)驗(yàn)與分析

表2 10類MSTAR目標(biāo)的訓(xùn)練和測(cè)試樣本Table 2 The training and test samples of ten MSTAR targets 類別 訓(xùn)練集(17°俯仰角) 測(cè)試集(15°俯仰角) 類別 訓(xùn)練集(17°俯仰角) 測(cè)試集(15°俯仰角) BMP2 233 195 BTR60 256 195 BTR70 233 196 ZSU23/4 299 274 T72 232 196 D7 299 274 T62 299 273 ZIL131 299 274 BRDM2 298 274 2S1 299 2743.2 實(shí)驗(yàn)結(jié)果與分析

【參考文獻(xiàn)】：
期刊論文
[1]基于目標(biāo)區(qū)域匹配的SAR目標(biāo)識(shí)別方法[J]. 付凡成.  電光與控制. 2018(04)
[2]屬性散射中心匹配及其在SAR目標(biāo)識(shí)別中的應(yīng)用[J]. 丁柏圓,文貢堅(jiān),余連生,馬聰慧.  雷達(dá)學(xué)報(bào). 2017(02)



本文編號(hào)：3434535