特征提取是合成孔徑雷達（synthetic aperture radar,SAR）目標識別中的關鍵因素之一.文中提出聯(lián)合多層次單演譜特征的SAR目標識別方法,采用單演信號對原始SAR圖像進行分解,獲得不同層次的單演譜成分.基于斯皮爾曼等級相關分析分解的譜成分與原始SAR圖像的相關性,設置相似度門限來選取若干具有較強鑒別力的譜成分.采用聯(lián)合稀疏表示（joint sparse representation, JSR）對篩選得到的譜成分進行表征和分類,并基于MSTAR公開數(shù)據(jù)集在標準操作條件（standard operating conditions, SOC）和若干擴展操作條件下對多類地面車輛目標進行分類測試.實驗結(jié)果表明:本文方法在SOC下對10類目標的平均識別率達到98.52%;對30°和45°俯仰角下的10類目標平均識別率分別為98.15%和72.06%;在噪聲干擾條件下也可以保持良好的穩(wěn)健性.綜合對比,提出的方法相比現(xiàn)有幾類SAR目標識別方法具有一定的性能優(yōu)勢. 

【文章來源】：電波科學學報. 2020,35(03)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

原始SAR圖像及其對應的單演信號分解結(jié)果

本文設計的目標識別方法基本流程如圖2所示,主要可分為特征提取、特征選擇和聯(lián)合分類三個階段. 特征提取階段,采用單演信號對原始SAR圖像進行分解,獲得多層次的單演譜成分;特征選擇階段,基于斯皮爾曼等級相關系數(shù)計算各層次單演譜成分與對應SAR圖像的相似度,然后采用門限法選取若干具有較高相關的譜成分;聯(lián)合分類階段,采用JSR對選取的單演譜成分進行表征,根據(jù)求取的稀疏表示系數(shù)計算各個類別對測試樣本的整體重構(gòu)誤差. 最終,根據(jù)最小誤差原則判定測試樣本的目標類別.4 實驗與討論

在測試所提方法的同時,將其與公開文獻中的代表性方法及同類方法進行對比分析. 選用文獻[18-19]中設計的全卷積神經(jīng)網(wǎng)絡(A-ConvNets)以及遷移網(wǎng)絡方法作為深度學習模型方法的代表,兩種方法目前已成為SAR目標識別領域的主流. 選用文獻[10,13]中設計的基于單演信號的方法作為同類方法進行對比,其中,文獻[10]中方法未進行單演譜成分的篩選,文獻[13]中方法采用了SRC進行預單演譜成分的預篩選,分別記為單演方法1和單演方法2.4.2 SOC

【參考文獻】：
期刊論文
[1]基于斯皮爾曼等級相關性的彩色圖像椒鹽噪點檢測算法[J]. 賈曉芬,郭永存,黃友銳,趙佰亭.  中國科學技術大學學報. 2019(01)
[2]SAR圖像多層次正則化增強及在目標識別中的應用[J]. 謝晴,張洪.  電子測量與儀器學報. 2018(09)
[3]基于互補特征層次決策融合的SAR目標識別方法[J]. 趙鵬舉,甘凱.  電光與控制. 2018(10)
[4]深度卷積神經(jīng)網(wǎng)絡在遷移學習模式下的SAR目標識別[J]. 李松,魏中浩,張冰塵,洪文.  中國科學院大學學報. 2018(01)
[5]基于Spearman秩相關系數(shù)的紅外弱小目標檢測[J]. 王濤.  科學技術與工程. 2017(02)
[6]屬性散射中心匹配及其在SAR目標識別中的應用[J]. 丁柏圓,文貢堅,余連生,馬聰慧.  雷達學報. 2017(02)
[7]一種融合多模式單演特征的人臉識別方法[J]. 李昆明,王玲,閆海停,劉機福.  計算機應用研究. 2014(04)
[8]基于小波字典稀疏表示的SAR圖像目標識別[J]. 田莉萍,王建國.  雷達科學與技術. 2014(01)
[9]結(jié)合KPCA和稀疏表示的SAR目標識別方法研究[J]. 韓萍,王歡.  信號處理. 2013(12)



本文編號：3358070