论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动式相干成像雷达具有全天时、全天候、分辨率高、观测幅宽大等优点,其在军事领域中最重要的用途为战场感知及侦察。本文的主要研究内容就是根据合成孔径雷达的微波遥感图像对军事目标进行分类,即SAR自动目标识别(SAR Automatic Target Recognition,SAR ATR)。本文首先介绍了SAR目标识别研究的背景、意义、以及典型的算法和技术难点。重点研究了基于协同表示理论的SAR目标识别方法,在此基础上结合SAR目标特性、核函数变换等研究了一系列改进的目标识别算法,并采用美国公开发布的运动与静止目标获取与识别计划(Moving and Stationary Target Acquisition and Recognition,MSTAR)数据集进行了实验验证。本文的主要工作如下:(1)研究了SAR目标识别的三种特征提取方法,三类特征分别是主成分分析(Principal Component Analysis,PCA)特征、小波变换特征、二维切片Zernike矩特征。这三类特征分别从不同角度提取目标的关键信息,不仅可以降低数据维数,又能够削弱SAR图像中杂波的干扰。着重研究了协同表示理论,对协同表示模型的求解方法、基于协同表示的SAR目标识别系统进行了详细的分析与讨论。研究了多特征联合协同表示的SAR目标识别方法。进一步,结合SAR图像目标中方位邻域样本的强相关特性,提出了一种多方位多特征协同表示的SAR目标识别算法。基于MSTAR数据集的实验结果证明,本文所提出的多方位多特征协同表示算法相较于基本的协同表示方法,识别性能得到了很大提高。(2)研究了核函数变换的基本理论,分析了核函数变换的优点,重点讨论了基于Tikhonov正则化的核函数协同表示方法,并且将其应用于SAR目标识别。在此基础上提出了一种基于多特征的Tikhonov正则化核函数协同表示算法,利用SAR目标不同特征数据间的相关性与互补性,结合核函数映射,实现了核函数变换空间上的多特征协同表示识别。实验结果表明,本文所提出的基于核函数的多特征协同表示算法与基本的协同表示相比,不但识别准确率更高,而且抗噪声性能更好。(3)针对方位角差距大的训练样本干扰问题,提出了一种自适应原子选择的核函数变换协同表示算法,用于SAR目标识别。此方法对传统协同表示中的表示字典进行改进,得到更适应于当前测试样本且能够降低弱相关原子对系统影响的自适应字典。开展了基于MSTAR数据集一系列场景下的SAR目标识别实验,实验结果证明基于自适应原子选择的多特征核协同表示方法较基于全部训练样本字典的多特征核协同表示模型而言,降低了干扰原子的不良影响,进一步提高了系统的识别性能。