基于可变参数化几何模型的SAR图像飞机目标特征提取方法

基于飞机目标的轮廓特点和成像特性,提出了一种基于可变参数化几何模型的合成孔径雷达（SAR）图像飞机目标特征提取方法。首先,利用飞机目标的先验知识构造一个描述飞机目标外形轮廓的参数化模型;然后,对于输入的实测飞机目标切片图像,构建目标函数来度量模型与实测图像中目标区域的拟合程度,通过遗传算法求解最优参数;最后,在最优参数模型的基础上计算目标的几何特征。基于仿真和实测数据的实验结果验证了该方法的有效性。     

三维模型的多传感器目标识别

目标识别的多传感器融合强调以模型为基础的图象理解技术的水平，尤其在多传感器平台和现象分析时，该算法的区分能力取决于各种传感器数据的积累，以及适当地把已知模型的限制加到传感器的数据处。本文介绍了一种以模型为基础的多假设叶斯定理识别方法，其以探测和估算理论为基础。同时还介绍了一种目标模拟方法，该方法采用的目标映射可以有多种几何映射，目标模型也可以有多种还原。模型成像试验台已经体现这些思想，目前正在进行     

基于2DPCA-SCN正则化的SAR图像目标识别方法

合成孔径雷达（synthetic aperture radar,SAR）图像解译是一项重大的科学应用挑战,SAR图像目标识别已成为该领域的主要研究方向之一。针对SAR图像识别算法训练参数较多的问题,本文提出一种二维主成分分析（two-dimensional principal component analysis,2DPCA）与L2正则化约束的随机配置网络（stochastic configuration network,SCN）进行集成学习的SAR图像目标识别方法。2DPCA不仅能够有效地提取出目标的特征信息而且通过稀疏表征方式降低数据量,SCN正则化算法参数较少且可以有效避免网络过拟合问题,提高网络的识别率。我们将提出的方法在MSTAR (moving and stationary target acquisition and recognition)数据集上进行实验,结果表明该方法相对传统方法具有更高的识别率。      

基于参数化统计模型的雷达HRRP目标识别方法综述

现代战争日趋信息化和智能化,雷达自动目标识别技术(RATR)在国家安全防卫和战略预警等军事应用方面发挥着更加重要的作用。高分辨距离像(HRRP)反映了目标散射点沿雷达视线方向的分布情况,包含了目标丰富的结构信息,对目标识别十分有价值,已成为RATR领域的研究热点。参数化统计建模旨在构建参数化数学模型表征观测数据的分布特性,是估计数据概率分布和挖掘数据隐含信息的重要手段。基于参数化统计模型的雷达HRRP目标识别就是在对HRRP参数化统计建模的基础上,直接利用估计的概率分布进行统计识别或将获取的隐含信息输入分类器进行识别。由于模型具有可融入一定的先验知识、扩展灵活、提供待求参数的不确定性评价以及能结合贝叶斯理论实现自动定阶等优势,基于参数化统计模型的HRRP识别方法整体识别性能优于其他方法,是目前HRRP识别的重点研究方向。该文从浅层和深层参数化统计建模两方面,对近15年的雷达HRRP目标识别方法进行了归纳总结,并分析了各类方法的特点和存在的问题,最后对基于HRRP参数化统计建模的雷达目标识别发展方向进行了展望。      

一种基于峰值匹配的SAR目标识别方法

文章提出了一种基于峰值匹配的SAR目标识别方法。采用最近邻匹配算法构建测试样本峰值特征集与模板样本峰值特征集之间的对应关系。在此匹配关系的基础上,设计了稳健的匹配度准则评价两组峰值特征集的匹配度,并根据最大匹配度的准则判定目标类别。在MSTAR数据集进行目标识别实验验证提出方法的有效性。     

典型线面目标合成孔径雷达参数化成像

在复杂场景(特别是城区场景)合成孔径雷达(SAR)遥感成像中,存在大量线、面目标,如城区中的道路和建筑物边缘等目标,这些线面目标微波散射信号方向性强。传统SAR从单一视角获取场景的散射信息,且传统成像算法均基于点目标模型,使得传统SAR图像中线面目标主要特征表现为一系列的强散射点,而非线散射特征和面散射特征,最终造成SAR图像中目标不连续,SAR图像解译困难。因此,该文通过建立典型线段、三角面元目标的参数化回波模型,对线面目标SAR成像机理进行了深入细致的研究;并基于提出的参数化模型对线面目标进行参数化成像,即首先基于贝叶斯理论和所提的参数化模型对典型的线面目标进行分类判决,随后采用再成像的方式获得有效表征线、面目标散射特征的SAR图像,为线、面目标SAR图像解译提供有效支撑。最后,数值仿真实验成功验证了所提算法的有效性和正确性。      

基于ICNN和IGAN的SAR目标识别方法

近年来,卷积神经网络(CNN)已广泛应用于合成孔径雷达(SAR)目标识别。由于SAR目标的训练数据集通常较小,基于CNN的SAR图像目标识别容易产生过拟合问题。生成对抗网络(GAN)是一种无监督训练网络,通过生成器和鉴别器两者之间的博弈,使生成的图像难以被鉴别器鉴别出真假。本文提出一种基于改进的卷积神经网络(ICNN)和改进的生成对抗网络(IGAN)的SAR目标识别方法,即先用训练样本对IGAN进行无监督预训练,再用训练好的IGAN鉴别器参数初始化ICNN,然后用训练样本对ICNN微调,最后用训练好的ICNN对测试样本进行分类。MSTAR实验结果表明,提出的方法不仅能够在训练样本数降至原样本数30%的情况下获得高达96.37%的识别率,而且该方法比直接采用ICNN的方法具有更强的抗噪声能力。     

基于目标CSAR回波模型的SAR自动目标识别算法

基于模板的SAR目标识别需要存储海量的目标模板,给识别系统的设计和算法效率的提高都造成了严重的困难,而基于模型的方法克服了上述问题,并已成为下一代目标识别算法研究的热点。该文提出的基于圆周SAR(CSAR)回波模型的识别算法,从目标的3维CAD模型出发,利用弹射线原理构建目标的CSAR回波,并通过在线实时预测目标聚束SAR图像来完成识别。同传统的基于散射中心模型的算法相比,利用CSAR回波的算法不仅预测结果准确,而且算法简单高效。仿真实验验证了算法的有效性,并比较了相关算法的优缺点。     

基于峰值匹配的SAR图像飞机目标识别方法

针对SAR图像飞机目标识别过程中的目标识别问题,提出一种基于峰值匹配的目标识别方法。该方法首先使用基于8邻域像素检测局部极大值的峰值提取方法提取目标和模板的峰值特征点;然后对目标进行方位角计算,设定置信区间从而缩小需要匹配的模板库;最后计算目标图像峰值点集与模板图像峰值点集的匹配代价函数,当匹配代价函数取最小值时表明目标与相应模板图像相匹配。实验结果表明该算法有效,且分类性能和分类效率较现有的一些算法有所提升。     

基于SVD-SRNet的SAR三维成像方法

合成孔径雷达（SAR）三维成像是传统二维SAR成像在雷达精细信息获取与感知领域的重要发展,可分辨重叠于二维SAR图像同一像素中的多个目标。稀疏信号处理是进行SAR三维成像的有效方法,但由于稀疏信号处理的非线性特征,常需迭代运算,效率较低。研究人员已提出利用深度学习技术实现快速解算非线性信号处理问题的思路,在三维成像领域已有初步应用。然而,由于SAR三维实测数据稀缺,三维成像网络的训练只能依赖于仿真数据进行,并且仿真数据与实测数据存在差异大的问题,导致基于深度学习方法的SAR三维成像精度受限。为此,本文提出了一种基于奇异值分解的信号空间归一化超分辨网络（SVD Signal-Space Normalization SuperResolution Net,SVD-SRNet）,能够解决由于仿真数据与实测数据存在差异大导致的三维成像网络化方法鲁棒性低的问题,与传统方法相比所提方法具有更优异的成像精度。计算机仿真试验和无人机SAR实测数据试验证明了本文所提方法的有效性。     

一种基于中心矩特征的SAR图像目标识别方法

合成孔径雷达自动目标识别是目前国内外模式识别领域的重点研究课题之一.本文给出了一种内存需求小,低计算复杂度且具有较好识别性能的SAR图像目标识别方法,先通过自适应阈值分割来获得目标图像,然后提取其中心矩特征,采用SVM来进行识别.基于美国MSTAR实测数据的识别试验验证了该方法的有效性.     

基于样本正交子空间的SAR目标识别方法

利用合成孔径雷达(Synthetic Aperture Radar, SAR)获取的目标像进行识别时,基于子空间的自动目标识别(Automatic Target Recognition, ATR)方法通常是对样本数据的值空间进行操作。当识别相似目标时,由于彼此的值空间存在较大的交集,生成的识别模板的可分性较差。该文提出一种SAR目标ATR方法,该方法将SAR样本数据的正交子空间作为投影空间。因此,不同类目标样本在投影空间的差异性加大,能够明显提高识别效果。实验结果表明,本文方法的识别性能优于其它同类方法。     

基于Gabor滤波器和ICA技术的SAR目标识别算法

提出了一种基于Gabor滤波器和独立分量分析(ICA)技术对合成孔径雷达(SAR)目标识别的算法.该方法提取预处理后SAR图像的低频子带图像,利用Gabor滤波器组对该低频子带图像在不同方向和尺度上滤波,再用主成分分析(PCA)+ICA方法对Gabor滤波后图像提取有效特征向量作为目标识别特征,最后用支持向量机(SVM)对该特征进行分类完成目标识别.使用MSTAR数据库中3类SAR目标数据对该方法进行目标识别的仿真实验,平均识别率最高可达96.56%.通过与其他识别方法对比实验,验证了文中方法的有效性.     

基于模糊聚类视区划分的SAR目标识别方法

 现有基于模板匹配的SAR目标识别技术,多通过姿态遍历来构建和存储基础模板库.为降低计算消耗和存储开销,借鉴计算机视觉中视区概念,提出了一种基于非均匀视区划分的模板库精简方法.结合关键特征矢量,基于Gustafson-Kessel(GK)算法对视区作模糊聚类,以识别概率最优控制视区划分策略并提炼原型模板.采用典型舰船目标的SAR仿真图像集,验证了方法在精简模板库、实现高效SAR自动目标识别方面具有可行性.     

基于DCResNet的SAR图像车辆目标识别

合成孔径雷达（SAR）图像自动目标识别中,特征提取和目标分类是两个重要环节。残差网络（ResNet）作为一种较新的卷积神经网络,凭借其对目标特征的自适应学习能力,在SAR图像分类领域表现突出。本文在ResNet基础上,设计出了密集连接型残差网络（DCResNet）,用于SAR图像目标识别。DCResNet在残差模块中增加了跳跃性连接的密度,不仅继承了ResNet的易学习的优点,还加强了特征的传播和利用率。除此之外,DCResNet采用平均池化的方式进行下采样,抑制了SAR图像中噪声对识别精度造成的影响。关于SAR图像目标识别的实验结果证明,本文提出的DCResNet与ResNet、AlexNet相比,不仅具有更快的收敛速度和推理速度,而且目标分类的准确率更高。     

基于压缩感知的SAR图像目标识别

提出一种基于压缩感知的合成孔径雷达图像目标识别方法,将目标识别问题转化为稀疏表示的近似求解问题。该方法利用测试样本在全体训练样本基下的稀疏性,实现样本间的近似稀疏表示。通过考察稀疏系数主要集中于样本真实类别之上的分布特性,研究了稀疏系数本身对目标类别具有的可区分能力,最后基于稀疏系数的分布特性设计分类算法完成目标识别。基于MSTAR数据中三类目标的实验证明,与目前已有的几种典型方法相比,该方法可以取得更高的识别率,是一种有效的合成孔径雷达图像目标识别方法。