稀疏先验引导CNN学习的SAR图像目标识别方法

深度学习技术的应用给SAR图像目标识别带来了大幅度的性能提升,但其对实际应用中车辆目标局部部件的变化适应能力仍有待加强。利用数据内在先验知识,在高维语义特征中学习其内在的低维子空间结构,可以提升分类模型在车辆目标变体条件下的泛化性能。本文基于目标特征的稀疏性,提出了一种稀疏先验引导卷积神经网络（Convolution Neural Network,CNN）学习的SAR目标识别方法（CNN-TDDL）。首先,该方法利用CNN提取SAR图像目标的高维语义特征。其次,通过稀疏先验引导模块,利用特征稀疏性,对目标特征内在的低维子空间结构进行学习。分类任务驱动的字典学习层（Task-Driven Dictionary Learning,TDDL）将目标特征的低维子空间以稀疏编码的形式表示,再利用非负弹性正则网增强了稀疏编码的稳定性,使稀疏编码不仅有效地表征目标的低维子空间结构,并且能够提取更具判别性的类别特征。基于运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集以及仿真和实测配对和标记实验 （Synthetic and Measured Paired and Labeled Experiment,SAMPLE） 数据集的实验表明,相比于传统字典学习方法和典型深度学习方法,CNN-TDDL在MSTAR标准操作条件（Standard Operating Conditions, SOC）下识别精度提升0.85%~5.28%,型号识别精度提升3.97%以上,表现出更好的泛化性能。特征可视化分析表明稀疏先验引导模块显著提升了异类目标特征表示的可分性。      

结合多决策准则稀疏表示的SAR图像目标识别方法

提出组合多决策准则的稀疏表示分类（Sparse Representation-based Classification,SRC）并在合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别中进行应用。传统SRC通常在全局字典上对测试样本进行重构,分别计算不同训练类别对于测试样本的重构误差,最终根据最小重构误差的原则进行分类决策。然而,由于SAR目标识别问题的复杂性,单一决策准则往往对扩展操作条件的适应性不强,导致整体性能下降。为此,文中基于稀疏表示求解的系数矢量,分别采用最小重构误差原则、最大系数能量原则以及局部最小重构误差原则分别进行分类。最小重构误差准则直接采用传统算法。最大系数能量准则分别计算不同训练类别系数能量,按照能量最大的原则进行判决。局部最小重构误差原则在局部字典上对测试样本进行表征和分析,充分体现SAR图像的视角敏感性。对于三个准则获取的决策变量,通过适当转换统一采用概率分布形式进行表达。最终,基于线性加权融合对三个准则的结果进行分析,判决测试样本所属目标类别。基于MSTAR数据集对方法进行测试,分别验证了提出方法在标准操作条件、俯仰角差异、噪声干扰及目标遮挡等情形的性能。实验结果表明:所提方法通过结合多决策准则能够有效提升SAR目标识别性能。     

稀疏表示分类在SAR图像目标识别中的应用分析

文中研究了稀疏表示分类在合成孔径雷达(SAR)目标识别中的应用。稀疏表示分类是基于压缩感知理论的一种新的分类算法,近年来在人脸识别、遥感图像分类等领域得到广泛应用。文中对稀疏表示分类在SAR目标识别中的应用进行分析研究,介绍了稀疏表示的基本原理以及几种典型的稀疏系数求解算法。采用稀疏表示分类器对MSTAR数据集进行了目标识别实验,验证在SAR目标识别上的性能。     

基于Res-Net深度特征的SAR图像目标识别方法

采用Res-Net学习合成孔径雷达(Synthetic Aperture Radar,SAR)图像多层次深度特征,并基于结构相似性准则选取其中的有效成分.通过联合稀疏表示对选取的多层次深度特征进行表征和分析,判定输入样本的目标类别.利用MSTAR数据集进行测试,该方法对10类目标的识别率达到99.02％,对于俯仰角差异...     

基于FCNN和ICAE的SAR图像目标识别方法

近年来,基于卷积神经网络(Convolutional Neural Network, CNN)的合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别得到深入研究。全卷积神经网络(Fully Convolutional Neural Network, FCNN)是CNN结构上的改进,它比CNN能获得更高的识别率,但在训练过程中仍需要大量的带标签训练样本。该文提出一种基于FCNN和改进的卷积自编码器(Improved Convolutional Auto-Encoder, ICAE)的SAR图像目标识别方法,即先用ICAE无监督训练方式获得的编码器网络参数初始化FCNN的部分参数,后用带标签训练样本对FCNN进行训练。基于MSTAR数据集的十类目标分类实验结果表明,在不扩充带标签训练样本的情况下,该方法不仅能获得98.14%的平均正确识别率,而且具有较强的抗噪声能力。      

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CNN的SAR车辆目标检测

传统的SAR目标检测算法容易受到复杂背景的干扰,因此利用被广泛应用于图像目标检测和识别领域的Faster-RCNN方法,对复杂背景下的SAR图像进行车辆目标检测实验。在对样本数据进行预处理后对车辆真实位置进行标记,采用可视化的深度学习客户端对样本进行裁剪和旋转,扩充样本数据库。利用已充分训练的模型权重对ZF和VGG-16网络进行预训练,再利用扩充的数据集进行训练和验证,并使用包含MiniSAR数据的测试集进行测试。实验证明,ZF网络和VGG-16的检测效果类似,但是ZF网络因为网络层数更少因而检测耗时更短。     

决策可靠性分析及在SAR图像目标识别中的应用

决策融合是提高合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别性能的重要手段,然而,可靠性较弱的决策往往会导致最终决策融合的效果变差。将可靠性分析引入基于决策融合的SAR目标识别方法中,分别计算各个决策的可靠性系数并选取可靠性的决策参与最终的决策融合。为了验证方法的有效性,分别将提出的可靠性分析应用于多特征决策融合以及多分类器决策融合并基于MSTAR（Moving and Stationary Target Acquisition and Recognition）数据集进行了目标识别实验。在基于主成分分析、线性鉴别分析和非负矩阵分解三种特征进行多特征决策融合的条件下,所提方法和直接进行决策融合的方法的识别率分别为97.47%和96.50%。在基于K近邻、支持向量机和稀疏表示分类器的多分类器决策融合中,所提方法和直接进行决策融合的方法的识别率分别为97.10%和96.28%。实验结果充分证明了所提方法的有效性。     

多元经验模态分解及在SAR图像目标识别中的应用

提出基于多元模态分解的合成孔径雷达（SAR）目标识别方法。多元模态分解是传统模态分解的多元扩展,能够有效避免传统算法中的模态混叠问题。采用多元模态分解对SAR图像进行处理,获得的多层次固有模式函数（IMF）能够更为有效地反映目标的时频特性。不同IMF之间具有良好互补性,同时它们描述同一目标因而具有内在关联性。分类阶段,采用联合稀疏表示对分解得到的IMF进行表征。联合稀疏表示在多任务学习的理念下,对多个关联稀疏表示问题进行求解,可获得更为可靠的估计结果。在获得各层次IMF对应的稀疏表示系数矢量的基础上,计算不同类别对于当前测试样本多层次IMF的重构误差之和,进而判定测试样本的目标类别。基于MSTAR数据集开展实验,通过在标准操作条件、俯仰角差异、噪声干扰以及目标遮挡条件下进行对比分析,验证了提出方法的有效性。     

一维卷积神经网络用于雷达高分辨率距离像识别

针对人工提取高分辨率距离像（HRRP）优良特征比较困难的问题,研究了基于一维卷积神经网络（CNN）的HRRP识别方法。利用CNN具有分层学习特征的能力,训练CNN自动地从HRRP中学习有用的特征并分类。在仿真实验中描述了网络的相关配置,分析了不同激活函数、不同参数、不同网络结构的识别性能,对比了CNN与其他分类器的识别结果,用可视化特征图直观地说明了CNN通过卷积层能够学习到易于分辨的特征。实验结果表明CNN具有很好的识别性能。     

基于斯皮尔曼等级相关的单演谱成分选择及其在SAR目标识别中的应用

特征提取是合成孔径雷达（synthetic aperture radar，SAR）目标识别中的关键因素之一.文中提出联合多层次单演谱特征的SAR目标识别方法，采用单演信号对原始SAR图像进行分解，获得不同层次的单演谱成分.基于斯皮尔曼等级相关分析分解的谱成分与原始SAR图像的相关性，设置相似度门限来选取若干具有较强鉴别力的谱成分.采用联合稀疏表示（joint sparse representation，JSR）对筛选得到的谱成分进行表征和分类，并基于MSTAR公开数据集在标准操作条件（standard operating conditions，SOC）和若干扩展操作条件下对多类地面车辆目标进行分类测试.实验结果表明:本文方法在SOC下对10类目标的平均识别率达到98.52%；对30°和45°俯仰角下的10类目标平均识别率分别为98.15%和72.06%；在噪声干扰条件下也可以保持良好的稳健性.综合对比，提出的方法相比现有几类SAR目标识别方法具有一定的性能优势.     

一种改进的Capsule及其在SAR图像目标识别中的应用

为了解决Capsule网络随着输入图像增大计算量和参数数量急剧增加的问题,对Capsule网络进行了改进并将其用于SAR自动目标识别（SAR-ATR）中。基于大脑视觉皮层以层级结构以及柱状形式处理信息的机制,提出了完全实例化的思想,并运用类脑计算对Capsule网络进行了改进。具体方法是:使用多个卷积层实现层级处理,同时使用了较少的卷积核,但每一层使用的卷积核数量随着层级加深逐渐增加,使得提取的特征更加趋于抽象化;在PrimaryCaps层中,Capsule向量由最后一层卷积层输出的所有特征图构成,使得Capsule单元包含目标局部或整体的全部特征,以实现目标的完全实例化。在SAR-ATR上,将改进的Capsule网络与原Capsule网络、传统目标识别算法和基于经典卷积神经网络的目标识别算法进行对比实验。实验结果表明,改进的Capsule网络训练参数和计算量大大减少,并且训练速度得到很大提升,在SAR图像数据集上的识别准确率较Capsule网络和前两类方法分别提高了0.37和1.96~8.96个百分点。     

二维压缩感知多投影矩阵特征融合的SAR目标识别方法

针对合成孔径雷达（synthetic aperture radar,SAR）目标识别问题,提出联合多层次二维压缩感知投影特征的方法。采用二维压缩感知投影作为基础特征提取算法,具有不依赖训练样本、效率高等显著优势。构建多个二维压缩感知投影矩阵提取原始SAR图像的多层次特征。不同投影矩阵获得的特征具有差异性,从不同方面描述SAR图像的灰度分布特性;同时,这些特征源自相同的输入图像,因此也具有一定的内在关联性。采用联合稀疏表示对提取的多个特征矢量进行表征分析,在内在关联性约束下考察不同特征的独立鉴别能力,从而提升每一类特征的稀疏表示精度。最终,根据求解的稀疏表示系数,分别在各个训练类别上对测试样本的多类特征进行重构,获得重构误差。根据最小误差的准则,判定测试样本所属目标类别。通过综合运用多层次二维压缩感知特征提取和联合稀疏表示分类,提高SAR目标识别的整体性能。利用MSTAR数据集中的多类目标SAR图像对方法进行测试验证,结果反映其在标准操作条件（standard operating condition,SOC）和扩展操作条件（extended operating condition,EOC）均可保持可靠的识别性能。     

一种多视角SAR图像目标识别方法

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标识别问题,提出了一种联合多视角的方法。基于图像相关准则对多视角SAR图像进行聚类分析,获得若干视角集。分别对每个多视角子集采用多重集典型相关（Multiset Canonical Correlations Analysis,MCCA）进行特征融合,获得特征矢量。采用联合稀疏表示对各个视角集的特征矢量进行表征分类,获得决策结果。在样本丰富的MSTAR数据集上开展实验与分析,结果表明,所提方法对10类目标样本在标准操作条件、噪声干扰以及遮挡情形下均可以取得优势性能,验证了其有效性。     

真实数据背景下的SAR运动目标回波信号模拟及应用

该文提出了一种新的合成孔径雷达(SAR)原始数据模拟方法,将模拟数据和实际测量数据结合在一起形成含有模拟运动目标和真实背景的SAR原始数据,用于对SAR运动目标检测方法的验证和分析。根据SAR的成像原理和运动目标的回波模型,该文给出了将模拟运动目标回波信号和真实背景回波数据叠加的半真实模拟数据的形成方法。通过将合成的数据应用于运动目标的检测试验,验证了方法的有效性。     

决策模板法在决策层融合目标识别中的应用和改进

决策模板法是一种简单直观的决策层融合识别算法,但是经典的决策模板法没有充分利用各传感器对于不同类目标鉴别能力的先验信息。本文提出利用传感器平均度量熵对决策模板法进行修正,合理度量各个传感器对不同类目标的分类鉴别能力,仿真结果表明改进的决策模板法能提高目标正确识别率。