基于流形學(xué)習(xí)與稀疏描述的SAR目標(biāo)識別算法研究.pdf

1、合成孔徑雷達(SAR)由于其具有全天時、全天候的工作能力，已被廣泛的應(yīng)用于民用和軍事領(lǐng)域。SAR自動目標(biāo)識別(ATR)技術(shù)致力于從復(fù)雜的地物場景中有效的檢測到目標(biāo)，并對檢測到的目標(biāo)進行識別。具體的說，ATR的過程就是在雷達對目標(biāo)進行檢測和定位的基礎(chǔ)上，根據(jù)目標(biāo)和背景的雷達回波信號，提取出目標(biāo)的特征，最終實現(xiàn)感興趣目標(biāo)的屬性、類別或型號的判定。SAR ATR技術(shù)的研究對于提高軍隊的指揮自動化水平、戰(zhàn)場感知能力、攻防能力、國土防空反導(dǎo)能力及

2、戰(zhàn)略預(yù)警能力等軍事應(yīng)用領(lǐng)域具有十分重要的作用，是目前國內(nèi)外學(xué)者研究的熱點。
　　本論文以實測的MSTAR數(shù)據(jù)為基礎(chǔ)，在SAR圖像統(tǒng)計模型的基礎(chǔ)上，結(jié)合流形學(xué)習(xí)、稀疏描述等理論對基于模型的SAR自動目標(biāo)識別方法中的關(guān)鍵步驟——特征提取進行了較為深入的研究，提出了一些新的思想和方法，取得了良好的效果，在第二章和第三章中提出了基于流形學(xué)習(xí)理論的SAR目標(biāo)識別算法，在第四章到第六章中提出了基于稀疏描述理論的SAR目標(biāo)識別算法。主要工作內(nèi)容

3、及研究成果如下：
　　第一部分考慮到流形學(xué)習(xí)算法能在更符合數(shù)據(jù)實際分布的流形空間中進行特征提取，能更好的捕獲數(shù)據(jù)的局部流形結(jié)構(gòu)，提出了一種基于局部保持特性和混合高斯分布相結(jié)合的SAR圖像特征提取算法，以實現(xiàn)SAR目標(biāo)識別。該算法從統(tǒng)計的角度進行特征提取，采用混合高斯分布建模SAR圖像中斑點噪聲和模型誤差的統(tǒng)計分布，將局部保持特性和混合高斯分布相結(jié)合以保持數(shù)據(jù)的局部結(jié)構(gòu)。實驗結(jié)果表明該方法優(yōu)于基于局部保持投影的識別算法。
　　

4、第二部分為了更好的捕獲SAR圖像的局部結(jié)構(gòu)，提出了一種基于局部保持特性和Gamma分布相結(jié)合的特征提取算法，以實現(xiàn)SAR目標(biāo)識別。該算法采用乘積模型建模SAR圖像，將斑點噪聲建模為Gamma分布以更好的描述SAR圖像的本質(zhì)特征。為保持數(shù)據(jù)的局部結(jié)構(gòu)，將能夠較好保持數(shù)據(jù)局部結(jié)構(gòu)的局部保持特性和Gamma分布相結(jié)合。此外，該部分還對局部保持特性中的相似度矩陣進行了修正，以實現(xiàn)數(shù)據(jù)局部特征和全局特征的聯(lián)合提取。實驗結(jié)果驗證了該算法提取的特征更

5、加準(zhǔn)確、全面，識別率高于基于局部保持特性和混合高斯分布相結(jié)合的識別算法。
　　第三部分針對SAR圖像所特有的對目標(biāo)方位角變化敏感的特性，提出了一種基于Dempster-Shafer證據(jù)理論融合目標(biāo)細節(jié)特征和樣本全局統(tǒng)計特性的目標(biāo)識別算法。詳細的分析了多稀疏描述(MSR)在目標(biāo)細節(jié)特征提取上的優(yōu)勢。根據(jù)多稀疏描述和樣本統(tǒng)計特性分別構(gòu)建2個基本概率分配函數(shù)以捕獲目標(biāo)的細節(jié)信息和全局特征，采用Dempster-Shafer證據(jù)理論進行特

6、征級融合，將樣本的細節(jié)特征和全局特征融合起來，實現(xiàn)樣本特征的全面提取以提高識別率。實驗結(jié)果驗證了該算法進行SAR目標(biāo)識別的有效性。
　　第四部分為了更好的捕獲SAR圖像的全局信息，提出了一種基于貝葉斯融合的稀疏描述算法實現(xiàn)SAR目標(biāo)識別。該算法采用貝葉斯融合將更為精確的SAR圖像描述和稀疏性相結(jié)合?？紤]SAR圖像中存在的非高斯的斑點噪聲和模型誤差，采用混合高斯分布建模似然函數(shù)來擬合噪聲分量的統(tǒng)計特性，以得到SAR圖像更為精確的全局

7、信息。采用拉普拉斯分布建模先驗函數(shù)來保持稀疏性。通過貝葉斯融合將似然函數(shù)和先驗函數(shù)相結(jié)合，融合結(jié)果能夠?qū)崿F(xiàn)對SAR圖像更精確的稀疏描述，可以更好的實現(xiàn)SAR目標(biāo)識別。實驗結(jié)果驗證了該算法的識別效果優(yōu)于現(xiàn)有的基于稀疏描述的識別算法。
　　在第五部分中，考慮到基于稀疏描述的識別算法是在稀疏重構(gòu)空間中進行識別的，提出了一種新的維數(shù)約簡算法，利用該算法對樣本進行降維時，可以保證在高維空間距離近的樣本，對其降維后的數(shù)據(jù)進行稀疏描述時，在稀疏