基于稀疏理論的SAR圖像目標(biāo)識別研究.pdf

1、合成孔徑雷達(dá)(SAR)是一種重要的對地觀測手段。利用SAR圖像進(jìn)行目標(biāo)識別在戰(zhàn)場環(huán)境中具有非常重要的意義。本論文圍繞基于稀疏理論的SAR圖像目標(biāo)識別進(jìn)行了深入的研究:重點(diǎn)針對存在遮擋情況下的SAR目標(biāo)識別問題和從數(shù)據(jù)中自動(dòng)進(jìn)行特征提取的問題。各部分的主要內(nèi)容概括如下:
　　第一部分，針對合成孔徑雷達(dá)(SAR)圖像目標(biāo)識別中存在物體遮擋的情況，提出一種基于非負(fù)稀疏表示的分類方法。通過分析L0范數(shù)和L1范數(shù)最小化在求解非負(fù)稀疏表示問題

2、上的區(qū)別，證明在一定條件下，L1范數(shù)最小化方法除了保持解的稀疏性還能得到與輸入信號更加相似的原子集合，因此也更加適用于分類問題中。在運(yùn)動(dòng)和靜止目標(biāo)獲取與識別(MSTAR)數(shù)據(jù)集上的識別實(shí)驗(yàn)結(jié)果表明，采用L1范數(shù)的非負(fù)稀疏表示分類方法能達(dá)到較好的識別性能，并且相對傳統(tǒng)方法對存在遮擋情況下的識別問題更穩(wěn)健。
　　第二部分，雖然基于稀疏表示或者非負(fù)稀疏表示的模型在遮擋情況下的目標(biāo)識別表現(xiàn)出一定的穩(wěn)健性能，但是其模型中對于遮擋部分采用的都

3、是像素級假設(shè)，即:遮擋效應(yīng)引起的是目標(biāo)圖像上少量像素點(diǎn)的變化，并且假定受影響的像素點(diǎn)在空間位置上是獨(dú)立出現(xiàn)的。然而真實(shí)情況是，對于尺度小于成像單元大小的遮擋物，其遮擋效應(yīng)在目標(biāo)圖像上的表現(xiàn)通常與相干斑造成的效果相近。而對于尺度大于成像單元大小的遮擋物，其使得目標(biāo)圖像上發(fā)生強(qiáng)度變化的區(qū)域?qū)且粔K連續(xù)的區(qū)域。因此我們可以利用遮擋效應(yīng)的這一結(jié)構(gòu)化特點(diǎn)，對遮擋部分進(jìn)行單獨(dú)建模，提出了結(jié)構(gòu)化稀疏遮擋模型。該模型嘗試將測試數(shù)據(jù)中的遮擋部分以及在訓(xùn)

4、練樣本集上的稀疏表示部分分離開來。在識別時(shí)，僅僅通過稀疏表示部分進(jìn)行目標(biāo)分類，從而避免了遮擋的影響。仿真實(shí)驗(yàn)表明，基于結(jié)構(gòu)化稀疏遮擋模型的方法不僅對于遮擋區(qū)域的大小，形狀，塊數(shù)以及散射起伏都具有較好的穩(wěn)健性。
　　第三部分，地面目標(biāo)的SAR圖像中除了包含目標(biāo)散射回波形成的區(qū)域，還包括由目標(biāo)遮擋地面形成的陰影區(qū)域。但是由于這兩種區(qū)域中的圖像特性不相同，所以傳統(tǒng)的SAR圖像自動(dòng)目標(biāo)識別主要利用目標(biāo)區(qū)域信息進(jìn)行目標(biāo)識別，或者單獨(dú)使用陰影

5、區(qū)域進(jìn)行識別。該文提出一種陰影區(qū)域與目標(biāo)區(qū)域圖像聯(lián)合的稀疏表示模型。通過使用L1\L2范數(shù)最小化方法求解該模型得到聯(lián)合的稀疏表示，然后根據(jù)聯(lián)合重構(gòu)誤差最小準(zhǔn)則進(jìn)行SAR圖像目標(biāo)識別。在運(yùn)動(dòng)和靜止目標(biāo)獲取與識別(MSTAR)數(shù)據(jù)集上的識別實(shí)驗(yàn)結(jié)果表明，通過聯(lián)合稀疏表示模型可以有效的將目標(biāo)區(qū)域與陰影區(qū)域信息進(jìn)行融合，相對于采用單獨(dú)區(qū)域圖像的稀疏表示識別方法性能更好。
　　第四部分，對于傳統(tǒng)的字典學(xué)習(xí)方法，如KSVD，其目標(biāo)函數(shù)是最小化

6、重構(gòu)誤差。本章通過在字典學(xué)習(xí)目標(biāo)函數(shù)中增加對稀疏表示系數(shù)之間的相似性約束得到具有判決能力的字典。該約束使得不同類樣本的稀疏表示間的相似性趨向于0，即最不相似。因此在稀疏表示系數(shù)這樣的特征空間中不同類別之間的差異更大，更容易找到好的分類面。實(shí)驗(yàn)顯示，添加了相似性約束后學(xué)習(xí)到的字典及其稀疏表示相比傳統(tǒng)的字典學(xué)習(xí)方法可以更好的區(qū)分各類SAR目標(biāo)。
　　第五部分，特征提取是合成孔徑雷達(dá)(SAR)圖像目標(biāo)識別的關(guān)鍵環(huán)節(jié)。SAR圖像中存在的相

7、干斑點(diǎn)和非光滑特性使得傳統(tǒng)針對光學(xué)圖像的特征提取方法變得很難應(yīng)用。雖然可以采用深度置信網(wǎng)絡(luò)(Deep belief network，DBN)自動(dòng)地進(jìn)行特征學(xué)習(xí)，但是該方法屬于無監(jiān)督學(xué)習(xí)方法，這使得學(xué)習(xí)到的特征與具體的任務(wù)是無關(guān)的。本文提出了一種叫做相似性約束的限制玻爾茲曼機(jī)模型。該模型在學(xué)習(xí)過程中通過約束特征向量之間的相似性達(dá)到引入監(jiān)督信息的目的。另外，可以將多個(gè)相似性約束的限制玻爾茲曼機(jī)堆疊成一種新的深度模型，我們稱其為相似性約束的深

8、度置信網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果表明在SAR圖像目標(biāo)識別應(yīng)用中，本文方法相比主成分分析(PCA)以及原始DBN具有更好的識別性能。
　　第六部分，針對現(xiàn)實(shí)SAR ATR應(yīng)該解決的幾個(gè)問題:需要具備目標(biāo)平移不變性，對于相干斑噪聲隨機(jī)性不敏感以及能夠容忍訓(xùn)練數(shù)據(jù)集中一定程度的姿態(tài)圖像缺失，首先研究了通過已有圖像合成未知方位角下的圖像以彌補(bǔ)訓(xùn)練集中姿態(tài)圖像缺失的可能性。受稀疏表示模型啟發(fā)下，提出了一種姿態(tài)圖像合成模型。實(shí)驗(yàn)顯示，通過姿態(tài)圖像合成