SAR场景图像中车辆目标的自动识别

提出一种在合成孔径雷达(synthetic aperture radar,SAR)场景图像中进行自动目标识别的方法,并针对识别流程中分类阶段对目标方位角敏感的问题,基于相关滤波器理论与核特征分析方法,提出一种对SAR目标方位角具有较强鲁棒性的非线性相关滤波器。该滤波器使用特征向量降低对训练图像的依赖性,并将特征空间进行非线性扩展,大大提高了目标的正确分类率,同时利用核函数避免了因为高维矢量而造成的计算问题。MSTAR实测SAR图像数据的实验结果表明,方法切实有效,所提出的滤波器对目标方位角失真具有较强的容忍性,不需要存储目标模板和估计目标方位角就能够实现高效率、高准确率的目标分类。     

短语音说话人识别新方法的研究

提出了一种较短训练语音的说话人识别新方法。利用模糊核聚类算法设计矢量量化器,对说话人的语音特征进行训练。模糊核矢量量化器将原始空间通过非线性映射到高维特征空间,在高维特征空间中对说话人的训练语音特征进行模糊聚类分析,将得到的每个类中心作为说话人的语音模型。识别时将识别矢量映射到高维空间进行匹配决策。由于核方法的引入,使得原来没有显现的特征突现出来,增加了说话人之间的可区分性。实验表明,该方法对于较短的训练语音,其识别效果优于高斯混合模型和模糊矢量量化。     

基于多尺度特征的高分辨率SAR图像机动目标识别

针对客观世界本身的多尺度特性及多尺度分析方法的有效性,提出了能够体现目标宏观和微观固有多尺度信息的SAR图像目标识别方法。该方法通过引入目标先验信息分割出反映目标形状的区域;并根据SAR图像目标对Gabor滤波器组的不同响应,利用多尺度信息及尺度间的相依性提取新的多尺度特征;最后按照方位信息建立多尺度特征库用以指导目标识别。通过MSTAR的实测SAR目标数据集进行了多尺度特征建立和目标识别测试,试验结果表明了该方法的有效性。     

基于模糊核熵的短语音说话人识别

为了解决由于模糊加权指数选取不当而导致系统性能下降的问题,将熵函数引入到核映射的特征空间中,提出了一种基于模糊核熵的短语音说话人识别新方法.通过定义特征空间中的模糊核熵目标函数,设计了模糊核熵矢量量化器,在高维特征空间中对说话人的语音进行训练和识别匹配.引入熵的算法具有更加清晰简洁的数学形式和物理含义.为了进一步提高系统性能,利用模拟退火法对熵函数中的模糊熵度进行全局优化,提出了一种基于模拟退火的模糊熵度更新方法.实验表明,该方法对于较短的训练语音,其识别效果优于高斯混合模型和模糊核矢量量化.     

基于门控多尺度匹配网络的小样本SAR目标识别

为了解决传统合成孔径雷达(synthetic aperture radar, SAR)目标识别方法在小样本条件下泛化能力差、识别准确率低的问题, 通过在匹配网络的基础上引入权重门控单元和多尺度特征提取模块, 提出了基于门控多尺度匹配网络的小样本SAR目标识别方法。在该方法中, 多尺度特征提取模块能够提取匹配网络不同卷积层的多尺度特征, 权重门控单元能够根据不同的识别任务赋予特征不同的权重大小, 实现根据具体任务选择最具代表性的目标特征, 从而以该特征为主导完成目标识别任务。在运动和静止目标获取与识别(the moving and stationary target acquisition and recognition, MSTAR)数据集上对提出的方法进行了验证, 实验结果表明，所提方法较其他3种小样本学习方法和两种小样本SAR目标识别方法表现出了一定的优越性, 而且所提方法经实验验证在噪声环境下表现出了一定的鲁棒性。     

一种基于组合核函数的非线性盲源分离方法研究

核函数方法由于其有效性和简洁性在非线性盲源分离问题的探索中得到了应用,但其单一核的映射不能很好解决完全非线性问题。针对这一不足,提出了一种采用组合核函数分离非线性混合信号的方法。通过引入变化尺度因子将不同核函数纳入一个整体成为组合核函数,利用分离信号的互信息作为目标函数来反馈调节该组合核函数的尺度因子,以此寻找到对不同非线性的最佳映射。仿真结果证实了该算法的有效性,且在解决完全非线性问题时,组合核函数比单一核函数具有更好的性能。     

基于贝叶斯压缩感知的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)目标识别问题,提出一种基于贝叶斯压缩感知(Bayesian compressive sensing, BCS)的图像域SAR目标识别方法。该方法首先对SAR图像进行分割预处理,得到目标区图像数据;然后基于BCS模型,根据训练样本构造传感矩阵;求解测试样本相应的稀疏系数矢量,根据稀疏系数矢量中对应训练样本类别元素的L2范数判定目标类型。采用美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)计划公开发布的SAR目标数据库进行实验,结果表明该方法具有良好的识别效果。     

SIFT与核局部不变映射结合的特征描述算法

为更好地实现图像跟踪,寻找更具鲁棒性和计算简便的特征描述子,提出了一种基于核局部不变映射的尺度不变特征转换(scale invariant feature transform, SIFT)特征描述算法。该算法在继承SIFT算法良好性质的基础上,依据不同空间尺度下能量特征差异性,对尺度内的子图像层数进行细化,以提高稳定特征点的数量。此外,借助核方法的映射特性,解决了局部不变映射法丢失非线性高维特征的问题,形成一种基于核局部不变映射的非线性降维法,进而对特征描述子进行特征重划。实验结果表明,在图像尺度缩放、旋转、模糊、亮度变化等多种场景下,相较现有的主成分分析 SIFT算法,该描述子不但取得更多的稳定特征点,而且计算速度也得到大幅提升。     

小训练样本下的合成孔径雷达图像分类研究

针对纹理是合成孔径雷达(SAR)图像目标分类的一个重要因素,SAR图像的过完全小波分解产生大小不变的子图像,具有移不变特性,可在不同尺度下表征纹理。利用图像灰度均值与细节图像能量特征组成特征矢量,对SAR图像有好的表征效果。与完全由图像分解子图能量得到的特征矢量相比,目标间的纹理特征差异更明显。神经网络具有高度非线性判决性能,可将所提出的过完全小波分解纹理能量特征(OWATF)与径向基函数(RBF)神经网络相结合对SAR图像面目标进行分类。实验证明,在小训练样本条件下,RBF神经网络与OWATF特征相结合对SAR图像进行分类能够很好地体现目标的整体特性。     

基于SAR仿真图像的地面车辆非同源目标识别

充分的合成孔径雷达(synthetic aperture radar, SAR)模板数据是目标识别算法(尤其是基于深度学习的智能目标识别算法)获得优异识别性能的关键, 基于实际测量获取充分SAR数据是不现实的, 基于电磁散射建模的SAR仿真成为当前获取充分样本的一种有效途径。SAR仿真图像与实测图像为非同源数据, 由于SAR仿真的目标几何模型与实物之间差异、SAR仿真过程中的传感器模型与实际传感器性能之间差异、实物所处的背景环境与SAR仿真的环境之间差异、电磁建模方法本身误差等因素导致SAR仿真图像与实测图像存在差异, 会影响识别性能。针对这一问题, 首先采用一种基于高频渐近技术和离散射线追踪技术的SAR仿真方法获取地面车辆目标的SAR仿真图像, 再利用卷积神经网络方法、线性/非线性特征变换方法实现对MSTAR实测数据的非同源SAR目标识别性能对比分析。实验结果表明, 直接使用SAR仿真数据无法实现对实测SAR数据有效识别, 而线性/非线性特征变换可以改善非同源SAR目标识别性能, 一定程度上缓解由于SAR仿真数据与实测数据存在差异导致的识别性能差的问题。     

基于KFD+ICA特征提取的SAR图像目标识别

提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

New CFAR target detector for SAR images based on kernel density estimation and mean square error distance

A new constant false alarm rate (CFAR) target detector for synthetic aperture radar (SAR) images is developed. For each pixel under test, both the local probability density function (PDF) of the pixel and the clutter PDF in the reference window are estimated by the non-parametric density estimation. The target detector is defined as the mean square error (MSE) distance between the two PDFs. The CFAR detection in SAR images having multiplicative noise is achieved by adaptive kernel bandwidth proportional to the clutter level. In addition, for obtaining a threshold with respect to a given probability of false alarm (PFA), an unsupervised null distribution fitting method with outlier rejection is proposed. The effectiveness of the proposed target detector is demonstrated by the experiment result using the RADATSAT-2 SAR image.     

基于目标轮廓特征的SAR图像目标识别

提出了一种基于目标轮廓特征的合成孔径雷达目标识别(SAR ATR)方法,该方法充分利用目标的局部空间结构信息进行识别。利用基于马尔可夫随机场(MRF)的图像分割及形态学处理提取SAR图像目标轮廓,在此基础上使用傅里叶描述子作为目标轮廓的特征量,选择最近邻准则下的模板匹配方法构造分类器,实现了基于轮廓特征的SAR图像目标识别。实验结果表明,本文方法具有优良的识别性能。     

一种基于模糊滤波提高SAR自动目标识别平移不变性的方法

使用卷积神经网络去实现合成孔径雷达(synthetic aperture radar, SAR)自动目标识别(auto target recognition, ATR)成为了近年来的热点,但实际使用中存在的一个隐患问题是平移不变性的丢失,随着目标位置移动,系统输出也随之改变，从而造成错误识别。针对上述问题，提出了一种落实在模型层面的解决方法,通过对算法的改进,实现提升SAR ATR系统平移不变性,而无需数据增强。提出的模块易于移植到现有SAR ATR骨干网络中,且通过实测兼容良好,引入后不影响识别准确率,达到了与原网络近似相等甚至更高的精度。结果表明,所提出的算法不仅提升了系统的平移不变性,同时提升了系统的抗干扰能力。     

一种基于模糊滤波提高SAR自动目标识别平移不变性的方法

使用卷积神经网络去实现合成孔径雷达(synthetic aperture radar, SAR)自动目标识别(auto target recognition, ATR)成为了近年来的热点,但实际使用中存在的一个隐患问题是平移不变性的丢失,随着目标位置移动,系统输出也随之改变，从而造成错误识别。针对上述问题，提出了一种落实在模型层面的解决方法,通过对算法的改进,实现提升SAR ATR系统平移不变性,而无需数据增强。提出的模块易于移植到现有SAR ATR骨干网络中,且通过实测兼容良好,引入后不影响识别准确率,达到了与原网络近似相等甚至更高的精度。结果表明,所提出的算法不仅提升了系统的平移不变性,同时提升了系统的抗干扰能力。     

UWB SAR叶簇遮蔽目标检测中的ROI提取方法

针对SAR(synthetic aperture radar)ATR(auto target recognition)算法中的ROI(region of interest)提取通常由一个CFAR(constant false alarm rate)检测器和聚类算法来完成,该方法在高波段SAR目标检测中具有优良的性能,而在UWB SAR(ultra-wide band synthetic aperture radar)叶簇遮蔽目标检测中效果不佳。提出了一种适于叶簇遮蔽目标检测的ROI提取方法,该方法由小滑窗中值滤波、低门限CFAR检测、形态学操作和聚类算法四部分组成,能够在叶簇遮蔽目标检测中很好地完成ROI提取,基于实际UWB SAR图像的ROI提取结果验证了该方法的有效性。     

基于距离像时频非负稀疏编码的SAR目标识别

提出了一种基于目标高分辨距离像时频域非负稀疏编码的合成孔径雷达(synthetic aperture radar,SAR)目标识别方法。首先,将目标的SAR复图像转换为高分辨距离像。然后,采用自适应高斯基表示方法计算每个距离像的非负时频矩阵。其次,对训练目标所有距离像的时频矩阵采用非负稀疏编码方法学习时频字典。在目标识别中,通过将每个距离像的时频矩阵投影到低维的时频字典上来提取特征矢量。最后,在提取特征矢量的基础上,通过支撑向量机目标识别决策实现目标识别。采用美国“运动和静止目标获取与识别计划”公开发布的SAR图像数据库进行算法验证实验。实验结果说明了提出方法的有效性。     

基于多分类器融合的SAR图像自动目标识别方法

给出一种内存需求小、计算复杂度低且性能较好的合成孔径雷达自动目标识别(SAR ATR)方法。先对原始图像预处理获得目标及阴影,然后提取目标和阴影的形状描述子以及基于极化映射提取目标及阴影的形状特征、目标的强度分布特征,最后基于平均准则融合分类器对目标进行分类。基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,所提融合的分类器可获得比单个分类器好的识别性能,并且利用阴影信息可大大提高识别性能。     

基于多尺度贝叶斯网络的SAR图像分割

提出了一种多尺度贝叶斯网络模型和相应推断算法,并将其应用于合成孔径雷达（synthetic aperture radar, SAR）图像分割。首先根据SAR图像的多尺度序列构建多尺度贝叶斯网络模型;然后设计了模型估计的置信传播（belief propagation, BP）算法,该算法包括同尺度结点之间的信息传播、细尺度到粗尺度的信息传播和粗尺度到细尺度的信息传播;最后计算出细尺度隐含结点的最大后验概率（maximum a posteriori probability, MAP）,实现SAR图像的分割。实验结果表明,与单尺度贝叶斯网络模型方法和基于条件迭代模式的Markov随机场模型方法相比,基于多尺度贝叶斯网络的SAR图像分割方法具有较好的分割效果。