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。     

支持向量机在车辆目标识别中的应用

提出了利用支持向量机对战场侦察雷达目标回波信号进行处理,以实现对卡车、坦克等在地面运动的车辆目标进行分类识别的一种新算法。首先对雷达接收到的目标回波信号作频域分析,从中提取待分类目标信号的特征向量,然后利用所建立的支持向量机模型对目标信号作训练和识别,最后与经典谱分析和神经网络的方法作比较,并采用实际数据验证这种识别方法的有效性。     

基于SVD和MPSO-SVM的光纤周界

针对光纤振动信号有噪声干扰、识别信号类型准确率不高且识别时间长的问题,提出了基于奇异值分解(singular value decomposition, SVD)和改进粒子群优化支持向量机(modified particle swarm optimization support vector machine, MPSO-SVM)的识别方法。首先,采用SVD对信号去噪,根据奇异值序列二阶差分谱单边极小值原则确定信号重构秩阶次。其次,提取振动信号特征,利用串行特征融合(serial feature fusion, SFF)方法组建特征向量组。最后,利用MPSO-SVM进行分类识别,提高识别精度和算法效率。采用实测信号进行验证,结果表明,信噪比有明显提升,信号平均识别率较粒子群优化支持向量机(particle swarm optimization support vector machine, PSO-SVM)提升5%。该方法较传统神经网络识别方法有较好的效果,具有实际应用价值。     

基于支持向量机的低空飞行目标声识别

目标识别是战场低空飞行目标声预警技术的核心内容之一。为了满足声预警系统的要求,建立的识别器必须高效、具有较好的推广能力。采用了一种新的分类器一支持向量机对目标进行了分类识别。首先简要描述了直升机、巡航导弹的声信号特性,说明了支持向量机的原理。以自回归模型参数为特征向量对3种直升机、一种巡航导弹共4类目标进行了识别,并同一种前向反馈神经网络进行了识别比较。支持向量机和该神经网络得到的识别率分别为88.1%和84.1%,结果表明此方法的有效性。最后分析了两种分类器识别错误的原因,给出了提高识别率的建议。     

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。     

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。     

一种SAR图像目标识别方法

提出了一种新的合成孔径雷达 (SAR)图像目标检测和识别方法 ,该方法根据SAR图像统计分布特性 ,结合恒虚警检测算法和小波变换提取感兴趣的SAR图像目标特征 ,检测得到目标 ,采用马氏距离从杂波背景中识别该目标。实际SAR图像测试结果表明了该方法的有效性     

基于全局特征和局部特征组合的脸谱识别方法

本文中,提出了一种新的脸谱识别方法。首先利用核主分量分析技术提取脸谱图象的全局特征,然后利用独立分量分析技术提取脸谱图象的局部特征,分别挑选出部分局部特征向量与部分全局特征向量组合成脸谱的组合特征向量,然后利用支持向量机分类器进行识别。采用ORL脸谱库进行测试,并与其它特征提取方法进行了比较,实验结果显示基于组合特征方法的识别率明显优于其它方法。     

基于支持向量机的空中目标大类别分类

针对已有空中目标识别方法存在的经验风险大、识别率低等不足,依据空中目标的分类原则和纠错码设计原则,设计了针对该问题的纠错码,并训练了码位分类器,最后给出了基于支持向量机的空中目标大类别分类算法。该方法采用纠错编码支持向量机的多类分类技术,降低了经验风险,能对误差进行自动修正,有效地提高了识别率和识别速度。最后给出了一个算例,结果证实了该算法的有效性,并给出了与同类算法的比较结果。     

基于子类划分的SVM及水声目标识别应用

针对目标类空间的可分离性特点,研究了动态聚类与支持向量机相结合的基于子类划分的支持向量机.提出了以子类中心为基点度量训练样本惩罚度的方法.在采用动态聚类将目标类划分为子类的基础上,综合考虑训练样本与所属子类的距离、子类对所属目标类的隶属度及目标类间的关系,以度量不同训练样本的惩罚度.并应用于水声目标识别中,对两类舰船目标的识别情况进行了比较,实验表明效果好于经典支持向量机.     

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。     

一种改进的基于SVM的SAR目标及阴影图像分割方法

提出了一种基于支持向量机(support vector machine, SVM)的合成孔径雷达(synthetic aperture radar, SAR)目标及阴影图像的改进分割方法。利用分类的思想对SAR图像进行分割,其中分类器是通过循环不断更新训练样本的方式完成训练,循环次数由计算相邻两次分割图像熵的差值来控制。用DARPA (defense advanced research project agency)和Sandia实验室提供的实测数据进行分割实验。结果表明,所提算法得到的分类器性能更加优越,同时能够减少初始分割中阈值的选取对分类器性能的影响,有效地提高了SAR目标及阴影图像的分割质量。     

基于复值HRRP CICA特征的多方位SAR目标识别

提出了一种基于雷达目标复距离像复值独立分量分析（complex independent component analysis, CICA）的合成孔径雷达（synthetic aperture radar, SAR）目标多方位散射特征提取和识别方法。根据雷达目标散射机理,将目标高分辨率复距离像建模为多个散射中心的复相干叠加。在分析复距离像的基础上,采用CICA方法实现了距离像中每个散射中心响应的分离。针对每个散射中心响应,利用高阶矩方法提取特征矢量。分类器基于隐马尔可夫模型（hidden Markov model, HMM）设计。采用美国运动和静止目标获取与识别（moving and stationary target acquistion and recognition, MSTAR）计划公开发布的目标实测数据进行算法实验,实验结果说明了提出方法具有较好的识别率。     

New algorithm of target classification in polarimetric SAR

The different approaches used for target decomposition （TD） theory in radar polarimetry are reviewed and three main types of theorems are introduced： those based on Mueller matrix, those using an eigenvector analysis of the coherency matrix, and those employing coherent decomposition of the scattering matrix. Support vector machine （SVM）, as a novel approach in pattern recognition, has demonstrated success in many fields. A new algorithm of target classification, by combining target decomposition and the support vector machine, is proposed. To conduct the experiment, the polarimetric synthetic aperture radar （SAR） data are used. Experimental results show that it is feasible and efficient to target classification by applying target decomposition to extract scattering mechanisms, and the effects of kernel function and its parameters on the classification efficiency are significant.     

基于模糊综合评判的车辆目标SAR仿真图像评估方法

为了验证理论建模计算合成孔径雷达(synthetic aperture radar,SAR)仿真图像的准确性,给出基于层次分析法(analytic hierarchy process, AHP)、模糊综合评判(fuzzy comprehensive evaluation,FCE)、图像特征与Fisher可分性及目标识别等知识综合的车辆目标SAR仿真图像评估方法。首先确定五级评语集{优秀,良好,中等,较差,很差},然后根据AHP构建评估因素集,分别利用Fisher可分性判据和目标识别率确定二级FCE的两层权重向量,再依据图像相似度评价标准区间构建模糊隶属函数,最后将权重向量和模糊关系矩阵合成计算出仿真和实测图像的FCE结果,即模糊向量,对模糊向量按照最大隶属原则给出评价结果。通过对车辆目标的仿真与实测SAR图像进行比对分析结果显示,该方法可以准确客观地反映出SAR仿真与实测图像之间的相似程度。     

基于地形起伏和SVM的SAR景象MSA选取

为提高合成孔径雷达(synthetic aperture radar, SAR)景象匹配区(matching suitable areas,MSA)的匹配概率和匹配精度,提出基于支持向量机(support vector machine, SVM)的SAR景象MSA选取方法。首先结合SAR图像特性,选取基于数字高程模型、基于灰度和基于特征的3级特征参数;然后基于综合特征量,利用SVM训练样本数据,得到MSA决策函数。该方法充分考虑了SAR图像信息对MSA选取结果的影响及特征参数间的相关性,能够有效规划出高性能的匹配区。

---

     

Improved particle swarm optimization algorithm for fuzzy multi-class SVM

An improved particle swarm optimization (PSO) algorithm is proposed to train the fuzzy support vector machine (FSVM) for pattern multi-classification. In the improved algorithm, the particles studies not only from itself and the best one but also from the mean value of some other particles. In addition, adaptive mutation was introduced to reduce the rate of premature convergence. The experimental results on the synthetic aperture radar (SAR) target recognition of moving and stationary target acquisition and recognition (MSTAR) dataset and character recognition of MNIST database show that the improved algorithm is feasible and effective for fuzzy multi-class SVM training.     

基于多特征和WSVM的SAR图像河流目标检测

为进一步提高合成孔径雷达(synthetic aperture radar, SAR)图像中河流目标检测的准确性,本文提出了基于多特征和小波支持向量机(wavelet support vector machine, WSVM)的SAR图像河流目标检测方法。首先使用均值比表示像素点邻域的灰度特征,Gabor小波提取其纹理特征,并将其融合构造训练样本;然后将归一化处理后的特征矩阵输入WSVM进行训练,并利用训练好的WSVM对图像的每个像素点进行分类;最后根据河流的区域连通性和面积、形状特征,去除阴影、湖泊等与河流相似的区域。大量实验结果表明,与其他河流目标检测方法相比,本文方法检测的河流目标更加完整,背景与河流的误分区域更少,河流边缘保持得更好。