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。     

一种基于主分量特征的快速SAR目标识别方法

实时性和识别率是评估SAR图像目标识别系统性能的两个主要指标.分析了影响这两个指标的关键因素,并以此为基础,提出了一种快速的SAR图像目标识别方法.该方法采用基于Hebb学习规则的自组织神经网络提取主分量特征,使用多层感知器神经网络(MLP NN)进行目标分类.实验对比分析表明,在识别率较高的同时,该方法具有内存需求少、运行速度快的特点,能用于实时处理.     

数学形态学在SAR图像目标识别中的应用

提出了一种能够从复杂背景的SAR图像中识别出圆状目标的方法。该方法首先对SAR图像进行双参数恒虚警(B-CFAR)预处理,排除明显的非目标区,增强下一步对目标的识别效果,然后着重分析了上下文相关加权的形态模板生成算法,在此基础上采用不同的数学形态学变换滤波方法对预处理后的SAR图像候选目标区进行识别,并与相关文献比较,对圆状目标得到了良好的识别效果。     

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。     

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。     

基于主元分析和稀疏表示的SAR图像目标识别

现有的合成孔径雷达图像目标识别方法通常包括图像预处理、特征提取和识别算法3部分。但是,预处理算法的自适应性很难得到保证。提出了一种基于主元分析和稀疏表示的目标识别算法。首先,阐述了稀疏表示和重构的基本理论;其次,提出了基于主元分析和稀疏表示的合成孔径雷达图像目标识别算法;最后,选取MSTAR数据库中的5类合成孔径雷达目标图像进行仿真。结果表明,在没有预处理的情况下,该算法仍能有效地识别目标,与主元分析和三阶近邻的识别算法相比,具有较高的识别率和鲁棒性。     

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。     

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。     

基于联合时频特征和HMM的多方位SAR目标识别

研究了联合时频特征和隐马尔科夫模型(hidden Markov model, HMM)的多方位合成孔径雷达(synthetic aperture radar, SAR)目标识别方法。利用HMM模型可以有效地对多方位SAR目标特征分析及识别。在HMM多方位SAR目标识别中的关键之一是SAR目标回波高分辨率距离像(high resolution range profile, HRRP)的特征提取。提出了一种时变频因子加权Fisher鉴别的特征提取方法。利用MSTAR实测SAR目标数据集进行了特征提取和识别实验,实验结果验证了方法的有效性。     

基于热核特征的SAR图像地物识别方法

采用了一种空间敏感度特征包(spatially sensitive bags of feature, SS BOF)来实现合成孔径雷达（synthetic aperture radar,SAR）图像的地物识别。首先采用推广的核模糊C 均值方法分割SAR图像,提取SAR图像目标图形;采用Harris角点检测子提取角点,接着对目标图形进行Delaunay三角剖分;采用cotangent weight方法对三角剖分图赋值,进而求得离散化Laplace Beltrami算子的特征值、特征向量,并计算SS BOF,进而对地物目标进行识别,其识别方法采用比L1相似准则效果更好的相关系数法;最后与热核迹等热核不变量特征以及Hu不变矩特征进行对比。实验表明：空间敏感度热核特征的识别率高于热核不变量的识别率,并与经典的Hu不变矩特征比较,识别率有所提高。     

一种有效的SAR图像分割与目标识别方法

在基于模板匹配的合成孔径雷达(syntheticapertureradar,SAR)目标识别中,一个关键问题就是如何从带有杂波的SAR图像中将目标正确分割出来,以便形成高质量的模板。针对这一问题提出了一种基于对数变换的自适应SAR图像分割方法并将其用于由美国国防高级研究计划署(DefenseAdvancedResearchProjectAgency,DARPA)和空军研究室(AirForceResearchLaboratory,AFRL)提供的实测SAR目标图像识别中。实验结果证明,经有效的目标分割后,不但提高了目标的正确识别率,还有效地提高了对假目标的拒识率,具有良好的鲁棒特性。     

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。     

SAR图像目标解译算法研究

针对SAR图像目标解译的困难,首先从SAR图像中的目标信息特点出发,深入分析和探讨了SAR图像中斑点噪声抑制算法,点状目标、线状目标和面状目标的特征表现及其检测算法;然后针对它们的不足进行了相应的改进,获得了更佳的性能;最后在此基础上提出了一个半自动人机协作的SAR图像目标解译框架.实验结果表明,所采用的解译算法和提出的方案是切实可行的.     

基于改进的CNN和数据增强的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题, 提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout, 随机删除部分神经元, 增强网络的泛化能力。其次, 在网络中引入L2正则化, 简化模型的同时降低结构风险, 并且能有效地抑制过拟合。然后, 采用Adam优化网络, 提高模型的收敛效率。最后, 采用优选的数据增强方法, 扩充SAR目标数据集, 为网络训练提供更为充足的样本, 进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验, 结果表明设计的卷积神经网络识别准确率高, 且具有更好的泛化性。     

基于独立分量分析的雷达目标识别方法

通过分析雷达距离像的数学模型,利用独立分量分析(independent component analysis,ICA)技术提取雷达距离像信号中的独立分量,并定义为独立基波形。将观测信号投影到几个峰度大的独立基波形上,得到的各个投影分量作为待识别的信号特征。由于独立基波形实际上对应了目标回波中的散射中心响应,使得通过该方法提取的特征不仅保持了独立性,而且还具有实际的物理意义。在此基础上,使用支持矢量机(support vectormachine,SVM)作为分类器,进行了仿真实验和对比实验,实验结果表明该方法是有效和可行的。     

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。