结合全局和局部稀疏表示的SAR图像目标识别方法
发布时间：2021-01-04 12:51
提出结合全局和局部稀疏表示的合成孔径雷达（SAR）目标识别方法。基于全局字典的稀疏表示可以比较各个训练类别对于测试样本的相对表征能力。而基于局部字典的稀疏表示则体现各个类别对于测试样本的绝对描述能力。因此,两者的结果具有良好的互补性,可以为正确决策提供更充分的信息。采用D-S （Dempster-Shafer）证据理论对两者的决策矢量（即重构误差）进行决策融合从而得到更为稳健的识别结果。基于MSTAR数据集进行了目标识别实验并与其他SAR目标识别方法进行了充分对比,实验结果证明了提出方法的有效性。
【文章来源】：电子测量与仪器学报. 2020年02期 北大核心
【文章页数】：7 页
【部分图文】：
结合全局和局部稀疏表示的SAR目标识别方法的流程
首先基于表1的训练和测试集对提出方法进行测试。此时,训练和测试样本之间仅存在较小的俯仰角和型号(BMP2和T72)差异,可近似认为是标准操作条件。本文方法的识别结果展示如图3所示。其中,对角线上的元素分别对应不同类别的正确识别率。可见,在本文方法下,各类目标的正确识别率均达到97%以上,10类目标的平均识别率达到98.54%。这一结果充分证明了提出方法在标准操作条件下的有效性。表2为各类方法的平均识别率。经过对比,本文方法的性能优于其他方法。尽管深度学习模型具有较强的分类能力,当其性能与训练样本的覆盖面紧密相关。表1所示的实验设置中,BMP2和T72的测试样本与训练样本存在一定的型号差异,这导致CNN方法的性能出现了一定的下降。特别地,与GSRC和LSRC相比,本文通过结合两者的表示能力,有效提升了最终的识别性能。可见,结合全局和局部稀疏表示是提高标准操作条件下SAR目标识别性能的有效手段之一。表1 十类目标标准操作条件下训练和测试集Table 1 Training and test sets of the ten targets under the standard operating condition. 类别 BMP2 BTR70 T72 T62 BDRM2 BTR60 ZSU23/4 D7 ZIL131 2S1 训练集 232(Sn_9566) 233 231(Sn_812) 299 298 256 299 299 299 299 测试集 195(Sn_9563) 196 196(Sn_132) 273 274 195 274 274 274 274 196(Sn_9566) 195(Sn_812) 196(Sn_c21) 191(Sn_s7)
表1 十类目标标准操作条件下训练和测试集Table 1 Training and test sets of the ten targets under the standard operating condition. 类别 BMP2 BTR70 T72 T62 BDRM2 BTR60 ZSU23/4 D7 ZIL131 2S1 训练集 232(Sn_9566) 233 231(Sn_812) 299 298 256 299 299 299 299 测试集 195(Sn_9563) 196 196(Sn_132) 273 274 195 274 274 274 274 196(Sn_9566) 195(Sn_812) 196(Sn_c21) 191(Sn_s7)表2 标准操作条件下的平均识别率Table 2 Average recognition rates understandard operating condition 方法类型 平均识别率/% 本文方法 98.54 KNN 93.15 SVM 95.11 CNN 97.69 GSRC 94.66 LSRC 95.61
【参考文献】：
期刊论文
[1]基于KNN的合成孔径雷达目标识别[J]. 郝岩,白艳萍,张校非. 火力与指挥控制. 2018(09)
[2]SAR图像多层次正则化增强及在目标识别中的应用[J]. 谢晴,张洪. 电子测量与仪器学报. 2018(09)
[3]改进D-S证据理论在变电站人体跌倒检测的应用[J]. 王磊,江伟建,孙朋,夏飞. 电子测量与仪器学报. 2017(07)
[4]基于三维电磁散射参数化模型的SAR目标识别方法[J]. 文贡坚,朱国强,殷红成,邢孟道,杨虎,马聪慧,闫华,丁柏圆,钟金荣. 雷达学报. 2017(02)
[5]属性散射中心匹配及其在SAR目标识别中的应用[J]. 丁柏圆,文贡坚,余连生,马聪慧. 雷达学报. 2017(02)
[6]基于仿真SAR和SVM分类器的目标识别技术研究[J]. 刘长清,陈博,潘舟浩,王卫红,唐晓斌. 中国电子科学研究院学报. 2016(03)
[7]基于几何特征的高分辨率SAR图像飞机目标解译方法[J]. 高君,高鑫,孙显. 国外电子测量技术. 2015(08)
[8]结合KPCA和稀疏表示的SAR目标识别方法研究[J]. 韩萍,王欢. 信号处理. 2013(12)
本文编号：2956795
【文章来源】：电子测量与仪器学报. 2020年02期 北大核心
【文章页数】：7 页
【部分图文】：
结合全局和局部稀疏表示的SAR目标识别方法的流程
首先基于表1的训练和测试集对提出方法进行测试。此时,训练和测试样本之间仅存在较小的俯仰角和型号(BMP2和T72)差异,可近似认为是标准操作条件。本文方法的识别结果展示如图3所示。其中,对角线上的元素分别对应不同类别的正确识别率。可见,在本文方法下,各类目标的正确识别率均达到97%以上,10类目标的平均识别率达到98.54%。这一结果充分证明了提出方法在标准操作条件下的有效性。表2为各类方法的平均识别率。经过对比,本文方法的性能优于其他方法。尽管深度学习模型具有较强的分类能力,当其性能与训练样本的覆盖面紧密相关。表1所示的实验设置中,BMP2和T72的测试样本与训练样本存在一定的型号差异,这导致CNN方法的性能出现了一定的下降。特别地,与GSRC和LSRC相比,本文通过结合两者的表示能力,有效提升了最终的识别性能。可见,结合全局和局部稀疏表示是提高标准操作条件下SAR目标识别性能的有效手段之一。表1 十类目标标准操作条件下训练和测试集Table 1 Training and test sets of the ten targets under the standard operating condition. 类别 BMP2 BTR70 T72 T62 BDRM2 BTR60 ZSU23/4 D7 ZIL131 2S1 训练集 232(Sn_9566) 233 231(Sn_812) 299 298 256 299 299 299 299 测试集 195(Sn_9563) 196 196(Sn_132) 273 274 195 274 274 274 274 196(Sn_9566) 195(Sn_812) 196(Sn_c21) 191(Sn_s7)
表1 十类目标标准操作条件下训练和测试集Table 1 Training and test sets of the ten targets under the standard operating condition. 类别 BMP2 BTR70 T72 T62 BDRM2 BTR60 ZSU23/4 D7 ZIL131 2S1 训练集 232(Sn_9566) 233 231(Sn_812) 299 298 256 299 299 299 299 测试集 195(Sn_9563) 196 196(Sn_132) 273 274 195 274 274 274 274 196(Sn_9566) 195(Sn_812) 196(Sn_c21) 191(Sn_s7)表2 标准操作条件下的平均识别率Table 2 Average recognition rates understandard operating condition 方法类型 平均识别率/% 本文方法 98.54 KNN 93.15 SVM 95.11 CNN 97.69 GSRC 94.66 LSRC 95.61
【参考文献】：
期刊论文
[1]基于KNN的合成孔径雷达目标识别[J]. 郝岩,白艳萍,张校非. 火力与指挥控制. 2018(09)
[2]SAR图像多层次正则化增强及在目标识别中的应用[J]. 谢晴,张洪. 电子测量与仪器学报. 2018(09)
[3]改进D-S证据理论在变电站人体跌倒检测的应用[J]. 王磊,江伟建,孙朋,夏飞. 电子测量与仪器学报. 2017(07)
[4]基于三维电磁散射参数化模型的SAR目标识别方法[J]. 文贡坚,朱国强,殷红成,邢孟道,杨虎,马聪慧,闫华,丁柏圆,钟金荣. 雷达学报. 2017(02)
[5]属性散射中心匹配及其在SAR目标识别中的应用[J]. 丁柏圆,文贡坚,余连生,马聪慧. 雷达学报. 2017(02)
[6]基于仿真SAR和SVM分类器的目标识别技术研究[J]. 刘长清,陈博,潘舟浩,王卫红,唐晓斌. 中国电子科学研究院学报. 2016(03)
[7]基于几何特征的高分辨率SAR图像飞机目标解译方法[J]. 高君,高鑫,孙显. 国外电子测量技术. 2015(08)
[8]结合KPCA和稀疏表示的SAR目标识别方法研究[J]. 韩萍,王欢. 信号处理. 2013(12)
本文编号：2956795
本文链接：https://www.wllwen.com/kejilunwen/wltx/2956795.html
