針對(duì)SAR圖像的樹形稀疏表示結(jié)構(gòu)識(shí)別算法研究

陳春林，張 禮，劉學(xué)軍

(南京航空航天大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南京 211106)

針對(duì)SAR圖像的樹形稀疏表示結(jié)構(gòu)識(shí)別算法研究

陳春林，張 禮，劉學(xué)軍

(南京航空航天大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南京 211106)

為了提高SAR圖像的目標(biāo)識(shí)別能力，在一般稀疏表示方法的基礎(chǔ)上，提出了一種基于樹形稀疏表示結(jié)構(gòu)識(shí)別算法—稀疏表示樹，以提高目標(biāo)型號(hào)的識(shí)別準(zhǔn)確率。稀疏表示樹是由多個(gè)節(jié)點(diǎn)組成的樹形分類器，在每個(gè)節(jié)點(diǎn)上設(shè)計(jì)針對(duì)該節(jié)點(diǎn)設(shè)計(jì)的稀疏表示字典和分類器。在單個(gè)節(jié)點(diǎn)上利用稀疏表示算法求解未知樣本的特征向量，并按照重構(gòu)誤差最小原則實(shí)現(xiàn)目標(biāo)型號(hào)識(shí)別。稀疏表示樹方法根據(jù)父節(jié)點(diǎn)識(shí)別結(jié)果，將稀疏表示結(jié)果相似的樣本型號(hào)作為子集傳遞到子節(jié)點(diǎn)，并設(shè)計(jì)新的字典和分類器進(jìn)行識(shí)別。在MSTAR SAR圖像數(shù)據(jù)集上的實(shí)測結(jié)果表明，所構(gòu)建的稀疏表示樹與數(shù)據(jù)集數(shù)據(jù)分布情況一致，并且將目標(biāo)型號(hào)識(shí)別率提高至84%，與傳統(tǒng)的稀疏表示分類器方法相比，在不增加太多時(shí)間開銷的條件下可有效提高目標(biāo)型號(hào)的識(shí)別準(zhǔn)確率。

SAR目標(biāo)識(shí)別；型號(hào)識(shí)別；樹形信息字典；稀疏表示；字典學(xué)習(xí)

1 摘 要

自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition，ATR)在社會(huì)安全、環(huán)境監(jiān)測、國土防御等軍用和民用領(lǐng)域扮演著重要角色。合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)因其能突破光照、天氣、時(shí)間限制，獲得高分辨率的目標(biāo)圖像等優(yōu)勢，成為現(xiàn)代目標(biāo)感知探測的重要手段，也是可靠的目標(biāo)識(shí)別數(shù)據(jù)來源[1-2]。在實(shí)際應(yīng)用中，SAR圖像對(duì)目標(biāo)與雷達(dá)視角的方位關(guān)系非常敏感，同一目標(biāo)在不同視角下會(huì)有很大差異，傳統(tǒng)方法在目標(biāo)識(shí)別性能方面仍然不夠理想。如何利用SAR圖像鑒別目標(biāo)仍然是當(dāng)前研究的熱點(diǎn)和難點(diǎn)。

目前的雷達(dá)目標(biāo)識(shí)別方法主要依照兩種思路：基于模版的方法[3]和基于模型的方法[4]?；谀０娴姆椒ㄐ枰占繕?biāo)在各個(gè)不同視角下的圖像樣本，構(gòu)成目標(biāo)圖像模版庫，直接計(jì)算待識(shí)別樣本和模版庫中樣本的相關(guān)性來識(shí)別目標(biāo)。這種思路由于樣本收集困難和比對(duì)過程計(jì)算開銷太大，難以適應(yīng)現(xiàn)代目標(biāo)識(shí)別需求。而基于模型的方法通過實(shí)現(xiàn)有效特征提取，減少了樣本收集對(duì)識(shí)別的影響。提取特征的方法包括主成分分量分析(Principal Component Analysis，PCA)[5]、線性判別分析(Linear Discriminant Analysis，LDA)[6]、高斯過程隱變量模型[7](Gaussian Process Latent Variable Model，GPLVM)等。這些方法能夠克服目標(biāo)圖像背景變化、相干噪聲的問題，獲得較好的特征表示結(jié)果。

稀疏表示作為一種有效的信號(hào)表示方法，在多個(gè)領(lǐng)域得到應(yīng)用，如目標(biāo)跟蹤[8]、人臉識(shí)別[9]、表情識(shí)別[10]等圖像識(shí)別領(lǐng)域，以及信號(hào)去噪、圖像重建、雷達(dá)成像[11]、雷達(dá)目標(biāo)識(shí)別等信號(hào)處理領(lǐng)域。在雷達(dá)目標(biāo)識(shí)別應(yīng)用中，稀疏表示方法相比于其他特征提取方法，可以擺脫識(shí)別過程中對(duì)目標(biāo)姿態(tài)估計(jì)的需要，避免目標(biāo)姿態(tài)對(duì)特征表示的影響。最簡單的方法是直接使用訓(xùn)練集中樣本歸一化后構(gòu)成信息字典，根據(jù)最小重建誤差原則構(gòu)造分類器，進(jìn)行目標(biāo)識(shí)別[12]。在該方法的基礎(chǔ)上，有學(xué)者提出先對(duì)SAR圖像進(jìn)行2DPCA降維，解決稀疏表示識(shí)別算法存在的高維問題[13]，提高識(shí)別精度。除了直接使用訓(xùn)練樣本構(gòu)成稀疏表示字典，還有學(xué)者提出通過字典學(xué)習(xí)的方法，從訓(xùn)練集中學(xué)習(xí)出稀疏表示字典。這種方法同時(shí)降低了字典的冗余性和稀疏表示求解的運(yùn)算量，達(dá)到了更好的識(shí)別效果。

傳統(tǒng)的SAR目標(biāo)識(shí)別算法主要研究目標(biāo)類型的識(shí)別，將同一種類型不同型號(hào)的目標(biāo)識(shí)別為同一類型的目標(biāo)。由于同類目標(biāo)在配置結(jié)構(gòu)有一定差異，比如同種坦克是否加裝有機(jī)關(guān)槍、是否展開天線，同種步戰(zhàn)車是否加裝炮筒等，即同種目標(biāo)存在多個(gè)變體，這使得目標(biāo)識(shí)別更加困難。如何處理存在型號(hào)變體導(dǎo)致的識(shí)別誤差一直是研究的重點(diǎn)。型號(hào)變體的存在帶來兩種問題，一是變體目標(biāo)的類型識(shí)別，二是變體型號(hào)的識(shí)別。戰(zhàn)場環(huán)境下，變體型號(hào)的識(shí)別能夠提供更多的戰(zhàn)場感知信息，對(duì)戰(zhàn)事預(yù)判有重要的意義，因此獲得了越來越多的關(guān)注。

為了應(yīng)對(duì)變體型號(hào)識(shí)別困難的問題，提出了樹形結(jié)構(gòu)的稀疏表示分類器—稀疏表示樹(Tree-structure sparse coding classifier)。根據(jù)根節(jié)點(diǎn)識(shí)別結(jié)果將樣本映射到不同的子節(jié)點(diǎn)，每個(gè)子節(jié)點(diǎn)上的字典和分類器是針對(duì)該節(jié)點(diǎn)樣本設(shè)計(jì)的，用來對(duì)根節(jié)點(diǎn)上具有相似結(jié)構(gòu)的同種類型不同型號(hào)的樣本重新分類。MSTAR數(shù)據(jù)集上的驗(yàn)證結(jié)果表明，稀疏表示樹結(jié)構(gòu)與樣本分布情況一致，并獲得了比一般稀疏表示方法更高的型號(hào)識(shí)別準(zhǔn)確率。

2 方 法

2.1 稀疏表示相關(guān)背景

稀疏表示是使用一組基上很少的元素線性組合，求得樣本的近似表示。通過計(jì)算一個(gè)樣本的稀疏表示向量，對(duì)輸入數(shù)據(jù)進(jìn)行編碼，能夠獲得比統(tǒng)計(jì)模型對(duì)噪聲和缺失數(shù)據(jù)更加魯棒的特征表示向量[13]。對(duì)單個(gè)信號(hào)xRp,給定字典DεRp×k，稀疏表示向量αεRk，當(dāng)滿足如下條件：

(1)

或者

(2)

其中，‖α‖0表示l0范數(shù)，計(jì)算α中非零元素的個(gè)數(shù)；ε表示重構(gòu)允許誤差上限；T表示稀疏系數(shù)。

式(1)或式(2)表示尋找字典D中的最小原子集近似線性表示原信號(hào)x。由于求解方程(1)或(2)中需要計(jì)算非零元素個(gè)數(shù)，這是一個(gè)NP-hard問題，可以通過將l0范數(shù)軟化成l1范數(shù)，然后使用松弛算法(如基追蹤)或者貪婪算法(如匹配追蹤、正交匹配追蹤)求解[14]。

稀疏表示的關(guān)鍵問題是字典基構(gòu)造，用于稀疏表示的基叫做字典，既可以是基于分析的固定的字典，如常用的傅里葉基、小波基，也可以是源于數(shù)據(jù)的構(gòu)造字典，比如直接由樣本組成的字典，或者通過對(duì)樣本集進(jìn)行訓(xùn)練獲得的更加具有針對(duì)性的字典[15]。通過KSVD[16-17]算法求解如下方程獲得從樣本中學(xué)習(xí)的字典：

(3)

其中，D表示需要學(xué)習(xí)的字典；α表示樣本X的稀疏表示矩陣。

KSVD是由K-means擴(kuò)展而來的基于聚類思想的字典學(xué)習(xí)方法，通過迭代方法逐步更新字典中每個(gè)原子，在嚴(yán)格的稀疏度約束條件下獲得源數(shù)據(jù)最佳稀疏表示。每次迭代中首先假設(shè)字典D固定，使用MP、OMP方法尋找X在D上的稀疏表示矩陣α，然后根據(jù)α通過SVD分解找到更好的字典D。每次迭代在不超過T個(gè)原子線性組合的條件下降低‖X-Dα‖的誤差，直到最終收斂。

文獻(xiàn)[12]指出，利用稀疏表示進(jìn)行目標(biāo)識(shí)別的原理是，同樣一個(gè)目標(biāo)的SAR圖像取決于雷達(dá)和目標(biāo)之間的角度和方位，因而同類別目標(biāo)的SAR圖像分布在一個(gè)維度遠(yuǎn)低于圖像維度的流形結(jié)構(gòu)中，未知樣本可以用與其來自同一個(gè)流形結(jié)構(gòu)的局部樣本線性表示。因此未知標(biāo)號(hào)的測試樣本在由同類樣本重構(gòu)時(shí)獲得最優(yōu)表示。尋找未知樣本在不同標(biāo)號(hào)樣本構(gòu)成的字典上重構(gòu)誤差最小的標(biāo)號(hào)，作為目標(biāo)識(shí)別結(jié)果。給定稀疏表示字典集合:

D=[D1,D2,…,Dn]=[d1,1,d1,2,…,dn,K]

其中，Di表示第i個(gè)類型樣本學(xué)習(xí)出的字典；di,k表示第i個(gè)類型中的第k個(gè)原子。

求解最小重構(gòu)誤差完成測試樣本的類別判斷：

(4)

其中，δc(α)=[0,…,0,αi,1,αi,2,…,αi,k,0,…,0]表示，除了字典原子對(duì)應(yīng)類標(biāo)號(hào)為i的原子系數(shù)不為零，其他系數(shù)為零。

2.2 稀疏表示樹

在一般稀疏表示方法中，未知樣本經(jīng)過稀疏編碼獲得稀疏表示，作為特征向量輸入分類器，得到分類結(jié)果。在稀疏表示過程中，相似類別的樣本往往會(huì)有相同或相似的稀疏表示向量，比如同種類型的目標(biāo)由于其結(jié)構(gòu)相似，會(huì)有相似的稀疏表示結(jié)果。稀疏表示樹在每個(gè)節(jié)點(diǎn)上建立稀疏表示字典和分類器，根據(jù)分類結(jié)果對(duì)發(fā)生混淆的目標(biāo)建立新的節(jié)點(diǎn)繼續(xù)分類，以及輸出不發(fā)生混淆的目標(biāo)識(shí)別結(jié)果。

稀疏表示樹是從上而下建立的，每個(gè)節(jié)點(diǎn)的建立分為三個(gè)過程：學(xué)習(xí)稀疏字典；設(shè)計(jì)分類器；根據(jù)分類器輸出結(jié)果派生子節(jié)點(diǎn)，確定子節(jié)點(diǎn)分類目標(biāo)。詳細(xì)過程如下：

(1)字典學(xué)習(xí)：根據(jù)該節(jié)點(diǎn)的分類目標(biāo)，從訓(xùn)練集中選取對(duì)應(yīng)的樣本學(xué)習(xí)稀疏表示字典。比如根節(jié)點(diǎn)對(duì)所有型號(hào)進(jìn)行識(shí)別，因此選取訓(xùn)練集中所有樣本作為字典學(xué)習(xí)輸入數(shù)據(jù)；子節(jié)點(diǎn)識(shí)別某幾種具體型號(hào)，選擇訓(xùn)練集中這部分型號(hào)樣本作為訓(xùn)練數(shù)據(jù)，學(xué)習(xí)相應(yīng)稀疏表示字典。字典學(xué)習(xí)可通過求解式(3)獲得稀疏表示字典。

(2)分類器設(shè)計(jì)：利用步驟(1)中學(xué)習(xí)的字典求解樣本稀疏表示向量，輸入分類器識(shí)別。分類方法選用稀疏表示分類器、SVM等常用分類器。

(3)傳遞規(guī)則判斷：分析分類器識(shí)別結(jié)果，將分類結(jié)果中混淆在一起的類別作為新的分類要求，派生到子節(jié)點(diǎn)，對(duì)不發(fā)生混淆的類別直接輸出分類結(jié)果。

如圖1 所示，左側(cè)為根節(jié)點(diǎn)識(shí)別6×6混淆矩陣示意圖，灰色陰影的深淺程度表示樣本數(shù)目多少。圖中上面兩種，中間三種出現(xiàn)兩個(gè)明顯的陰隱塊區(qū)域，表示這兩個(gè)區(qū)域的樣本發(fā)生混淆，右下角只有一個(gè)色塊，表示不與其他類別發(fā)生混淆。判斷傳遞規(guī)則的時(shí)候，分成三個(gè)組別，如右側(cè)從上到下三個(gè)子混淆矩陣，右側(cè)上面兩個(gè)組由多個(gè)型號(hào)組成，分別派生子節(jié)點(diǎn)，子節(jié)點(diǎn)使用這些型號(hào)樣本設(shè)計(jì)新的稀疏字典和稀疏表示分類器。右下角代表的組由于只有一種類別，因此直接輸出識(shí)別結(jié)果。

圖1 稀疏表示樹傳遞規(guī)則展示

稀疏表示樹建立過程如算法1所示。

算法1：稀疏表示樹建立算法：

輸入：SAR目標(biāo)圖像X

根節(jié)點(diǎn)字典學(xué)習(xí)：

s.t. ?i,‖αi‖0

根節(jié)點(diǎn)分類器:

G←Cij:

Cij為根節(jié)點(diǎn)分類結(jié)果混淆矩陣

G←{g1,g2…},gi表示屬于該分組的樣本標(biāo)號(hào)集合

子節(jié)點(diǎn)字典學(xué)習(xí)：

s.t. ?i,‖αi‖

輸出：Droot,Dg，G

使用稀疏表示樹進(jìn)行目標(biāo)識(shí)別時(shí)，給定一個(gè)測試樣本，首先計(jì)算該未知樣本在根節(jié)點(diǎn)的稀疏表示字典上的稀疏表示向量，然后經(jīng)過根節(jié)點(diǎn)的分類器識(shí)別出該樣本所屬的目標(biāo)型號(hào)。如果識(shí)別結(jié)果顯示該目標(biāo)型號(hào)所在組中只有一個(gè)型號(hào)，則直接輸出識(shí)別結(jié)果，否則將該樣本派生到對(duì)應(yīng)的識(shí)別節(jié)點(diǎn)上，重新用此節(jié)點(diǎn)上稀疏表示字典計(jì)算稀疏表示向量，并使用該節(jié)點(diǎn)上分類器識(shí)別型號(hào)并輸出結(jié)果。

3 實(shí) 驗(yàn)

3.1 MSTAR數(shù)據(jù)集

現(xiàn)有的SAR目標(biāo)識(shí)別文獻(xiàn)，多使用MSTAR[18]數(shù)據(jù)集對(duì)其方法進(jìn)行驗(yàn)證。為了方便與現(xiàn)有方法進(jìn)行比較，也使用該數(shù)據(jù)集驗(yàn)證稀疏表示樹的識(shí)別結(jié)果。MSTAR數(shù)據(jù)集是美國國防部高級(jí)研究計(jì)劃署和空軍研究室提供的移動(dòng)和靜止目標(biāo)獲取與識(shí)別計(jì)劃(Moving and Stationary Target Acquisition and Recognition，MSTAR)錄取的地面軍事車輛聚束式SAR圖像數(shù)據(jù)集。MSTAR數(shù)據(jù)集中提供了三種類型的車輛：BMP2步兵戰(zhàn)車，BTR70、T72兩種主戰(zhàn)坦克。其中BMP2步兵戰(zhàn)車下有SN9663、SN966、SNC21三種型號(hào)；T72主戰(zhàn)坦克下有SN132、SN812、SNS7三種型號(hào)。每個(gè)型號(hào)都提供17°和15°兩種視角下的0°～360°方位角下若干圖像樣本。每個(gè)樣本的像素分辨率為128×128像素，尺寸分辨率為0.3×0.3 m。

數(shù)據(jù)庫信息統(tǒng)計(jì)見表1。

表1 實(shí)驗(yàn)數(shù)據(jù)集信息匯總

對(duì)數(shù)據(jù)集進(jìn)行截取預(yù)處理，用來減少目標(biāo)區(qū)域周圍的背景雜波以及后續(xù)處理的運(yùn)算量。通過截取，保留所需要識(shí)別的整個(gè)目標(biāo)，將原始128×128圖像縮小成64×64的小幅圖像，得到最終識(shí)別使用的圖像。

3.2 建立稀疏表示樹

統(tǒng)計(jì)稀疏表示樹建立過程中的根節(jié)點(diǎn)識(shí)別結(jié)果，做出的混淆矩陣如圖2所示，其中每一行表示測試集中一個(gè)型號(hào)的全部樣本識(shí)別結(jié)果。

圖2 根節(jié)點(diǎn)識(shí)別結(jié)果

從圖中看出,SN9563、SN9566、SNC21三種型號(hào)彼此發(fā)生混淆，比如SN9563的所有測試樣本有98.5%被識(shí)別成這三種型號(hào)，只有1.5%的樣本被識(shí)別成這三種之外的型號(hào)。因此建立傳遞規(guī)則時(shí)，將SN9563、SN9566、SNC21這三種型號(hào)的樣本派生到新建立的子節(jié)點(diǎn)，由子節(jié)點(diǎn)繼續(xù)識(shí)別具體型號(hào)。同樣對(duì)彼此發(fā)生混淆的SN132、SN812、S7三種型號(hào)目標(biāo)建立子節(jié)點(diǎn)識(shí)別，而SNC71直接輸出識(shí)別結(jié)果。

對(duì)比稀疏表示樹結(jié)構(gòu)與數(shù)據(jù)集，可以發(fā)現(xiàn)SN9563、SN9566、C21這三種型號(hào)同屬BMP2步兵戰(zhàn)車類型，SN132、SN812、S7同屬T72坦克類型，而SNC71屬于BTR70坦克類型。因?yàn)橄嗨频耐庑魏徒Y(jié)構(gòu)，同類目標(biāo)具有很強(qiáng)的相似性，如果只利用根節(jié)點(diǎn)稀疏表示字典，會(huì)得出相似的稀疏表示，不能提供更多的型號(hào)分類信息，因而需要建立子節(jié)點(diǎn)，提供更加特異的稀疏表示字典進(jìn)行進(jìn)一步識(shí)別。

3.3 稀疏編碼樹驗(yàn)證

圖3中展示了構(gòu)造的稀疏表示樹結(jié)構(gòu)，該稀疏表示樹中擁有三個(gè)節(jié)點(diǎn)，其中一個(gè)根節(jié)點(diǎn)，兩個(gè)子節(jié)點(diǎn)。根節(jié)點(diǎn)的輸入為全部型號(hào)測試樣本，根據(jù)根節(jié)點(diǎn)識(shí)別結(jié)果的不同派生到不同的子節(jié)點(diǎn)，或者直接輸出識(shí)別結(jié)果，子節(jié)點(diǎn)1作為SN132、SN812、S7三種型號(hào)識(shí)別節(jié)點(diǎn)，子節(jié)點(diǎn)2作為SN9563、SN9566、SNC21三種型號(hào)識(shí)別節(jié)點(diǎn)。

圖3 稀疏表示樹

以一個(gè)SN9563型號(hào)的樣本識(shí)別過程為例，說明稀疏表示樹的識(shí)別原理。未知樣本在根節(jié)點(diǎn)分類結(jié)果顯示，由第一個(gè)或第三個(gè)型號(hào)字典分別重建。而比較這兩個(gè)重建結(jié)果，由第三類別重建的誤差最小，重建結(jié)果優(yōu)于第一個(gè)型號(hào)字典單獨(dú)重建結(jié)果，因此輸出類標(biāo)號(hào)為C21，屬于SN9563、SN9566、C21構(gòu)成的組合，因此派生到子節(jié)點(diǎn)2上繼續(xù)識(shí)別。而在使用子節(jié)點(diǎn)2上的稀疏字典計(jì)算稀疏表示向量并計(jì)算重建誤差輸出型號(hào)識(shí)別結(jié)果。子節(jié)點(diǎn)上重建結(jié)果顯示，使用子節(jié)點(diǎn)中第一種型號(hào)樣本訓(xùn)練字典進(jìn)行重建的誤差最小，輸出最終類標(biāo)號(hào)SN9563。

圖4是稀疏編碼樹識(shí)別結(jié)果，對(duì)比圖4和圖2的SN812樣本的識(shí)別結(jié)果。

圖4 子節(jié)點(diǎn)識(shí)別結(jié)果統(tǒng)計(jì)

圖4中，樣本識(shí)別準(zhǔn)確率為74.5%,另外共有24.1%的樣本被錯(cuò)分成T72其他型號(hào)。通過派生子節(jié)點(diǎn)繼續(xù)識(shí)別型號(hào)，將準(zhǔn)確率提高到87.7%，而錯(cuò)分到T72其他型號(hào)的樣本降低到11.4%。統(tǒng)計(jì)其他型號(hào)的識(shí)別準(zhǔn)確率，對(duì)比根節(jié)點(diǎn)均有不同幅度提高。

為比較不同方法識(shí)別目標(biāo)型號(hào)的能力，選取SRC、KSVD-SRC以及TREE-KSVD-SRC，統(tǒng)計(jì)識(shí)別結(jié)果如表2所示。其中，SRC方法設(shè)置使用訓(xùn)練集中所有樣本構(gòu)成字典，以及每種型號(hào)選取與其他方法字典原子相同個(gè)數(shù)的樣本構(gòu)成稀疏表示字典。結(jié)果顯示，全部樣本構(gòu)成稀疏字典的識(shí)別方法結(jié)果最好，但是識(shí)別全部測試樣本所需的時(shí)間是其他幾種方法的六倍以上，不能滿足實(shí)際使用中在對(duì)雷達(dá)目標(biāo)識(shí)別的時(shí)效性要求，因而實(shí)際使用價(jià)值不大。

表2 目標(biāo)識(shí)別不同方法對(duì)比

對(duì)比使用部分訓(xùn)練集構(gòu)成字典的SRC方法與KSVD-SRC方法，使用經(jīng)過學(xué)習(xí)的字典比直接使用樣本構(gòu)成字典，稀疏表示效果更有效。結(jié)合使用全部訓(xùn)練樣本構(gòu)成字典的SRC方法，當(dāng)數(shù)據(jù)樣本足夠多時(shí)，直接使用訓(xùn)練樣本構(gòu)成的稀疏表示字典和使用字典學(xué)習(xí)方法學(xué)習(xí)的字典，兩種方法稀疏表示性能差別不大；而當(dāng)樣本數(shù)量不足時(shí)，學(xué)習(xí)得到的字典能夠比直接構(gòu)成的字典提供更多的分類信息,這驗(yàn)證了字典學(xué)習(xí)的有效性。對(duì)比稀疏表示樹方法與其他方法可以發(fā)現(xiàn)，經(jīng)過子節(jié)點(diǎn)校正后，所有型號(hào)識(shí)別準(zhǔn)確率比KSVD-SRC方法和部分樣本構(gòu)成稀疏字典的SRC方法高，接近使用全部樣本的SRC方法的準(zhǔn)確率，識(shí)別全部樣本所需時(shí)間比SRC、KSVD-SRC方法花費(fèi)時(shí)間多一半，但遠(yuǎn)低于使用全部樣本的SRC方法消耗時(shí)間。因此稀疏表示樹在增加部分時(shí)間開銷的情況下，有效提高了型號(hào)識(shí)別準(zhǔn)確率。

4 結(jié)束語

為了改進(jìn)目標(biāo)型號(hào)識(shí)別算法，在稀疏表示的基礎(chǔ)上提出一種基于樹形稀疏表示結(jié)構(gòu)的SAR目標(biāo)識(shí)別算法。通過構(gòu)造多個(gè)分類節(jié)點(diǎn)，組成樹形結(jié)構(gòu)分類器，利用子節(jié)點(diǎn)對(duì)父節(jié)點(diǎn)上由于稀疏表示結(jié)果相似造成的型號(hào)識(shí)別錯(cuò)誤校正，提高型號(hào)識(shí)別準(zhǔn)確率。在每個(gè)節(jié)點(diǎn)上，利用字典學(xué)習(xí)方法學(xué)習(xí)稀疏表示字典，稀疏表示分類器作為目標(biāo)型號(hào)識(shí)別分類器，進(jìn)行目標(biāo)識(shí)別。實(shí)驗(yàn)結(jié)果表明，所建立的稀疏表示樹與實(shí)驗(yàn)所用數(shù)據(jù)集數(shù)據(jù)分布相吻合，將同種目標(biāo)類型不同型號(hào)的樣本派生到子節(jié)點(diǎn)繼續(xù)識(shí)別，在增加部分識(shí)別時(shí)間的代價(jià)下，有效提高了目標(biāo)型號(hào)識(shí)別準(zhǔn)確率。

在該方法中，稀疏表示樹的構(gòu)造依賴先驗(yàn)信息，需要先確定分類的組別個(gè)數(shù)；而且稀疏表示樹有兩層，只包含一層子節(jié)點(diǎn)結(jié)構(gòu)，對(duì)于子節(jié)點(diǎn)上具有相似稀疏表示結(jié)果的相似樣本未做處理，限制了稀疏表示樹的識(shí)別準(zhǔn)確率。下一步將會(huì)探索利用分類結(jié)果學(xué)習(xí)派生規(guī)則，構(gòu)造更加復(fù)雜的樹形結(jié)構(gòu)，提高識(shí)別準(zhǔn)確率。相比于簡單的稀疏表示方法，該方法需要對(duì)相似樣本重新計(jì)算稀疏表示向量，識(shí)別時(shí)間是其1.5倍，還需要探索如何縮短識(shí)別時(shí)間，提高目標(biāo)識(shí)別時(shí)效性。另外，該方法對(duì)目標(biāo)型號(hào)的識(shí)別準(zhǔn)確率為84%，還達(dá)不到完全準(zhǔn)確識(shí)別目標(biāo)型號(hào)的目的，后續(xù)工作還需對(duì)稀疏表示和字典學(xué)習(xí)方法進(jìn)行深入研究，并改進(jìn)稀疏表示字典和分類器學(xué)習(xí)方法，提高目標(biāo)識(shí)別效率。

[1] Bhanu B,Dudgeon D E,Zelnio E G,et al.Guest editorial introduction to the special issue on automatic target detection and recognition[J].IEEE Transactions on Image Processing,1997,11(1):1-6.

[2] Zhao Q,Principe J C.Support vector machines for SAR automatic target recognition[J].IEEE Transactions on Aerospace Electronic Systems,2001,37(2):643-654.

[3] Novak L M,Owirka G J,Brower W S.Performance of 10-and 20-target MSE classifiers[J].IEEE Transactions on Aerospace & Electronic Systems,2000,36(4):1279-1289.

[4] Huang Y,Peia J,Yanga J,et al.Neighborhood geometric center scaling embedding for SAR ATR[J].IEEE Transactions on Aerospace & Electronic Systems,2014,50(1):180-192.

[5] Mishra A K,Mulgrew B.Radar signal classification using PCA-based features[C]//IEEE international conference on acoustics,speech and signal processing.[s.l.]:IEEE,2006.

[6] Huan R,Liang R,Pan Y.SAR target recognition with the fusion of LDA and ICA[C]//International conference on information engineering and computer science.[s.l.]:[s.n.],2009:1-5.

[7] Zhang X R,Gou L M,Li Yangyang,et al.Gaussian process latent variable model based on immune clonal selection for SAR target feature extraction and recognition[J].Journal of Infrared & Millimeter Waves,2013,32(3):484-493.

[8] 賁 敏,鄧 萍,王保云.基于l1/2正則化的稀疏表示目標(biāo)跟蹤算法的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2015,25(1):82-86.

[9] 謝文浩,翟素蘭.基于加權(quán)稀疏近鄰表示的人臉識(shí)別[J].計(jì)算機(jī)技術(shù)與發(fā)展,2016,26(2):22-25.

[10] Chen K,Comiter M,Kung H,et al.Sparse coding trees with application to emotion classification[C]//Proceedings of the IEEE conference on computer vision and pattern recognition workshops.[s.l.]:IEEE,2015:77-86.

[11] Wu Q,Zhang Y D,Ahmad F,et al.Compressive-sensing-based high-resolution Polari metric through-the-wall radar imaging exploiting target characteristics[J].IEEE Antennas & Wireless Propagation Letters,2014,14:1043-1047.

[12] Thiagarajan J J,Ramamurthy K N,Knee P,et al.Sparse representations for automatic target classification in SAR images[C]//4th international symposium on communications,control and signal processing.[s.l.]:IEEE,2010:1-4.

[13] 王燕霞,張 弓.基于特征參數(shù)稀疏表示的SAR圖像目標(biāo)識(shí)別[J].重慶郵電大學(xué)學(xué)報(bào)：自然科學(xué)版,2012,24(3):308-313.

[14] Mairal J,Bach F,Ponce J,et al.Online dictionary learning for sparse coding[C]//International conference on machine learning.[s.l.]:ACM,2009:689-696.

[15] Tosic I,Frossard P.Dictionary learning[J].IEEE Signal Processing Magazine,2011,28(2):27-38.

[16] Aharon M,Elad M,Bruckstein A.K-SVD:an algorithm for designing overcomplete dictionaries for sparse representation[J].IEEE Transactions on Signal Processing,2006,54(11):4311-4322.

[17] 周飛飛,李 雷.廣義貝葉斯字典學(xué)習(xí)K-SVD稀疏表示算法[J].計(jì)算機(jī)技術(shù)與發(fā)展,2016,26(5):71-75.

[18] Yang Y,Qiu Y,Lu C.Automatic target classification-experiments on the MSTAR SAR images[C]//International conference on software engineering,artificial intelligence,networking and parallel/distributed computing.[s.l.]:[s.n.],2005:2-7.

Investigation on Identification Algorithm of Tree-structure Sparse Representation for SAR Target

CHEN Chun-lin，ZHANG Li，LIU Xue-jun

(College of Computer Science and Technology，Nanjing University of Aeronautics and Astronautics，Nanjing 211106，China)

In order to improve the ability of identifying SAR target series with sparse representation,a tree-structure sparse coding recognition algorithm is proposed,which is employed to lift the recognition accuracy of target models.The sparse representation tree is a tree-like classifier composed of multiple nodes,each of which has a sparse representation dictionary and a classifier for the node.The sparse representation algorithm is used to solve the eigenvector of unknown sample on a single node,realizing the target type identification according to the minimum principle of reconstruction error.The root node is employed to direct input SAR images with similar sparse results to children nodes,which have more specialized dictionaries and classifiers to identify these target series.Experiments on MSTAR target dataset show that it is suitable for the sample distribution and has improved target recognition rate up to 84%,and that compared with the traditional sparse coding method,it has got effective improvement on the target series recognition accuracy without more time expenditure.

SAR automatic target recognition;series recognition;tree-structure information dictionary;sparse representation;dictionary learning

2016-09-10

2016-12-13 網(wǎng)絡(luò)出版時(shí)間：2017-07-05

中國航空科學(xué)基金(20151452021,20152752033)

陳春林(1992-)，男，碩士研究生，研究方向?yàn)闄C(jī)器學(xué)習(xí)、雷達(dá)目標(biāo)識(shí)別；張 禮，博士，講師，研究方向?yàn)闄C(jī)器學(xué)習(xí)、模式識(shí)別；劉學(xué)軍，教授，通訊作者，研究方向?yàn)闄C(jī)器學(xué)習(xí)。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170705.1651.060.html

TP391

A

1673-629X(2017)08-0020-05

10.3969/j.issn.1673-629X.2017.08.005