基于多核低秩共享字典学习的SAR目标子型号识别方法与流程

基于多核低秩共享字典学习的sar目标子型号识别方法
技术领域
1.本发明属于合成孔径雷达图像处理和分析领域，尤其涉及一种基于多核低秩共享字典学习的sar目标子型号识别方法。


背景技术：

2.随着技术的进步，各军事强国都对合成孔径雷达在内的各种侦察手段提出了更高的要求，目标是打造全维一体态势感知体系。对于合成孔径雷达(sar)图像目标识别来说，基于各种战场需求，要进一步拓展其感知范围和识别精度，从原先的目标大类和型号识别拓展到难度更大也更精细的目标小类即子型号的识别。然而，目标子型号间往往存在复杂共性：一方面，在同一数据集内，各大类目标会存在大量交叉的共同特征，如坦克和步兵战车、步兵战车和装甲运兵车、自行火炮和坦克之间等；另一方面，各类目标子型号间又包含大量共性，其共性所占比重往往大于部件选配表现出来差异性，容易造成混淆。这使得对sar目标进行精细的子型号识别更为困难。
3.近年来，为了克服这些困难，人们围绕sar子型号识别这个课题提出了不同的方法。例如，西安电子科技大学在其申请的专利文献“基于鉴别非线性字典学习的sar图像目标识别方法”中公开了一种基于鉴别非线性字典学习的sar图像目标识别方法。该方法综合了核方法进行非线性映射和鉴别字典学习的优点，提升了sar目标识别的精度。但是，由于其使用的仍然是单核方法，只能够根据经验值进行核函数的参数设定，不能根据实际情况进行自适应调整。同时，该方法只对鉴别字典进行了学习，没有包含共享字典，因此无法有效剔除sar目标子型号间的混淆因素。此外，重庆大学在其申请的专利文献“基于子类类间判别双字典的sar目标识别方法”中公开了一种基于子类类间判别双字典的sar目标识别方法。该方法利用综合子字典和分析子字典双字典形式加快了计算测试样本稀疏表示系数的效率，但是其分类准确性起决定作用的仍然是综合子字典，在综合子字典只是笼统地包含了各类别的鉴别信息和共享信息，没有做提炼和区分，因此也无法消除sar目标子型号间的混淆因素的影响。其次，西安电子科技大学在其申请的专利文献“基于多信息字典学习的sar目标识别方法”中公开了一种基于图像域和频率域的多特征字典学习方法。该方法分别学习得到图像域和频率域字典后，利用联合动态稀疏表示对测试样本的两种稀疏表示系数进行求解，再根据重构误差最小化原则预测测试样本类别。但这种方法没有利用多核学习进行特征融合，同时所学习的字典中，也没有对鉴别信息和类别的共同信息做区分，导致识别精度受限。
4.另外，针对sar目标子型号识别问题，现有研究中，有提取感兴趣信息的同时，还实现了数据集局部结构的保持，以完成目标子型号识别；也有先基于多特征低秩表示对样本的多特征进行处理，然后用邻域相关性和贝叶斯推理的两级结构进行决策融合。
5.上述研究虽然取得一定的进展，但是sar目标子型号识别工作还有很大的提升空间，因此本发明将提出一种改进的基于多核低秩共享字典学习(multiple kernel low-rank shared dictionary learning，mklrsdl)的方法来提升目标子型号识别。该方法利用
两级多核学习对特征进行核函数适配，提高线性可分性，同时实现不同特征的最优融合，以提高融合后特征鉴别能力。另一方面，在融合后的核特征空间中，引入低秩共享字典概念，分别学习低秩共享字典和鉴别字典，以有效分离存在于目标子型号中容易混淆的共同特征和有利于分类的鉴别特征，最后利用分离出的鉴别特征对目标子型号进行识别。结果证明该算法可以有效提高目标子型号识别精度，并且抵抗易混淆属性的影响。


技术实现要素：

6.发明目的：针对sar目标子型号识别问题，本发明提出一种基于多核低秩共享字典学习的sar目标子型号识别方法，可以对sar图像的多尺度特征进行自适应适配和最优融合，以提高融合后的特征鉴别能力；同时有效分离子型号间的共同特征，抵抗易混淆因素对子型号识别的影响，提高识别精度。
7.技术方案：本发明所述的一种基于多核低秩共享字典学习的sar目标子型号识别方法，包括以下步骤：
8.(1)提取sar图像的多尺度单演特征，并将其向量化；
9.(2)构造一个两级的基于多核学习的特征融合结构，包括第1级多核学习和第2级多核学习；利用特征融合结构对预先获取的训练或测试样本进行多核空间下的特征映射和融合；
10.(3)基于核校准方法和单核识别率标定法对多核权值进行自适应优化；
11.(4)基于共享字典和鉴别字典分别对sar目标各种子型号中的大量复杂共性和差异性进行学习；
12.(5)基于多核低秩共享字典学习的目标分类判决。
13.进一步地，所述步骤(1)实现过程如下：
14.在不同尺度下计算得到单演信号特征分量：局部幅度ak、局部相位和局部方向θk(k＝1,...,s)，s为总尺度数；
15.对3个尺度的单演特征向量化，得到9种特征向量，即和(k＝1,...,3)：
[0016][0017]
其中，vec(
·
)表示将矩阵重塑为一个向量，用χm表示任一特征向量，m＝1,
…
m，m为特征向量的种类总数。
[0018]
进一步地，所述步骤(2)实现过程如下：
[0019]
对m种特征向量进行核映射，计算其对应的基本核矩阵；基本核函数由多分辨率rbf核构成，设对特征向量χm采用第l个基本核映射后得到的基本核矩阵为其第i行j列元素为：
[0020]
[0021]
其中，σm为特征向量集χm的方差，倍数μ用于控制高斯核函数的宽度，选择二进制分辨率μ＝2
l
，且整数l＝-t,
…
t，这样基本核的个数为l＝2t 1；
[0022]
对每种特征就会映射产生l个对应不同核函数的基本核矩阵，在第1层多核学习中对这些基本核矩阵，以特征为单位进行加权求和，得到与特征相对应的复合核矩阵km：
[0023][0024]
其中，β
ml
为第l个基本核的加权系数，通过第1层多核学习为每种特征拟合出最优的核函数；
[0025]
在得到第1层的m个复合核矩阵km后，对m个复合核矩阵加权求和，即可得到融合后的复合核矩阵k：
[0026][0027]
其中，dm为第m个特征的加权系数，融合后的复合核矩阵k还将通过kpca方法进一步降维，降维后的核矩阵
[0028][0029]
其中，b＝[β1,
…
,βd]为伪变换矩阵。
[0030]
进一步地，所述步骤(3)实现过程如下：
[0031]
第1级多核学习的权值优化采用核校准法，设k1和k2代表两种特征对应的核矩阵，k1(
·
,
·
)和k2(
·
,
·
)其对应的核函数，定义它们之间的核校准率a为：
[0032][0033]
其中：
[0034][0035]
核校准率可以看成两个核矩阵之间夹角的余弦值；
[0036]
定义理想的核矩阵为为：
[0037][0038]
可见kd为块对角阵，如果其行和列对应的样本都是同一类则为1，其余全为0；
[0039]
利用核校准方法计算第1级多核学习的权值为：
[0040]
[0041]
利用单核识别率标定法求取第2级多核学习的特征融合权值：
[0042][0043]
其中，ξm为利用后续分类器对单个核矩阵km进行处理而得到的识别准确率，通常利用交叉验证方法估计得到，δ为选取的准确率阈值，按照实际性能对m种特征进行了筛选，低于δ的权值直接赋0，高于δ的特征经过归一化求得其对应的权值dm。
[0044]
进一步地，所述步骤(4)实现过程如下：
[0045]
利用多核低秩共享字典学习方法求出类鉴别字典d、共享字典d0以及它们对应的稀疏表示系数a和a0，而与mklrsdl方法相关的变量如图3所示。在mklrsdl算法框架下，表示kpca降维后的核矩阵中属于第c类的数据块，d0为所有类别的共同特征，dc表示第c类的鉴别字典，表示在dc下的稀疏表示系数，表示在d0下的稀疏表示系数，mklrsdl的目标函数写为：
[0046][0047]
其中，第1项鉴别保真度为：
[0048][0049]
其中，为基于f
isher
原理的鉴别系数项，||d0||
*
是核范数正则化项；对式(12)进行最小化优化求解后，学习得到综合字典和综合稀疏表示系数矩阵
[0050]
进一步地，所述步骤(5)实现过程如下：
[0051]
利用综合字典ac的均值向量mc和a0的均值向量m0，对新测试样本进行识别；测试样本经特征提取后，得到m种单演特征其中m＝1,
…
m；用第l种基本核函数对其进行映射，得到核测试向量为：
[0052][0053]
特征融合后的核测试向量：
[0054]
[0055]
采用全局求解法对式(16)进行优化，求解出的稀疏表示系数向量
[0056][0057]
其中，约束是让α0尽量接近m0，得到后，再从中去掉共享字典d0的贡献，得到则测试样本的类标签可以通过式(17)预测：
[0058][0059]
其中，ρ∈[0,1]为预设权重，用于平衡上式中两项的贡献；αc表示α中第c类对应的片段；
[0060]
按类子空间求解法求解出在每一类子空间中的稀疏表示向量
[0061][0062]
从中去掉共享字典d0的贡献，得到则测试样本的分类预测为：
[0063][0064]
有益效果：与现有技术相比，本发明的有益效果：本发明能实现不同特征的最优融合，且达到提高融合后特征鉴别能力的效果；2、在融合后的核特征空间中，引入低秩共享字典概念，分别学习低秩共享字典和鉴别字典，以有效分离存在于目标子型号中容易混淆的共同特征和有利于分类的鉴别特征，最后利用抽离出的鉴别特征对目标子型号进行识别，以达到提高子型号识别精度，抵抗易混淆属性影响的目的；3、本发明不但可以提高sar目标子型号识别的性能，而且还能够抗噪声干扰以及真实环境下多类别干扰，具备较高的算法鲁棒性。
附图说明
[0065]
图1是本发明的原理框图；
[0066]
图2是基于多核学习的特征融合结构图；
[0067]
图3是mklrsdl算法相关变量示意图。
具体实施方式
[0068]
下面结合附图对本发明做进一步详细说明。
[0069]
针对sar目标子型号识别问题，本发明从稀疏表示分类器的字典学习环节入手，提出一种基于多核低秩共享字典学习的sar目标子型号识别方法，首先构造一个两级的基于多核学习的特征融合结构，第1级针对每种非线性特征利用核校准(kernel alignment)方法求取多种基本核的加权系数，从而为每种特征寻找最优核函数隐式映射方法，以提高线性可分性并有助于非线性特征的稀疏表示；第2级则利用单核识别率标定法对每种特征核矩阵的融合系数进行自适应优化，以有效融合多尺度特征，并用于后续字典学习和分类。其次，在字典学习环节引入共享字典，利用共享字典和鉴别字典分别对sar目标各种子型号中的大量复杂共性和差异性进行学习。一方面，在低秩和表示系数等约束下，共享字典可以帮助稀疏表示分类器挖掘并剔除目标子型号的共同特征，消除它们对分类的影响；另一方面，鉴别字典可以有效提取子型号间的差异性特征，帮助分类器高效准确地对sar目标子型号进行区分。
[0070]
如图1所示，整个算法框架分为字典学习和识别两个阶段。
[0071]
第一个阶段(即字典学习阶段)由两大模块组成：即“多尺度单演特征提取”模块和“多核特征融合及mklrsdl字典学习”模块。在第一个模块中，先对训练样本集进行处理，利用单演信号变换获取sar目标子型号的多尺度单演特征，其中包含丰富的目标频域和空间信息，将不同尺度的单演信号分量输入第二个模块。在第二个模块中，先利用不同的基本核对多种单演信号分量进行处理，计算基本核矩阵阵列，然后利用两级多核学习的特征融合结构，分别获取每种特征的最优核函数隐式映射以及最优的特征融合结果。其中两级的多核学习权值由自适应优化模块进行计算，以获取特征融合后的最优复合核矩阵。复合核矩阵经过kpca处理，再进行mklrsdl字典学习，最后获取反映目标子型号中的复杂共性和差异性的共享字典和鉴别字典。这两类字典将连同其对应的训练样本稀疏表示系数矩阵作为参数传递给识别阶段的分类判别模块。
[0072]
第二个阶段(即识别阶段)则由三大模块组成：“多尺度单演特征提取”模块、“核空间映射和多核稀疏表示优化求解”模块以及“测试样本类别综合判决”模块。该阶段的“多尺度单演特征提取”模块其功能与字典学习阶段的相同模块功能一致，主要是对测试样本进行多尺度单演特征提取。在后一模块中，多特征将首先利用不同的基本核进行核空间映射，计算出基本核测试向量，再利用字典学习阶段获取的两级核权值进行加权融合，计算得到复合核测试向量。然后，在多核稀疏表示框架下，进行稀疏表示向量求解。最后，在第三个模块利用加权的综合最小全局重建误差对目标类别进行判决。具体包括以下步骤：
[0073]
步骤1：提取sar图像的多尺度单演特征，并将其向量化。
[0074]
本发明的字典学习阶段或识别阶段，首先要对训练或测试样本进行多尺度单演特征的提取。在不同尺度下计算得到单演信号特征分量：局部幅度ak、局部相位和局部方向θk(k＝1,...,s)，s为总尺度数。
[0075]
由于在计算量和鉴别信息损失之间取折衷，本发明选择总尺度数为s＝3，这样对三个尺度的单演特征向量化，得到9种特征向量，即和(k＝1,...,3)。
[0076][0077]
其中，vec(
·
)表示将矩阵重塑为一个向量。为了不失一般性表达，设用χm表示任一特征向量，m＝1,
…
m，m为特征向量的种类总数，在本发明中m＝3s＝9。
[0078]
步骤2：构造一个两级的基于多核学习的特征融合结构，如图2所示，包括第1级多核学习和第2级多核学习；利用特征融合结构对预先获取的训练或测试样本进行多核空间下的特征映射和融合。
[0079]
在第1级中针对每种非线性特征寻找最优核函数隐式映射方法，以有助于提高线性可分性；第2级则利用多核学习框架有效融合多种特征，用于后续字典学习和分类。
[0080]
第1级多核学习的实现步骤如下：首先利用基本核函数对(1)式的m种特征向量进行核映射，计算其对应的基本核矩阵。这些基本核函数由多分辨率rbf核构成，设对特征向量χm采用第l个基本核映射后得到的基本核矩阵为其第i行j列元素为：
[0081][0082]
其中，σm为特征向量集χm的方差，倍数μ用于控制高斯核函数的宽度，通常可以选择二进制分辨率μ＝2
l
，且整数l＝-t,
…
t，这样基本核的个数为l＝2t 1。如果需要增加分辨率，也可以根据经验值选取任意一组数列作为μ的倍数值。
[0083]
这样对每种特征就会映射产生l个对应不同核函数的基本核矩阵，我们在第1层多核学习中对这些基本核矩阵，以特征为单位进行加权求和，得到与特征相对应的复合核矩阵km[0084][0085]
其中，β
ml
为第l个基本核的加权系数，这样，通过第1层多核学习就可以为每种特征拟合出最优的核函数。
[0086]
在得到第1层的m个复合核矩阵km后，我们紧接着进行第2层多核学习，其目的是进行m种特征的自适应融合，以提高特征的区分度。方法是对m个复合核矩阵加权求和，即可得到融合后的复合核矩阵k：
[0087][0088]
其中，dm为第m个特征的加权系数。
[0089]
融合后的复合核矩阵k还将通过kpca方法进一步降维，再输出给后续的“mklrsdl字典学习模块”进行字典学习。先计算出kpca方案的伪变换矩阵b＝[β1,...,βd]，然后计算出降维后的核矩阵
[0090]
[0091]
步骤3：基于核校准方法和单核识别率标定法对多核权值进行自适应优化。
[0092]
首先，第1级多核学习的权值优化采用核校准法，所谓核校准是用来衡量两个核函数的相似程度，设k1和k2代表两种特征对应的核矩阵，k1(
·
,
·
)和k2(
·
,
·
)其对应的核函数，我们可以定义它们之间的核校准率a为：
[0093][0094]
其中：
[0095][0096]
核校准率可以看成两个核矩阵之间夹角的余弦值。
[0097]
因为在理想状态下，可以认为同类样本非常近似，它们彼此经核函数运算的结果为1，因此我们可以定义理想的核矩阵为为：
[0098][0099]
可见kd为块对角阵，如果其行和列对应的样本都是同一类则为1，其余全为0。因此，利用核校准方法计算第1级多核学习的权值为：
[0100][0101]
然后，利用加权求和得到m种特征对应的核矩阵km，下面利用单核识别率标定法求取第2级多核学习的特征融合权值：
[0102][0103]
其中，ξm为利用后续分类器对单个核矩阵km进行处理而得到的识别准确率，通常利用交叉验证方法估计得到，δ为选取的准确率阈值，通常选δ＝0.9。这样通过上式的计算，我们实际上是按照实际性能对m种特征进行了筛选，低于δ的权值直接赋0，高于δ的特征经过归一化求得其对应的权值dm。这样就可以保证经过特征融合后，总的核矩阵k包含了最具鉴别性的特征的信息，供后续的字典学习和分类使用。
[0104]
步骤4：基于共享字典和鉴别字典分别对sar目标各种子型号中的大量复杂共性和差异性进行学习。
[0105]
经过多核空间下特征提取和映射后，得到kpca降维后的核矩阵
[0106]
[0107]
其中，表示中属于第c类的数据块，核加权系数dm和β
ml
已经过(9)式和(10)式的优化计算。将利用多核低秩共享字典学习(mklrsdl)方法求出类鉴别字典d、共享字典d0以及它们对应的稀疏表示系数a和a0，而与mklrsdl方法相关的变量如图3所示。
[0108]
在mklrsdl算法框架下，可以被特定类别字典dc和共享字典d0很好地表示，而d0可以表示所有类别的共同特征。dc表示第c类的鉴别字典，表示在dc下的稀疏表示系数，表示在d0下的稀疏表示系数，mklrsdl的目标函数写为：
[0109][0110]
其中，第1项鉴别保真度为：
[0111][0112]
第3项为基于f
isher
原理的鉴别系数项，第4项||d0||
*
是核范数正则化项，它对共享字典d0施加低秩约束，可以使提取的共享基最小化，确保有效提取各类别共性特征。
[0113]
在对(12)式进行最小化优化求解后，即可学习得到综合字典和综合稀疏表示系数矩阵
[0114]
步骤5：基于多核低秩共享字典学习的目标分类判决。
[0115]
利用综合字典ac的均值向量mc和a0的均值向量m0，对新测试样本进行识别。设该测试样本经过(1)式的特征提取后，得到m种单演特征其中m＝1,
…
m。用第l种基本核函数对其进行映射，得到核测试向量为：
[0116][0117]
与(11)式类似，利用“核权值优化模块”计算得出的核加权系数dm和β
ml
，我们可以得到特征融合后的核测试向量：
[0118][0119]
然后，提供两种分类方法：
[0120]
全局求解法：对下式进行优化，求解出的稀疏表示系数向量
[0121]
[0122]
其中，α和α0分别为与字典d和d0相对应的稀疏表示系数，约束是让α0尽量接近m0。得到后，再从中去掉共享字典d0的贡献，得到则测试样本的类标签可以通过下式预测：
[0123][0124]
其中，ρ∈[0,1]为预设权重，用于平衡上式中两项的贡献，αc表示α中第c类对应的片段。
[0125]
(2)按类子空间求解法：按下式求解出在每一类子空间中的稀疏表示向量
[0126][0127]
其中，αc和分别表示与类字典dc和共享字典d0相对应的稀疏表示系数。
[0128]
同样，从中去掉共享字典d0的贡献，得到则测试样本的分类预测为：
[0129]