物理特征提取和SVM的SAR图像车辆目标识别方法

1.一种物理特征提取和SVM的SAR图像车辆目标识别方法，其特征在于，通过对合成孔径雷达SAR图像中车辆目标的强散射中心进行特征提取和分类，统计合成孔径雷达SAR图像中车辆目标的强散射中心类型，得到SAR图像中车辆目标的散射中心类型分布律特征，该方法的具体步骤包括如下：(1)生成训练样本集和测试样本集：输入含有待识别车辆目标的水平极化、交叉极化、垂直极化的雷达回波数据，组成训练样本集和测试样本集；(2)对训练样本集和测试样本集分别进行成像：(2a)利用雷达成像算法，对含有待识别车辆目标的水平极化、交叉极化、垂直极化的每个训练样本和测试样本分别进行成像，得到三个大小相同的水平极化、交叉极化、垂直极化的合成孔径雷达SAR图像；(2b)分别将含有待识别车辆目标的水平极化、交叉极化、垂直极化的每个训练样本和每个测试样本，在方位维等间隔的均分为多个不同频段的子带雷达回波数据；(2c)利用雷达成像算法，分别对水平极化、交叉极化、垂直极化雷达回波数据中的每个子带雷达回波数据进行成像，得到每个子带的合成孔径雷达SAR图像；(3)提取水平极化合成孔径雷达SAR图像的局部极大值区域：利用形态学膨胀操作，从每幅水平极化合成孔径雷达SAR图像中提取局部极大值区域；(4)构建位置集合和属性集合：(4a)利用位置集合公式，构建每幅水平极化合成孔径雷达SAR图像中车辆目标的散射中心的位置集合；(4b)利用属性集合公式，构建每幅水平极化合成孔径雷达SAR图像中车辆目标的散射中心的属性集合；(5)构建信息字典：(5a)利用位置字典构建方法，构建每幅水平极化合成孔径雷达SAR图像中车辆目标的散射中心的位置信息字典；(5b)利用属性字典构建方法，构建每幅水平极化合成孔径雷达SAR图像中车辆目标的散射中心的属性信息字典；(6)构建散射中心参数的最优值集合：(6a)根据极大值区域的边缘，对每幅水平极化合成孔径雷达SAR图像的边缘进行分割，利用分割后的图像对水平极化合成孔径雷达SAR图像进行掩膜处理，得到车辆目标连通支撑域图像，对车辆目标连通支撑域图像进行频域变换，得到频域观测信号获取车辆目标连通支撑域图像的频域观测信号；(6b)将频域观测信号，作为频域观测余量信号的初始值；(6c)利用相关系数计算公式，获取位置信息字典、频域观测信号的余量信号、和属性信息字典的相关矩阵；(6d)按照下式，选取散射中心参数的最优值:θ h ＝[Θ 1 (n),Θ 2 (m)]其中，θ h 表示第h次迭代时选取的散射中心参数的最优值，n表示相关系数矩阵中模值最大元素对应的行数，m表示相关系数矩阵中模值最大元素对应的列数，Θ 1 (n)表示位置集合Θ 1 中的第n组参数，Θ 2 (m)表示属性集合Θ 2 中的第m组参数；(6e)将散射中心参数的最优值添加到临时集合中；(6f)利用散射中心原子字典构建方法，构建散射中心原子字典；(6g)按照下式，计算频域观测信号的余量信号；r＝s-D′(Θ′ 0 )·(pinv(D′(Θ′ 0 ))·s)其中，r表示频域观测信号的余量信号，s表示频域观测信号，Θ′ 0 表示临时集合，D′(Θ′ 0 )表示散射中心原子字典，·表示矩阵相乘操作，pinv表示矩阵的伪逆操作；(6h)判断迭代次数是否大于待提取车辆目标的散射中心数量，若是，则执行步骤(6i)，否则，将迭代次数加1后执行步骤(6c)；(6i)将临时集合作为车辆目标的散射中心的参数最优值集合；(7)获得强度观测矩阵和频率依赖因子：(7a)按照下式，计算每幅水平极化、垂直极化合成孔径雷达SAR图像中车辆目标的每个散射中心强度观测矩阵：其中， 表示第γ幅水平极化、垂直极化合成孔径雷达SAR图像中车辆目标的第b个散射中心的强度观测矩阵，x b 表示车辆目标的第b个散射中心的距离维坐标，y b 表示车辆目标的第b个散射中心的方位维坐标， 表示第γ幅水平极化、垂直极化合成孔径雷达SAR图像中车辆目标的第b个散射中心在第a个子带的合成孔径雷达SAR图像中的像素值，|·|表示取模操作；(7b)按照下式，计算每幅水平极化、垂直极化合成孔径雷达SAR图像中车辆目标的每个散射中心的散射中心的频率依赖因子的初始值：其中， 表示第γ幅水平极化、垂直极化合成孔径雷达SAR图像中车辆目标的第b个散射中心的频率依赖因子的初始值，ln表示以自然数e为底的对数操作；(7c)按照下式，计算每幅水平极化、垂直极化合成孔径雷达SAR图像中车辆目标的每个散射中心的散射中心的归一化频率矩阵：其中， 表示第γ幅水平极化、垂直极化合成孔径雷达SAR图像中车辆目标的第b个散射中心的归一化频率矩阵， 表示第γ幅水平极化、垂直极化合成孔径雷达SAR图像中车辆目标的第b个散射中心在第k次迭代时频率依赖因子的值，f ca 表示按方位维等间隔的均分为多个不同频段的子带雷达回波数据中第a个子带雷达发射信号的中心频率，A表示子带个数，T表示转置操作；(7d)按照下式，计算归一化因子：其中， 表示第γ幅水平极化、垂直极化合成孔径雷达SAR图像中车辆目标的第b个散射中心在第k次迭代对应的归一化因子；(7e)按照下式，计算频率依赖因子调整参数：其中， 表示第γ幅水平极化、垂直极化合成孔径雷达SAR图像中车辆目标的第b个散射中心在第k次迭代对应的频率依赖因子调整参数；(7f)按照下式，计算频率依赖因子：其中， 表示第γ幅水平极化、垂直极化合成孔径雷达SAR图像中车辆目标的第b个散射中心在第k次迭代时频率依赖因子的值；(7g)判断频率依赖因子调整参数是否小于终止门限值0.01，若是，则将 作为散射中心的最优频率依赖因子，否则，将迭代次数加1后执行步骤(7c)；(8)按照下式，计算训练样本和测试样本中车辆目标的散射中心的融合频率依赖因子：其中， 表示第γ幅水平极化、垂直极化合成孔径雷达SAR图像中车辆目标的第b个散射中心的融合频率依赖因子，min表示取最小值操作， 表示第γ幅水平极化合成孔径雷达SAR图像中车辆目标的第b个散射中心的强度观测矩阵， 表示第γ幅水平极化合成孔径雷达SAR图像中车辆目标的第b个散射中心的频率依赖因子， 表示第γ幅垂直极化合成孔径雷达SAR图像中车辆目标的第b个散射中心的强度观测矩阵， 表示第γ幅垂直极化合成孔径雷达SAR图像中车辆目标的第b个散射中心的频率依赖因子；(9)获取训练样本和测试样本中车辆目标的每个散射中心的融合极化参数：(9a)按照下式，计算每个散射中心的极化参数：其中， 表示第γ幅合成孔径雷达SAR图像中车辆目标的第b个散射中心的奇次散射极化参数,|·|表示取模操作， 表示第γ幅合成孔径雷达SAR图像中车辆目标的第b个散射中心的奇次散射体的贡献值， 表示开平方根操作， 表示第γ幅合成孔径雷达SAR图像中车辆目标的第b个散射中心的偶次散射体的贡献值， 表示第γ幅合成孔径雷达SAR图像中车辆目标的第b个散射中心的螺旋散射体的贡献值， 表示第γ幅合成孔径雷达SAR图像中车辆目标的第b个散射中心的偶次散射极化参数；(9b)按照下式，计算每个散射中心的极化强度观测矩阵：其中， 表示第γ幅合成孔径雷达SAR图像中车辆目标的第b个散射中心的极化强度观测矩阵， 表示第γ幅合成孔径雷达SAR图像中车辆目标的第b个散射中心在子带的水平极化、交叉极化、垂直极化合成孔径雷达SAR图像中的像素值；(9c)按照下式，计算每个散射中心的融合极化参数：其中， 表示第γ幅合成孔径雷达SAR图像中车辆目标的第b个散射中心的融合奇次散射极化参数， 表示第γ幅合成孔径雷达SAR图像中车辆目标的第b个散射中心的融合偶次散射极化参数，∑·表示求和操作，A表示雷达回波数据均分的子带个数；(10)提取散射中心的特征向量：将训练样本和测试样本中车辆目标的每个散射中心的融合频率依赖因子与融合极化参数组成散射中心的特征向量；(11)获取训练样本和测试样本中车辆目标的特征向量：(11a)利用散射中心分类方法，对训练样本和测试样本中车辆目标的每个散射中心进行分类；(11b)将训练样本和测试样本中所有散射中心类型的分布律组成车辆目标的特征向量；(12)预测测试样本类别：(12a)将训练样本中车辆目标的特征向量输入到支撑矢量机SVM中，对支撑矢量机SVM进行训练，得到训练好的支撑矢量机SVM；(12b)将测试样本中车辆目标的特征向量输入到训练好的支撑矢量机SVM进行分类，得到每个测试样本的类别。 2.根据权利要求1所述的物理特征提取和SVM的SAR图像车辆目标识别方法，其特征在于，步骤(2a)、步骤(2c)中所述雷达成像算法是指距离多普勒RD、线性调频变标CS、后向投影BP成像算法中的任意一种。 3.根据权利要求1所述的物理特征提取和SVM的SAR图像车辆目标识别方法，其特征在于，步骤(4a)中所述位置集合公式如下：Θ 1 ＝{(x,y)|x∈X,y∈Y}其中，Θ 1 表示散射中心的位置集合，x、y分别表示散射中心距离维坐标、方位维坐标，{·}表示集合操作，∈表示属于操作，X、Y分别表示散射中心的距离维坐标值、方位维坐标值的取值范围，所述散射中心的距离维坐标值、方位维坐标值的取值范围是指，从局部极大值区域中找出的所有像素点的距离维坐标值的最小值和最大值组成距离维坐标值的取值范围；从局部极大值区域中找出的所有像素点的方位维坐标值的最小值和最大值，组成方位维坐标值的取值范围。 4.根据权利要求1所述的物理特征提取和SVM的SAR图像车辆目标识别方法，其特征在于，步骤(4b)中所述属性集合公式如下：其中，Θ 2 表示散射中心的属性集合，L、 α、γ分别表示散射中心的长度、方位角、频率依赖因子、方位依赖因子，L、Φ、Λ分别表示散射中心的长度、方位角、频率依赖因子的取值范围，所述散射中心的长度参数的取值范围是指，由0和局部极大值区域中找出的所有像素点的方位维坐标值的最大值和最小值之间的差值组成长度的取值范围，所述散射中心的方位角的取值范围是指，由水平极化雷达回波数据的所有方位角中的最小值和最大值组成方位角的取值范围，所述散射中心的频率依赖因子的取值范围是指，将Λ＝{-1，-0.5,0,0.5,1}作为频率依赖因子的取值范围。 5.根据权利要求1所述的物理特征提取和SVM的SAR图像车辆目标识别方法，其特征在于，步骤(5a)中所述位置字典构建方法的步骤如下：第一步，利用下式，计算车辆目标的散射中心的位置集合中的每组参数对应的位置原子：其中，d u 表示车辆目标的散射中心的位置集合中的第u组参数对应的位置原子，vec表示列向量化操作，exp表示取自然数e为底的指数操作，j表示虚数单位符号，π表示圆周率，f表示雷达发射信号的频率，c表示光速，x u 表示位置参数集合Θ 1 的第u组参数中的散射中心的距离维坐标，cos表示余弦操作，φ表示雷达波束方位角，y u 表示位置参数集合Θ 1| 的第u组参数中的散射中心的方位维坐标，sin表示正弦操作；第二步，利用下式，计算每个位置原子归一化的位置原子：其中， 表示车辆目标的散射中心的位置集合中的第u组参数对应的位置原子归一化后的位置原子，||·|| 2 表示二范数操作；第三步，将所有位置原子归一化后的原子组成位置信息字典。 6.根据权利要求1所述的物理特征提取和SVM的SAR图像车辆目标识别方法，其特征在于，步骤(6c)中所述的相关系数计算公式如下：C＝D 1 H ·diag(r)·D 2其中，C表示相关系数矩阵，D 1 表示车辆目标的散射中心的位置信息字典，H表示共轭转置操作，·表示矩阵相乘操作，diag表示对角化操作，r表示当前的频域观测信号的余量信号，D 2 表示车辆目标的散射中心的属性信息字典。 7.根据权利要求5所述的物理特征提取和SVM的SAR图像车辆目标识别方法，其特征在于，步骤(5b)中所述属性字典构建方法的步骤如下：第一步，利用下式，计算车辆目标的散射中心的属性集合中每组参数对应的属性原子：其中，d l ′表示车辆目标的散射中心的属性集合中的第l组参数对应的属性原子，f c 表示雷达发射信号的中心频率，L l 表示属性集合Θ 2 的第l组参数中的散射中心的长度， 表示属性集合Θ 2 的第l组参数中的散射中心的方位角，α l 表示属性集合Θ 2 的第l组参数中的散射中心的频率依赖因子，γ l 表示属性集合Θ 2 的第l组参数中的散射中心的方位依赖因子；第二步，利用下式，计算每个属性原子归一化后的属性原子：其中， 表示车辆目标的散射中心的属性集合中的第l组参数对应的属性原子的归一化后的属性原子；第三步，将所有属性原子归一化后的属性原子组合，构成属性信息字典。 8.根据权利要求1所述的物理特征提取和SVM的SAR图像车辆目标识别方法，其特征在于，步骤(6f)中所述散射中心原子字典构建方法的步骤如下：第一步，按照下式，计算临时集合中每组参数对应的散射中心原子：其中， 表示临时集合中第t组参数对应的散射中心原子，L t 表示临时集合Θ′ 0 的第l组参数中的散射中心的长度， 表示属性集合Θ′ 0 的第t组参数中的散射中心的方位角，α t 表示属性集合Θ′ 0 的第t组参数中的散射中心的频率依赖因子，γ t 表示属性集合Θ′ 0 的第t组参数中的散射中心的方位依赖因子；第二步，按照下式，计算每个散射中心原子归一化后的散射中心原子：第三步，构建一个空集合；第四步，将散射中心原子归一化后的所有散射中心原子，依次添加到空集合中，构成散射中心原子字典。 9.根据权利要求1所述的物理特征提取和SVM的SAR图像车辆目标识别方法，其特征在于，步骤(9a)中所述散射中心的奇次散射体的贡献值、偶次散射体的贡献值、螺旋散射体的贡献值是由下式计算得到的：其中， 表示第γ幅水平极化合成孔径雷达SAR图像中车辆目标的第b个散射中心在子带的水平极化合成孔径雷达SAR图像中的像素值， 表示第γ幅水平极化合成孔径雷达SAR图像中车辆目标的第b个散射中心在子带的垂直极化合成孔径雷达SAR图像中的像素值， 表示第γ幅水平极化合成孔径雷达SAR图像中车辆目标的第b个散射中心在子带的交叉极化合成孔径雷达SAR图像中的像素值，abs表示取绝对值操作。 10.根据权利要求1所述的物理特征提取和SVM的SAR图像车辆目标识别方法，其特征在于，步骤(11a)中所述散射中心分类方法的步骤如下：第一步，按照下式，计算车辆目标的每个散射中心的融合特征向量和散射中心理想特征向量之间的欧式距离:d i ＝||W i -u p || 2其中，W i 表示散射中心的第i个理想特征向量，i的取值范围为1≤i≤15，u p 表示第p个散射中心的特征向量；第二步，构建欧式距离向量d：d＝[d 1 ,...,d i ,...,d 15 ]第三步，根据欧式距离向量d中最小元素的位置确定散射中心类型。