韓 萍王 歡

①(中國(guó)民航大學(xué)智能信號(hào)與圖像處理天津市重點(diǎn)實(shí)驗(yàn)室 天津 300300)

②(江西省機(jī)場(chǎng)集團(tuán)公司九江機(jī)場(chǎng)分公司 九江 332000)

基于改進(jìn)的稀疏保持投影的SAR目標(biāo)特征提取與識(shí)別

韓 萍*①王 歡②

①(中國(guó)民航大學(xué)智能信號(hào)與圖像處理天津市重點(diǎn)實(shí)驗(yàn)室 天津 300300)

②(江西省機(jī)場(chǎng)集團(tuán)公司九江機(jī)場(chǎng)分公司 九江 332000)

提出了一種改進(jìn)的稀疏保持投影(Sparsity Preserving Projections,SPP)特征提取方法。該方法將SPP特征提取與局部保持投影(Locality Preserving Projection,LPP)特征提取思想相結(jié)合，構(gòu)造新的目標(biāo)函數(shù)求解投影向量，保證了投影空間內(nèi)樣本的稀疏重構(gòu)誤差達(dá)到最小的同時(shí)使同類樣本間距最小。利用美國(guó)運(yùn)動(dòng)和靜止目標(biāo)獲取與識(shí)別(Moving and Stationary Target Acquisition and Recognition,MSTAR)實(shí)測(cè)SAR數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明在不利用目標(biāo)成像方位信息情況下平均識(shí)別率最高可達(dá)97.81%，明顯地提高了目標(biāo)的識(shí)別結(jié)果，是一種有效的SAR目標(biāo)識(shí)別方法。

合成孔徑雷達(dá)；自動(dòng)目標(biāo)識(shí)別；稀疏保持投影；特征提取

Reference format: Han Ping and Wang Huan. Synthetic aperture radar target feature extraction and recognition based on improved sparsity preserving projections[J]. Journal of Radars,2015,4(6): 674–680. DOI: 10.12000/JR15068.

1 引言

近幾年稀疏表示理論[1]發(fā)展迅速，得到很多學(xué)者的廣泛關(guān)注并被應(yīng)用到多個(gè)領(lǐng)域，如圖像編碼[2,3]、圖像去噪[4,5]、人臉識(shí)別[6,7]、SAR圖像目標(biāo)識(shí)別[8–11]等。在SAR圖像目標(biāo)識(shí)別方面，文獻(xiàn)[8]提出了一種基于主元分析和稀疏表示的SAR圖像目標(biāo)識(shí)別算法，該方法首先對(duì)樣本進(jìn)行PCA降維，將降維后的樣本進(jìn)行稀疏表示，利用優(yōu)化算法求得樣本的稀疏系數(shù)并作為樣本特征，最后利用最近鄰法對(duì)SAR圖像目標(biāo)分類識(shí)別，實(shí)驗(yàn)結(jié)果表明在沒(méi)有預(yù)處理的情況下該算法能有效地識(shí)別目標(biāo)。

最近有學(xué)者將稀疏表示理論運(yùn)用到特征提取中，如QIAO[12]等人提出了稀疏保持投影(Sparsity Preserving Projections,SPP)特征提取方法，該方法可保證在投影空間內(nèi)的樣本與稀疏重構(gòu)樣本誤差最小，將該特征提取方法運(yùn)用到人臉識(shí)別中，實(shí)驗(yàn)結(jié)果證明了該方法的有效性。

本文在SPP方法的基礎(chǔ)上借鑒局部保持投影(Locality Preserving Projection,LPP)特征提取方法思想[13]，使得提取的特征在保持稀疏重構(gòu)誤差最小的同時(shí)使同類樣本間距最小，利用該思想構(gòu)造目標(biāo)函數(shù)，求解特征空間，在特征空間內(nèi)利用SVM分類器進(jìn)行分類，采用MSTAR數(shù)據(jù)對(duì)該方法進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，在不利用目標(biāo)成像方位信息情況下該方法可以有效地提高目標(biāo)的正確識(shí)別率。

2 SPP特征提取方法

目標(biāo)的稀疏系數(shù)可描述目標(biāo)的特征，SPP特征提取方法將每個(gè)樣本的稀疏系數(shù)構(gòu)成稀疏重構(gòu)權(quán)重矩陣，通過(guò)尋找最佳投影向量使得原始樣本在上的投影與稀疏重構(gòu)樣本在上的投影誤差最小。

急性闌尾炎在臨床上是一種比較常見(jiàn)的急腹癥，該疾病在各個(gè)年齡段都會(huì)出現(xiàn)。目前，在臨床上主要的治療方式就是手術(shù)治療，患者在經(jīng)手術(shù)治療之后，雖然可以起到一定的治療效果，但是術(shù)后會(huì)嚴(yán)重影響患者的機(jī)體，給患者帶來(lái)一定的疼痛感。因此，經(jīng)過(guò)不斷的研究與發(fā)現(xiàn)，在急性闌尾炎術(shù)后對(duì)患者實(shí)施有效的護(hù)理服務(wù)，可以起到良好的效果。因此，在本次研究中，主要是對(duì)60例急性闌尾炎患者的護(hù)理方式進(jìn)行深入性的研究，并進(jìn)行了全面性的總結(jié)。

在進(jìn)行地表施工作業(yè)時(shí)，地表淺層土通常是施工的重要目標(biāo)。但是地表淺層土?xí)軠囟?、土體、氣候等多方面因素的干擾，因此其水分場(chǎng)與溫度場(chǎng)都會(huì)不斷改變，而且相互影響。土壤的溫度在發(fā)生改變時(shí)，土體內(nèi)部的水分也會(huì)相應(yīng)變化，這一變化進(jìn)而會(huì)導(dǎo)致其自身導(dǎo)熱系數(shù)與比熱的改變，最終引起土壤溫度場(chǎng)與傳熱能力的變化。在溫度降低的時(shí)候，土壤會(huì)迅速凝固并釋放熱能，此時(shí)水分也會(huì)相應(yīng)發(fā)生移動(dòng)，那么土體的溫度場(chǎng)就會(huì)產(chǎn)生變化。［2］

式(1)中稀疏系數(shù)可以通過(guò)以下1-范數(shù)優(yōu)化方法來(lái)求解：

式(2)求解稀疏系數(shù)的問(wèn)題又可轉(zhuǎn)化為有約束的2次規(guī)劃問(wèn)題，可以利用梯度投影法[14]來(lái)求解，其優(yōu)化函數(shù)形式如下：

通過(guò)式(3)求得每個(gè)樣本xi在其對(duì)應(yīng)子集Ti上的稀疏系數(shù)i后，構(gòu)造稀疏重構(gòu)權(quán)重矩陣其中，由于稀疏表示得到的稀疏系數(shù)可描述不同目標(biāo)的特征，因此希望這種特性在低維空間得到保持，故可通過(guò)求得投影向量w，使得樣本xi在w上的投影與稀疏重構(gòu)樣本在w上的投影誤差最小，具體目標(biāo)函數(shù)形式如下：

2.3.2 醫(yī)護(hù)工作者職業(yè)認(rèn)同的學(xué)歷差異 對(duì)醫(yī)護(hù)工作者職業(yè)認(rèn)同進(jìn)行學(xué)歷的方差分析（見(jiàn)表6），結(jié)果表明：不同學(xué)歷醫(yī)護(hù)工作者職業(yè)情感、職業(yè)期望維度得分存在顯著性差異，而其他維度不存在顯著性差異；大專學(xué)歷醫(yī)護(hù)工作者職業(yè)認(rèn)同程度高于其他學(xué)歷醫(yī)護(hù)工作者，中專及以下學(xué)歷醫(yī)護(hù)工作者認(rèn)同程度最低。

4.構(gòu)造模糊判斷矩陣。采用問(wèn)卷調(diào)查法收集并統(tǒng)計(jì)出各評(píng)價(jià)指標(biāo)在評(píng)價(jià)等級(jí)域上的數(shù)量，然后計(jì)算出各指標(biāo)在各項(xiàng)評(píng)價(jià)等級(jí)域上的隸屬度，構(gòu)成模糊判斷矩陣。

將式(4)整理寫成以下形式：

步驟1 預(yù)處理：

式(6)最終轉(zhuǎn)換成求解以下最優(yōu)化問(wèn)題：

營(yíng)造舒適的工作環(huán)境、優(yōu)化辦公環(huán)境、物品放置有序、標(biāo)識(shí)明確。同時(shí)培養(yǎng)護(hù)士積極向上的情感,提高心理承受能力。盡力豐富業(yè)余生活,比如科室一起郊游、召開(kāi)談心會(huì)、互送小卡片等,讓護(hù)士得到歸屬感。

王莉告訴記者，做好雙向轉(zhuǎn)診，是落實(shí)國(guó)家分級(jí)診療醫(yī)改政策的前提。門診患者服務(wù)中心梳理并優(yōu)化了雙向轉(zhuǎn)診流程，在服務(wù)窗口設(shè)立了雙向轉(zhuǎn)診接待點(diǎn)，不僅位置醒目，而且配備了專線電話，由專人負(fù)責(zé)。醫(yī)院社區(qū)醫(yī)療科和門診患者服務(wù)中心精誠(chéng)合作，建立雙向轉(zhuǎn)診綠色通道，在就醫(yī)過(guò)程中，優(yōu)先滿足雙向轉(zhuǎn)診患者就診、檢查、入院等需求。

通過(guò)以下特征值分解問(wèn)題求得投影向量：

將式(8)求得的特征值按照從大到小的順序排列，對(duì)應(yīng)的特征向量為取前d個(gè)特征值對(duì)應(yīng)的特征向量構(gòu)成投影矩陣此時(shí)樣本在W上的投影：

3 改進(jìn)的SPP特征提取方法

由于SPP特征提取方法是一種全局降維方法，它通過(guò)數(shù)據(jù)的稀疏重構(gòu)關(guān)系求得投影向量，這種稀疏性自然地捕獲了數(shù)據(jù)的局部結(jié)構(gòu)特性。SAR目標(biāo)圖像對(duì)成像方位很敏感，不同方位下的SAR圖像相差很大，由稀疏表示得到的稀疏系數(shù)不能完全滿足在同類樣本位置上的系數(shù)值非零，在其余類樣本上的系數(shù)值為零，此時(shí)利用每類樣本稀疏系數(shù)構(gòu)成稀疏重構(gòu)權(quán)重矩陣并不能很好地體現(xiàn)出數(shù)據(jù)的局部結(jié)構(gòu)關(guān)系。本文在SPP方法基礎(chǔ)上，對(duì)目標(biāo)函數(shù)建立準(zhǔn)則進(jìn)行了改進(jìn)，即在特征空間內(nèi)保持稀疏重構(gòu)誤差最小的同時(shí)使同類樣本間距最小。

改進(jìn)的SPP特征提取方法目標(biāo)函數(shù)的建立從兩個(gè)方面考慮：

(1) 保持SPP特征提取的目標(biāo)函數(shù)，即

科學(xué)的規(guī)劃只有真正得到落實(shí)才能發(fā)揮其應(yīng)有的作用，對(duì)于公共圖書館的發(fā)展來(lái)說(shuō)也是如此。公共圖書館要發(fā)展除了政府的科學(xué)規(guī)劃外，還離不開(kāi)對(duì)規(guī)劃的落實(shí)保障，否則再好的規(guī)劃也僅僅是一紙空文，展現(xiàn)不出其效用[7]。近年來(lái)，我國(guó)政府相繼出臺(tái)了《中華人民共和國(guó)公共文化服務(wù)保障法》、《中華人民共和國(guó)公共圖書館法》。這些法律的出臺(tái)對(duì)于促進(jìn)我國(guó)公共圖書館事業(yè)的發(fā)展有著極大的保障作用，尤其是《中華人民共和國(guó)圖書館法》，是我國(guó)第一部圖書館專門法，也是國(guó)家對(duì)于公共圖書館事業(yè)重視的表現(xiàn)。西安市也可出臺(tái)一些相關(guān)的地方性法規(guī)來(lái)規(guī)范和保障圖書館事業(yè)的發(fā)展，并認(rèn)真落實(shí)這些法規(guī)中的要求，真正使公共圖書館的發(fā)展落到實(shí)處。

其中S為稀疏重構(gòu)權(quán)重矩陣，u為投影向量。

將式(10)的目標(biāo)函數(shù)轉(zhuǎn)化成以下形式：

步驟3 分類：將訓(xùn)練樣本集的特征A送到SVM分類器[15]中進(jìn)行訓(xùn)練，得到已訓(xùn)練的分類器。

通過(guò)運(yùn)算將式(12)化成以下形式：

Bootstrap[3]是Twitter網(wǎng)站推出的一種目前比較流行的開(kāi)源工具包，基于HTML、JavaScript[4]和CSS開(kāi)發(fā)，具有移動(dòng)設(shè)備優(yōu)先、支持主流瀏覽器、響應(yīng)式設(shè)計(jì)、簡(jiǎn)單靈活和容易操作等優(yōu)點(diǎn)[5-6]?；贐ootstrap框架開(kāi)發(fā)的網(wǎng)站可解決多樣化樣式和平臺(tái)無(wú)關(guān)性問(wèn)題[5]。國(guó)內(nèi)很多大型網(wǎng)站(如新浪時(shí)尚頻道、知乎等)和很多主流電商網(wǎng)站(如淘寶、京東等)都采用Bootstrap框架，用戶反映效果良好，開(kāi)發(fā)技術(shù)成熟。

結(jié)合式(11)和式(13)，可得到改進(jìn)的稀疏保持投影特征提取方法的目標(biāo)函數(shù)：

該目標(biāo)函數(shù)表示提取的特征在投影空間不僅能保持樣本間的稀疏重構(gòu)誤差最小，還保證了同類樣本間距最小。

式(14)的求解等價(jià)于求以下特征值分解問(wèn)題：

將式(15)求得的特征值按照從大到小的順序排列，對(duì)應(yīng)的特征向量為取前l(fā)個(gè)特征值對(duì)應(yīng)的特征向量構(gòu)成投影矩陣此時(shí)樣本在U上的投影：

4 本文識(shí)別方法

采用本文特征提取方法進(jìn)行SAR圖像目標(biāo)識(shí)別框圖如圖1所示，下面對(duì)算法的各個(gè)步驟進(jìn)行詳細(xì)介紹。

4.1 訓(xùn)練過(guò)程

(a) 對(duì)訓(xùn)練樣本集進(jìn)行對(duì)數(shù)變換，將乘性噪聲轉(zhuǎn)化為加性噪聲；

(b) 將對(duì)數(shù)變換后的樣本集進(jìn)行傅里葉變換，取其幅頻特性，以保證目標(biāo)在圖像中的平移不變性，同時(shí)利用幅頻特性的對(duì)稱性取一半信息以此來(lái)降低樣本的維數(shù)；

電感式編碼器是利用電磁感應(yīng)原理測(cè)量位移（線位移和角位移）的測(cè)量元件，把被測(cè)的物理量轉(zhuǎn)換成線圈感應(yīng)系數(shù)的變化，再由電路轉(zhuǎn)換為電壓或電流的變化量輸出，實(shí)現(xiàn)非電量到電量的轉(zhuǎn)換。

(c) 對(duì)幅頻特性進(jìn)行歸一化處理，得到預(yù)處理后的訓(xùn)練樣本。

由于螺旋管圈水冷壁的焊口都集中在角部，焊口位置不利，給施焊帶來(lái)很大難度。而且由于該種爐型沒(méi)有汽包，為保證介質(zhì)的循環(huán)暢通，必須保證螺旋水冷壁的升角，保證機(jī)組的安裝質(zhì)量，保證機(jī)組在以后的投產(chǎn)運(yùn)行中的正常性及穩(wěn)定性。因此，在實(shí)際的安裝過(guò)程中，有許多的難點(diǎn)、要點(diǎn)。

步驟2 特征提取：由步驟(1)預(yù)處理后的圖像形成列矢量，并進(jìn)行PCA處理，以保證當(dāng)訓(xùn)練樣本個(gè)數(shù)相對(duì)于樣本維數(shù)較小時(shí)，式(15)中的XLXT不可逆[12]，然后通過(guò)式(16)即可得到訓(xùn)練樣本集的特征

（d）應(yīng)用廣譜抗感染藥物，聯(lián)合應(yīng)用多個(gè)抗感染藥物，以及應(yīng)用糖皮質(zhì)激素類藥物等治療時(shí)，應(yīng)注意防治繼發(fā)真菌感染[43]（Ⅱ-3）。

先用較堅(jiān)硬的石塊回填槽孔，石塊不宜太大；然后進(jìn)行重新造孔。重新造孔進(jìn)尺不宜太快，發(fā)現(xiàn)孔斜時(shí)應(yīng)再次回填石塊重復(fù)造孔。

1.2.1 考站設(shè)置 通過(guò)查閱文獻(xiàn)，結(jié)合2016年衛(wèi)計(jì)委頒布的《新入職護(hù)士規(guī)范化培訓(xùn)大綱(試行)》中的要求及青島市某三甲醫(yī)院制定的規(guī)范化培訓(xùn)護(hù)士能力要求，編寫OSCE考試方案函詢問(wèn)卷，采用德?tīng)柗品ㄟM(jìn)行兩輪專家函詢，確定考點(diǎn)及考核內(nèi)容，使考試內(nèi)容科學(xué)化且更加符合護(hù)理專業(yè)實(shí)際。考試共設(shè)置五大考站，分別為護(hù)理評(píng)估、臨床思維、基礎(chǔ)技能操作、急救技能操作、人文護(hù)理溝通，每個(gè)考站10 min，滿分100分。其中，第一站設(shè)有標(biāo)準(zhǔn)化病人(SP)?？颊驹O(shè)置及時(shí)間詳見(jiàn)表1。

圖 1 SAR目標(biāo)識(shí)別框圖Fig. 1 A diagram of the SAR target recognition

4.2 測(cè)試過(guò)程

待識(shí)別樣本采用與訓(xùn)練過(guò)程相同的預(yù)處理和特征提取方法提取樣本特征，并送入已訓(xùn)練好的SVM分類器進(jìn)行分類，得到測(cè)試樣本的類別。

5 實(shí)驗(yàn)結(jié)果與分析

5.1 實(shí)驗(yàn)數(shù)據(jù)

本實(shí)驗(yàn)所用數(shù)據(jù)是由美國(guó)DARPA/AFRL MSTAR工作組提供的實(shí)測(cè)SAR地面靜止目標(biāo)數(shù)據(jù)。該數(shù)據(jù)包括3大類目標(biāo)，共7種型號(hào)SAR圖像，訓(xùn)練樣本是在俯仰角為17°時(shí)的成像數(shù)據(jù)，包括T72_132,BMP2_c21,BTR70_c71 3類目標(biāo)，測(cè)試樣本是在俯仰角為15°時(shí)的成像數(shù)據(jù)，包括T72的3種型號(hào)(T72_132,T72_812,T72_s7)、BMP2的3種型號(hào)(BMP2_c21,BMP2_9563,BMP2_9566)和BTR70_c71共7種型號(hào)目標(biāo)。圖像大小均為128×128，成像方位為0°～360°。圖2給出了3種訓(xùn)練樣本的光學(xué)圖像，圖3給出了3種訓(xùn)練樣本在某一方位角下的SAR圖像，圖4給出了T72_132在不同方位下的圖像，表1給出了樣本具體類別型號(hào)及樣本數(shù)。

圖 2 3類軍用目標(biāo)的光學(xué)圖像Fig. 2 The optical image of three military targets

圖 3 3類軍用目標(biāo)的SAR圖像Fig. 3 The SAR image of three military targets

圖 4 T72_132在3個(gè)不同方位角下的SAR圖像Fig. 4 T72_132 under three different azimuth of SAR images

表 1 3類目標(biāo)訓(xùn)練樣本和測(cè)試樣本Tab. 1 The training and testing samples in experiments

5.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)中，為了提高運(yùn)算速度，將每幅圖像截取圖像子塊(65×65)，待識(shí)別樣本經(jīng)過(guò)PCA降維后得到樣本維數(shù)為233,SVM分類器中核函數(shù)選取高斯徑向基核函數(shù)，核參數(shù)

表2給出了特征維數(shù)l=100時(shí)本文方法的識(shí)別結(jié)果，由表2可知，本文方法對(duì)T72_132,T72_s7,BMP2_c21以及BTR70_c71 4種型號(hào)目標(biāo)都有很好的識(shí)別結(jié)果，識(shí)別率都達(dá)到了100%，此外，對(duì)其他型號(hào)的目標(biāo)識(shí)別率都在90%以上，平均識(shí)別率為97.81%。

表 2 各類目標(biāo)的識(shí)別率Tab. 2 The recognition rate of different samples

圖5給出了T72,BMP和BTR 3類目標(biāo)的稀疏系數(shù)分布圖，其中每類目標(biāo)取前50個(gè)樣本，x軸表示稀疏重構(gòu)權(quán)重矩陣的行，y軸表示稀疏重構(gòu)權(quán)重矩陣的列，z軸表示稀疏重構(gòu)權(quán)重矩陣的值，y軸序號(hào)為1～50對(duì)應(yīng)樣本分布在T72目標(biāo)所在的區(qū)域，y軸序號(hào)為51～100對(duì)應(yīng)樣本分布在BMP目標(biāo)所在的區(qū)域，y軸序號(hào)為101～150對(duì)應(yīng)樣本分布在BTR目標(biāo)所在的區(qū)域。由圖5(a)可知，T72樣本稀疏系數(shù)非零值主要分布在y軸序號(hào)為1～50的區(qū)域，即T72目標(biāo)所在的區(qū)域，且在該區(qū)域的系數(shù)值很大，在其他區(qū)域的系數(shù)值很小或者為零，由圖5(b)可知，BMP樣本稀疏系數(shù)非零值主要分布在y軸序號(hào)為51～100的區(qū)域，即BMP目標(biāo)所在的區(qū)域，且在該區(qū)域的系數(shù)值很大，在其他區(qū)域的系數(shù)值很小或者為零，由圖5(c)可知，BTR樣本稀疏系數(shù)非零值主要分布在y軸序號(hào)為101～150的區(qū)域，即BTR目標(biāo)所在的區(qū)域，且在該區(qū)域的系數(shù)值很大，在其他區(qū)域的系數(shù)值很小或者為零。由此表明樣本非零大系數(shù)值主要分布在每類樣本所在的區(qū)域，所得的稀疏系數(shù)可描述目標(biāo)的特征。

圖 5 3類樣本稀疏系數(shù)分布圖Fig. 5 Sparse coefficient distribution of three types of samples

圖6 給出了本文方法在不同l取值下的識(shí)別結(jié)果。由圖6可知，特征維數(shù)l的不同會(huì)直接影響識(shí)別結(jié)果，隨著特征維數(shù)的增加，平均識(shí)別率總體呈現(xiàn)增長(zhǎng)的趨勢(shì)。但是對(duì)于BMP2_9563和BMP2_9566來(lái)說(shuō)，其識(shí)別率隨著特征維數(shù)的變化波動(dòng)比較大，這是因?yàn)檫@兩類目標(biāo)是變體且其SAR圖像質(zhì)量明顯劣于其它類目標(biāo)。

圖 6 不同特征維數(shù)下本文方法的識(shí)別結(jié)果Fig. 6 The recognition results of this method under different characteristic dimension

另外，將本文方法與SPP方法進(jìn)行比較，實(shí)驗(yàn)結(jié)果如表3所示，其中SPP方法與本文方法的處理過(guò)程相同，且都利用SVM分類器分類識(shí)別，T72的識(shí)別結(jié)果表示T72 3種型號(hào)目標(biāo)的平均識(shí)別率，BMP的識(shí)別結(jié)果表示BMP 3種型號(hào)目標(biāo)的平均識(shí)別率。由表3可知，本文方法在T72和BMP兩類目標(biāo)識(shí)別結(jié)果上都優(yōu)于SPP特征提取方法，且平均識(shí)別率為97.81%，優(yōu)于SPP方法。

表 3 不同特征提取方法的識(shí)別結(jié)果比較Tab. 3 The recognition results of different feature extraction

圖7還給出了兩種方法在不同特征維數(shù)l下的識(shí)別結(jié)果比較。由圖7可知，本文方法明顯優(yōu)于SPP特征提取方法，當(dāng)特征維數(shù)為40時(shí)，本文方法識(shí)別結(jié)果已達(dá)到97%，說(shuō)明當(dāng)特征維數(shù)較低時(shí)，本文方法仍能取得較好的識(shí)別結(jié)果。

圖 7 兩種方法不同特征維數(shù)下的識(shí)別結(jié)果比較Fig. 7 Two methods of comparing the identification results under different characteristic demension

6 結(jié)論

本文是在SPP特征提取方法的基礎(chǔ)上進(jìn)行改進(jìn)的，SPP特征提取方法根據(jù)稀疏重構(gòu)誤差最小得到樣本的特征向量，而本文方法以保證稀疏重構(gòu)誤差最小的同時(shí)保證同類樣本類內(nèi)距最小為目標(biāo)函數(shù)，確定投影空間提取特征向量，最后利用SVM分類器進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明該方法在方位角未知的情況下能有效提高目標(biāo)的正確識(shí)別率，是一種有效的識(shí)別方法。

[1]Alpert B K. A class of bases in L2for sparse representation of integral operators[J]. SIAM Journal on Mathematical Analysis,1993,24(1): 246–262.

[2]Olshausen B A,Sallee P,and Lewicki M S. Learning SparseImage Codes Using a Wavlet Pyramid Architecture[C]. Advances in Neural Information Processing Systems,2001: 887–893.

[3]鄧承志,曹漢強(qiáng). 多尺度脊波字典的構(gòu)造及其在圖像編碼中的應(yīng)用[J]. 中國(guó)圖象圖形學(xué)報(bào),2009,14(7): 1273–1278. Deng Cheng-zhi and Cao Han-qiang. Construction of multiscale ridgelet dictionary and its application for image coding[J]. Journal of Image and Graphics,2009,14(7): 1273–1278.

[4]LI S T,YIN H T,and FANG L Y. Group sparse representation with dictionary learning for medical image denoising and fusion[J]. IEEE Transactions on Biomedical Engineering,2012,59(12): 3450–3459.

[5]馬路,鄧承志,汪勝前,等. 特征保留的稀疏表示圖像去噪[J].計(jì)算機(jī)應(yīng)用,2013,33(5): 1416–1419. Ma Lu,Deng Cheng-zhi,Wang Sheng-qian,et al.. Featureretained image de-noising via sparse representation[J]. Journal of Computer Applications,2013,33(5): 1416–1419.

[6]Wright J,Yang A Y,Ganesh A,et al.. Robust face recognition via sparse representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(2): 210–227.

[7]胡正平,趙淑歡. 分辨性分解塊稀疏表示遮擋人臉識(shí)別算法[J].信號(hào)處理,2014,30(2): 214–220. Hu Zheng-ping and Zhao Shu-huan. Discriminative decomposition structure sparse representation for face recognition with occlusion[J]. Journal of Signal Processing,2014,30(2): 214–220.

[8]劉中杰,莊麗葵,曹云峰,等. 基于主元分析和稀疏表示的SAR圖像目標(biāo)識(shí)別[J]. 系統(tǒng)工程與電子技術(shù),2013,35(2): 282–286. Liu Zhong-jie,Zhuang Li-kui,Cao Yun-feng,et al.. Target recognition of SAR images using principal component analysis and sparse representation[J]. Systems Engineering and Electronics,2013,35(2): 282–286.

[9]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. Wang Yan-xia and Zhang Gong. Target recognition in SAR images using sparse representation based on feature space[J]. Journal of Chongqing University of Posts and Telecommunications National Science Edition (Natural Science Edition),2012,24(3): 308–313.

[10]LIU M,WU Y,and ZHANG Q,et al. Dempster-shafer fusion of multiple sparse representation and statistical property for SAR target configuration recognition[J]. IEEE Geoscience and Remote Sensing Letters,2014,11(6): 1106–1110.

[11]韓萍,王歡. 結(jié)合KPCA和稀疏表示的SAR目標(biāo)識(shí)別方法研究[J]. 信號(hào)處理,2013,29(12): 1696–1701. Han Ping and Wang Huan. Research on the synthetic aperture radar target recognition based on KPCA and sparse representation[J]. Journal of Signal Processing,2013,29(12): 1696–1701.

[12]QIAO L S,CHEN S C,and TAN X Y. Sparsity preserving projections with applications to face recognition[J]. Pattern Recognition,2010,43(1): 331–341.

[13]He X F and Niyogi P. Local Preserving Projections[C]. Proceedings of Conference on Advances in Neural Information Processing Systems,2003: 153–160.

[14]Figueiredo M A T,Nowak R D,and Wright S J. Gradient projection for sparse reconstruction: application to compressed sensing and other inverse problems[J]. IEEE Journals of Selected Topics in Signal Processing,2007,1(4): 586–597.

[15]Bryant M and Garber F. SVM classifier applied to the MSTAR public data set[C]. SPIE Algorithm for Synthetic Aperture Rader Imagery,Orlando,FL,1999,3721: 662–672.

韓 萍(1966–)，女，天津人，教授，碩士生導(dǎo)師，中國(guó)民航大學(xué)智能信號(hào)與圖像處理天津市重點(diǎn)實(shí)驗(yàn)室，研究方向?yàn)閳D像處理與模式識(shí)別、SAR目標(biāo)檢測(cè)與識(shí)別等。

E-mail: hanpingcauc@163.com

王 歡(1990–)，女，安徽安慶人，碩士生，江西省機(jī)場(chǎng)集團(tuán)公司九江機(jī)場(chǎng)分公司，研究方向?yàn)楹铣煽讖嚼走_(dá)目標(biāo)識(shí)別。

E-mail: tianjinwanghuan@126.com

Synthetic Aperture Radar Target Feature Extraction and Recognition Based on Improved Sparsity Preserving Projections

Han Ping①Wang Huan②

①(Tianjin Key Laboratory for Advanced Signal Processing,Civil Aviation University of China,Tianjin 300300,China)

②(Jiujiang Airport Branch,Jiangxi Airports Group Company,Jiujiang 332000,China)

We have proposed an improved Sparsity Preserving Projection (SPP) method to implement target feature extraction. It combines the SPP feature extraction using the idea of the Locality Preserving Projection (LPP) scheme to build a new objective function,which can not only maintain the relationship of sparse reconstruction between the samples but also minimize the distance between similar sample types in the projection space. Experimental results with Moving and Stationary Target Acquisition and Recognition (MSTAR) Synthetic Aperture Radar (SAR) data sets show that the average recognition rate using the proposed method is up to 97.81% without knowing the target to be azimuth,which can improve the target recognition result even further for obvious reasons. The proposed method is an effective one for SAR target recognition.

Synthetic Aperture Radar (SAR); Automatic target recognition; Sparsity Preserving Projections (SPP); Feature extraction

s: The National Natural Science Foundation of China (61571442,61471365),The State Key Program of National Natural Science Foundation of China (61231017),The Fundamental Research Funds for the Central Universities (3122014C004)

TN957.52

A

2095-283X(2015)-06-0674-07

10.12000/JR15068

10.12000/JR15068.

2015-05-28；改回日期：2015-09-16；網(wǎng)絡(luò)出版：2015-10-21

韓萍 hanpingcauc@163.com

國(guó)家自然科學(xué)基金(61571442,61471365)，國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目(61231017)，中央高校基金(3122014C004)

引用格式：韓萍,王歡. 基于改進(jìn)的稀疏保持投影的SAR目標(biāo)特征提取與識(shí)別[J]. 雷達(dá)學(xué)報(bào),2015,4(6): 674–680.