谷 雨 張 琴 徐 英

(1.杭州電子科技大學(xué)通信信息傳輸與融合技術(shù)國防重點(diǎn)學(xué)科實(shí)驗(yàn)室，杭州,310018; 2.杭州電子科技大學(xué)生命信息與儀器工程學(xué)院，杭州,310018)

?

融合壓縮感知和SVM的SAR變形目標(biāo)識(shí)別算法*

谷 雨1張 琴1徐 英2

(1.杭州電子科技大學(xué)通信信息傳輸與融合技術(shù)國防重點(diǎn)學(xué)科實(shí)驗(yàn)室，杭州,310018; 2.杭州電子科技大學(xué)生命信息與儀器工程學(xué)院，杭州,310018)

為降低合成孔徑雷達(dá)(Synthetic aperture radar, SAR)圖像目標(biāo)識(shí)別中目標(biāo)方位角的影響，并提高對(duì)SAR變形目標(biāo)的識(shí)別率，本文提出了一種基于壓縮感知和支持向量機(jī)決策級(jí)融合的目標(biāo)識(shí)別算法。該算法首先基于稀疏表征理論將SAR目標(biāo)識(shí)別問題描述為壓縮感知的稀疏信號(hào)恢復(fù)問題，然后基于稀疏系數(shù)分別進(jìn)行目標(biāo)類別判別與方位角估計(jì)。對(duì)樣本進(jìn)行姿態(tài)校正后，利用支持向量機(jī)分別對(duì)經(jīng)過姿態(tài)校正和未經(jīng)姿態(tài)校正的樣本進(jìn)行目標(biāo)分類。最后采用投票表決法對(duì)3種算法的分類結(jié)果進(jìn)行決策級(jí)融合。實(shí)驗(yàn)結(jié)果表明，基于壓縮感知結(jié)果進(jìn)行目標(biāo)方位角估計(jì)有效，且隨著訓(xùn)練樣本數(shù)的增加，提出的決策級(jí)融合算法提高了SAR變形目標(biāo)的識(shí)別率。

合成孔徑雷達(dá)；變形目標(biāo)識(shí)別；壓縮感知；支持向量機(jī)；決策級(jí)融合

引 言

合成孔徑雷達(dá)(Synthetic aperture radar， SAR)是一種微波成像傳感器，具有全天時(shí)、全天候、多波段和多極化等特點(diǎn)，它在國民經(jīng)濟(jì)和國防建設(shè)中有了越來越廣泛的應(yīng)用。SAR圖像自動(dòng)目標(biāo)識(shí)別(Automatic target recognition，ATR)技術(shù)的研究，尤其是變形目標(biāo)的識(shí)別，是目前需要迫切解決的關(guān)鍵問題之一[1]。實(shí)現(xiàn)SAR圖像ATR的主要方法包括基于模板匹配的方法、基于支持向量機(jī)(Support vector machine，SVM)的方法和基于Boosting的方法等?；谀０迤ヅ涞姆椒ㄊ褂糜?xùn)練樣本作為模板，進(jìn)行測(cè)試時(shí)將待識(shí)別樣本與模板求解相關(guān)系數(shù)，然后與閾值比較判別目標(biāo)類別?；谀０迤ヅ浞椒ǖ牡湫痛硎亲罱彿ê妥罱涌臻g法，在早期的SAR ATR應(yīng)用比較廣泛[2-3]。SVM和Boosting兩類典型的機(jī)器學(xué)習(xí)算法，已被成功應(yīng)用到SAR圖像目標(biāo)識(shí)別，并取得了較好的識(shí)別效果[4-6]。壓縮感知(Compressed sensing，CS)[7]是一種新的信號(hào)描述與處理的理論框架，該理論表明，即使以非常低的速率對(duì)原始信號(hào)進(jìn)行采樣與處理，在一定條件下也能夠恢復(fù)出原始信號(hào)。近年來，國內(nèi)外很多學(xué)者提出了多種基于壓縮感知理論的SAR圖像目標(biāo)識(shí)別算法[8-12]。文獻(xiàn)[10]將SAR目標(biāo)識(shí)別問題轉(zhuǎn)化為稀疏表示的近似求解問題，相比于傳統(tǒng)識(shí)別方法，該方法可以取得更高的識(shí)別率。文獻(xiàn)[11]提出了一種基于主元分析和稀疏表示的目標(biāo)識(shí)別算法，實(shí)驗(yàn)結(jié)果表明，提出的算法在沒有預(yù)處理的情況下，仍能有效地識(shí)別目標(biāo)。文獻(xiàn)[12]提出了基于核主成分分析與稀疏表示相結(jié)合的SAR目標(biāo)識(shí)別算法，重點(diǎn)討論了預(yù)處理算法對(duì)SAR目標(biāo)識(shí)別結(jié)果的影響。為提高目標(biāo)識(shí)別率，可利用不同特征提取方法和目標(biāo)分類算法，采用信息融合方法對(duì)多視角圖像、多特征和多分類器的識(shí)別結(jié)果進(jìn)行融合。文獻(xiàn)[13]通過實(shí)驗(yàn)詳細(xì)分析了多視角決策級(jí)融合、多特征決策級(jí)融合和多分類器決策級(jí)融合3種融合方法的性能。文獻(xiàn)[14]提出了基于多視角圖像決策融合的SAR圖像目標(biāo)識(shí)別算法，實(shí)驗(yàn)結(jié)果表明，以一定方位角間隔對(duì)3幅及以上不同方位角的圖像進(jìn)行決策融合后的目標(biāo)正確識(shí)別率較利用單幅圖像識(shí)別的方法有了顯著提高。利用多分類器結(jié)果進(jìn)行決策級(jí)融合時(shí)，文獻(xiàn)[15]采用分層推進(jìn)融合策略，有效融合了并行和串行融合結(jié)構(gòu)的優(yōu)點(diǎn)。文獻(xiàn)[16]采用貝葉斯融合規(guī)則對(duì)基于稀疏表示和支持向量機(jī)的識(shí)別結(jié)果進(jìn)行決策級(jí)融合，采用該方法的前提是需要準(zhǔn)確估計(jì)每一類分類器對(duì)目標(biāo)分類的似然函數(shù)。

為解決SAR圖像目標(biāo)識(shí)別中目標(biāo)方位角的影響，本文提出了一種融合CS和SVM的SAR變形目標(biāo)決策級(jí)融合算法。該算法首先將將SAR圖像目標(biāo)識(shí)別問題轉(zhuǎn)化為稀疏信號(hào)恢復(fù)問題，基于恢復(fù)的稀疏系數(shù)進(jìn)行測(cè)試圖像的方位角估計(jì)，然后對(duì)其進(jìn)行姿態(tài)校正，利用SVM分別對(duì)經(jīng)過姿態(tài)校正和未經(jīng)姿態(tài)校正的樣本進(jìn)行目標(biāo)分類，最后與基于CS的分類結(jié)果進(jìn)行決策級(jí)融合。實(shí)驗(yàn)結(jié)果驗(yàn)證了提出的決策級(jí)融合算法的有效性。

1 基于壓縮感知的SAR目標(biāo)識(shí)別算法

基于稀疏表征理論[17]進(jìn)行SAR目標(biāo)識(shí)別時(shí)，假設(shè)第i類目標(biāo)中有ni個(gè)訓(xùn)練樣本，從這些樣本中分別提取特征并寫成向量形式，即vi,1,vi,2,…,vi,ni∈Rm,則從該類目標(biāo)的測(cè)試樣圖像y提取的特征vt可表示為

(1)

式中：αi,j∈R,j=1,…,ni。把k類目標(biāo)的所有訓(xùn)練樣本n=n1+n2+…+nk中提取的特征組合構(gòu)成一個(gè)觀測(cè)矩陣，即字典A表示為

(2)

其中Ai的列向量為從第i類目標(biāo)的訓(xùn)練圖像提取的特征。此時(shí)式(1)可表示為

vt=Ax0

(3)

式中：x0=[0,…,0,αi,1,αi,2,…,αi,ni,0,…,0]T。理論上x0中只有與第i類目標(biāo)相對(duì)應(yīng)的系數(shù)為非零，其他值均為零，因此稱x0為稀疏系數(shù)。

采用L1范數(shù)對(duì)上式求解x0，可表示為

(4)

上式轉(zhuǎn)化為壓縮感知理論中的稀疏信號(hào)重建問題。根據(jù)求解得到的稀疏系數(shù)，可進(jìn)行目標(biāo)類別判別。如式(5)所示，向量x0中元素取最大值的位置t處表明測(cè)試樣本與該訓(xùn)練樣本最相似，該樣本的類別即為待測(cè)試目標(biāo)的類別。

(5)

由于SAR圖像具有強(qiáng)烈的相干斑噪聲，因此通常采用基于最小重構(gòu)誤差的方法判別目標(biāo)類別，該方法也可看作是最近鄰判決(Nearestneighbor，NN)[12]。對(duì)于第i類目標(biāo)，定義函數(shù)：δi:Rn→Rn，對(duì)于x0∈Rn，δi(x0)∈Rn為系數(shù)向量，其中x0中僅與第i類目標(biāo)相對(duì)應(yīng)的值保持不變，其他值變?yōu)榱?。定義殘差為[17]

(6)

(7)

殘差最小的i值即測(cè)試樣本的類別，測(cè)試圖像y的類別n由式(7)得到。由于成像噪聲等影響，采用該方法目標(biāo)的識(shí)別正確率更高。

2 基于壓縮感知和支持向量機(jī)決策級(jí)融合的目標(biāo)識(shí)別算法

基于CS的SAR圖像目標(biāo)識(shí)別算法可看作是最近鄰判別，由式(2)可知，通過采用不同方位角獲得的SAR圖像來構(gòu)成字典A，因此該算法受目標(biāo)方位角影響較小。如式(8)所示，SVM通過最大化分類間隔構(gòu)建最優(yōu)分類超平面，具有能夠處理小樣本、非線性和高維數(shù)等優(yōu)點(diǎn)，但不同目標(biāo)方位角下獲得的SAR圖像會(huì)有較大區(qū)別，若把所有方位角下獲得的訓(xùn)練樣本直接用于SVM構(gòu)建分類器，則得到的最優(yōu)分類超平面會(huì)比較復(fù)雜，從而導(dǎo)致分類性能下降。因此文獻(xiàn)[4]以30°為方位單元，在每個(gè)單元內(nèi)對(duì)圖像樣本利用SVM訓(xùn)練分類器；在測(cè)試階段，首先采用基于互信息的方位角估計(jì)算法確定待識(shí)別目標(biāo)的方位，然后選擇特定的SVM分類器進(jìn)行分類，有

(8)

利用壓縮感知算法進(jìn)行優(yōu)化求解時(shí)，一方面可利用式(7)獲得目標(biāo)的分類結(jié)果，另一方面可根據(jù)式(5)獲得與測(cè)試樣本最相似的樣本方位角對(duì)測(cè)試樣本進(jìn)行姿態(tài)校正。為降低基于恢復(fù)的稀疏系數(shù)進(jìn)行目標(biāo)方位角估計(jì)錯(cuò)誤造成的影響，當(dāng)獲得未校正和已校正的訓(xùn)練樣本后，采用SVM訓(xùn)練得到兩個(gè)分類器，分別記做SVM1和SVM2，然后將上述3種識(shí)別結(jié)果進(jìn)行融合，以提高SAR圖像目標(biāo)識(shí)別的正確率。Bagging[18]是一種多分類器集成算法，通過對(duì)樣本進(jìn)行隨機(jī)重采樣訓(xùn)練得到的多個(gè)弱分類器進(jìn)行投票表決，從而提高分類器的魯棒性和分類精度。因此本文采用投票表決法對(duì)上述3種算法的識(shí)別結(jié)果進(jìn)行決策級(jí)融合，即

r=MajorityVote(rCS,rSVM1,rsvm2)

(9)

式中：rCS為基于CS的識(shí)別結(jié)果；rSVM1為基于SVM對(duì)未經(jīng)過姿態(tài)校正的測(cè)試樣本的識(shí)別結(jié)果；rSVM2為基于SVM對(duì)經(jīng)過姿態(tài)校正的測(cè)試樣本的識(shí)別結(jié)果。當(dāng)出現(xiàn)不一致的3種結(jié)果時(shí)，根據(jù)每種算法對(duì)訓(xùn)練樣本的識(shí)別準(zhǔn)確率作為先驗(yàn)知識(shí)進(jìn)行判別，此時(shí)

(10)

圖1 基于CS和SVM決策級(jí)融合的SAR圖像識(shí)別算法Fig.1 SAR object recognition algorithm based on compressed sensing and support vector machine decision fusion表1 MSTAR數(shù)據(jù)庫訓(xùn)練樣本數(shù)目Tab.1 Training number of MSTAR

類別變形目標(biāo)類別數(shù)目SN＿9563233BMP2SN＿9566232SN＿C21233BTR70SN＿C71233SN＿132232T72SN＿812231SN＿S7228

3 實(shí)驗(yàn)結(jié)果分析

本文采用MSTAR公共數(shù)據(jù)庫驗(yàn)證提出算法的有效性。MSTAR數(shù)據(jù)庫中包含3大類(BMP2裝甲車，BTR70裝甲車和T72主戰(zhàn)坦克) 共7種型號(hào)的地物目標(biāo)。MSTAR數(shù)據(jù)庫中訓(xùn)練樣本是以17°的俯視角成像，測(cè)試樣本以15°的俯視角成像，各目標(biāo)訓(xùn)練樣本數(shù)目如表1所示。同一大類里面存在著不同型號(hào)的實(shí)際差異的目標(biāo)，如同類坦克上有無機(jī)關(guān)槍、油箱以及天線是否展開等，本文將其視為變形目標(biāo)。T72坦克8種型號(hào)的SAR圖像及對(duì)應(yīng)的可見光圖像如圖2所示。

圖2 SAR變形目標(biāo)圖像及對(duì)應(yīng)的可見光圖像Fig.2 SAR distorted object image and corresponding visible image

本文實(shí)驗(yàn)以Matlab 2011a為實(shí)驗(yàn)環(huán)境，使用的PC參數(shù)為RAM 2.00 GB和Pentium(R)/2.60 GHz。實(shí)驗(yàn)前，首先對(duì)訓(xùn)練樣本中的圖像手工標(biāo)記方位角，手工標(biāo)記方位角記錄的是目標(biāo)與標(biāo)準(zhǔn)方位角(90°)之間的夾角，并建立與圖像索引的映射關(guān)系。在進(jìn)行目標(biāo)分類前，對(duì)讀取的圖像進(jìn)行裁剪，取圖像中心點(diǎn)周圍63×63的圖像區(qū)域。由于SAR圖像具有較強(qiáng)的相干斑噪聲，本文采用均值濾波對(duì)圖像進(jìn)行去噪。構(gòu)建基于CS的SAR圖像目標(biāo)識(shí)別算法的一個(gè)關(guān)鍵問題是字典A的構(gòu)造，目前主要有基于訓(xùn)練樣本的方法、基于隨機(jī)投影的方法和基于字典學(xué)習(xí)的方法。實(shí)驗(yàn)研究表明，當(dāng)訓(xùn)練樣本數(shù)較少時(shí)，直接采用基于訓(xùn)練樣本的方法能夠獲得最優(yōu)的識(shí)別效果，當(dāng)訓(xùn)練樣本較多時(shí)，采用字典學(xué)習(xí)算法能夠兼顧識(shí)別率和識(shí)別速度兩方面的需求。本文采用由訓(xùn)練樣本直接構(gòu)造字典A的方法，采用最近鄰方法進(jìn)行目標(biāo)判別，將該方法記為CS+NN。SVM訓(xùn)練分類器采用的核函數(shù)為徑向基核函數(shù)k(x,x0)=exp(-γ‖x-x0‖2)，懲罰因子C和參數(shù)γ由交叉驗(yàn)證和網(wǎng)格參數(shù)尋優(yōu)方法訓(xùn)練得到，實(shí)驗(yàn)中取C=32，γ=2。

進(jìn)行分類器訓(xùn)練時(shí)，首先利用標(biāo)記的方位角信息對(duì)訓(xùn)練樣本進(jìn)行方位角校正，然后進(jìn)行模型訓(xùn)練。測(cè)試過程中，采用文獻(xiàn)[19]的算法對(duì)式(4)進(jìn)行優(yōu)化重建得到稀疏解x0，由式(7)得到目標(biāo)類別，根據(jù)式(5)估計(jì)測(cè)試樣本的方位角。運(yùn)用CS+NN，SVM1(未校正姿態(tài)角)和SVM2(校正姿態(tài)角)得到3種分類結(jié)果，然后利用式(8，9)進(jìn)行融合。

由于訓(xùn)練樣本的數(shù)目會(huì)影響分類器的識(shí)別率，通過實(shí)驗(yàn)比較了樣本數(shù)為60和180時(shí)各算法的目標(biāo)識(shí)別率，如表2和表3所示。從表2，3中可以看出，隨著訓(xùn)練樣本數(shù)的增加，基于CS+NN方法的識(shí)別率有了顯著提高，尤其是對(duì)于第一大類目標(biāo)，采用180個(gè)樣本比采用60個(gè)樣本平均高出了13個(gè)百分點(diǎn)；不同訓(xùn)練樣本數(shù)時(shí)，基于CS+NN的識(shí)別結(jié)果與基于SVM2的識(shí)別結(jié)果大致相當(dāng)，但均優(yōu)于基于SVM1的方法，這一方面說明本文提出的基于壓縮感知的識(shí)別結(jié)果對(duì)測(cè)試樣本進(jìn)行方位角校正可行，另一方面也說明基于壓縮感知的方法即使在樣本數(shù)較少時(shí)，也能夠獲得滿意的識(shí)別結(jié)果，因而將這些識(shí)別結(jié)果進(jìn)行融合后會(huì)提高SAR變形目標(biāo)的識(shí)別率。

當(dāng)采用本文提出的決策級(jí)融合方法時(shí)，經(jīng)過融合后的目標(biāo)平均識(shí)別率均高于參加融合的3種算法的平均識(shí)別率。當(dāng)3種方法的識(shí)別性能相差較大時(shí)，經(jīng)過融合后每一類類目標(biāo)的識(shí)別性能不一定最優(yōu)，如樣本數(shù)為60情況下第1類目標(biāo)的分類結(jié)果，SVM2方法識(shí)別率最高，決策級(jí)融合方法次之，SVM1方法最差。從每一類目標(biāo)的識(shí)別率可以看出，當(dāng)樣本數(shù)為60，僅第2,3,6類目標(biāo)融合方法的識(shí)別率有提高；當(dāng)樣本數(shù)為180，有5類目標(biāo)的識(shí)別率采用本文提出的決策級(jí)融合算法最高。這說明隨著樣本數(shù)的增加，當(dāng)參與融合的各算法識(shí)別性能相近時(shí)，本文提出的決策級(jí)融合識(shí)別算法性能更加平穩(wěn)。

表2給出了當(dāng)訓(xùn)練樣本為60時(shí)4種方法的平均識(shí)別時(shí)間，對(duì)未校正的圖像用SVM分類最快，由于CS中基于L1泛數(shù)求解稀疏系數(shù)，故運(yùn)算速度較慢。本文方法結(jié)合了基于CS和SVM(基于矯正圖像和原始圖像)的識(shí)別結(jié)果，故識(shí)別時(shí)間最長。

表2 訓(xùn)練樣本數(shù)為60的目標(biāo)識(shí)別率

表3 訓(xùn)練樣本數(shù)為180的目標(biāo)識(shí)別率

為驗(yàn)證本文算法的有效性，對(duì)T72的8種變形目標(biāo)進(jìn)行了識(shí)別實(shí)驗(yàn)，比較了文獻(xiàn)[16]中貝葉斯融合算法和本文采用的投票表決法的識(shí)別性能。每一類別目標(biāo)采用的訓(xùn)練樣本數(shù)為60，變形目標(biāo)識(shí)別率如表4所示。從表中可以看出，對(duì)于這8類目標(biāo)，采用未經(jīng)校正的樣本訓(xùn)練支持向量機(jī)時(shí)，目標(biāo)識(shí)別率僅為68.94%，遠(yuǎn)低于采用經(jīng)過校正樣本訓(xùn)練得到的分類器結(jié)果?；贑S的目標(biāo)識(shí)別算法在參加融合的3種算法中性能最優(yōu)。采用文獻(xiàn)[16]的貝葉斯融合方式時(shí)，目標(biāo)識(shí)別率較基于CS的算法略有降低，本文算法則略有提高，說明即使參加融合的各算法性能有較大差異時(shí)，本文算法也具有較好的魯棒性。

表4 訓(xùn)練樣本數(shù)為60時(shí)T72變形目標(biāo)識(shí)別率

4 結(jié)束語

本文首先基于壓縮感知的優(yōu)化求解結(jié)果估計(jì)SAR目標(biāo)的方位角。由于基于CS的SAR目標(biāo)識(shí)別算法可看作是基于最近鄰判別思想的識(shí)別算法，而基于SVM的識(shí)別算法通過尋找最優(yōu)決策面來進(jìn)行分類，故本文采用投票表決法設(shè)計(jì)了基于CS和SVM的識(shí)別結(jié)果進(jìn)行決策級(jí)融合的目標(biāo)識(shí)別方法。采用MSTAR公共數(shù)據(jù)庫進(jìn)行了算法測(cè)試與驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，采用基于壓縮感知結(jié)果估計(jì)得到的方位角對(duì)樣本進(jìn)行姿態(tài)校正，提高了基于SVM算法的目標(biāo)識(shí)別率，采用本文提出的決策級(jí)融合算法的目標(biāo)平均識(shí)別率優(yōu)于基于CS和SVM方法的平均識(shí)別率，說明本文提出的算法的有效性。

[1] 高敏.基于CS的SAR目標(biāo)識(shí)別[D]．西安：西安電子科技大學(xué),2010.

Gao Min. SAR target recognition via compressed sensing[D]. Xi′an: Xidian University, 2010.

[2] Owirka G J, Verbout S M, Novak L M. Template-based SAR ATR performance using different image enhancement techniques[C]// Proceedings of SPIE. Florida, USA: SPIE, 1999,3721:302-319.

[3] Verbout S M, Irving W W, Hanes A S. Improving a template-based classifier in a SAR automatic target recognition system by using 3-D target information[J]. The Lincoln Laboratory Journal, 1993,6(1):53-76.

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

[5] Yuan C, Casasent D. A new SVM for distorted SAR object classification[C]//Proceedings of SPIE. Florida, USA: SPIE, 2005,5816:10-22.

[6] Sun Y J, Liu Z P, Todorovic S. Adative boosting for SAR automatic target recognition[J]. IEEE Trans on Aerospace and Electronic Systems, 2007,43(1):112-125.

[7] 張弓,楊萌,張勁東，等.壓縮感知在雷達(dá)目標(biāo)探測(cè)與識(shí)別中的研究進(jìn)展[J].數(shù)據(jù)采集與處理,2012,27(1):1-12.

Zhang Gong, Yang Meng, Zhang Jindong, et al. Advances in theory and application of compressed sensing in radar target detection and recognition[J]. Journal of Data Acquisition and Processing, 2012,27(1):1-12.

[8] Berisha V, Shah N, Waagen D. Sparse manifold learning with applications to SAR image classification[C]//IEEE International Conference on Acoustics, Speech and Signal Processing. Hawaii, USA: IEEE, 2007,3:1089-1092.

[9] Thiagarajan J J, Ramamurthy K N, Knee P. Sparse representations for automatic target classification in SAR images[C]//IEEE International Symposium on Communications, Control and Signal Processing. Limassol, Cyprus: IEEE, 2010:1-4.

[10]方慶，張順生.基于壓縮感知的SAR圖像目標(biāo)識(shí)別[J].火控雷達(dá)技術(shù),2012,41(4): 1-6.

Fang Qing, Zhang Shunsheng. SAR images target recognition based on compressed sensing[J]. Fire Conrol Radar Technology, 2012,41(4):1-6.

[11]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 Zhongjie， Zhuang Likui, Cao Yunfeng, et al. Target recognition of SAR images using principal component analysis and sparse representation[J]. System Engineering and Electroncis, 2013,35(2):282-286.

[12]劉中杰，莊麗葵，曹云峰,等. 面向SAR圖像目標(biāo)識(shí)別的魯棒處理算法[J].系統(tǒng)工程電子技術(shù),2013,35(12):2489-2494.

Liu Zhongjie， Zhuang Likui, Cao Yunfeng, et al. Robust processing algorithm for SAR images target recognition[J]. System Engineering and Electroncis, 2013,35(12):2489-2494.

[13]Huan R, Pan Y. Decision fusion strategies for SAR image target recognition[J]. IET Radar, Sonar & Navigation, 2011,5(7):747-755.

[14]Huan R, Yang R. SAR target recognition using multiple views decision fusion[J]. Journal of Remote Sensing, 2010,14(2):252-256.

[15]Cui Zongyong, Cao Zongjie, Yang Jianyu, et al. A hierarchical propelled fusion strategy for SAR automatic target recognition[J]. EURASIP Journal on Wireless Communications and Networking, 2013(1):1-8.

[16]Liu Haicang, Li Shutao. Decision fusion of sparse representation and support vector machine for SAR image target recognition[J]. Neurocomputing, 2013,113:97-104.

[17]Wright J, Yang A Y, Ganesh A. Robust face recognition via sparse representation[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2009,31(2):210-227.

[18]Bremain L. Bagging predictors[J]. Machine Learning， 1996,24(1):49-64.

[19]Kim S J, Koh K, Lustig M, et al. An interior-point method for large-scale 11-regularized least squares[J]. IEEE Journal of Selected Topics in Signal Processing, 2007, 1(4):606-617.

谷雨(1982-)，男，博士，研究方向：多源信息融合算法，SAR圖像解譯，E-mail:guyu@hdu.edu.cn。

張琴(1990-)，女，碩士研究生，研究方向：SAR目標(biāo)識(shí)別算法。

徐英(1982-)，女，博士，研究方向:圖像處理。

SAR Distorted Object Recognition Algorithm Based on Compressed Sensing and Support Vector Machine Fusion

Gu Yu1, Zhang Qin1, Xu Ying2

(1.Fundamental Science on Communication Information Transmission and Fusion Technology Laboratory, Hangzhou Dianzi University, Hangzhou, 310018, China; 2.College of Life Information Science & Instrument Engineering, Hangzhou Dianzi University, Hangzhou, 310018, China)

To reduce the influence of aspect angle to synthetic aperture radar (SAR) object recognition and improve recognition rate of SAR distorted object, the algorithm of compressed sensing (CS) and support vector machine (SVM) decision fusion for SAR object recognition is proposed. SAR object recognition is described as a sparse signal recovery problem in CS based on sparse representation theory, and an object classification result and an aspect angle are obtained through sparse coefficient separately. The classification results are obtained by SVM classifier using rectified and original samples after rectifying the pose of test sample. The final recognition result is obtained through fusion of the three above results based on majority vote. Experimental results demonstrate that, the algorithm of object aspect angle estimation based on compressed sensing result is effective, and the proposed decision fusion algorithm improves deformable object recognition rate significantly as the sample number increases.

synthetic aperture radar(SAR); distorted object recognition; compressed sensing; support vector machine; decision fusion

國家自然科學(xué)基金(61174024，61372024)資助項(xiàng)目；浙江省自然科學(xué)基金(LQ13F050010)資助項(xiàng)目。

2014-11-19；

2015-06-18

TP753

A