基于稀疏求解的改进PCA方法在SAR目标识别中的应用

针对实际军事情况下车辆目标为非合作目标,提出改进的主成分分析方法（IPCA）。它首先利用稀疏求解方法得到与测试样本最相关的部分训练样本以及它们对测试样本的表示系数。然后结合主成分分析（PCA）得到最优投影矩阵,使投影后不同测试样本能更好地利用训练样本信息进行分类。利用美国运动和静止目标获取与识别数据库中3类目标进行识别实验,结果表明基于改进的PCA方法比传统的PCA方法能够得到更高的识别率,并对稀疏方位角训练样本有更好的鲁棒性。     

一种基于层次稀疏的全极化SAR层析成像方法

SAR层析成像利用多航过复数据对观测目标进行高程向重构,全极化数据具有丰富的散射信息。将全极化数据与SAR层析成像相结合,利用城市建筑高程向散射体的稀疏性和全极化数据信号稀疏支撑集相同的特点,提出基于组稀疏约束和稀疏约束相结合的求解模型,并利用层次稀疏的方法对模型进行求解。通过Monte Carlo仿真实验将该模型法的性能与单极化层析成像模型和基于组稀疏的求解方法的性能进行对比,并将该方法应用到实测数据的半点目标仿真实验中。结果表明,本文提出的方法提高了高程向重建精度,且有更好的鲁棒性,在低信噪比下也能较好地恢复目标的高程向信息和后向散射系数。     

基于卷积注意力和胶囊网络的SAR少样本目标识别方法

合成孔径雷达(SAR)目标识别在军事和民用领域都具有重要的研究价值。但由于SAR数据获取成本高、样本数目少,传统的卷积神经网络提取目标特征的能力不足,准确率低下。提出结合卷积注意力和胶囊网络的分类模型,利用胶囊网络中的多维向量神经元表示目标更多的特征;同时,考虑到少样本情况下目标特征信息缺乏,为提高神经网络的学习效率,对胶囊网络加入注意力机制,通过学习不同特征的重要程度,引导分类网络重点关注对分类结果贡献大的特征,弱化对分类结果贡献小的特征,提高神经网络的学习效率。针对MSTAR数据集和实测车辆数据集的实验结果表明,该算法的准确率高于传统的卷积神经网络和胶囊网络算法。     

基于显著性的SAR图像船舶目标检测方法

船舶检测是SAR海洋应用的重要方面。提出一种通用的检测方法,用以检测不同状况下的SAR图像船舶目标。首先将SAR图像分解为金字塔图像序列,然后对其中每一层图像使用谱残差法进行显著性检测,得到包含船舶目标的显著性子图;而后融合各子图得到最终显著图,对该显著图应用优化阈值的分割方法得到最终的检测结果。SAR数据实验结果表明,该方法具有复杂度低、检测精度高等特点,且极大降低了对先验知识的依赖。     

基于小波分析和复矩阵稀疏表示的人脸识别方法

为提高人脸识别效果,提出一种高频子带和低频子带融合为复矩阵的人脸识别方法.该方法通过对人脸图像进行2层小波分解,提取出第2层小波分解得到的低频部分和高频部分,将3个方向的高频子带分别做分块处理,计算每个子块能量值,选取每个方向信息量多的若干子块,并将其整合为1个新的高频子带,再将新的高频子带和原低频子带构成1个复矩阵....     

一种多尺度重采样粒子滤波算法

粒子滤波过程中通过引入重采样消除粒子匮乏现象,但是重采样过程却削弱了粒子的多样性,导致粒子贫化.为协调粒子多样性和样本贫化之间的冲突,提出一种多尺度重采样粒子滤波算法,粒子空间重采样划分多个尺度,然后重新定义各尺度粒子权重并重采样,用尺度熵值度量重采样粒子的多样性,指导重采样.仿真实验结果表明,多尺度重采样粒子滤波算法有效提高了精度,适用于高精度系统滤波计算,并将应用于精细果业中数据同化。     

基于仿真SAR图像深度迁移学习的自动目标识别

使用深度卷积神经网络实现SAR图像的自动目标识别在训练过程中需要大量的标注数据。为解决由SAR实测数据获取成本高、标注数据量不足带来的问题,提出一种在由CReLU激活函数和批归一化改进的卷积神经网络上,使用仿真SAR图像提升最终目标识别性能的方法,把从大量仿真SAR图像学习到的有效知识迁移到实测SAR图像数据上。在训练中,先用仿真SAR图像预训练卷积神经网络,结合迁移学习的方法,有效地解决由SAR图像数据不足带来的过拟合问题。在MSTAR数据集上验证方法的有效性,识别准确率提高到99.78%,并在少量SAR图像样本数据上也取得不错的识别效果。     

深度卷积神经网络在迁移学习模式下的SAR目标识别

合成孔径雷达（synthetic aperture radar,SAR）自动目标识别过程主要包括目标特征提取和分类器训练两个步骤。提出一种基于深度卷积神经网络（deep convolutional neural networks,DNNs）的SAR自动目标识别方法,使用一类优化的DNNs网络结构对SAR图像目标进行分类训练。该网络结构自动提取目标类别特征,避免人工预选取特征方法带来的不标准性。在DNNs网络模型训练过程中引入迁移学习的概念,以防止结果陷入局部最优解和加快模型参数的训练。最后使用美国运动和静止目标获取与识别MSTAR数据集进行试验,给出该方法与其他分类方法结果的对比,证明其取得较高的分类正确率。     

基于主动式边界基元模型的多类目标识别方法

针对形状特征,提出了一种基于主动式边界基元模型的多类目标自动识别方法. 该方法以主动式边界基元为基础构建字典,可准确描述各类目标的形状结构, 不受尺度、旋转等变化的影响;然后,综合分析上下文信息进行概率学习,采用级联框架和Bootstrap动态采样训练最优边界分类器,实现目标的类别识别和位置定位,并可获取精确形状. 实验结果表明,该方法能有效提取多种类型和复杂结构的目标,具有较强的实用价值.     

一种多扫描平滑的多目标GM-PHD滤波器的技术研究

基于高斯分量加权和近似目标概率假设密度与目标权重提取目标状态,GM-PHD滤波器能够跟踪杂波场景中数目时变的多目标.然而,噪声和漏检等不确定性因素环境下,GM-PHD滤波器会丢失目标的估计.文章提出一种多扫描平滑的多目标GM-PHD滤波器,通过迭代地传递目标历史估计以及对目标若干历史权重进行平滑处理,在各滤波时刻能够有...     

基于多角度合成SAR图像的目标识别性能分析

合成孔径雷达（synthetic aperture radar,SAR）在合成孔径累积时间内仅在小范围方位角获取目标的后向散射特性,导致SAR图像对观测方位向的变化极其敏感。通过图像非相干合成方法将不同方位向上的多幅同目标SAR图像合成单幅特征更明显的SAR图像,通过二维主成分分析方法提取特征和k-近邻分类方法实现目标识别。在两组不同数据集上对识别性能进行分析。实验结果表明,多角度SAR的识别率比单一角度更高。多角度SAR对观测平台俯视角的变化具有较强的鲁棒性。     

遗传规划在SAR图像识别中的应用

提出一种基于遗传规划的合成孔径雷达图像识别方法.首先提取SAR图像的5种特征作为原始特征,然后利用遗传规划算法在5种原始特征上合成新的特征,最后采用支持向量机进行分类.实验结果表明了算法的有效性.     

基于低秩和一维稀疏矩阵分解的多通道SAR-GMTI方法

多通道合成孔径雷达地面运行目标指示(synthetic aperture radar-ground moving target indicator,SAR-GMTI)系统的数据按一定方式重组并处理后,可认为是由表示地杂波的低秩矩阵、表示运动目标的稀疏矩阵和表示噪声的矩阵这3部分组成.但已有的基于矩阵分解的GMTI方法,...     

一种基于曲波域的SAR图像特征增强新方法

Starck等人的图像增强方法不能有效增强SAR图像中的边缘特征.为此,提出一种curvelet域SAR图像特征增强新方法.该方法充分利用curvelet变换多尺度多方向特性及其良好的各向异性特点,在curvelet域内提取图像的边缘特征,并定位特征curvelet系数.通过增强特征curvelet系数,达到增强图像边缘特征的目的.实验结果表明,与Starck等人的方法相比,本文算法能够更加有效性地增强SAR图像的边缘特征.     

C波段SAR地物散射稳定特性分析与提取方法

SAR图像的绝对辐射精度直接影响SAR定量化应用水平,现有基于定标器的绝对辐射定标方法难以对SAR系统进行持续监测。如能在普通场景中找到一种稳定的散射特征量,则可将其作为参考实现常态化定标。针对C波段SAR图像,建立不同类别地物散射样本库,分析发现城区的后向散射系数中值重心具有良好的时间稳定性,进而提出一种基于神经网络的城区地物精筛与散射稳定特性提取方法。测试数据及与热带雨林数据的比较实验表明,该方法提取的散射稳定特性可用于SAR系统的常态化辐射定标。