188宝金博页面版

第 36 卷第 9 期 电 子 与 信 息 学 报 Vol.36No.9 2014 年 9 月 Journal of Electronics & Information Technology Sept. 2014 基于非负稀疏表示的 SAR 图像目标识别方法 丁 军* 刘宏伟 王英华 (西安电子科技大学雷达信号处理国家重点实验室 西安 710071) 摘 要： 针对合成孔径雷达(SAR)图像目标识别中存在物体遮挡的情况， 该文提出一种基于非负稀疏表示的分类方法。 通过分析 L0 范数和 L1 范数最小化在求解非负稀疏表示问题上的区别， 证明在一定条件下， L1 范数最小化方法除了保持解的稀疏性还能得到与输入信号更加相似的原子集合， 因此也更加适用于分类问题中。 在运动和静止目标获取与识别(MSTAR)数据集上的识别实验结果表明， 采用 L1 范数的非负稀疏表示分类方法能达到较好的识别性能， 并且相对传统方法对存在遮挡情况下的识别问题更稳健。 关键词： SAR 目标识别； 非负稀疏表示； L1 范数最小化 中图分类号： TN957.51 文献标识码： A 文章编号： 1009-5896(2014)09-2194-07 DOI: 10.3724/SP.J.1146.2013.01451 SAR Image Target Recognition Based on Non-negative Sparse Representation Ding Jun Liu Hong-wei Wang Ying-hua (National Key Laboratory of Radar Signal Processing, Xidian University, Xi’an 710071, China) Abstract: In order to solve the occlusion issue in SAR image target recognition, a new classification method is proposed based on non-negative sparse representation. The difference between L0-norm and L1-norm minimization in solving non-negative sparse representation problem is analyzed, and it is proved that L1-norm regularization method pursuits not only the sparsity of the solution but also the similarity between the input signal and the selected atoms under some conditions, hence it is fit for classification application. The experimental results on Moving and Stationary Target Acquisition and Recognition (MSTAR) dataset show that the non-negative sparse representation classification method with L1-norm regularization can achieve much better recognition performance, and it is more robust in the recognition of targets with occlusion compared with the traditional method. Key words: SAR target recognition; Non-negative sparse representation; L1-norm minimization 1 引言 合成孔径雷达(Synthetic Aperture Radar, SAR)具有全天候、 全天时、 分辨率高以及穿透力强等特点， 成为目前对地观测和军事侦察的重要手段。 随着 SAR 成像技术的不断成熟和分辨率的不断提高，对于 SAR 图像自动目标识别技术的研究一直是国内外研究的热点。 除了 采用基于模板匹配的方法[1]外， 韩萍等人[2]利用核主成分分析(Kernel Principal Component Analysis, KPCA)方法提取特征， 然后采用支持向量机(Support Vector Machine, SVM)分类器进行分类； Zhao 等人[3]采用 SVM 分类器直接 2013-09-23 收到， 2013-11-08 改回 国家自然科学基金(61271024, 61201292, 61201283)， 新世纪优秀人才支持计划(NCET-09-0630)， 全国优秀博士学位论文作者专项资金(FANEDD-201156)， 国家部委基金和中央高校基本科研业务费专项资金资助课题 *通信作者： 丁军 dingjun410@gmail.com 对 SAR 图像进行分类。 由于目标所处环境的复杂性， 通过 SAR 获取到的目标图像可能会存在某种形式的变体。 其中较为常见的一种变体形式是由于目标被其它物体部分遮挡造成的。 而现有的 SAR 图像目标识别研究中则较少关注具有遮挡情况下的目标识别问题。 所以如何在存在遮挡的情况下， 仍然保持较好的识别性能是 SAR 图像目标识别需要解决的一个重要问题。 近年来， 稀疏表示方法作为一种信号分析的有效工具， 在信号处理， 计算机视觉等领域受到了 广泛关注。 稀疏表示的目的是将给定的输入观测信号表示为字典中少数信号(又叫做原子)的线性组合。大量的研究发现， 现实生活中的许多信号都可以使用某种字典进行稀疏表示， 如： 语音， 图像， 视频等。 由于稀疏分解后的结果包含原始信号的特定信息， 部分学者将稀疏表示方法引入到模式识别领域中[4 10]。 如 Wright 等人[4]使用训练样本数据构造字−