陳春林，張 禮，劉學(xué)軍

(南京航空航天大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，江蘇 南京 211106)

針對SAR圖像的樹形稀疏表示結(jié)構(gòu)識別算法研究

陳春林，張 禮，劉學(xué)軍

(南京航空航天大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，江蘇 南京 211106)

為了提高SAR圖像的目標(biāo)識別能力，在一般稀疏表示方法的基礎(chǔ)上，提出了一種基于樹形稀疏表示結(jié)構(gòu)識別算法—稀疏表示樹，以提高目標(biāo)型號的識別準(zhǔn)確率。稀疏表示樹是由多個節(jié)點組成的樹形分類器，在每個節(jié)點上設(shè)計針對該節(jié)點設(shè)計的稀疏表示字典和分類器。在單個節(jié)點上利用稀疏表示算法求解未知樣本的特征向量，并按照重構(gòu)誤差最小原則實現(xiàn)目標(biāo)型號識別。稀疏表示樹方法根據(jù)父節(jié)點識別結(jié)果，將稀疏表示結(jié)果相似的樣本型號作為子集傳遞到子節(jié)點，并設(shè)計新的字典和分類器進行識別。在MSTAR SAR圖像數(shù)據(jù)集上的實測結(jié)果表明，所構(gòu)建的稀疏表示樹與數(shù)據(jù)集數(shù)據(jù)分布情況一致，并且將目標(biāo)型號識別率提高至84%，與傳統(tǒng)的稀疏表示分類器方法相比，在不增加太多時間開銷的條件下可有效提高目標(biāo)型號的識別準(zhǔn)確率。

SAR目標(biāo)識別；型號識別；樹形信息字典；稀疏表示；字典學(xué)習(xí)

1 摘 要

自動目標(biāo)識別(Automatic Target Recognition，ATR)在社會安全、環(huán)境監(jiān)測、國土防御等軍用和民用領(lǐng)域扮演著重要角色。合成孔徑雷達(Synthetic Aperture Radar，SAR)因其能突破光照、天氣、時間限制，獲得高分辨率的目標(biāo)圖像等優(yōu)勢，成為現(xiàn)代目標(biāo)感知探測的重要手段，也是可靠的目標(biāo)識別數(shù)據(jù)來源[1-2]。在實際應(yīng)用中，SAR圖像對目標(biāo)與雷達視角的方位關(guān)系非常敏感，同一目標(biāo)在不同視角下會有很大差異，傳統(tǒng)方法在目標(biāo)識別性能方面仍然不夠理想。如何利用SAR圖像鑒別目標(biāo)仍然是當(dāng)前研究的熱點和難點。

目前的雷達目標(biāo)識別方法主要依照兩種思路：基于模版的方法[3]和基于模型的方法[4]?；谀０娴姆椒ㄐ枰占繕?biāo)在各個不同視角下的圖像樣本，構(gòu)成目標(biāo)圖像模版庫，直接計算待識別樣本和模版庫中樣本的相關(guān)性來識別目標(biāo)。這種思路由于樣本收集困難和比對過程計算開銷太大，難以適應(yīng)現(xiàn)代目標(biāo)識別需求。而基于模型的方法通過實現(xiàn)有效特征提取，減少了樣本收集對識別的影響。提取特征的方法包括主成分分量分析(Principal Component Analysis，PCA)[5]、線性判別分析(Linear Discriminant Analysis，LDA)[6]、高斯過程隱變量模型[7](Gaussian Process Latent Variable Model，GPLVM)等。這些方法能夠克服目標(biāo)圖像背景變化、相干噪聲的問題，獲得較好的特征表示結(jié)果。

稀疏表示作為一種有效的信號表示方法，在多個領(lǐng)域得到應(yīng)用，如目標(biāo)跟蹤[8]、人臉識別[9]、表情識別[10]等圖像識別領(lǐng)域，以及信號去噪、圖像重建、雷達成像[11]、雷達目標(biāo)識別等信號處理領(lǐng)域。在雷達目標(biāo)識別應(yīng)用中，稀疏表示方法相比于其他特征提取方法，可以擺脫識別過程中對目標(biāo)姿態(tài)估計的需要，避免目標(biāo)姿態(tài)對特征表示的影響。最簡單的方法是直接使用訓(xùn)練集中樣本歸一化后構(gòu)成信息字典，根據(jù)最小重建誤差原則構(gòu)造分類器，進行目標(biāo)識別[12]。在該方法的基礎(chǔ)上，有學(xué)者提出先對SAR圖像進行2DPCA降維，解決稀疏表示識別算法存在的高維問題[13]，提高識別精度。除了直接使用訓(xùn)練樣本構(gòu)成稀疏表示字典，還有學(xué)者提出通過字典學(xué)習(xí)的方法，從訓(xùn)練集中學(xué)習(xí)出稀疏表示字典。這種方法同時降低了字典的冗余性和稀疏表示求解的運算量，達到了更好的識別效果。

傳統(tǒng)的SAR目標(biāo)識別算法主要研究目標(biāo)類型的識別，將同一種類型不同型號的目標(biāo)識別為同一類型的目標(biāo)。由于同類目標(biāo)在配置結(jié)構(gòu)有一定差異，比如同種坦克是否加裝有機關(guān)槍、是否展開天線，同種步戰(zhàn)車是否加裝炮筒等，即同種目標(biāo)存在多個變體，這使得目標(biāo)識別更加困難。如何處理存在型號變體導(dǎo)致的識別誤差一直是研究的重點。型號變體的存在帶來兩種問題，一是變體目標(biāo)的類型識別，二是變體型號的識別。戰(zhàn)場環(huán)境下，變體型號的識別能夠提供更多的戰(zhàn)場感知信息，對戰(zhàn)事預(yù)判有重要的意義，因此獲得了越來越多的關(guān)注。

為了應(yīng)對變體型號識別困難的問題，提出了樹形結(jié)構(gòu)的稀疏表示分類器—稀疏表示樹(Tree-structure sparse coding classifier)。根據(jù)根節(jié)點識別結(jié)果將樣本映射到不同的子節(jié)點，每個子節(jié)點上的字典和分類器是針對該節(jié)點樣本設(shè)計的，用來對根節(jié)點上具有相似結(jié)構(gòu)的同種類型不同型號的樣本重新分類。MSTAR數(shù)據(jù)集上的驗證結(jié)果表明，稀疏表示樹結(jié)構(gòu)與樣本分布情況一致，并獲得了比一般稀疏表示方法更高的型號識別準(zhǔn)確率。

2 方 法

2.1 稀疏表示相關(guān)背景

稀疏表示是使用一組基上很少的元素線性組合，求得樣本的近似表示。通過計算一個樣本的稀疏表示向量，對輸入數(shù)據(jù)進行編碼，能夠獲得比統(tǒng)計模型對噪聲和缺失數(shù)據(jù)更加魯棒的特征表示向量[13]。對單個信號xRp,給定字典DεRp×k，稀疏表示向量αεRk，當(dāng)滿足如下條件：

(1)

或者

(2)

其中，‖α‖0表示l0范數(shù)，計算α中非零元素的個數(shù)；ε表示重構(gòu)允許誤差上限；T表示稀疏系數(shù)。

式(1)或式(2)表示尋找字典D中的最小原子集近似線性表示原信號x。由于求解方程(1)或(2)中需要計算非零元素個數(shù)，這是一個NP-hard問題，可以通過將l0范數(shù)軟化成l1范數(shù)，然后使用松弛算法(如基追蹤)或者貪婪算法(如匹配追蹤、正交匹配追蹤)求解[14]。

稀疏表示的關(guān)鍵問題是字典基構(gòu)造，用于稀疏表示的基叫做字典，既可以是基于分析的固定的字典，如常用的傅里葉基、小波基，也可以是源于數(shù)據(jù)的構(gòu)造字典，比如直接由樣本組成的字典，或者通過對樣本集進行訓(xùn)練獲得的更加具有針對性的字典[15]。通過KSVD[16-17]算法求解如下方程獲得從樣本中學(xué)習(xí)的字典：

(3)

其中，D表示需要學(xué)習(xí)的字典；α表示樣本X的稀疏表示矩陣。

KSVD是由K-means擴展而來的基于聚類思想的字典學(xué)習(xí)方法，通過迭代方法逐步更新字典中每個原子，在嚴格的稀疏度約束條件下獲得源數(shù)據(jù)最佳稀疏表示。每次迭代中首先假設(shè)字典D固定，使用MP、OMP方法尋找X在D上的稀疏表示矩陣α，然后根據(jù)α通過SVD分解找到更好的字典D。每次迭代在不超過T個原子線性組合的條件下降低‖X-Dα‖的誤差，直到最終收斂。

文獻[12]指出，利用稀疏表示進行目標(biāo)識別的原理是，同樣一個目標(biāo)的SAR圖像取決于雷達和目標(biāo)之間的角度和方位，因而同類別目標(biāo)的SAR圖像分布在一個維度遠低于圖像維度的流形結(jié)構(gòu)中，未知樣本可以用與其來自同一個流形結(jié)構(gòu)的局部樣本線性表示。因此未知標(biāo)號的測試樣本在由同類樣本重構(gòu)時獲得最優(yōu)表示。尋找未知樣本在不同標(biāo)號樣本構(gòu)成的字典上重構(gòu)誤差最小的標(biāo)號，作為目標(biāo)識別結(jié)果。給定稀疏表示字典集合:

D=[D1,D2,…,Dn]=[d1,1,d1,2,…,dn,K]

其中，Di表示第i個類型樣本學(xué)習(xí)出的字典；di,k表示第i個類型中的第k個原子。

求解最小重構(gòu)誤差完成測試樣本的類別判斷：

(4)

其中，δc(α)=[0,…,0,αi,1,αi,2,…,αi,k,0,…,0]表示，除了字典原子對應(yīng)類標(biāo)號為i的原子系數(shù)不為零，其他系數(shù)為零。

2.2 稀疏表示樹

在一般稀疏表示方法中，未知樣本經(jīng)過稀疏編碼獲得稀疏表示，作為特征向量輸入分類器，得到分類結(jié)果。在稀疏表示過程中，相似類別的樣本往往會有相同或相似的稀疏表示向量，比如同種類型的目標(biāo)由于其結(jié)構(gòu)相似，會有相似的稀疏表示結(jié)果。稀疏表示樹在每個節(jié)點上建立稀疏表示字典和分類器，根據(jù)分類結(jié)果對發(fā)生混淆的目標(biāo)建立新的節(jié)點繼續(xù)分類，以及輸出不發(fā)生混淆的目標(biāo)識別結(jié)果。

稀疏表示樹是從上而下建立的，每個節(jié)點的建立分為三個過程：學(xué)習(xí)稀疏字典；設(shè)計分類器；根據(jù)分類器輸出結(jié)果派生子節(jié)點，確定子節(jié)點分類目標(biāo)。詳細過程如下：

(1)字典學(xué)習(xí)：根據(jù)該節(jié)點的分類目標(biāo)，從訓(xùn)練集中選取對應(yīng)的樣本學(xué)習(xí)稀疏表示字典。比如根節(jié)點對所有型號進行識別，因此選取訓(xùn)練集中所有樣本作為字典學(xué)習(xí)輸入數(shù)據(jù)；子節(jié)點識別某幾種具體型號，選擇訓(xùn)練集中這部分型號樣本作為訓(xùn)練數(shù)據(jù)，學(xué)習(xí)相應(yīng)稀疏表示字典。字典學(xué)習(xí)可通過求解式(3)獲得稀疏表示字典。

(2)分類器設(shè)計：利用步驟(1)中學(xué)習(xí)的字典求解樣本稀疏表示向量，輸入分類器識別。分類方法選用稀疏表示分類器、SVM等常用分類器。

(3)傳遞規(guī)則判斷：分析分類器識別結(jié)果，將分類結(jié)果中混淆在一起的類別作為新的分類要求，派生到子節(jié)點，對不發(fā)生混淆的類別直接輸出分類結(jié)果。

如圖1 所示，左側(cè)為根節(jié)點識別6×6混淆矩陣示意圖，灰色陰影的深淺程度表示樣本數(shù)目多少。圖中上面兩種，中間三種出現(xiàn)兩個明顯的陰隱塊區(qū)域，表示這兩個區(qū)域的樣本發(fā)生混淆，右下角只有一個色塊，表示不與其他類別發(fā)生混淆。判斷傳遞規(guī)則的時候，分成三個組別，如右側(cè)從上到下三個子混淆矩陣，右側(cè)上面兩個組由多個型號組成，分別派生子節(jié)點，子節(jié)點使用這些型號樣本設(shè)計新的稀疏字典和稀疏表示分類器。右下角代表的組由于只有一種類別，因此直接輸出識別結(jié)果。

圖1 稀疏表示樹傳遞規(guī)則展示

稀疏表示樹建立過程如算法1所示。

算法1：稀疏表示樹建立算法：

輸入：SAR目標(biāo)圖像X

根節(jié)點字典學(xué)習(xí)：

s.t. ?i,‖αi‖0

根節(jié)點分類器:

G←Cij:

Cij為根節(jié)點分類結(jié)果混淆矩陣

G←{g1,g2…},gi表示屬于該分組的樣本標(biāo)號集合

子節(jié)點字典學(xué)習(xí)：

s.t. ?i,‖αi‖

輸出：Droot,Dg，G

使用稀疏表示樹進行目標(biāo)識別時，給定一個測試樣本，首先計算該未知樣本在根節(jié)點的稀疏表示字典上的稀疏表示向量，然后經(jīng)過根節(jié)點的分類器識別出該樣本所屬的目標(biāo)型號。如果識別結(jié)果顯示該目標(biāo)型號所在組中只有一個型號，則直接輸出識別結(jié)果，否則將該樣本派生到對應(yīng)的識別節(jié)點上，重新用此節(jié)點上稀疏表示字典計算稀疏表示向量，并使用該節(jié)點上分類器識別型號并輸出結(jié)果。

3 實 驗

3.1 MSTAR數(shù)據(jù)集

現(xiàn)有的SAR目標(biāo)識別文獻，多使用MSTAR[18]數(shù)據(jù)集對其方法進行驗證。為了方便與現(xiàn)有方法進行比較，也使用該數(shù)據(jù)集驗證稀疏表示樹的識別結(jié)果。MSTAR數(shù)據(jù)集是美國國防部高級研究計劃署和空軍研究室提供的移動和靜止目標(biāo)獲取與識別計劃(Moving and Stationary Target Acquisition and Recognition，MSTAR)錄取的地面軍事車輛聚束式SAR圖像數(shù)據(jù)集。MSTAR數(shù)據(jù)集中提供了三種類型的車輛：BMP2步兵戰(zhàn)車，BTR70、T72兩種主戰(zhàn)坦克。其中BMP2步兵戰(zhàn)車下有SN9663、SN966、SNC21三種型號；T72主戰(zhàn)坦克下有SN132、SN812、SNS7三種型號。每個型號都提供17°和15°兩種視角下的0°～360°方位角下若干圖像樣本。每個樣本的像素分辨率為128×128像素，尺寸分辨率為0.3×0.3 m。

數(shù)據(jù)庫信息統(tǒng)計見表1。

表1 實驗數(shù)據(jù)集信息匯總

對數(shù)據(jù)集進行截取預(yù)處理，用來減少目標(biāo)區(qū)域周圍的背景雜波以及后續(xù)處理的運算量。通過截取，保留所需要識別的整個目標(biāo)，將原始128×128圖像縮小成64×64的小幅圖像，得到最終識別使用的圖像。

3.2 建立稀疏表示樹

統(tǒng)計稀疏表示樹建立過程中的根節(jié)點識別結(jié)果，做出的混淆矩陣如圖2所示，其中每一行表示測試集中一個型號的全部樣本識別結(jié)果。

圖2 根節(jié)點識別結(jié)果

從圖中看出,SN9563、SN9566、SNC21三種型號彼此發(fā)生混淆，比如SN9563的所有測試樣本有98.5%被識別成這三種型號，只有1.5%的樣本被識別成這三種之外的型號。因此建立傳遞規(guī)則時，將SN9563、SN9566、SNC21這三種型號的樣本派生到新建立的子節(jié)點，由子節(jié)點繼續(xù)識別具體型號。同樣對彼此發(fā)生混淆的SN132、SN812、S7三種型號目標(biāo)建立子節(jié)點識別，而SNC71直接輸出識別結(jié)果。

對比稀疏表示樹結(jié)構(gòu)與數(shù)據(jù)集，可以發(fā)現(xiàn)SN9563、SN9566、C21這三種型號同屬BMP2步兵戰(zhàn)車類型，SN132、SN812、S7同屬T72坦克類型，而SNC71屬于BTR70坦克類型。因為相似的外形和結(jié)構(gòu)，同類目標(biāo)具有很強的相似性，如果只利用根節(jié)點稀疏表示字典，會得出相似的稀疏表示，不能提供更多的型號分類信息，因而需要建立子節(jié)點，提供更加特異的稀疏表示字典進行進一步識別。

3.3 稀疏編碼樹驗證

圖3中展示了構(gòu)造的稀疏表示樹結(jié)構(gòu)，該稀疏表示樹中擁有三個節(jié)點，其中一個根節(jié)點，兩個子節(jié)點。根節(jié)點的輸入為全部型號測試樣本，根據(jù)根節(jié)點識別結(jié)果的不同派生到不同的子節(jié)點，或者直接輸出識別結(jié)果，子節(jié)點1作為SN132、SN812、S7三種型號識別節(jié)點，子節(jié)點2作為SN9563、SN9566、SNC21三種型號識別節(jié)點。

圖3 稀疏表示樹

以一個SN9563型號的樣本識別過程為例，說明稀疏表示樹的識別原理。未知樣本在根節(jié)點分類結(jié)果顯示，由第一個或第三個型號字典分別重建。而比較這兩個重建結(jié)果，由第三類別重建的誤差最小，重建結(jié)果優(yōu)于第一個型號字典單獨重建結(jié)果，因此輸出類標(biāo)號為C21，屬于SN9563、SN9566、C21構(gòu)成的組合，因此派生到子節(jié)點2上繼續(xù)識別。而在使用子節(jié)點2上的稀疏字典計算稀疏表示向量并計算重建誤差輸出型號識別結(jié)果。子節(jié)點上重建結(jié)果顯示，使用子節(jié)點中第一種型號樣本訓(xùn)練字典進行重建的誤差最小，輸出最終類標(biāo)號SN9563。

圖4是稀疏編碼樹識別結(jié)果，對比圖4和圖2的SN812樣本的識別結(jié)果。

圖4 子節(jié)點識別結(jié)果統(tǒng)計

圖4中，樣本識別準(zhǔn)確率為74.5%,另外共有24.1%的樣本被錯分成T72其他型號。通過派生子節(jié)點繼續(xù)識別型號，將準(zhǔn)確率提高到87.7%，而錯分到T72其他型號的樣本降低到11.4%。統(tǒng)計其他型號的識別準(zhǔn)確率，對比根節(jié)點均有不同幅度提高。

為比較不同方法識別目標(biāo)型號的能力，選取SRC、KSVD-SRC以及TREE-KSVD-SRC，統(tǒng)計識別結(jié)果如表2所示。其中，SRC方法設(shè)置使用訓(xùn)練集中所有樣本構(gòu)成字典，以及每種型號選取與其他方法字典原子相同個數(shù)的樣本構(gòu)成稀疏表示字典。結(jié)果顯示，全部樣本構(gòu)成稀疏字典的識別方法結(jié)果最好，但是識別全部測試樣本所需的時間是其他幾種方法的六倍以上，不能滿足實際使用中在對雷達目標(biāo)識別的時效性要求，因而實際使用價值不大。

表2 目標(biāo)識別不同方法對比

對比使用部分訓(xùn)練集構(gòu)成字典的SRC方法與KSVD-SRC方法，使用經(jīng)過學(xué)習(xí)的字典比直接使用樣本構(gòu)成字典，稀疏表示效果更有效。結(jié)合使用全部訓(xùn)練樣本構(gòu)成字典的SRC方法，當(dāng)數(shù)據(jù)樣本足夠多時，直接使用訓(xùn)練樣本構(gòu)成的稀疏表示字典和使用字典學(xué)習(xí)方法學(xué)習(xí)的字典，兩種方法稀疏表示性能差別不大；而當(dāng)樣本數(shù)量不足時，學(xué)習(xí)得到的字典能夠比直接構(gòu)成的字典提供更多的分類信息,這驗證了字典學(xué)習(xí)的有效性。對比稀疏表示樹方法與其他方法可以發(fā)現(xiàn)，經(jīng)過子節(jié)點校正后，所有型號識別準(zhǔn)確率比KSVD-SRC方法和部分樣本構(gòu)成稀疏字典的SRC方法高，接近使用全部樣本的SRC方法的準(zhǔn)確率，識別全部樣本所需時間比SRC、KSVD-SRC方法花費時間多一半，但遠低于使用全部樣本的SRC方法消耗時間。因此稀疏表示樹在增加部分時間開銷的情況下，有效提高了型號識別準(zhǔn)確率。

4 結(jié)束語

為了改進目標(biāo)型號識別算法，在稀疏表示的基礎(chǔ)上提出一種基于樹形稀疏表示結(jié)構(gòu)的SAR目標(biāo)識別算法。通過構(gòu)造多個分類節(jié)點，組成樹形結(jié)構(gòu)分類器，利用子節(jié)點對父節(jié)點上由于稀疏表示結(jié)果相似造成的型號識別錯誤校正，提高型號識別準(zhǔn)確率。在每個節(jié)點上，利用字典學(xué)習(xí)方法學(xué)習(xí)稀疏表示字典，稀疏表示分類器作為目標(biāo)型號識別分類器，進行目標(biāo)識別。實驗結(jié)果表明，所建立的稀疏表示樹與實驗所用數(shù)據(jù)集數(shù)據(jù)分布相吻合，將同種目標(biāo)類型不同型號的樣本派生到子節(jié)點繼續(xù)識別，在增加部分識別時間的代價下，有效提高了目標(biāo)型號識別準(zhǔn)確率。

在該方法中，稀疏表示樹的構(gòu)造依賴先驗信息，需要先確定分類的組別個數(shù)；而且稀疏表示樹有兩層，只包含一層子節(jié)點結(jié)構(gòu)，對于子節(jié)點上具有相似稀疏表示結(jié)果的相似樣本未做處理，限制了稀疏表示樹的識別準(zhǔn)確率。下一步將會探索利用分類結(jié)果學(xué)習(xí)派生規(guī)則，構(gòu)造更加復(fù)雜的樹形結(jié)構(gòu)，提高識別準(zhǔn)確率。相比于簡單的稀疏表示方法，該方法需要對相似樣本重新計算稀疏表示向量，識別時間是其1.5倍，還需要探索如何縮短識別時間，提高目標(biāo)識別時效性。另外，該方法對目標(biāo)型號的識別準(zhǔn)確率為84%，還達不到完全準(zhǔn)確識別目標(biāo)型號的目的，后續(xù)工作還需對稀疏表示和字典學(xué)習(xí)方法進行深入研究，并改進稀疏表示字典和分類器學(xué)習(xí)方法，提高目標(biāo)識別效率。

[1] Bhanu B,Dudgeon D E,Zelnio E G,et al.Guest editorial introduction to the special issue on automatic target detection and recognition[J].IEEE Transactions on Image Processing,1997,11(1):1-6.

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

[3] Novak L M,Owirka G J,Brower W S.Performance of 10-and 20-target MSE classifiers[J].IEEE Transactions on Aerospace & Electronic Systems,2000,36(4):1279-1289.

[4] Huang Y,Peia J,Yanga J,et al.Neighborhood geometric center scaling embedding for SAR ATR[J].IEEE Transactions on Aerospace & Electronic Systems,2014,50(1):180-192.

[5] Mishra A K,Mulgrew B.Radar signal classification using PCA-based features[C]//IEEE international conference on acoustics,speech and signal processing.[s.l.]:IEEE,2006.

[6] Huan R,Liang R,Pan Y.SAR target recognition with the fusion of LDA and ICA[C]//International conference on information engineering and computer science.[s.l.]:[s.n.],2009:1-5.

[7] Zhang X R,Gou L M,Li Yangyang,et al.Gaussian process latent variable model based on immune clonal selection for SAR target feature extraction and recognition[J].Journal of Infrared & Millimeter Waves,2013,32(3):484-493.

[8] 賁 敏,鄧 萍,王保云.基于l1/2正則化的稀疏表示目標(biāo)跟蹤算法的研究[J].計算機技術(shù)與發(fā)展,2015,25(1):82-86.

[9] 謝文浩,翟素蘭.基于加權(quán)稀疏近鄰表示的人臉識別[J].計算機技術(shù)與發(fā)展,2016,26(2):22-25.

[10] Chen K,Comiter M,Kung H,et al.Sparse coding trees with application to emotion classification[C]//Proceedings of the IEEE conference on computer vision and pattern recognition workshops.[s.l.]:IEEE,2015:77-86.

[11] Wu Q,Zhang Y D,Ahmad F,et al.Compressive-sensing-based high-resolution Polari metric through-the-wall radar imaging exploiting target characteristics[J].IEEE Antennas & Wireless Propagation Letters,2014,14:1043-1047.

[12] Thiagarajan J J,Ramamurthy K N,Knee P,et al.Sparse representations for automatic target classification in SAR images[C]//4th international symposium on communications,control and signal processing.[s.l.]:IEEE,2010:1-4.

[13] 王燕霞,張 弓.基于特征參數(shù)稀疏表示的SAR圖像目標(biāo)識別[J].重慶郵電大學(xué)學(xué)報：自然科學(xué)版,2012,24(3):308-313.

[14] Mairal J,Bach F,Ponce J,et al.Online dictionary learning for sparse coding[C]//International conference on machine learning.[s.l.]:ACM,2009:689-696.

[15] Tosic I,Frossard P.Dictionary learning[J].IEEE Signal Processing Magazine,2011,28(2):27-38.

[16] Aharon M,Elad M,Bruckstein A.K-SVD:an algorithm for designing overcomplete dictionaries for sparse representation[J].IEEE Transactions on Signal Processing,2006,54(11):4311-4322.

[17] 周飛飛,李 雷.廣義貝葉斯字典學(xué)習(xí)K-SVD稀疏表示算法[J].計算機技術(shù)與發(fā)展,2016,26(5):71-75.

[18] Yang Y,Qiu Y,Lu C.Automatic target classification-experiments on the MSTAR SAR images[C]//International conference on software engineering,artificial intelligence,networking and parallel/distributed computing.[s.l.]:[s.n.],2005:2-7.

Investigation on Identification Algorithm of Tree-structure Sparse Representation for SAR Target

CHEN Chun-lin，ZHANG Li，LIU Xue-jun

(College of Computer Science and Technology，Nanjing University of Aeronautics and Astronautics，Nanjing 211106，China)

In order to improve the ability of identifying SAR target series with sparse representation,a tree-structure sparse coding recognition algorithm is proposed,which is employed to lift the recognition accuracy of target models.The sparse representation tree is a tree-like classifier composed of multiple nodes,each of which has a sparse representation dictionary and a classifier for the node.The sparse representation algorithm is used to solve the eigenvector of unknown sample on a single node,realizing the target type identification according to the minimum principle of reconstruction error.The root node is employed to direct input SAR images with similar sparse results to children nodes,which have more specialized dictionaries and classifiers to identify these target series.Experiments on MSTAR target dataset show that it is suitable for the sample distribution and has improved target recognition rate up to 84%,and that compared with the traditional sparse coding method,it has got effective improvement on the target series recognition accuracy without more time expenditure.

SAR automatic target recognition;series recognition;tree-structure information dictionary;sparse representation;dictionary learning

2016-09-10

2016-12-13 網(wǎng)絡(luò)出版時間：2017-07-05

中國航空科學(xué)基金(20151452021,20152752033)

陳春林(1992-)，男，碩士研究生，研究方向為機器學(xué)習(xí)、雷達目標(biāo)識別；張 禮，博士，講師，研究方向為機器學(xué)習(xí)、模式識別；劉學(xué)軍，教授，通訊作者，研究方向為機器學(xué)習(xí)。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170705.1651.060.html

TP391

A

1673-629X(2017)08-0020-05

10.3969/j.issn.1673-629X.2017.08.005