姿态图像缺失情况下的SAR目标识别

doi:10.3969/j.issn.1001-2400.2016.04.002

西安电子科技大学学报 ›› 2016, Vol. 43 ›› Issue (4): 5-9.doi: 10.3969/j.issn.1001-2400.2016.04.002

姿态图像缺失情况下的SAR目标识别

丁军;刘宏伟;陈渤;王英华

(西安电子科技大学雷达信号处理国家重点实验室，陕西西安 710071)

收稿日期:2015-04-03 出版日期:2016-08-20 发布日期:2016-10-12
通讯作者: 陈渤(1979-)，男，教授，E-mail：bchen@mail.xidian.edu.cn
作者简介:丁军(1982-)，男，西安电子科技大学博士研究生，E-mail：dingjun410@gmail.com．
基金资助:
国家自然科学基金资助项目(61372132, 61201292)；新世纪优秀人才支持计划资助项目(NCET-13-0945)；青年千人计划资助项目

SAR image target recognition in lack of pose images

DING Jun;LIU Hongwei;CHEN Bo;WANG Yinghua

(National Key Lab. of Radar Signal Processing, Xidian Univ., Xi'an 710071, China)

Received:2015-04-03 Online:2016-08-20 Published:2016-10-12

摘要/Abstract

摘要：

针对目标姿态图像缺失的情况，提出通过姿态图像合成的方式增加训练集的姿态覆盖程度，并将扩充后的图像也用于训练目标分类器．受稀疏表示模型的启发，建立了一种合成孔径雷达图像姿态合成模型．该模型根据少量已知姿态的图像，线性组合出缺失姿态下的近似图像．在运动和静止目标获取与识别数据集上的实验表明，通过合成缺失姿态下图像的方法可有效提升目标识别的精度，特别是在训练数据集中姿态缺失严重时，文中方法提升尤为明显．

关键词: 合成孔径雷达图像目标识别, 姿态图像缺失, 稀疏表示

Abstract:

The performance of synthetic aperture radar (SAR) image target recognition depends on the diversity of pose images in the training set. The problem of lack of pose images is considered, and the method of training data augmented with the synthesized pose images is introduced to train the classifier for target identification. Inspired by the sparse representation model, the model for synthesizing pose images is also developed, which approximately construct the missing pose image by linearly combining several images available. Experimental results on the moving and stationary target acquisition and recognition (MSTAR) dataset show that the proposed method of pose images synthesis can increase the recognition accuracy effectively. In particular, significant improvement can be obtained in the case of serious lack of pose images.

Key words: synthetic aperture radar (SAR) image target recognition, lack of pose images, sparse representation

丁军;刘宏伟;陈渤;王英华. 姿态图像缺失情况下的SAR目标识别[J]. 西安电子科技大学学报, 2016, 43(4): 5-9.

DING Jun;LIU Hongwei;CHEN Bo;WANG Yinghua. SAR image target recognition in lack of pose images[J]. Journal of Xidian University, 2016, 43(4): 5-9.

参考文献

［1］ ZHAO Q, PRINCIPE J C. Support Vector Machine for SAR Automatic Target Recognition ［J］. IEEE Transactions on Aerospace and Electronic Systems, 2001, 37(2): 643-654.
［2］胡利平, 刘宏伟, 吴顺君. 一种SAR图像目标预处理方法［J］. 西安电子科技大学学报, 2007, 34(5): 733-737.
HU Liping, LIU Hongwei, WU Shunjun. Novel Pre-processing Method for SAR Image Based on Automatic Target Recognition ［J］. Journal of Xidian University, 2007, 34(5): 733-737.
［3］ SUN Y, LIU Z, LI J. Adaptive Boosting for SAR Automatic Target Recognition ［J］. IEEE Transactions on Aerospace and Electronic Systems, 2007, 43(1): 112-125.
［4］ ZHOU J X, SHI Z G, CHENG X, et al. Automatic Target Recognition of SAR Images Based on Global Scattering Center Model ［J］. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(10): 3713-3729.
［5］ 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.
［6］张晓伟, 李明, 左磊. 一种利用稀疏表示的距离扩展目标检测新方法［J］. 西安电子科技大学学报, 2014, 41 (3): 20-25.
ZHANG Xiaowei, LI Ming, ZUO Lei. New Detection Method for Extended Targets Using Sparse Representation ［J］. Journal of Xidian University, 2014, 41(3): 20-25.
［7］丁军, 刘宏伟, 王英华. 基于非负稀疏表示的SAR图像目标识别方法［J］. 电子与信息学报, 2014, 36(9): 2194-2200.
DING Jun, LIU Hongwei, WANG Yinghua. SAR Image Target Recognition Based on Non-negative Sparse Representation ［J］. Journal of Electronics ＆ Information Technology, 2014, 36(9): 2194-2200.
［8］丁军, 刘宏伟, 王英华, 等. 一种联合阴影和目标区域图像的SAR 目标识别方法［J］. 电子与信息学报, 2015, 37(3): 594-600.
DING Jun, LIU Hongwei, WANG Yinghua, et al. SAR Target Recognition by Combining Images of the Shadow Region and Target Region ［J］. Journal of Electronics ＆ Information Technology, 2015, 37(3): 594-600.
［9］ ZHANG H C, NASRABADIC N M, ZHANG Y N, et al. Multi-view Automatic Target Recognition Using Joint Sparse Representation ［J］. IEEE Transactions on Aerospace and Electronic Systems, 2012, 48 (3): 2481-2497.

[1]	逯彦,廖桂生,黄庆享. 结合稀疏表示的跨摄像头运动目标跟踪算法[J]. 西安电子科技大学学报, 2021, 48(2): 197-204.
[2]	赵辉,张乐,刘莹莉,张静,张天骐. 低相干高鲁棒性观测矩阵优化[J]. 西安电子科技大学学报, 2019, 46(6): 171-178.
[3]	贺王鹏,胡洁,陈彬强,李诚,郭宝龙. 一种叶片裂纹检测的稀疏共振解调算法[J]. 西安电子科技大学学报, 2019, 46(6): 75-80.
[4]	杨磊,岳云泽,李埔丞,章涛,杨桓. 多地面运动目标大动态SAR成像稀疏表示[J]. 西安电子科技大学学报, 2019, 46(5): 31-40.
[5]	王洪雁,邱贺磊,裴腾达. 利用判别字典学习的视觉跟踪方法[J]. 西安电子科技大学学报, 2019, 46(4): 150-158.
[6]	贾海蓉,王卫梅,王雁,裴俊华. 区分性联合稀疏字典交替优化的语音增强[J]. 西安电子科技大学学报, 2019, 46(3): 74-81.
[7]	喻丽红,赵加祥. 采用最小角回归的稀疏MIMO均衡器设计方法[J]. 西安电子科技大学学报, 2019, 46(1): 73-78.
[8]	王川川,曾勇虎,付卫红,汪连栋. 一种最大密度检测欠定混合矩阵估计算法[J]. 西安电子科技大学学报, 2019, 46(1): 106-111.
[9]	李龙;刘峥. 采用多特征联合学习的噪声稳健HRRP识别方法[J]. 西安电子科技大学学报, 2018, 45(4): 57-62.
[10]	郭欣;贾海蓉;王栋. 利用子空间改进的K-SVD语音增强算法[J]. 西安电子科技大学学报, 2016, 43(6): 109-115.
[11]	孔繁锵;卞陈鼎;李云松;郭文骏. 非凸稀疏低秩约束的高光谱解混方法[J]. 西安电子科技大学学报, 2016, 43(6): 116-121.
[12]	赵永红;张林让;刘楠;解虎. 采用协方差矩阵稀疏表示的DOA估计方法[J]. 西安电子科技大学学报, 2016, 43(2): 58-63+101.
[13]	王勇;冯唐智;陈楚楚;乔倩倩;杨笑宇;王国栋;高全学. 结合自适应稀疏表示和全变分约束的图像重建[J]. J4, 2016, 43(1): 12-17+109.
[14]	解虎;冯大政;虞泓波;袁明冬;聂卫科. 一种采用稀疏表示的快速空时自适应方法[J]. J4, 2015, 42(5): 55-62.
[15]	王瑞;王康晏;冯玉田;张海燕;金彦亮;张有正. 复杂场景下声频传感器网络核稀疏表示车辆识别[J]. J4, 2015, 42(4): 114-120.

姿态图像缺失情况下的SAR目标识别

SAR image target recognition in lack of pose images

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10