(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111291725.7 (22)申请日 2022.02.14 (71)申请人 电子科技大 学成都学院 地址 610000 四川省成 都市郫县高新 技术 产业开发区西区百叶路1号 (72)发明人 王源源　周紫璇　王小芳　何晓　 王晓玲　史勤刚　 (74)专利代理 机构 四川猫博思知识产权代理有 限公司 513 34 代理人 邹宝山 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/77(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01)G06K 9/62(2022.01) G01S 13/90(2006.01) (54)发明名称 一种多特征自适应加权的SAR图像目标识别 方法 (57)摘要 本发明公开了一种多特征自适应加权的SAR 图像目标识别方法， 采用主成分分析 （PCA） 、 单演 信号以及Zernike矩特征描述原始SAR图像， 获得 三个对应的特征矢量。 基于联合稀 疏表示模型对 三类特征进行联合表征。 针对不同特征条件下的 重构误差矢量， 采用自适应加权算法进行融合处 理， 即在线性融合的框架下自适应获得权值， 达 到良好决策融合效果。 最终， 根据融合后的误差 对目标类别进行判定， 大大提高了判定的准确 性。 权利要求书1页 说明书4页 附图1页 CN 114170486 A 2022.03.11 CN 114170486 A 1.一种多特 征自适应加权的SAR图像目标识别方法， 其特 征在于： 包括以下步骤： S1： 对SAR图像目标样本进行多特征提取： 提取PCA特征、 单演信号特征和Zernike矩特 征， 记测试样本为y， 提取得到的PCA特征、 单演信号和Zernike矩特征矢量分别为y(1)，y(2) 和y(3)， 特征式为： y(k)＝A(k)α(k)+ ε(k) (k＝1,2,…,3)    (1) 其中， A(k)为第k个特 征的字典； α(k)为相应的稀疏系数矢量； S2： 将提取的PCA特 征、 单演信号特 征和Zern ike矩特征联合稀疏表示： ①最小化PCA特征、 单演信号特征和Zernike矩特征的整体误差获得最佳的稀疏系数矢 量， 其公式为： 其中， β ＝[α(1) α(2) α(3)]为系数矩阵； ②按特征类别分别进行测试样本重构， 计算各类特征的整体重构误差， 进而判决目标 所属类别， 其公式为： 其中， 和 分别与类别i关联的局部 字典和稀疏矢量； S3： 联合稀疏表示自适应加权融合： 对步骤S2中的稀疏矢量等加入特征的重构误差矢 量， 所述重构误差 矢量分别记为 步骤1： 定义 步骤2： 采用 和 对 归一化为0至1 的范围； 其中， 分别对应 的最大值和最小值； 分别对应 的最大值和 最小值； 步 骤 3 ： 对 升 序 排 列 ， 获 得 新 的 序 列 定 义 S4： 根据最小误差原则判定测试样本的所属类别。权　利　要　求　书 1/1 页 2 CN 114170486 A 2一种多特征自适应加权的SAR图像目标识别方 法 技术领域 [0001]本发明涉及一种多特 征自适应加权的SAR图像目标识别方法。 背景技术 [0002]成孔径雷达(SAR)目标识别问题自20世纪90年代以来受到广泛关注， 并涌 现了大 量高性能算法。 根据对现有文献 的梳理和分析， 研究人员主要着力解决特征提取和分类器 应用问题。 其中， 特征提取研究更为广泛和灵活， 特征类型覆盖几何形状、 投影变换以及电 磁散射等类别。 几何形状特征描述目标的区域、 轮廓分布 规律， Zernike矩特征等。 投影变换 特征可进一步区分为投影类和变换类。 前者主要通过训练样本的学习获得最佳投影方向， 代表性的是主成分分析(P CA)； 后续则通过一系 列的信号基底对原始图像进 行分解， 典型的 有小波分解、 单演信号等。 电磁散射特征重点描述雷达目标的后向散射特性， 如属性散射中 心。 从描述的角度和特征的形式来看， 以上三类特征具有不同的能力， 因此也具有一定的互 补性。 分类 器通常应用在特 征提取之后， 通过对特 征进行分类进行类别判决。 [0003]但是实际上， 不同任务的权 重是不同的， 这种同等权值的思路存在一定的不足。 发明内容 [0004]本发明的目的在于克服现有技术的不足， 提供一种多特征自适应加权的SAR图像 目标识别方法。 [0005]本发明的目的是通过以下技 术方案来实现的： [0006]一种多特 征自适应加权的SAR图像目标识别方法， 包括以下步骤： [0007]S1： 对SAR图像目标样本进行多特征提取： 提取PCA特征、 单演信号特征和Zernike 矩特征， 记测试样 本为y， 提取得到的PCA特征、 单演信号和Zernike矩特征矢量分别为y(1)， y (2)和y(3)， 特征式为： [0008]y(k)＝A(k)α(k)+ ε(k)   (k＝1,2,…,3)    (1) [0009]其中， A(k)为第k个特 征的字典； α(k)为相应的稀疏系数矢量； [0010]S2： 将提取的PCA特 征、 单演信号特 征和Zern ike矩特征联合稀疏表示： [0011]①最小化PCA 特征、 单演信号特征和Zernike矩特征的整体误差 获得最佳的稀疏系 数矢量， 其公式为： [0012] [0013]其中， β ＝[α(1) α(2) α(3)]为系数矩阵； [0014]②按特征类别分别进行测试样本重构， 计算各类特征的整体重构误差， 进而判决 目标所属类别， 其公式为： [0015] [0016]其中， 和 分别与类别i关联的局部 字典和稀疏矢量；说　明　书 1/4 页 3 CN 114170486 A 3