基于多图模型集成和乘性稀疏表示的SAR目标识别

SAR target recognition has been widely used in various practical applications, such as environmental monitoring, disaster assessment, friend and foe identification, and precision strike. However, the recognition algorithms with effective results for optical images could not perform well for SAR images due to the coherent imaging mechanism of SAR. In particular, it is difficult to achieve complete feature extraction and high-precision recognition because of speckle and target pose sensitivity of SAR images. To this end, this project intends to investigate SAR target recognition based on integrated graph model and multiplicative sparse representation. Taking advantages of the graph model, multiplicative model of SAR images, manifold learning theory as well as sparse representation theory, this project plans to construct sparse, anti-noise and discriminant dictionary learning algorithm based on metric analysis of within-class and between-class together with multiplicative model in order to reduce the negative impacts caused by the speckle; to establish structure sparse representation methodology based on multi-graph construction and integration for overcoming the disadvantages caused by target pose sensitivity; to present a multi-sample multi-level fusion decision strategy under neighborhood constraints so as to achieve high-precision target recognition. The study of this project will enrich and improve the theoretical framework and system of SAR target recognition. Importantly, theoretical basis and technical support will be provided for SAR automatic target recognition systems.

SAR目标识别技术在环境监测、灾害评估、敌我识别、精确打击等诸多领域有着广泛的应用。然而由于SAR的相干成像机理，直接将对光学图像有效的识别技术应用于SAR图像通常效果不佳。针对SAR图像中乘性相干斑、目标方位角变化敏感特性等因素导致目标识别过程中特征全面提取以及高精度分类判决难以实现的问题，本项目拟研究基于多图模型集成和乘性稀疏表示的SAR目标识别技术。结合图模型、SAR图像的乘性模型、流形学习理论以及稀疏表示理论，构建基于类内类间测度分析和乘性模型的SAR图像稀疏抗噪判别字典学习方法，以减弱乘性相干斑对识别性能的影响；建立基于多图模型构建与集成的结构稀疏表示方法，以克服目标方位角敏感特性对识别的影响；提出近邻约束条件下的多样本、多层级融合判决策略以实现高精度的目标识别。本项目的研究将丰富和完善SAR目标识别的理论框架和体系，为建立SAR自动目标识别系统提供理论依据和技术支撑。

合成孔径雷达（SAR）图像的目标识别技术可实现SAR图像中感兴趣目标的类别或者属性的判定，是当前SAR应用领域的一个主要方面，也是SAR图像处理和理解的一个重要组成部分，本项目中针对SAR图像中乘性相干斑、目标方位角敏感特性等因素所造成的目标特征提取和分类判决困难的问题，提出了一系列基于稀疏表示和流形学习的目标识别方法。本项目构建了SAR图像的乘性稀疏表示模型，建立了基于乘性模型的字典学习方法，减弱了SAR图像中乘性相干斑对识别的影响；构建了多个图模型，从不同的角度对样本及样本间的关系进行描述，更精确地刻画目标的局部流形结构，有效减弱了目标方位角敏感特性对识别的影响，为SAR目标结构特征的捕获提供了有效方法；不同于现有算法利用单层级或者单样本识别的思路，本项目构建近邻约束条件，寻找相似样本，通过多级融合完成多样本信息的提取和保持，提高识别结果的置信度，为高精度识别提供了新方法。在稀疏表示理论框架下，突破了含乘性相干斑、对目标方位角变化敏感的SAR图像字典学习、稀疏表示、分类判决等技术难点。相关工作以第一作者/通信作者身份发表学术论文20篇，其中SCI检索论文9篇，EI检索论文4篇，中文核心期刊7篇。同时，以其他作者身份发表学术论文11篇。授权国家发明专利6项，其中5项为第一发明人。登记软件著作权2项。为SAR目标识别提供了新方法，为态势感知、精确打击、提高军事指挥自动化水平提供了坚实的技术支撑。