基于稀疏求解的改进PCA方法在SAR目标识别中的应用

doi:10.7523/j.issn.2095-6134.2018.01.011

中国科学院大学学报 ›› 2018, Vol. 35 ›› Issue (1): 84-88.DOI: 10.7523/j.issn.2095-6134.2018.01.011

基于稀疏求解的改进PCA方法在SAR目标识别中的应用

肖垚^1,2, 刘畅¹

1. 中国科学院电子学研究所, 北京 100190;
2. 中国科学院大学, 北京 100049

收稿日期:2016-11-18 修回日期:2017-03-01 发布日期:2018-01-15
通讯作者: 肖垚
基金资助:
国家部委预研项目资助

Improved PCA method for SAR target recognition based on sparse solution

XIAO Yao^1,2, LIU Chang¹

1. Institute of Electronics, Chinese Academy of Sciences, Beijing 100190, China;
2. University of Chinese Academy of Sciences, Beijing 100049, China

Received:2016-11-18 Revised:2017-03-01 Published:2018-01-15

摘要/Abstract

摘要： 针对实际军事情况下车辆目标为非合作目标，提出改进的主成分分析方法（IPCA）。它首先利用稀疏求解方法得到与测试样本最相关的部分训练样本以及它们对测试样本的表示系数。然后结合主成分分析（PCA）得到最优投影矩阵，使投影后不同测试样本能更好地利用训练样本信息进行分类。利用美国运动和静止目标获取与识别数据库中3类目标进行识别实验，结果表明基于改进的PCA方法比传统的PCA方法能够得到更高的识别率，并对稀疏方位角训练样本有更好的鲁棒性。

关键词: 合成孔径雷达(SAR), 目标识别, 稀疏表示, 主成分分析

Abstract: In this work, an improved principal component analysis method (IPCA) is proposed for SAR target recognition. Firstly, we use the sparse method to obtain the training samples which are most relevant to the test samples and their representation coefficients for the test samples. Then, using the principal component analysis (PCA) we obtain the optimal projection matrix so that different test samples after projection can be better classified by using the training sample information. The results of experiments, performed on SAR ground stationary targets based on the moving and stationary target acquisition and recognition (MSTAR) database, show that IPCA reaches higher recognition rate and better robustness to sparse aspect training samples of three true objects than PCA.

Key words: synthetic aperture radar (SAR), target recognition, sparse representation, principle component analysis

中图分类号:

TN957

肖垚, 刘畅. 基于稀疏求解的改进PCA方法在SAR目标识别中的应用[J]. 中国科学院大学学报, 2018, 35(1): 84-88.

XIAO Yao, LIU Chang. Improved PCA method for SAR target recognition based on sparse solution[J]. , 2018, 35(1): 84-88.

参考文献

[1] Maitre H.合成孔径雷达图像处理[M]. 孙洪,译. 北京:电子工业出版社,2005.
[2] Novak L M, Owirka G J, Brower W S. Performance of 10-and 20-target MSE classifiers[J]. IEEE Transactions on Aerospace and Electronic Systems, 2000, 36(4):1279-1289.
[3] Mishra A K, Motaung T. Application of linearand nonlinear PCA to SAR ATR[C]//25th Int-ernational Conference Radioelektronika, RADI-OELEKTRONIKA 2015. Pardubice, Czech Republic:the IEEE Inc, 2015:349-354.
[4] Cao Z, Min R, Pi Y, et al. The feasibility analysis of applying NMF in SAR target recognition[C]//IEEE International Conference on Digital Signal Processing, DSP 2015.Singapore:the IEEE Inc, 2015:721-725.
[5] 向卫力, 李晓辉, 周勇胜, 等. 一种鲁棒的多尺度稀疏表示SAR目标识别方法[J]. 中国科学院大学学报, 2016, 34(1):99-105.
[6] 刘中杰, 庄丽葵, 曹云峰, 等. 基于主元分析和稀疏表示的SAR图像目标识别[J]. 系统工程与电子技术, 2013, 35(2):282-286.
[7] 程建, 黎兰, 王海旭. 稀疏表示框架下的SAR目标识别[J]. 电子科技大学学报, 2014, 43(4):524-529.
[8] 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, ISCCSP-2010. Limassol, Cyprus:IEEE Computer Society, 2010:1-4.
[9] Morgan D A E. Deep convolutional neural networks for ATR from SAR imagery[C]//Algorithms for Synthetic Aperture Radar Imagery XXⅡ. Baltimore, MD, United states:SPIE, 2015:94750F.
[10] Wang H, Chen S, Xu F, et al. Application of deep-learning algorithms to MSTAR data[C]//IEEE International Geoscience and Remote Sensing Symposium, IGARSS 2015. Milan, Italy:the IEEE Inc, 2015:3743-3745.
[11] Huan R H, Zhang P, Pan J. SAR ta-rget recognition using PCA, ICA and Gabor wavelet decision fusion[J]. Journal of Remote Sensing, 2012,16(2):268-274.
[12] 丁军, 刘宏伟, 陈渤, 等. 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.
[13] 徐勇, 范自柱, 张大鹏. 基于稀疏算法的人脸识别[M]. 北京:国防工业出版社, 2014.
[14] Candès E J, Tao T. The power of convex relaxation:Nearoptimal matrix completion[J]. IEEE Transactions on Information Theory, 2010, 56(5):2053-2080.
[15] Defense Advanced Research Project Agency (DARPA), Air Force Research Laboratory(AFRL).Moving and stationary target acquisition and recognition(MSTAR) public release dataset[DB/OL].(2015-09-21)[2016-10-20]. https://www.sdms.afrl.af.mil/datasets/mstar/.

基于稀疏求解的改进PCA方法在SAR目标识别中的应用

Improved PCA method for SAR target recognition based on sparse solution

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	王泽隆, 徐向辉, 张雷. 基于仿真SAR图像深度迁移学习的自动目标识别[J]. 中国科学院大学学报, 2020, 37(4): 516-524.
[2]	邹浩, 林赟, 洪文. 基于多角度合成SAR图像的目标识别性能分析[J]. 中国科学院大学学报, 2019, 36(2): 226-234.
[3]	马娇, 董勇伟, 李原, 李凌霄, 杨杰芳. 多旋翼无人机微多普勒特性分析与特征提取[J]. 中国科学院大学学报, 2019, 36(2): 235-243.
[4]	李松, 魏中浩, 张冰尘, 洪文. 深度卷积神经网络在迁移学习模式下的SAR目标识别[J]. 中国科学院大学学报, 2018, 35(1): 75-83.
[5]	向卫力, 李晓辉, 周勇胜, 李传荣, 唐伶俐. 一种鲁棒的多尺度稀疏表示SAR目标识别方法[J]. 中国科学院大学学报, 2017, 34(1): 99-105.
[6]	杨洋, 王岩飞. 一种基于混合模型的合成孔径雷达自聚焦算法[J]. 中国科学院大学学报, 2016, 33(5): 656-663.
[7]	宋晓燊, 禹卫东. 条带式VideoSAR参数依赖关系的推导及应用[J]. 中国科学院大学学报, 2016, 33(1): 121-127.
[8]	苏佳利, 钟上伟, 许静, 李向军, 邹洪. 基于HPLC-DAD多波长数据的蓝色圆珠笔墨水鉴别[J]. 中国科学院大学学报, 2014, 31(5): 595-603.
[9]	段祖亮, 张小雷, 雷军, 王建锋. 天山北坡城市群城市多维生态位研究[J]. 中国科学院大学学报, 2014, 31(4): 506-516.
[10]	谢小龙, 李毅. 陇西栽培蒙古黄芪生物学性状的多元统计分析[J]. 中国科学院大学学报, 2013, 30(4): 478-484.
[11]	于淑敏, 谢正观. 基于全局主成分分析的广东省经济空间结构演变[J]. 中国科学院大学学报, 2012, 29(4): 461-468.
[12]	赵凤军, 高东生, 贾亚飞. 基于SVM/LDA的SAR图像目标鉴别方法[J]. 中国科学院大学学报, 2012, 29(4): 507-511.
[13]	代雪静, 田卫. 水质模糊评价模型中赋权方法的选择[J]. 中国科学院大学学报, 2011, 28(2): 169-176.
[14]	孙显, 胡岩峰, 王宏琦. 基于主动式边界基元模型的多类目标识别方法[J]. 中国科学院大学学报, 2009, 26(4): 503-512.
[15]	王明全，王金达，刘景双. 基于主成分分析和熵权的吉林西部生态承载力演变[J]. 中国科学院大学学报, 2008, 26(6): 764-770.