唐吉深，覃少华

(1.河池学院，广西 河池 546300;2.广西多源信息挖掘与安全重点实验室，广西 桂林 541004;3.广西师范大学计算机科学与信息工程学院，广西 桂林 541004)

0 引言

自20世纪90年代以来，合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题在世界范围内得到广泛研究并产出了大量的成果[1-2]。SAR目标识别系统通过检测、鉴别和分类的三个阶段从大场景图像中获取感兴趣的目标并判定其类别。现有公开的SAR目标识别算法主要集中在对分类算法的研究，即在已经剔除虚警后的感兴趣目标区域(region of interest，ROI)的基础上对其类别进行决策(后文将其称为SAR目标识别)。一般的SAR目标识别算法主要设计特征提取和分类决策两个环节。前者通过分析目标几何形状、灰度分布以及电磁散射等特点获取低维特征矢量，实现对目标核心特性的有效描述。文献[3—5]以目标区域、轮廓等为基本特征设计SAR目标识别算法。文献[6—9]采用主成分分析(principal component analysis，PCA)、非负矩阵分解(non-negative matrix factorization，NMF)、单演信号分解等手段获取SAR图像的不变特征。文献[10—11]基于属性散射中心设计SAR目标识别方法，通过散射中心的一一配对考察目标可能出现的局部变化。分类决策阶段，根据提取特征的不同规律和特点，选用相适应的分类机制。目前，在SAR目标识别中广泛运用的分类器包括K近邻(K-NN)[6]、支持向量机(support vector machine，SVM)[12]、稀疏表示分类(sparse representation-based classification，SRC)[13]以及深度网络[14-15]等。

稀疏表示目前已在模式识别领域获得到广泛运用。Wright等人[16]首次将稀疏表示运用于人脸识别并根据各训练类别的重构误差进行决策；Thiagaraianm等人[13]将稀疏表示分类引入SAR目标识别；……