徐 斌,曹 娜,王永利

(1.南京铁道职业技术学院 信息管理中心,江苏 南京 210031;2.南京理工大学 计算机科学与工程学院,江苏 南京 210094)

合成孔径雷达(Synthetic aperture radar,SAR)是一种有源传感器,由于其能每天工作24 h,并且拥有不惧恶劣天气的优点,已经被广泛应用于多个领域[1]。

对SAR图像分类识别已经有了很多研究。首先在分类问题上,使用基于模版匹配的算法[2]。此算法可计算出测试样本与训练集生成的模板之间的“距离”,根据“距离”所选择的匹配模板来判定测试样本所属的类。因为添加对象需要创建一组额外的模板,计算较繁重。为了提高性能,一些基于模式识别的方法相继被提出[3,4]。除此之外,学习向量量化(Learning vector quantization,LVQ)已被用于学习分类模板[5],非线性分类器也被用于SAR自动目标识别(Automatic target recognition,ATR)[6],与传统的基于模板的方法相比,此方法的性能有了显著的提升。分类器方法被应用于这些算法中以降低其复杂性,这组分类器是由给定的方位角范围内的训练样本训练出来的,因此方位角估计精度的限制会影响算法的性能。

近来,信号稀疏表示已经成为研究热点[7-11]。在大多数情况下,信号可以由一组基本矢量很好地表示。Wright等[12]首先提出基于稀疏表示的分类(Sparse representation-based classification,SRC),可提取有效特征进而提高分类性能。同时,SRC比支持向量机(Support vector machine,SVM)有更好的分类性能已经得到了验证[13]。

但是,测试样本经过由训练样本训练出的模型,得到对应的稀疏表示时,在有限时间内对特征向量进行彻底地优化难度较大,多数的稀疏表示算法都没有办法达到在复杂情况下的实时识别效果。……