结合多源特征与高斯过程模型的SAR图像目标识别*

辛海燕，童有为

(1.桂林航天工业学院 电子信息与自动化学院，广西 桂林 541004;2.桂林电子科技大学 信息与通信学院，广西 桂林 541004)

0 引 言

合成孔径雷达(Synthetic Aperture Radar，SAR)通过高分辨率成像对关心区域进行观测与情报分析。SAR目标识别技术主要开展基于图像的目标类别确认，主要涉及特征提取和分类决策两个阶段[1]。应用于SAR目标识别的特征包括几何形状、投影变换以及电磁散射等特征。文献[2]和文献[3]分别采用目标轮廓、区域作为SAR目标识别的基本特征。Mishra[4]分别利用线性鉴别分析(Linear Discriminant Analysis，LDA)和主成分分析(Principal Component Analysis，PCA)进行SAR图像特征及目标识别。文献[5]将核主成分分析(Kernel PCA，KPCA)用于SAR目标识别。Cui等[6]基于非负矩阵分解(Non-negative Matrix Factorization，NMF)设计SAR目标识别方法。Dong等将单演信号用于SAR图像分解，获得相应的特征矢量[7]。文献[8]采用模态分解获得多层次特征用于SAR目标识别。文献[9-10]采用基于属性散射中心匹配进行SAR目标识别。在提取特征的基础上，分类决策过程主要采用各类分类器判决待识别样本的类别。典型的分类器包括支持向量机(Support Vector Machine，SVM)[11-12]、稀疏表示分类(Sparse Representation-based Classification，SRC)[13]等。近年来，基于深度学习模型的SAR目标识别方法也得到了广泛研究，其中最具代表性的是卷积神经网络(Convolution Neural Network，CNN)[14-15]。为了有效结合多类特征的优势，研究人员还提出了多特征融合的方法。张新征等[16]提出基于多特征-多表示的SAR目标识别方法，采用稀疏表示和协同表示分类器对PCA、小波分解以及Zernike矩特征进行融合。代雪峰等[17]采用SRC分别对PCA、NMF和KPCA进行决策，进而采用线性加权融合进行融合。文献[18]采用多任务压缩感知对PCA、NMF以及KPCA进行联合表示及分类识别。……