融合CNN和SRC决策的SAR图像目标识别方法

作者：陆建华

来源：红外与激光工程, 2021, 1-8.

• 合成孔径雷达
• 目标识别
• 卷积神经网络
• 稀疏表示分类
• Bayesian融合

提出基于卷积神经网络（convolutional neural network，CNN）与稀疏表示分类（sparse representation-based classification，SRC）联合决策的合成孔径雷达（synthetic aperture radar，SAR）目标识别方法。CNN通过深度网络学习SAR图像的多层次特征，进而对其所属的目标类别进行判决。研究表明，CNN在训练样本充足的条件下可以取得很好的识别性能。然而，对于训练样本未能包含的条件，CNN的分类性能通常会出现明显下降。为此，本文首先采用CNN对待识别的测试样本进行分类，并根据输出的决策值（即，各个训练类别对应的后验概率）计算当前分类结果的可靠性。当分类结果判定可靠时，则直接采信CNN的决策，输出测试样本的目标类别。反之，则根据CNN输出的决策值筛选若干候选类别，然后基于它们的训练样本构建全局字典用于SRC分类。对于SRC的分类结果，进一步采用Bayesian融合算法将其与CNN的分类结果进行融合。最终，根据融合后的结果判定测试样本的目标类别。提出方法通过层次化的思路融合CNN和SRC的优势，有利于发挥两者对不同测试条件的优势，达到提高识别稳健性的目的。实验中，基于MSTAR数据集开展测试分析，结果验证了提出方法的有效性。

• 单位
  盐城师范学院; 电子工程学院