Resumen

La extracción de características es el paso clave del reconocimiento de imágenes del radar de apertura sintética inversa (ISAR). Sin embargo, limitado por el coste y las condiciones de adquisición de imágenes ISAR, es relativamente difícil obtener datos de muestra a gran escala, lo que dificulta la obtención de características profundas del objetivo con buena discriminabilidad mediante el método de aprendizaje profundo actualmente popular. En este trabajo, se propone un nuevo método para el reconocimiento de imágenes ISAR de baja dimensión, fuertemente robusto y rápido en el espacio, basado en la fusión de características estructurales locales y globales. Este método realiza la transformación de trazo a lo largo del eje más largo de la imagen ISAR para generar la característica de trazo global de la imagen ISAR de objetivo espacial. Introduciendo la característica estructural local, Local Binary Pattern (LBP), se consigue la fusión complementaria de las características globales y locales, lo que compensa la información estructural perdida de la característica de traza y asegura la integridad de la información de la característica de la imagen ISAR. La representación de las características de rastreo y LBP en un espacio de características de mapeo de baja dimensión se encuentra utilizando el método de aprendizaje de pliegues. Bajo la condición de mantener la relación de vecindad local en el espacio de características original, se consigue la fusión efectiva de las características de traza y LBP. Por lo tanto, en el proceso de aplicación práctica, la precisión del reconocimiento del objetivo ya no se ve afectada por la función de rastreo, la selección del número de bloques de características LBP y otros factores, lo que hace que el algoritmo sea muy robusto. Para verificar la eficacia del algoritmo propuesto, se utiliza para los experimentos una base de datos de imágenes ISAR que contiene 1325 muestras de 5 tipos de objetivos espaciales. Los resultados muestran que la precisión de la clasificación de los 5 tipos de objetivos espaciales puede alcanzar más del 99%, y la precisión del reconocimiento ya no se ve afectada por la selección de la característica de rastreo y de la característica LBP, que tiene una gran robustez. El método propuesto proporciona un modelo rápido y eficaz de alta precisión para la extracción de características de objetivos espaciales, que puede dar algunas referencias para resolver el problema de la identificación eficiente de objetos espaciales bajo la condición de datos de muestra pequeños.

• Materias:Motores (Mecánica) Vehículo espacial Ingeniería Aeronáutica
• Subjects:Engines Space vehicles Aeronautical Engineering
• Palabras claves:imagen isar objetivo, espacio isar objetivo, tipo de espacio, características de la traza, características lbp, extracción de características del objetivo, métodos de aprendizaje profundo, datos de muestras pequeñas, representación de la traza, selección del número de bloque
• Keywords:target isar image, space target isar, type of space, trace features, lbp features, target features extraction, deep learning methods, small sample data, representation of trace, block number selection