一种高分辨距离像开集识别方法、装置、设备及存储介质

技术领域

本申请涉及雷达目标识别领域，特别涉及一种高分辨距离像开集识别方法、装置、设备及存储介质。

背景技术

传统的目标识别方法一般针对闭集内的目标进行分辨，无法有效辨别库外未知类别，即算法是在闭集条件下完成对目标属类别判定，当库外目标样本输入时，将被判决为库内具有最佳匹配的目标，导致判决错误。在计算机视觉领域已经针对开集识别问题展开研究，但雷达目标识别领域研究还较少。

在本申请实施之前，研究了常见的计算机视觉领域的开集识别算法，如SROSR(SR，Sparse Representation，稀疏表示；OSR，Open Set Recognition，雷达目标开集识别)、WSVM(Weibull-SVM，韦伯-校正支持向量机)和1-vs-Set(当前类/1类与其他类)算法在雷达目标识别领域的应用，经比较后发现，SROSR算法的识别性能较其它算法效果较好，但是又发现该算法需要人工设置尾部和权值参数，在实际应用中难以获得优化参数。

因此，需要一个在保证识别准确度的前提下，不需要人工设置参数的开集识别算法。

发明内容

有鉴于此，本申请的目的在于提供一种高分辨距离像开集识别方法、装置、设备及存储介质，解决了现有技术中闭集识别方法在开放环境下识别不准确以及现有SROSR技术中需要人工设置参数的问题。

为解决上述技术问题，本申请提供了一种高分辨距离像开集识别方法，包括：

获取待识别样本在各类别子字典上的重构误差，所述各类别子字典为利用各类别训练样本构建的所述各类别子字典，所述待识别样本和所述各类别训练样本为高分辨距离像；

将所述重构误差中的最小值对应的类别作为候选类，并将所述最小值作为待识别样本重构误差；

获取所述候选类在训练阶段得到的候选类重构误差均值和候选类测度；

对所述候选类测度拟合韦伯分布得到候选类尺度参数和候选类形状参数；

计算所述待识别样本重构误差与所述候选类重构误差均值的比值，将所述比值作为待识别样本测度；

根据所述待识别样本测度、所述候选类尺度参数和所述候选类形状参数计算韦伯分布的置信度；

将所述置信度和预设阈值进行比较，确定所述待识别样本的类别。

可选的，所述获取待识别样本在各类别子字典上的重构误差，包括：

获取所述各类别训练样本；

利用所述各类别训练样本构建所述各类别子字典，并将所述各类别子字典组合为过完备字典；

利用稀疏算法计算得到所述待识别样本在所述各类别子字典上对应的第一稀疏系数

可选的，所述将所述重构误差中的最小值对应的类别作为候选类，包括：

根据

所述y表示所述待识别样本，为矢量形式；所述D表示所述过完备字典，为矩阵形式；所述

可选的，所述获取所述候选类在训练阶段得到的候选类重构误差均值，包括：

利用所述稀疏算法对各训练类别中各个训练样本进行稀疏重构，得到训练样本重构误差；

根据训练样本类别和所述训练样本重构误差计算得到所述各类别训练样本的重构误差均值；

从所述各类别训练样本的重构误差均值中选择所述候选类对应的所述候选类重构误差均值。

可选的，所述获取所述候选类在训练阶段得到的候选类测度，包括：

计算每个类别训练样本重构误差与各类别训练样本重构误差均值的比值，并构成测度矩阵；

从所述测度矩阵中选择所述候选类对应的所述候选类测度。

可选的，所述待识别样本和所述各类别训练样本为高分辨距离像，包括：

获取高分辨距离像的初始各类别训练样本数据和初始待测试样本；

对所述初始各类别样本数据和所述初始待测试样本在预设角度范围内进行非相干平均、2范数幅度归一化和幂变换，分别得到所述各类别训练样本和所述待识别样本。

本申请还提供了一种高分辨距离像开集识别装置，包括：

第一获取模块，用于获取待识别样本在各类别子字典上的重构误差，所述各类别子字典为利用各类别训练样本构建的所述各类别子字典，所述待识别样本和所述各类别训练样本为高分辨距离像；

候选类确定模块，用于将所述重构误差中的最小值对应的类别作为候选类，并将所述最小值作为待识别样本重构误差；

第二获取模块，用于获取所述候选类在训练阶段得到的候选类重构误差均值和候选类测度；

拟合模块，用于对所述候选类测度拟合韦伯分布得到候选类尺度参数和候选类形状参数；

待识别样本测度计算模块，用于计算所述待识别样本重构误差与所述候选类重构误差均值的比值，将所述比值作为待识别样本测度；

置信度计算模块，用于根据所述待识别样本测度、所述候选类尺度参数和所述候选类形状参数计算韦伯分布的置信度；

类别确定模块，用于将所述置信度和预设阈值进行比较，确定所述待识别样本的类别。

可选的，所述第一获取模块，包括：

获取单元，用于获取所述各类别训练样本；

构建组合单元，用于利用所述各类别训练样本构建所述各类别子字典，并将所述各类别子字典组合为过完备字典；

稀疏系数计算单元，用于利用稀疏算法计算得到所述待识别样本在所述各类别子字典上对应的第一稀疏系数

各类重构误差计算单元，用于根据所述第一稀疏系数、所述各类别子字典和所述待识别样本计算得到所述待识别样本在各类别子字典上的重构误差。

本申请还提供了一种高分辨距离像开集识别设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述高分辨距离像开集识别方法的步骤。

本申请还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述高分辨距离像开集识别方法的步骤。

可见，本申请通过获取待识别样本在各类别子字典上的重构误差，各类别子字典为利用各类别训练样本构建的各类别子字典，待识别样本和各类别训练样本为高分辨距离像；将重构误差中的最小值对应的类别作为候选类，并将最小值作为待识别样本重构误差；获取候选类在训练阶段得到的候选类重构误差均值和候选类测度；对候选类测度拟合韦伯分布得到候选类尺度参数和候选类形状参数；计算待识别样本重构误差与候选类重构误差均值的比值，将比值作为待识别样本测度；根据待识别样本测度、候选类尺度参数和候选类形状参数计算韦伯分布的置信度；将置信度和预设阈值进行比较，确定待识别样本的类别。本申请通过利用重构误差均值比作为新的测度并拟合韦伯分布，无需人工设置重构误差尾部与权值参数；并且本方法高分辨距离像开集识别的性能也优于传统算法。

此外，本申请还提供了一种高分辨距离像开集识别装置、设备及存储介质，同样具有上述有益效果。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种高分辨距离像开集识别方法的流程图；

图2为本申请实施例提供的一种不同开放程度下的开集识别算法准确率结果图；

图3为本申请实施例提供的一种不同开放程度下的开集识别算法F值结果图；

图4为本申请实施例提供的一种高分辨距离像开集识别装置的结构示意图；

图5为本申请实施例提供的一种高分辨距离像开集识别设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

传统的目标识别方法一般是在闭集条件下完成对目标类别判定，当库外目标样本输入时，将被判决为库内具有最佳匹配的目标类别，导致判决错误。实际应用中，雷达自动目标识别系统面向的往往是非合作目标，目标类型复杂多样，训练阶段无法建立完备的目标识别库，闭集条件下的目标识别方法已难以满足实际需求。因此，雷达目标开集识别研究具有重要意义，如何在保证库内目标分类精度的同时，增强算法对库外目标的拒判能力是雷达自动目标识别算法需要解决的关键问题之一。

开集识别最先在计算机视觉领域提出，并已经产生了较丰富的研究成果。例如：①基于稀疏表示类识别方法，如SROSR算法，该算法利用极值定理对匹配类和非匹配类重构误差的拖尾拟合来对目标进行识别与拒判；②基于支持向量机的识别方法。如1-vs-SetMachine算法通过泛化或专化两个平面，以优化经验和开放空间的风险；Weibull校正支持向量机算法通过极值理论与支持向量机的结合对分数进行校正；PI-SVM算法通过极值理论对决策边界建模来进行开集识别；③基于边缘分布的识别方法。如极值机算法(ExtremeValue Machine)通过极值理论拟合目标的边缘分布特征来进行开集识别；④基于距离度量的识别方法，如基于K近邻分布的边界检测算法；⑤基于深度神经网络的识别方法。如用OpenMax分类器替换深度神经网络中的SoftMax分类器，如深度开放分类器、C2AE(类条件自动编码器)算法、生成对抗网络；⑥基于多算法融合的识别方法。如支持向量机与卷积神经网络的结合算法，极值理论与随机森林方法的结合算法，阈值分析与互易点学习的结合算法，卷积神经网络与随机森林的结合算法等。

已有学者将计算机视觉领域的开集识别方法应用于雷达目标识别，结果表明开集识别方法相较于传统的拒判分类方法具有更好的分类精度与拒判性能。

借鉴计算机视觉领域的开集识别研究成果，本申请实施例比较了SROSR、WSVM和1-vs-Set算法在雷达目标识别中的应用，结果表明SROSR算法具有更好的识别性能。但SROSR需要人工设置一些参数，具体为：开集条件下，SROSR通过计算各类别训练样本的匹配类重构误差和非匹配类重构误差之和，依据极值理论(Extreme Value Theory，EVT)对重构误差尾部拟合广义帕累托分布，并通过计算待识别样本重构误差拟合的置信度，并依据阈值判决类别。根据SROSR算法在训练阶段得到的极值参数

score＝score

其中为w权值参数。非匹配类得分score

开放程度openness用来描述测试阶段与训练阶段类别的差异性，定义为：

其中N

针对SROSR算法需人工设置尾部参数、匹配类权重和非匹配类权重等问题，本申请提出了一种基于重构误差均值比的改进稀疏表示开集识别算法，利用该算法进行高分辨距离像开集识别。在正式介绍本申请发明内容之前，首先介绍一些本申请用到的定理：

实际中的数据往往难以用已知分布来精确描述，对于某些极端事件，概率模型的赋值通常为0，极值理论可在原始数据分布未知的条件下，推断出可能会观察到的极端事件的分布。

定理1：Fisher-Tippett定理。

假设X

当x有界时，G服从Reversed Weibull分布。应用于目标识别时，对有界的识别函数输出值，有上界时服从Reversed Weibull分布、相应的有下界时服从Weibull分布。

上述定理可通过广义极值分布(General Extreme Value distribution，GEV)表示：

其中γ表示形状参数，其取值取决于原始数据的分布。γ＜0对应Weibull型分布，γ可通过Pickands-Balkema-de Haan定理进行估计。

定理2：Pickands-Balkema-de Haan定理。

对充分大的阈值t，超过阈值t的分布近似为广义帕累托分布(General ParetoDistribution，GPD)：

其中，σ、γ分别对应尺度参数和形状参数。记溢额函数Y

其中，

本申请考虑到同一类别的重构误差均值可以在一定程度上表征该类别的整体特征，可将重构误差均值作为该类别的聚类中心。基于此，本申请实施例以重构误差与均值的比值作为测度，来代替SROSR中的重构误差拖尾进行分布拟合，避免尾部参数、匹配类和非匹配类得分权重的选取问题。具体请参考图1，图1为本申请实施例提供的一种高分辨距离像开集识别方法的流程图。该方法可以包括：

S101：获取待识别样本在各类别子字典上的重构误差，各类别子字典为利用各类别训练样本构建的各类别子字典，待识别样本和各类别训练样本为高分辨距离像。

本实施例中当训练样本的类别数为C，则获取待识别样本在各类别子字典上对应的C个重构误差。本实施例并不对待识别样本重构误差的计算做限定。只要是能够根据待识别样本计算得到C个重构误差即可。例如压缩感知方法，或者稀疏算法。

本实施例中的重构误差的计算具体可以包括以下步骤：

步骤21：获取各类别训练样本；

步骤22：利用各类别训练样本构建各类别子字典，并将各类别子字典组合为过完备字典；

步骤23：利用稀疏算法计算得到待识别样本在各类别子字典上对应的第一稀疏系数

步骤24：根据所述第一稀疏系数、各类别子字典和待识别样本计算得到待识别样本在各类别子字典上的重构误差。

本实施例中的过完备字典D是根据训练样本构建的，本实施例并不对具体的过完备字典的构建方法做限定，只要字典过完备即可。本实施例利用稀疏算法获取待识别样本的稀疏系数，即第一稀疏系数

重构误差的获取过程包括：利用稀疏算法得到样本的稀疏系数，根据稀疏系数和过完备字典进行重构，得到重构数据，根据重构数据与样本原始数据进行对比，得到重构误差。

S102：将重构误差中的最小值对应的类别作为候选类，并将最小值作为待识别样本重构误差。

本实施例将待识别样本对应的C个重构误差中的最小重构误差值作为待识别样本重构误差，并将最小重构误差值对应的类别作为该待识别样本的候选类。

上述确定待识别样本的候选类时，具体可以包括以下步骤：

根据

S103：获取候选类在训练阶段得到的候选类重构误差均值和候选类测度。

本实施例对训练样本进行训练时，计算得出所有类别的训练样本的重构误差，对重构误差进行计算得到各类别的重构误差均值，并将各训练样本重构误差与均值的比值作为各类别训练样本对应的测度，从各类别的重构误差均值中选择候选类重构误差均值，从各类别对应的测度中选择候选类测度。

上述获取候选类在训练阶段计算得到的候选类重构误差均值，具体可以包括以下步骤：

步骤41：利用稀疏算法对各训练类别中各个训练样本进行稀疏重构，得到训练样本重构误差；

步骤42：根据训练样本类别和训练样本重构误差计算得到各类别训练样本的重构误差均值；

步骤43：从各类别训练样本的重构误差均值中选择候选类对应的候选类重构误差均值。

本实施例中训练样本

本实施例对C个类别的所有训练样本进行稀疏重构，对来自第c类目标的第i个训练样本

其中，OMP(·)表示正交匹配追踪算法；

分别计算各类别训练样本的重构误差均值，例如，第c类的重构误差均值表示为：

其中，

候选类重构误差均值按照上式进行计算。

上述获取候选类在训练阶段计算得到的候选类测度，可以包括以下步骤，具体可以包括：

步骤51：计算每个类别训练样本重构误差与各类别的重构误差均值的比值，并构成测度矩阵；

步骤52：从测度矩阵中选择所述候选类对应的候选类测度。

本实施例可以先从测度矩阵中确定候选类测度，直接对候选类测度拟合韦伯分布得到候选类尺度参数和候选类形状参数。或者还可以在训练阶段测度矩阵中的各个测度均拟合韦伯分布得到各类别对应的尺度参数和形状参数，再从各类别的尺度参数和形状参数中选择候选类尺度参数和候选类形状参数。例如，计算第c类的第i个训练样本重构误差与第c类的重构误差均值的比值

然后构建第c类的测度矩阵J

按照定理1对第c类的测度矩阵J

S104：对候选类测度拟合韦伯分布得到候选类尺度参数和候选类形状参数。

候选类测度

S105：计算待识别样本重构误差与候选类重构误差均值的比值，将比值作为待识别样本测度。

本实施例中计算待识别样本重构误差与候选类重构误差均值的比值，公式如下：

其中，r

S106：根据待识别样本测度、候选类尺度参数和候选类形状参数计算拟合韦伯分布的置信度。

本实施例根据定理2将待识别样本测度

S107：将置信度与预设阈值进行判断，确定待识别样本类别。

本实施例通过置信度与预设阈值进行比较判断，确定待识别样本为库内类别中的候选类

具体判别公式如下：

其中，δ表示阈值；openset表示库外类别；Class

目前雷达自动目标识别(RATR)主要可分为基于高分辨距离像(High RangeResolution Profile，HRRP)与基于合成孔径雷达图像(SAR)目标识别两大类。基于HRRP的目标识别方法具有数据获取简单、平台要求低、存储量计算量少等优点，受到广泛关注。HRRP通过宽带雷达获取目标反射回波，反应了目标结构在距离维上的分布情况，对目标辨别具有重要作用。上述待识别样本和训练样本均为高分辨距离像的样本数据。

上述待识别样本和各类别训练样本为高分辨距离像的数据处理过程具体可以包括以下步骤：

步骤61：获取高分辨距离像的初始各类别训练样本数据和初始待测试样本；

步骤62：对初始各类别样本数据和初始待测试样本在预设角度范围内进行非相干平均、2范数幅度归一化和幂变换，分别得到各类别训练样本和待识别样本。

但本实施例考虑到HRRP具有姿态敏感性、平移敏感性和强度敏感性，因此需对数据进行预处理。具体的预处理操作为：对HRRP数据，使用一定角度范围(不发生散射点跨距离单元走动)内的非相干平均，以松弛姿态敏感性；2范数幅度归一化以消除强度敏感性；通过对数据的幂变换，增强数据的区分度。将预处理后的数据作为训练样本的数据。

本实施例并不限定训练样本数据集。例如，可以直接采用HRRP的实测数据集；或者若缺少HRRP的实测数据集，可以采用SAR实测数据反演生成HRRP数据，例如利用MSTAR(Moving and Stationary Target Acquisition and Recognition)公开数据集，将MSTAR中的SAR数据反演生成HRRP数据进行实验验证。具体的反演流程为：将SAR图像进行二维逆傅里叶变换；然后对获得的数据进行解卷积操作，消除加窗的影响，并删除零元素；再将数据进行二维傅里叶变换，并分割目标区域；最后将获得的数据在方位维上做逆傅里叶变换，即可得到反演HRRP数据。

应用本申请实施例提供的雷达目标的开集识别方法，通过获取待识别样本在各类别子字典上的重构误差，各类别子字典为利用各类别训练样本构建的各类别子字典，待识别样本和各类别训练样本为高分辨距离像；将重构误差中的最小值对应的类别作为候选类，并将最小值作为待识别样本重构误差；获取候选类在训练阶段得到的候选类重构误差均值和候选类测度；对候选类测度拟合韦伯分布得到候选类尺度参数和候选类形状参数；计算待识别样本重构误差与候选类重构误差均值的比值，将比值作为待识别样本测度；根据待识别样本测度、候选类尺度参数和候选类形状参数计算韦伯分布的置信度；将置信度和预设阈值进行比较，确定待识别样本的类别。本申请通过利用重构误差均值比作为新的测度并拟合韦伯分布，并且本方法高分辨距离像开集识别的性能也优于传统算法。

利用本实施例提出的方法进行实验验证，具体如下：

由于缺少HRRP实测数据集，采用MSTAR(Moving and Stationary TargetAcquisition and Recognition)公开数据集，将SAR数据反演生成HRRP数据用于实验。MSTAR数据集是SAR目标识别的标准数据库，它包含10类地面目标，分别为BMP2、BTR70、T72、BTR60、2S1、BRDM2、D7、T62、ZIL及ZSU。雷达工作于X波段，采用聚束式成像，图像分辨率0.3m×0.3m，每幅图像覆盖角约为3°，数据采集俯仰角分别为15°和17°。在本实验中，选取俯仰角17°数据用于训练，俯仰角15°数据用于测试。

从SAR图像反演生成HRRP数据过程包括：

(1)将SAR图像进行二维逆傅里叶变换；

(2)进行解卷积操作，消除加窗的影响，并删除零元素；

(3)进行二维傅里叶变换，并分割目标区域；

(4)在方位维上做逆傅里叶变换；

(5)为保持数据的统一性，以SAR图像距离维中心为原点，左右各取64个距离单元。

由于HRRP具有姿态敏感性、平移敏感性和强度敏感性，因此需对反演的HRRP数据进行预处理。针对反演的HRRP数据，使用一定角度范围内的非相干平均松弛其姿态敏感性，取2范数幅度归一化以消除强度敏感性，通过对数据的幂变换，可以增强数据的区分度。

本实施例中过完备字典采用人工构建法，利用训练样本来构造过完备字典。对俯仰角17°的每幅SAR图像生成的HRRP数据提取非相干平均生成1幅HRRP数据，按方位角顺序排序构建各类别子字典，并将子字典组合成过完备字典。为增加测试样本数量，测试阶段对俯仰角15°的每幅SAR图像按0.3°方位间隔提取非相干平均生成HRRP用于测试。

实验首先对SROSR、WSVM和1-vs-Set等3种OSR算法性能进行分析。将MSTAR中前3类目标BMP2、BTR70、T72作为库内目标，测试阶段加入BTR60作为库外目标，测试存在库外目标情况下的识别性能。实验采用准确率Accuracy与F值作为评价指标，其中准确率Accuracy反映了模型分类的准确程度，F值(F检验的统计量值)综合评价了分类器的召回率及精确率，是开集识别算法评价的综合性指标。

其中TP，TN，FP，FN分别代表真正类、真反类、假正类及假反类。召回率

表1

由表1可知，SROSR算法的准确率与F值均高于其他算法，其中SROSR算法的准确率比WSVM高21.3％，比1-vs-Set算法高28.2％，SROSR的F值比WSVM高22.3％，比1-vs-Set算法高31.9％。通过综合比较，SROSR算法性能相对更好。因此下面主要将本方法与SROSR算法进行实验对比。

SROSR算法与本方法的参数设置如表2所示，SROSR采用了对匹配类及非匹配类加权求和处理，需要设置权重，本方法仅针对匹配类重构误差距中心距离测度拟合Weibull分布，因此不设置权重及尾部参数。

表2

(1)含未知类别的识别性能。

实验选取BMP2、BTR70及T72作为库内目标，将BTR60作为库外目标进行实验，SROSR算法与本方法在含未知类别下的混淆矩阵分别如表3、表4所示。

表3

表4

由表3和表4可知，本方法相对于SROSR在库内目标识别率与库外目标拒判率均有提升，其中库内目标识别率提高了6.2％，库外目标拒判率提高了2.6％，增强了库内目标的辨别能力和对未知类别的拒判能力。

实验进一步验证10类测试目标下的识别性能。将BMP2、BTR70、T72作为已知库内目标，在库内目标基础上添加BTR60、2S1、BRDM2、D7、T62、ZIL及ZSU目标数据作为测试数据集。SROSR算法与本方法在该场景下的混淆矩阵如表5、表6所示。

表5

表6

由表5和表6可知，在训练3类、测试10类的典型情况下，本方法相比SROSR算法取得了更好的效果，其中对于库内目标的判决SROSR算法与本方法性能相近，但对于库外目标的区分，本方法整体库外目标拒判率提高了15.9％。两种算法的不同性能指标如表7所示。

表7

根据表7可知，本方法在准确率和F值上均优于SROSR算法。准确率Accuracy反映了真正类占所有判决为正类的比例，可以看出两种算法对于库外样本均有一定比例的误判，但本方法的准确率相较于SROSR算法提高了12.3％。F值综合评价了算法的性能，本方法在F值上相较于SROSR算法提高了9.2％。综上所述，本方法在典型情况下取得了比SROSR算法更加优异的开集识别分类性能。

(2)不同开放程度下的识别性能。

实验进一步验证不同开放程度下算法的识别结果，将17°俯仰角下的BMP2、BTR70、T72作为库内目标数据，根据测试类别数的不同，在15°俯仰角下3类目标数据的基础上依次添加15°俯仰角下的BTR60、2S1、BRDM2、D7、T62、ZIL及ZSU目标数据作为测试数据集，测试类别依次为4至10类。不同测试类别对应的开放程度如表8，其实验结果如图2和图3所示。

表8

图2为本申请实施例提供的一种不同开放程度下的开集识别算法准确率结果图，图3为本申请实施例提供的一种不同开放程度下的开集识别算法F值结果图。由图2和图3可知，随着开放程度的增加，算法的准确率在不断提升，准确率的变化与分类器对该类别的识别率有关，在开集识别中则是体现在对新增未知类别样本的拒判上，若分类器对新增类别的判别能力强，准确率则会显著提高，反之则会下降。F值综合评判了算法对库内类别与库外类别的综合识别能力，当新增类别增加时，算法在对库外目标拒判的同时也增加了对库内类别识别的难度，因此F值呈下降趋势，但本方法在四种开集识别算法中的F值依然达到最优。综合考虑准确率及F值两性能指标，本方法相较于其他开集识别算法具有更好的识别性能和拒判能力。

综合上述实验可以看出，本方法在不同场景下的仿真实验均具有较好的识别性能，有较好的拒判能力。

本实施例以重构误差均值比作为测度，借助极值理论拟合测度分布，无需人工设置重构误差尾部与权值参数。在MSTAR反演的HRRP数据上进行了实验验证，结果表明该方法相较于经典的SROSR算法，在准确率、F值等性能指标上均有一定提升，与其他主流OSR方法相比也具有最佳的性能，对库外目标具有良好的拒判能力。

下面对本申请实施例提供的高分辨距离像开集识别装置进行介绍，下文描述的高分辨距离像开集识别装置与上文描述的高分辨距离像开集识别方法可相互对应参照。

具体请参考图4，图4为本申请实施例提供的一种高分辨距离像开集识别装置的结构示意图，可以包括：

第一获取模块100，用于获取待识别样本在各类别子字典上的重构误差，所述各类别子字典为利用各类别训练样本构建的所述各类别子字典，所述待识别样本和所述各类别训练样本为高分辨距离像；

候选类确定模块200，用于将所述重构误差中的最小值对应的类别作为候选类，并将所述最小值作为待识别样本重构误差；

第二获取模块300，用于获取所述候选类在训练阶段得到的候选类重构误差均值和候选类测度；

拟合模块400，用于对所述候选类测度拟合韦伯分布得到候选类尺度参数和候选类形状参数；

待识别样本测度计算模块500，用于计算所述待识别样本重构误差与所述候选类重构误差均值的比值，将所述比值作为待识别样本测度；

置信度计算模块600，用于根据所述待识别样本测度、所述候选类尺度参数和所述候选类形状参数计算韦伯分布的置信度；

类别确定模块700，用于将所述置信度和预设阈值进行比较，确定所述待识别样本的类别。

基于上述实施例，其中第一获取模块100，可以包括：

获取单元，用于获取所述各类别训练样本；

构建组合单元，用于利用所述各类别训练样本构建所述各类别子字典，并将所述各类别子字典组合为过完备字典；

稀疏系数计算单元，用于利用稀疏算法计算得到所述待识别样本在所述各类别子字典上对应的第一稀疏系数

各类重构误差计算单元，用于根据所述第一稀疏系数、所述各类别子字典和所述待识别样本计算得到所述待识别样本在各类别子字典上的重构误差。

基于上述实施例，其中候选类确定模块200，可以包括：

候选类确定单元，用于根据

基于上述实施例，其中第二获取模块300中的获取所述候选类在训练阶段得到的候选类重构误差均值，可以包括：

稀疏重构单元，用于利用所述稀疏算法对各训练类别中训练样本在其对应子字典上进行稀疏重构，得到训练样本重构误差；

各类别训练样本的重构误差均值计算单元，用于根据训练样本类别和所述训练样本重构误差计算得到所述各类别训练样本的重构误差均值；

第一选择单元，用于从所述各类别训练样本的重构误差均值中选择所述候选类对应的所述候选类重构误差均值。

基于上述实施例，其中第二获取模块300中的获取所述候选类在训练阶段得到的候选类测度，可以包括：

测度计算单元，用于计算每个类别训练样本重构误差与各类别训练样本重构误差均值的比值，并构成测度矩阵；

第二选择单元，用于从所述测度矩阵中选择所述候选类对应的所述候选类测度。

基于上述实施例，其中上述待识别样本和所述各类别训练样本为高分辨距离像，可以包括：

初始样本数据获取单元，用于获取高分辨距离像的初始各类别训练样本数据和初始待测试样本；

预处理单元，用于对所述初始各类别样本数据和所述初始待测试样本在预设角度范围内进行非相干平均、2范数幅度归一化和幂变换，分别得到所述各类别训练样本和所述待识别样本。

需要说明的是，上述雷达目标的开集识别装置中的模块以及单元在不影响逻辑的情况下，其顺序可以前后进行更改。

应用本申请实施例提供的高分辨距离像开集识别装置，通过第一获取模块100，用于获取待识别样本在各类别子字典上的重构误差，各类别子字典为利用各类别训练样本构建的各类别子字典，待识别样本和各类别训练样本为高分辨距离像；候选类确定模块200，用于将重构误差中的最小值对应的类别作为候选类，并将最小值作为待识别样本重构误差；第二获取模块300，用于获取候选类在训练阶段得到的候选类重构误差均值和候选类测度；拟合模块400，用于对所述候选类测度拟合韦伯分布得到候选类尺度参数和候选类形状参数；待识别样本测度计算模块500，用于计算待识别样本重构误差与候选类重构误差均值的比值，将比值作为待识别样本测度；置信度计算模块600，用于根据待识别样本测度、候选类尺度参数和候选类形状参数计算韦伯分布的置信度；判断模块700，用于将置信度和预设阈值进行比较，确定待识别样本的类别。本申请通过利用重构误差均值比作为新的测度并拟合韦伯分布，无需人工设置重构误差尾部与权值参数；并且本方法高分辨距离像开集识别的性能也优于传统算法。

下面对本申请实施例提供的高分辨距离像开集识别设备进行介绍，下文描述的高分辨距离像开集识别设备与上文描述的高分辨距离像开集识别方法可相互对应参照。

请参考图5，图5为本申请实施例提供的一种高分辨距离像开集识别设备的结构示意图，可以包括：

存储器10，用于存储计算机程序；

处理器20，用于执行计算机程序，以实现上述的高分辨距离像开集识别方法。

存储器10、处理器20、通信接口31均通过通信总线32完成相互间的通信。

在本申请实施例中，存储器10中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本申请实施例中，存储器10中可以存储有用于实现以下功能的程序：

获取待识别样本在各类别子字典上的重构误差，各类别子字典为利用各类别训练样本构建的各类别子字典，待识别样本和各类别训练样本为高分辨距离像；

将重构误差中的最小值对应的类别作为候选类，并将最小值作为待识别样本重构误差；

获取候选类在训练阶段得到的候选类重构误差均值和候选类测度；

对候选类测度拟合韦伯分布得到候选类尺度参数和候选类形状参数；

计算待识别样本重构误差与候选类重构误差均值的比值，将比值作为待识别样本测度；

根据待识别样本测度、候选类尺度参数和候选类形状参数计算韦伯分布的置信度；

将置信度和预设阈值进行比较，确定待识别样本的类别。

在一种可能的实现方式中，存储器10可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及至少一个功能所需的应用程序等；存储数据区可存储使用过程中所创建的数据。

此外，存储器10可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。存储器存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可以包括各种系统程序，用于实现各种基础任务以及处理基于硬件的任务。

处理器20可以为中央处理器(Central Processing Unit，CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件，处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。

通信接口31可以为通信模块的接口，用于与其他设备或者系统连接。

当然，需要说明的是，图5所示的结构并不构成对本申请实施例中高分辨距离像开集识别设备的限定，在实际应用中高分辨距离像开集识别设备可以包括比图5所示的更多或更少的部件，或者组合某些部件。

下面对本申请实施例提供的存储介质进行介绍，下文描述的存储介质与上文描述的高分辨距离像开集识别方法可相互对应参照。

本申请还提供一种存储介质，该存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的高分辨距离像开集识别方法的步骤。

该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应该认为超出本申请的范围。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其他任何变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

以上对本申请所提供的一种高分辨距离像开集识别方法、装置、设备和存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。