Classification parcimonieuse pour l'aide à la reconnaissance de cibles radar
Résumé
Dans le présent papier, nous proposons l'étude et l'application d'une
nouvelle approche pour l'aide à la reconnaissance automatique de cibles (ATR,
pour Automatic Target Recognition) à partir des images à synthèse d'ouverture
inverse (ISAR, pour Inverse Synthetic Aperture Radar). Cette approche est com-
posée de deux phases principales. Dans la première phase, nous utilisons deux
méthodes statistiques pour extraire les caractéristiques discriminants à partir des
images ISAR. Nous nous intéressons dans ce travail aux deux descripteurs multi-
échelles issus des deux méthodes SIFT (Scale-Invariant Feature Transform) et
la décomposition en ondelettes complexes DT-CWT (Dual-Tree Complex Wa-
velet Transform) qui sont calculées disjointement. Ensuite, nous modélisons sé-
parément les descripteurs issus des deux méthodes précédentes (SIFT et DT-
CWT) par la loi Gamma. Les paramètres statistiques estimés sont utilisés pour
la deuxième phase dédiée à la classification. Dans cette deuxième phase, une
classification parcimonieuse (SRC, pour Sparse Representation-based Classifi-
cation) est proposée. Afin d'évaluer et valider notre approche, nous avons eu
recours aux données réelles d'images issues d'une chambre anéchoïque. Les ré-
sultats expérimentaux montrent que l'approche proposée peut atteindre un taux
de reconnaissance élevé et dépasse largement l'utilisation du même descripteur
avec le classifieur machine à vecteurs de support (SVM, pour Support Vector
Machine).