稀疏编码树框架下的SAR目标识别*

陈春林，张 礼，刘学军

南京航空航天大学 计算机科学与技术学院，南京 211106

稀疏编码树框架下的SAR目标识别*

陈春林，张 礼，刘学军+

南京航空航天大学 计算机科学与技术学院，南京 211106

+Corresponding author:E-mail:xuejun.liu@nuaa.edu.cn

CHEN Chunlin,ZHANG Li,LIU Xuejun.SAR target recognition based on framework of sparse coding tree. Journal of Frontiers of Computer Science and Technology,2017,11(5)：768-775.

SAR目标识别；型号识别；稀疏编码树；字典学习；稀疏表示

1 引言

雷达目标识别（radar target recognition）是指从雷达接收到的目标电磁波散射场的回波中提取出目标相关的特征，并对目标的种类、型号、属性等进行判断的过程，是模式识别理论在雷达领域的重要应用。合成孔径雷达（synthetic aperture radar，SAR）[1]作为探测目标的重要手段，具有全天时、全天候探测的优势，已经在军事和民用领域获得越来越多的应用，而如何对SAR图像进行快速准确的理解与识别也受到越来越多研究人员的重视。基于SAR图像的目标识别是从SAR图像中获取目标的信息，实现对目标的种类和型号进行判断的过程，在军事领域尤其具有重要意义。目前国内外有许多机构都开展了对SAR图像自动目标识别技术的研究，这些研究在图像预处理、特征提取和分类器设计等方面各不相同。传统的方法主要采用模板匹配[2]、主成分分量分析、支持向量机[3]等方法进行目标类别识别研究。

近年来，稀疏表示作为一种新的信号表示方法，在模式识别的多个领域中获得应用，比如人脸识别[4]、表情识别[5]等图像识别领域，雷达成像、目标识别[6]等信号分析领域。将稀疏表示应用到分类问题的出发点是获得目标的稀疏表示结果，构成特征向量，满足分类需求。文献[6]将稀疏表示应用到SAR图像的目标识别，将训练集中的图像归一化后构成向量，组成字典集合，然后计算测试样本在该字典上的稀疏表示，根据系数的能量特征实现分类识别。与直接从图像中提取特征识别的方法相比，稀疏表示减弱了对图像预处理和姿态估计的要求，获得了比传统方法更优秀的精度。之后有学者改进直接由训练样本构成字典的做法，对SAR图像通过2DPCA（twodimensional principal component analysis）降维之后，构成过完备字典，计算测试样本在该字典上的稀疏表示，根据稀疏能量实现分类[7]。另外，有学者提出SAR雷达数据本身是可压缩的，结合压缩感知的方法，从图像中提取压缩特征，构造字典，采用稀疏表示方法对目标类别进行识别[8]。最近，有学者借鉴多信息字典学习[9]的方法，利用SAR图像的幅度信息和频域幅度信息，采用有监督字典学习方法，构造多信息字典，采用联合动态稀疏表示求解稀疏向量，通过重构误差比较完成测试样本识别[10]。与传统方法相比，一方面，通过学习降低了字典的冗余性；另一方面，减小了存储量和后续联合动态稀疏表示的运算量，降低了字典的原子数目。而在字典原子数目较少时，通过学习得到的字典，与直接由训练样本构成的字典相比，能够更好地包含各类目标的信息，达到更好的识别性能。

在实际应用中SAR图像识别受到很多因素的影响，其中之一是由于同一种类别目标在配置和结构上会存在一定的差异，如同类坦克上有无机关枪、油箱，以及天线是否展开等，同类装甲车上有无炮筒、挡泥板和聚光灯等差异，导致同一种目标存在多个型号变体。型号变体的存在对目标识别精度有很大的影响，针对型号识别有两方面的问题：一是，在一个目标类别存在多个型号的情况下，仍然能识别出目标类别；二是，能够对目标的具体型号进行识别。目前大多数目标识别方法[7-13]针对目标类别进行研究，很少针对目标型号进行研究，有些文献只验证了测试样本是训练阶段未出现的目标型号的情况下，对目标类别的识别影响，即上文中提到的针对型号识别的第一个问题。对目标型号做出精确识别能够提供比单纯目标类别识别更多的信息，对战场感知具有重要意义。本文主要针对识别目标具体型号的问题进行探讨。

针对目标型号识别的问题，本文提出稀疏编码树（sparse coding tree，SC-Tree）的方法，利用子节点对根节点识别结果进行校正，提高目标型号识别的准确率。稀疏编码树如图1所示。在MSTAR（moving and stationary target acquisition and recognition）数据集上的实验证明，稀疏编码树在达到与一般方法相当的目标类别识别精度的基础上，有效提高了型号识别的准确率。

Fig.1 Sparse coding tree illustration图1 稀疏编码树示意图

2 稀疏编码树方法

2.1 稀疏表示和字典学习

稀疏表示是为了寻找一种对输入数据尽可能简洁的表示，是在一组字典基中使用少量的原子线性组合来近似表示原来信号的方法。常用的稀疏表示基有固定字典以及从数据中学习的字典基两种，固定字典包括小波基、傅立叶基等，由数据构成字典包括直接由训练数据拼接构成字典基，或者通过字典学习方法从训练数据中学习字典基。

给定一个字典D={d1,d2,…,dk}，k=1,2,…,K,di∈ℝN，di表示原子，K为原子个数。给定一组信号Y={y1,y2,…,yp},yi∈ℝn,稀疏表示就是在D上寻找Y的一个线性表示，在保证误差不大的前提下，使得使用的原子尽可能少，即稀疏表示。记作：

为了获得有效的稀疏表示系数，预设表示原子个数上限为T。寻找稀疏表示向量描述成：

其中，||·||0表示零范数。求解这个问题是一个NPHard问题，本文采用正交匹配追踪算法（orthogonal matching pursuit，OMP）[14]方法求解。

当字典使用足够多的训练样本作为原子来构造时，直接利用训练样本构造的字典与使用字典学习算法学习得到的字典相比，性能差别不大。直接基于训练样本构造的字典已经可以充分地包含各类目标的信息，经过字典学习并没有提供更多对于分类有益的信息。但是当样本个数较少时，直接使用训练样本构造字典则不能满足信息需求，而字典学习的优势主要体现在字典原子数目较少的情况下获得对信号表示更有效的字典。本文采用的数据集图像数据不够丰富，适合采用字典学习的方法构造字典基。构造字典方法通过K-SVD[15]算法求解方程（3）获得。

2.2 稀疏编码树

稀疏编码树是自上而下建立每个节点的。根据识别任务的不同将稀疏表示划分为目标类别识别和型号识别两种识别需求，分别学习与之对应的字典和分类器。具体来说，在根节点处学习针对目标类别识别的分类器，根据分类器输出结构进行判断，当该目标类别不存在型号变体时，输出最终识别结果；当目标存在型号变体时，在子节点处学习针对该目标类别下所有型号的字典和分类器，经过子节点识别后，输出最终识别结果。每个节点建立包括3个步骤：根据分类任务选择训练数据，并学习该节点上的字典，然后根据该字典对训练数据和测试数据稀疏表示，使用稀疏表示特征作为分类器输入，输出分类结果。详细过程如下：

（1）建立字典。根据该节点处预设的字典尺寸大小等参数，平均从该节点需要处理的目标型号训练样本中随机挑选样本作为字典初始化样本，根据式（3），采用K-SVD算法学习字典。

（2）分类器学习。使用第一步中建立的字典作为稀疏表示的字典基，对输入数据计算稀疏表示系数，将稀疏表示系数向量作为特征列表，目标型号作为标号训练分类器。本文采用SVM（support vector machine）作为分类器。

（3）传递规则判断。根据第二步分类器结果进行判断，如果分类结果显示该目标类别存在型号变体，则在该分类结果的基础上，建立新的节点。如果该目标型号不存在变体型号，则输出最终型号识别结果。

3 实验

3.1 数据集

很多现有的SAR目标识别文献（例如文献[16-18]等）中，都采用MSTAR[19]数据集对方法进行验证。MSTAR数据库是由DARPA等资助的MSATR计划所公开的数据集，该数据集中包含多种目标多个俯仰角和方位角下的SAR图像。本文使用俯仰角为17°和15°下BMP2、BTR70、T72共3种目标数据进行实验，每一种目标的方位角范围由0°变换到360°，分辨率为0.3 m×0.3 m，图像尺寸为128×128像素。图2给出了3种目标的光学图像和SAR图像的样图。各型号样本数目统计见表1。

3.2 稀疏编码树建立

在实验中，对MSTAR[17]数据集进行预处理，稀疏编码树建立，目标识别3个过程。预处理中，从原始128×128图像中截取中间64×64的区域，保留所需要识别的整个目标，去除多余的背景，然后将每一幅图像排成一个列向量，构成样本矩阵，根据2.2节方法构造稀疏编码树，并进行识别处理。

Fig.2 Target and SAR images on MSTAR data set图2MSTAR数据集的目标光学图像和SAR图像对比

Table 1 MSTAR data set information表1 MSTAR数据集信息汇总

在MSTAR数据集中，BMP2步兵战车包含3种型号BMP2SN9563、BMP2SN9566、BMP2SNC21；T72坦克包含3种型号T72SN132、T72SN812、T72SNS7；BTR70装甲运输车只有一种型号BTR70C71。对应到稀疏编码树中，在根节点位置，采用所有7种型号的训练数据建立字典，并计算训练样本的稀疏表示向量，然后训练根节点的分类器，输出型号判断结果。另外在该数据集中，有两种目标（BMP2,T72）存在多种型号，因此建立两个子节点，在每个子节点上分别为BMP2步兵战车和T72坦克学习相应的稀疏表示字典和分类器。稀疏编码树结构如图3所示。

测试阶段，首先计算测试样本在根节点字典上的稀疏表示向量，并输入分类器，判断目标型号。根据目标型号判断结果决定树的走向，如果根节点识别为BTR70，直接输出目标型号BTR70C71；如果该目标识别为BMP2或者T72类别，则输出到相应的子节点，继续对目标型号进行判断，并输出最终型号识别结果。

Fig.3 Sparse coding tree on MSTAR data set图3MSTAR数据集上稀疏编码树表示

在根节点位置，稀疏编码树输出7种目标类别识别结果，统计识别结果中每个目标型号的个数，如表2所示。根据识别结果的样本点分布情况，型号识别中大部分的错误发生在同一种目标类型中，比如将SN9563错分为SN9566或者SNC21，而很少会错分成其他的目标类别。这是由于同一种目标拥有大量相似的特征，这些相似的特征能够保证出现目标型号变体时，仍然能识别出正确的目标类型，但是也造成了型号识别的困难。

Table 2 Recognition sample count on root node表2 根节点位置型号识别统计

而在表3中，在经过子节点对目标型号进行识别之后，原有的部分错误型号识别结果被重新校正到正确目标类型下，错误型号的样本减少，同时并不改变对目标类别的判断，如在根节点上来自SN9563的样本被错分为SNC21，在子节点校正为SN9563。这是由于在判断目标类别的前提下，采用了针对型号识别的稀疏表示字典和分类器，能够校正在根节点处的型号识别错误。从表4中可以看出，在同等条件下，通过稀疏编码树对目标根节点和子节点进行识别，在保持对目标类型识别率不变的情况下，能够有效地将目标型号的识别率提高5%至6%。

Table 3 Recognition sample count on child nodes表3 子节点位置型号识别统计

Table 4 Comparison of root node and child node表4 根节点识别结果和子节点识别结果比较

3.3 稀疏编码树结果比较

为了验证稀疏编码树对目标类别识别的能力，比较了本文提出方法与参考文献[4]中稀疏表示分类器（sparse representation classification，SRC）方法以及文献[8]中联合动态稀疏表示（joint dynamic sparse representation classification，JDSRC）方法，结果如表5所示。由于稀疏编码树方法最终输出目标的具体型号，在实验数据集上共7种类别标号，在比较对目标类别识别能力时，计算目标类别准确率只按照目标类别识别统计，例如识别结果为T72SNC71和T72SN132都统计为T72类别。其中JDSRC方法的识别结果明显好于SRC方法的识别结果，这是由于联合利用目标的图像域幅度信息与频域幅度信息两种信息，比单一采用图像域幅度信息对于SAR图像目标识别更有效。此外与另外两种方法相比，本文方法在目标类别识别准确率上明显优于SRC，这是由于通过字典学习构建出的字典比直接使用样本构造出的字典能够提供更加充分的信息，这样保证了后续稀疏表示能够提供更多对分类有益的特征。与JDSRC方法相比，稀疏编码树获得和JDSRC相当的目标类别识别精度，但是个别目标精度比JDSRC方法要差。

Table 5 Taget recognition ratio of different methods表5 各方法目标类别识别准确率比较 %

由于字典学习对字典原子个数敏感，一般当字典原子个数越多时，表示精度越高。为比较字典尺寸对识别结果的影响，给定根节点字典原子个数，比较不同子节点字典原子个数下识别精度变化趋势。图4展示了型号识别中，BMP2类别下SNC21、T72类别下SN132两种型号的识别精度随子节点字典原子个数变化的趋势。结果显示当子节点字典原子个数增加时，各型号的识别率会随之增加。对比图5中C71型号识别精度随子节点字典原子个数变化趋势，C71识别精度基本保持稳定。由于C71属于BTR70类型，且BTR70目标下只含有一种目标型号，在根节点识别完成后，直接输出最终结果，不受子节点尺寸影响，识别精度基本保持稳定。

Fig.4 Dictionary size VS target recognition ratio图4 子节点字典尺寸与目标型号识别精度比较

Fig.5 Dictionary size VS target recognition ratio图5不同字典尺寸下SNC71识别精度比较

4 结束语

本文采用稀疏编码树方法对SAR图像目标识别进行研究，使用稀疏表示方法构造特征向量，SVM作为分类器。根据识别要求不同，采用不同数据分别学习相应的字典以及分类器，构成稀疏编码树。在单个分类器对目标型号识别精度不够，但型号识别精度较高的情况下，采用子节点对根节点的识别结果进行矫正，在保证目标类别识别精度的前提下，提高了目标型号的识别能力。通过实验结果与传统方法比较，本文提出的SAR图像目标识别方法能够从较大范围内提高目标类型的识别准确率，通过与JDSRC方法的对比，为通过联合多种方法的特征并研究更加优化的方法提供了实现的可能性。

本文目标识别的平均精度达到92%，由于采用单一信息字典进行稀疏表示，对比多信息字典方法相比对某些类别的识别还不够精确，而且对目标型号的平均识别精度只有60%，还达不到能准确识别目标型号的目的。大量文献表明，学习得到的字典比预先定义的字典能更准确地对样本进行描述，得到更好的识别结果。因此为获得更高的识别精度，下一步工作会将字典选择和字典学习算法引入到稀疏描述算法中进行深入研究。

References:

[1]Wehner D R.High resolution radar[M].2nd ed.[S.l.]:Artech House,1995.

[2]Novak L M,Owirka G J,Brower W S.Performance of 10-and 20-target MSE classifiers[J].IEEE Transactions on Aerospace&Electronic Systems,2000,36(4):1279-1289.

[3]Zhao Qun,Principe J C.Support vector machines for SAR automatic target recognition[J].IEEE Transactions on Aerospace&Electronic Systems,2001,37(2):643-654.

[4]Wright J,Yang A Y,Ganesh A,et al.Robust face recognition via sparse representation[J].IEEE Transactions on PatternAnalysis and Machine Intelligence,2009,31(2):210-227.

[5]Chen H C,Comiter M Z,Kung H T,et al.Sparse coding trees with application to emotion classification[C]//Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops,Boston,USA,Jun 7-12, 2015.Piscataway,USA:IEEE,2015:77-86.

[6]Thiagarajan J J,Ramamurthy K N,Knee P,et al.Sparse representations for automatic target classification in SAR images [C]//Proceedings of the 2010 International Symposium on Communications,Control and Signal Processing,Limassol, Cyprus,Mar 3-5,2010.Piscataway,USA:IEEE,2010:1-4.

[7]Wang Yanxia,Zhang Gong.Target recognition in SAR images using sparse representation based on feature space[J]. Journal of Chongqing University of Posts and Telecommunitions:National Science Edition,2012,24(3):308-313.

[8]Yang Shuyuan,Ma Yonggang,Wang Min,et al.Compressive feature and kernel sparse coding-based radar target recognition[J].IET Radar,Sonar&Navigation,2013,7(7): 755-763.

[9]Zhang Haichao,Nasrabadi N M,Zhang Yanning,et al.Joint dynamic sparse representation for multi-view face recognition[J].Pattern Recognition,2012,45(4):1290-1298.

[10]Qi Huijiao,Wang Yinghua,Ding Jun,et al.SAR target recognition based on multi-information dictionary learning and sparse representation[J].Systems Engineering and Electronics,2015,37(6):1280-1287.

[11]Quan Sinong,Xiong Boli,Yang Libo,et al.Evaluation of different SAR change detectors based on vehicle recognition with MSTAR data set[J].Remote Sensing Letters,2015,6(7): 539-547.

[12]Dong Ganggang,Kuang Gangyao,Wang Na,et al.SAR target recognition via joint sparse representation of monogenic signal[J].IEEE Journal of Selected Topics in Applied Earth Observations&Remote Sensing,2015,8(7):3316-3328.

[13]Wang Haipeng,Chen Sizhe,Xu Feng,et al.Application of deep-learning algorithms to MSTAR data[C]//Proceedings of the 2015 IEEE International Geoscience and Remote Sensing Symposium,Milan,Italy,Jul 26-31,2015.Piscataway,USA:IEEE,2015:3743-3745.

[14]Rubinstein R,Zibulevsky M,Elad M.Efficient implementation of the K-SVD algorithm using batch orthogonal matching pursuit[J].CS Technion,2008,40:1-15.

[15]Aharon M,Elad M,Bruckstein A.K-SVD:an algorithm for designing overcomplete dictionaries for sparse representation[J].IEEE Transactions on Signal Processing,2006,54 (11):4311-4322.

[16]Wagner S.Morphological component analysis in SAR images to improve the generalization of ATR systems[C]//Proceedings of the 3rd International Workshop on Compressed Sensing Theory and Its Applications to Radar,Sonar and Remote Sensing,Pisa,Italy,Jun 17-19,2015.Piscataway,USA: IEEE,2015:46-50.

[17]Xu Liyuan,Cao Zongjie.Sub-dictionary based joint sparse representation for multi-aspect SAR automatic target recognition[C]//LNEE 322:Proceedings of the 3rd International Conference on Communications,Signal Processing,and Systems,2015:167-175.

[18]Hu Liping,Liu Hongwei,Wu Shunjun.Novel pre-processing method for SAR image based automatic target recognition [J].Journal of Xidian University:National Science Edition, 2007,34(5):733-737.

[19]Timothy D R,Steven W W,Vincent J V,et al.Standard SAR ATR evaluation experiments using the MSTAR public release data set[J].Proceedings of SPIE,1998,3370:566-573.

附中文参考文献：

[7]王燕霞,张弓.基于特征参数稀疏表示的SAR图像目标识别[J].重庆邮电大学学报:自然科学版,2012,24(3):308-313.

[10]齐会娇,王英华,丁军,等.基于多信息字典学习及稀疏表示的SAR目标识别[J].系统工程与电子技术,2015,37(6): 1280-1287.

[18]胡利平,刘宏伟,吴顺君.一种新的SAR图像目标识别预处理方法[J].西安电子科技大学学报:自然科学版,2007, 34(5):733-737.

CHEN Chunlin was born in 1992.He is an M.S.candidate at Nanjing University of Aeronautics and Astronautics. His research interests include machine learning and radar target recognition,etc.

陈春林（1992—），男，江苏南通人，南京航空航天大学硕士研究生，主要研究领域为机器学习，雷达目标识别等。

ZHANG Li was born in 1985.He received the Ph.D.degree in computer applications from Nanjing University of Aeronautics andAstronautics in 2015.His research interests include bioinformatics and machine learning,etc.

张礼（1985—），男，2015年于南京航空航天大学获得博士学位，主要研究领域为生物信息学，机器学习等.

LIU Xuejun was born in 1976.She received the Ph.D.degree in computer science from the University of Manchester in 2006.Now she is a professor at College of Computer Science and Technology,Nanjing University of Aeronautics andAstronautics.Her research interests include bioinformatics and machine learning,etc.

刘学军（1976—），女，2006年于英国曼切斯特大学获得博士学位，现为南京航空航天大学教授，主要研究领域为生物信息学，机器学习等。

《计算机工程与应用》投稿须知

中国科学引文数据库（CSCD）来源期刊、北大中文核心期刊、中国科技核心期刊、RCCSE中国核心学术期刊、《中国学术期刊文摘》首批收录源期刊、《中国学术期刊综合评价数据库》来源期刊，被收录在《中国期刊网》、《中国学术期刊（光盘版）》、英国《科学文摘》（SA/INSPEC）、俄罗斯《文摘杂志》（AJ）、美国《剑桥科学文摘》（CSA）、美国《乌利希期刊指南》（Ulrich’s PD）、《日本科学技术振兴机构中国文献数据库》（JST）、波兰《哥白尼索引》（IC），中国计算机学会会刊

《计算机工程与应用》是由中华人民共和国中国电子科技集团公司主管，华北计算技术研究所主办的面向计算机全行业的综合性学术刊物。

办刊方针坚持走学术与实践相结合的道路，注重理论的先进性和实用技术的广泛性，在促进学术交流的同时，推进科技成果的转化。覆盖面宽、信息量大、报道及时是本刊的服务宗旨。

报导范围行业最新研究成果与学术领域最新发展动态；具有先进性和推广价值的工程方案；有独立和创新见解的学术报告；先进、广泛、实用的开发成果。

主要栏目理论与研发，大数据与云计算，网络、通信与安全，模式识别与人工智能，图形图像处理，工程与应用，以及其他热门专栏。

注意事项为保护知识产权和国家机密，在校学生投稿必须事先征得导师的同意，所有稿件应保证不涉及侵犯他人知识产权和泄密问题，否则由此引起的一切后果应由作者本人负责。

论文要求学术研究：报道最新研究成果，以及国家重点攻关项目和基础理论研究报告。要求观点新颖，创新明确，论据充实。技术报告：有独立和创新学术见解的学术报告或先进实用的开发成果，要求有方法、观点、比较和实验分析。工程应用：方案采用的技术应具有先进性和推广价值，对科研成果转化为生产力有较大的推动作用。

投稿格式1.采用学术论文标准格式书写，要求文笔简练、流畅，文章结构严谨完整、层次清晰（包括标题、作者、单位（含电子信箱）、摘要、关键词、基金资助情况、所有作者简介、中图分类号、正文、参考文献等，其中前6项应有中、英文）。中文标题必须限制在20字内（可采用副标题形式）。正文中的图、表必须附有图题、表题，公式要求用MathType编排。论文字数根据论文内容需要，不做严格限制，对于一般论文建议7 500字以上为宜。2.请通过网站（http∶//www.ceaj.org）“作者投稿系统”一栏投稿（首次投稿须注册）。

SAR Target Recognition Based on Framework of Sparse Coding Tree*

CHEN Chunlin,ZHANG Li,LIU Xuejun+
College of Computer Science and Technology,Nanjing University of Aeronautics and Astronautics,Nanjing 211106 China

In order to improve the SAR(synthetic aperture radar)target recognition performance,especially for variant target recognition performance,this paper proposes a sparse coding tree framework for radar target recognition based on the sparse representation recognition method.Sparse coding tree is a classification tree that uses nodespecific dictionaries and classifiers at each node.In the training stage,this paper designs two types of classifiers respectively for target identification requirements and variant target recognition requirement.The root node is built to identify target type,while child nodes of the tree are built to identify variant target series.In the testing stages,the sparse coding tree recognizes the target type on the root node.Then according to the recognition result of the root node,the tree decides whether branching the test sample to a child node or outputting final recognition result.Target with variant type will branch to the child node trained for this specific target type group.In addition,target without a variant will simply output a final classification label.The experimental results on MSTAR(moving and stationary target acquisition and recognition)SAR image data sets show that the sparse coding tree improves the ability of variant target recognition,while obtains similar target category recognition accuracy compared to the mainstream method.

SAR target recognition;variant target recognition；sparse coding tree;dictionary learning；sparse representation

10.3778/j.issn.1673-9418.1603058

A

TP391

*TheAeronautical Science Foundation of China under Grant Nos.20151452021,20152752033(航空科学基金).

Received 2016-02,Accepted 2016-04.

CNKI网络优先出版:2016-04-19,http://www.cnki.net/kcms/detail/11.5602.TP.20160419.1431.016.html

摘 要：为了提高利用合成孔径雷达（synthetic aperture radar，SAR）图像对目标型号识别的能力，在稀疏表示识别方法的基础上，提出了一种树形框架稀疏编码的雷达目标识别方法。稀疏编码树是由多个节点构成的分类器，其上每个节点由不同识别需求的子分类器构成。在训练阶段，分别针对目标型号识别需求以及型号识别需求学习相应分类器，组成分类器的根节点和子节点。识别阶段在根节点位置完成对目标类别的判断，再根据根节点的判断结果，对存在型号变体的目标，在子节点上再对型号进行识别，最终输出目标的识别结果，而不存在型号变体的目标则直接输出识别结果。基于美国运动和静止目标获取与识别（moving and stationary target acquisition and recognition，MSTAR）计划录取的SAR图像数据集上的实验结果表明，树形结构在取得与主流方法相当的目标类别识别精度的前提下，提高了对目标型号的识别能力，同时能够准确输出目标类别识别结果。