CN101894269A - 基于多分类器***的合成孔径雷达自动目标识别方法 - Google Patents

Abstract

本发明公开了一种合成孔径雷达自动目标识别方法，它属于目标识别领域，主要解决现有合成孔径雷达自动目标识别技术空间复杂度较高和单个分类器识别率低的问题。其识别步骤包括预处理、特征提取、分类器训练和目标识别，其中特征提取是对合成孔径雷达图像提取PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换三种特征：分类器训练是基于提取的三种特征，分别使用K-近邻、支撑矢量机以及MINACE滤波器理论训练三个分类器；目标识别是将提取的待识别合成孔径雷达图像的相应特征输入已训练好的三个分类器进行分类，最后使用Dempster-Shafer证据理论融合三个分类器的识别结果。本发明具有识别率高、空间复杂度低的优点，可用于军用或民用领域的目标跟踪。

Description

基于多分类器***的合成孔径雷达自动目标识别方法

技术领域

本发明属于目标识别领域，特别是合成孔径雷达自动目标识别，可用于军用或民用领域的合成孔径雷达自动目标识别。

背景技术

在军事领域或民用领域，常常需要对目标、比如坦克、汽车的类别或属性进行鉴别，以对目标进行跟踪，判断其意图等。合成孔径雷达自动目标识别，简称SAR ATR，就是让计算机根据先验信息识别未知目标的技术。让计算机从已有的数据或信息中学习一个模型，然后对未知的目标进行识别，即分类，这是自动目标识别需要解决的问题。合成孔径雷达SAR，由于其拥有许多优良的性能而被广泛使用，是获取目标信息的重要来源。近几年来，合成孔径雷达自动目标识别成为军事和民用领域的一个前沿课题之一。

自从美国国防部高级计划研究署发布可用于目标识别试验的MSTAR数据库以来，许多针对该数据库的目标识别技术已被提出来。目前合成孔径雷达自动目标识别方法主要分为三类：

(1)基于模板匹配的方法，比如MSE分类器，它为每类目标构建若干个模板，计算测试样本和这些模板之间的相似度，然后将该测试样本归到与它相似度最大的模板所属的类中。该方法的优点是简单易行，然而由于需要构建许多模板，并且模板的大小一般与原始图像的大小相同，因而其空间复杂度较大。

(2)基于模型的方法，该方法从统计学的角度对图像进行建模，已有的模型有瑞利模型、条件高斯模型等。对于一个测试样本，根据贝叶斯最大后验概率决定其归属。与前述方法一样，该方法同样存在空间复杂度较高的缺点。

(3)基于模式识别的方法，该方法主要是借助模式识别领域的相关技术解决合成孔径雷达自动目标识别技术。模式识别中的支撑矢量机、K-近邻等许多技术已用到目标识别领域。由于采用维数较少的特征，该方法可以克服前两种方法空间复杂度较高的缺点，但其识别率较低。

发明内容

本发明的目的在于克服上述已有方法的缺陷，提出一种基于多分类器***的合成孔径雷达自动目标识别***及方法，以降低空间复杂度，提高目标的识别率。

为实现上述目的，本发明基于多分类器***的合成孔径雷达自动目标识别方法，包括：

预处理步骤：对合成孔径雷达训练图像进行log变换，归一化和目标轮廓提取的预处理；

特征提取步骤：对预处理后的合成孔径雷达训练图像分别进行主分量分析PCA，椭圆傅里叶描述子特征和二维傅里叶变换这三种特征的提取；

分类器训练步骤：训练三个分类器，即采用K-近邻算法使用PCA特征训练一个K-近邻分类器；采用支撑矢量机算法使用椭圆傅里叶描述子特征训练一个K-近邻分类器，采用MINIACE滤波器算法使用二维傅里叶变换训练MINACE滤波器；

目标识别步骤：分别提取待识别合成孔径雷达图像的PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换，并输出到对应的K-近邻分类器、支撑矢量机分类器和MINIACE滤波器中，每个分类器给出一个识别结果；通过Dempster-Shafer证据理论的折扣操作和Dempster组合规则将所述的三个分类器的识别结果融合后，得到最终的识别结果。

为实现上述目的，本发明基于多分类器***的合成孔径雷达自动目标识别***，包括：

预处理装置：用于对合成孔径雷达训练图像进行log变换，归一化和目标轮廓提取的预处理；

特征提取装置：用于对预处理后的合成孔径雷达训练图像分别进行主分量分析PCA，椭圆傅里叶描述子特征和二维傅里叶变换这三种特征的提取；

分类器训练装置：用于训练三个分类器，即采用K-近邻算法使用PCA特征训练一个K-近邻分类器；采用支撑矢量机算法使用椭圆傅里叶描述子特征训练一个K-近邻分类器，采用MINIACE滤波器算法使用二维傅里叶变换训练MINACE滤波器；

目标识别装置：用于分别提取待识别合成孔径雷达图像的PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换，并输出到对应的K-近邻分类器、支撑矢量机分类器和MINIACE滤波器中，每个分类器给出一个识别结果；通过Dempster-Shafer证据理论的折扣操作和Dempster组合规则将所述的三个分类器的识别结果融合后，得到最终的识别结果。

本发明与现有的技术相比具有以下优点：

1.本发明由于使用从图像提取的特征训练分类器，而不是直接使用原始图像，因而空间复杂度较低。

2.本发明由于训练了K-近邻分类器、支撑矢量机分类器和MINACE滤波器三种分类器，并通过Dempster-Shafer证据理论对该三种分类器的识别结果进行融合，比单个分类器具有更高的识别率。

附图说明

图1是本发明的合成孔径雷达自动目标识别***示意图；

图2是本发明合成孔径雷达自动目标识别方法流程图。

具体实施方式

参照图1，本发明的多分类器***包括：预处理装置、特征提取装置、分类器训练装置和目标识别装置。其中：

预处理装置，对合成孔径雷达训练图像进行log变换，归一化和目标轮廓提取的预处理，针对不同的特征提取技术，预处理方法也不同，在对合成孔径雷达进行PCA特征提取前，用每幅图像的像素值的最大值将其归一化，即将图像的每个像素值除以最大的像素值，以避免大数值的计算；在对合成孔径雷达提取椭圆傅里叶描述子前，先使用恒虚警率阈值分割分离出目标区域，然后通过canny边缘检测提取目标轮廓；在对合成孔径雷达图像进行二维傅里叶变换前，先进行log变换，然后进行能量归一化。

特征提取装置，对预处理后的合成孔径雷达训练图像分别提取主PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换这三种特征；在提取PCA特征时，主分量的个数按照90％能量进行选取；在提取椭圆傅里叶描述子特征时，取7阶系数共26维特征。

分类器训练装置，采用三种不同的算法，分别训练三个不同的分类器，即用K-近邻算法使用PCA特征训练一个K-近邻分类器，K的取值为3；用支撑矢量机算法使用椭圆傅里叶描述子特征训练一个K-近邻分类器，支撑矢量机算法使用LIBSVM程序包实现，支撑矢量机的最优参数通过穷举搜索获得；用MINIACE滤波器算法使用二维傅里叶变换训练MINACE滤波器，将每一类目标的训练图像按照60度方位角划分为6部分，在每一部分上构建一个滤波器，这样每一类有6个滤波器。

目标识别装置，分别提取待识别合成孔径雷达图像的PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换，并输出到对应的K-近邻分类器、支撑矢量机分类器和MINIACE滤波器中，每个分类器给出一个识别结果；通过Dempster-Shafer证据理论的折扣操作和Dempster组合规则将所述的三个分类器的识别结果融合后，得到最终的识别结果。

参照图2，本发明合成孔径雷达自动目标识别方法的具体实现步骤包括：

步骤1，对合成孔径雷达训练图像进行log变换，归一化和目标轮廓提取的预处理，针对不同的特征提取技术，预处理方法也不同，在对合成孔径雷达进行PCA特征提取前，用每幅图像的像素值的最大值将其归一化，即将图像的每个像素值除以最大的像素值，以避免大数值的计算；在对合成孔径雷达提取椭圆傅里叶描述子前，先使用恒虚警率阈值分割分离出目标区域，然后通过canny边缘检测提取目标轮廓；在对合成孔径雷达进行二维傅里叶变换前，先进行log变换，然后进行能量归一化。

步骤2，对预处理后的合成孔径雷达训练图像分别提取PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换这三种特征。

(2.1)PCA特征提取：

本发明的PCA特征提取采用现有的主分量分析方法，具体步骤如下：

(2.1a)将预处理后的每一幅合成孔径雷达图像拉成一维列向量，其长度为L，L的值等于每一幅训练图像像素的总个数；

(2.1b)计算样本均值

其中X_i代表第i幅训练图像对应的列向量，R为训练图像总数；

(2.1c)计算样本协方差矩阵

其中上标T代表矩阵转置；

(2.1d)对样本协方差矩阵C进行特征分解，得到L个特征值λ₁，λ₂，...λ_L和对应的特征向量v₁，v₁，...v_L；

(2.1f)将L个特征值按从大到小的顺序排序，选出前k个最大的特征值对应的特征向量组成投影矩阵V＝{v₁，v₁，...v_k}，其中k的值按照90％能量进行选取，即选取的k个最大的特征值的和占所有特征值总和的90％；

(2.1g)将每一幅训练图像对应的列向量向投影矩阵V上进行投影：

Y＝V^TX_i，i＝1，2，...R

Y即为提取的PCA特征；

(2.2)椭圆傅里叶描述子特征提取：

本步骤的实现，根据文献“Shape-based Recognition of Targets in SyntheticAperture Radar Images using Elliptical Fourier Descriptors，Proceedings of SPIE，vol.6967，2008”，具体包括如下：

(2.2a)将步骤1提取的目标轮廓表示成以下封闭曲线的形式：

[v(t)]＝[x(t)，y(t)]，t∈[0，2π)

其中t为相位角，x(t)，y(t)分别表示在t处横坐标和纵坐标的值；

(2.2b)对由上式表示的封闭曲线按下式进行变换：

$F_k=\left[\begin{array}{cc}{a}_k& b_k\\ c_k& d_k\end{array}\right]=\frac{1}{2\mathrm{\π}}\underset{0}{\overset{2\mathrm{\π}}{\∫}}\left[\begin{array}{c}x\left(t\right)\\ y\left(t\right)\end{array}\right]\left[\begin{array}{c}\cos \left(\mathrm{kt}\right)\\ \sin \left(\mathrm{kt}\right)\end{array}\right]$

其中F_k是一个系数矩阵，它共有四个元素a_k，b_k，c_k，d_k，其中下标k为阶数；

(2.2c)将k从0取到6，得到七阶系数F₀，F₁，F₂，F₃，F₄，F₅，F₆，这七阶系数被称为椭圆傅里叶描述子。

(2.3)二维傅里叶变换：

本发明的二维傅里叶变换取采用如下二维傅里叶变换的公式：

$F(u,v)=\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}f(x,y)e^{-j(2\mathrm{\π}/M)\mathrm{ux}}{e}^{-j(2\mathrm{\π}/N)\mathrm{vy}}$

u＝0，1，...M-1；v＝0，1，...N-1

其中f(x，y)代表一副训练图像，x，y分别为图像的横坐标值和纵坐标值，M和N分别为图像的高度和宽度，符号e代表指数运算，F(u，v)即为二维傅里叶变换的系数，u，v分别为二维傅里叶变换的横坐标值和纵坐标值。

步骤3，采用三种不同的算法，分别训练三个不同的分类器。

(3.1)采用K-近邻算法使用PCA特征训练一个K-近邻分类器，K取值为3；

(3.2)用支撑矢量机算法使用椭圆傅里叶描述子特征训练一个支撑矢量机分类器，支撑矢量机算法使用LIBSVM程序包实现，支撑矢量机的最优参数通过穷举搜索获得；

(3.3)用MINIACE滤波器算法使用二维傅里叶变换训练MINACE滤波器，将每一类目标的训练图像按照60度方位角划分为6部分，在每一部分上构建一个滤波器，这样每一类有6个滤波器。

步骤4，对未知的目标进行识别。

(4.1)对待识别目标的合成孔径雷达图像进行log变换，归一化和目标轮廓提取的预处理；

(4.2)分别提取待识别合成孔径雷达图像的PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换；其中椭圆傅里叶描述子特征和二维傅里叶变换的提取方法与步骤2相同，但在提取PCA特征时，只需将待识别图像拉成一列向量，然后将该列向量向步骤2.1f中的投影矩阵V投影即可；

(4.3)将步骤(4.2)提取的PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换输入到对应的K-近邻分类器、支撑矢量机分类器和MINIACE滤波器中，每个分类器给出一个识别结果：

ψ_i＝{s_i1，...s_ij...s_iM}，i＝1，2，3

ψ₁，ψ₂，ψ₃分别代表K-近邻分类器、支撑矢量机分类器和MINACE滤波器的识别结果，s_ij表示分类器ψ_i将未知目标分到第j类C_j的概率；

(4.4)通过Dempster-Shafer证据理论的折扣操作和Dempster组合规则将所述的三个分类器的识别结果融合后，得到最终的识别结果，具体实现步骤如下：

(4.4a)定义辨识框架

θ＝{C₁，C₂，...C_j，...C_M}；

其中C_j代表第j类目标的类标签，M为目标的总类别数；

(4.4b)使用步骤(4.3)的识别结果定义概率赋值函数m₁，m₂，m₃：

$\left\{\begin{array}{c}{m}_i\left(C_j\right)=s_{\mathrm{ij}}\\ m_i\left(A\right)=0\end{array}\right.,i=\mathrm{1,2,3},j=1,...M;$

其中A为θ的子集且A≠C_j，j＝1，...M；m₁，m₂，m₃分别代表一个证据；

(4.4c)计算每个证据与其他证据的冲突因子，得到每个证据的冲突向量：

K₁＝(k₁₂，k₁₃)

K₂＝(k₂₁，k₂₃)

K₃＝(k₃₁，k₃₂)

其中

i，j＝1，2，3表示第i个证据和第j个证据的冲突因子；B和C为θ的子集；

(4.4d)将步骤(4.4c)计算的每一个冲突向量进行归一化：

K₁＝(k₁₂，k₁₃)/(k₁₂+k₁₃)

K₂＝(k₂₁，k₂₃)/(k₂₁+k₂₃)；

K₃＝(k₃₁，k₃₂)/(k₃₁+k₃₂)

(4.4e)计算步骤(4.4d)中归一化冲突向量的熵：

H₁＝k₁₂n(k₁₂)+k₁₃ln(k₁₃)

H₂＝k₂₁ln(k₂₁)+k₁₃ln(k₂₃)；

H₃＝k₃₁ln(k₃₁)+k₁₃ln(k₃₂)

(4.4f)计算步骤(4.4e)中熵值的倒数：

$H_1^{-1}=1/H_1$

$H_2^{-1}=1/H_2;$

$H_3^{-1}=1/H_3$

(4.4g)计算每个证据的权重：

$w_1=H_1^{-1}/(H_1^{-1}+H_2^{-1}+H_3^{-1})$

$w_2=H_2^{-1}/(H_1^{-1}+H_2^{-1}+H_3^{-1});$

$w_3=H_3^{-1}/(H_1^{-1}+H_2^{-1}+H_3^{-1})$

(4.4h)使用上述权重对每个证据进行折扣操作：

$\left\{\begin{array}{c}{m}_i\left(C_j\right)=m_i\left(C_j\right)\×w_i\\ m_i\left(\mathrm{\θ}\right)=1-w_i\end{array}\right.,$ i＝1，2，3，j＝1，2，...M；

(4.4i)对进行完折扣操作的证据进行组合：

(4.4j)组合后的证据m是一个包含M个元素的向量，即m＝{m(C₁)，m(C₂)，...，m(C_j)...m(C_M)}，其中m(C_j)表示未知目标被分到第j类的概率，将未知目标识别为m的最大元素对应的类别中的目标，即完成了识别过程。

本发明的效果可以通过以下的仿真实验进一步说明：

1.仿真所用数据

仿真所用的数据为MSTAR数据。该数据是由美国DARPA/AFRL MSTAR项目组提供的实测SAR地面静止军用目标。MSTAR数据由X波段、0.3m×0.3m高分率聚束式合成孔径雷达采集得到。目标图像大小为128×128。数据已被分为训练数据和测试数据两部分，其中训练数据在俯仰角为17°时得到，测试数据在俯仰角为15°时得到。本仿真只使用了该数据库的一部分，且只用到三类目标：BMP2、BTR70、T72。其中BMP2和T72各有三个型号。BMP2的sn-9563、sn-9566和T72的sn-812、sn-s7不参与训练阶段，但参与测试阶段。表1给出了数据的详细信息。

表1仿真所用数据

2.仿真内容

仿真内容1，将本发明的方法用在MSTAR数据上进行目标识别实验；

仿真内容2，使用基于椭圆傅里叶描述子特征的支撑矢量机分类器在MSTAR数据上进行目标识别；

仿真内容3，使用基于PCA特征的K-近邻分类器在MSTAR数据上进行目标识别实验；

仿真内容4，使用基于二维傅里叶变换的MINACE滤波器在MSATR数据上进行目标识别实验。

3.仿真结果

表2给出了仿真内容1到仿真内容4的仿真结果及现有文献“Support VectorsMachines for SAR Automatic Target Recognition，IEEE Transactions on Aerospace andElectronic Systems，vol.37，n 2，pp.643-654，April 2001”中的模板匹配法和“Synthetic Aperture Radar Target Recognition Using Adaptive Boosting，IEEETransactions on Aerospace and Electronic Systems，vol.43，No.1，January 2007”中的Adaboost方法的识别结果。

表2仿真结果

从表2可以看出，本发明的识别率最高，其中在BTR70这类目标上可以达到100％的识别率；本发明的识别方法在每一类目标上的识别率都明显优于支撑矢量机、K-近邻、MINACE滤波器和模板匹配法；同时本发明也优于另一种集成方法-Adaboost，本发明不仅在平均识别率上比Adaboost高出大约一个百分点，此外由于Adaboost需要训练大量分类器，因而本发明在时间复杂度上要远远低于Adaboost。

Claims (3)

1.一种合成孔径雷达自动目标识别方法，包括：

预处理步骤：对合成孔径雷达训练图像进行log变换，归一化和目标轮廓提取的预处理；

特征提取步骤：对预处理后的合成孔径雷达训练图像分别进行主分量分析PCA，椭圆傅里叶描述子特征和二维傅里叶变换这三种特征的提取；

分类器训练步骤：训练三个分类器，即采用K-近邻算法使用PCA特征训练一个K-近邻分类器；采用支撑矢量机算法使用椭圆傅里叶描述子特征训练一个支撑矢量机分类器，采用MINIACE滤波器算法使用二维傅里叶变换训练MINACE滤波器；

目标识别步骤：分别提取待识别合成孔径雷达图像的PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换，并输出到对应的K-近邻分类器、支撑矢量机分类器和MINIACE滤波器中，每个分类器给出一个识别结果；通过Dempster-Shafer证据理论的折扣操作和Dempster证据组合规则将所述的三个分类器的识别结果融合后，得到最终的识别结果。

2.根据权利要求1所述的目标识别方法，其中目标识别步骤中所述的通过Dempster-Shafer证据理论的折扣操作和Dempster组合规则将所述的三个分类器的识别结果融合，按如下步骤进行：

(2a)定义辨识框架

θ＝{C₁，C₂，...C_j，...C_M}

其中C_j代表第j类目标的类标签，M为目标的总类别数；

(2b)将K-近邻分类器、支撑矢量机分类器和MINIACE滤波器的输出结果分别记为ψ₁，ψ₂，ψ₃，这些输出结果的形式如下：

ψ_i＝{s_i1，...s_ij...s_iM}，i＝1，2，3

其中s_ij表示分类器ψ_i对C_j的支持程度；

定义概率赋值函数m₁，m₂，m₃：

其中A为θ的子集且A≠C_j，j＝1，...M；m₁，m₂，m₃分别代表一个证据； 

(2c)计算每个证据与其他证据的冲突因子，得到每个证据的冲突向量：

K₁＝(k₁₂，k₁₃)

K₂＝(k₂₁，k₂₃)

K₃＝(k₃₁，k₃₂)

其中 

i，j＝1，2，3表示第i个证据和第j个证据的冲突因子；B和C为θ的子集；

(2d)将步骤(2c)计算的每一个冲突向量进行归一化：

K₁＝(k₁₂，k₁₃)/(k₁₂+k₁₃)

K₂＝(k₂₁，k₂₃)/(k₂₁+k₂₃)

K₂＝(k₃₁，k₃₂)/(k₃₁+k₃₂)

(2e)计算步骤(2d)中归一化冲突向量的熵：

H₁＝k₁₂ln(k₁₂)+k₁₃ln(k₁₃)

H₂＝k₂₁ln(k₂₁)+k₁₃ln(k₂₃)

H₃＝k₃₁ln(k₃₁)+k₁₃ln(k₃₂)

(2f)计算步骤(2e)中熵值的倒数：

(2g)计算每个证据的权重：

(2h)使用上述权重每个证据进行折扣操作：

i＝1，2，3，j＝1，2，...M

(2i)对进行完折扣操作的证据进行组合

其中A、B、C为θ的子集；m即为组合后的结果。

3.一种合成孔径雷达自动目标识别***，包括：

预处理装置：用于对合成孔径雷达训练图像进行log变换，归一化和目标轮廓提取的预处理；

特征提取装置：用于对预处理后的合成孔径雷达训练图像分别进行主分量分析PCA，椭圆傅里叶描述子特征和二维傅里叶变换这三种特征的提取； 

分类器训练装置：用于训练三个分类器，即采用K-近邻算法使用PCA特征训练一个K-近邻分类器；采用支撑矢量机算法使用椭圆傅里叶描述子特征训练一个K-近邻分类器，采用MINIACE滤波器算法使用二维傅里叶变换训练MINACE滤波器；

目标识别装置：用于分别提取待识别合成孔径雷达图像的PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换，并输出到对应的K-近邻分类器、支撑矢量机分类器和MINIACE滤波器中，每个分类器给出一个识别结果；通过Dempster-Shafer证据理论的折扣操作和Dempster证据组合规则将所述的三个分类器的识别结果融合后，得到最终的识别结果。 

Images