韓萍，孫亞萍

（中國(guó)民航大學(xué)智能信號(hào)與圖像處理天津市重點(diǎn)實(shí)驗(yàn)室，天津　300300）

?

基于組合特征和SVM的HRRP目標(biāo)識(shí)別

韓萍，孫亞萍

（中國(guó)民航大學(xué)智能信號(hào)與圖像處理天津市重點(diǎn)實(shí)驗(yàn)室，天津300300）

摘要：給出了一種基于組合特征和支持向量機(jī)（support vector machine，SVM）的雷達(dá)高分辨一維距離像（high range resolution profile，HRRP）目標(biāo)識(shí)別方法。該方法首先提取非相干平均距離像與中心矩特征，然后將兩種特征串行組合成新的特征，最后采用SVM分類(lèi)器進(jìn)行識(shí)別。根據(jù)美國(guó)運(yùn)動(dòng)和靜止目標(biāo)獲取與識(shí)別（moving and stationary target acquisition and recognition，MSTAR）實(shí)測(cè)SAR HRRP數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明在方位角未知的情況下，能夠明顯提高目標(biāo)的識(shí)別率，是一種有效的HRRP目標(biāo)識(shí)別方法。

關(guān)鍵詞：高分辨率一維距離像；組合特征；SVM；目標(biāo)識(shí)別

寬帶雷達(dá)獲取的HRRP不僅包含較精細(xì)的目標(biāo)結(jié)構(gòu)特征，而且可以反映目標(biāo)散射點(diǎn)沿距離方向的分布情況，對(duì)目標(biāo)識(shí)別提供了重要的細(xì)節(jié)信息，因此，HRRP目標(biāo)識(shí)別一直是雷達(dá)自動(dòng)目標(biāo)識(shí)別（automatic target recognition，ATR）研究領(lǐng)域的熱點(diǎn)[1-2]。目前國(guó)內(nèi)外學(xué)者對(duì)HRRP目標(biāo)識(shí)別方法進(jìn)行了大量的研究和探索。其中基于單一特征的HRRP目標(biāo)識(shí)別，如基于平均距離像[3-4]，基于中心矩[5-6]等單特征提取方法對(duì)目標(biāo)方位變化具有很好的穩(wěn)健性，而且具有平移不變性，解決了HRRP平移敏感性，因而常作為目標(biāo)識(shí)別的典型特征。但對(duì)于任一目標(biāo)來(lái)說(shuō)，單特征不足以全面反映目標(biāo)的本質(zhì)特征，需要從多角度多特征分析目標(biāo)。文獻(xiàn)[7-8]通過(guò)提取目標(biāo)的多個(gè)特征進(jìn)行目標(biāo)識(shí)別。實(shí)驗(yàn)證明，與單特征相比，多特征的提取不僅能充分反映目標(biāo)特征，提高目標(biāo)的識(shí)別率，同時(shí)具有推廣能力并增強(qiáng)識(shí)別結(jié)果的魯棒性。

對(duì)于多特征融合的一種簡(jiǎn)單融合方式是將多種特征組合成聯(lián)合特征矢量。文獻(xiàn)[9]針對(duì)聯(lián)合特征矢量提出一種最近鄰模糊分類(lèi)器。該分類(lèi)器對(duì)輸入的各種不同特征類(lèi)型和衡量尺寸沒(méi)有一致性要求，也無(wú)需對(duì)組合特征矢量做任何預(yù)處理，并且具有對(duì)單類(lèi)特征進(jìn)行處理的功能，但是最近鄰模糊分類(lèi)器存在的主要問(wèn)題是它依賴(lài)于目標(biāo)方位，即在目標(biāo)方位已知的情況下，目標(biāo)識(shí)別率相對(duì)于未利用方位信息時(shí)的識(shí)別率高，這對(duì)實(shí)際應(yīng)用有一定的局限性。

因此，針對(duì)特征提取和分類(lèi)器的設(shè)計(jì)問(wèn)題，本文提出了基于非相干平均距離像與中心矩特征組合構(gòu)成新特征，并聯(lián)合SVM分類(lèi)器[10]的目標(biāo)識(shí)別方法。并對(duì)文獻(xiàn)[11]基于中心矩單特征和最近鄰模糊分類(lèi)器目標(biāo)識(shí)別方法做出比較。實(shí)驗(yàn)采用MSTAR數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果證明相對(duì)于文獻(xiàn)[11]中心矩單特征，本文將非相干平均距離像與中心矩進(jìn)行組合，起到互補(bǔ)作用，從而更全面地表征目標(biāo)本質(zhì)特征，提高目標(biāo)識(shí)別率。而且SVM分類(lèi)器比文獻(xiàn)[11]中最近鄰模糊分類(lèi)器有優(yōu)勢(shì)，在未利用目標(biāo)方位信息的情況下，仍能取得很好的識(shí)別效果。

1　HRRP特征提取

1.1非相干平均距離像

文獻(xiàn)[3]指出HRRP方位敏感性主要表現(xiàn)為峰值幅度的隨機(jī)起伏。即將一定方位內(nèi)的距離像通過(guò)非相干平均得到的平均距離像對(duì)目標(biāo)方位變化具有良好的穩(wěn)健性，可以表征該方位區(qū)域的目標(biāo)特性。

其中

其中：F（·）表示對(duì)信號(hào)作傅里葉變換。

1.2中心矩特征

中心矩是一種簡(jiǎn)單的平移不變特征，其反映目標(biāo)的形狀信息，常用于提取圖像的平移不變特征[5]。對(duì)于一維HRRP，由于散射點(diǎn)模型變化相對(duì)緩慢，HRRP峰值位置變化也是一緩變過(guò)程，HRRP的方位敏感性主要表現(xiàn)為峰值幅度的變化。對(duì)距離像幅度歸一化后，則峰值位置相近的距離像具有相似的形狀信息。因此可把中心矩作為HRRP模式識(shí)別的特征。

設(shè)x∈Rm為距離像，x（n）為該距離像各維特征。假設(shè)幅度已歸一化，則該距離像的p階中心矩為

假設(shè)訓(xùn)練樣本集包含c類(lèi)目標(biāo)，每類(lèi)目標(biāo)有Ni幀，每幀中包含有Ki個(gè)距離像，i= 1，2，…，c，則訓(xùn)練集中共有個(gè)距離像。訓(xùn)練樣本集中心矩特征表示為R = [F1，F(xiàn)2，…，F(xiàn)Q]，其中Fl表示訓(xùn)練集中每個(gè)距離像的中心矩向量特征，l= 1，2，…，Q。

由于中心矩的幅度隨階數(shù)增加急劇遞增，各階中心矩在歐氏特征空間中的權(quán)重不同，從而影響分類(lèi)的準(zhǔn)確性。為了消除量綱影響，對(duì)中心矩特征作極差變換，變換后特征空間中的各維都具有相同的權(quán)重。記變換后的中心矩特征為

隨著中心矩階數(shù)的遞增，其所含信息的冗余性越大，計(jì)算量也越大，故一般選取2～6階中心矩特征。

2　本文算法

將提取到的頻域非相干距離像與中心矩特征組合構(gòu)成新的特征，利用SVM分類(lèi)器進(jìn)行識(shí)別。圖1給出了算法框圖。

圖1　算法框圖Fig.1 Algorithm flow chart

2.1訓(xùn)練過(guò)程

步驟1預(yù)處理

1）對(duì)樣本集XT取模值，并冪變換YT=（XT）v，使得變換后的HRRP近似服從類(lèi)高斯分布[13-14]。

2）對(duì)冪變換后所有HRRP進(jìn)行能量歸一化處理。由于相鄰樣本之間存在一定的直流漂移，所以還需去除直流漂移[3]得到預(yù)處理后的訓(xùn)練樣本集為X^。

步驟2特征提取

1）先根據(jù)式（1）、式（2）求出各類(lèi)目標(biāo)各幀時(shí)域非相干距離像和頻域非相干距離像

2.2識(shí)別過(guò)程

3　實(shí)驗(yàn)結(jié)果及分析

3.1實(shí)驗(yàn)數(shù)據(jù)介紹

本實(shí)驗(yàn)數(shù)據(jù)是由美國(guó)DARPA /AFRL MSTAR工作組提供的實(shí)測(cè)SAR地面靜止目標(biāo)數(shù)據(jù)。這些目標(biāo)包括9類(lèi)不同的軍民用車(chē)輛目標(biāo)T72、BMP2、BTR70、BRDm2、BTR60、D7、T62、ZIL131和ZSU234。所有目標(biāo)HRRP方位范圍為[0°～360°]。實(shí)驗(yàn)中，將俯仰角為17° 的HRRP作為訓(xùn)練樣本，俯仰角為15°的HRRP用于測(cè)試，其中假設(shè)方位角已知。

實(shí)驗(yàn)分2組數(shù)據(jù)，第1組包括3類(lèi)目標(biāo)：T72、BMP2、BTR70；第2組包括上述9類(lèi)目標(biāo)。圖2給出了所有數(shù)據(jù)的可見(jiàn)光圖像，圖3給出了所有目標(biāo)分別在俯視角17°、30°方位角下的HRRP，表1列出所有目標(biāo)訓(xùn)練樣本數(shù)與測(cè)試樣本數(shù)。

3.2實(shí)驗(yàn)結(jié)果

表2和表3給出了本文的算法結(jié)果。其中表2是利用3類(lèi)目標(biāo)進(jìn)行的實(shí)驗(yàn)，表3則是利用所有目標(biāo)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)中冪變換指數(shù)v= 0.1，SVM選用的核函數(shù)是高斯徑向基，經(jīng)過(guò)多次實(shí)驗(yàn)選擇最優(yōu)結(jié)果對(duì)應(yīng)的核參數(shù)γ= 8。

3.3結(jié)果分析

為了分別驗(yàn)證多特征和SVM識(shí)別效果，本文通過(guò)4種組合方式進(jìn)行目標(biāo)識(shí)別。第1種是算法文獻(xiàn)[11]，即中心矩單特征與最近鄰模糊分類(lèi)器利用目標(biāo)方位信息進(jìn)行識(shí)別；第2種是選用組合特征與最近鄰模糊分類(lèi)器在利用目標(biāo)方位信息條件下進(jìn)行識(shí)別；第3種是選用組合特征與最近鄰模糊分類(lèi)器在未利用目標(biāo)方位信息條件下進(jìn)行識(shí)別；第4種選用本文算法，即組合特征和SVM算法在未利用方位信息條件下進(jìn)行識(shí)別。需要說(shuō)明的是方位信息的利用是指在目標(biāo)方位信息已知的情況下，基于在一定方位內(nèi)，HRRP之間具有很大的相似性，則相對(duì)應(yīng)提取的特征同時(shí)也更相似的基礎(chǔ)上，選取與測(cè)試樣本方位左右間隔6°范圍內(nèi)的訓(xùn)練樣本的特征作為訓(xùn)練模板，然后對(duì)測(cè)試樣本利用分類(lèi)器進(jìn)行識(shí)別。各算法識(shí)別結(jié)果的比較如表4所示。

圖2　9類(lèi)軍用目標(biāo)的光學(xué)圖像Fig.2 Optical im age of nine kinds ofm ilitary targets

表1　實(shí)驗(yàn)所用訓(xùn)練樣本與測(cè)試樣本Tab.1 Training and testing sam ples of experim ent

表2　3類(lèi)目標(biāo)識(shí)別結(jié)果Tab.2 Recognition rate of three different sam ples

表3　9類(lèi)目標(biāo)識(shí)別結(jié)果Tab.3 Recognition rate of nine different sam ples

圖3　9類(lèi)軍用目標(biāo)分別在方位角30°下的HRRPFig.3 Nine kinds ofm ilitary targets of HRRP at 30°azim uth

由表4第2列和第3列可看出，當(dāng)使用相同分類(lèi)器時(shí)，文獻(xiàn)[11]單特征識(shí)別效果不如組合特征的識(shí)別效果。這也驗(yàn)證了多特征識(shí)別結(jié)果比單特征識(shí)別效果好。

表4　本文算法與文獻(xiàn)[11]識(shí)別結(jié)果比較Tab.4 Recognition rate com parison between current algorithm and that in Eeference[11]

從表4第3～5列可以看出：①當(dāng)選用組合特征時(shí)，本文算法選用SVM分類(lèi)器比文獻(xiàn)[11]中的最近鄰模糊分類(lèi)器識(shí)別結(jié)果好。各類(lèi)目標(biāo)的識(shí)別率都得到了提高，總的聯(lián)合識(shí)別率由原來(lái)的96.43％提高到98.64％，相對(duì)提高了2.21％。②同樣選用組合特征，最近鄰模糊分類(lèi)器在方位信息已知的情況下的識(shí)別率要比方位信息未知的情況下識(shí)別率要高，而且也相對(duì)提高了4.76％。這是因?yàn)樵谝欢ǚ轿唤怯騼?nèi)，HRRP之間具有很大的相似性，那么相對(duì)應(yīng)提取的特征同時(shí)也更相似，則相對(duì)應(yīng)維數(shù)上的特征隸屬度就越大，識(shí)別效果越好。因此說(shuō)明了最近鄰模糊分類(lèi)器對(duì)方位信息比較依賴(lài)。而對(duì)于SVM在方位未知的情況下目標(biāo)識(shí)別率仍能很好地識(shí)別目標(biāo)。這也說(shuō)明了本文算法采用SVM分類(lèi)器比文獻(xiàn)[11]中的最近鄰模糊分類(lèi)器更有優(yōu)勢(shì)。表5給出了全部目標(biāo)進(jìn)行實(shí)驗(yàn)時(shí)各算法識(shí)別結(jié)果比較。

表5　9類(lèi)目標(biāo)數(shù)據(jù)實(shí)驗(yàn)結(jié)果比較Tab.5 Recognition rate com parison of nine targets

從表5中看出，除了ZIL131和ZSU234這兩類(lèi)目標(biāo)相對(duì)于采用方位信息的最近鄰模糊分類(lèi)器識(shí)別率有稍微的降低外，其他目標(biāo)都有顯著的提高，最多提高了17.21％，而且聯(lián)合識(shí)別率由原來(lái)81.80％提高到了86.70％。

4　結(jié)語(yǔ)

本文給出基于組合特征和SVM分類(lèi)器的HRRP識(shí)別方法。將提取的頻域非相干平均距離像和中心矩特征相結(jié)合，利用SVM分類(lèi)器進(jìn)行目標(biāo)識(shí)別。實(shí)驗(yàn)結(jié)果表明，相對(duì)于單特征來(lái)說(shuō)，多特征更有利于目標(biāo)識(shí)別，而且利用SVM分類(lèi)器相對(duì)于最近鄰模糊分類(lèi)器更有優(yōu)勢(shì)，在方位未知的情況下顯著提高了識(shí)別結(jié)果。

參考文獻(xiàn)：

[1] DU L，W ANG P，LIU W，et al.Bayesian spatiotemporalmultitask learning for radar HRRP target recognition[J].IEEE Trans on Signal Processing，2011，59（7）：3182-3196.

[2]張新征，劉書(shū)君，黃培康.基于時(shí)頻矩陣非負(fù)分解特征的多視角SAR目標(biāo)識(shí)別[J].宇航學(xué)報(bào)，2012，33（9）：1269-1278.

[3]高倩，劉家學(xué)，吳仁彪.基于平均模板的HRRP自動(dòng)目標(biāo)識(shí)別[J].現(xiàn)代雷達(dá)，2003，25（3）：14-17.

[4]梁海濤，張學(xué)禮，童創(chuàng)明，等.基于小波分解與方位角平均HRRP 的SVM目標(biāo)識(shí)別方法[J].數(shù)據(jù)采集與處理，2010，25（1）：29-32.

[5]袁莉，劉宏偉，保崢.基于中心矩特征的雷達(dá)HRRP自動(dòng)目標(biāo)識(shí)別[J].電子學(xué)報(bào)，2004，32（12）：2078-2081.

[6]溫福喜，劉宏偉.基于中心矩特征的空間目標(biāo)識(shí)別方法[J].雷達(dá)科學(xué)與技術(shù)，2007，1（5）：8-12.

[7]童濤，楊桄，李昕，等.基于D-S證據(jù)理論的多特征融合SAR圖像目標(biāo)識(shí)別方法[J].國(guó)土資源遙感，2013，25（2）：37-41.

[8]曹偉，周智敏，周輝，等.基于多維特征及BP網(wǎng)絡(luò)的高分辨雷達(dá)目標(biāo)識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用，2013，46（8）：213-216.

[9]劉先康，高梅國(guó)，傅雄軍.適用于組合特征識(shí)別的最近鄰模糊分類(lèi)器[J].電光與控制，2007，14（5）：127-135.

[10] ZHAO Q，PRINCIPE JC. Support vectormachines for SAR automatic target recognition[J].IEEE Transon Aerospaceand Electronic Systems，2001，37（2）：643-654.

[11]劉先康，梁菁.基于HRRP中心矩特征的艦船目標(biāo)識(shí)別[C]//全國(guó)第三屆信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)交流會(huì)專(zhuān)刊，2009，11：195-198.

[12] KIM K T，SEO D K，KIM H T.Efficient radar target recognition using the MUSIC algorithm and invariant feature[J].IEEE Trans on AP，2002，50（3）：325-337.

[13] FUKUNANG K. Introduction to Statistical Patter Recognition[M]. Boston：Academic Press，1990.

[14] RHATNAGAR V，SHAW A K，W ILLIAM R W .Improved Automatic TargetRecognition Using Singular ValueDecomposition[C]//Proceedings of IEEE International Conference on Acoustics，Speech and Signal Processing，1998，5：2717-2720.

（責(zé)任編輯：楊媛媛）

Research on HRRP target recognition based on feature com bination and SVM

HAN Ping，SUN Yaping
（Intelligent Signal and Image Processing Key Lab of Tianjin，CAUC，Tianjin 300300，China）

Abstract：HRRP（high range resolution profile）target recognitionmethod based on feature combination and SVM classifier ispresented.Firstly，the incoherentaverage HRRP feature in frequency domain and centralmoments feature are extracted respectively.Then，they are serially combined into new features.Finally，SVM is used to perform classification.Experimental resultswith MSTAR（moving and stationary targetacquisition and recognition）SAR HRRP data sets show that the proposed algorithm can improve correct recognition rate without targetazimuth，and isan effectivemethod for HRRP target recognition.

Key words：HRRP；feature combination；SVM；target recognition

作者簡(jiǎn)介：韓萍（1966—），女，天津人，教授，博士，研究方向?yàn)閳D像處理與模式識(shí)別、SAR目標(biāo)檢測(cè)與識(shí)別等.

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（61231017）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)（3122014C004）；中國(guó)民航大學(xué)科研基金項(xiàng)目（2012KYE03）

收稿日期：2015-03-04；修回日期：2015-04-07

中圖分類(lèi)號(hào)：TP753

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1674-5590（2016）01-0005-05