- 相關(guān)推薦
基于SVM的ISAR像中的目標(biāo)識別
【摘 要】 采用了SVM分類器對三類飛機目標(biāo)的ISAR像樣本集中目標(biāo)進行了分類識別，經(jīng)實驗證明其分類精度較高，分類器訓(xùn)練時間和分類時間在與其他分類算法相比都有顯示優(yōu)勢。【關(guān)鍵詞】ISAR像；SVM；特征；分類精度
前言
ISAR出現(xiàn)于上個世紀(jì)六十年代，出現(xiàn)不久Brown領(lǐng)導(dǎo)的WillowRun實驗室就開展了對旋轉(zhuǎn)目標(biāo)的成像研究。1994年3月美國研制出一部地對空雷達（GAIR）可對空中目標(biāo)進行ISAR成像，預(yù)計做到在足夠高度的空間內(nèi)能同時捕獲多個目標(biāo)并實時區(qū)分和誘捕真正目標(biāo)，加以攔截或摧毀。國內(nèi)的研究起步較晚，直到1988年才開始逆合成孔徑雷達技術(shù)的研究并在運動補償和成像算法上取得了重要的成果，后由哈爾濱工業(yè)大學(xué)和航天工業(yè)總公司23所聯(lián)合研制成功的實驗ISAR錄取了大量的各種飛機的不同航路的實驗數(shù)據(jù)，經(jīng)成像處理之后得到了在國際上質(zhì)量都屬于較高水平的成像效果。1995年我國也研制出一套ISAR，經(jīng)驗收能滿足要求，而且該系統(tǒng)經(jīng)過三次的外場實驗，發(fā)現(xiàn)其成像結(jié)果比當(dāng)時其他國家的公布結(jié)果都要好[1]。經(jīng)過近半個世紀(jì)的發(fā)展，逆合成孔徑雷達技術(shù)在國內(nèi)外都已趨于成熟，由于逆合成孔徑雷達的濃重軍事背景，目前很少能看到有關(guān)實用ISAR成像技術(shù)以及基于ISAR像的目標(biāo)自動識別技術(shù)的文獻資料以供參考，逆合成孔徑雷達的目標(biāo)識別才倍受專家們關(guān)注。
隨計算機自動識別分類技術(shù)的發(fā)展，很多學(xué)者開始著手研究基于ISAR像的目標(biāo)自動識別系統(tǒng)。1994年，高興斌、劉永坦等人利用縮比模型進行轉(zhuǎn)臺成像，并用所得結(jié)果對ISAR圖像的目標(biāo)識別進行了仿真實驗，主要以低頻傅里葉系數(shù)作特征，利用BP神經(jīng)網(wǎng)絡(luò)分類器進行了分類實驗[2]。2003年，杜亞娟、王炎等人采用目標(biāo)像的幾何不變矩為特征，用BP網(wǎng)絡(luò)進行了ISAR圖像飛機目標(biāo)的分類識別研究[3]；2004年李大芳在其碩士學(xué)位論文中采用幾何不變矩、小波變換和傅里葉變換系數(shù)為特征，結(jié)合支持向量機（SVM）對三類飛機目標(biāo)進行了分類仿真[4]。國外進行ISAR目標(biāo)的識別研究主要有2000年Florida大學(xué)的QunZhao、JoseC.Principe等人以T72、BTR70、BMP2這三類目標(biāo)加上2S1和D7兩種干擾目標(biāo)為基礎(chǔ)，利用感知器分類法、最優(yōu)分類面分類法以及支持向量機（SVM）分類法進行了分類識別的研究，但其在論文中并沒有具體表明其實驗中所采用的分類特征[1]。
本文所采用的樣本圖像是ISAR對CitationEncore,Yak-42,An-26三類飛機目標(biāo)的二維成像,圖像尺寸為100×100像素的灰度圖像，樣本集中三類目標(biāo)圖像各為45個。特征采用5×4特征窗提取20個傅里葉分解的低頻系數(shù)，分類器用線性核支持向量機（SVM）分類器，可得到令人滿意的分類效果。
1 ISAR像傅里葉低頻系數(shù)特征的提取
圖像的二維離散傅里葉變換（2D-DFT）的低頻系數(shù)體現(xiàn)圖像中目標(biāo)的輪廓和灰度分布特性，高頻系數(shù)體現(xiàn)了目標(biāo)形狀的細節(jié)。ISAR像的成像原理是多普勒回波成像，能夠顯示出目標(biāo)整體的輪廓特征，為了識別其中的目標(biāo)時應(yīng)選擇體現(xiàn)不同類別目標(biāo)的輪廓差異特征，突出了類間差距，實現(xiàn)高精確度的分類。由于傅里葉變換后的能量大部分聚集在低頻系數(shù)上，對分類起著主要貢獻。隨著頻率的升高，頻譜系數(shù)幅值急劇變小，引入過多高頻系數(shù)即過分關(guān)注細節(jié)，反而是對分類過程的干擾。
經(jīng)文獻[2]驗證傅里葉變換低頻系數(shù)用于飛機目標(biāo)的分類識別是可行的，所以本文也選擇以零頻率為基準(zhǔn)的矩形窗中的低頻系數(shù)作分類特征，對傅里葉系數(shù)特征提取中矩形窗的設(shè)置進行了一定的研究。
圖像的二維離散傅里葉變換（2D-DFT）原理如下：大小為N×N的圖像記作f（m,n）,其中m=0，1…N-1，其離散傅里葉變換的定義為：其中F（p,q）稱為是f（m,n）的離散傅里葉變換。
由式（1-1）可知，傅里葉變換系數(shù)F（p，q）為圖像中ejf（2p/M）pmejf（2p/M）pn頻率分量的大小，其中F（0，0）系數(shù)對應(yīng)著直流分量（零頻分量）的大�。桓道锶~系數(shù)是以二維中心對稱分布的，其中四個角上的頻譜分量為圖像的低階頻譜分量。傅里葉變換系數(shù)為復(fù)數(shù)，其中即包含各分量的幅值，又包含各分量的相位，但是從保存原始信息主要能量的角度來看，特征提取時可只取各系數(shù)的幅度。具體選擇方式如下：
在頻譜系數(shù)方陣|F（p,q）|中，以F（0，0）點為左上角設(shè)大小為M行N列的矩形窗具體方式如圖示1所示，在窗內(nèi)按按逐行方式提取M×N個低頻系數(shù)作為分類特征，所以某個樣本（圖像）的特征向量各分量依次是：
最近鄰分類實驗驗證，以5×4矩形窗提取傅里葉低頻系數(shù)作特征可以得到較好識別效果。圖2-2中給出將5×4矩形窗外的系數(shù)全部賦值為0時進行逆傅里葉變換所得的還原圖像，與原始圖像對比，可看出所選特征對目標(biāo)輪廓的反映能力。
圖2窗選傅里葉低頻系數(shù)對目標(biāo)的重建 因此本文利用傅里葉變換低頻系數(shù)作為ISAR像中三類飛機目標(biāo)分類識別的特征。
2支持向量機分類法
支持向量機(SVM)是以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)的學(xué)習(xí)機器，它在有限樣本集的學(xué)習(xí)上性能卓越，而且這一學(xué)習(xí)機器最早用于二值分類問題。SVM根據(jù)有限樣本信息,按結(jié)構(gòu)風(fēng)險最小原則進行網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，通過同時減小訓(xùn)練集上的經(jīng)驗誤差和學(xué)習(xí)機器結(jié)構(gòu)的復(fù)雜性(在二者間尋求最佳折衷)建立了具有良好推廣能力的分類器。
2.1支持向量機建立的最優(yōu)分類面
SVM的目標(biāo)是建立最優(yōu)分類面，即實現(xiàn)經(jīng)驗風(fēng)險最小化（對給定樣本集無誤分）和最佳置信度（兩類的分類界面間隔最大化）的分類器。
兩類線性可分SVM的原理為如圖示3所示：
圖中圓點和方點分別代表兩類樣本；H為最優(yōu)分類線；H1和H2分別是過兩類中離分類線最近的樣本且平行于分類線的直線，它們之間的距離稱為分類間隔(margin)，和上的樣本即為支持向量。最優(yōu)分類線就是能將兩類無誤的分開且能使分類間隔最大的分類線。推廣到高維樣本特征空間，最優(yōu)分類線就成為最優(yōu)分類面。
非線性分類問題中SVM巧妙地得利用Mercer核函數(shù)實現(xiàn)特征空間的升維和新特征空間內(nèi)的內(nèi)積運算,在高維線性可分空間內(nèi)SVM建立的最優(yōu)分類面，形成有較好泛化能力的分類器。Mercer核的采用使算法復(fù)雜度僅由原特征空間維數(shù)決定，巧妙地解決了特征空間升維時的“維數(shù)災(zāi)”問題。常用的核函數(shù)K（c，g）有多項式核函數(shù)、徑向基核函數(shù)、Sigmoid核函數(shù)等。核函數(shù)的選擇非常關(guān)鍵，它的好壞直接影響到算法的效果，目前對這方面的研究缺乏相應(yīng)的理論根據(jù)，所以本文中用支持向量機來實現(xiàn)目標(biāo)的分類時主要研究了核函數(shù)的選擇與參數(shù)的設(shè)置。
進行多類目標(biāo)分類時需要對標(biāo)準(zhǔn)SVM算法進行改造，主要采用了兩種方法，一類是采用完全多類支持向量機，這種算法是通過SVM算法對多類分類的目標(biāo)函數(shù)進行優(yōu)化，另外一類是組合多類支持向量機，即把多個二值子分類進行組合形成多類分類器,目前多采用組合多類支持向量機。這里我們采用 一對一支持向量機的組合，針對k類間的k（k-1/2）種組合建立k（k-1/2）個SVM子分類器，每個分類器實現(xiàn)一個組合中兩類的分類。第i類和第j類間的SVM分類器將第i類的訓(xùn)練樣本標(biāo)記為 1，第j類的樣本標(biāo)記為-1，測試時用測試數(shù)據(jù)對k（k-1/2）個子分類器分別進行測試，根據(jù)各子分類器的分類結(jié)果決定目標(biāo)最終類別。組合子分類器時，采用所有子分類器的投票機制。
3用SVM實現(xiàn)三類目標(biāo)ISAR像的分類
實驗中我們首先采用據(jù)K-近鄰算法對樣本集的初步分類，選出的五組較理想的分類特征：
(1)用5×4窗提取的20個傅里葉低頻系數(shù)；
(2)Hu不變矩中的?覬1,?覬4與圖像面積、強散射點數(shù)、目標(biāo)寬度的組合；
(3)Hu不變矩中的φ1,φ4與圖像面積、強散射點數(shù)、目標(biāo)高度的組合；
(4)用db5小波基作4尺度小波分解得到的196個低頻系數(shù)；
(5)用db1小波基作5尺度小波包分解得到的64個低頻系數(shù)。
繼之，我們又采用了OSUSVMClassifierMatlabToolbox(Ver3.00)軟件包提供的支持向量機模型對這五類特征進行了分類實驗。第一種策略是采用完全多類支持向量機來進行了分類實驗。SVM分類器結(jié)構(gòu)為輸出層中僅含一個神經(jīng)元。設(shè)三個類別表示為w1,w2,w3，網(wǎng)絡(luò)輸出表示為g，實驗中三個類別與其期望輸出對應(yīng)關(guān)系如下：
采用這種結(jié)構(gòu)的多類分類器模型，我們主要針對四種核函數(shù)對ISAR像的分類能力進行了探索，調(diào)整分類參數(shù)值的合理設(shè)置，尋求一個理想的分類器模型。實驗中具體參數(shù)選取情況如下：
(1)在多項式核中令d=1，2，3，…9，g=10.1，0.5，1，2，3，5，10，且實驗證明g的變化對本文樣本集的分類無影響；
(2)在徑向基核中取軟件包中提供的默認值g=1；
(3)在Sigmoid核函數(shù)核中取軟件包中提供的默認值g=1；
在此說明，可以d=1時的多項式核獨立地提出來，稱為線性核，所以這里對五組初選特征的分類結(jié)果按四種核函數(shù)進行整理，具體結(jié)果如表3-2。
表3-2用SVM分類器對ISAR像目標(biāo)的分類結(jié)果
4結(jié)束語
實驗表明，支持向量機對上述五類特征表示的單個樣本的分類時間都在0.3毫秒左右，相對于BP神經(jīng)網(wǎng)絡(luò)縮短了3~5倍；分類器的訓(xùn)練時間僅在0.5~1.5秒之間，相對于BP網(wǎng)絡(luò)的70~80秒的訓(xùn)練時間，縮短了50倍左右，所以用支持向量機實現(xiàn)對本文的ISAR像中三類飛機目標(biāo)的進行識別分類，從訓(xùn)練速度、識別速度和分類精度上來講較為理想。
經(jīng)過對實驗結(jié)果分析對比，可知特征采用5×4窗口提取20個傅里葉分解低頻系數(shù)，分類器用線性核支持向量機分類器（SVMs），可得到最佳分類效果，分類精度為93.94%，分類器訓(xùn)練時間僅為0.5~1.5秒，單個樣本識別時間在0.3毫秒左右。這種分類模式是本文實驗中找到的解決ISAR像中飛機目標(biāo)小樣本集分類問題的最佳模式。
由于實驗樣本集和本人能力的限制，另外由這方面的相關(guān)資料較難獲得，所以本文中的觀點尚不夠全面，也是我們在今后的摸索中要進一步完善的部分。
參考文獻
[1]劉永坦.雷達成像技術(shù)[M].哈爾濱工業(yè)大學(xué)出版社,2003:1-28.
[2]高興斌,劉永坦.ISAR目標(biāo)象的特征提取和特征選擇[J].哈爾濱工業(yè)大學(xué)學(xué)報,1994,26(5):1-4.
[3]杜亞娟,張洪才,潘泉.基于矩陣特征的三維飛機目標(biāo)識別[J].數(shù)據(jù)采集與處理,1994,23(4):1-3.
[4]李大芳.基于ISAR圖像目標(biāo)識別算法的研究[D].哈爾濱工業(yè)大學(xué)碩士論文,2004,6:19-20,37.
論文出處(作者):李喜英，李保華
Foxpro在三峽工程信息管理中的應(yīng)用
運用網(wǎng)絡(luò)技術(shù),構(gòu)建計算機應(yīng)用教學(xué)的新模式
【基于SVM的ISAR像中的目標(biāo)識別】相關(guān)文章：
基于HMM的語音識別技術(shù)在嵌入式系統(tǒng)中的應(yīng)用03-18
模糊識別分類方法在遙感圖像混和像元分類中的應(yīng)用03-07
基于LD3320的語音識別系統(tǒng)在家庭電路中的模擬應(yīng)用03-11
基于LMBP神經(jīng)網(wǎng)絡(luò)的聲納圖像識別03-07
圖像中圓形物體的信息識別11-22
基于EVA的目標(biāo)成本研究論文03-19