[发明专利]基于多分类器系统的合成孔径雷达自动目标识别方法

说明书

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系统的合成孔径雷达自动目标识别系统及方法，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系统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系统的合成孔径雷达自动目标识别系统，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。