基于組合特征和SVM的HRRP目標識別

韓萍，孫亞萍

（中國民航大學智能信號與圖像處理天津市重點實驗室，天津　300300）

?

基于組合特征和SVM的HRRP目標識別

韓萍，孫亞萍

（中國民航大學智能信號與圖像處理天津市重點實驗室，天津300300）

摘要：給出了一種基于組合特征和支持向量機（support vector machine，SVM）的雷達高分辨一維距離像（high range resolution profile，HRRP）目標識別方法。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分類器進行識別。根據美國運動和靜止目標獲取與識別（moving and stationary target acquisition and recognition，MSTAR）實測SAR HRRP數據進行實驗，結果表明在方位角未知的情況下，能夠明顯提高目標的識別率，是一種有效的HRRP目標識別方法。

關鍵詞：高分辨率一維距離像；組合特征；SVM；目標識別

寬帶雷達獲取的HRRP不僅包含較精細的目標結構特征，而且可以反映目標散射點沿距離方向的分布情況，對目標識別提供了重要的細節信息，因此，HRRP目標識別一直是雷達自動目標識別（automatic target recognition，ATR）研究領域的熱點[1-2]。目前國內外學者對HRRP目標識別方法進行了大量的研究和探索。其中基于單一特征的HRRP目標識別，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目標方位變化具有很好的穩健性，而且具有平移不變性，解決了HRRP平移敏感性，因而常作為目標識別的典型特征。但對于任一目標來說，單特征不足以全面反映目標的本質特征，需要從多角度多特征分析目標。文獻[7-8]通過提取目標的多個特征進行目標識別。實驗證明，與單特征相比，多特征的提取不僅能充分反映目標特征，提高目標的識別率，同時具有推廣能力并增強識別結果的魯棒性。

對于多特征融合的一種簡單融合方式是將多種特征組合成聯合特征矢量。文獻[9]針對聯合特征矢量提出一種最近鄰模糊分類器。該分類器對輸入的各種不同特征類型和衡量尺寸沒有一致性要求，也無需對組合特征矢量做任何預處理，并且具有對單類特征進行處理的功能，但是最近鄰模糊分類器存在的主要問題是它依賴于目標方位，即在目標方位已知的情況下，目標識別率相對于未利用方位信息時的識別率高，這對實際應用有一定的局限性。

因此，針對特征提取和分類器的設計問題，本文提出了基于非相干平均距離像與中心矩特征組合構成新特征，并聯合SVM分類器[10]的目標識別方法。并對文獻[11]基于中心矩單特征和最近鄰模糊分類器目標識別方法做出比較。實驗采用MSTAR數據進行驗證，結果證明相對于文獻[11]中心矩單特征，本文將非相干平均距離像與中心矩進行組合，起到互補作用，從而更全面地表征目標本質特征，提高目標識別率。而且SVM分類器比文獻[11]中最近鄰模糊分類器有優勢，在未利用目標方位信息的情況下，仍能取得很好的識別效果。

1　HRRP特征提取

1.1非相干平均距離像

文獻[3]指出HRRP方位敏感性主要表現為峰值幅度的隨機起伏。即將一定方位內的距離像通過非相干平均得到的平均距離像對目標方位變化具有良好的穩健性，可以表征該方位區域的目標特性。

其中

其中：F（·）表示對信號作傅里葉變換。

1.2中心矩特征

中心矩是一種簡單的平移不變特征，其反映目標的形狀信息，常用于提取圖像的平移不變特征[5]。對于一維HRRP，由于散射點模型變化相對緩慢，HRRP峰值位置變化也是一緩變過程，HRRP的方位敏感性主要表現為峰值幅度的變化。對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模式識別的特征。

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

假設訓練樣本集包含c類目標，每類目標有Ni幀，每幀中包含有Ki個距離像，i= 1，2，…，c，則訓練集中共有個距離像。訓練樣本集中心矩特征表示為R = [F1，F2，…，FQ]，其中Fl表示訓練集中每個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增加急劇遞增，各階中心矩在歐氏特征空間中的權重不同，從而影響分類的準確性。為了消除量綱影響，對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重。記變換后的中心矩特征為

隨著中心矩階數的遞增，其所含信息的冗余性越大，計算量也越大，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成新的特征，利用SVM分類器進行識別。圖1給出了算法框圖。

圖1　算法框圖Fig.1 Algorithm flow chart

2.1訓練過程

步驟1預處理

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

2）對冪變換后所有HRRP進行能量歸一化處理。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]得到預處理后的訓練樣本集為X^。

步驟2特征提取

1）先根據式（1）、式（2）求出各類目標各幀時域非相干距離像和頻域非相干距離像

2.2識別過程

3　實驗結果及分析

3.1實驗數據介紹

本實驗數據是由美國DARPA /AFRL MSTAR工作組提供的實測SAR地面靜止目標數據。這些目標包括9類不同的軍民用車輛目標T72、BMP2、BTR70、BRDm2、BTR60、D7、T62、ZIL131和ZSU234。所有目標HRRP方位范圍為[0°～360°]。實驗中，將俯仰角為17° 的HRRP作為訓練樣本，俯仰角為15°的HRRP用于測試，其中假設方位角已知。

實驗分2組數據，第1組包括3類目標：T72、BMP2、BTR70；第2組包括上述9類目標。圖2給出了所有數據的可見光圖像，圖3給出了所有目標分別在俯視角17°、30°方位角下的HRRP，表1列出所有目標訓練樣本數與測試樣本數。

3.2實驗結果

表2和表3給出了本文的算法結果。其中表2是利用3類目標進行的實驗，表3則是利用所有目標進行實驗。實驗中冪變換指數v= 0.1，SVM選用的核函數是高斯徑向基，經過多次實驗選擇最優結果對應的核參數γ= 8。

3.3結果分析

為了分別驗證多特征和SVM識別效果，本文通過4種組合方式進行目標識別。第1種是算法文獻[11]，即中心矩單特征與最近鄰模糊分類器利用目標方位信息進行識別；第2種是選用組合特征與最近鄰模糊分類器在利用目標方位信息條件下進行識別；第3種是選用組合特征與最近鄰模糊分類器在未利用目標方位信息條件下進行識別；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行識別。需要說明的是方位信息的利用是指在目標方位信息已知的情況下，基于在一定方位內，HRRP之間具有很大的相似性，則相對應提取的特征同時也更相似的基礎上，選取與測試樣本方位左右間隔6°范圍內的訓練樣本的特征作為訓練模板，然后對測試樣本利用分類器進行識別。各算法識別結果的比較如表4所示。

圖2　9類軍用目標的光學圖像Fig.2 Optical im age of nine kinds ofm ilitary targets

表1　實驗所用訓練樣本與測試樣本Tab.1 Training and testing sam ples of experim ent

表2　3類目標識別結果Tab.2 Recognition rate of three different sam ples

表3　9類目標識別結果Tab.3 Recognition rate of nine different sam ples

圖3　9類軍用目標分別在方位角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，當使用相同分類器時，文獻[11]單特征識別效果不如組合特征的識別效果。這也驗證了多特征識別結果比單特征識別效果好。

表4　本文算法與文獻[11]識別結果比較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當選用組合特征時，本文算法選用SVM分類器比文獻[11]中的最近鄰模糊分類器識別結果好。各類目標的識別率都得到了提高，總的聯合識別率由原來的96.43％提高到98.64％，相對提高了2.21％。②同樣選用組合特征，最近鄰模糊分類器在方位信息已知的情況下的識別率要比方位信息未知的情況下識別率要高，而且也相對提高了4.76％。這是因為在一定方位角域內，HRRP之間具有很大的相似性，那么相對應提取的特征同時也更相似，則相對應維數上的特征隸屬度就越大，識別效果越好。因此說明了最近鄰模糊分類器對方位信息比較依賴。而對于SVM在方位未知的情況下目標識別率仍能很好地識別目標。這也說明了本文算法采用SVM分類器比文獻[11]中的最近鄰模糊分類器更有優勢。表5給出了全部目標進行實驗時各算法識別結果比較。

表5　9類目標數據實驗結果比較Tab.5 Recognition rate com parison of nine targets

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

4　結語

本文給出基于組合特征和SVM分類器的HRRP識別方法。將提取的頻域非相干平均距離像和中心矩特征相結合，利用SVM分類器進行目標識別。實驗結果表明，相對于單特征來說，多特征更有利于目標識別，而且利用SVM分類器相對于最近鄰模糊分類器更有優勢，在方位未知的情況下顯著提高了識別結果。

參考文獻：

[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，劉書君，黃培康.基于時頻矩陣非負分解特征的多視角SAR目標識別[J].宇航學報，2012，33（9）：1269-1278.

[3]高倩，劉家學，吳仁彪.基于平均模板的HRRP自動目標識別[J].現代雷達，2003，25（3）：14-17.

[4]梁海濤，張學禮，童創明，等.基于小波分解與方位角平均HRRP 的SVM目標識別方法[J].數據采集與處理，2010，25（1）：29-32.

[5]袁莉，劉宏偉，保崢.基于中心矩特征的雷達HRRP自動目標識別[J].電子學報，2004，32（12）：2078-2081.

[6]溫福喜，劉宏偉.基于中心矩特征的空間目標識別方法[J].雷達科學與技術，2007，1（5）：8-12.

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

[8]曹偉，周智敏，周輝，等.基于多維特征及BP網絡的高分辨雷達目標識別[J].計算機工程與應用，2013，46（8）：213-216.

[9]劉先康，高梅國，傅雄軍.適用于組合特征識別的最近鄰模糊分類器[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識別[C]//全國第三屆信號和智能信息處理與應用學術交流會專刊，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

作者簡介：韓萍（1966—），女，天津人，教授，博士，研究方向為圖像處理與模式識別、SAR目標檢測與識別等.

基金項目：國家自然科學基金項目（61231017）；中央高校基本科研業務費專項（3122014C004）；中國民航大學科研基金項目（2012KYE03）

收稿日期：2015-03-04；修回日期：2015-04-07

中圖分類號：TP753

文獻標志碼：A

文章編號：1674-5590（2016）01-0005-05