基于仿真SAR和SVM分类器的目标识别技术研究

刘长清,陈　博,潘舟浩,王卫红,唐晓斌

(中国电子科学研究院，北京　100041)



基础理论

基于仿真SAR和SVM分类器的目标识别技术研究

刘长清,陈博,潘舟浩,王卫红,唐晓斌

(中国电子科学研究院，北京100041)

摘要：SAR图像目标识别具有重要的军事应用价值，是目标自动识别领域中热点方向。传统的基于模板的识别方法随着识别种类的不断增多，其识别速度将不断降低；以基于支持向量机为代表的机器学习等新的识别技术，需要大量的真实SAR图像作为训练样本。针对以上问题，本文提出了一种基于仿真SAR和SVM分类器的目标识别方法。该方法首先通过电磁计算软件获得目标的大量仿真SAR数据构建训练样本集，然后利用样本集训练获得所需的识别分类器。本文通过实验验证了该方法对运输机、地面车辆分类识别的有效性，为SAR图像目标识别的应用推广提供了一条解决途径。

关键词：合成孔径雷达；目标识别；仿真SAR；支持向量机中图分类号：TP751.1

文献标识码：A

文章编号：1673-5692(2016)03-257-06

0引言

作为一种遥感设备，合成孔径雷达可以进行全天时、全天候的工作，及时了解地面的情况，因而广泛应用于经济、军事和国防建设等领域[1-2]。当前基于SAR图像的自动目标识别技术仍处于研究阶段，但由于其潜在的军事应用价值，该技术一直是军事电子领域的研究热点[3]。基于模板匹配的目标识别是SAR图像识别中典型的识别方法，通过将事先形成的模板库与待测样本进行比较从而完成识别[4]。其缺点是模板库随着目标种类的增加而增加，不仅会带来存储空间的压力，更会对识别速度和准确率造成影响[5]，而这将限制其在时效性和准确率要求高的侦察监视领域中的应用。

为了解决速度和准确性的问题，一些经典的机器学习的方法也被应用于SAR图像目标识别领域[6-10]。而对于一些机器学习算法而言，如支持向量机(Support vector machine, SVM)，其训练样本的数量会影响到最终的识别分类器性能，有标记的样本数越多，就有可能得到更好性能的识别分类器。由于SAR成像参数(如俯视角、目标方位角)的轻微波动，都会引起图像特征的强烈变化，为获得更好性能的识别分类器，需要大量不同俯仰和方位角情况下的SAR图像样本，而这显然是难以通过实际飞行解决的。

因此，针对SAR图像目标识别的自身特殊性以及上述问题，本文提出了一种基于仿真SAR和SVM分类器的图像目标识别方法。本文提出的方法对基于SAR实测图像目标计算得到电磁仿真数据，并相应计算得到各个方位角度下的电磁数据，从而有效的提高方位角多样性和增加训练样本个数。在此基础上，通过支持向量机的方法获得待测图像的识别结果。

本文提出的方法相比其他方法优点有：1)由于本文采用电磁仿真数据，可以在原有SAR数据较少的情况下，增加数据量从而增多训练样本个数；2)较为真实的模拟各个方位角，可以提高训练样本中方位角的多样性，通过对识别分类器输入含有更多方位角的训练样本，减少SAR目标识别对方位角的敏感性，从而增强SAR目标识别的鲁棒性；3)证明了SVM方法，以及电磁仿真数据在目标识别应用中的有效性。

1仿真SAR样本集构建

目标物SAR图像仿真是一项多学科交叉的研究课题，涉及结构、电磁场和图像处理及其相关专业。其基本流程是：目标物三维建模、目标物电磁散射特性仿真计算和目标物SAR成像(如图1所示)，依次得到目标物电磁模型、目标物散射电场分布和目标物SAR图像。各阶段分别解决模型精度与网格数量之间的矛盾、计算精度与计算时效性的矛盾、解决回波信号提取问题。

图1　目标物SAR图像仿真计算基本流程

目标物三维建模即建立一个反映目标物几何特性的三维电磁模型。利用目标物的三视图进行几何建模，再兼顾模型的精准程度和后续电磁仿真计算的时效性，以得到网格化的目标物电磁模型。还可直接对真实目标物进行激光扫描，得到网格模型。目前SAR主要应用在微波波段，目标物的电尺寸相应较大，又鉴于数值类方法对电大或超电大尺寸目标物模型的计算资源需求过大，因此主要应用高频渐近类方法。在计算过程中，定义每一网格面片的材质电气参数和平整度统计特性，前者反映该面片的射线光学特性或波阵面光学特性，后者反映其统计意义上的凹凸程度。对于草地、树林等不可用形状描述的背景，可采用带有平整度统计的多层面片叠加得到背景模型。合成孔径就是在不同照射角度下的合成，借用这一几何关系，采用转台成像原理即可得到与实际飞行等效的SAR仿真图像。图2所示为在对T72三维建模基础上，利用电磁计算软件产生的不同方位角下的SAR图像，与MSTAR实际图像对比可以发现该方法计算得到的仿真SAR可信性较强。

图2　T72坦克实测数据vs仿真SAR图像样本集

图3　运8飞机仿真SAR图像样本集(水泥地面背景)

同样地，在对飞机建模、电磁计算、校正基础上，可获得其仿真SAR图像。图3所示为运8飞机不同方位角下的仿真图像。在三维建模的基础上，构建多类别、不同俯仰不同方位角下的大量仿真SAR图像，作为训练样本集，为开展基于SVM分类器识别奠定了基础。

2基于SVM分类器的目标识别

2.1样本特征选择

由于本文采用SVM算法对SAR图像目标进行识别，所以SAR图像集中每一个含有目标的图像，就相当于算法中的一个样本点，特别地本文使用s表示一个图像(即一个训练样本点)，s∈Rd，其中d表示特征数。

特征是图像处理一个非常关键的起点，对SAR图像目标识别也是如此。因此，在本文方法中，首先根据一些经典SAR图像方法从图像目标中提取特征，选择的特征包括：质量、平均距离、最大距离、最小距离、直径和分形维[11]。所有特征均是基于目标检测后生成二值图，并对该二值图进行形态学滤波处理，由新的图像计算得到。实验选取特征定义如表1所示。

表1　样本特征定义

需要特别说明的是，分形维特征是一个表示目标或者杂波虚警的空间维数的物理量。它表征着二值图中的强像素点的紧密程度，是标准差特征的补充。分形维只与强散射点的密度有关，而与散射点的具体位置无关。一般情况下，感兴趣目标图像中强点的排列要比自然杂波虚警中的像素排列更紧密，因此通常用来区分目标和杂波虚警。该特征定义如下：

其中M1代表能覆盖全部亮像素的最小1×1像素窗口数，M2代表能覆盖全部亮像素的最小2×2像素窗口数，N1=1、N2=2为滑动窗口大小。分形维的常见值有：单点为0，直线为1，实心矩形为2，对于目标和杂波虚警，目标的分形维数一般介于1和2之间，而杂波虚警的分形维数一般小于1。

2.2SVM分类器

然后使用分类器算法通过对样本集S进行训练学习，获得训练好的识别分类器，用于下一步待识别目标图像的识别分类。

在本目标识别系统中，其成败的关键是分类器模型的建立和使用。分类器主要利用已有的数据样本进行训练，然后再对未知的目标进行分类[3]。SVM分类器是近年来在机器学习领域中兴起的一种线性分类器，该分类器是通过将目标特征空间投影到核函数空间，将线性不可分问题转换为线性可分问题，从而实现对目标的分类识别。这种方法在实际应用中具有较好的鲁棒性和泛化能力，因此在SAR目标识别中也得到了广泛的应用。

1) polynomial核 K(V,Vi)=((V.Vi)+1)p

2) sigmoid核 K(V,Vi)=tanh((V.Vi)+1)

3) RBF核

虽然SVM设计初衷是用来解决两类问题，但是通过一对多或者一对一的算法可以将其扩展应用到多类问题。

1.3方法步骤

下面给出本文方法的具体步骤，如下所示：

step1：输入SAR图像，对其进行阈值分割，并对分割后的目标进行特征提取，从而获得SAR图像数据集，使用s表示一个样本点，其中s∈Rd，d是特征数，另外，假设SAR图像有C类待识别目标，Ω={ω1,…,ωC}；

step3：计算训练样本集S的基于超平面的法向量w和偏差bias的最优超平面：f(S)=wtS+bias，其中上标t表示转置；

step4：根据最优超平面f(S)得到预测类别h：

step5：通过一对一算法对预测类别h进行处理，并得到待测像素点的最终预测识别类别。

在图4中给出了SAR图像目标识别框图。

图4　SAR图像目标识别框图

3实验结果及分析

3.1实验数据及相应参数

如前所述，对于SVM等机器学习算法而言，缺少某些方位角的训练样本，会对后期该方位角目标的识别精度造成影响。因此为了能够增加训练样本个数，并且增加方位角的多样性，这里采用仿真SAR图像来解决样本集数量要求问题。在对运输机、车辆建模基础上，利用电磁计算软件获得大量不同俯仰、方位角下的仿真SAR数据，并通过大量的训练学习构造了性能较好的识别分类器。

本实验中训练样本包括2类运输机、3类车辆的仿真SAR，其中飞机类目标包括运7和运8飞机，车辆类目标包括方舱车、面包车和加农炮。每一类数据详细的数据描述见表2。

这是诗中“我”作为主体的最后一次状态陈述，S4表示“现在”的“我”，O4为价值对象“大陆”。在“我”的老年时期，价值对象由人变成了祖国，而“我”与祖国仍处于析取状态。

表2　数据描述

对于全部SAR电磁仿真图像，本文实验均选用质量、平均距离、最大距离、最小距离、直径、分形维6个特征。飞机类识别实验中，选择722个图像作为原始训练样本集。车辆类识别实验中，选择1083个图像作为原始训练样本集。

由于RBF核不受样本大小以及维数高低的限制，并且需要确定参数相对较少，因此这里选用RBF核作为核函数，并且通过先验实验选取了合适的C和σ参数。表3给出了识别实验中所用的具体参数。对于多分类问题，采用一对一策略进行分类。

表3　识别中所采用的参数

3.2目标识别结果

飞机类目标识别试验中选择1 444个图像作为测试样本集，运7和运8飞机各包括722个测试样本。车辆类目标选择2 166个图像作为测试样本集，方舱车、面包车和加农炮每类目标各包括722个测试样本。

表4和表5分别为飞机类和车辆类目标识别特征的一组结果。从特征结果可以看到，不同目标间的特征区别性较大，证明选取的这些特征可以有效的区分待识别的目标。

表4　飞机类目标识别特征

表6所示为飞机类和车辆类目标分别训练和测试的结果，测试准确率均达到90%以上，验证了该方法的可行性和分类器的有效性。

表5　车辆类目标识别特征

表6　识别准确率

4结语

为了增加目标图像方位角多样性和训练样本个数，从而更好的提高识别精度，并且减少目标识别过程所需时间，提出了一种基于仿真SAR和SVM分类器的目标识别方法。该方法采用目标环境电磁特性建模技术快速生成不同雷达参数条件下的SAR图像样本，为基于SVM分类器的目标识别技术研究提供了丰富的训练样本，以提高识别方法的有效性和适用性。实验结果表明本文所提出的方法可以有效的进行SAR图像目标识别，不同类型的运输机和车辆识别结果也证明了本文方法的稳定性。

参考文献：

[1]吴良斌著. SAR图像处理与目标识别[M]. 北京: 航空工业出版社, 2013.

[3]张红,王超,张波,吴樊,闫冬梅著. 高分辨率SAR图像目标识别[M]. 北京: 科学出版社, 2009.

[4]王金泉，李钦富. 基于SAR图像的自动目标识别系统设计与实现[J]. 中国电子科学研究院学报，2012, 3(3): 279-283.

[5]张翠. 高分辨率SAR图像自动目标识别方法研究[D]. 长沙：国防科技大学， 2003.10.

[6]韩萍. SAR自动目标识别及相关技术研究[D]. 天津：天津大学， 2004.1.

[7]David A.E. Morgan BAE Systems, UK. Deep convolutional neural networks for ATR from SAR imagery[C]. SPIE 2015.

[8]Yijun Sun, Zhipeng Liu, Sinisa Todorovic, and Jian Li .Synthetic Aperture Radar automatic target recognition using adaptive boosting[C]. SPIE 2005.

[9]缑水平，焦李成，张向荣. 基于免疫克隆的核匹配追踪集成图像识别算法[J]. 模式识别与人工智能，2009, 22(1): 79-85.

[10]Gal Mishne, Ronen Talmon, and Israel Cohen. Graph-based supervised automatic target detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(5): 2278-2286.

[11]高贵. SAR图像目标ROI自动获取技术研究[D]. 长沙：国防科学技术大学， 2007.4.

[12]Christopher J.C. Burges. A tutorial on support vector machine for pattern recognition[J]. Data Mining and Knowledge Discovery, 1998, 2(2): 121-167.

Research of Target Recognition Technique via Simulation SAR and SVM Classifier

LIU Chang-qing, CHEN Bo, PAN Zhou-hao, WANG Wei-hong, TANG Xiao-bin

(China Academy of Electronics and Information Technology, Beijing 100041, China)

Abstract:Target recognition of SAR image with important military application value is the key research on automatic target recognition. The computational velocities of conventional recognition method based on template match continually decrease with increasing target types. Novel recognition techniques via machine learning methods such as SVM et.al., demand massive measured SAR image data. Aiming to solve the aforementioned problems, the target recognition technique via simulation SAR and SVM classifier is proposed. Firstly, the simulation SAR pattern is calculated by the software of electromagnetics to construct the training sample sets. Then, the recognition classifier is obtained based on the training samples. The experimental results of cargo-transport plane and vehicle demonstrate the effectiveness and robustness of the proposed method.

Key words:synthetic aperture radar (SAR); target recognition; simulation SAR; support vector machine

doi:10.3969/j.issn.1673-5692.2016.03.008

收稿日期：2016-04-30

修订日期：2016-05-30

作者简介

刘长清(1976—)，男，河北涿鹿人，高级工程师，主要研究方向为系统仿真、传感器数据处理与应用；

E-mail：c.q.liu@126.com

陈博(1985—)，女，河南开封人，博士，主要研究方向SAR图像目标识别、机器学习；

潘舟浩(1986—)，男，浙江舟山人，博士，主要研究方向为InSAR数据处理、SAR图像目标识别等；

王卫红(1975—)，女，山西灵石人，高级工程师，主要研究方向为目标跟踪与识别、SAR图像目标识别；

唐晓斌(1961—)，女，重庆人，研究员，主要研究方向为系统电磁环境效应、大型电子系统顶层设计等。