基于贝叶斯集成算法的仿真SAR目标识别方法

陈 博，王珺琳，刘长清，王卫红

(中国电子科学研究院，北京 100041)

工程与应用

基于贝叶斯集成算法的仿真SAR目标识别方法

陈 博，王珺琳，刘长清，王卫红

(中国电子科学研究院，北京 100041)

SAR图像目标识别已经广泛的应用在众多领域，但是其对方位角较强的敏感性，会对识别结果造成较大的影响。特别地，同一类目标数据可能会因为不同的表现形式产生错误的识别的结果。而贝叶斯集成方法可以对不同的分类个体进行单独学习，并且因此获得不同的分类器，从而可以有效提高SAR图像识别准确率。在本文中，提出的基于一种集成算法的SAR目标识别方法，可以有效的解决上述问题。电磁仿真计算获得SAR图像包含多方位角，并从中进行特征提取。然后再将原始的训练样本集进行分组，每一个训练样本组可作为训练样本子集。这样就可以根据这些子集作为不同个体，从而得到不同的贝叶斯集成框架。并根据得到的框架完成识别，得到最终的识别结果。

合成孔径雷达；贝叶斯集成算法；目标识别

0 引 言

近期，合成孔径雷达目标识别已经受到了各个领域众多学者的广泛关注，业已成为战场情报态势分析，敌我目标识别分析等多个军事领域[1-2]的热门研究方向。这同时带来了SAR信息提取和应用的新挑战。和常见的光学图像相比，SAR数据的表现特征和包含信息均有不同。因此，传统的特征提取和图像处理方法在应用于SAR图像时就显现出了局限性。在军事应用方面，因为SAR的高分辨率以及一定的穿透能力，目标侦察已经成为了其首要任务之一，即发现目标，并对其进行识别。而目标识别方法作为SAR图像处理的关键技术，目前业已被广泛应用在军事侦察，海洋环境等多个领域[3-4]。随着SAR系统的发展，SAR图像目标识别也有了很大的发展和进步，国内外在该领域已经取得了可观的研究成果，众多学者提出了很多经典的方法，比如基于模板基于像素的目标识别方法，基于模板基于特征的目标识别方法[5-6]。工程化软件系统也已在一些国家投入运行。随着人工智能的飞速发展，SAR图像目标识别方面[7-12]也引入了多个经典的机器学习方法应用。

概括来说，机器学习可以说是通过机器对人类的学习行为进行一定程度的模拟和实现，并在该学习过程中，可以学习获取新的知识和技能。Adaboost和深度神经网络等方法[7-12]已经被应用于对SAR图像进行目标识别，并且其实验结果表明机器学习算法可以有效的改善SAR图像目标识别。但是就合成孔径雷达图像本身的某些特性来说，其成像参数的轻微波动和不同于一般光学等图像的数据特性，有可能会影响某些机器学习算法在该方向的应用。一般情况下，对于机器学习算法而言(如支持向量机)，随着训练样本的增多，分类器训练情况越好，识别的准确率也会相应提高。但SAR目标图像对成像方位的敏感性，以及雷达角度和俯仰角等多种因素的影响，有些训练样本可能会对最终识别结果造成较差的影响。而且处理的样本数越大，训练学习的复杂度就越高。随着大数据时代的到来，战时的目标识别更希望能够在减少识别所需运算时间的同时能够保证足够的识别精度。针对上述实战中对识别方法的要求，这里提出了一种基于贝叶斯集成算法的仿真SAR目标识别方法。通过构建并结合多个学习器的集成方法来完成学习任务。集成学习通过将多个学习器进行结合，常可获得比单一学习器优越的泛化性能[13]。差异性较大的训练样本有可能产生不好的结果，但对于集成算法而言，差异性大的训练样本可以产生差异性较大的个体分类器，这恰好符合集成学习研究的核心。

在本文中，为了能够验证可以减少方位角的敏感性，我们根据实测图像计算得到多个方位角度下的电磁数据作为初始数据，再将输入的SAR多方位角数据按照方位角进行分组，每一个分组后的数据集均作为下一步的训练样本子集输入，这样基于这些不同的训练样本集，并且根据其真实标记和预测标记，可以构成贝叶斯集成框架矩阵。并且，每一个待识别目标均可通过这个框架计算得到其属于各个类别的多个概率值，从这些概率值中，选取最大的概率值。最大值所对应的类别即作为该待识别目标的最终类别标记。

基于贝叶斯集成算法的仿真SAR目标识别方法的优点有如下几点：首先，因为考虑了多个方位角，并且根据多个方位角获得多个概率值，可有效提高针对不同方位角情况下识别方法的稳定性；另外，因为方位角的多样性，造成原始训练样本集较大，而分组后的训练样本子集包含样本较少，因此可以有效的减少目标识别的运算时间。

1 SAR目标识别

自动目标识别(Automatic Target Recognition, 简称ATR)系统的目标，指的是没有人工直接干预，可以在较短的时间内对目标位置进行检测，并能够对目标种类进行识别。识别分类，作为自动目标识别系统的最后一个阶段，具有非常重要的作用。通过目标识别分类，可以提供经过辨识的目标区域中所包含目标的种类和状态等信息，能为后期进行敌我辨别、获得敌人兵力部署等提供极为重要军事情报。概括来说，根据分类功能模块中对分类器的输入不同，可以将目标识别系统大致的分为基于模板和基于模型两种。如美国军队研究实验室(ARL)的SAR ATR系统和MSTAR ATR系统等。

SAR系统正以日新月异的速度发展，目前其分辨率已经可以达到厘米数量级，因此给飞机车辆等小型目标的识别创造了很好的条件。如何快速而准确的进行目标识别已经成为了当前SAR应用的一个热点。而很多自动目标识别系统研究依然面临着几大问题，如可变性、虚警率、目标分割、特征选择、由于信息不完整造成的性能下降以及性能评价[6]。虽然SAR数据日益增多，但是某些目标，尤其是某些军事目标图像数据的获取较为困难，对于某些目标，特别是军事目标，信息的不完整和数据量的缺乏均给这类目标识别带来了困难。因此利用SAR图像进行目标识别，尤其是军事目标识别是比较困难的工作。除此之外，SAR图像特征的不稳定性也对后期识别造成影响。由于目标识别对方位角敏感度较高，因此需要较好的方位角匹配才能获得较好的识别结果。

2 基于贝叶斯集成算法的目标识别

2.1 贝叶斯集成算法

贝叶斯集成算法[14]是基于贝叶斯原理构进行构造的。集成算法中，对应于每一个类别，每一个不同分类个体都计算出相应的后验概率，从而可以得到一个样本属于某一个类别的概率，并且从这些概率中选取最大值，这个最大值所属的类别，即为该集成的最终预测类别。这里用Di(i=1,…,L)表示L个分类器，x表示样本，P(si)表示Di将x分为si(si∈Ω)的概率，Ω={ω1,…,ωc}表示x的真实类别标签集。根据贝叶斯理论，其决策量是相互独立，这表示即给定类别标记的属性值之间是相互条件独立的，公式(1)给出具体数学表示：

(1)

ωk表示第k类真实标记，ωk∈Ω，k=1,…,c。由公式(1)给出相应的后验概率：

(2)

P(s)与ωk无关，上式可以重写为公式(3)：

(3)

(4)

由公式(4)，x属于不同类别ωk的概率均可计算得到，在这些概率值中，最大值为μj(x)。因此x类别即为ωj，ωj∈Ω，j∈{1,…,c}。

2.2 SAR图像目标识别方法

目标识别已经成为了各国学者的研究重点，并且也取得了斐然的成绩。但是待识别目标，尤其是军事目标已有图像较少等因素，给目标识别带来了很大的困难，而且方位角和俯仰角给同一类目标带来的差异性也给后期的识别工作带来了困难。另外对于目标识别来讲，方位角对识别结果有较大的影响，因此很多目标识别方法需要预先对方位角进行估计，在消耗时间的同时也并不能保证预估的精度。目前，针对该问题的解决方法是采用大量的数据，尽可能涵盖较多的方位角，增加训练样本个数和方位角多样性。但是较大数量的训练样本量会大大增加机器学习算法的运算时间，这将会影响其在战时中的应用。

为了解决上述增加训练样本引起的运算时间等问题，并且由于方位角会对最终识别结果造成错分影响，为了减少上述影响，将集成算法应用在了图像目标识别当中。在目标识别中，从SAR数据中按照方位角将初始训练样本集进行分组，依照标准划分成不同的样本子集，并对这些不同的个体进行训练学习，并由这些不同组的结果构造出所需要的贝叶斯集成框架。最后使用该框架完成最终的识别分类。下面给出本文方法及方法步骤的详细介绍。

对输入图像进行特征提取，获取可以对待识别目标进行有效区分的特征集，其中包括：质量、平均距离、直径、分形维等。在这里，由于要采用机器学习方法，进行SAR图像目标识别任务，因此首先需要将SAR图像目标与机器学习中的对象对应起来，机器学习算法中的一个样本点s表示一个图像(即一个训练样本点)，s∈Rd，d表示提取的特征维数。

首先基于贝叶斯集成原理，每一个训练样本子集Si的类别分类概率矩阵为M(C×C)，如公式(5)所示：

(5)

(6)

μk(s)表示s属于第k类的概率，P(hi(s)|ωk)表示属于第k类被Si错分为hi的概率。

图1中给出了本文方法的详细步骤。

图1 本文方法详细步骤

3 实验结果及分析

3.1 实验数据及相应参数

本文选用车辆电磁仿真数据进行实验。在表1中给出了实验数据介绍。

表1 实验数据

本文所有特征做归一化处理。在基本分类器支持向量机[15]算法中，核函数选用高斯核，并经过交叉验证实验选取了合适的C和σ参数。并选用一对一策略完成多类目标的分类识别。

3.2 目标识别结果

车辆类目标选择2166个图像作为测试样本集，由识别结果和真实标签进行对比可计算得到识别准确率。方舱车、面包车和加农炮每类目标各包括360个测试样本。表2所示为车辆类目标识别结果，可以看到本文所提出的方法的准确率要明显优于个体分类器的结果，验证了基于贝叶斯集成算法的仿真SAR目标识别方法的可行性和识别分类器的有效性。

4 结 语

表2 识别准确率

因为目标识别对方位角存在较大的敏感性，SAR图像目标识别性能会受到其较大的影响。本文的方法可以有效针对该问题进行整个识别过程的改进和提升。初始训练样本集划分得到多个样本子集，作为贝叶斯集成框架的不同输入个体，从而得到不同的个体分类器。由计算出的样本所属类别概率，得到最终的类别识别结果。不同目标类型，不同样本方位角度的实验数据验证了本文方法的有效性和稳定性。

[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] George W. Rogers, Houra Rais, and William L.Cameron. Polarimetric SAR Signature Detection Using the Cameron Decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(1): 690-700.

[5] 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.

[6] 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.

[7] 韩萍. SAR自动目标识别及相关技术研究[D]. 天津：天津大学， 2004.

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

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

[10]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.

[11]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.

[12]Alireza Taravat, Fabio Del Frate, Cristina Cornaro and Stefania Vergari. Neural Networks and Support Vector Machine Algorithm for Automatic Cloud Classification of Whole-Sky Ground-Based Images[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(3):666-670.

[13]周志华著. 机器学习[M]. 北京: 清华大学出版社, 2016.

[14]Kuncheva L I. Combining Pattern Classifiers: Methods and Algorithms [M]. Published by John Wiley & Sons, Inc., Hoboken, New Jersey, 2004.

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

Target Recognition Method via Naive Bayes Combination and Simulation SAR

CHEN Bo , WANG Jun-lin, LIU Chang-qing , WANG Wei-hong

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

For the target recognition of SAR image, the data belongs to the same class may show differences for the reason of the azimuth angle. Aiming to solve the aforementioned problem, Naïve Bayes Combination(NBC)algorithm can be used to learn on several training samples groups to produce different classifiers, which will effectively improve the recognition results. The features will be extracted from some simulation SAR images which is calculated by the software of electromagnetics for the recognition, and separate the training samples into different groups as the sample subsets. The training samples groups will produce the frame of Naive Bayes combination. According to the frame, the recognition results can be calculated.

synthetic aperture radar；Naive Bayes Combination algorithm; target recognition

10.3969/j.issn.1673-5692.2017.01.013

2016-11-12

2016-12-30

陈 博(1985—)，女，河南人，博士，主要研究方向为SAR图像目标识别、机器学习；

E-mail:chenbo8505@163.com

王珺琳(1986—)，女，黑龙江人，博士，主要研究方向为航空反潜技术；

刘长清(1976—)，男，河北人，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；

王卫红(1975—)，女，山西人，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。

JN958

A

1673-5692(2017)01-073-05