基于貝葉斯集成算法的仿真SAR目標(biāo)識(shí)別方法

陳 博，王珺琳，劉長清，王衛(wèi)紅

(中國電子科學(xué)研究院，北京 100041)

工程與應(yīng)用

基于貝葉斯集成算法的仿真SAR目標(biāo)識(shí)別方法

陳 博，王珺琳，劉長清，王衛(wèi)紅

(中國電子科學(xué)研究院，北京 100041)

SAR圖像目標(biāo)識(shí)別已經(jīng)廣泛的應(yīng)用在眾多領(lǐng)域，但是其對(duì)方位角較強(qiáng)的敏感性，會(huì)對(duì)識(shí)別結(jié)果造成較大的影響。特別地，同一類目標(biāo)數(shù)據(jù)可能會(huì)因?yàn)椴煌谋憩F(xiàn)形式產(chǎn)生錯(cuò)誤的識(shí)別的結(jié)果。而貝葉斯集成方法可以對(duì)不同的分類個(gè)體進(jìn)行單獨(dú)學(xué)習(xí)，并且因此獲得不同的分類器，從而可以有效提高SAR圖像識(shí)別準(zhǔn)確率。在本文中，提出的基于一種集成算法的SAR目標(biāo)識(shí)別方法，可以有效的解決上述問題。電磁仿真計(jì)算獲得SAR圖像包含多方位角，并從中進(jìn)行特征提取。然后再將原始的訓(xùn)練樣本集進(jìn)行分組，每一個(gè)訓(xùn)練樣本組可作為訓(xùn)練樣本子集。這樣就可以根據(jù)這些子集作為不同個(gè)體，從而得到不同的貝葉斯集成框架。并根據(jù)得到的框架完成識(shí)別，得到最終的識(shí)別結(jié)果。

合成孔徑雷達(dá)；貝葉斯集成算法；目標(biāo)識(shí)別

0 引 言

近期，合成孔徑雷達(dá)目標(biāo)識(shí)別已經(jīng)受到了各個(gè)領(lǐng)域眾多學(xué)者的廣泛關(guān)注，業(yè)已成為戰(zhàn)場情報(bào)態(tài)勢分析，敵我目標(biāo)識(shí)別分析等多個(gè)軍事領(lǐng)域[1-2]的熱門研究方向。這同時(shí)帶來了SAR信息提取和應(yīng)用的新挑戰(zhàn)。和常見的光學(xué)圖像相比，SAR數(shù)據(jù)的表現(xiàn)特征和包含信息均有不同。因此，傳統(tǒng)的特征提取和圖像處理方法在應(yīng)用于SAR圖像時(shí)就顯現(xiàn)出了局限性。在軍事應(yīng)用方面，因?yàn)镾AR的高分辨率以及一定的穿透能力，目標(biāo)偵察已經(jīng)成為了其首要任務(wù)之一，即發(fā)現(xiàn)目標(biāo)，并對(duì)其進(jìn)行識(shí)別。而目標(biāo)識(shí)別方法作為SAR圖像處理的關(guān)鍵技術(shù)，目前業(yè)已被廣泛應(yīng)用在軍事偵察，海洋環(huán)境等多個(gè)領(lǐng)域[3-4]。隨著SAR系統(tǒng)的發(fā)展，SAR圖像目標(biāo)識(shí)別也有了很大的發(fā)展和進(jìn)步，國內(nèi)外在該領(lǐng)域已經(jīng)取得了可觀的研究成果，眾多學(xué)者提出了很多經(jīng)典的方法，比如基于模板基于像素的目標(biāo)識(shí)別方法，基于模板基于特征的目標(biāo)識(shí)別方法[5-6]。工程化軟件系統(tǒng)也已在一些國家投入運(yùn)行。隨著人工智能的飛速發(fā)展，SAR圖像目標(biāo)識(shí)別方面[7-12]也引入了多個(gè)經(jīng)典的機(jī)器學(xué)習(xí)方法應(yīng)用。

概括來說，機(jī)器學(xué)習(xí)可以說是通過機(jī)器對(duì)人類的學(xué)習(xí)行為進(jìn)行一定程度的模擬和實(shí)現(xiàn)，并在該學(xué)習(xí)過程中，可以學(xué)習(xí)獲取新的知識(shí)和技能。Adaboost和深度神經(jīng)網(wǎng)絡(luò)等方法[7-12]已經(jīng)被應(yīng)用于對(duì)SAR圖像進(jìn)行目標(biāo)識(shí)別，并且其實(shí)驗(yàn)結(jié)果表明機(jī)器學(xué)習(xí)算法可以有效的改善SAR圖像目標(biāo)識(shí)別。但是就合成孔徑雷達(dá)圖像本身的某些特性來說，其成像參數(shù)的輕微波動(dòng)和不同于一般光學(xué)等圖像的數(shù)據(jù)特性，有可能會(huì)影響某些機(jī)器學(xué)習(xí)算法在該方向的應(yīng)用。一般情況下，對(duì)于機(jī)器學(xué)習(xí)算法而言(如支持向量機(jī))，隨著訓(xùn)練樣本的增多，分類器訓(xùn)練情況越好，識(shí)別的準(zhǔn)確率也會(huì)相應(yīng)提高。但SAR目標(biāo)圖像對(duì)成像方位的敏感性，以及雷達(dá)角度和俯仰角等多種因素的影響，有些訓(xùn)練樣本可能會(huì)對(duì)最終識(shí)別結(jié)果造成較差的影響。而且處理的樣本數(shù)越大，訓(xùn)練學(xué)習(xí)的復(fù)雜度就越高。隨著大數(shù)據(jù)時(shí)代的到來，戰(zhàn)時(shí)的目標(biāo)識(shí)別更希望能夠在減少識(shí)別所需運(yùn)算時(shí)間的同時(shí)能夠保證足夠的識(shí)別精度。針對(duì)上述實(shí)戰(zhàn)中對(duì)識(shí)別方法的要求，這里提出了一種基于貝葉斯集成算法的仿真SAR目標(biāo)識(shí)別方法。通過構(gòu)建并結(jié)合多個(gè)學(xué)習(xí)器的集成方法來完成學(xué)習(xí)任務(wù)。集成學(xué)習(xí)通過將多個(gè)學(xué)習(xí)器進(jìn)行結(jié)合，?？色@得比單一學(xué)習(xí)器優(yōu)越的泛化性能[13]。差異性較大的訓(xùn)練樣本有可能產(chǎn)生不好的結(jié)果，但對(duì)于集成算法而言，差異性大的訓(xùn)練樣本可以產(chǎn)生差異性較大的個(gè)體分類器，這恰好符合集成學(xué)習(xí)研究的核心。

在本文中，為了能夠驗(yàn)證可以減少方位角的敏感性，我們根據(jù)實(shí)測圖像計(jì)算得到多個(gè)方位角度下的電磁數(shù)據(jù)作為初始數(shù)據(jù)，再將輸入的SAR多方位角數(shù)據(jù)按照方位角進(jìn)行分組，每一個(gè)分組后的數(shù)據(jù)集均作為下一步的訓(xùn)練樣本子集輸入，這樣基于這些不同的訓(xùn)練樣本集，并且根據(jù)其真實(shí)標(biāo)記和預(yù)測標(biāo)記，可以構(gòu)成貝葉斯集成框架矩陣。并且，每一個(gè)待識(shí)別目標(biāo)均可通過這個(gè)框架計(jì)算得到其屬于各個(gè)類別的多個(gè)概率值，從這些概率值中，選取最大的概率值。最大值所對(duì)應(yīng)的類別即作為該待識(shí)別目標(biāo)的最終類別標(biāo)記。

基于貝葉斯集成算法的仿真SAR目標(biāo)識(shí)別方法的優(yōu)點(diǎn)有如下幾點(diǎn)：首先，因?yàn)榭紤]了多個(gè)方位角，并且根據(jù)多個(gè)方位角獲得多個(gè)概率值，可有效提高針對(duì)不同方位角情況下識(shí)別方法的穩(wěn)定性；另外，因?yàn)榉轿唤堑亩鄻有裕斐稍加?xùn)練樣本集較大，而分組后的訓(xùn)練樣本子集包含樣本較少，因此可以有效的減少目標(biāo)識(shí)別的運(yùn)算時(shí)間。

1 SAR目標(biāo)識(shí)別

自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition, 簡稱ATR)系統(tǒng)的目標(biāo)，指的是沒有人工直接干預(yù)，可以在較短的時(shí)間內(nèi)對(duì)目標(biāo)位置進(jìn)行檢測，并能夠?qū)δ繕?biāo)種類進(jìn)行識(shí)別。識(shí)別分類，作為自動(dòng)目標(biāo)識(shí)別系統(tǒng)的最后一個(gè)階段，具有非常重要的作用。通過目標(biāo)識(shí)別分類，可以提供經(jīng)過辨識(shí)的目標(biāo)區(qū)域中所包含目標(biāo)的種類和狀態(tài)等信息，能為后期進(jìn)行敵我辨別、獲得敵人兵力部署等提供極為重要軍事情報(bào)。概括來說，根據(jù)分類功能模塊中對(duì)分類器的輸入不同，可以將目標(biāo)識(shí)別系統(tǒng)大致的分為基于模板和基于模型兩種。如美國軍隊(duì)研究實(shí)驗(yàn)室(ARL)的SAR ATR系統(tǒng)和MSTAR ATR系統(tǒng)等。

SAR系統(tǒng)正以日新月異的速度發(fā)展，目前其分辨率已經(jīng)可以達(dá)到厘米數(shù)量級(jí)，因此給飛機(jī)車輛等小型目標(biāo)的識(shí)別創(chuàng)造了很好的條件。如何快速而準(zhǔn)確的進(jìn)行目標(biāo)識(shí)別已經(jīng)成為了當(dāng)前SAR應(yīng)用的一個(gè)熱點(diǎn)。而很多自動(dòng)目標(biāo)識(shí)別系統(tǒng)研究依然面臨著幾大問題，如可變性、虛警率、目標(biāo)分割、特征選擇、由于信息不完整造成的性能下降以及性能評(píng)價(jià)[6]。雖然SAR數(shù)據(jù)日益增多，但是某些目標(biāo)，尤其是某些軍事目標(biāo)圖像數(shù)據(jù)的獲取較為困難，對(duì)于某些目標(biāo)，特別是軍事目標(biāo)，信息的不完整和數(shù)據(jù)量的缺乏均給這類目標(biāo)識(shí)別帶來了困難。因此利用SAR圖像進(jìn)行目標(biāo)識(shí)別，尤其是軍事目標(biāo)識(shí)別是比較困難的工作。除此之外，SAR圖像特征的不穩(wěn)定性也對(duì)后期識(shí)別造成影響。由于目標(biāo)識(shí)別對(duì)方位角敏感度較高，因此需要較好的方位角匹配才能獲得較好的識(shí)別結(jié)果。

2 基于貝葉斯集成算法的目標(biāo)識(shí)別

2.1 貝葉斯集成算法

貝葉斯集成算法[14]是基于貝葉斯原理構(gòu)進(jìn)行構(gòu)造的。集成算法中，對(duì)應(yīng)于每一個(gè)類別，每一個(gè)不同分類個(gè)體都計(jì)算出相應(yīng)的后驗(yàn)概率，從而可以得到一個(gè)樣本屬于某一個(gè)類別的概率，并且從這些概率中選取最大值，這個(gè)最大值所屬的類別，即為該集成的最終預(yù)測類別。這里用Di(i=1,…,L)表示L個(gè)分類器，x表示樣本，P(si)表示Di將x分為si(si∈Ω)的概率，Ω={ω1,…,ωc}表示x的真實(shí)類別標(biāo)簽集。根據(jù)貝葉斯理論，其決策量是相互獨(dú)立，這表示即給定類別標(biāo)記的屬性值之間是相互條件獨(dú)立的，公式(1)給出具體數(shù)學(xué)表示：

(1)

ωk表示第k類真實(shí)標(biāo)記，ωk∈Ω，k=1,…,c。由公式(1)給出相應(yīng)的后驗(yàn)概率：

(2)

P(s)與ωk無關(guān)，上式可以重寫為公式(3)：

(3)

(4)

由公式(4)，x屬于不同類別ωk的概率均可計(jì)算得到，在這些概率值中，最大值為μj(x)。因此x類別即為ωj，ωj∈Ω，j∈{1,…,c}。

2.2 SAR圖像目標(biāo)識(shí)別方法

目標(biāo)識(shí)別已經(jīng)成為了各國學(xué)者的研究重點(diǎn)，并且也取得了斐然的成績。但是待識(shí)別目標(biāo)，尤其是軍事目標(biāo)已有圖像較少等因素，給目標(biāo)識(shí)別帶來了很大的困難，而且方位角和俯仰角給同一類目標(biāo)帶來的差異性也給后期的識(shí)別工作帶來了困難。另外對(duì)于目標(biāo)識(shí)別來講，方位角對(duì)識(shí)別結(jié)果有較大的影響，因此很多目標(biāo)識(shí)別方法需要預(yù)先對(duì)方位角進(jìn)行估計(jì)，在消耗時(shí)間的同時(shí)也并不能保證預(yù)估的精度。目前，針對(duì)該問題的解決方法是采用大量的數(shù)據(jù)，盡可能涵蓋較多的方位角，增加訓(xùn)練樣本個(gè)數(shù)和方位角多樣性。但是較大數(shù)量的訓(xùn)練樣本量會(huì)大大增加機(jī)器學(xué)習(xí)算法的運(yùn)算時(shí)間，這將會(huì)影響其在戰(zhàn)時(shí)中的應(yīng)用。

為了解決上述增加訓(xùn)練樣本引起的運(yùn)算時(shí)間等問題，并且由于方位角會(huì)對(duì)最終識(shí)別結(jié)果造成錯(cuò)分影響，為了減少上述影響，將集成算法應(yīng)用在了圖像目標(biāo)識(shí)別當(dāng)中。在目標(biāo)識(shí)別中，從SAR數(shù)據(jù)中按照方位角將初始訓(xùn)練樣本集進(jìn)行分組，依照標(biāo)準(zhǔn)劃分成不同的樣本子集，并對(duì)這些不同的個(gè)體進(jìn)行訓(xùn)練學(xué)習(xí)，并由這些不同組的結(jié)果構(gòu)造出所需要的貝葉斯集成框架。最后使用該框架完成最終的識(shí)別分類。下面給出本文方法及方法步驟的詳細(xì)介紹。

對(duì)輸入圖像進(jìn)行特征提取，獲取可以對(duì)待識(shí)別目標(biāo)進(jìn)行有效區(qū)分的特征集，其中包括：質(zhì)量、平均距離、直徑、分形維等。在這里，由于要采用機(jī)器學(xué)習(xí)方法，進(jìn)行SAR圖像目標(biāo)識(shí)別任務(wù)，因此首先需要將SAR圖像目標(biāo)與機(jī)器學(xué)習(xí)中的對(duì)象對(duì)應(yīng)起來，機(jī)器學(xué)習(xí)算法中的一個(gè)樣本點(diǎn)s表示一個(gè)圖像(即一個(gè)訓(xùn)練樣本點(diǎn))，s∈Rd，d表示提取的特征維數(shù)。

首先基于貝葉斯集成原理，每一個(gè)訓(xùn)練樣本子集Si的類別分類概率矩陣為M(C×C)，如公式(5)所示：

(5)

(6)

μk(s)表示s屬于第k類的概率，P(hi(s)|ωk)表示屬于第k類被Si錯(cuò)分為hi的概率。

圖1中給出了本文方法的詳細(xì)步驟。

圖1 本文方法詳細(xì)步驟

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)數(shù)據(jù)及相應(yīng)參數(shù)

本文選用車輛電磁仿真數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。在表1中給出了實(shí)驗(yàn)數(shù)據(jù)介紹。

表1 實(shí)驗(yàn)數(shù)據(jù)

本文所有特征做歸一化處理。在基本分類器支持向量機(jī)[15]算法中，核函數(shù)選用高斯核，并經(jīng)過交叉驗(yàn)證實(shí)驗(yàn)選取了合適的C和σ參數(shù)。并選用一對(duì)一策略完成多類目標(biāo)的分類識(shí)別。

3.2 目標(biāo)識(shí)別結(jié)果

車輛類目標(biāo)選擇2166個(gè)圖像作為測試樣本集，由識(shí)別結(jié)果和真實(shí)標(biāo)簽進(jìn)行對(duì)比可計(jì)算得到識(shí)別準(zhǔn)確率。方艙車、面包車和加農(nóng)炮每類目標(biāo)各包括360個(gè)測試樣本。表2所示為車輛類目標(biāo)識(shí)別結(jié)果，可以看到本文所提出的方法的準(zhǔn)確率要明顯優(yōu)于個(gè)體分類器的結(jié)果，驗(yàn)證了基于貝葉斯集成算法的仿真SAR目標(biāo)識(shí)別方法的可行性和識(shí)別分類器的有效性。

4 結(jié) 語

表2 識(shí)別準(zhǔn)確率

因?yàn)槟繕?biāo)識(shí)別對(duì)方位角存在較大的敏感性，SAR圖像目標(biāo)識(shí)別性能會(huì)受到其較大的影響。本文的方法可以有效針對(duì)該問題進(jìn)行整個(gè)識(shí)別過程的改進(jìn)和提升。初始訓(xùn)練樣本集劃分得到多個(gè)樣本子集，作為貝葉斯集成框架的不同輸入個(gè)體，從而得到不同的個(gè)體分類器。由計(jì)算出的樣本所屬類別概率，得到最終的類別識(shí)別結(jié)果。不同目標(biāo)類型，不同樣本方位角度的實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了本文方法的有效性和穩(wěn)定性。

[1] 吳良斌著. SAR圖像處理與目標(biāo)識(shí)別[M]. 北京: 航空工業(yè)出版社, 2013.

[3] 張紅 王超 張波 吳樊 閆冬梅著. 高分辨率SAR圖像目標(biāo)識(shí)別[M]. 北京: 科學(xué)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，李欽富. 基于SAR圖像的自動(dòng)目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 中國電子科學(xué)研究院學(xué)報(bào)，2012, 3(3): 279-283.

[6] 張翠. 高分辨率SAR圖像自動(dòng)目標(biāo)識(shí)別方法研究[D]. 長沙：國防科技大學(xué)， 2003.

[7] 韓萍. SAR自動(dòng)目標(biāo)識(shí)別及相關(guān)技術(shù)研究[D]. 天津：天津大學(xué)， 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]緱水平，焦李成，張向榮. 基于免疫克隆的核匹配追蹤集成圖像識(shí)別算法[J]. 模式識(shí)別與人工智能，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]周志華著. 機(jī)器學(xué)習(xí)[M]. 北京: 清華大學(xué)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, Na?ve 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

陳 博(1985—)，女，河南人，博士，主要研究方向?yàn)镾AR圖像目標(biāo)識(shí)別、機(jī)器學(xué)習(xí)；

E-mail:chenbo8505@163.com

王珺琳(1986—)，女，黑龍江人，博士，主要研究方向?yàn)楹娇辗礉摷夹g(shù)；

劉長清(1976—)，男，河北人，高級(jí)工程師，主要研究方向?yàn)橄到y(tǒng)仿真、傳感器數(shù)據(jù)處理與應(yīng)用；

王衛(wèi)紅(1975—)，女，山西人，高級(jí)工程師，主要研究方向?yàn)槟繕?biāo)跟蹤與識(shí)別、SAR圖像目標(biāo)識(shí)別。

JN958

A

1673-5692(2017)01-073-05