本发明专利技术公开了一种合成孔径雷达自动目标识别方法，它属于目标识别领域，主要解决现有合成孔径雷达自动目标识别技术空间复杂度较高和单个分类器识别率低的问题。其识别步骤包括预处理、特征提取、分类器训练和目标识别，其中特征提取是对合成孔径雷达图像提取ＰＣＡ特征、椭圆傅里叶描述子特征和二维傅里叶变换三种特征：分类器训练是基于提取的三种特征，分别使用Ｋ－近邻、支撑矢量机以及ＭＩＮＡＣＥ滤波器理论训练三个分类器；目标识别是将提取的待识别合成孔径雷达图像的相应特征输入已训练好的三个分类器进行分类，最后使用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据理论融合三个分类器的识别结果。本发明专利技术具有识别率高、空间复杂度低的优点，可用于军用或民用领域的目标跟踪。
【技术实现步骤摘要】
本专利技术属于目标识别领域，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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术， 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，本专利技术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。本专利技术与现有的技术相比具有以下优点1.本专利技术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.本专利技术由于训练了 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。附图说明图1是本专利技术的合成孔径雷达自动目标识别系统示意图；图2是本专利技术合成孔径雷达自动目标识别方法流程图。具体实施例方式参照图1，本专利技术的多分类器系统包括预处理装置、特征提取装置、分类器训练 装置和目标识别装置。其中预处理装置，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，针对不同的特征提取技术，预处理方法也不同，在对合成孔径雷达进行PCA特征提 取前，用每幅图像的像素值的最大值将其归一化，即将图像的每个像素值除以最大的像素 值，以避免大数值的计算；在对合成孔径雷达提取椭圆傅里叶描述子前，先使用恒虚警率阈 值分割分离出目标区域，然后通过carmy边缘检测提取目标轮廓；在对合成孔径雷达图像 进行二维傅里叶变换前，先进行log变换，然后进行能量归一化。特征提取装置，对预处理后的合成孔径雷达训练图像分别提取主PCA特征、椭圆 傅里叶描述子特征和二维傅里叶变换这三种特征；在提取PCA特征时，主分量的个数按照 90%能量进行选取；在提取椭圆傅里叶描述子特征时，取7阶系数共26维特征。分类器训练装置，采用三种不同的算法，分别训练三个不同的分类器，即用K-近 邻算法使用PCA特征训练一个K-近邻分类器，K的取值为3 ；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，支撑矢量机算法使用LIBSVM程序包实现，支 撑矢量机的最优参数通过穷举搜索获得；用MINIACE滤波器算法使用二维傅里叶变换训练 MINACE滤波器，将每一类目标的训练图像按照60度方位角划分为6部分，在每一部分上构 建一个滤波器，这样每一类有6个滤波器。目标识别装置，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。参照图2，本专利技术合成孔径雷达自动目标识别方法的具体实现步骤包括步骤1，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，针对不同的特征提取技术，预处理方法也不同，在对合成孔径雷达进行PCA特征提取 前，用每幅图像的像素值的最大值将其归一化，即将图像的每个像素值除以最大的像素值， 以避免大数值的计算；在对合成孔径雷达提取椭圆傅里叶描述子前，先使用恒虚警率阈值 分割分离出目标区域，然后通过carmy边缘检测提取目标轮廓；在对合成孔径雷达进行二 维傅里叶变换前，先进行log变换，然后进行能量归一化。步骤2，对预处理后的合成孔径雷达训练图像分别提取PCA特征、椭圆傅里叶描述 子特征和二维傅里叶变换这三种特征。(2. 1)PCA 特征提取本专利技术的PCA特征提取采本文档来自技高网...
【技术保护点】
一种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支撑矢量机分类器，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证据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。
【技术特征摘要】
【专利技术属性】
技术研发人员：于昕，焦李成，李玉宽，王爽，钟桦，尚荣华，李阳阳，白静，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。