典型多特征決策融合方法及在無(wú)人機(jī)SAR圖像目標(biāo)識(shí)別中的應(yīng)用?

（南京航空航天大學(xué)自動(dòng)化學(xué)院 南京 211100）

1 引言

合成孔徑雷達(dá)（SAR）目標(biāo)識(shí)別因其獨(dú)特的軍事背景而廣受關(guān)注。近年來(lái)，無(wú)人機(jī)（UAV）技術(shù)飛速發(fā)展，基于無(wú)人機(jī)的SAR平臺(tái)也得到開(kāi)發(fā)和運(yùn)用。通過(guò)對(duì)SAR目標(biāo)圖像進(jìn)行合理的特征提取和分類(lèi)器設(shè)計(jì)，目前的SAR目標(biāo)識(shí)別方法已經(jīng)可以取得較好的性能［1～2］?？紤]到不同類(lèi)別特征對(duì)于目標(biāo)描述的互補(bǔ)性，基于多特征決策融合的思路進(jìn)入研究人員的視野，其主要可分為三種手段［3～9］。第一類(lèi)采用并行融合的方法，即對(duì)各種特征獨(dú)立進(jìn)行分類(lèi)進(jìn)而對(duì)這些結(jié)果進(jìn)行融合，常用的算法包括線性加權(quán)融合、D-S證據(jù)理論等。第二類(lèi)采用級(jí)聯(lián)融合的方法。這類(lèi)方法對(duì)不同特征設(shè)置不同的優(yōu)先級(jí)［6］。對(duì)于優(yōu)先級(jí)高的特征，優(yōu)先采用其對(duì)測(cè)試樣本進(jìn)行分類(lèi)。只有當(dāng)分類(lèi)結(jié)果不可靠時(shí)，才選用下一優(yōu)先級(jí)的特征進(jìn)行分類(lèi)。第三類(lèi)采用聯(lián)合決策的方法。這類(lèi)方法同時(shí)對(duì)多類(lèi)特征進(jìn)行分類(lèi)，但在分類(lèi)模型中考察了不同特征之間內(nèi)在關(guān)聯(lián)性的約束，典型代表是聯(lián)合稀疏表示算法。

本文對(duì)上述三類(lèi)多特征決策融合方法在SAR目標(biāo)識(shí)別中的性能進(jìn)行分析，選用主成分分析（PCA）［10］、線性鑒別分析（LDA）［10］以及非負(fù)矩陣分解（NMF）［11］作為代表性多特征，并以稀疏表示分類(lèi)（SRC）［12～13］作為基礎(chǔ)分類(lèi)器。對(duì)于聯(lián)合決策融合，則相應(yīng)地采用聯(lián)合稀疏表示進(jìn)行決策融合［14～16］。采用三類(lèi)決策融合方法對(duì)這三種特征進(jìn)行分類(lèi)，并比較它們對(duì)于多類(lèi)目標(biāo)的識(shí)別性能。實(shí)驗(yàn)中，采用MSTAR數(shù)據(jù)集對(duì)提出方法進(jìn)行測(cè)試，結(jié)果表明了其有效性。

2 多特征決策融合方法

本節(jié)以PCA、LDA和NMF作為代表性多特征闡述不同類(lèi)型多特征決策融合的基本思路和實(shí)現(xiàn)流程。其中，分類(lèi)機(jī)制采用代表性的稀疏表示分類(lèi)（SRC）以及基于其進(jìn)行多任務(wù)擴(kuò)張的聯(lián)合稀疏表示。

2.1 并行決策融合

在多特征并行決策融合方法中，各類(lèi)特征獨(dú)立進(jìn)行分類(lèi)，在決策融合階段對(duì)不同特征的決策變量進(jìn)行統(tǒng)一分析。圖1顯示了并行決策融合的基本原理。PCA、LDA和NMF三類(lèi)特征分別在稀疏表示的作用下進(jìn)行分類(lèi)，獲得各自的重構(gòu)誤差矢量。然后，采用線性加權(quán)融合的方法得到融合后的重構(gòu)誤差矢量，最終據(jù)此判定目標(biāo)類(lèi)別。通過(guò)并行決策融合，各類(lèi)特征的識(shí)別結(jié)果可以相互補(bǔ)充，達(dá)到提升識(shí)別穩(wěn)健性的目的。

圖1 并行決策融合的基本原理

2.2 級(jí)聯(lián)決策融合

級(jí)聯(lián)決策融合方法通過(guò)層次化的方法按照預(yù)定的時(shí)序?qū)Σ煌奶卣鬟M(jìn)行先后不同的決策。圖2給出了一種級(jí)聯(lián)決策融合的典型情形。首先，采用稀疏表示分類(lèi)對(duì)PCA特征矢量進(jìn)行分類(lèi)識(shí)別并計(jì)算當(dāng)前識(shí)別結(jié)果的可靠性。若識(shí)別結(jié)果可靠則流程終止，輸出目標(biāo)類(lèi)別。反之，則繼續(xù)進(jìn)行基于LDA特征的稀疏表示分類(lèi)。重復(fù)上述的判決過(guò)程，若結(jié)果仍然不可靠，則繼續(xù)基于NMF稀疏表示分類(lèi)的識(shí)別流程。這種層次化的結(jié)構(gòu)可以有效避免多類(lèi)特征的同時(shí)分類(lèi)，提升識(shí)別的整體效率。

2.3 聯(lián)合決策融合

無(wú)論是并行決策融合還是級(jí)聯(lián)決策融合方法，它們都沒(méi)有充分考察不同特征之間的相關(guān)性。實(shí)際上，由于三類(lèi)特征提取于同一幅SAR圖像，它們之間必然存在一定的關(guān)聯(lián)。為此，聯(lián)合稀疏表示在單個(gè)特征的稀疏表示過(guò)程中引入一定約束，從而利用不同特征之間的關(guān)聯(lián)提升整體表征精度。圖3顯示了聯(lián)合決策融合的基本過(guò)程，通過(guò)聯(lián)合稀疏表示提升三類(lèi)特征的整體表征精度，從而獲得更為可靠的識(shí)別結(jié)果。

圖2 級(jí)聯(lián)決策融合的基本原理

圖3 聯(lián)合決策融合的基本原理

3 識(shí)別流程設(shè)計(jì)

為了測(cè)試三類(lèi)多特征決策融合的識(shí)別性能，本文選用PCA、LDA和NMF三種典型特征作為多特征的代表。這三類(lèi)特征均是通過(guò)數(shù)學(xué)投影變換的手段實(shí)現(xiàn)原始SAR圖像的降維，具有效率高、穩(wěn)定性強(qiáng)的優(yōu)點(diǎn)。圖1顯示了本文設(shè)計(jì)的識(shí)別流程，主要可以概括為以下幾個(gè)關(guān)鍵步驟。

1）采用PCA、LDA和NMF對(duì)所有測(cè)試樣本進(jìn)行特征提取，構(gòu)建相應(yīng)的全局字典；

2）采用PCA、LDA和NMF對(duì)測(cè)試樣本進(jìn)行特征提取，獲得相應(yīng)的特征矢量；

3）采用SRC分別對(duì)測(cè)試樣本的三種特征矢量進(jìn)行分類(lèi)，基于線性加權(quán)融合的策略實(shí)現(xiàn)并行決策融合；

4）采用PCA、NMF和LDA的優(yōu)先級(jí)實(shí)現(xiàn)三類(lèi)特征的級(jí)聯(lián)融合；

5）采用聯(lián)合稀疏表示對(duì)三類(lèi)特征進(jìn)行聯(lián)合決策融合。

最后，根據(jù)所以測(cè)試樣本的統(tǒng)計(jì)結(jié)果，對(duì)比三類(lèi)多特征決策融合方法的性能。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)集

圖4 10類(lèi)目標(biāo)的光學(xué)圖像

由于目前還沒(méi)有公開(kāi)的無(wú)人機(jī)SAR目標(biāo)數(shù)據(jù)，本文仍然采用經(jīng)典的MSTAR數(shù)據(jù)集對(duì)上述討論的三類(lèi)多特征融合方法進(jìn)行性能驗(yàn)證。該數(shù)據(jù)集包含了十類(lèi)地面軍事目標(biāo)的SAR圖像，如圖4所示。其中，各類(lèi)目標(biāo)SAR圖像均覆蓋360°方位角和部分俯仰角；部分目標(biāo)包含多個(gè)子型號(hào)。實(shí)驗(yàn)中，在相同的實(shí)驗(yàn)設(shè)置下對(duì)三類(lèi)多特征決策融合方法進(jìn)行性能對(duì)比。同時(shí)，分別采用PCA、LDA和NMF三類(lèi)獨(dú)立特征進(jìn)行SRC分類(lèi)，獲取它們相應(yīng)的識(shí)別性能。

4.2 十類(lèi)目標(biāo)識(shí)別

根據(jù)MSTAR數(shù)據(jù)集中的樣本設(shè)置如表1所示的訓(xùn)練和測(cè)試集，其中訓(xùn)練集來(lái)自17°俯仰角，訓(xùn)練集來(lái)自15°俯仰角。BMP2和T72兩類(lèi)目標(biāo)的測(cè)試樣本比測(cè)試樣本包含更多的子型號(hào)。圖3顯示了三類(lèi)多特征決策融合方法的分類(lèi)混淆矩陣，平均識(shí)別率分別為97.28%，97.76%和98.04%。可見(jiàn)，三類(lèi)多特征決策融合在此條件下均可以有效完成識(shí)別目標(biāo)的分類(lèi)任務(wù)。表2對(duì)比了單特征方法和三類(lèi)多特征方法在當(dāng)前實(shí)驗(yàn)設(shè)置下的平均識(shí)別率。通過(guò)合理的多特征決策融合，相比單一特征的識(shí)別性能，多特征方法顯著提高了識(shí)別率。對(duì)比三種多特征方法，基于聯(lián)合稀疏表示的融合方法略具優(yōu)勢(shì)，表明引入正確的相關(guān)性約束有利于提高各類(lèi)特征稀疏表示的精度，從而提高最終的識(shí)別性能。

表1 實(shí)驗(yàn)使用的訓(xùn)練和測(cè)試樣本

表2 三類(lèi)多特征和三種單特征方法對(duì)十類(lèi)目標(biāo)的平均識(shí)別率

4.3 俯仰角差異

俯仰角變化對(duì)于SAR圖像的目標(biāo)特性有著重要影響。表3列出了存在俯仰角差異的訓(xùn)練和測(cè)試集。其中，訓(xùn)練樣本來(lái)自17°俯仰角；測(cè)試樣本分別來(lái)自30°和45°俯仰角。圖4對(duì)比了三類(lèi)多特征以及三種單特征方法在不同俯仰角下的平均識(shí)別率。三類(lèi)多特征方法的識(shí)別性能顯著優(yōu)于單特征方法，表明合理的多特征決策融合可以有效提高識(shí)別算法對(duì)于俯仰角差異的穩(wěn)健性。對(duì)比散了多特征方法，聯(lián)合稀疏表示方法的性能更優(yōu)，表明相關(guān)性約束在俯仰角差異條件下同樣可以提高稀疏表示精度。

表3 俯仰角差異條件下的訓(xùn)練與測(cè)試樣本

表4 三類(lèi)多特征和三種單特征方法在俯仰角差異下的平均識(shí)別率

4.4 噪聲干擾

考慮到SAR數(shù)據(jù)采集過(guò)程中的噪聲干擾，識(shí)別算法對(duì)于噪聲干擾的穩(wěn)健性十分重要。通過(guò)對(duì)表1中的測(cè)試樣本添加噪聲構(gòu)造噪聲污染的測(cè)試樣本。然后，基于噪聲樣本測(cè)試三類(lèi)多特征以及單特征方法的識(shí)別性能，如表5所列。在不同的信噪比下，多特征決策融合的方法均可以取得高于單一特征方法的識(shí)別率?？梢?jiàn)，通過(guò)合理的多特征決策融合，三類(lèi)多特征方法的噪聲穩(wěn)健性顯著優(yōu)于單特征方法。對(duì)比三類(lèi)多特征方法，基于聯(lián)合稀疏表示的方法可以獲得更好的識(shí)別性能。在聯(lián)合稀疏表示的框架下，多類(lèi)特征的內(nèi)在相關(guān)性可以有效削弱噪聲的影響。因此，基于聯(lián)合稀疏表示獲得的重構(gòu)誤差更能體現(xiàn)測(cè)試樣本的實(shí)際類(lèi)別。

表5 三類(lèi)多特征和三種單特征方法在噪聲干擾下的平均識(shí)別率

5 結(jié)語(yǔ)

論文討論了典型多特征決策融合方法在SAR目標(biāo)識(shí)別中的應(yīng)用。并行決策融合、級(jí)聯(lián)決策融合以及聯(lián)合決策融合采用不同的策略綜合各類(lèi)特征的優(yōu)勢(shì)，從而提高最終的目標(biāo)分類(lèi)性能。采用PCA、LDA和NMF作為多特征，以SRC為基礎(chǔ)分類(lèi)器設(shè)計(jì)算法流程。實(shí)驗(yàn)中，基于MSTAR數(shù)據(jù)集對(duì)三類(lèi)多特征決策融合算法的識(shí)別性能進(jìn)行了對(duì)比分析，得出以下結(jié)論。第一，相對(duì)單一特征的識(shí)別算法，三類(lèi)多特征決策融合方法均可以顯著提升識(shí)別性能。第二，與并行決策融合以及級(jí)聯(lián)決策融合相比，聯(lián)合決策融合方法通過(guò)考察不同特征之間的內(nèi)在關(guān)聯(lián)性可以取得更優(yōu)的識(shí)別性能。