发明内容
本发明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，本发明基于多分类器系统的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，本发明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。
本发明与现有的技术相比具有以下优点：
1.本发明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.本发明由于训练了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。
具体实施方式
参照图1，本发明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canny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，本发明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canny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：
本发明的PCA特征提取采用现有的主分量分析方法，具体步骤如下：
(2.1a)将预处理后的每一幅合成孔径雷达图像拉成一维列向量，其长度为L，L的值等于每一幅训练图像像素的总个数；
(2.1b)计算样本均值![]()
其中Xi代表第i幅训练图像对应的列向量，R为训练图像总数；
(2.1c)计算样本协方差矩阵![]()
其中上标T代表矩阵转置；
(2.1d)对样本协方差矩阵C进行特征分解，得到L个特征值λ1，λ2，...λL和对应的特征向量v1，v1，...vL；
(2.1f)将L个特征值按从大到小的顺序排序，选出前k个最大的特征值对应的特征向量组成投影矩阵V＝{v1，v1，...vk}，其中k的值按照90％能量进行选取，即选取的k个最大的特征值的和占所有特征值总和的90％；
(2.1g)将每一幅训练图像对应的列向量向投影矩阵V上进行投影：
Y＝VTXi，i＝1，2，...R
Y即为提取的PCA特征；
(2.2)椭圆傅里叶描述子特征提取：
本步骤的实现，根据文献“Shape-based Recognition of Targets in SyntheticAperture Radar Images using Elliptical Fourier Descriptors，Proceedings of SPIE，vol.6967，2008”，具体包括如下：
(2.2a)将步骤1提取的目标轮廓表示成以下封闭曲线的形式：
[v(t)]＝[x(t)，y(t)]，t∈[0，2π)
其中t为相位角，x(t)，y(t)分别表示在t处横坐标和纵坐标的值；
(2.2b)对由上式表示的封闭曲线按下式进行变换：
Fk=akbkckdk=12π∫02πx(t)y(t)cos(kt)sin(kt)]]>
其中Fk是一个系数矩阵，它共有四个元素ak，bk，ck，dk，其中下标k为阶数；
(2.2c)将k从0取到6，得到七阶系数F0，F1，F2，F3，F4，F5，F6，这七阶系数被称为椭圆傅里叶描述子。
(2.3)二维傅里叶变换：
本发明的二维傅里叶变换取采用如下二维傅里叶变换的公式：
F(u,v)=Σx=0M-1Σy=0N-1f(x,y)e-j(2π/M)uxe-j(2π/N)vy]]>
u＝0，1，...M-1；v＝0，1，...N-1
其中f(x，y)代表一副训练图像，x，y分别为图像的横坐标值和纵坐标值，M和N分别为图像的高度和宽度，符号e代表指数运算，F(u，v)即为二维傅里叶变换的系数，u，v分别为二维傅里叶变换的横坐标值和纵坐标值。
步骤3，采用三种不同的算法，分别训练三个不同的分类器。
(3.1)采用K-近邻算法使用PCA特征训练一个K-近邻分类器，K取值为3；
(3.2)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，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；
(3.3)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。
步骤4，对未知的目标进行识别。
(4.1)对待识别目标的合成孔径雷达图像进行log变换，归一化和目标轮廓提取的预处理；
(4.2)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；其中椭圆傅里叶描述子特征和二维傅里叶变换的提取方法与步骤2相同，但在提取PCA特征时，只需将待识别图像拉成一列向量，然后将该列向量向步骤2.1f中的投影矩阵V投影即可；
(4.3)将步骤(4.2)提取的PCA特征、椭圆傅里叶描述子特征和二维傅里叶变换输入到对应的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：
ψi＝{si1，...sij...siM}，i＝1，2，3
ψ1，ψ2，ψ3分别代表K-近邻分类器、支撑矢量机分类器和MINACE滤波器的识别结果，sij表示分类器ψi将未知目标分到第j类Cj的概率；
(4.4)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，具体实现步骤如下：
(4.4a)定义辨识框架
θ＝{C1，C2，...Cj，...CM}；
其中Cj代表第j类目标的类标签，M为目标的总类别数；
(4.4b)使用步骤(4.3)的识别结果定义概率赋值函数m1，m2，m3：
mi(Cj)=sijmi(A)=0,i=1,2,3,j=1,...M;]]>
其中A为θ的子集且A≠Cj，j＝1，...M；m1，m2，m3分别代表一个证据；
(4.4c)计算每个证据与其他证据的冲突因子，得到每个证据的冲突向量：
K1＝(k12，k13)
K2＝(k21，k23)
K3＝(k31，k32)
其中![]()
i，j＝1，2，3表示第i个证据和第j个证据的冲突因子；B和C为θ的子集；
(4.4d)将步骤(4.4c)计算的每一个冲突向量进行归一化：
K1＝(k12，k13)/(k12+k13)
K2＝(k21，k23)/(k21+k23)；
K3＝(k31，k32)/(k31+k32)
(4.4e)计算步骤(4.4d)中归一化冲突向量的熵：
H1＝k12n(k12)+k13ln(k13)
H2＝k21ln(k21)+k13ln(k23)；
H3＝k31ln(k31)+k13ln(k32)
(4.4f)计算步骤(4.4e)中熵值的倒数：
H1-1=1/H1]]>
H2-1=1/H2;]]>
H3-1=1/H3]]>
(4.4g)计算每个证据的权重：
w1=H1-1/(H1-1+H2-1+H3-1)]]>
w2=H2-1/(H1-1+H2-1+H3-1);]]>
w3=H3-1/(H1-1+H2-1+H3-1)]]>
(4.4h)使用上述权重对每个证据进行折扣操作：
mi(Cj)=mi(Cj)×wimi(θ)=1-wi,]]>i＝1，2，3，j＝1，2，...M；
(4.4i)对进行完折扣操作的证据进行组合：
![]()
(4.4j)组合后的证据m是一个包含M个元素的向量，即m＝{m(C1)，m(C2)，...，m(Cj)...m(CM)}，其中m(Cj)表示未知目标被分到第j类的概率，将未知目标识别为m的最大元素对应的类别中的目标，即完成了识别过程。
本发明的效果可以通过以下的仿真实验进一步说明：
1.仿真所用数据
仿真所用的数据为MSTAR数据。该数据是由美国DARPA/AFRL MSTAR项目组提供的实测SAR地面静止军用目标。MSTAR数据由X波段、0.3m×0.3m高分率聚束式合成孔径雷达采集得到。目标图像大小为128×128。数据已被分为训练数据和测试数据两部分，其中训练数据在俯仰角为17°时得到，测试数据在俯仰角为15°时得到。本仿真只使用了该数据库的一部分，且只用到三类目标：BMP2、BTR70、T72。其中BMP2和T72各有三个型号。BMP2的sn-9563、sn-9566和T72的sn-812、sn-s7不参与训练阶段，但参与测试阶段。表1给出了数据的详细信息。
表1仿真所用数据
![]()
2.仿真内容
仿真内容1，将本发明的方法用在MSTAR数据上进行目标识别实验；
仿真内容2，使用基于椭圆傅里叶描述子特征的支撑矢量机分类器在MSTAR数据上进行目标识别；
仿真内容3，使用基于PCA特征的K-近邻分类器在MSTAR数据上进行目标识别实验；
仿真内容4，使用基于二维傅里叶变换的MINACE滤波器在MSATR数据上进行目标识别实验。
3.仿真结果
表2给出了仿真内容1到仿真内容4的仿真结果及现有文献“Support VectorsMachines for SAR Automatic Target Recognition，IEEE Transactions on Aerospace andElectronic Systems，vol.37，n 2，pp.643-654，April 2001”中的模板匹配法和“Synthetic Aperture Radar Target Recognition Using Adaptive Boosting，IEEETransactions on Aerospace and Electronic Systems，vol.43，No.1，January 2007”中的Adaboost方法的识别结果。
表2仿真结果
![]()
从表2可以看出，本发明的识别率最高，其中在BTR70这类目标上可以达到100％的识别率；本发明的识别方法在每一类目标上的识别率都明显优于支撑矢量机、K-近邻、MINACE滤波器和模板匹配法；同时本发明也优于另一种集成方法-Adaboost，本发明不仅在平均识别率上比Adaboost高出大约一个百分点，此外由于Adaboost需要训练大量分类器，因而本发明在时间复杂度上要远远低于Adaboost。