典型多特征決策融合方法及在無人機SAR圖像目標識別中的應用?

（南京航空航天大學自動化學院 南京 211100）

1 引言

合成孔徑雷達（SAR）目標識別因其獨特的軍事背景而廣受關注。近年來，無人機（UAV）技術飛速發展，基于無人機的SAR平臺也得到開發和運用。通過對SAR目標圖像進行合理的特征提取和分類器設計，目前的SAR目標識別方法已經可以取得較好的性能［1～2］。考慮到不同類別特征對于目標描述的互補性，基于多特征決策融合的思路進入研究人員的視野，其主要可分為三種手段［3～9］。第一類采用并行融合的方法，即對各種特征獨立進行分類進而對這些結果進行融合，常用的算法包括線性加權融合、D-S證據理論等。第二類采用級聯融合的方法。這類方法對不同特征設置不同的優先級［6］。對于優先級高的特征，優先采用其對測試樣本進行分類。只有當分類結果不可靠時，才選用下一優先級的特征進行分類。第三類采用聯合決策的方法。這類方法同時對多類特征進行分類，但在分類模型中考察了不同特征之間內在關聯性的約束，典型代表是聯合稀疏表示算法。

本文對上述三類多特征決策融合方法在SAR目標識別中的性能進行分析，選用主成分分析（PCA）［10］、線性鑒別分析（LDA）［10］以及非負矩陣分解（NMF）［11］作為代表性多特征，并以稀疏表示分類（SRC）［12～13］作為基礎分類器。對于聯合決策融合，則相應地采用聯合稀疏表示進行決策融合［14～16］。采用三類決策融合方法對這三種特征進行分類，并比較它們對于多類目標的識別性能。實驗中，采用MSTAR數據集對提出方法進行測試，結果表明了其有效性。

2 多特征決策融合方法

本節以PCA、LDA和NMF作為代表性多特征闡述不同類型多特征決策融合的基本思路和實現流程。其中，分類機制采用代表性的稀疏表示分類（SRC）以及基于其進行多任務擴張的聯合稀疏表示。

2.1 并行決策融合

在多特征并行決策融合方法中，各類特征獨立進行分類，在決策融合階段對不同特征的決策變量進行統一分析。圖1顯示了并行決策融合的基本原理。PCA、LDA和NMF三類特征分別在稀疏表示的作用下進行分類，獲得各自的重構誤差矢量。然后，采用線性加權融合的方法得到融合后的重構誤差矢量，最終據此判定目標類別。通過并行決策融合，各類特征的識別結果可以相互補充，達到提升識別穩健性的目的。

圖1 并行決策融合的基本原理

2.2 級聯決策融合

級聯決策融合方法通過層次化的方法按照預定的時序對不同的特征進行先后不同的決策。圖2給出了一種級聯決策融合的典型情形。首先，采用稀疏表示分類對PCA特征矢量進行分類識別并計算當前識別結果的可靠性。若識別結果可靠則流程終止，輸出目標類別。反之，則繼續進行基于LDA特征的稀疏表示分類。重復上述的判決過程，若結果仍然不可靠，則繼續基于NMF稀疏表示分類的識別流程。這種層次化的結構可以有效避免多類特征的同時分類，提升識別的整體效率。

2.3 聯合決策融合

無論是并行決策融合還是級聯決策融合方法，它們都沒有充分考察不同特征之間的相關性。實際上，由于三類特征提取于同一幅SAR圖像，它們之間必然存在一定的關聯。為此，聯合稀疏表示在單個特征的稀疏表示過程中引入一定約束，從而利用不同特征之間的關聯提升整體表征精度。圖3顯示了聯合決策融合的基本過程，通過聯合稀疏表示提升三類特征的整體表征精度，從而獲得更為可靠的識別結果。

圖2 級聯決策融合的基本原理

圖3 聯合決策融合的基本原理

3 識別流程設計

為了測試三類多特征決策融合的識別性能，本文選用PCA、LDA和NMF三種典型特征作為多特征的代表。這三類特征均是通過數學投影變換的手段實現原始SAR圖像的降維，具有效率高、穩定性強的優點。圖1顯示了本文設計的識別流程，主要可以概括為以下幾個關鍵步驟。

1）采用PCA、LDA和NMF對所有測試樣本進行特征提取，構建相應的全局字典；

2）采用PCA、LDA和NMF對測試樣本進行特征提取，獲得相應的特征矢量；

3）采用SRC分別對測試樣本的三種特征矢量進行分類，基于線性加權融合的策略實現并行決策融合；

4）采用PCA、NMF和LDA的優先級實現三類特征的級聯融合；

5）采用聯合稀疏表示對三類特征進行聯合決策融合。

最后，根據所以測試樣本的統計結果，對比三類多特征決策融合方法的性能。

4 實驗與分析

4.1 實驗數據集

圖4 10類目標的光學圖像

由于目前還沒有公開的無人機SAR目標數據，本文仍然采用經典的MSTAR數據集對上述討論的三類多特征融合方法進行性能驗證。該數據集包含了十類地面軍事目標的SAR圖像，如圖4所示。其中，各類目標SAR圖像均覆蓋360°方位角和部分俯仰角；部分目標包含多個子型號。實驗中，在相同的實驗設置下對三類多特征決策融合方法進行性能對比。同時，分別采用PCA、LDA和NMF三類獨立特征進行SRC分類，獲取它們相應的識別性能。

4.2 十類目標識別

根據MSTAR數據集中的樣本設置如表1所示的訓練和測試集，其中訓練集來自17°俯仰角，訓練集來自15°俯仰角。BMP2和T72兩類目標的測試樣本比測試樣本包含更多的子型號。圖3顯示了三類多特征決策融合方法的分類混淆矩陣，平均識別率分別為97.28%，97.76%和98.04%。可見，三類多特征決策融合在此條件下均可以有效完成識別目標的分類任務。表2對比了單特征方法和三類多特征方法在當前實驗設置下的平均識別率。通過合理的多特征決策融合，相比單一特征的識別性能，多特征方法顯著提高了識別率。對比三種多特征方法，基于聯合稀疏表示的融合方法略具優勢，表明引入正確的相關性約束有利于提高各類特征稀疏表示的精度，從而提高最終的識別性能。

表1 實驗使用的訓練和測試樣本

表2 三類多特征和三種單特征方法對十類目標的平均識別率

4.3 俯仰角差異

俯仰角變化對于SAR圖像的目標特性有著重要影響。表3列出了存在俯仰角差異的訓練和測試集。其中，訓練樣本來自17°俯仰角；測試樣本分別來自30°和45°俯仰角。圖4對比了三類多特征以及三種單特征方法在不同俯仰角下的平均識別率。三類多特征方法的識別性能顯著優于單特征方法，表明合理的多特征決策融合可以有效提高識別算法對于俯仰角差異的穩健性。對比散了多特征方法，聯合稀疏表示方法的性能更優，表明相關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練與測試樣本

表4 三類多特征和三種單特征方法在俯仰角差異下的平均識別率

4.4 噪聲干擾

考慮到SAR數據采集過程中的噪聲干擾，識別算法對于噪聲干擾的穩健性十分重要。通過對表1中的測試樣本添加噪聲構造噪聲污染的測試樣本。然后，基于噪聲樣本測試三類多特征以及單特征方法的識別性能，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別率。可見，通過合理的多特征決策融合，三類多特征方法的噪聲穩健性顯著優于單特征方法。對比三類多特征方法，基于聯合稀疏表示的方法可以獲得更好的識別性能。在聯合稀疏表示的框架下，多類特征的內在相關性可以有效削弱噪聲的影響。因此，基于聯合稀疏表示獲得的重構誤差更能體現測試樣本的實際類別。

表5 三類多特征和三種單特征方法在噪聲干擾下的平均識別率

5 結語

論文討論了典型多特征決策融合方法在SAR目標識別中的應用。并行決策融合、級聯決策融合以及聯合決策融合采用不同的策略綜合各類特征的優勢，從而提高最終的目標分類性能。采用PCA、LDA和NMF作為多特征，以SRC為基礎分類器設計算法流程。實驗中，基于MSTAR數據集對三類多特征決策融合算法的識別性能進行了對比分析，得出以下結論。第一，相對單一特征的識別算法，三類多特征決策融合方法均可以顯著提升識別性能。第二，與并行決策融合以及級聯決策融合相比，聯合決策融合方法通過考察不同特征之間的內在關聯性可以取得更優的識別性能。