基于SVM的ISAR像中的目标识别

【摘　要】　采用了SVM分类器对三类飞机目标的ISAR像样本集中目标进行了分类识别，经实验证明其分类精度较高，分类器训练时间和分类时间在与其他分类算法相比都有显示优势。
　　【关键词】ISAR像；SVM；特征；分类精度


前言
　　ISAR出现于上个世纪六十年代，出现不久Brown领导的WillowRun实验室就开展了对旋转目标的成像研究。1994年3月美国研制出一部地对空雷达（GAIR）可对空中目标进行ISAR成像，预计做到在足够高度的空间内能同时捕获多个目标并实时区分和诱捕真正目标，加以拦截或摧毁。国内的研究起步较晚，直到1988年才开始逆合成孔径雷达技术的研究并在运动补偿和成像算法上取得了重要的成果，后由哈尔滨工业大学和航天工业总公司23所联合研制成功的实验ISAR录取了大量的各种飞机的不同航路的实验数据，经成像处理之后得到了在国际上质量都属于较高水平的成像效果。1995年我国也研制出一套ISAR，经验收能满足要求，而且该系统经过三次的外场实验，发现其成像结果比当时其他国家的公布结果都要好[1]。经过近半个世纪的发展，逆合成孔径雷达技术在国内外都已趋于成熟，由于逆合成孔径雷达的浓重军事背景，目前很少能看到有关实用ISAR成像技术以及基于ISAR像的目标自动识别技术的文献资料以供参考，逆合成孔径雷达的目标识别才倍受专家们关注。

　　随计算机自动识别分类技术的发展，很多学者开始着手研究基于ISAR像的目标自动识别系统。1994年，高兴斌、刘永坦等人利用缩比模型进行转台成像，并用所得结果对ISAR图像的目标识别进行了仿真实验，主要以低频傅里叶系数作特征，利用BP神经网络分类器进行了分类实验[2]。2003年，杜亚娟、王炎等人采用目标像的几何不变矩为特征，用BP网络进行了ISAR图像飞机目标的分类识别研究[3]；2004年李大芳在其硕士学位论文中采用几何不变矩、小波变换和傅里叶变换系数为特征，结合支持向量机（SVM）对三类飞机目标进行了分类仿真[4]。国外进行ISAR目标的识别研究主要有2000年Florida大学的QunZhao、JoseC.Principe等人以T72、BTR70、BMP2这三类目标加上2S1和D7两种干扰目标为基础，利用感知器分类法、最优分类面分类法以及支持向量机（SVM）分类法进行了分类识别的研究，但其在论文中并没有具体表明其实验中所采用的分类特征[1]。
　　本文所采用的样本图像是ISAR对CitationEncore,Yak-42,An-26三类飞机目标的二维成像,图像尺寸为100×100像素的灰度图像，样本集中三类目标图像各为45个。特征采用5×4特征窗提取20个傅里叶分解的低频系数，分类器用线性核支持向量机（SVM）分类器，可得到令人满意的分类效果。
1　ISAR像傅里叶低频系数特征的提取
　　图像的二维离散傅里叶变换（2D-DFT）的低频系数体现图像中目标的轮廓和灰度分布特性，高频系数体现了目标形状的细节。ISAR像的成像原理是多普勒回波成像，能够显示出目标整体的轮廓特征，为了识别其中的目标时应选择体现不同类别目标的轮廓差异特征，突出了类间差距，实现高精确度的分类。由于傅里叶变换后的能量大部分聚集在低频系数上，对分类起着主要贡献。随着频率的升高，频谱系数幅值急剧变小，引入过多高频系数即过分关注细节，反而是对分类过程的干扰。
　　经文献[2]验证傅里叶变换低频系数用于飞机目标的分类识别是可行的，所以本文也选择以零频率为基准的矩形窗中的低频系数作分类特征，对傅里叶系数特征提取中矩形窗的设置进行了一定的研究。
　　图像的二维离散傅里叶变换（2D-DFT）原理如下：大小为N×N的图像记作f（m,n）,其中m=0，1…N-1，其离散傅里叶变换的定义为：其中F（p,q）称为是f（m,n）的离散傅里叶变换。