CN114089302B - 基于支撑向量数据描述的地面目标识别方法 - Google Patents

Abstract

本发明涉及一种基于支撑向量数据描述的地面目标识别方法，属于雷达目标识别技术领域。本发明解决了传统目标识别模型在迭代过程中目标类别增加对模型参数的颠覆性问题，方法中采用一类分类器支撑向量数据描述对样本库中的每类目标特征分别单独训练支撑向量数据描述模型，保证了库内目标模型之间的独立性。因此对于新增目标类型，仅需对新目标数据进行训练即可，该过程对已有目标模型参数无影响。提出方法在保证目标识别精度的同时具有一定的拒判能力，且便于高效实现了模型的增量学习，便于后续模型的迭代与模型库的构建。

Description

基于支撑向量数据描述的地面目标识别方法

技术领域

本发明属于雷达目标识别技术领域，提出了一种新的地面目标识别方法，该方法采用支撑向量数据描述对每类目标分别进行建模进而完成对地面目标的识别，本方法能够在保证识别精度的同时兼具拒判和高效增量学习的能力。

背景技术

雷达目标识别是一种基于目标雷达回波对目标类型进行精确判定的技术，地面目标识别是雷达目标识别技术的典型应用场景，其具体流程大致可以分为地面目标回波数据获取、目标特征提取、目标识别三个阶段。地面目标回波数据获取是指利用雷达设备获取目标一维距离像、二维SAR或ISAR图像等回波数据的过程，目标回波数据能够反映目标的形状、尺寸、散射点分布等物理特性，包含了目标丰富的可分性信息，目标原始回波数据质量的高低也直接决定了最终识别性能的上限。地面目标特征提取是对目标的回波数据进行某种线性或非线性变换的过程，该过程能够将目标原始回波映射至可分性更好、维度更低的特征空间内,进而提升目标识别的性能；按照特征域的不同，其特征具体可分为时域特征、频域特征、时频域特征等。目标识别是指基于地面目标回波特征训练分类器的过程，分类器训练是对不同类目标分类边界进行数学描述的过程，当分类器参数确定后，不同类目标间的分类边界也同时确定。

图1为传统多分类器模型示意图，传统分类器的分类边界一般是将已有特征空间进行分割的过程，在测试过程中，仅需确定测试目标在特征空间中与分类边界之间的相对位置关系即可判定目标的类别，但此类方法存在以下两个弊端，一方面，此类分类器必定将测试目标划分至某一确定类别，即该类分类器没有拒判的能力，无法对库外目标进行有效识别；另一方面，此类分类器的模型中各类目标分类边界之间存在较强的耦合，当对新目标进行训练时，模型参数将发生颠覆性的改变，不利于进行增量学习。

发明内容

要解决的技术问题

为了解决传统多分类器目标识别中无法对库外目标拒判、模型增量学习困难的问题。本发明提出一种基于支撑向量数据描述(Support Vector Data Description，SVDD)完成地面目标识别的方法，SVDD是一种单类学习方法，旨在特征空间中建立最小半径的超球体，将正常数据和异常数据分开，SVDD建立的超球体模型如图2所示，其原理是在高维特征空间中寻找一个超球体，在超球体半径尽可能的同时尽可能地包含所有的样本。

技术方案

一种基于支撑向量数据描述的地面目标识别方法，其特征在于步骤如下：

步骤1：对目标原始距离像回波预处理

其中表示对原始距离像回波x取模值的操作；

步骤2：对归一化后的距离像回波进行特征提取

其中x′(i)为归一化距离像，N为距离像所占距离单元个数；

步骤3：支撑向量数据描述分类器参数求解

基于每类目标的距离像特征分别训练相应的SVDD模型，SVDD模型参数的求解等价于以下二次规划问题：

其中R代表超球的半径，a代表超球的球心，ξ_m表示样本x_m的松弛变量，M表示该类训练样本的数目，C用于控制超球体体积和误差之间折中的常数，称为惩罚系数，φ(·)表示将低维输入特征映射到高维特征空间的非线性变换；引入Lagrange算子，根据卡罗需-库恩-塔克条件，定义拉格朗日函数：

式中，α_m,β_m都是拉格朗日乘数，且α_m≥0,β_m≥0；通过Lagrange对偶性，可求得最终的凸二次规划问题最优解α＝(α₁,α₂,...,α_M)；设球面上的任一样本点为x^*，则最终求解超球的球心及半径可以分别表示如下：

对于已有库内第{c_i|i＝1,2,...,c}类目标，其中c表示目标类别总数目，分别训练得到相应的超球球心和半径/>

步骤4：测试目标类别判定

测试目标到第c_i类球心的距离可表示为：

则测试目标是否属于第c_i类的判决函数可以表示为：

其中sgn(·)表示符号函数，当表示测试目标属于第c_i类，当/>表示测试目标不属于第c_i类；由以上方式可以得到测试目标的判决结果f(y)＝{f_ci(y)|c_i＝1,2,...,c},当/>时，表明该测试目标为非库内目标，即该目标被拒判。

一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。

一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。

一种计算机程序，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现上述的方法。

有益效果

本发明提出的一种基于支撑向量数据描述的地面目标识别方法，基于支撑向量数据描述的地面目标识别方法在训练阶段将每类目标数据独立处理、单独训练支撑向量数据描述分类器模型，使得各目标模型分类边界互不影响，便于进行模型增量与迭代。在测试过程中，测试目标输入各支撑向量数据描述模型进行判决，当目标不属于任一库内模型时，即认为该测试目标属于库外目标，实现对库外目标的拒判。此外，当对库内目标进行扩充时，由于新目标与已有库内目标模型之间相互独立，所以进行增量学习时，仅需对新目标数据单独训练支撑向量数据描述分类器模型，并添加至库内即可，该识别方法具有高效增量学习的能力。相比于现有技术，其有益效果如下：

第一，对于库外目标的拒判问题；由图1可知，传统分类器对于特征空间的划分完全依赖于不同类目标在特征空间中的散布情况，分类边界是基于结构风险最小化策略确定，是对特征空间的完全分割，导致基于多类目标分类器的分类边界与训练数据间存在较强的耦合关系。然而在实际应用场景中，由于地面目标种类繁杂、数量庞大，训练阶段无法实现对所有地面目标的遍历，所以在测试过程中，当出现训练阶段未参与训练的目标时，此类模型会依据测试目标样本与各分类边界之间的相对位置关系强制将其归为已知的某类目标中，这不仅会导致模型整体识别概率的降低，还会削弱模型判决的置信度。因此，传统多分类器对库外目标无法拒判的缺陷会严重影响地面目标的识别的精度和可靠性。使用SVDD分类器进行地面目标识别在训练阶段将每类目标之间相互隔离，每类目标的模型参数仅由该类目标特征的分布决定，避免了分类界面与多类目标特征散布耦合的问题，所以能够精确地将库内目标与库外目标实现分离，完成对库外目标的拒判。

第二，对新目标的高效增量学习。在实际应用场景中，目标库数据的获取不可能一次性完成，需要经过不断地更新迭代，然而由于多类分类器的分类边界与训练数据间存在较强的耦合关系，当对库内目标进行扩充时，原有模型参数已不适用当前目标库，所以需要对已有模型进行重新训练，这对于分类器模型而言是颠覆性的，所以多类分类器无法高效应对后续库内目标扩充迭代的应用场景。基于SVDD分类器的进行地面目标识别方法中，由于在训练阶段将每类目标模型相互隔离、互不干涉，所以当有新目标扩充时，仅需对新采集目标数据进行训练即可满足后续识别需求，高效地完成模型的扩充与迭代，因此本发明提出方法具有高效增量学习的能力。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1传统多类分类器模型示意图

图2支撑向量数据描述分类器示意图

图3基于支撑向量描述多分类器示意图

图4基于支撑向量数据描述的地面目标识别方法流程图

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

以地面目标一维距离像回波数据为例，对提出方法的具体实施方式进行细致地描述。

步骤1：对目标原始距离像回波预处理。由于目标原始回波数据受径向距离、雷达发射功率等因素的影响，导致同一目标的回波之间存在幅度等方面的差异，为了避免以上因素对后续识别的影响，需要对目标原始回波进行预处理，这里对原始距离像回波进行模值归一化，从而避免距离像回波的幅度敏感性问题。具体操作如下所示。

其中表示对原始距离像回波x取模值的操作，距离像模值表示距离像回波的能量，模值归一化保证了目标各次回波能量一致，便于后续特征提取与识别任务的进行。

步骤2：对归一化后的距离像回波进行特征提取。由于原始距离像回波维度较高，且原始距离像中存在部分冗余信息，不利于后续的识别过程，所以下面对地面目标距离像回波提取时域波形熵特征，熵是信息论中用来描述变量随机性的量。一维距离像的波形熵可用来度量信号能量沿径向距离分布的均匀程度，若波形熵较大，则散射中心能量均匀分布的可能性较大；反之，若波形熵较小，则散射中心能量分布比较集中。

波形熵特征具体提取方式如下。

其中x′(i)为归一化距离像，N为距离像所占距离单元个数。此外，可根据识别任务、目标属性等信息提取其他可分性特征。

步骤3：支撑向量数据描述分类器参数求解。基于每类目标的距离像特征分别训练相应的SVDD模型，SVDD模型参数的求解等价于以下二次规划问题。

其中R代表超球的半径，a代表超球的球心，ξ_m表示样本x_m的松弛变量，M表示该类训练样本的数目，C用于控制超球体体积和误差之间折中的常数，称为惩罚系数，φ(·)表示将低维输入特征映射到高维特征空间的非线性变换。引入Lagrange算子，根据卡罗需-库恩-塔克条件(Karush-Kuhn-Tucker Conditions，KKT条件)，定义拉格朗日函数。

式中，α_m,β_m都是拉格朗日乘数，且α_m≥0,β_m≥0。通过Lagrange对偶性，可求得最终的凸二次规划问题最优解α＝(α₁,α₂,…,α_M)。设球面上的任一样本点为x^*，则最终求解超球的球心及半径可以分别表示如下。

对于已有库内第{c_i|i＝1,2,...,c|类目标，其中c表示目标类别总数目，分别训练得到相应的超球球心和半径/>

步骤4：测试目标类别判定。对于测试目标提取距离像特征y，利用已有目标模型参数分别对目标类型进行判定。测试目标到第c_i类球心的距离可表示为：

则测试目标是否属于第c_i类的判决函数可以表示为：

其中sgn(·)表示符号函数，当表示测试目标属于第c_i类，当/>表示测试目标不属于第c_i类。由以上方式可以得到测试目标的判决结果/>当/>时，表明该测试目标为非库内目标，即该目标被拒判。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于支撑向量数据描述的地面目标识别方法，其特征在于步骤如下：

步骤1：对目标原始距离像回波预处理

其中表示对原始距离像回波x取模值的操作；

步骤2：对归一化后的距离像回波进行特征提取

其中x′(i)为归一化距离像，N为距离像所占距离单元个数；

步骤3：支撑向量数据描述分类器参数求解

基于每类目标的距离像特征分别训练相应的SVDD模型，SVDD模型参数的求解等价于以下二次规划问题：

其中R代表超球的半径，a代表超球的球心，ξ_m表示样本x_m的松弛变量，M表示该类训练样本的数目，C用于控制超球体体积和误差之间折中的常数，称为惩罚系数，φ(·)表示将低维输入特征映射到高维特征空间的非线性变换；引入Lagrange算子，根据卡罗需-库恩-塔克条件，定义拉格朗日函数：

式中，α_m,β_m都是拉格朗日乘数，且α_m≥0,β_m≥0；通过Lagrange对偶性，可求得最终的凸二次规划问题最优解α＝(α₁,α₂,...,α_M)；设球面上的任一样本点为x^*，则最终求解超球的球心及半径分别表示如下：

R²＝||φ(x^*)-a||²

对于已有库内第{c_i|i＝1,2,...,c}类目标，其中c表示目标类别总数目，分别训练得到相应的超球球心和半径/>

步骤4：测试目标类别判定

测试目标到第c_i类球心的距离可表示为：

则测试目标是否属于第c_i类的判决函数表示为：

其中sgn(·)表示符号函数，当表示测试目标属于第c_i类，当/>表示测试目标不属于第c_i类；由以上方式得到测试目标的判决结果/>当/>时，表明该测试目标为非库内目标，即该目标被拒判。

2.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。

3.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。

4.一种计算机程序产品，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。