本发明涉及雷达数据处理领域，特别地，涉及一种群智优化SAR雷达陆地坦克目标识别系统。
背景技术：
计算机的模式识别技术是目前研究的热点，已运用到航空、航天、冶金、生物、电子等多个领域。而图像的识别技术更是占据了重要的地位。目前的坦克识别技术主要是运用电子设备，利用雷达分析其回波频率和波形可以区分不同类型的目标。运用图像处理技术来进行坦克识别，通过图像分割技术将图像上的目标分割出来，对目标进行特征提取，运用模式识别技术可将目标正确的分类。SAR可以在恶劣的环境中全天时、全天候工作，而且具有高分辨率以及极强的穿透力等优点，因此已被广泛地应用到城市规划、天气预报、森林监测、陆地监测以及军事侦察等众多领域。其中基于SAR图像的坦克目标检测已经有了广泛的研究，而坦克目标分类识别由于SAR图像分辨率的限制才刚刚起步，已有的一些研究成果也由于研究不够透彻，模型的效果并不是很好。因此，积极开展基于高分辨率SAR图像的坦克目标分类识别研究具有极其重大的意义。
技术实现要素：
为了克服目前基于SAR图像的陆地坦克目标识别准确率不高的不足，本发明的目的在于提供一种实现实时分析的群智优化SAR雷达陆地坦克目标识别系统。
本发明解决其技术问题所采用的技术方案是：一种群智优化SAR雷达陆地坦克目标识别系统，包括SAR雷达、数据库以及上位机，SAR雷达、数据库和上位机依次相连，所述SAR雷达对陆地进行实时监测，并将SAR雷达获得的图像数据存储到所述的数据库中，所述的上位机包括：
图像预处理模块，用以进行SAR雷达图像数据预处理，采用如下过程完成：
1)从数据库中传来的SAR图像灰度级为L,f(x0,y0)为像素点(x0,y0)处的灰度值，g(x0,y0)为像素点(x0,y0)的N×N邻域内像素的平均值，其中x0,y0分别表示像素点的横坐标和纵坐标；
2)通过计算满足f＝m和g＝n的像素数目h(m,n)，得到二维联合概率密度pmn：
pmn＝p(m,n)＝h(m,n)/M
其中，M表示图像像素的总数目；
3)计算二维直方图的均值向量μ：
4)分别计算图像中目标和背景出现的概率P0,1和均值向量μ0,1：
其中，t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域；
5)计算类间方差BCV：
BCV＝P0(μ0-μ)(μ0-μ)′+P1(μ1-μ)(μ1-μ)′；
其中，μ表示均值向量，上标’表示矩阵的转置。
6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s0,t0]：
特征提取模块，用以进行坦克典型特征的提取，采用如下过程完成：
1)从图像预处理模块传来的只包含一个坦克目标的SAR图像切片I(m,n)，其中只包含目标区域的二值图为B(m,n)，则只包含目标的图像T(m,n)：
T(m,n)＝I(m,n)×B(m,n)
其中，×表示对应像素相乘；
2)在B(m,n)中根据坦克个体的主轴方向求得坦克主体区域的最小外接矩形，则该矩形的长边长度Length即为坦克个体的长度，矩形的短边长度Width即为坦克个体的宽度；
3)计算得到几何结构特征，其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量：
周长面积长宽比R＝Length/Width；形状复杂度C＝Length2/4πS；目标区域的质心位置
转动惯量式中，r代表了目标像素点与质心之间的距离，
4)计算得到灰度统计特征，其中包括质量、均值、方差系数、标准差、分形维数、加权填充比：
质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和；分形维数H＝(log10N1-log10N2)/(log10d1-log10d2)，该特征的计算方法是：用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K＝50)个最亮像素点的二值图B2(m,n)，首先将一个大小为d1×d2的窗口在这个二值图中连续滑动，记下窗口中包含亮点的窗口总数记为N1，接着再用一个大小为d2×d2的窗口在这个二值图中连续滑动，记下在窗口中包含亮点的窗口总数记为N2；加权填充比
特征选择模块，用以选择出最优特征子集，采用如下过程完成：
1)计算类内距离类间距离以及类内类间距Ji:
其中，i表示特征标号，ω表示坦克类别的标号，||Fi(ω)||2表示特征向量Fi(ω)的2范数，表示训练集样本的总体均值，Nω表示第ω类坦克的数量，N表示训练集中坦克总数，E表示期望，下标W、下标B分别表示类内、类间。
2)计算得到归一化方差系数ρi(ω)：
ρi(ω)＝E[||Fi(ω)||22]-E2[||Fi(ω)||2]/E[||Fi(ω)||22]
其中，i表示特征标号，ω表示坦克类别的标号，||Fi(ω)||2表示特征向量Fi(ω)的2范数，E[||Fi(ω)||22]和E2[||Fi(ω)||2]分别表示特征的平方均值以及均值的平方。特征的方差系数ρi(ω)越小，表明该目标特征的稳定性越好；
3)计算得到相关系数ri,j：
其中，i,j表示特征标号，||Fi||2表示特征Fi的2范数，和分别表示Fi和Fj的均值，σi,i和σj,j分别表示Fi和Fj的标准差。由相关系数的性质可知，0≤ri,j≤1；如果两个特征完全不相关，ri,j＝0；如果两个特征完全相关，ri,j＝1；如果两个特征之间的相关性很低，即特征之间的信息冗余非常少，那么ri,j就会越接近0；反之，如果两个特征之间的相关性很高，即特征之间的信息冗余非常多，那么ri,j就会越接近1；
4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集，构造最优输入特征向量；
分类器训练模块，用以进行分类器训练，采用如下过程完成：
5)从特征选择模块中采集N个SAR雷达图像xi作为训练样本，i＝1,2,…,N；
6)对训练样本进行归一化处理，得到归一化样本
7)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y:
其中，D表示重构维数，D为自然数，且D<N,D的取值范围为50-70；
8)将得到的X,Y代入如下分类器：
Y＝wTΦ(x)+E
其中，Φ(·)是核函数矩阵，w为权重系数矩阵，E为残差矩阵，核函数的似然函数为：
其中，t为样本目标的分类值，σ2为坦克样本的方差，直接用最大似然估计的方法求解w,σ2，通常会导致严重的过拟合现象，使w中的元素大部分不是0，失去了稀疏性。为了避免这一现象，引入高斯先验来解决这一问题，即定义权重w的先验分布为依赖于超参数α的高斯分布：
其中，α＝(α0,α1,…,αM)T为超参数，决定分类器的稀疏性。由贝叶斯准则，可得权重向量w的后验似然分布为：
该权值的后验分布属于多变量高斯分布，其后验协方差和后验均值分别为：
Σ＝(σ-2ΦTΦ+A)-1
μ＝σ-2ΣΦTt
其中，A＝diag(α0,α1,…,αM)为超参数的对角矩阵。通过最大化边缘似然函数化求得最大似然估计点αMP，如下：
其中，I为单位矩阵。通过得到的α＝αMP代入式求得均值的点估计μMP，从而得到最后坦克分类的估计值t＝ΦμMP。采用自下向上系统来更新超参数α，即快速边缘最大化算法。在迭代过程中，大部分的αi会接近无穷大，即相应的wi为0，其基函数可以被删除，从而达到稀疏性。其他的αi会接近有限值，与之对应的非零μMP的数目也很少，这些元素称为相关向量。引入稀疏因子si和质量因子qi：
其中，B＝σ2I+ΦA-1ΦT，表示该矩阵中去掉第i个基向量后得到的相应矩阵。si是衡量基向量是否在系统中存在的依据；qi是某一个基向量排除在系统外的误差调整尺度。可得：
在训练的RVM坦克分类器中：
当αi＝∞，而更新的则系统中添加基向量且求得αi；
当αi<∞，且则删除并且设置αi＝∞；
当αi<∞，且则保留修正αi；
当max|Δαi|<10-3时，表明分类器已经收敛，wi和αi的更新迭代过程结束。
快速算法是针对每一个输入向量进行添加、删除和修正，避免了进行大矩阵求逆运算，同时每一步迭代都保证边缘似然目标函数的递增，确保迭代的收敛性。
群智优化模块，用以采用基于群智能算法的优化模块对分类器的核参数θ和惩罚因子γ进行优化，采用如下过程完成：
1)算法初始化，根据待优化的分类器形式构造出初始的解集S＝(s1,s2,…,sn)，确定蚁群的大小m，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen＝0；
2)计算出解集S对应的适应度值Fiti(i＝1,2,…,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率Pi(i＝1,2,…,n)
初始化执行寻优算法的蚂蚁编号i＝0；
3)蚂蚁i选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；
4)蚂蚁i在选取的初始解的基础上进行寻优，找到更好的解si′；
5)如果i<m，则i＝i+1，返回步骤3)；否则继续向下执行步骤6)；
6)如果gen<MaxGen，则gen＝gen+1,使用步骤4)中所有蚂蚁得到的最好的解取代S中的对应解，返回步骤2)；否则向下执行步骤7)；
7)计算出解集S对应的适应度值Fiti(i＝1,2,…,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。
结果显示模块，用以进行识别结果的显示，即将输入SAR图像中坦克的类型显示在屏幕当中。
本发明的技术构思为：本发明针对SAR雷达全天时、全天候工作以及强穿透的特性，对SAR雷达监测到的陆地图像进行图像预处理，接着进行特征的提取以及特征的选择，最后通过分类器的训练过程建立陆地坦克目标识别模型，从而实现SAR雷达陆地坦克目标的识别。
本发明的有益效果主要表现在：1、可实时识别陆地坦克目标；2、所用的识别方法只需较少的训练样本；3、智能化、受人为因素干扰小。
附图说明
图1是本发明所提出的系统的整体结构图；
图2是本发明所提出的上位机的功能模块图。
具体实施方式
下面根据附图具体说明本发明。上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
实施例
参照图1、图2，一种群智优化SAR雷达陆地坦克目标识别系统，包括SAR雷达1、数据库2及上位机3，SAR雷达1、数据库2和上位机3依次相连，所述SAR雷达1对所监测陆地进行照射，并将SAR雷达图像存储到所述的数据库2，所述的上位机3包括：
图像预处理模块4，用以进行SAR雷达图像数据预处理，采用如下过程完成：
1)从数据库中传来的SAR图像灰度级为L,f(x0,y0)为像素点(x0,y0)处的灰度值，g(x0,y0)为像素点(x0,y0)的N×N邻域内像素的平均值，其中x0,y0分别表示像素点的横坐标和纵坐标；
2)通过计算满足f＝m和g＝n的像素数目h(m,n)，得到二维联合概率密度pmn：
pmn＝p(m,n)＝h(m,n)/M
其中，M表示图像像素的总数目；
3)计算二维直方图的均值向量μ：
4)分别计算图像中目标和背景出现的概率P0,1和均值向量μ0,1：
其中，t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域；
5)计算类间方差BCV：
BCV＝P0(μ0-μ)(μ0-μ)′+P1(μ1-μ)(μ1-μ)′；
其中，μ表示均值向量，上标’表示矩阵的转置。
6)最佳阈值即为使得BCV为最大值时的二维阈值向量[s0,t0]：
特征提取模块5，用以进行坦克典型特征的提取，采用如下过程完成：
1)从图像预处理模块传来的只包含一个坦克目标的SAR图像切片I(m,n)，其中只包含目标区域的二值图为B(m,n)，则只包含目标的图像T(m,n)：
T(m,n)＝I(m,n)×B(m,n)
其中，×表示对应像素相乘；
2)在B(m,n)中根据坦克个体的主轴方向求得坦克主体区域的最小外接矩形，则该矩形的长边长度Length即为坦克个体的长度，矩形的短边长度Width即为坦克个体的宽度；
3)计算得到几何结构特征，其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量：
周长面积长宽比R＝Length/Width；形状复杂度C＝Length2/4πS；目标区域的质心位置
转动惯量式中，r代表了目标像素点与质心之间的距离，
4)计算得到灰度统计特征，其中包括质量、均值、方差系数、标准差、分形维数、加权填充比：
质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和；分形维数H＝(log10N1-log10N2)/(log10d1-log10d2)，该特征的计算方法是：用分割后的SAR图像切片构建一个保留了目标区域的K(这里取K＝50)个最亮像素点的二值图B2(m,n)，首先将一个大小为d1×d2的窗口在这个二值图中连续滑动，记下窗口中包含亮点的窗口总数记为N1，接着再用一个大小为d2×d2的窗口在这个二值图中连续滑动，记下在窗口中包含亮点的窗口总数记为N2；加权填充比
特征选择模块6，用以选择出最优特征子集，采用如下过程完成：
1)计算类内距离类间距离以及类内类间距Ji:
其中，i表示特征标号，ω表示坦克类别的标号，||Fi(ω)||2表示特征向量Fi(ω)的2范数，表示训练集样本的总体均值，Nω表示第ω类坦克的数量，N表示训练集中坦克总数，E表示期望，下标W、下标B分别表示类内、类间。
2)计算得到归一化方差系数ρi(ω)：
ρi(ω)＝E[||Fi(ω)||22]-E2[||Fi(ω)||2]/E[||Fi(ω)||22]
其中，i表示特征标号，ω表示坦克类别的标号，||Fi(ω)||2表示特征向量Fi(ω)的2范数，E[||Fi(ω)||22]和E2[||Fi(ω)||2]分别表示特征的平方均值以及均值的平方。特征的方差系数ρi(ω)越小，表明该目标特征的稳定性越好；
3)计算得到相关系数ri,j：
其中，i,j表示特征标号，||Fi||2表示特征Fi的2范数，和分别表示Fi和Fj的均值，σi,i和σj,j分别表示Fi和Fj的标准差。由相关系数的性质可知，0≤ri,j≤1；如果两个特征完全不相关，ri,j＝0；如果两个特征完全相关，ri,j＝1；如果两个特征之间的相关性很低，即特征之间的信息冗余非常少，那么ri,j就会越接近0；反之，如果两个特征之间的相关性很高，即特征之间的信息冗余非常多，那么ri,j就会越接近1；
4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集，构造最优输入特征向量；
分类器训练模块7，用以进行分类器训练，采用如下过程完成：
1)从特征选择模块中采集N个SAR雷达图像xi作为训练样本，i＝1,2,…,N；
2)对训练样本进行归一化处理，得到归一化样本
3)将归一化后的训练样本重构，分别得到输入矩阵X和对应的输出矩阵Y:
其中，D表示重构维数，D为自然数，且D<N,D的取值范围为50-70；
4)将得到的X,Y代入如下分类器：
Y＝wTΦ(x)+E
其中，Φ(·)是核函数矩阵，w为权重系数矩阵，E为残差矩阵，核函数的似然函数为：
其中，t为样本目标的分类值，σ2为坦克样本的方差，直接用最大似然估计的方法求解w,σ2，通常会导致严重的过拟合现象，使w中的元素大部分不是0，失去了稀疏性。为了避免这一现象，引入高斯先验来解决这一问题，即定义权重w的先验分布为依赖于超参数α的高斯分布：
其中，α＝(α0,α1,…,αM)T为超参数，决定分类器的稀疏性。由贝叶斯准则，可得权重向量w的后验似然分布为：
该权值的后验分布属于多变量高斯分布，其后验协方差和后验均值分别为：
Σ＝(σ-2ΦTΦ+A)-1
μ＝σ-2ΣΦTt
其中，A＝diag(α0,α1,…,αM)为超参数的对角矩阵。通过最大化边缘似然函数化求得最大似然估计点αMP，如下：
其中，I为单位矩阵。通过得到的α＝αMP代入式求得均值的点估计μMP，从而得到最后坦克分类的估计值t＝ΦμMP。采用自下向上系统来更新超参数α，即快速边缘最大化算法。在迭代过程中，大部分的αi会接近无穷大，即相应的wi为0，其基函数可以被删除，从而达到稀疏性。其他的αi会接近有限值，与之对应的非零μMP的数目也很少，这些元素称为相关向量。引入稀疏因子si和质量因子qi：
其中，B＝σ2I+ΦA-1ΦT，表示该矩阵中去掉第i个基向量后得到的相应矩阵。si是衡量基向量是否在系统中存在的依据；qi是某一个基向量排除在系统外的误差调整尺度。可得：
在训练的RVM坦克分类器中：
当αi＝∞，而更新的则系统中添加基向量且求得αi；
当αi<∞，且则删除并且设置αi＝∞；
当αi<∞，且则保留修正αi；
当max|Δαi|<10-3时，表明分类器已经收敛，wi和αi的更新迭代过程结束。
快速算法是针对每一个输入向量进行添加、删除和修正，避免了进行大矩阵求逆运算，同时每一步迭代都保证边缘似然目标函数的递增，确保迭代的收敛性。
群智优化模块9，用以采用基于群智能算法的优化模块对分类器的核参数θ和惩罚因子γ进行优化，采用如下过程完成：
1)算法初始化，根据待优化的分类器形式构造出初始的解集S＝(s1,s2,…,sn)，确定蚁群的大小m，设置蚁群寻优算法迭代次数的阈值MaxGen并初始化蚁群寻优的迭代次数序号gen＝0；
2)计算出解集S对应的适应度值Fiti(i＝1,2,…,n)，适应度值越大代表解越好；再根据下式确定解集中每个解被取到作为蚂蚁寻优的初始解的概率Pi(i＝1,2,…,n)
初始化执行寻优算法的蚂蚁编号i＝0；
3)蚂蚁i选取S中的一个解作为寻优的初始解，选取规则是根据P来做轮盘选；
4)蚂蚁i在选取的初始解的基础上进行寻优，找到更好的解si′；
5)如果i<m，则i＝i+1，返回步骤3)；否则继续向下执行步骤6)；
6)如果gen<MaxGen，则gen＝gen+1,使用步骤4)中所有蚂蚁得到的最好的解取代S中的对应解，返回步骤2)；否则向下执行步骤7)；
7)计算出解集S对应的适应度值Fiti(i＝1,2,…,n)，选取适应度值最大的解作为算法的最优解，结束算法并返回。
结果显示模块8，用以进行识别结果的显示，即将输入SAR图像中坦克的类型显示在上位机当中。
所述上位机3的硬件部分包括：I/O元件，用于数据的采集和信息的传递；数据存储器，存储运行所需要的数据样本和运行参数等；程序存储器，存储实现功能模块的软件程序；运算器，执行程序，实现指定的功能；显示模块，显示设置的参数和识别结果。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。