2.4 试验结果与分析

本节采用MSTAR数据进行试验，验证本章所述算法的有效性，MSTAR（Moving and Stationary Target Acquisition and Recognition）数据是由美国的DARPA/AFRL机构提供的运动和静止目标获取与识别数据。装甲车BMP2包含3个型号，分别是9563、9566和c21；主战坦克T72也包含3个型号，分别是132、812和s7；装甲车BRT70只包含1个型号c71。采用SAR在雷达俯仰角为17°时的成像数据作为训练样本，在雷达俯仰角15°时的成像数据作为测试样本，所有的图像大小均为128像素×128像素，目标方位角的覆盖范围为0°～360°，目标的部分SAR图像如图2-2所示。具体试验数据如表2-1所示。

原始的SAR图像不仅包含感兴趣的目标，还包含大量的背景杂波，而且SAR图像中不均匀的散射也会对特征提取和分类判别算法的性能产生影响。因此，在特征提取之前，首先要对原始的SAR图像进行预处理，以改善算法的性能。在进行预处理时，首先从每幅SAR图像的中心截取大小为48像素×48像素的子图像，以减弱SAR图像中大面积的背景噪声对算法性能造成的不利影响；然后对该子图像的幅度进行归一化处理，以减弱SAR图像中不均匀的散射对算法性能造成的影响。为了验证本章所述算法的有效性，选择基于LPP的算法和经典的基于PCA的算法进行对比试验。PCA算法是经典的特征提取方法，在目标识别领域中被广泛使用。其通过求解样本自相关矩阵的一组正交矢量，并将样本在这组矢量上的投影作为样本特征，提取出的正交矢量不但能够最大限度地减小描述样本数据的方差，而且能有效地达到降维的目的。

首先进行目标类别识别的试验。这里分别采用3种算法进行目标类别的识别，识别结果如表2-2所示。可以看到，在3种算法中，本章所述LPP-GMD算法的识别效果最好，对于目标BTR70可以实现100%的识别率。但是，该算法在进行类别识别时，优势并不明显，即使效果最差的PCA算法，其平均识别率也能达到97.00%。产生此现象的原因在于，进行目标类别识别时，如果将属于一个型号的目标错判成属于同类别其他型号的目标，并不被认为是错误的识别判定。可见，如前文所述，只进行目标的类别识别对于想要获取目标详细信息的情形来说是不够的。

因此，下面进行目标的型号识别试验。分别采用3种算法时，目标的型号识别率随特征维数变化的曲线如图2-3所示。具体试验数据如表2-3所示。

从图2-3可以看出，进行目标型号识别时，本章算法对每个型号目标的识别效果都明显优于LPP算法的识别结果和PCA算法的识别结果。表2-3给出了分别采用3种算法在平均识别率最高时对每个型号目标的识别结果。

图2-4给出了分别采用3种算法在平均识别率最高时的混淆矩阵示意图。观察图2-4（a）可以看出，从类别识别的角度出发，本章算法对目标BTR70的识别率是100%，而对于目标BMP2和目标T72，两个目标各有一个误判，一个是将目标BMP2-9563误判为T72-812，另一个是将目标T72-s7误判为BMP2-9566。

进行目标型号识别时，采用PCA算法获得的识别效果仍然是最差的。其原因在于，采用PCA算法进行特征提取时，有助于识别的数据局部结构不能得到很好的保持。而采用LPP算法时，由于能够保持数据的局部结构，因此比采用PCA算法的效果要好。

由试验结果可见，采用本章介绍的LPP-GMD算法获得的识别效果是最好的。该算法从统计的角度进行特征提取，尽可能地保留了对识别有用的信息，采用理论上能拟合任何分布的混合高斯分布对噪声分量的统计特性建模，而且局部保持特性也很好地融入了统计模型，实现了对识别至关重要的数据局部结构的有效保持。通过对相似度矩阵的修正，数据的局部结构和全局拓扑结构都得到了有效的保持，进一步提高了识别率。 Xz+DhlPmqYKgI5yhLczPHuC+nPY+5QJqJpNs1xfoYhmbvWPVNyVYa96u0Gfn0z5K