《自动目标识别评估方法及应用（第二版）》是一本关于自动目标识别评估理论、方法、技术及应用的专著,是作者长期以来科研工作的总结.《自动目标识别评估方法及应用（第二版）》广泛收集了该领域国内外专家的成果，结合作者的研究成果, 提出了一些独立的学术见解. 《自动目标识别评估方法及应用（第二版）》共8 章：第1章回顾ATR 技术发展历程，概述国内外ATR 评估方法, 点明《自动目标识别评估方法及应用（第二版）》特色; 第2 章讨论概率型指标（以识别率为典型代表）的估计; 第3 章讲解如何以识别率为比较准则进行算法的选优和排序; 第4 章阐述多指标的ATR 评估决策方法; 第5 章探讨ATR 的技术有效性，使用DEA 方法进行技术效率评估; 第6 章分析影响ATR 效率的因素, 基于MPI 定量测算影响因素作用;第7 章分析ATR 系统评估结果的可信度问题, 提出若干新的研究成果; 第8 章介绍ATR 评估工具平台并给出应用实例.

第1章 绪论
　　信息时代到来后， 人类生活的各个领域都出现了无缝隙监控管理需求. 探测系统覆盖范围的扩大， 信息化程度的提高， 使得人们已不再满足于对日益丰富的信息进行简单的监视、记录. 深层次的信息利用 (如对场景中感兴趣目标的辨认、身份属性识别等) 的需求越来越迫切. 目标识别就是根据目标暴露的征候进行分析和判断， 达到辨认和识别目标身份、属性的目的. 随着计算机处理能力的提高， 人们希望这一判别过程不需要人的干预自动完成， 因此产生了自动目标识别(Automatic Target Recognition， ATR) 的概念[1].
　　1958 年， Barton 通过 AN/FPS-16 雷达对苏联人造卫星 Sputnik II 的外形特征作出准确论断. 世界各国对于雷达 ATR 的研究已有五十多年历史. 在这一期间， 基于雷达、红外以及激光等多种传感器， ATR 技术在军事应用领域中取得了一系列重大进展. 此外， ATR 在医学 CT 诊断、生物特征识别、手写输入、语音鉴别等民用领域中也受到了广泛重视， 并取得了长足的进步. 由此产生的直接问题就是， 如果将目标识别这项重要的任务交由机器来完成， 我们应该如何评估 ATR所取得的实际作用.
　　“测试和评估在任何技术的发展和应用过程中都是重要的”[2]， 尤其是对于ATR这种开放、复杂、高度集成化的应用系统， 更是如此. ATR 评估作为一项新兴课题， 其方法研究在理论探索和实践应用上都存有较大的发展空间. 对于评估方法的深入研究能够指导 ATR 技术的改进优化， 有力地推进 ATR 技术发展. 通过科学的测试评估， 我们可以预测给定的算法或系统的性能， 这正是 “ATR 成为科学的领域所应具备的基本要素”[3].
　　在 ATR 不断发展的过程中， 有不少学者结合自身的研究背景给出了ATR的概念或定义. 借鉴众多观点后， 本书 ATR 的含义是 “具备目标判别功能的实体”. 后文中使用 ATR 一词时， 更多指具有目标识别功能的算法或系统等实体. 相应地， 将 ATR 评估 (ATR evaluation) 概括为 “以 ATR 作为评估对象的行为活动”.
　　看到这里， 读者或许对 ATR 评估究竟要研究什么仍然心存疑惑. 作为本书的第 1 章， 绪论部分将着重阐述几个基础问题: 目标识别技术发展概况、贯穿于研制过程的 ATR 评估、评估方法的发展现状、ATR 评估的重要课题等. 显然， 上述问题之间存在着紧密的联系.
　　1.1 自动目标识别发展概况
　　1.1.1 基本概念及领域特色
　　IEEE 图像处理汇刊给出的定义是[4]: 自动目标识别一般指通过计算机处理来自各种传感器的数据， 实现自主或辅助的目标检测和识别. 其中， 提供数据的传感器包括前视红外 (FLIR)、合成孔径雷达 (SAR)、逆合成孔径雷达 (ISAR)、激光雷达 (LADAR)、毫米波 (MMW) 雷达、多/超光谱传感器、微光电视 (LLLTV)、视频摄像机等.
　　ATR 研究的一个突出特点是强调复杂情况下的应用. ATR 的研究领域包括[3]: 利用各种传感器 (声、光、电、磁等)， 从客观世界中获取目标/背景信号; 使用光/电子及计算机信息处理手段自动地分析场景; 检测、识别感兴趣的目标以及获取目标各种定性、定量的性质等. ATR 的理论、模型、方法和技术是实现自然场景中复杂系统自动化、智能化工作的基础. 例如: 机器人装置的技能将更灵活、有效， 从而扩大制造过程的自动化程度， 并促进在恶劣环境下自主式遥控机器人的使用; 新型现代医学成像诊断设备将能自动辅助医疗人员发现病症、诊断疾病， 对病灶进行自动化手术与治疗; 装备自动辨识生物特征系统的机要部门、银行和智能大厦将更加安全、方便; 遥感观测系统将更加快速、可靠地从二维、三维乃至多维的数据中发现矿藏、森林火灾和环境污染; “发射后不管” 的武器系统从复杂背景中检测、识别弱小目标的能力以及从假目标中识别出真实目标的能力将大大增强， 武器的精确性、可靠性及效率将大大提升.
　　ATR 研究的另一个特点是多学科交叉与融合. ATR 是光电子、智能控制、地球与空间科学、人工智能、模式识别、计算机视觉、脑科学等多学科十分关注的交叉学科前沿[3]. 在各种权威国际刊物和学术会议上， 每年都涌现大量与之相关的理论和应用研究论文.
　　1.1.2 ATR 技术发展过程
　　1. 继承与初步发展[1]
　　目标识别源于模式识别， 发展之初大量继承了模式识别的基本理论和思维方式. 这些理论和方法要点是: 基于不同类别模式的特征在多维特征空间中具有聚集性和可分性的假设， 使用统计和结构化技术对所属类别模式进行判断. 所谓的“模式” 是指存在于时间和空间中可观测的事物， 在具体应用中往往表现为具有时间或空间分布的信息 (这种分布关系一般是比较确定的). 因此， 模式识别的主要工作集中在特征提取、选择以及分类器的构造这三个方面. 典型的应用包括印刷体汉字识别[5]、视觉系统对空间结构的识别等.
　　20 世纪 80 年代中期以前， 目标识别可以看作是模式识别理论与方法的应用研究， 主要的工作沿袭了特征提取与选择、模板建库、分类器设计、匹配决策等模式识别的基本处理环节. 以武器系统目标识别为例， 其结构可归纳为如图 1.1[6] 所示的**模式识别处理流程.
　　图 1.1[6] ** ATR 系统的处理结构
　　这一时期发表的绝大多数研究论文都循着模式识别的思路， 在特征提取与选择方面取得的成果较多， 主要集中在结合传感器的物理特性来寻找不变特征. 以雷达传感器为例， 研究的目标特征从飞机动力构件调制特征、目标谐振区极点特征、极化散射矩阵的不变量、微动特征， 到雷达成像的各种散射中心、结构特征， 不胜枚举[7]. 特别是随着成像传感器的大量应用， 基于视觉不变性的特征分析方法颇具吸引力， 人们在面向目标提取的可视特征方面开展了大量的研究工作》.
　　受当时处理器能力的限制， ATR 系统主要采取面向目标 (或局部区域) 的方法来提取特征[6]. 例如， 提取目标的分割算法并不处理整个图像， 而只是处理目标可能位置附近的像素点， 由这些点找到闭合的边界; 之后再根据闭合边界描述的目标提取特征， 通过匹配完成分类识别. 到 1997 年， 基于图像的目标识别研究论文数量众多， IEEE 图像处理汇刊出版了自动目标识别研究的专辑， 从图像处理和分析的各个角度探讨了目标识别问题[3]. 专辑的主要思想仍然沿用传统模式识别的思路， 聚焦在目标本身不变特征的寻找和利用上， 并以此作为特征模板进行匹配识别. 客观地说， 这一时期 ATR 系统的识别能力远未达到人们的预期效果.
　　然而， ATR 不能等同于传统模式识别. 模式识别*典型的例子是文字识别、机器人对障碍物的识别等， 所要识别的模式不会随时间或空间发生变化， 属于静态场景中的识别. ATR 主要考虑在动态变化场景中的识别问题[8]， 而训练 ATR系统的数据集相对实际情况又非常有限， 导致所建立匹配模板的标准状态与目标的实际状态通常出现较大差异. 例如， 雷达观测条件不尽相同， 目标结构相应发生不同程度的变化， *终导致用于匹配的特征模板 (或目标数据) 与实际情况不一致.
　　2. 实践检验与变革[1]
　　到了 20 世纪 90 年代， 人们开始认识到基于模板匹配方法的局限性， 对此提出运用模型预测来应对实际情况中的目标特性变化[9]. 以雷达目标识别为例， 该类方法的核心是目标对雷达照射电磁波散射的预估模型. 这类 ATR 系统在工作时会根据待识别目标所处状态， 实时计算出候选目标的雷达图像， 然后进行比对判别. 这一时期美国国防高级研究计划署 (DARPA) 组织实施了 MSTAR(Moving and Stationary Target Acquisition and Recognition) 计划， 集中开展了基于数据模板和模型预测的各种 ATR 技术在地面车辆识别中的实用性检验. 经过 20 多类地面目标不同状态下大量实测数据的检验， 发现这种模型预测的匹配方法仅适用于目标受环境扰动较小的情况. 其中一项堑壕遮挡影响的实验很具有说服力: 当M109 坦克周围堆起 1m 高的土堆作为堑壕时， 识别正确率从没有堑壕时的 95％降低到 43％. 这说明尽管引入了模型预期机制， 面向目标的方法仍不能很好地解决战场环境下地面装甲车辆的识别问题.
　　如图 1.1 所示的处理结构很难引入外部信息， 造成目标识别过程中缺少相关知识的利用. 因此， 文献 [9] 建议采用知识推理辅助的方法进行目标识别. 这类方法中， 基于上下文知识 (context) 的目标识别技术*先得到了关注和深入研究[10]. 上下文知识是一种目标或组成部分与相邻客体之间关系的描述， 例如: 目标各组成部分之间的关系、目标与环境之间的关系， 等等. 上下文知识的引入， 意味着目标识别关注的视野不再局限于目标本身， 相邻客体对目标的约束信息也被纳入考虑并做出贡献. 美国军方资助的基于知识的目标识别计划， 主要体现在 “上下文知识” 技术在目标识别中的应用， 例如在 1983 年， 就资助 Martin Marietta 和Hughes Aircraft 两家公司， 目的是发展一种利用图像上下文信息的人工智能目标识别方法[10].
　　Hughes Aircraft 公司的方法是一种基于视觉抽象的识别方法. 借助空间黑板的媒介， ATR 系统保持了场景的多级抽象信息用于继承关系的推理. 例如， *底层可能包括原始的像素、第二层是增强的像素、第三层是对比驱动的线分割、第四层是闭合的分割边界， 等等. 系统保持每个实体的层次化连接关系， 以便回溯查询之用. 一幅图像中各种内在的上下文关系信息 (如战场监视和数字地形数据) 可融入黑板系统， 形成一个表达场景的符号化表示. 模型目标 (如坦克、卡车、APC(装甲人员运输车)) 和它们潜在的上下文关系构成的知识库是知识处理的焦点. 每个模型目标用语义框架维持， 表达其在特定任务场景中将会遇到的期望目标类型. 这种基于知识的模型具有层次化的本质， 便于层次化分类器使用. 分类器试图匹配每一个未知的符号模型， 并与已知的基于知识的模型进行对比， *终确定目标的类别属性和对应的分类置信度.
　　Martin Marietta 公司的方法与 Hughes Aircraft 公司稍有不同. 不像黑板结构那样从底层到高层都整合人工智能， 它把不同层次的知识分开来*立处理. 在原有 ATR 系统的基础上， 增加全局区域分类、运动目标指示、先进的目标识别等处理算法. 当与数字地图、监视数据、天气条件、时间段等形式的辅助数据进行组合时， 这些信息构成一个符号化的场景表达反馈给上下文分析器. 这个上下文分析器是基于模型的规则推理系统， 能够根据场景上下文进行推理， 确定真实目标和区域的分类. 识别的置信度则由证据框架提供， 采用原有 ATR 的输出作为分类置信度的初值， 系统采用三种类型的上下文证据 (否定证据、支持证据和中立证 据)， 对分类识别结构进行更新. 例如: 目标在湖里的事实是坦克存在的否定证据; 在陆地上是支持证据; 目标是一块大石头则是中立证据.
　　3. 蓬勃发展时期[1]
　　20 世纪 90 年代中期以后， ATR 技术在许多应用领域都取得了重要突破. 在人体生物特征识别领域， 就不乏成功的范例， 例如指纹识别、DNA 鉴别. 这些成功实例的共同特点是可以通过纯技术手段来实现， 属于本领域特性认知基础上的“点” 识别技术. 这些技术所利用的信息变化相对稳定， 且信息内涵单一 (如单纯的

目录
总序
第二版前言
第一版前言
第1章 绪论 1
1.1 自动目标识别发展概况 2
1.1.1 基本概念及领域特色 2
1.1.2 ATR 技术发展过程 2
1.1.3 对于 ATR 的认识 8
1.1.4 困难与挑战 10
1.2 各研制阶段的 ATR 评估 11
1.3 ATR 评估方法概述 12
1.3.1 ATR 评估指标 12
1.3.2 多指标 ATR 评估 14
1.3.3 ATR 实用性检验 16
1.4 ATR 评估的重要课题 17
1.5 本书特色 19
全书各章概要 20
文献和历史评述 20
参考文献 21
第2章 目标识别概率估计 28
2.1 引言 28
2.2 **统计估计方法 29
2.2.1 点估计值法 29
2.2.2 置信区间估计法 30
2.3 贝叶斯分析估计法 31
2.3.1 区间类型 32
2.3.2 估计准则 32
2.3.3 精度要求 33
2.4 测试样本容量需求 33
2.4.1 计算准则 33
2.4.2 无先验信息情况的预测 34
2.4.3 考虑测试值下限的预测 35
2.4.4 Beta 及广义 Beta 先验的预测 37
本章小结 42
文献和历史评述 43
参考文献 44
第3章 识别率选优与排序 46
3.1 引言 46
3.2 现有识别率选优与排序方法 46
3.2.1 单次比较法 46
3.2.2 序贯比较法 49
3.3 评估事件后验概率推理方法 51
3.3.1 ATR 评估问题的需求 51
3.3.2 事件后验概率的计算 51
3.4 算法数目、样本容量及评估可信度 54
3.5 识别率比较的*大似然原理 65
3.5.1 识别率选优中的似然原理 65
3.5.2 识别率排序中的似然原理 68
本章小结 70
文献和历史评述 71
参考文献 73
第4章 多指标 ATR 评估决策 75
4.1 引言 75
4.2 决策分析理论基础 76
4.2.1 决策分析基本步骤 76
4.2.2 多属性决策要素 77
4.2.3 评估决策模型 78
4.3 区间数 ATR 多指标评估方法 79
4.3.1 ATR 评估中的区间数多属性决策 79
4.3.2 区间加权法 81
4.3.3 区间 TOPSIS 法 82
4.3.4 评估实例 84
4.4 混合型 ATR 多指标评估方法 88
4.4.1 ATR 评估中的混合型多属性决策 88
4.4.2 偏好矩阵法 89
4.4.3 次序关系法 94
4.4.4 评估实例 95
4.5 模糊型 ATR 多指标评估方法 100
4.5.1 ATR 评估中的模糊型多属性决策 100
4.5.2 区间直觉模糊 TOPSIS-GCA 方法 101
4.5.3 评估实例 107
本章小结 109
文献和历史评述 109
参考文献 111
第5章 ATR 技术效率度量 115
5.1 引言 115
5.2 DEA 理论基础 116
5.2.1 公理假设 116
5.2.2 基本模型 117
5.2.3 生产函数 118
5.3 ATR 技术效率度量方法 118
5.3.1 ATR 技术效率原理 118
5.3.2 效率度量求解技巧 119
5.4 评估实例 124
本章小结 128
文献和历史评述 129
参考文献 131
第6章 影响因素作用测算 132
6.1 引言 132
6.2 Malmquist 指数 133
6.2.1 距离函数 133
6.2.2 Malmquist 指数 134
6.3 影响 ATR 效率的因素作用测算方法 135
6.3.1 因素作用后的数据特性 135
6.3.2 影响因素作用求解技巧 136
6.4 评估实例 143
本章小结 146
文献和历史评述 147
参考文献 148
第7章 性能预测与可信度检验 150
7.1 引言 150
7.2 基于优化支持向量机的性能预测 150
7.2.1 支持向量机基本原理 150
7.2.2 基于立方混沌和自适应策略的灰狼优化算法 152
7.2.3 CAGWO-SVM 回归预测评估方法 157
7.2.4 性能预测实例 159
7.3 基于改进证据理论的评估结果可信度检验方法 160
7.3.1 证据理论基本原理 160
7.3.2 改进的 DS 证据理论 163
7.3.3 性能评估结果的可信度检验方法 166
7.3.4 可信度检验实例 168
本章小结 170
文献和历史评述 170
参考文献 171
第8章 ATR 评估系统及其应用 174
8.1 引言 174
8.2 ATR 评估工具平台 175
8.2.1 ATR 评估软件系统 175
8.2.2 ATR 测试与演示系统 178
8.2.3 评估系统应用实例 179
8.3 性能评估及可信度校验辅助软件 187
8.3.1 功能需求与结构组成 187
8.3.2 软件设计与实现 188
本章小结 198
文献和历史评述 198
参考文献 199