属性散射中心匹配及其在SAR目标识别中的应用

丁柏圆 文贡坚 余连生 马聪慧

丁柏圆, 文贡坚, 余连生, 马聪慧. 属性散射中心匹配及其在SAR目标识别中的应用[J]. 雷达学报, 2017, 6(2): 157-166. doi: 10.12000/JR16104
引用本文: 丁柏圆, 文贡坚, 余连生, 马聪慧. 属性散射中心匹配及其在SAR目标识别中的应用[J]. 雷达学报, 2017, 6(2): 157-166. doi: 10.12000/JR16104
Ding Baiyuan, Wen Gongjian, Yu Liansheng, Ma Conghui. Matching of Attributed Scattering Center and Its Application to Synthetic Aperture Radar Automatic Target Recognition[J]. Journal of Radars, 2017, 6(2): 157-166. doi: 10.12000/JR16104
Citation: Ding Baiyuan, Wen Gongjian, Yu Liansheng, Ma Conghui. Matching of Attributed Scattering Center and Its Application to Synthetic Aperture Radar Automatic Target Recognition[J]. Journal of Radars, 2017, 6(2): 157-166. doi: 10.12000/JR16104

属性散射中心匹配及其在SAR目标识别中的应用

doi: 10.12000/JR16104
基金项目: 

教育部新世纪优秀人才支持计划 NCET-11-0866

详细信息
    作者简介:

    丁柏圆 (1990–), 男, 博士研究生, 研究方向为SAR自动目标识别。E-mail:Dingbaiyuan_NUDT@163.com

    文贡坚 (1972–), 男, 教授, 博士生导师, 研究方向为遥感图像处理

    余连生 (1984–), 男, 助理工程师, 研究方向为摄影测量与遥感

    马聪慧 (1987–), 女, 1987年生, 博士研究生, 研究方向为SAR自动目标识别

    通讯作者:

    丁柏圆, E-mail:Dingbaiyuan_NUDT@163.com

  • 中图分类号: TN957

Matching of Attributed Scattering Center and Its Application to Synthetic Aperture Radar Automatic Target Recognition

Funds: 

The Program for New Century Excellent Talents in University NCET-11-0866

  • 摘要: 属性散射中心是合成孔径雷达 (Synthetic Aperture Radar, SAR) 图像的一个重要特征。该文提出了一种属性散射中心匹配方法并将其运用于SAR目标识别中。该方法首先基于属性散射中心模型提取待识别SAR图像和模板SAR图像的属性散射中心,进而采用Hungarian算法实现散射中心的匹配。在建立的匹配关系的基础上,设计了一种稳健的散射中心匹配度度量方法计算待识别散射中心与各类模板散射中心的匹配度。该匹配度准则充分考虑了单个散射中心强弱、匹配对强弱以及漏警、虚警带来的影响,对于散射中心集的匹配度的评价更为全面。基于Moving and Stationary Target Acquisition and Recognition (MSTAR) 数据集的实验验证了方法的有效性。
  • 图  1  一幅BMP2 SAR图像的参数估计重构结果 (动态范围40 dB)

    Figure  1.  The reconstruction of a BMP2 SAR image (Dynamic range: 40 dB)

    图  2  Hungarian算法实现散射中心匹配

    Figure  2.  The matching of attributed scattering centers by Hungarian algorithm

    图  3  门限计算

    Figure  3.  The calculation of the threshold

    图  4  “强匹配对”的权值计算

    Figure  4.  The weight of the "strong assignments"

    图  5  漏警和虚警的权值计算

    Figure  5.  The weight of MAs and FAs

    图  6  本文方法的基本流程

    Figure  6.  The general procedure of the proposed method

    图  7  本文方法在不同模型阶数的识别性能

    Figure  7.  The recognition performance under different model orders

    图  8  不同分辨率下的MSTAR图像

    Figure  8.  The MSTAR images under different resolutions

    图  9  不同分辨率下的识别率

    Figure  9.  The recognition performance under different resolutions

    图  10  不同信噪比下的MSTAR图像

    Figure  10.  The reconstructed MSTAR images under different SNRs

    图  11  不同信噪比下的识别性能

    Figure  11.  The recognition performance under different SNRs

    表  1  分配代价矩阵

    Table  1.   The cost matrix for Hungarian matching

    Y1 Y2 $\begin{array}{*{20}{c}}\cdots \end{array}$ Yn MA
    X1 C11 C12 $\begin{array}{*{20}{c}}\cdots \end{array}$ C1n M1 $\infty $ $\begin{array}{*{20}{c}}\cdots \end{array}$ $\infty $
    X2 C21 C22 $\begin{array}{*{20}{c}}\cdots \end{array}$ C2n $\infty $ M2 $\begin{array}{*{20}{c}}\cdots \end{array}$ $\infty $
    $\vdots $ $\vdots $ $\vdots $ $ \ddots $ $\vdots $ $\vdots $ $\vdots $ $ \ddots $ $\vdots $
    Xm Cm1 Cm2 $\begin{array}{*{20}{c}}\cdots \end{array}$ Cmn $\infty $ $\infty $ $\begin{array}{*{20}{c}}\cdots \end{array}$ Mm
    FA F1 $\infty $ $\ldots $ $\infty $ $\infty $ $\infty $ $\ldots $ $\infty $
    $\infty $ F2 $\ldots $ $\infty $ $\infty $ $\infty $ $\ldots $ $\infty $
    $\vdots $ $\vdots $ $ \ddots $ $\vdots $ $\vdots $ $\vdots $ $ \ddots $ $\vdots $
    $\infty $ $\infty $ $\ldots$ Fn $\infty $ $\infty $ $\ldots$ $\infty $
    下载: 导出CSV

    表  2  属性的不确定性建模

    Table  2.   The modeling of attribute uncertainty

    属性类别 均值 方差
    方位向x x0 ${\sigma ^2} = {\rm{CR}}{{\rm{R}}^2}$
    距离向y y0 ${\sigma ^2} = {\rm{R}}{{\rm{R}}^2}$
    归一化幅度|A| |A0| ${\sigma ^2} = 0.1$
    下载: 导出CSV

    表  3  模板集和测试集

    Table  3.   The template set and testing set

    模板集 样本数量 测试集 样本数量
    BMP2(SN_C21) 233 BMP2(SN_C21) 195
    BMP2(SN_9566) 232 BMP2(SN_9566) 196
    BMP2(SN_9563) 233 BMP2(SN_9563) 196
    BTR70(SN_C71) 233 BTR70(SN_C71) 196
    T72(SN_132) 232 T72(SN_132) 196
    T72(SN_812) 231 T72(SN_812) 195
    T72(SN_S7) 228 T72(SN_S7) 191
    下载: 导出CSV

    表  4  本文方法的识别结果

    Table  4.   The recognition result of the proposed method

    目标类型 识别结果 Pc(%)
    BMP2 BTR70 T72
    BMP2(SN_9563) 191 2 2 97.95
    BMP2(SN_9566) 195 1 0 99.49
    BMP2(SN_C21) 192 2 2 97.96
    BTR70 5 188 3 95.92
    T72(SN_132) 8 1 187 96.91
    T72(SN_812) 1 0 194 99.49
    T72(SN_S7) 4 1 186 97.31
    Average (%) 97.88
    下载: 导出CSV

    表  5  3种方法的识别性能对比

    Table  5.   The comparison of the three methods

    方法 识别率 (%) 消耗时间 (ms)
    本文方法 97.88 10.2
    方法一 93.46 3.5
    方法二 96.92 20.3
    下载: 导出CSV
  • [1] 黄培康, 殷红成, 许小剑.雷达目标特性[M].北京:电子工业出版社, 2005: 22–24.

    Huang Pei-kang, Yin Hong-cheng, and Xu Xiao-jian. Radar Target Signature[M]. Beijing: Publishing House of Electronics Industry, 2005: 22–24.
    [2] Keller J B. Geometrical theory of diffraction[J]. Journal of the Optical Society of America, 1962: 52(2): 116–130. doi:  10.1364/JOSA.52.000116
    [3] Gerry M J, Potter L C, and Gupta I J. A parametric model for synthetic aperture radar measurements[J]. IEEE Transactions on Antennas and Propagation, 1999, 47(7): 1179–1188. doi:  10.1109/8.785750
    [4] Chiang H-C, Moses R L, and Potter L C. Model-based classification of radar images[J]. IEEE Transactions on Information Theory, 2000, 46(5): 1842–1854. doi:  10.1109/18.857795
    [5] 唐涛, 粟毅.散射中心特征序贯匹配的SAR图像目标识别方法[J].系统工程与电子技术, 2012, 34(6): 1131–1135. http://www.cnki.com.cn/Article/CJFDTOTAL-XTYD201206011.htm

    Tang Tao and Su Yi. Object recognition in SAR imagery using sequential feature matching of scattering centers[J]. System Engineering and Electronics, 2012, 34(6): 1131–1135. http://www.cnki.com.cn/Article/CJFDTOTAL-XTYD201206011.htm
    [6] Sirui Tian, Kuiying Yin, Chao Wang, et al.. An SAR ATR method based on scattering center feature and bipartite graph matching[J]. IETE Technical Review, 2015, 32(5): 364–375. doi:  10.1080/02564602.2015.1019941
    [7] Bhanu B and Lin Y Q. Stochastic models for recognition of occluded targets[J]. Pattern Recognition, 2003, 36(12): 2855–2873. doi:  10.1016/S0031-3203(03)00182-1
    [8] Dungan K E and Potter L C. Classifying transformationvariant attributed patterns[J]. Pattern Recognition, 2010, 43(11): 3805–3816. doi:  10.1016/j.patcog.2010.05.033
    [9] Dungan K E and Potter L C. Classifying sets of attributed scattering centers using a hash coded database[C]. Proceedings of Algorithms for Synthetic Aperture Radar Imagery XVII, SPIE, Florida, 2010: 7737R01–7737R11.
    [10] Zhou Jianxiong, Shi Zhiguang, Chen Xiao, et al.. Automatic target recognition of SAR images based on global scattering center model[J]. IEEE Transactions on Geosciences and Remote Sensing, 2011, 49(10): 3713–3729. doi:  10.1109/TGRS.2011.2162526
    [11] Kim Taejoon and Dong Miaomiao. An iterative Hungarian method to joint relay selection and resource allocation for D2D communications[J]. IEEE Wireless Communications Letters, 2014, 3(6): 625–629. doi:  10.1109/LWC.2014.2338318
    [12] Li D, Zhang G, Wu Z, et al.. An edge embedded markerbased watershed algorithm for high spatial resolution remote sensing image segmentatio[J]. IEEE Transactions on Image Processing, 2010, 19(10): 2781–2787. doi:  10.1109/TIP.2010.2049528
    [13] Jing M, Zhou X, and Qi C. Quasi-Newton Iterative Projection algorithm for sparse recovery[J]. Neurocomputing, 2014, 144: 169–173. doi:  10.1016/j.neucom.2014.04.055
    [14] Chen J, Li Y, Wang J, et al.. Adaptive CLEAN algorithm for millimetre wave synthetic aperture imaging[J]. IET Image Processing, 2015, 9(3): 218–225. doi:  10.1049/iet-ipr.2014.0443
    [15] 陶勇, 胡卫东.基于图像域的属性散射中心分析[J].信号处理, 2009, 25(10): 1510–1514. doi:  10.3969/j.issn.1003-0530.2009.10.004

    Tao Yong and Hu Wei-Dong. Analysis of attributed scattering center based on image domain[J]. Signal Processing, 2009, 25(10): 1510–1514. doi:  10.3969/j.issn.1003-0530.2009.10.004
    [16] 徐牧, 王雪松, 肖顺平.基于Hough变换与目标主轴提取的SAR图像目标方位角估计方法[J].电子与信息学报, 2007, 29(2): 370–374. http://www.cnki.com.cn/Article/CJFDTOTAL-DZYX200702024.htm

    Xu Mu, Wang Xue-song, and Xiao Shun-ping. Target aspect estimation in SAR imagery based on Hough transform and major axis extraction[J]. Journal of Electronic & Information Technology, 2007, 29(2): 370–374. http://www.cnki.com.cn/Article/CJFDTOTAL-DZYX200702024.htm
  • [1] 曾涛, 温育涵, 王岩, 丁泽刚, 卫扬铠, 袁跳跳.  合成孔径雷达参数化成像技术进展 . 雷达学报, 2021, (): 1-15. doi: 10.12000/JR21004
    [2] 赵鹏菲, 黄丽佳.  一种基于EfficientNet与BiGRU的多角度SAR图像目标识别方法 . 雷达学报, 2021, 10(): 1-10. doi: 10.12000/JR20133
    [3] 李晓峰, 张彪, 杨晓峰.  星载合成孔径雷达遥感海洋风场波浪场 . 雷达学报, 2020, 9(3): 425-443. doi: 10.12000/JR20079
    [4] 李永祯, 黄大通, 邢世其, 王雪松.  合成孔径雷达干扰技术研究综述 . 雷达学报, 2020, 9(5): 753-764. doi: 10.12000/JR20087
    [5] 黄岩, 赵博, 陶明亮, 陈展野, 洪伟.  合成孔径雷达抗干扰技术综述 . 雷达学报, 2020, 9(1): 86-106. doi: 10.12000/JR19113
    [6] 卫扬铠, 曾涛, 陈新亮, 丁泽刚, 范宇杰, 温育涵.  典型线面目标合成孔径雷达参数化成像 . 雷达学报, 2020, 9(1): 143-153. doi: 10.12000/JR19077
    [7] 李玮杰, 杨威, 黎湘, 刘永祥.  一种噪声环境下的雷达目标高分辨率距离像鲁棒识别方法 . 雷达学报, 2020, 9(4): 622-631. doi: 10.12000/JR19093
    [8] 文贡坚, 马聪慧, 丁柏圆, 宋海波.  基于部件级三维参数化电磁模型的SAR目标物理可解释识别方法 . 雷达学报, 2020, 9(4): 608-621. doi: 10.12000/JR20099
    [9] 邢孟道, 林浩, 陈溅来, 孙光才, 严棒棒.  多平台合成孔径雷达成像算法综述 . 雷达学报, 2019, 8(6): 732-757. doi: 10.12000/JR19102
    [10] 喻玲娟, 王亚东, 谢晓春, 林赟, 洪文.  基于FCNN和ICAE的SAR图像目标识别方法 . 雷达学报, 2018, 7(5): 622-631. doi: 10.12000/JR18066
    [11] 章鹏飞, 李刚, 霍超颖, 殷红成.  基于双雷达微动特征融合的无人机分类识别 . 雷达学报, 2018, 7(5): 557-564. doi: 10.12000/JR18061
    [12] 张群, 胡健, 罗迎, 陈怡君.  微动目标雷达特征提取、成像与识别研究进展 . 雷达学报, 2018, 7(5): 531-547. doi: 10.12000/JR18049
    [13] 康妙, 计科峰, 冷祥光, 邢相薇, 邹焕新.  基于栈式自编码器特征融合的SAR图像车辆目标识别 . 雷达学报, 2017, 6(2): 167-176. doi: 10.12000/JR16112
    [14] 张新征, 谭志颖, 王亦坚.  基于多特征-多表示融合的SAR图像目标识别 . 雷达学报, 2017, 6(5): 492-502. doi: 10.12000/JR17078
    [15] 赵飞翔, 刘永祥, 霍凯.  基于栈式降噪稀疏自动编码器的雷达目标识别方法 . 雷达学报, 2017, 6(2): 149-156. doi: 10.12000/JR16151
    [16] 任笑真, 杨汝良.  一种基于幅度和相位迭代重建的四维合成孔径雷达成像方法 . 雷达学报, 2016, 5(1): 65-71. doi: 10.12000/JR15135
    [17] 王雪松.  雷达极化技术研究现状与展望 . 雷达学报, 2016, 5(2): 119-131. doi: 10.12000/JR16039
    [18] 金添.  叶簇穿透合成孔径雷达增强成像方法 . 雷达学报, 2015, 4(5): 503-508. doi: 10.12000/JR15114
    [19] 周雨, 王海鹏, 陈思喆.  基于数值散射模拟与模型匹配的SAR自动目标识别研究 . 雷达学报, 2015, 4(6): 666-673. doi: 10.12000/JR15080
    [20] 丁柏圆, 钟金荣, 马聪慧, 文贡坚.  基于属性散射中心模型的SAR 目标重构可视化增强方法 . 雷达学报, 2013, 2(4): 499-506. doi: 10.3724/SP.J.1300.2013.13071
  • 加载中
图(11) / 表 (5)
计量
  • 文章访问数:  2333
  • HTML全文浏览量:  506
  • PDF下载量:  951
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-09-15
  • 修回日期:  2016-11-25
  • 网络出版日期:  2016-12-22
  • 刊出日期:  2017-04-28

属性散射中心匹配及其在SAR目标识别中的应用

doi: 10.12000/JR16104
    基金项目:

    教育部新世纪优秀人才支持计划 NCET-11-0866

    作者简介:

    丁柏圆 (1990–), 男, 博士研究生, 研究方向为SAR自动目标识别。E-mail:Dingbaiyuan_NUDT@163.com

    文贡坚 (1972–), 男, 教授, 博士生导师, 研究方向为遥感图像处理

    余连生 (1984–), 男, 助理工程师, 研究方向为摄影测量与遥感

    马聪慧 (1987–), 女, 1987年生, 博士研究生, 研究方向为SAR自动目标识别

    通讯作者: 丁柏圆, E-mail:Dingbaiyuan_NUDT@163.com
  • 中图分类号: TN957

摘要: 属性散射中心是合成孔径雷达 (Synthetic Aperture Radar, SAR) 图像的一个重要特征。该文提出了一种属性散射中心匹配方法并将其运用于SAR目标识别中。该方法首先基于属性散射中心模型提取待识别SAR图像和模板SAR图像的属性散射中心,进而采用Hungarian算法实现散射中心的匹配。在建立的匹配关系的基础上,设计了一种稳健的散射中心匹配度度量方法计算待识别散射中心与各类模板散射中心的匹配度。该匹配度准则充分考虑了单个散射中心强弱、匹配对强弱以及漏警、虚警带来的影响,对于散射中心集的匹配度的评价更为全面。基于Moving and Stationary Target Acquisition and Recognition (MSTAR) 数据集的实验验证了方法的有效性。

English Abstract

丁柏圆, 文贡坚, 余连生, 马聪慧. 属性散射中心匹配及其在SAR目标识别中的应用[J]. 雷达学报, 2017, 6(2): 157-166. doi: 10.12000/JR16104
引用本文: 丁柏圆, 文贡坚, 余连生, 马聪慧. 属性散射中心匹配及其在SAR目标识别中的应用[J]. 雷达学报, 2017, 6(2): 157-166. doi: 10.12000/JR16104
Ding Baiyuan, Wen Gongjian, Yu Liansheng, Ma Conghui. Matching of Attributed Scattering Center and Its Application to Synthetic Aperture Radar Automatic Target Recognition[J]. Journal of Radars, 2017, 6(2): 157-166. doi: 10.12000/JR16104
Citation: Ding Baiyuan, Wen Gongjian, Yu Liansheng, Ma Conghui. Matching of Attributed Scattering Center and Its Application to Synthetic Aperture Radar Automatic Target Recognition[J]. Journal of Radars, 2017, 6(2): 157-166. doi: 10.12000/JR16104
    • 合成孔径雷达 (Synthetic Aperture Radar, SAR) 图像特征提取是SAR目标识别中的关键步骤。如何提取区分性强且能反映SAR图像电磁散射机理的特征能够有效提高SAR目标识别的性能。理论和实验表明,在高频区目标总的电磁散射可以看成由有限个局部散射源叠加而成,这些局部散射源称为散射中心[1]。为了有效地表征散射中心的电磁散射特性,研究人员相继提出了点散射中心模型、GTD模型[2]、属性散射中心模型[3]。属性散射中心由于赋予了散射中心与其物理属性相关的属性参数而成为SAR目标识别的研究热点。

      基于散射中心的识别方法按照其实施策略可以分为两类。第1类方法通过构建散射中心的对应关系进而在此匹配关系的基础上评价散射中心的相似性。Randolph L.Mose提出了一种散射中心匹配的Beyesian方法,通过最大后验的方法实现目标类别判断[4]。文献[5]提取散射中心的KL (Karhunen-Loeve) 特征构建匹配矩阵,采用最近邻和门限判决相结合的方法序贯匹配散射中心特征。文献[6]基于World View Vector (WVV) 构造具有仿射不变性的散射中心特征并采用Hopcroft_Karp (HK) 算法实现散射中心的匹配。另一类方法则回避了较为复杂的散射中心匹配过程,直接评价点集的相似度。Bhanu采用隐马尔科夫模型对散射中心建模并应用于目标识别[7]。Dungan分别采用了Least Square Trimmed HausDorff距离 (LST-HD)[8]和Pyramid Match Kernel (PMK)[9]评价散射中心特征的相似度。文献[10]采用点-区域匹配的策略替代点模式匹配的方法。相比第1类方法,第2类方法在减少复杂度的同时牺牲了一定的识别精度和稳健性。

      有效建立散射中心的匹配关系不仅有助于解决扩展操作条件 (Extended Operating Condition, EOC) 如目标部分缺失、被遮挡等情形下的目标识别问题,还能够以更为直观的方式辅助人工解译。探索和解决这一问题对于SAR目标识别具有十分重要的意义。文献[10]分析了建立散射中心匹配关系中存在的难点问题:(1) 存在冗余的散射中心,包括散射中心的缺失和虚假散射中心;(2) 由于噪声导致的散射中心提取误差;(3) 姿态角估计误差导致的散射中心失配。本文统筹考虑上述3点难点问题,提出了一种散射中心匹配方法并将其应用于SAR目标识别。该方法首先基于属性散射中心模型提取待测试SAR图像的属性散射中心以及模板的属性散射中心,通过散射中心的属性差异构建合理的代价矩阵进而采用Hungarian算法[11]实现实测散射中心与模板散射中心的匹配。代价矩阵的构建过程中考虑了散射中心漏警和虚警的代价;Hungarian算法是一种联合优化算法,对于散射中心的提取误差具有一定的抗干扰性。在此匹配关系的基础上,本文设计一种稳健的散射中心匹配度度量准则,该准则综合考虑了不同散射中心对于匹配度的贡献以及散射中心虚警和漏警对于最终匹配度的影响。为了解决由于姿态角估计引入的误差,本文在估计姿态角的邻域选择多个模板,通过多个模板的综合计算得到更为准确的匹配度。基于Moving and Stationary Target Acquisition and Recognition (MSTAR) 数据集的实验验证了提出方法的有效性。

    • 属性散射中心模型[3]是Moses Randolph L等人基于几何绕射理论和物理光学理论提出的描述高频区复杂目标散射特性的参数模型,目标的电磁散射响应可以认为是p个独立的散射中心叠加而成,具体形式如下:

      $$E(f, \phi ;\mathit{\Theta }) = \sum\limits_{i = 1}^p {{E_i}(f, \phi ;{{{\theta }}_i})}$$ (1)
      $$\begin{aligned} {E_i}(f, \phi ;{{{\theta }}_i}) =&{A_i} \cdot {\left({\rm j}\frac{f}{{{f\!_c}}}\right)^{{\alpha _i}}}\\ & \cdot \exp \left( {\frac{{ - {\rm j}4\pi f}}{c}({x_i}\cos \phi + {y_i}\sin \phi )} \right)\\ & \cdot {\rm{sinc}}\left( {\frac{{2\pi f}}{c}{L_i}\sin (\phi - {{\bar \phi }_i})} \right)\\ & \cdot \exp ( - 2\pi f{\gamma _i}\sin \phi ) \end{aligned}$$ (2)

      式中,$E(f, \phi ;\mathit{\Theta })$为目标总的散射场,其中$\mathit{\Theta } = \{ {{{\theta }}_i}\} = $$[{A_i}, {\alpha _i}, {x_i}, {y_i}, {L_i}, {{\bar \phi }_i}, {\gamma _i}]$为散射中心的属性集。${x_i}, {y_i}$分别表示散射中心方位向、距离向的位置,Ai表示幅度,${\alpha _i}$是频率依赖因子,Li是散射中心长度,${{\bar \phi }_i} $是散射中心方向角,${\gamma _i}$表示散射中心对方向角$\phi $的方向依赖性。当${L_i} = {{\bar \phi }_i} = 0$时,表示该散射中心是局部散射中心,当${L_i} \ne 0, {\gamma _i} = 0$时,表示该散射中心是分布式散射中心。

      本文采用文献[3]中提出的AML算法进行散射中心参数估计。对于SAR频域观测数据D$(f, \phi )$,散射中心模型的参数估计问题可以写成如式 (3) 形式。其中,D$(f, \phi )$代表观测项 (SAR回波),$E(f, \phi ;\mathit{\Theta })$代表模型项,$N(f, \phi )$表示噪声干扰以及模型失配带来的误差。

      $$D(f, \phi ) = E(f, \phi ;\mathit{\Theta }) + N(f, \phi )$$ (3)

      则极大似然参数估计为:

      $${\mathit{\Theta }_{\rm ML}} = \arg \mathop {\min }\limits_\mathit{\Theta } {\Large||} D - E(\mathit{\Theta }){\Large||}{^2}$$ (4)

      AML算法的主要步骤如下:

      步骤1  采用分水岭算法[12]分割SAR图像的高能量区域;

      步骤2  根据分割区域初始化散射中心参数,利用优化算法 (如牛顿迭代法[13]) 搜寻最佳参数;

      步骤3  根据估计参数重构散射中心并采用CLEAN算法[14]将重构散射中心从目标区域剔除;

      步骤4  重复步骤1到步骤3估计下一个散射中心直到残差达到下限或者散射中心数目达到上限。

      采用AML算法对一幅BMP2 SAR图像进行参数估计并进行目标重构,结果如图 1所示。本文选用了[A, x, y, L]作为散射中心特征进行散射中心匹配,因为这些特征直接与目标的物理结构相关从而有助于提高目标识别性能。由于频率依赖因子α难以得到较好的估计,本文并没有选用其作为待匹配的特征。特别地,对于分布式散射中心,考虑到雷达倾角较大时分布式散射中心会分裂为位于其两端的两个尖峰[15],本文统一用其两个端点作为局部式散射中心对其予以表达。由于不同SAR图像存在辐射强度差异,本文对幅度因子做了归一化处理,最终每个散射中心的属性参数即为[A, x, y]。

      图  1  一幅BMP2 SAR图像的参数估计重构结果 (动态范围40 dB)

      Figure 1.  The reconstruction of a BMP2 SAR image (Dynamic range: 40 dB)

    • 本文采用Hungarian算法实现散射中心的匹配。Hungarian算法是一种联合优化算法并被广泛应用任务分配问题。通过构建分配代价矩阵,Hungarian算法通过二分图的匹配问题找到最佳的分配关系使得总的分配代价最小[11]。在相同的测量条件下,同类目标的散射中心在理论上具有一一对应的关系,因此Hungarian算法适用于散射中心的匹配。由于实际过程中不可避免地存在背景噪声带来的虚假散射中心 (虚警,False Alarm (FA)) 以及目标缺失的散射中心 (漏警,Missing Alarm (MA)),本文在构建分配代价矩阵时将漏警和虚警综合考虑进来。分别将模板散射中心和测试散射中心记为${\boldsymbol{X}} = [{{\boldsymbol{X}}_1} \;{{\boldsymbol{X}}_2} \;{{\boldsymbol{X}}_3} \; \cdots \;{\rm{ }}{{\boldsymbol{X}}_m}]$以及${\boldsymbol{Y}} =$ $[{{\boldsymbol{Y}}_1} \;{{\boldsymbol{Y}}_2} \;{{\boldsymbol{Y}}_3} \; \cdots \;{{\boldsymbol{Y}}_n}]$。构造的分配代价矩阵如表 1所示。

      表 1  分配代价矩阵

      Table 1.  The cost matrix for Hungarian matching

      Y1 Y2 $\begin{array}{*{20}{c}}\cdots \end{array}$ Yn MA
      X1 C11 C12 $\begin{array}{*{20}{c}}\cdots \end{array}$ C1n M1 $\infty $ $\begin{array}{*{20}{c}}\cdots \end{array}$ $\infty $
      X2 C21 C22 $\begin{array}{*{20}{c}}\cdots \end{array}$ C2n $\infty $ M2 $\begin{array}{*{20}{c}}\cdots \end{array}$ $\infty $
      $\vdots $ $\vdots $ $\vdots $ $ \ddots $ $\vdots $ $\vdots $ $\vdots $ $ \ddots $ $\vdots $
      Xm Cm1 Cm2 $\begin{array}{*{20}{c}}\cdots \end{array}$ Cmn $\infty $ $\infty $ $\begin{array}{*{20}{c}}\cdots \end{array}$ Mm
      FA F1 $\infty $ $\ldots $ $\infty $ $\infty $ $\infty $ $\ldots $ $\infty $
      $\infty $ F2 $\ldots $ $\infty $ $\infty $ $\infty $ $\ldots $ $\infty $
      $\vdots $ $\vdots $ $ \ddots $ $\vdots $ $\vdots $ $\vdots $ $ \ddots $ $\vdots $
      $\infty $ $\infty $ $\ldots$ Fn $\infty $ $\infty $ $\ldots$ $\infty $

      表 1

      $$\begin{array}{l} {C_{ij}} \!=\! [{({X_{ix}}-{Y_{jx}})^2} \!+\! {({X_{iy}} \!-\! {Y_{jy}})^2}] * \exp (|{X_{iA}}\! -\! {Y_{jA}}|), \\ {M_i} = \frac{1}{n}\sum\limits_{j = 1}^n {{C_{ij}}} {\rm{ }}, \;\;{F_i} = \frac{1}{m}\sum\limits_{j = 1}^m {{C_{ji}}} \end{array}$$ (5)

      设定将Xi配给Yi的代价为两者强度属性差值对位置属性的欧式距离的加权;将一个模板散射中心分配给漏警的代价为将其分配给所有实测散射中心的平均值;将一个实测散射中心分配给虚警的代价为将其分配给所有模板散射中心的代价的平均值。

      相比最近邻匹配方法,Hungarian匹配存在一个联合优化的过程,因此该方法更具有稳健性。图 2给出了利用Hungarian算法实现散射中心匹配的一个实例。

      图  2  Hungarian算法实现散射中心匹配

      Figure 2.  The matching of attributed scattering centers by Hungarian algorithm

    • 通过散射中心的Hungarian匹配,每一个模板散射中心分配给某一个测试散射中心或者漏警;同样,每一个测试散射中心匹配了某一模板散射中心或者虚警。本文在此匹配关系的基础上,采用门限法对匹配对进行进一步划分。

      由于散射中心提取误差,模板散射中心和测试散射中心均可看作随机变量。文献[4]采用高斯模型对散射中心属性的不确定性进行建模。为了方便起见,假定模板散射中心为确定量,测试散射中心为随机变量。各属性的分布参数如表 2所示。

      表 2  属性的不确定性建模

      Table 2.  The modeling of attribute uncertainty

      属性类别 均值 方差
      方位向x x0 ${\sigma ^2} = {\rm{CR}}{{\rm{R}}^2}$
      距离向y y0 ${\sigma ^2} = {\rm{R}}{{\rm{R}}^2}$
      归一化幅度|A| |A0| ${\sigma ^2} = 0.1$

      ${x_0}, {y_0}, {A_0}$为测试散射中心的提取属性,CRR代表方位向分辨率,RR指距离向分辨率。假定各个属性相互独立,在给定置信度水平β(如图 3阴影区域所示) 的情况下,可以根据各个属性的分布计算相应的判决门限Tx, Ty, TA(式 (6))。

      $$\int_{ - T}^T {f(t, {\mu _0}, {\delta _0})} {\rm d}t = \beta $$ (6)

      其中,$f(t, {\mu _0}, {\delta _0})$代表均值为${\mu _0}$方差为${\delta _0}$的高斯分布。在计算门限的基础上,将所有的匹配对化分为“强匹配对”和“弱匹配对”。假定模板散射中心Xi与测试散射中心${{\boldsymbol{Y}}_{\Gamma (i)}}$匹配,其满足“强匹配对”的条件如下:

      $$\left\{ \begin{array}{l} {\rm{ }}\left| {{X_{ix}} - {Y_{\Gamma (i)x}}} \right| < {T_x}\\ {\rm{ }}\left| {{X_{iy}} - {Y_{\Gamma (i)y}}} \right| < {T_y}\\ {\rm{ }}\left| {{X_{iA}} - {Y_{\Gamma (i)A}}} \right| < {T_A} \end{array} \right.$$ (7)

      图  3  门限计算

      Figure 3.  The calculation of the threshold

    • 如何合理评价模板散射中心与测试散射中心的匹配度是实现目标识别的核心环节。本文在Hungarian匹配以及散射中心匹配对划分的基础上,设计了一种散射中心匹配度计算方法。

      假设在Hungarian匹配后,有k个模板散射中心分配给测试散射中心,s个漏警以及q个虚警。进而我们通过门限法选择了l个“强匹配对”。k, s, q, l的关系如式 (8) 所列。

      $$\left\{ \begin{array}{l} {\rm{ }}2 * k + s + q = m + n\\ {\rm{ }}k \le \min (m, n)\\ {\rm{ }}l \le k \end{array} \right.$$ (8)

      在评价散射中心匹配度时,本文综合考虑了3个因素。首先,不同的散射中心对于最终匹配度的贡献不同。强散射中心在提取过程中更为稳定且不容易被噪声和邻近散射中心干扰和“淹没”,因此强散射中心更为重要。其次,“强匹配对”比“弱匹配对”更为重要,更多的强匹配对意味着更好的匹配。最后,应当合理评价散射中心漏警和虚警的评价,更多的漏警和虚警将造成低的匹配度。

      对于第1个因素,我们根据模板散射中心的幅度计算线性的权重因子:

      $${P_i} = {{\left| {{A_i}} \right|} \mathord{\left/ {\vphantom {{\left| {{A_i}} \right|} {\sum\limits_{j = 1}^m {\left| {{A_i}} \right|} }}} \right. } {\sum\limits_{j = 1}^m {\left| {{A_i}} \right|} }}$$ (9)

      为了评价第2个因素,根据“强匹配对”的比例R(式 (10)) 赋予如图 4所示的离散函数加权:

      $$R = \frac{l}{{\min (m, n)}}$$ (10)

      图  4  “强匹配对”的权值计算

      Figure 4.  The weight of the "strong assignments"

      采用二次函数权值评价散射中心虚警和漏警:

      $${\omega _A} = 1 - {\left(\frac{{s + q}}{{m + n}}\right)^2}$$ (11)

      考虑到噪声以及提取误差,少量的漏警和虚警不可避免。因此在漏警和虚警较少时权值衰减较慢;当漏警和虚警的数量增多是,权值的衰减将不断加剧。

      图 5给出了权值ωA随漏警和虚警数量变化的示例。例中m+n=30,当不存在漏警和虚警时,权值为1;随着漏警和虚警的数量增多,权值不断下降;当所有的模板散射中心都判为漏警时,权值为0。

      图  5  漏警和虚警的权值计算

      Figure 5.  The weight of MAs and FAs

      根据匹配对的属性差异计算基础匹配度如下:

      $$\begin{aligned} {\rm{B}}{{\rm{S}}_i} =&\exp \Bigg\{ { - \left[{{{({X_{ix}}-{Y_{\Gamma (i)x}})}^2} + {{({X_{iy}}-{Y_{\Gamma (i)y}})}^2}} \right.} \\ & {{{\left. { + {{({X_{iA}}-{Y_{\Gamma (i)A}})}^{\rm{2}}{\rm{/2}}}} \right]}^{ - 1/2}}} \Bigg\} \end{aligned}$$ (12)

      加权过的最终匹配度为:

      $${\rm{Sim}} = {\omega _S} * {\omega _A} * \sum\limits_{i = 1}^k \left({{P_i}} * {\rm{B}}{{\rm{S}}_i}\right)$$ (13)
    • 图 6给出了本文方法的基本流程,主要包括以下几个步骤:

      图  6  本文方法的基本流程

      Figure 6.  The general procedure of the proposed method

      步骤1  利用AML算法提取测试SAR图像的属性散射中心;估计测试图像的方位角[16]

      步骤2  根据测试图像的估计方位角在模板库中选取模板SAR图像;提取模板SAR图像的散射中心;

      步骤3  测试散射中心和模板散射中心的Hungarian匹配和散射中心匹配度的计算;

      步骤4  根据实测图像与不同目标模板的匹配度判断目标类别,具有最大匹配度的模板判为目标类别。

      在实际过程中,由于测试图像和模板图像通常观测条件会不同,测试图像的散射中心集合于模板图像散射中心集合会存在一定程度的变形,这给散射中心的匹配带来了一定的困难。为了更好地克服这一因素,本文在一定的平移区间内优化得到稳健的匹配度。假定测试图像和模板图像的平移量在3个像素以内,则按照式 (14) 计算匹配度。

      $${\rm RS} = \mathop {\arg \max }\limits_{t \in [-3 \ {\rm{pi}}, 3 \ {\rm{pi}}]} G(g(X, t), Y \ )$$ (14)

      式中,函数s代表平移量,g代表平移函数,函数G按照式 (13) 计算匹配度。考虑到方位角估计的误差,本文以估计方位角为中心,选取其左右各5°的模板作为候选模板图像。某一类目标的最终匹配度为所有该类候选模板匹配度的平均值。

    • 实验数据采用美国MSTAR研究计划公开发布的X波段的实测SAR图像数据中的BMP2, BTR70, T72 3类目标。传感器中心频率为9.6 GHz,带宽0.59 GHz;图像分辨率为0.3 m×0.3 m。以俯仰角17°的图像作为模板图像,俯仰角15°的图像为测试图像,表 3中给出了模板数据集和测试数据集的目标类别和样本个数。

      表 3  模板集和测试集

      Table 3.  The template set and testing set

      模板集 样本数量 测试集 样本数量
      BMP2(SN_C21) 233 BMP2(SN_C21) 195
      BMP2(SN_9566) 232 BMP2(SN_9566) 196
      BMP2(SN_9563) 233 BMP2(SN_9563) 196
      BTR70(SN_C71) 233 BTR70(SN_C71) 196
      T72(SN_132) 232 T72(SN_132) 196
      T72(SN_812) 231 T72(SN_812) 195
      T72(SN_S7) 228 T72(SN_S7) 191

      模型定阶是散射中心提取中的一大难点。为了验证本文方法对于模型定阶的稳健性,本文在多个模型阶数下测试了提出方法的识别性能。

      设定置信度水平β=0.9。表 4给出了本文方法在模型阶数N=20时候的识别结果,3类目标的识别率均达到95%以上,平均识别率达到97.88%。图 7给出了方法在不同模型阶数下的3类目标的识别率以及平均识别率。当模型阶数较低时,本文方法的识别率均处于较低的水平,这是因为提取的散射中心较少导致真实存在的散射中心未被有效提取从而导致漏警增加。当模型阶数过大时,本文方法的识别率也出现了一定程度的下降,这是因为提取的虚假散射中心过多从而导致虚警的代价变大。

      表 4  本文方法的识别结果

      Table 4.  The recognition result of the proposed method

      目标类型 识别结果 Pc(%)
      BMP2 BTR70 T72
      BMP2(SN_9563) 191 2 2 97.95
      BMP2(SN_9566) 195 1 0 99.49
      BMP2(SN_C21) 192 2 2 97.96
      BTR70 5 188 3 95.92
      T72(SN_132) 8 1 187 96.91
      T72(SN_812) 1 0 194 99.49
      T72(SN_S7) 4 1 186 97.31
      Average (%) 97.88

      图  7  本文方法在不同模型阶数的识别性能

      Figure 7.  The recognition performance under different model orders

      图像分辨率对于散射中心的提取存在一定的影响[3]。测试本文算法在不同分辨率下的识别性能,通过傅里叶变换将原始的MSTAR图像变换到频域并根据预先设定的分辨率大小截取相应的频域数据构造不同分辨率的图像 (采样率与原始图像保持一致)。图 8给出了一幅MSTAR图像不同分辨率下的结果。

      图  8  不同分辨率下的MSTAR图像

      Figure 8.  The MSTAR images under different resolutions

      图 9显示本文方法的识别性能随分辨率变化的结果,识别率随着分辨率的降低不断下降。根据表 2中的散射中心属性不确定性建模,随着SAR图像分辨率的下降,散射中心位置属性的不确定性增大 (方差变大)。这将导致单个散射中心匹配代价的评价失准从而导致最终建立的匹配关系存在偏差。

      图  9  不同分辨率下的识别率

      Figure 9.  The recognition performance under different resolutions

      为了测试本文方法对噪声的敏感性,在原始MSTAR图像的频域添加高斯噪声,测试不同信噪比 (Signal to Noise Ratio, SNR) 下的识别性能。为了计算和操作方便,本文假定原始的MSTAR图像无噪声添加,进而根据原始图像的能量添加对应信噪比的高斯噪声,具体的信噪比计算公式如下:

      $${\rm{SNR}}({\rm{dB}}) = 10\lg {{\displaystyle\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{{\left| {x(i, j)} \right|}^2}} } } \mathord{\left/ {\vphantom {{\sum\limits_{i = 1}^M {\displaystyle\sum\limits_{j = 1}^N {{{\left| {x(i, j)} \right|}^2}} } } {\left( {MN{\sigma ^2}} \right)}}} \right. } {\left( {MN{\sigma ^2}} \right)}}$$ (15)

      式 (15) 中,MN分别代表MSTAR图像的长和高,x(i, j) 代表对应的像素值,σ2为高斯噪声的方差。

      图 10显示了不同信噪比下的MSTAR图像。图 11给出了识别率随信噪比变化的曲线。在信噪比较低时,散射中心被噪声淹没 (如图 10(a)) 或者被严重干扰导致散射中心提取的误差大、虚警漏警增多,识别率处于较低的水平。如式 (3),式 (4) 所示,属性散射中心的提取实际就是从噪声背景中提取目标特性的过程,随着噪声的增强,通过优化过程 (式 (4)) 提取得到的散射中心属性参数将存在更大的误差。同时,噪声的引入会带来更多的散射中心虚警从而进一步导致目标识别性能的下降。

      图  10  不同信噪比下的MSTAR图像

      Figure 10.  The reconstructed MSTAR images under different SNRs

      图  11  不同信噪比下的识别性能

      Figure 11.  The recognition performance under different SNRs

    • 本文对比了提出算法和基于最近邻LST-HD的识别方法[8](记为方法一) 以及散射中心序贯匹配方法[5](记为方法二) 针对3类目标的识别结果。表 5比较了3种方法在模型阶数N=20下的识别性能。本文方法具有最高的识别率。在时间效率上,方法一采用LST-HD衡量散射中心相似度,避免了散射中心的匹配过程,因此识别单幅SAR数据的消耗时间 (不包括散射中心提取时间) 最少,本文方法采用Hungarian算法实现散射中心匹配相比方法二的最近邻匹配方法效率更高。可见,本文提出的算法能够更好地发挥属性散射中心在SAR目标识别中的潜能。

      表 5  3种方法的识别性能对比

      Table 5.  The comparison of the three methods

      方法 识别率 (%) 消耗时间 (ms)
      本文方法 97.88 10.2
      方法一 93.46 3.5
      方法二 96.92 20.3
    • 基于散射中心特征的SAR目标识别是目前SAR目标识别领域的一大热点。本文提出了一种属性散射中心匹配以及匹配度度量方法并将其应用于SAR目标识别。采用Hungarian算法实现散射中心的匹配,在匹配关系的基础上,设计了一种稳健、全面的匹配度度量方法评价散射中心的匹配度。本文方法在散射中心匹配和匹配度计算的过程中都充分考虑了不同散射中心以及散射中心虚警和漏警对最终匹配度的影响,有助于实现更为稳健的SAR目标识别。采用3类MSTAR目标数据的实验表明,本文方法的平均识别率可以达到97.88%。同时,本文方法对于图像分辨率变化、噪声影响都具有一定的稳健性。与另两种方法的对比实验进一步验证了本文方法的有效性。

参考文献 (16)

目录

    /

    返回文章
    返回