一種基于峰值匹配的SAR目標識別方法

董 平,林嘉宇,劉 瑩

(1.國防科技大學 電子科學與工程學院,湖南 長沙 410073;2.長沙芯希科技公司,湖南 長沙 410000)

一種基于峰值匹配的SAR目標識別方法

董 平1,林嘉宇2,劉 瑩1

(1.國防科技大學 電子科學與工程學院,湖南 長沙 410073;2.長沙芯希科技公司,湖南 長沙 410000)

文章提出了一種基于峰值匹配的SAR目標識別方法.采用最近鄰匹配算法構建測試樣本峰值特征集與模板樣本峰值特征集之間的對應關系.在此匹配關系的基礎上,設計了穩健的匹配度準則評價兩組峰值特征集的匹配度,并根據最大匹配度的準則判定目標類別.在MSTAR數據集進行目標識別實驗驗證提出方法的有效性.

合成孔徑雷達;目標識別;匹配度準則

合成孔徑雷達(Synthetic Aperture Radar,SAR)作為一種主動式的微波遙感,因具有全天時、全天候等巨大優勢,因而成為現代戰場偵察的重要手段.SAR自動目標識別(Automatic Target Recognition,ATR)作為SAR解譯的關鍵步驟,成為一項研究熱點[1-2].

峰值特征是SAR圖像的一種重要特征,反映了目標散射中心的空間分布,對于SAR目標識別具有重要的作用.針對SAR圖像峰值特征提取、峰值穩定性分析以及峰值特征在SAR目標識別中的應用,證明了峰值特征可以有效完成穩健的SAR目標識別[3-5].由此,本文提出一種基于峰值匹配的SAR目標識別方法.該方法首先取待測試SAR圖像和其對應的模板圖像的峰值特征.通過峰值特征的屬性差異構建合理的代價矩陣,采用最近鄰匹配算法實現測試圖像峰值特征集與模板峰值特征集的一一匹配.在此匹配關系的基礎上,設計了穩健的匹配度度量準則評價峰值特征集之間匹配度,并根據最大匹配度的準則確定目標類別.為了驗證本文方法的有效性,采用運動和靜止目標獲取與識別(Moving and Stationary Target Acquisition and Recognition,MSTAR)數據集進行了驗證實驗.

1 峰值特征提取

本文采用SAR圖像上的局部極大值作為峰值特征,提取過程如公式(1)所示.

其中,當Qij=1時,則當前像素為目標峰值;當Qij=0時,則當前像素非目標峰值.aij代表當前像素的灰度值;N(i,j)表示(i,j)的局部領域.設定公式(1)中的鄰域大小為8(即3X3滑動窗),一幅SAR圖像峰值提取的結果如圖1所示,圓形符號標記了峰值點的分布,可以看出峰值特征集可以有效描述了目標散射中心的分布,并且一定程度上反映了目標的物理結構.

2 峰值特征集的最近鄰匹配

記測試樣本和模板樣本的峰值特征集為X=[X1,X2,X3,…,Xm]和Y=[Y1,Y2,Y3,…,Yn].其中Xi(i=1,2,…,m)和Yj(j=1,2,…,n)代表一個峰值,包含(x,y,|A|)3個屬性參數.為建立兩組峰值特征集之間的對應關系,首先定義兩個峰值之間的距離測度:

圖1 峰值特征提取結果

基于定義的距離測度,本文采用最近鄰算法實現兩組峰值特征集的一一匹配[6],具體實施步驟如下:

Step1:按照公式(2)計算匹配關系矩陣,矩陣中的每一個元素代表兩個峰值之間的距離.

Step2:選擇M中同時滿足行、列最小的元素mij,確定測試樣本第i個峰值與模板樣本第j個峰值的匹配關系.

Step3:遍歷測試樣本的每一個峰值,輸出測試樣本峰值集的匹配關系.

根據建立的配對關系,計算測試樣本峰值特征集與模板樣本峰值特征集的匹配度如下:

公式(4)中Γ((i)表示與第i個測試樣本峰值對應的模板樣本峰值序號.由此,可以計算出測試樣本峰值與各類模板的匹配度.采用最大匹配度的原則可以判定目標類別.

3 實驗與分析

3.1 實驗數據集

MSTAR數據集采集了X波段HH極化下多類軍事目標的SAR圖像,圖像大小128X128,原始分辨率為0.3 mX0.3 m.本文對MSTAR數據集中的3類目標-BMP2,BTR70和T72進行了目標識別實驗.3類目標的光學圖像如圖2所示.本文使用的模板樣本和測試樣本如表1所示,采用俯仰角17°下的3類目標圖像作為模板樣本,俯仰角15°下的3類目標圖像作為測試圖像.

圖2 BMP2,BTR70和T72 3類目標的光學圖像

表1 本文使用的訓練和測試樣本

3.2 實驗結果

3.2.1 3類目標的識別結果

本文首先測試了提出算法在3類目標-BMP2,BTR70和T72上的識別性能.本文方法對3類目標的識別結果如表2所示.可以看出,本文方法在3類目標上平均識別率達到94.02%,較好地完成了3類目標的識別任務,證明了方法的有效性.

表2 3類目標的識別結果統計

3.2.2 噪聲添加

考慮到實際獲取的SAR圖像可能存在較為嚴重的噪聲干擾,本文對測試樣本按照文獻[7]中的方法添加高斯噪聲.不同信噪比下的SAR如圖3所示.本文方法在不同信噪比下的平均識別率如表3所列,可以看出,即使在很低的信噪比(如-10 dB)的情形下,本文方法仍然有62.17%的正確識別率,隨著信噪比的不斷提高,本文方法的識別率也不斷上升,證明了本文算法對于噪聲干擾具有一定的穩健性.

圖3 不同信噪比下的SAR圖像

表3 不同信噪比下的識別性能

4 結語

本文提出了一種基于峰值匹配的SAR目標識別方法.采用最近鄰匹配算法構建測試圖像峰值特征集與對應模板峰值特征集之間的一一對應關系,進而評價兩者之間的匹配度.根據最大匹配度的準則判定目標類別完成目標識別.基于MSTAR數據的實驗表明,本文算法對于3類目標的平均識別率達到94.02%,并且對噪聲干擾具有一定的穩健性.

[1]文貢堅,朱國強,殷紅成,等.基于三維電磁散射參數化模型的SAR目標識別方法[J].雷達學報,2017(2):115-135.

[2]KHALID E,ERIC W G,PETER M,et al.Automatic target recognition in synthetic aperture radar imagery:a state-of-the-art review[J].IEEE Access,2016(4):6014-6058.

[3]張翠,酈蘇丹,鄒濤,等.一種應用峰值特征匹配的SAR圖像自動目標識別方法[J].中國圖像圖形學報,2002(7):729-734.

[4]計科峰,高貴,賈承麗,等.一種利用方位角信息給予峰值匹配的SAR圖像目標分類方法[J].信號處理,2005(z1):526-530.

[5]高貴,計科峰,匡綱要,等.高分辨率SAR圖像目標峰值提取及峰值穩定性分析[J].電子與信息學報,2005(4):561-565.

[6]唐濤,粟毅.散射中心序貫匹配的SAR圖像目標識別方法[J].系統工程與電子技術,2012(6):1131-1135.

[7]丁柏圓,文貢堅,余連生,等.屬性散射中心匹配及其在SAR目標識別中的應用[J].雷達學報,2017(2):157-166.

A SAR target recognition method based on peak matching

Dong Ping1, Lin Jiayu2, Liu Ying1
(1.School of Electronic Science and Engineering, National University of Defense Technology, Changsha 410073, China;2.Sincechip Technology Company, Changsha 410000, China)

This paper proposes a SAR target recognition method based on peak matching. The peak sets of the test sample and its corresponding templates are matched by the nearest matching scheme. On the basis of the matching relationship, a robust matching degree is designed to evaluate the similarities between the test peak set and various peak sets from different classes. The target type is determined according to the criterion of maximum matching degree. To validate the effeteness of the proposed method, experiments are conducted on public MSTAR dataset.

synthetic aperture radar; target recognition; criterion of matching degree

董平(1985- ),男,四川宜賓人,學員,碩士;研究方向:圖像處理,通信理論.