地面目標多角度SAR 數據集構建與目標識別方法

朱岱寅，耿 哲，俞 翔，韓勝亮，楊衛星，呂吉明，葉 錚，閆 賀

（1.南京航空航天大學電子信息工程學院，南京 211106；2.南京工程學院計算機工程學院，南京 211167）

目標識別是雷達成像的核心目的之一，其準確性直接影響作戰人員能否對目標敵我屬性及戰場態勢做出正確判斷。近年來，合成孔徑雷達（Synthetic aperture radar，SAR）圖像分辨率已經提升至亞分米量級，為解決低能見度條件下的目標識別和分類問題創造了條件。然而，由于SAR 圖像信噪比隨雷達作用距離增加而下降，且其幅度值隨目標觀測角度變化而發生隨機起伏，SAR 目標識別在技術難度上遠超光學圖像。SAR 目標識別算法的分類準確性、魯棒性以及遷移、泛化能力主要取決于訓練樣本的數量、質量和多樣化程度［1］。

目前，在軍用車輛SAR 圖像目標識別領域應用最為廣泛的開源數據集是美國國防高級研究計劃局（Defense Advanced Research Projects Agency，DARPA）和美國空軍研究實驗室（Air Force Research Laboratory，AFRL）于20 世紀90 年代中期公布的運動和靜止目標獲取與識別（Moving and stationary target acquisition and recognition，MSTAR）數據集［2］。該數據集包含自行榴彈炮、坦克和裝甲車等10 大類22 小類地面軍事目標的360°圓周SAR 圖像，俯仰角包含15°、17°、30°、45°四種情況，方位角間隔為1°～5°，圖像分辨率為30 cm×30 cm。雖然MSTAR 數據集自公開發布以來支撐了大量目標識別相關研究，其局限性也日益凸顯，主要包括：目標種類少、觀測角度步進間距大、成像條件過于理想以及不同俯仰角條件下的觀測樣本雜波背景相關程度高等［1，3-4］。針對上述問題，部分國外研究機構已經針對MSTAR 數據集中包含的目標自主構建了SAR 數據集，并在對目標識別算法進行評估時采用雙數據集模式［5-8］。

在民用車輛目標SAR 圖像識別方面，最具有代表性的機載圓周SAR 數據集為美國AFRL 和俄亥俄州立大學的研究人員在2006—2008 年間針對AFRL 內部停車場中停放的6 大類59 個車輛目標（轎車、皮卡和SUV 等）構建的GOTCHA 數據集［9］。該數據集充分考慮目標位姿變化與變形，例如車輛啟動、車門開合、后備箱開閉以及遮陽布覆蓋等［10］。GOTCHA 數據集中的目標與俄亥俄州立大學2010 年公布的民用車輛（Civilian vehicle，CV）仿真SAR 數據集CV Data Dome 存在對應關系［11］，有利于研究人員對實測與仿真SAR 圖像樣本之間的誤差進行分析，從而對目標CAD 模型及電磁散射模型進行修正。

近年來，中國國內發布的SAR 目標數據集以星載SAR 系統獲取的船舶目標圖像為主［12］。2019年起，中國科學院遙感所、中國科學院空天信息創新研究院（空天院）、復旦大學等研究機構先后公布了基于中國高分國產衛星數據的SAR 目標檢測識別數據集。2021 年，空天院的研究人員提出了SAR 目標散射拓撲特性的表征建模和學習計算方法，在星載SAR 圖像飛機目標識別問題中展現出優良的性能［13］。2022 年4 月，在上海舉辦的雷達圖像解譯技術研討會上，空天院的研究人員宣布該機構已經構建了一套基于高分國產衛星數據的SAR目標檢測識別數據集［13］。

相比于星載SAR，機載SAR 成本低、機動性強，能夠在短時間內對感興趣的地面場景進行多角度實時成像。然而，公開發表的文獻中鮮有針對地面車輛目標錄取的機載圓周SAR 數據集。為了填補這一空白，南京航空航天大學雷達探測與成像技術研究團隊利用自主研制的多旋翼無人機（Unmanned aerial vehicle，UAV）機載高分辨率微小型SAR 系統［14-15］開展了多角度SAR 目標回波數據的采集工作，構建了多種類復雜地面目標SAR 圖像數據集。與大型機載SAR 系統相比，微型SAR 系統具有輕小型化、低功耗、低成本和機動性強的特點。然而，小型無人機平臺運動軌跡極易受到不穩定氣流的影響，且由于載荷限制無法搭載高精度的運動和姿態測量模塊，這些因素所導致的運動誤差將嚴重影響SAR 圖像聚焦質量。鑒于此，本文針對運動補償及自聚焦處理問題展開研究，提出了基于極坐標格式算法（Polar format algorithm，PFA）及后向投影（Back proejction，BP）算法的新型二維自聚焦高精成像算法［15-19］。

2022 年，南航雷達探測與成像技術研究團隊依托該數據集開展了一系列基于人工智能的目標識別方法研究。在前期仿真實驗中，主要考慮了4種典型神經網絡模型：VGG-16（大型神經網絡）、ResNet-18（中 型 神 經 網 絡）、AConvNet［20］（小 型 神經網絡-A）以及AlexNet 風格的SAMPLE 網絡［21］（小型神經網絡-B）。實驗結果表明，雖然上述神經網絡在MSTAR 十類目標分類問題中均取得了接近100%的分類準確率，其MiniSAR 數據集9 類目標分類準確率尚存在較大提升空間。具體說來，以31°俯仰角數據作為訓練樣本，37°俯仰角樣本作為測試樣本時，ResNet-18 取得了90%目標分類準確率，略優于其他網絡。而在37°俯仰角數據作為訓練樣本，45°俯仰角樣本用作測試樣本時，SAMPLE 網絡獲得的分類準確率最高，約為80%。上述結果一方面反映了SAR 圖像聚焦質量對于神經網絡目標分類準確率的重要影響，另一方面也驗證了依托單一數據集（例如樣本種類數量有限、成像條件高度理想化的MSTAR 數據集）開展SAR 目標分類深度學習算法研發及性能評估所存在的缺點。與此同時，ResNet-18 和SAMPLE 網絡的出色表現也從側面證實了歐美軍方研究人員近年來提出的一個新的SAR 目標分類算法研發思路：在以低細粒度為特征的SAR 圖像目標分類方面，包含海量參數的大型神經網絡與中小型網絡相比并無明顯優勢［1，8，21-22］，因而不能照搬光學圖像分類問題的解決方案。本文所提MiniSAR 數據集的數據錄取環境與實際應用場景較為接近，可以用作MSTAR 數據集的輔助數據集，為研發魯棒性高、泛化能力強的SAR 目標識別算法提供高質量多源SAR 圖像樣本支撐，從而有效規避訓練數據有限導致的神經網絡過擬合問題。

1 微型SAR 系統高分辨率成像處理算法

無人機載微型SAR 能夠安全可靠地針對特定目標完成圓周SAR 數據的錄取工作，且具有成本低、靈活性高和實驗可重復性好等優勢。同固定翼無人機相比，多旋翼無人機更適用于圓周成像。國際上比較具有代表性的微型SAR 系統包括美國波音公司、Insitu 公司以及ImSAR 公司2006 年共同研發的Ku 波段NanoSAR 以及德國弗勞恩霍夫高頻物理與雷達技術研究所（FHR）2012 年研發的W 波段SARape。其中，NanoSAR 質量僅為0.9 kg，分辨率0.3 m，而SARape 質量為8 kg，分辨率0.15 m。中國針對無人機載SAR 系統的研制雖然從2010 年前后才開始，但是發展迅速，中科院電子所、中國電科集團38 所、北京理工大學等多家單位均自主研制出了高分辨率的微型SAR 系統。本實驗使用的X/Ku 波段NUAA MiniSAR 系統為南航雷達探測與成像技術研究團隊于2017 年自主研發，采用調頻連續波體制，分辨率0.1 m，質量僅為5 kg，達到國際領先水平。其主要參數如表1 所示。搭載平臺為八旋翼無人機，系統近照如圖1（a，b）所示，獲取的紅外圖像、SAR 圖像和光學圖像在圖1（c）中給出。

表1 X 波段MiniSAR 主要系統參數Table 1 MiniSAR system parameters of the X band

圖1 南航MiniSAR 實驗系統[15]Fig.1 NUAA MiniSAR system for experiment

圓周模式的微型SAR 數據采集幾何關系如圖2 所示。圖中：θ為方位角；Ra為雷達到場景中心的距離；φ為俯仰角。由于多旋翼無人機平臺體積小、質量輕，其運動軌跡受氣流影響較大，在合成孔徑時間內的航跡通常存在非線性問題。鑒于此，針對運動補償及自聚焦處理問題展開研究，提出了極坐標格式算法（Polar format algorithm，PFA）和反投影（Back projection，BP）算法這兩種新型二維自聚焦高精成像算法。

圖2 基于多旋翼無人機的微型SAR 圓周軌跡飛行示意圖Fig.2 Circular flight path of multirotor UAV-borne MiniSAR system

（1）自聚焦極坐標格式成像算法

PFA 成像不依賴理想直線軌跡假設，非常適合微型SAR 圓周成像處理。然而，PFA 成像質量取決于運動測量系統是否能提供雷達平臺與目標之間的確切相對位置。由于平臺載荷的限制，小型多旋翼無人機無法搭載高精度慣性導航系統（Inertial navigation system，INS）和全球定位系統（Global positioning system，GPS），因此位置測量誤差較大。相比于大型機載平臺，小型無人機的圓周航跡更為復雜多變，運動誤差在引起方位相位誤差和圖像方位散焦的同時也會導致額外的距離徙動，造成嚴重的距離向散焦。因此，相位梯度自聚焦算法（Phase gradient autofocus，PGA）等常規一維自聚焦方法無法滿足無人機載微型SAR 的高精度成像要求。

針對上述問題，本文提出基于PFA 粗聚焦和多孔徑PGA 精聚焦的信號處理方案。首先利用PFA 對SAR 圖像進行粗聚焦處理，然后利用Mapdrift-PGA（MDPGA）算法估計方位向誤差，繼而對距離徙動誤差進行估計，最終完成兩維運動補償。MDPGA 算法的核心步驟如下：（1）將極坐標重采樣后的數據在方位向分成多個子孔徑；（2）利用PGA 算法對子孔徑內二階及以上高階非線性相位誤差進行估計；（3）利用MD 算法對相鄰子孔徑間的相對偏移量進行估計，求取相對線性誤差；（4）通過對各子孔徑相對誤差進行拼接獲取全孔徑方位相位誤差?；赑FA 算法的圓周軌跡微型SAR高分辨成像處理流程圖如圖3 所示。圖中：f0為載頻；fˉτ為 距 離 頻 率；φ0為 方 位 相 位 誤 差；tˉ為 方 位時間。

圖3 基于PFA 算法的圓周軌跡微型SAR 高分辨成像處理流程圖Fig.3 Flowchart of circular path MiniSAR high-resolution imaging process based on PFA algorithm

圖4 對比了多旋翼無人機機載微型SAR 數據不同成像處理方法得到的結果。其中，圖4（a）為未經運動補償處理的PFA 成像結果，圖4（b，c）分別為一維和二維運動補償處理結果?？梢钥闯?，本文提出的二維運動補償算法擁有更好的高分辨率SAR 圖像聚焦效果。同時，本方法可映射至可編程門陣列（Field programmable gate array，FPGA）技術，實現多組MiniSAR 數據高速并行處理與實時成像。

圖4 多旋翼無人機機載微型SAR 數據不同成像處理方法結果對比Fig.4 Comparison of results obtained by applying different image processing approaches to the data collected by the multirotor UAV-borne SAR system

（2）自聚焦后向投影成像算法

BP 算法成像的基本原理是對感興趣區域（Region of interest，RoI）中所有像素點的回波信號沿方位向作相干疊加處理。圓周軌跡飛行對應的BP算法流程圖如圖5 所示。圖中：APC 指天線相位中心；Rmn為網格點到雷達的距離；λ為波長；ta為慢時間。首先，將觀測場景離散成網格并計算每個網格點（即像素點）的坐標，然后根據雷達每個發射脈沖時刻與每個網格點的距離計算出雙程時延、對應距離以及補償相位因子。由于離散采樣，根據時延估算的距離與采樣點真實位置之間通常存在一定偏差，因此需通過補零插值等手段對距離向匹配濾波信號進行細化。將插值得到像素點信號乘以補償相位，再沿方位向進行相干疊加，即可得到每個像素點的值。然而，小型無人機平臺容易受到氣流擾動影響而偏離理想圓周軌跡，再加上非均勻傳播介質所導致的回波時延誤差等因素，高分辨情況下MiniSAR 運動測量單元提供的位置信息精度有時無法滿足相干性需求，嚴重影響SAR 圖像聚焦質量。

圖5 圓周軌跡下BP 成像流程圖Fig.5 Flowchart of BP imaging for circular flight path

為了對上述測距誤差和相位誤差進行補償，本文提出了特顯點自聚焦算法，算法流程如圖6 所示。該算法基本思路如下：（1）利用距離向脈沖壓縮根據SAR 平臺理想軌跡實現粗成像，確定特顯點在成像網格中應在的位置；（2）對回波信號進行距離向傅里葉變換并提取特顯點曲線；（3）求取特顯點實際位置與理想位置之間的距離和相位誤差并進行相應補償；（4）利用BP 算法對完成特顯點自聚焦處理的SAR 回波數據進行成像。車輛目標和角反射器常規BP 成像與特顯點自聚焦BP 成像結果對比圖在圖7 中給出?？梢钥闯?，特顯點自聚焦算法能夠有效對距離和相位誤差進行補償，顯著改善圖像散焦問題。

圖6 特顯點自聚焦算法流程Fig.6 Flowchart of auto-focusing by exploiting the dominant scatterer

圖7 常規BP 成像與特顯點自聚焦BP 成像結果對比Fig.7 Comparison of results of conventional BP imaging and modified BP imaging with auto-focus by exploiting the dominant scatterer

2 目標數據集

大部分用于目標識別的神經網絡都是針對光學圖像設計研發的，與之配套的開源目標識別數據集十分豐富，包括Places365、80 Million Tiny Images、ImageNet-22k、CIFAR-100、LSUN 等［23］。其中，LSUN 和斯坦福車輛數據集共包含200 萬個車輛目標光學圖像樣本。與之相比，可用于SAR圖像目標識別的訓練樣本十分稀少。從20 世紀90年代至今，國內外車輛目標識別相關研究主要依托美國錄取并公開的少量軍用、民用車輛SAR 數據集。另一方面，由于SAR 圖像主要反映目標電磁散射特性，肉眼可辨識度較差，再加上SAR 圖像信噪比隨雷達作用距離增加而下降，且其幅度值隨目標觀測角度變化而發生隨機起伏，SAR 目標識別在技術難度上遠超光學圖像。新興的深度學習算法為解決多角度目標電磁信息提取過程中的瓶頸問題創造了條件。然而，深度神經網絡的研發需要大量高質量、多角度的訓練樣本作為支撐。因此，構建擁有自主知識產權的多角度SAR 目標數據集是研發高性能目標識別算法的前提。

2021—2022 年間，本文利用前文所述MiniSAR 系統在南京某國防園內開展了兩次外場試飛實驗，針對園區內坦克、裝甲車等典型地面軍事目標開展了多俯仰角全方位觀測，錄取了大量回波數據，初步構建了包含9 類目標的圓周SAR 目標數據集。MiniSAR 系統成像模式為聚束模式，飛行高度400～500 m，飛行速度5 m/s，方位角覆蓋0°～360°，觀測俯仰 角包含15°、26°、31°、37°和45°，外場實驗觀測場景如圖8 所示。對應的軍事目標種類在表2 中列出，其中8 類為地面軍事目標，1 類為飛行器。本數據集利用LabelImg 軟件對目標進行標注，結果保存為XML 格式。

圖8 各類目標實拍圖Fig.8 Electro-optical images of targets

表2 數據集地面目標種類列表Table 2 List of ground targets included in the dataset

圖9（a）給出了數據集中單幅圖像的矩形框標注示例，圖9（b）給出的是圖9（a）圖中某一目標（62輕型坦克）的標注信息截圖。每個XML 文件包含圖像中所有目標的存儲路徑、文件名、像素大小、目標類別以及目標錨框位置等信息。

圖9 目標標注示意圖Fig.9 Image annotation for targets

圖10 給出了課題組利用無人機平臺搭載光學相機、紅外傳感器和MiniSAR 系統獲取的9 類目標光學圖像、紅外圖像以及SAR 圖像樣本對比圖?？梢钥闯?，光學圖像與紅外圖像所包含的信息比SAR 圖像更為直觀。然而，光學和紅外圖像的分辨率隨傳感器到目標距離的增加而降低，SAR 圖像分辨率則不受距離影響，在遠距離成像時有顯著優勢。因此，紅外圖像與SAR 圖像之間的異源信息融合有助于提升復雜場景中運動與靜止目標識別的魯棒性。本文利用同一無人機平臺獲取的SAR 圖像和紅外圖像樣本能夠有效支撐基于異源信息融合的目標識別研究。

圖10 各類目標光學圖像、紅外圖像及SAR 圖像切片Fig.10 Electro-optical, infrared and SAR image chips of targets

3 基于數據集開展的目標識別方法

SAR 目標識別常用的統計機器學習方法包括主成分分析（Principal component analysis，PCA）、支持向量機（Support vector machine，SVM）、K 近鄰（K-nearest neighbor，KNN）、自適應增強（Adaptive boosting，AdaBoost）以及基于屬性散射中心（Attribute scattering center，ASC）的目標識別方法等。新興的深度學習算法在分類準確性方面優于統計機器學習方法，但是存在物理可解釋性較差的問題。

目前，國內外目標識別方法相關研究主要依托公開版MSTAR 數據集。MSTAR 項目在1995至1997 年間共進行過3 次數據采集，僅前兩次采集的數據就包含36 類目標，但是開源數據集中僅包含10 大類目標。在基于深度學習的SAR ATR算法研發方面，15°/17°俯仰角觀測數據分別作為訓練/測試樣本的標準工作條件（Standard operation condition，SOC）MSTAR 十類目標分類準確率早在2016 年就已突破99%。另一方面，涉及大俯仰角變化、目標剛性變形、子型號識別和低信雜比情形的擴展工作條件（Extended operation condition，EOC）目標分類問題仍亟待解決。具體說來，美國萊特州立大學及AFRL 的研究人員于2016 年 提 出 了AFRLeNet，取 得 了99.4% 的MSTAR SOC 十類目標分類準確率［24］。同年，復旦大學的研究人員提出了新型深度卷積神經網絡A-ConvNets，其SOC 及兩類擴展工作條件（EOC-1，EOC-2）的分類準確率分別達到了99.1%、96.1%和98.9%［20］。其中，EOC-1 指訓練/測試樣本分別為17°/30°俯仰角觀測數據時4 類目標分類問題，EOC-2 主要關注15°和17°俯仰角獲取的BMP2 及T72 子型號樣本分類問題。2021 年，國防科技大學的研究人員提出將目標部件模型和深度學習算法有機結合起來，首先利用雙向卷積循環網絡按照目標部件ASC 模型提取目標局部特征，然后利用全卷積網絡提取目標全局特征，繼而通過融合局部和全局特征對目標種類進行判決，最終取得了高于99%的EOC-1 識別準確率［25］。

需要指出的是，由于公開版MSTAR 數據集僅有4 類目標包含30°俯仰角觀測數據，文獻［20，25］中所獲得的接近100%的EOC 識別準確率均由3類/4 類目標30°俯仰角標準目標形態相關數據評估得到。在采用45°俯仰角和目標剛性變形數據（如炮塔旋轉等）進行測試時，上述深度學習算法分類準確率約為77%。2021 年，本課題組研究人員提出了基于仿真SAR 數據先驗知識和元學習的目標識別方法，3 類目標45°俯仰角樣本分類準確率達到79.3%，略高于其他深度學習算法［26］。17°俯仰角SAR 圖像作為訓練樣本時，其他常見深度學習網絡的MSTAR SOC 及EOC-1 目標分類準確率在表3 中給出。其中，文獻［27］中新近提出的EMC2A-Net 在神經網絡模型參數數量及分類準確率上都具有較為明顯的優勢。

表3 現有深度學習網絡的時間成本及分類準確率(MSTAR)Table 3 Time efficiency and classification accuracy provided by existing deep learning networks (MSTAR)

綜上所述，雖然MSTAR 數據集SOC 十類目標分類準確率早在2016 年就已突破99%，但是涉及45°俯仰角觀測樣本及目標剛性變形的EOC3類/4 類目標識別問題仍亟待解決。特別地，單純依賴深度學習算法取得的3 類目標45°俯仰角識別準確率最高僅為80%。雖然一些研究人員利用字典學習法、稀疏表示法等方法獲得了高于90%的3類 目 標45°俯 仰 角 識 別 準 確 率［28］，但 是 由 于MSTAR 相關樣本種類數量限制，其泛化能力仍有待驗證。同時，文獻［29］提出的SAR 目標分類算法大多單純依托公開版MSTAR 數據集評估算法的分類準確性，對實際工程應用環境中陌生目標和雜波背景的潛在影響，以及深度神經網絡模型提取目標特征圖的內在機理缺乏系統深入的分析。

為了解決上述問題，南航雷達探測與成像技術研究團隊依托自主研制的無人機載高分辨率微小型SAR 系統，通過研發新型高精度微型SAR 成像算法及運動誤差補償算法，初步構建了擁有自主知識產權的9 類典型軍事目標圓周MiniSAR 數據集，并利用該數據集開展了一系列目標識別方法研究。本文在前期仿真實驗中主要考慮4 種極具代表性的 神 經 網 絡 模 型：VGG-16、ResNet-18、AConvNet［20］以 及AlexNet 風 格 的SAMPLE 網 絡［21］。其中，VGG-16 代表模型訓練時間成本高的大型神經網絡，ResNet-18 代表中型神經網絡，AConvNet和SAMPLE 網絡代表訓練時間成本低的小型神經網絡。這些網絡模型的框架圖在圖11 中給出。實驗結果表明，雖然上述經典深度神經網絡在MSTAR 數據集目標分類問題上展現出優越的性能，這些網絡并不能有效地解決MiniSAR 數據集目標分類問題。31°及37°俯仰角MiniSAR 圖像分別作為訓練和測試樣本時，VGG-16、ResNet18、AConvNet、SAMPLE 等4 種 經 典 深 度 學 習 網 絡MiniSAR 數據集9 類目標分類準確率在表4 中給出。其中，31°和37°俯仰角所對應的樣本數分別為5 009 和4 915?？梢钥闯?，ResNet18 取得的準確率最高，為89.88%。而AConvNet 獲得的分類準確率最低，為81.35%。作為對比，37°及45°俯仰角MiniSAR 圖像分別作為訓練和測試樣本時上述4種神經網絡的識別準確率也在表4 中給出。AlexNet 風格的SAMPLE 網絡［21］取得的準確率最高，為80.45%，而擁有上億參數量的大型神經網絡VGG16 的識別準確率僅為61.38%。37°及45°俯仰角數據分別作為訓練和測試數據時目標分類準確率較低的主要原因是無人機平臺在圓周飛行過程中偏離理想航跡的運動軌跡并未得到精準補償，各俯仰角獲得的SAR 圖像樣本聚焦質量起伏較大。因此，本文將對所提運動補償及二維自聚焦算法進行進一步改良，以期在后續外場采樣實驗中提升SAR 圖像樣本的質量。

圖11 神經網絡模型框架圖Fig.11 Diagrams of neural network models

表4 現有深度學習網絡MiniSAR 數據集分類準確率Table 4 Classification accuracy for MiniSAR dataset provided by existing deep learning networks

表4 中的結果充分證明了依托單一種類的SAR 數據集對神經網絡進行性能評估存在一定的片面性。與此同時，表4 中給出的實驗結果也從側面佐證了歐美軍方研究人員在近年來提出并反復驗證的一個重要觀點：雖然包含海量參數的大型神經網絡在高細粒度光學圖像識別任務中展現出中小型網絡無法比擬的優越性，在以低細粒度為特征的SAR 圖像分類方面，小型網絡的性 能 有 時 優 于 大 型 神 經 網 絡［1，8，21-22］。本 領 域 的研究人員應該認識到，SAR 圖像與光學圖像在成像原理方面存在本質區別，不能完全照搬光學圖像識別的研究思路。只有以高質量多源SAR 數據集作為數據支撐，才能針對SAR 目標識別問題提出工程實用性強的神經網絡模型設計方案，有效規避訓練數據有限導致的神經網絡過擬合問題。

在實際工程應用場景中，地面目標不一定處于理想靜止狀態及標準位姿。為了防止目標識別算法在訓練過程中過于偏重雜波背景信息而忽略目標本身的關鍵特征，筆者計劃后期充分利用無人機載微型SAR 機動性強的優勢，針對多種可移動目標開展不同觀測場景（公路、沙地、草地和泥地等）下的全方位圓周SAR 數據錄取，從而構建雜波背景及目標運動狀態/形態富于變化的大型地面目標SAR 圖像樣本庫，為面向工程應用的地面目標分類算法研發提供數據支持。其次，筆者擬利用同一無人機搭載的微型SAR 系統和紅外成像系統針對多類地面目標進行成像并構建平行數據集，繼而通過紅外成像與SAR 圖像之間的異源信息融合提升復雜場景中目標識別的魯棒性。

4 結 論

本文介紹了南航雷達探測與成像技術研究團隊利用自主研制的無人機載高分辨率MiniSAR 系統針對9 類地面軍事目標錄取圓周SAR 數據并構建數據集的主要流程，以及依托該數據集所開展的基于人工智能的目標識別方法的研究工作。本文通過對一系列實驗結果進行深入分析得到如下結論：

（1）SAR 圖像聚焦質量對于深度神經網絡的目標分類準確率具有重要影響。本文所提基于極坐標格式算法及后向投影算法的新型二維自聚焦高精成像算法能夠有效改善無人機非線性運動以及運動模塊測量誤差所導致的SAR 圖像散焦問題，有效地提升了SAR 圖像訓練樣本質量。另一方面，無人機平臺隨機抖動而導致的偶發性運動補償誤差及圖像散焦問題仍未能得到徹底解決，表明本文所提自聚焦算法仍存在一定的改進空間。

（2）雖然美國90 年代末期公布的MSTAR 數據集對SAR 目標分類算法的研發起到了重要的促進作用，但是該數據集也存在多類目標關鍵角度樣本缺失、成像條件高度理想化等問題。因此，單純依托該數據集開展基于深度學習的SAR 目標算法研究工作存在一定的局限性。與MSTAR 數據集相比，本文所提地面目標多角度MiniSAR 數據集的數據錄取環境與SAR 目標識別實際工程應用場景更為接近，能夠為研發魯棒性高、泛化能力強的SAR 目標識別深度學習算法提供有力的數據支撐，有效避免神經網絡模型設計過程中可能出現的過擬合問題。