SAR图像目标鉴别和识别方法研究

发布时间：2020-04-06 12:50

【摘要】：合成孔径雷达(Synthetic Aperture Radar,SAR)能全天时、全天候的工作,且具有一定的穿透能力,被广泛应用在军事和民用等领域。随着SAR成像技术的不断发展,机载和星载SAR系统得到了广泛应用,获取了海量的、大幅的SAR图像。人工解译这些SAR图像近乎不可能,迫切需要SAR图像自动解译。典型的SAR自动目标识别(Automatic Target Recognition,ATR)包含三个阶段,即目标检测、目标鉴别和目标识别。对于目标鉴别和目标识别,目前仍存在一些问题需要解决,因此研究SAR图像目标鉴别和目标识别具有重要意义。本文针对目标鉴别阶段人造杂波剔除问题和目标识别阶段的特征提取与识别方法进行了深入的分析和研究。主要研究内容可以概括为以下三个方面:1.研究了SAR目标鉴别阶段人造杂波剔除问题。目标鉴别的目的是在尽可能保留真实目标的同时,剔除目标检测阶段提取的疑似目标切片中的杂波虚警。传统鉴别特征难以有效去除人造杂波虚警,导致大量的人造杂波虚警进入目标识别阶段,对目标识别造成影响。本文针对SAR目标鉴别中人造杂波剔除问题,提出了一种基于散射中心特征和K中心一类分类器的SAR目标鉴别方法。散射中心特征由散射中心的幅度和位置组成,充分利用了散射中心的位置信息。对于自然杂波,其幅度一般与目标的幅度差异较大,利用幅度信息可以达到鉴别目标和自然杂波的目的。而对于与目标幅度接近的人造杂波,散射中心的位置能反映目标的拓扑结构,从而鉴别目标和人造杂波。从不同SAR切片中提取的散射中心的个数可能是不同的,即不同切片的散射中心特征的维度可能是不同的,因此如何测度这些维度不同的散射中心特征间的相似性(距离)是一个难点。在本文中,我们利用豪斯多夫距离(Hausdorff Distance,HD)测度不同散射中心特征间的相似性,并基于HD距离改进了传统的K中心一类分类器。最后,采用改进K中心一类分类器做鉴别器,给出切片鉴别的最终结果。基于MiniSAR数据的实验表明,散射中心特征的鉴别性能优于传统特征的鉴别性能,特别是对于人造杂波的鉴别。2.从SAR相干成像的特性出发,基于属性散射中心模型(Attribute Scattering Center Model,ASCM),提取与SAR目标电磁散射特性相关的特征用于识别。传统SAR目标识别特征的识别效果虽然不错,但是这些特征中的大多数仅利用了SAR图像局部区域像素间的相关性,而且这些特征大多是低层次的,极易受到相干斑的影响。本文提出了一种基于ASCM和判别字典学习的SAR目标识别方法,该识别算法包含三个主要阶段。在第一个阶段,即低层局部特征提取阶段,通过遗传算法(Genetic Algorithm,GA)挑选ASCM模型的参数组合,之后将不同参数组合的ASCM模型与SAR切片卷积得到低层局部特征。在第二个阶段,即特征编码阶段,提出了一种称为类别保持和局部约束的判别字典学习方法(Label consistent and Locality constraint Discriminative Dictionary Learning,LcLcDDL),该方法将切片的标签信息和局部几何信息融入到低层局部特征的稀疏编码中。在第三个阶段,即特征池化阶段,通过空间金字塔匹配(Spatial Pyramid Matching,SPM),将低层局部特征的稀疏编码池化整合为最终的高层全局特征。随后,高层全局特征被送入线性支持向量机(Support Vector Machine,SVM)分类器中,判决切片的类别。基于MSTAR数据验证了得到的稀疏系数的可分性和高层全局特征的分类性能。3.针对SAR目标识别问题,基于类哈尔(Haar-like,HL)特征,结合SAR图像的局部纹理特性,提出了一种新的SAR目标识别特征:局部二值模式类哈尔(LBP-Haar-like,LHL)特征,并将该特征用于目标识别验证其效果。在SAR目标识别的过程中,特征提取是其中的重要一步。HL特征是基于与哈尔(Haar)小波相同的原理提出的,是一种简单的、易于计算的矩形特征,表征的是两个或者多个相邻矩形区域内像素强度和的差。在SAR图像中,随着方位角的变化,同一目标反射的回波信号也会发生变化,而SAR目标的局部纹理结构信息随目标方位角变化不大。因此,目标的局部纹理结构是一种对目标识别非常有用的信息。为了更好的利用SAR目标局部纹理结构信息,同时保持HL特征简单且易于计算的特点,本文引入局部二值模式(Local Binary Pattern,LBP)将目标的局部纹理结构信息融入HL特征中,提出了LHL特征。LHL特征采用与HL特征相同的特征原型,同时由LBP提取SAR切片的局部纹理特性。从一个SAR切片中可以提取数万维的LHL特征,大多数分类器难以处理如此高维度的特征。而随机森林(Random Forests,RF)分类器对特征维度不敏感,因此,我们采用RF分类器判决切片的类别。最后,基于MSTAR数据的实验结果表明LHL特征的性能优于HL特征。
【图文】：

系统流程图,系统流程图

1）SAIP 系统为了快速解译大量增加的 SAR 数据，美国国防预研计划署提出了 SAIP 系统。文献[30]指出，对于一幅分辨率为1m 1m，覆盖范围为 100 平方千米的 SAR 图像，借助 SAIP 系统，，一个管理员、两个图像分析员可以在接收到数据的 5 分钟内给出目标报告。SAIP 系统包含了先进的 ATR 算法和鲁棒的虚警剔除技术，结合先进的计算机硬件，可以过滤掉杂波虚警，并识别潜在目标。SAIP 系统首先对可能存在的潜在目标图像区域进行标注，然后分析员利用 SAIP 提供的人机交互可视化工具确定目标的真实类型，并生成目标报告传递给战场指挥员。在这个过程中，图像分析员可以利用SAR 生成更高分辨率（0.3m 0.3m）的疑似目标区域图像，最终确定目标的真实类型。图 1.1 表示的是 SAIP 系统的处理流程[30]，由 SAR 采集的雷达回波数据首先被发送到 SAIP 的地面站，在那里生成 SAR 图像，并传递给 SAIPATR 算法，ATR 算法给出 SAR 图像中包含潜在目标或目标群的区域，之后将目标或目标群区域传递给图像分析员，图像分析员给出最终的目标报告。林肯实验室主持了 SAIP 系统中人机交互和 ATR 算法，后续的目标识别阶段就是 DARPA 和 AFRL 主持的 MSTAR 计划。

光学图像,数据库,图像,科研机构

近年来也越来越重视相关技术的研究中安电子科技大学像的分割度来看(f) BRDM2国内有关SARATR像的分割、检测度来看，仍需不断努力1.2.2SAR ATR鉴于林肯实验室提出的(g)图1.4 MSTAR的研究起步较晚SAR ATR相关技术的研究中，包括中国科学院电子学研究所和遥感所安电子科技大学、国防科技大学检测、分类识别等方面取得了一定的成果仍需不断努力。D7数据库中部分目标的光学图像和对应的的研究包括中国科学院电子学研究所和遥感所国防科技大学 ATR分类识别等方面取得了一定的成果。研究的相关技术SAR ATR5(h) T62的研究起步较晚，但由于的研究。国内的众多科研机构以及高校已经投入到了实验室等三级处理流程(i)但由于SARATR国内的众多科研机构以及高校已经投入到了实验室等。虽然这些科研机构和高校在[38]-三级处理流程（如ZIL131SAR在军事应用上的广阔前景包括中国科学院电子学研究所和遥感所、北京航空航天大学虽然这些科研机构和高校在-[42]，但从满足实际应用的角如图 1.2 所示(j) ZSU234图像北京航空航天大学满足实际应用的角所示）的合理性和高在军事应用上的广阔前景北京航空航天大学、西SAR 图的合理性和高
【学位授予单位】：西安电子科技大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：TN957.52

【相似文献】