当前位置:首页 期刊杂志

一种基于峰值匹配的SAR目标识别方法

时间:2024-05-04

董 平,林嘉宇,刘 莹

(1.国防科技大学 电子科学与工程学院,湖南 长沙 410073;2.长沙芯希科技公司,湖南 长沙 410000)

一种基于峰值匹配的SAR目标识别方法

董 平1,林嘉宇2,刘 莹1

(1.国防科技大学 电子科学与工程学院,湖南 长沙 410073;2.长沙芯希科技公司,湖南 长沙 410000)

文章提出了一种基于峰值匹配的SAR目标识别方法.采用最近邻匹配算法构建测试样本峰值特征集与模板样本峰值特征集之间的对应关系.在此匹配关系的基础上,设计了稳健的匹配度准则评价两组峰值特征集的匹配度,并根据最大匹配度的准则判定目标类别.在MSTAR数据集进行目标识别实验验证提出方法的有效性.

合成孔径雷达;目标识别;匹配度准则

合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动式的微波遥感,因具有全天时、全天候等巨大优势,因而成为现代战场侦察的重要手段.SAR自动目标识别(Automatic Target Recognition,ATR)作为SAR解译的关键步骤,成为一项研究热点[1-2].

峰值特征是SAR图像的一种重要特征,反映了目标散射中心的空间分布,对于SAR目标识别具有重要的作用.针对SAR图像峰值特征提取、峰值稳定性分析以及峰值特征在SAR目标识别中的应用,证明了峰值特征可以有效完成稳健的SAR目标识别[3-5].由此,本文提出一种基于峰值匹配的SAR目标识别方法.该方法首先取待测试SAR图像和其对应的模板图像的峰值特征.通过峰值特征的属性差异构建合理的代价矩阵,采用最近邻匹配算法实现测试图像峰值特征集与模板峰值特征集的一一匹配.在此匹配关系的基础上,设计了稳健的匹配度度量准则评价峰值特征集之间匹配度,并根据最大匹配度的准则确定目标类别.为了验证本文方法的有效性,采用运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)数据集进行了验证实验.

1 峰值特征提取

本文采用SAR图像上的局部极大值作为峰值特征,提取过程如公式(1)所示.

其中,当Qij=1时,则当前像素为目标峰值;当Qij=0时,则当前像素非目标峰值.aij代表当前像素的灰度值;N(i,j)表示(i,j)的局部领域.设定公式(1)中的邻域大小为8(即3X3滑动窗),一幅SAR图像峰值提取的结果如图1所示,圆形符号标记了峰值点的分布,可以看出峰值特征集可以有效描述了目标散射中心的分布,并且一定程度上反映了目标的物理结构.

2 峰值特征集的最近邻匹配

记测试样本和模板样本的峰值特征集为X=[X1,X2,X3,…,Xm]和Y=[Y1,Y2,Y3,…,Yn].其中Xi(i=1,2,…,m)和Yj(j=1,2,…,n)代表一个峰值,包含(x,y,|A|)3个属性参数.为建立两组峰值特征集之间的对应关系,首先定义两个峰值之间的距离测度:

图1 峰值特征提取结果

基于定义的距离测度,本文采用最近邻算法实现两组峰值特征集的一一匹配[6],具体实施步骤如下:

Step1:按照公式(2)计算匹配关系矩阵,矩阵中的每一个元素代表两个峰值之间的距离.

Step2:选择M中同时满足行、列最小的元素mij,确定测试样本第i个峰值与模板样本第j个峰值的匹配关系.

Step3:遍历测试样本的每一个峰值,输出测试样本峰值集的匹配关系.

根据建立的配对关系,计算测试样本峰值特征集与模板样本峰值特征集的匹配度如下:

公式(4)中Γ((i)表示与第i个测试样本峰值对应的模板样本峰值序号.由此,可以计算出测试样本峰值与各类模板的匹配度.采用最大匹配度的原则可以判定目标类别.

3 实验与分析

3.1 实验数据集

MSTAR数据集采集了X波段HH极化下多类军事目标的SAR图像,图像大小128X128,原始分辨率为0.3 mX0.3 m.本文对MSTAR数据集中的3类目标-BMP2,BTR70和T72进行了目标识别实验.3类目标的光学图像如图2所示.本文使用的模板样本和测试样本如表1所示,采用俯仰角17°下的3类目标图像作为模板样本,俯仰角15°下的3类目标图像作为测试图像.

图2 BMP2,BTR70和T72 3类目标的光学图像

表1 本文使用的训练和测试样本

3.2 实验结果

3.2.1 3类目标的识别结果

本文首先测试了提出算法在3类目标-BMP2,BTR70和T72上的识别性能.本文方法对3类目标的识别结果如表2所示.可以看出,本文方法在3类目标上平均识别率达到94.02%,较好地完成了3类目标的识别任务,证明了方法的有效性.

表2 3类目标的识别结果统计

3.2.2 噪声添加

考虑到实际获取的SAR图像可能存在较为严重的噪声干扰,本文对测试样本按照文献[7]中的方法添加高斯噪声.不同信噪比下的SAR如图3所示.本文方法在不同信噪比下的平均识别率如表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%的正确识别率,随着信噪比的不断提高,本文方法的识别率也不断上升,证明了本文算法对于噪声干扰具有一定的稳健性.

图3 不同信噪比下的SAR图像

表3 不同信噪比下的识别性能

4 结语

本文提出了一种基于峰值匹配的SAR目标识别方法.采用最近邻匹配算法构建测试图像峰值特征集与对应模板峰值特征集之间的一一对应关系,进而评价两者之间的匹配度.根据最大匹配度的准则判定目标类别完成目标识别.基于MSTAR数据的实验表明,本文算法对于3类目标的平均识别率达到94.02%,并且对噪声干扰具有一定的稳健性.

[1]文贡坚,朱国强,殷红成,等.基于三维电磁散射参数化模型的SAR目标识别方法[J].雷达学报,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]张翠,郦苏丹,邹涛,等.一种应用峰值特征匹配的SAR图像自动目标识别方法[J].中国图像图形学报,2002(7):729-734.

[4]计科峰,高贵,贾承丽,等.一种利用方位角信息给予峰值匹配的SAR图像目标分类方法[J].信号处理,2005(z1):526-530.

[5]高贵,计科峰,匡纲要,等.高分辨率SAR图像目标峰值提取及峰值稳定性分析[J].电子与信息学报,2005(4):561-565.

[6]唐涛,粟毅.散射中心序贯匹配的SAR图像目标识别方法[J].系统工程与电子技术,2012(6):1131-1135.

[7]丁柏圆,文贡坚,余连生,等.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(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,四川宜宾人,学员,硕士;研究方向:图像处理,通信理论.

免责声明

我们致力于保护作者版权,注重分享,被刊用文章因无法核实真实出处,未能及时与作者取得联系,或有版权异议的,请联系管理员,我们会立即处理! 部分文章是来自各大过期杂志,内容仅供学习参考,不准确地方联系删除处理!