CN101964060A - 基于局部纹理特征的sar变体目标识别方法 - Google Patents

Abstract

本发明公开了一种基于局部纹理特征的SAR变体目标识别方法，主要解决现有的识别方法对SAR目标变体识别率低的问题。其实现过程是：1.利用偏微分改善SAR目标各部分统计分布；2.利用Otsu对偏微分变换后的SAR目标进行分割出目标部分；3.旋转目标到90°，选择固定大小的滑窗，根据方位角不同选择不同方向行切割；4.对切割后的SAR目标进行Gabor变换；5.对Gabor变换后的每幅图像用LBP算子进行编码并建立直方图；6.把测试样本与训练样本的每幅SAR图像用直方图交进行匹配，把匹配结果小的抛弃，只保留匹配结果好的部分；7.用最近邻法判定识别结果。本发明可利用局部纹理特征提高SAR目标变体的识别率，用于对地面目标的识别。

Description

基于局部纹理特征的SAR变体目标识别方法

技术领域

本发明属于雷达技术领域，具体地说是一种SAR目标识别方法，可用于地面静止目标的识别。

背景技术

在SAR目标识别领域，为了判别识别算法的客观性，实验数据选用美国DARPA/APERL MSTAR项目组提供的实测SAR地面静止军用目标数据。试验数据分为两类，训练样本是SAR在俯仰角为17°时对地面的成像数据，包括3类目标：T72sn_132，BMP2sn_c21，BTR70sn_c71。为了验证算法的推广性和实用性，测试样本是SAR在俯仰角为15°时对地面的成像数据，包括3大类7个型号，其中T72增加了两个型号：T72sn_812，T72sn_S7，BMP增加了两个型号：BMP2sn_9563和BMP2sn_9566。

基于SAR图像的目标识别的发展主要集中在近20年，目前主要的研究方向有基于模板匹配的SAR目标识别方法和基于模型的SAR目标识别方法。

1998年Ross等人提出了基于模板匹配的SAR目标识别方法，它是一种最常用最典型的统计模式识别方法。该方法是将测试样本与由训练样本形成的标准模板按照某种匹配准则进行比较，从而完成对测试目标的识别，但识别率比较低。2004年韩萍等在基于KPCA准则的SAR图像目标特征提取与识别一文中提出了基于分割的模版匹配方法，该方法先对SAR图像进行预处理，在一定方位单元内累计所有图像并获得均值作为模板，用距离度量方法来比较两幅图的相似度，识别率为94.50％，由于需要累计图像作模版，因而实际应用中对测试数据局部变化敏感型差。2006年Sun Y J在Adaptive Boosting for SAR Automatic Target Recognition一文中提出了Adaptive Boosting的方法，该方法先对SAR图像用滑窗分割，再分别提取未分割和分割的二维傅立叶变换，最后用AdaBoost进行识别，这种方法对训练数据和测试数据一致的情况识别率非常高，最高能到100％，但是如果测试数据中出现变体，识别率会下降到96.12％，方法除了对变体识别率下降外，如果测试数据有变化，需要重新训练AdaBoost参数。2008年宦若虹在一种合成孔径雷达图像特征提取与目标识别的新方法.文中提出的基于PCA提取主特征然后用SVM进行识别，识别率为96.92％，同样存在每次数据发生变化需要重新训练训练数据的问题。2009年胡利平等在基于两级2DPCA的SAR目标特征提取及识别一文中提出了先分割后用PCA提取主成分最后用最近邻法进行匹配，识别率为96.41％，这种方法识别率比较高，但由于PCA提取的主成分是基于整体的，对于变体，由于局部放生了变化，基于整体的识别识别率同样会下降。

基于模型的SAR图像目标识别方法也是近年来发展较快的方法。Wissinger和Ettinger等在1996年分别用基于模型的方法做了识别，该方法的具体思想是从未知目标中提取特征，通过数学模型预测出一系列与之相关的候选目标，对它们的类型、姿态等作出假设，据此利用模型构建技术对候选目标进行3D成像，再对所成的3D像提取出其散射中心模型，并进一步作出相对识别目标的特征预测，作为待识别目标的参考特征，进行匹配作出判决。判决中一般采用的是最小均方误差准则或最大似然准则等。但是由于在基于模型的方法中，需要对SAR图像或SAR图像特征矢量进行建模，而模型的构建需要较高的理论和计算水平，目前基于模型的识别识别率都很低，因此，目前基于模型的方法在实用中并不是很多。

上述模版匹配的方法和基于模型的方法都是基于整体目标的识别，在训练数据和测试数据一致的情况下虽然可以取得较好的识别的结果，但是由于实际战争的需要，很多目标都存在改装，掩体，炮筒旋转等情况，使测试数据的局部发生了变化，与最初训练数据训练的数据有所不同，也就是在测试数据中存在不同于训练数据的变体，在这种情况下，上述方法的识别率都会明显下降。

发明内容

本发明的目的在于克服上述目标识别方法的不足，提出了基于局部纹理特征的SAR目标识别方法，利用局部纹理信息提高识别性能，以满足目标改装，掩体，炮筒旋转等情况下对目标识别率的要求。

为实现上述目的，本发明的识别方法包括如下步骤：

技术方案一种基于局部纹理特征的SAR变体目标识别方法，包括如下步骤：

1)对训练样本和测试样本中每幅SAR图像备份成两份，其中一份用作确定图像目标区域，执行步骤2)，另一份用作原图与确定好的目标区域进行匹配，执行步骤6)；

2)计算SAR图像背景区域幅度均值，根据均值确定偏微分扩散算子

对SAR图像进行去噪；

3)计算去噪后的SAR图像幅度均值，同时绘制出去噪后SAR图像的直方图，根据幅度均值将直方图分为大于幅度均值和小于幅度均值两部分，对大于幅度均值部分的直方图，采用Otsu法分割，得到Otsu分割阈值，将去噪后的SAR图像中大于该分割阈值部分全部设定值为1，确定为目标，将目标外的部分全部设定值为0，确定为背景；

4)将步骤3)分割后的SAR目标图像，按照SAR目标自带目标方位角信息旋转到90°；

5)对旋转后的SAR目标图像，选用大小为36×20的滑窗进行滑动，当滑窗内数据为1的值最多时停止滑动，并记录滑窗停止时的边缘坐标值；

6)根据原图像SAR目标自带方位角信息，将原SAR图像目标旋转到90°；

7)对步骤6)处理的SAR图像与步骤5)中已经确定目标区域的SAR图像进行配准，并按照步骤5)记录的滑窗边缘坐标，将原SAR图像切割成大小为36×20的矩形；

8)对切割后的SAR图像进行Gabor变换，使原图像转变成40幅不同尺度和方向的特征图像；

9)在每幅特征图像中确定12坐标点，按照这些坐标点将每幅特征图像分为12个局部模块，用采样点f_p(p＝0，1，...，7)的LBP算子对每个局部模块编码并建立直方图；

10)利用所建立的直方图对每幅测试样本和训练样本用基于直方图的交进行匹配，得到匹配值；

11)取前300个大匹配值作为测试样本和训练样本的识别特征，用最近邻法判定这些识别特征之间的最小距离，将距离最小的分为一类，作为最终的识别结果。

本发明与现有技术相比具有如下优点：

(1)本发明结合SAR图像分割和SAR目标方位角，提出了SAR目标配准方法，使分割后的SAR目标基本被固定在和目标大小相近的区域内，减少了背景对识别的干扰，便于后继识别。

(2)本发明利用Gabor特征提取和LBP纹理描述相结合的方法描述纹理特征，使得每个纹理特征都是原图像一定区域内若干个图像共同作用的结果，而不是单一像素的纹理特征，因此，能有效的描述SAR图像局部纹理特征。

(3)本发明在特征选择时由于采用大的局部纹理特征代替全局纹理特征，因而在识别变体时，能够获得更高的识别率。

附图说明

图1是变体目标识别流程图；

图2是本发明的实验结果图。

具体实施方式

参照图1，本实施例的具体实现步骤如下：

步骤1，将训练样本和测试样本中每幅SAR图像备份成2份，其中一份用作确定图像目标区域，执行步骤2，另一份用作原图与确定好的目标区域进行匹配，执行步骤6。

步骤2，用偏微分对SAR图像进行去噪，计算SAR图像背景区域幅度均值，根据均值确定偏微分扩散算子

偏微分去噪方程为：

$I_t=\frac{\∂}{\∂x}(c(.)\▿u{I}_x).---\left(1\right)$

其中I_x是原SAR图像，I_t是去噪后SAR图像，c(.)为梯度倒数的线性变换，与扩散部分梯度的倒数成正比，对不同梯度取不同的扩散值，SAR图像的背景部分由于只有散射点，没有特显点，因而梯度比较小，扩散比较大；而目标部分，由于目标区存在大量特显点，受特显点的影响，目标区域梯度比较大，因而扩散比较小，因此去噪后的SAR图像目标部分保持比较好。

步骤3，分割去噪后的SAR图像，具体分割方法如下：

(1)计算去噪后的SAR图像幅度均值，按照均值分为大于幅度均值的部分和小于幅度均值的部分；

(2)将小于幅度均值的部分全部设定为0，确定为背景；

(3)对大于幅度均值的部分，绘制出直方图，并对其采用Otsu法进行分割；

(3a)设μ₀(t)和μ₁(t)分别代表目标和背景的中心灰度，μ代表直方图的中心灰度，利用如下公式计算Otsu分割阈值g(t′)：

$g\left(t^{\′}\right)=\mathrm{Arg}\underset{0\≤t\≤m-1}{\mathrm{Max}}[{\mathrm{\ω}}_0\left(t\right){({\mathrm{\μ}}_0\left(t\right)-\mathrm{\μ})}^2+{\mathrm{\ω}}_1\left(t\right){({\mathrm{\μ}}_1\left(t\right)-\mathrm{\μ})}^2]---\left(2\right)$

ω₀(t)和ω₁(t)分别为目标和背景的概率，要使目标和背景得到最好的分离，即希望分割出的目标尽量远离图像中心，也就是式(2)右边的值最大的时候，g(t′)满足Otsu阈值分割要求；

(3b)将去噪后的SAR图像幅度g(t′)进行比较，若大于g(t′)则设定值为1，确定为目标，小于g(t′)设定值为0，确定为背景，得到分割后的SAR目标图像。

步骤4，将步骤3分割后的SAR目标图像，按照SAR目标自带目标方位角信息旋转到90°。

步骤5，对旋转后的SAR目标图像，选用大小为36×20的滑窗进行滑动，当滑窗内数据为1的值最多时停止滑动，并记录滑窗停止时的边缘坐标值。

步骤6，根据原图像SAR目标自带方位角信息，将原SAR图像目标旋转到90度。

步骤7，对步骤6处理的SAR图像与步骤5中已经确定目标区域的SAR图像进行配准，并按照步骤5记录的滑窗边缘坐标，将原SAR图像切割成大小为36×20的矩形，完成SAR图像配准。

步骤8，按照下式对分割后的SAR图像进行Gabor变换：

${\mathrm{\ψ}}_{u,v}=\frac{\left|\right|k_{u,v}{\left|\right|}^2}{{\mathrm{\σ}}^2}{e}^{-\left(\right|\left|k_{u,v}{\left|\right|}^2\right|z{\left|\right|}^2/2{\mathrm{\σ}}^2)}[e^{{\mathrm{izk}}_{u,v}}-e^{-({\mathrm{\σ}}^2/2)}]---\left(3\right)$

u，v分别是方向因子和尺度因子，z＝(x，y)是行矢量，(x，y)为图像二维坐标，

k_v＝k_max/f^v，k_max为Gabor频率，f为复指数径向中心频率，σ为高斯函数标准差，取u∈{0，...，7}，v∈{0，1，2，3，4}，k_max＝π/2，

σ＝0.4π，经过Gabor小波变换，使原图像转变成40幅不同尺度和方向的特征图像。

步骤9，在每幅特征图像中确定12坐标点，按照这些坐标点将每幅特征图像分为12个局部模块，用采样点f_p(p＝0，1，...，7)的LBP算子对每个局部模块编码并建立直方图。

步骤10，对每类测试样本和训练样本基于直方图交进行匹配：

$\mathrm{\ψ}(H^1,H^2)=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\min (h_i^1,h_i^2)---\left(4\right)$

其中H¹，H²表示两个直方图，

表示两个直方图内相同的部分，L＝7；

利用H¹，H²之间相同的部分大小衡量两个直方图之间的相似性强弱，得到直方图之间的匹配值。

步骤11，判定识别结果。

训练数据和测试数据的两幅SAR图像之间共有40×12幅直方图匹配，由于变体的缘故，有一部分匹配性能不是很好，因此取前300个大匹配值作为测试数据和训练数据的识别特征，用最近邻法判定这些识别特征之间的最小距离，将距离最小的分为一类，作为最终的识别结果。

本发明的效果通过以下试验进一步说明：

1.实验数据：实验采用的是美国MSTAR计划录取的地面静止目标SAR数据，分辨率为0.3×0.3。所有原始图像大小均为128×128。训练数据和测试数据分别是SAR在俯仰角17度和15度时对地面目标的成像数据，如表1所示，其中“-”表示没有。每类样本的方位覆盖范围是0～360度。同类不同型号的目标在配备上有些差异。

表1训练和测试样本集(“-”表示没有)

2.试验结果：

实验流程如图1所示，根据实验流程对训练数据和测试数据分别进行处理，并判定识别结果，实验结果如图2所示，其中：

图2A为SAR图像原图，从图2A中可以看出SAR图像为高噪声图像；

图2B为SAR图像去噪后图像，从图2B可以看出SAR图像去噪后，目标部分保持较好，背景部分平滑较大；

图2C为经Otsu分割后SAR图像，从图2C可以看出经过Otsu分割，SAR图像目标部分全部用1表示，背景部分则全部用0表示；

图2D为旋转分割后SAR图像，从图2D可以看经过旋转，分割后的SAR图像目标旋转到90度；

图2E为旋转后SAR原图像，从图2E可以看经过旋转，SAR原图目标旋转到90度；

图2F为切割后SAR图像，从图2F可以看切割后得到配准的SAR图像。

在进行基于直方图交的匹配中，采用两种方法进行试验来说明局部纹理特征选择对识别结果的提高，第一种方法是基于全部的直方图进行匹配，实验结果如表2所示，这种方法对于测试数据和训练数据一致的情况识别率为100％，是目前最好的识别结果，对于测试数据和训练数据有所不同的情况识别率则有所下降。

第二种方法采用抛弃一部分直方图交比较小的一部分，根据前面的步骤，每幅图最终有480幅直方图，去掉后面值比较小的180幅直方图，只用前面300幅之比较大的做匹配，识别结果如表3所示，识别率，尤其是变体的识别率得到了显著提高，这也是目前所见文献最高的识别率。表4是目前比较好的识别结果统计。

表2全部直方图匹配时，基于纹理特征的实验结果

表3匹配值大的前300幅匹配并加方位角限制，基于纹理特征的实验结果

表4目前比较高的识别结果统计

不同方法	识别率(％)
		PCA+最近邻	96.41
PCA+LDA+最近邻	86.67
		PCA+ICDA+最近邻	97.38
SVRDM	94.50
		Adaptive Boosting	96.12

PCA+SVM	94.21
		PCA+SVM+HMM	95.09
ICA+SVM	96.92
		本发明结果1	98.86
本发明结果2	99.26

4.试验结果分析：

从表2和表3的结果可以看出，全部的纹理特征在训练数据和测试数据基本一致的情况下，识别率达到100％，但是在测试数据存在变体的情况下，识别率有所下降，不过仍然是目前最好的识别结果，说明局部的纹理特征对于SAR目标识别是一种非常稳定的特征。

在表3中，由于抛弃掉一部分数据，对于整体的识别率提高很大，到了99.26％，但是第三类数据当训练数据和测试数据一致的情况，识别率还有所下降，说明，抛弃掉的特征能够提高变体识别率的同时会影响非变体的识别率，然而对于实战情况，战场情况变化很大，变体情况非常普遍，因此基于局部纹理特征的SAR目标识别算法有更好的实用性。

Claims (3)

1.一种基于局部纹理特征的SAR变体目标识别方法，包括如下步骤：

1)对训练样本和测试样本中每幅SAR图像备份成两份，其中一份用作确定图像目标区域，执行步骤2)，另一份用作原图与确定好的目标区域进行匹配，执行步骤6)；

2)计算SAR图像背景区域幅度均值，根据均值确定偏微分扩散算子

对SAR图像进行去噪；

3)计算去噪后的SAR图像幅度均值，同时绘制出去噪后SAR图像的直方图，根据幅度均值将直方图分为大于幅度均值和小于幅度均值两部分，对大于幅度均值部分的直方图，采用Otsu法分割，得到Otsu分割阈值，将去噪后的SAR图像中大于该分割阈值部分全部设定值为1，确定为目标，将目标外的部分全部设定值为0，确定为背景；

4)将步骤3)分割后的SAR目标图像，按照SAR目标自带目标方位角信息旋转到90°；

5)对旋转后的SAR目标图像，选用大小为36×20的滑窗进行滑动，当滑窗内数据为1的值最多时停止滑动，并记录滑窗停止时的边缘坐标值；

6)根据原图像SAR目标自带方位角信息，将原SAR图像目标旋转到90°；

7)对步骤6)处理的SAR图像与步骤5)中已经确定目标区域的SAR图像进行配准，并按照步骤5)记录的滑窗边缘坐标，将原SAR图像切割成大小为36×20的矩形；

8)对切割后的SAR图像进行Gabor变换，使原图像转变成40幅不同尺度和方向的特征图像；

9)在每幅特征图像中确定12坐标点，按照这些坐标点将每幅特征图像分为12个局部模块，用采样点f_p(p＝0，1，...，7)的LBP算子对每个局部模块编码并建立直方图；

10)利用所建立的直方图对每幅测试样本和训练样本用基于直方图的交进行匹配，得到匹配值；

11)取前300个大匹配值作为测试样本和训练样本的识别特征，用最近邻法判定这些识别特征之间的最小距离，将距离最小的分为一类，作为最终的识别结果。

2.根据权利要求1所述的目标识别方法，其中步骤8)所述的对切割后的SAR图像进行Gabor变换，采用如下公式：

${\mathrm{\ψ}}_{u,v}=\frac{\left|\right|k_{u,v}{\left|\right|}^2}{{\mathrm{\σ}}^2}{e}^{-\left(\right|\left|k_{u,v}{\left|\right|}^2\right|z{\left|\right|}^2/2{\mathrm{\σ}}^2)}[e^{{\mathrm{izk}}_{u,v}}-e^{-({\mathrm{\σ}}^2/2)}]$

u，v分别是方向因子和尺度因子，z＝(x，y)是行矢量，(x，y)为图像二维坐标，

k_v＝k_max/f^v，k_max为Gabor频率，f为复指数径向中心频率，σ为高斯函数标准差，取u∈{0，...，7}，v∈{0，1，2，3，4}，k_max＝π/2，

σ＝0.4π，经过Gabor小波变换，使原图像转变成40幅不同尺度和方向的特征图像。

3.根据权利要求1所述的目标识别方法，其中步骤9)中所述在每幅特征图像中确定12坐标点，分别为(1：6，1：10)；(7：12，1：10)；(13：18，1：10)；(19：24，1：10)；(25：30，1：10)；(31：36，1：10)；(1：6，11：20)；(7：12，11：20)；(13：18，11：20)；(19：24，11：20)；(25：30，11：20)；(31：36，11：20)。

Images