CN102800104A - 一种基于isar图像序列的二维散射中心自动关联方法 - Google Patents

Abstract

一种基于ISAR图像序列的二维散射中心自动关联方法，首先通过在序列ISAR图像间搜索、跟踪散射中心，获得散射中心在ISAR图像序列间的运动方向连续属性，即观测事件序列。然后使用包括立方体、圆柱体及椎体在内的典型目标在连续视角下进行ISAR成像，利用成像数据完成对隐马尔科夫模型参数的训练。最终使用Viterbi算法进行解码计算获得散射中心序列的关联属性。本发明方法不涉及目标的多普勒模型，因此通用性大大增强并且降低了关联计算量。同时本发明方法将ISAR图像分割成等长的帧组进行处理，能够有效避免散射中心在跟踪过程中由于局部丢失而导致关联失败的情形，因此有效提高了关联的鲁棒性。

Description

一种基于ISAR图像序列的二维散射中心自动关联方法

技术领域

本发明涉及一种利用ISAR图像进行目标三维重构时的二维散射中心关联方法。

背景技术

散射中心关联是三位重构的前提与基础，非合作目标三维重构结果的可靠性与重构精度都依赖于目标散射中心的正确关联。目前国内外大部分研究非合作目标三维重构的文献都是假定散射中心已正确关联，在2003年“Proceedingsof the International Radar Conference”发表的题为“Scatterer labelingestimation fbr 3D model reconstruction from an ISAR image sequence”的文章中在对舰船目标进行三维重构的过程中提出基于散射中心多普勒误差最小化的散射点标记(关联)方法，其实质是根据舰船这类目标的运动特点(通常其俯仰、偏航角不大于3度)建立散射中心的多普勒预测模型，通过散射中心测量多普勒与预测多普勒的误差最小化实现散射中心的标记(关联)。但该方法是专门针对舰船目标的运动特点实现散射中心的关联，因此并不适合空间非合作目标的散射中心关联。

2006年在“信号处理”期刊上发表的题为“基于聚类分析和神经网络的雷达目标三维散射中心提取”的文献中提出使用统计直方图及聚类分析实现多观测视角下一维散射中心的关联方法，该方法通过考察以任意三个不同雷达视线为法线并通过其上任意一个散射中心的三个平面相交的情形，发现只有真实散射中心周围形成的空间点簇具有紧密性。这样将散射中心关联问题转化为搜索空间点簇问题，但该方法运算量偏大且存在关联可靠性不高的问题。

2008年发表的国防科技大学博士学位论文中题为“光学区雷达目标三维散射中心重构理论与技术”的文献研究了基于一维高分辨距离像(HRRP)的非合作目标散射中心空间位置重构的理论和方法，并推导了重构模型的极限性能(Cramér-Rao Bound，CRB)，但该文献中并未深入探讨三维重构的关键问题，即散射中心的关联问题。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供了一种基于ISAR图像序列的二维散射中心自动关联方法，可以应用于基于ISAR成像的目标三维重构，计算量小，通用性强，有效提高目标识别的可靠性。

本发明的技术解决方案是：一种基于ISAR图像序列的二维散射中心自动关联方法，步骤如下：

(1)对包括立方体、圆柱体及椎体在内的典型目标在连续视角下进行ISAR成像，利用成像数据完成对隐马尔科夫模型参数的训练，得到初始概率分布矩阵、状态转移概率矩阵及状态对应观测事件概率矩阵；所述的状态包含三种，分别是S1：关联散射点，S2：未确定是否关联散射点，S3：非关联散射点，所述的观测事件包括七种，分别是O1：在搜索阈值范围内搜索到满足强度条件的一个散射点，且与前一帧图像中的散射点运动方向在同一象限；O2：在搜索阈值范围内搜索到满足强度条件的一个散射点，且与前一帧图像中的散射点运动方向在相邻象限；O3：在搜索阈值范围内搜索到满足强度条件的一个散射点，且与前一帧图像中的散射点运动方向在相异象限；O4：在搜索阈值范围内搜索到满足强度条件的多个散射点，且与前一帧图像中的散射点运动方向在相同象限；O5：在搜索阈值范围内搜索到满足强度条件的多个散射点，且与前一帧图像中的散射点运动方向在相邻象限；O6：在搜索阈值范围内搜索到满足强度条件的多个散射点，且与前一帧图像中的散射点运动方向在相异象限；O7：在搜索阈值范围内没有搜索到满足强度条件的散射点；

(2)将目标ISAR成像序列分割成长度相同的帧组，对于每一个帧组，在帧组中第一帧图像中提取散射中心，在帧组的后续帧中完成散射中心的搜索和追踪，由此得到散射中心轨迹方向连续性的观测事件序列；

(3)利用步骤(1)中获得的初始概率分布矩阵、状态转移概率矩阵及状态对应观测事件概率矩阵，对步骤(2)中各散射中心的观测事件序列进行解码及状态回溯，计算获得各散射中心序列隐藏的关联状态序列；

(4)对步骤(3)得到的关联状态序列进行判别，若关联状态序列连续输出至少三个S1状态，则确定该序列为关联散射中心序列，否则该序列为非关联序列。

所述步骤(3)中对各散射中心的观测事件序列进行解码时采用Viterbi算法。所述步骤(1)中对隐马尔科夫模型参数进行训练时采用基于GMM概率密度函数的训练方法。

本发明与现有技术相比的优点在于：

(1)本发明方法采用在序列ISAR图像中对散射中心进行搜索、跟踪获得散射中心序列的运动方向连续性观测数据，采用基于GMM的训练方法获得隐马尔科夫模型参数，通过对观测序列的解码运算恢复出散射中心序列的关联属性。该方法成功地将散射中心关联问题转化为理论更加成熟的基于机器学习模型的模式识别问题，由于在关联过程中并未涉及到目标散射中心的多普勒模型问题，因此该方法具有很强的通用性，广泛适用于各类目标的散射中心关联；

(2)本发明方法在散射中心的搜索、跟踪过程中将序列ISAR图像分割成相同长度的帧组进行处理，在首帧图像中提取散射中心而在后续帧中对散射中心进行搜索、跟踪，这样不但减少了搜索过程的计算量，而且能够有效避免散射中心序列在跟踪过程中由于目标运动造成局部帧中散射中心丢失从而导致散射中心序列关联失败，能够有效降低关联方法的计算量并提高关联的鲁棒性。

附图说明

图1为本发明方法的流程框图；

图2为本发明方法中散射中心搜索示意图；

图3为Viterbi算法的解码过程示意图；

图4为本发明实施例中仿真的空间目标结构示意图；

图5为本发明实施例中单位球面上的视角分布示意图。

具体实施方式

本发明方法根据空间非合作目标ISAR成像特点，提出在连续观测视角下，通过在序列图像间搜索、跟踪散射中心的运动轨迹，从散射中心运动连续性中抽取散射中心的关联属性。根据抽取到的这些关联属性通过基于GMM的参数训练方法，最终使用隐马尔科夫模型实现散射中心在序列ISAR图像间的鲁棒关联。

隐马尔科夫模型(hidden Markov model，HMM)作为一种重要的统计信号数学模型，是描述非平稳随机过程的有力数学工具，具体到散射中心关联问题，散射中心在序列ISAR图像间的运动连续性表现为在局部时间平稳而在全局非平稳，因此隐马尔科夫模型十分适合散射中心关联问题的应用背景。

基于机器学习模型的散射中心关联的一个重要问题是参数训练，只有获得可靠、真实的模型参数才能实现散射中心的正确关联。本发明方法利用多个典型目标在连续视角下的ISAR成像数据作为模型的参数训练样本实现模型参数的训练，样本数据的完备性大大提高，更易于实现散射中心的鲁棒关联。

如图1所示，本发明方法的主要步骤如下：

1、通过对立方体、圆柱体及椎体等典型目标在连续视角下进行ISAR成像获得的训练样本数据完成对隐马尔科夫模型参数的训练；

2、将目标ISAR成像序列分割成“帧组”并在“帧组”中第一帧图像中提取散射中心，散射中心的搜索、追踪在“帧组”中的后续帧中完成。这是为了避免由于散射中心在跟踪过程中丢失而造成该序列关联失败；

3、根据对ISAR图像序列中各散射中心的跟踪轨迹获得散射中心轨迹方向连续性的观测事件序列；根据定义的观测事件集合，如果在搜索阈值范围内搜索到满足强度条件的一个散射点，且散射中心的运动方向在连续两帧图像中均落入如图2的相同象限则观测事件为O1，若在相异象限则为O3，这样在一个帧组中每个散射中心序列会生成一个观测事件序列。

4、根据训练获得的隐马尔科夫模型参数，对各散射中心观测事件序列进行解码及状态回溯计算获得各散射中心序列隐藏的关联状态序列；

5、确定最终判决散射中心序列关联与否。

下面详细给出散射中心关联算法的隐马尔科夫模型结构设计及判决准则设计。

(1)设计符合散射中心关联应用背景的状态集合

隐马尔科夫模型的模型结构包括状态集合与观测事件集合。将隐马尔科夫模型应用于散射中心关联问题首先需要设计出合适的模型结构，根据二维散射中心关联的应用背景，为了获得可靠的关联序列同时尽量降低模型的复杂度，设计状态集合包含三个状态，分别是S1：关联散射点、S2：未确定是否关联散射点、S3：非关联散射点。

(2)设计基于散射中心运动轨迹连续特性的观测事件集合

观测事件反映散射中心的关联属性，由于各散射点在连续观测视角下在成像平面上的投影轨迹应为连续，以某一散射中心为例，其在某一帧图像的投影位置应在以其前一帧图像中投影位置为中心的某一邻域内，且其运动轨迹应在短时间内保持连续。由此可以以某一散射中心在前一帧的投影位置预测其在下一帧图像中的投影位置，根据目标尺寸的大致范围可以选定一个搜索阈值，如果在搜索阈值内搜索到散射中心且其强度满足强度连续阈值要求，则根据图2确定散射中心的运动方向与其在前一帧图像中方向的关系(相同、相邻或相异象限)生成观测事件序列。

首先将搜索平面以散射点在前一帧图像中的投影位置为中心平均划分为八个象限，如图2所示，如果在搜索阈值范围内只搜索到一个散射中心那么该散射中心为关联散射中心的概率应该比搜索到多个散射中心的概率大，因此设计观测事件集合包含以下七个观测事件：

O1：在搜索阈值范围内搜索到满足强度条件的一个散射中心，且与前一帧中的散射中心运动方向在同一象限；

O2：在搜索阈值范围内搜索到满足强度条件的一个散射中心，且与前一帧中的散射中心运动方向在相邻象限；

O3：在搜索阈值范围内搜索到满足强度条件的一个散射中心，且与前一帧中的散射中心运动方向在相异象限；

O4：在搜索阈值范围内搜索到满足强度条件的多个散射中心，且与前一帧中的散射中心运动方向在相同象限；

O5：在搜索阈值范围内搜索到满足强度条件的多个散射中心，且与前一帧中的散射中心运动方向在相邻象限；

O6：在搜索阈值范围内搜索到满足强度条件的多个散射中心，且与前一帧中的散射中心运动方向在相异象限；

O7：在搜索阈值范围内没有搜索到满足强度条件的散射中心。

(3)确定散射中心关联的模型参数，包括初始概率分布矩阵、状态转移概率矩阵及状态对应观测事件概率矩阵。

GMM(Gaussian Mixture Model，高斯混合模型)是一种重要的概率密度函数，它更能够准确地描述自然界中事物的概率演进过程。传统的Baum-Welch训练算法是在样本数据空间中优化模型参数以使观测序列概率达到最大值，而基于GMM的参数训练算法能够将参数优化过程转化到函数空间完成，这可以有效避免训练过程落入局部优化陷阱。

模型参数训练是保证散射中心鲁棒关联的关键，为了获得完备的训练样本，需要获得目标在各个视角下的ISAR成像序列。在模型参数训练中通过对立方体、圆柱体及椎体成像获得的训练样本数据对隐马尔科夫模型的参数进行训练，其中雷达视角以间隔3°连续变化，散射中心搜索阈值设定为15个分辨单元。

隐马尔科夫模型包括两个随机过程，其中一个过程不能够直接观测并且具有马尔科夫性，称为状态马尔科夫过程；另一个是受此状态马尔科夫过程决定的可观测的随机过程，称为观测过程。HMM一个清晰的极好描述是由Rabiner给出的，HMM由以下五元组组成：

1.状态集合S，S＝{s₁，...，s_N}，并记t时刻的状态为q_t，q_t∈{s₁，...，s_N}；

2.观测事件集合O，O＝{o₁，...，o_T}；

3.π＝[π_i]，其中π_i＝P(q₁＝s_i)，表示初始状态概率分布矩阵。

4.状态转移概率分布矩阵A＝[a_ij]，其中a_ij＝P(q_t＝j|q_t-1＝i)，1≤i，j≤N；

5.状态对应观测事件概率分布矩阵B＝{b_i(o_t)，i＝1，...，N，其中b_i(o_t)＝P(o_t|q_t＝i)；

具体到本发明，由于设计的隐马尔科夫模型包含三个状态、七个观测事件，因此初始概率分布矩阵为1×3阶矩阵、状态转移概率矩阵应为3×3阶矩阵、状态对应观测事件概率矩阵应为3×7阶矩阵。

(4)获得散射中心序列关联状态的输出

通过参数训练获得了模型参数后，通过对隐马尔科夫模型的解码及状态回溯计算即可获得散射中心关联状态输出。隐马尔科夫模型的解码计算采用Viterbi算法，Viterbi算法的解码过程如图3所示。详见文献L.R.Rabiner.Atutorial on Hidden Markov Models and selected applications in speechrecognition，Proceedings of the IEEE，1989，77(2)：257-286.

(5)确定关联散射中心序列的判别准则

在获得了散射中心关联状态输出序列后需要对散射中心序列的关联性做最终判别，判别准则的确定并没有相关的理论支撑，它主要和参数训练的可靠性有关，需要通过实验来确定。通过仿真实验，本发明方法最终确定的判别准则为：若散射中心关联状态输出序列连续输出至少三个状态为S1(关联散射中心)，则确定该序列为关联散射中心序列，否则该序列为非关联序列。

实施例

本实施例中通过仿真实验验证散射中心关联方法的关联效果。目标ISAR成像来自于一个ISAR成像软件包且所成图像均已完成横向定标，成像参数如表1所示：

表1    ISAR成像参数

载频	13.55GHz
		带宽	1.2GHz
采样频率	40MHz
		分辨率	0.15m
成像积累角	4°

成像软件对两类目标进行成像分别用于模型参数训练及散射中心关联。在模型参数训练中通过对立方体、圆柱体及椎体成像获得的训练样本数据对隐马尔科夫模型的参数进行训练。雷达视角以间隔3°连续变化，散射中心搜索阈值设定为15个分辨单元。目标ISAR图像以十帧为一个“帧组”，在每个“帧组”的第一帧图像中提取散射中心，在后续帧图像中对散射中心完成搜索、跟踪。这样在每个“帧组”中待关联的散射中心序列能够生成包含八个观测事件的观测序列，通过Viterbi算法的解码计算能够获得散射中心的状态序列。五组图像序列被用于参数训练，根据步骤3，上述五组图像共产生2862组观测序列，根据基于GMM的训练算法获得模型参数(包括初始概率分布矩阵、状态转移概率矩阵及状态对应观测事件概率矩阵)。

一个如图4所示的仿真空间目标结构被用于测试关联算法的关联效果，其中选取的观测视角数量为16个，其均匀地分布于如图5所示的单位球面上。

在每个观测视角下对目标成五个“帧组”的ISAR图像，部分视角下算法的关联效果的统计数据如表2所示：其中max、min及avg分别表示在“帧组”中正确关联的散射中心数量的最大、最小及平均值，correlation rate表示正确关联的散射中心数量与从图像中提取的散射中心数量之比。由表2可见，本方法能够正确关联ISAR图像中绝大部分的散射中心，从而为三维重构提供了充足且可靠的数据输入。

表2仿真结果

No of aspect angle	max	min	avg	correlation rate
					1	109	82	92.3	88.3％
2	121	91	98.1	87.7％
					3	98	76	85.5	89.9％
4	101	81	89.3	88.8％
					5	136	102	116.8	86.9％
6	107	83	91.7	89.7％
					7	97	78	86.2	88.9％
8	107	83	90.5	88.4％

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (3)

1.一种基于ISAR图像序列的二维散射中心自动关联方法，其特征在于步骤如下：

(1)对包括立方体、圆柱体及椎体在内的典型目标在连续视角下进行ISAR成像，利用成像数据完成对隐马尔科夫模型参数的训练，得到初始概率分布矩阵、状态转移概率矩阵及状态对应观测事件概率矩阵；所述的状态包含三种，分别是S1：关联散射点，S2：未确定是否关联散射点，S3：非关联散射点，所述的观测事件包括七种，分别是O1：在搜索阈值范围内搜索到满足强度条件的一个散射点，且与前一帧图像中的散射点运动方向在同一象限；O2：在搜索阈值范围内搜索到满足强度条件的一个散射点，且与前一帧图像中的散射点运动方向在相邻象限；O3：在搜索阈值范围内搜索到满足强度条件的一个散射点，且与前一帧图像中的散射点运动方向在相异象限；O4：在搜索阈值范围内搜索到满足强度条件的多个散射点，且与前一帧图像中的散射点运动方向在相同象限；O5：在搜索阈值范围内搜索到满足强度条件的多个散射点，且与前一帧图像中的散射点运动方向在相邻象限；O6：在搜索阈值范围内搜索到满足强度条件的多个散射点，且与前一帧图像中的散射点运动方向在相异象限；O7：在搜索阈值范围内没有搜索到满足强度条件的散射点；

(2)将目标ISAR成像序列分割成长度相同的帧组，对于每一个帧组，在帧组中第一帧图像中提取散射中心，在帧组的后续帧中完成散射中心的搜索和追踪，由此得到散射中心轨迹方向连续性的观测事件序列；

(3)利用步骤(1)中获得的初始概率分布矩阵、状态转移概率矩阵及状态对应观测事件概率矩阵，对步骤(2)中各散射中心的观测事件序列进行解码及状态回溯，计算获得各散射中心序列隐藏的关联状态序列；

(4)对步骤(3)得到的关联状态序列进行判别，若关联状态序列连续输出至少三个S1状态，则确定该序列为关联散射中心序列，否则该序列为非关联序列。

2.根据权利要求1所述的一种基于ISAR图像序列的二维散射中心自动关联方法，其特征在于：所述步骤(3)中对各散射中心的观测事件序列进行解码时采用Viterbi算法。

3.根据权利要求1所述的一种基于ISAR图像序列的二维散射中心自动关联方法，其特征在于：所述步骤(1)中对隐马尔科夫模型参数进行训练时采用基于GMM概率密度函数的训练方法。

Images