CN103425998A - 遮挡情况下的sar目标识别方法 - Google Patents

Abstract

本发明公开了一种遮挡情况下的SAR目标识别方法，主要解决现有识别技术在遮挡情况下识别性能下降的问题。其实现步骤为：对训练图像依次进行对数变换，中值滤波，将图像列向量化，左乘随机矩阵降维和能量归一化的预处理，并用预处理后的数据构造成数据字典D；对待测试图像依次进行对数变换、中值滤波、图像列向量化，随机矩阵降维和能量归一化的预处理，通过该预处理后的测试数据和数据字典D构造非负稀疏表示式；优化后得到非负稀疏分解系数，并用非负稀疏分解系数计算各类的重构误差；根据重构误差最小准则获得目标判别结果。本发明在待测试目标存在遮挡情况下具有识别率高，性能稳定的优点，适用于目标可能被遮挡情况下的SAR目标识别。

Description

遮挡情况下的SAR目标识别方法

技术领域

本发明属于雷达自动目标识别技术领域，特别涉及遮挡情况下的SAR目标识别方法，该方法适合于待识别目标可能被遮挡情况下的SAR目标识别。

背景技术

合成孔径雷达SAR具有全天候、全天时、分辨率高以及穿透力强等特点，成为目前对地观测和军事侦察的重要手段。雷达成像技术从20世纪50年代发展以来，技术不断成熟，成像分辨率不断提高，使得通过SAR图像进行自动目标识别ATR受到越来越广泛的关注。

现有的SAR图像自动目标识别方法通常采取美国林肯实验室提出的三级处理流程。即首先从整个SAR图像中提取感兴趣区域ROIs；然后对该区域进行预处理，剔除非目标区域；最后对目标区域进行特征提取，并使用提取得到的特征进行目标分类和识别。在训练样本较少情况下，一般选用SVM作为分类器。

虽然现有方法在SAR ATR实验中达到了较好的识别精度。但是，由于实际战场环境的复杂性，通过SAR观测到的目标可能存在某种程度的遮挡，例如：在SAR成像时刻目标某部分藏于人工掩体中。在存在遮挡情况下，测试图像与训练图像之间存在一定程度的失配。现有采用分割或者提取特征的识别方法受这种遮挡情况影响较大，造成识别率降低。

发明内容

本发明目的在于针对上述已有技术的不足，提供一种遮挡情况下的SAR目标识别方法，以提高目标识别率。

实现本发明目的的技术思路是：根据测试样本在训练样本字典上的非负稀疏分解，使得通过较少的训练样本原子的非负线性组合表示测试样本，即在训练阶段使用训练样本构造数据字典；在测试阶段利用遮挡图像较难在训练样本数据字典上进行非负稀疏分解表示特点，将测试图像在训练样本数据字典上进行非负稀疏分解；通过分解后的系数计算每一类目标与测试图像之间的重构误差，并按照重构误差最小准则进行分类识别。其具体步骤包括如下：

A.训练步骤：

（A1）将训练用的SAR目标图像进行对数变换，得到变换后的图像G；

（A2）将对数变换后的图像G进行中值滤波，得到变换后的图像I；

（A3）根据训练图像大小p×q以及预先设定的降维维数r，通过高斯随机函数randn生成大小为r×pq的随机矩阵R；

（A4）将经过对数变换和中值滤波后的SAR目标图像进行列向量化，得到n＝p·q维列向量s_i＝vec(I_i),i＝1,...,m，其中vec(·)为列向量化操作，I_i为第i幅经过中值滤波的训练图像数据,m为训练样本总数；

（A5）将向量s_i左乘上步骤(A3)生成的随机矩阵R，得到降维后的训练样本向量：d_i=R·s_i,i＝1,...,m；

（A6）将所有降维后的训练样本向量d_i进行能量归一化，得到归一化后的训练样本向量：

其中||·||₂为2范数算子；

（A7）将所有归一化后的训练样本向量

拼接成数据字典,并记录每一列样本所属的类别标号v_i；

B.测试步骤：

（B1）对需要测试的SAR原始图像进行与训练阶段步骤（A1）具有相同参数的对数变换；

（B2）将对数变换后的图像进行与训练阶段步骤（A2）具有相同参数的中值滤波处理，得到待测试SAR目标图像T；

（B3）将经过对数变换和中值滤波后的待测试SAR目标图像T进行列向量化，得到测试向量 $\tilde{t}=\mathrm{vec}\left(T\right);$

（B4）将测试向量

左乘上步骤(A3)生成的随机矩阵R，得到降维后的测试样本向量 $t=R\·\tilde{t};$

（B5）将降维后的测试样本向量t进行能量归一化，得到归一化后的测试样本向量 $\hat{t}=\frac{t}{{\left|\right|t\left|\right|}_2};$

（B6）根据训练阶段得到的数据字典D和归一化后的测试样本向量

构造非负稀疏表示式；

${\left|\right|\hat{t}-D\·\mathrm{\α}\left|\right|}_2^2+\mathrm{\λ}{\left|\right|\mathrm{\α}\left|\right|}_1,$ s.t.,α≥0.

其中，α为待优化变量，λ为根据训练样本数据稀疏性给定的正则化参数，||·||₁为1范数算子；

（B7）利用凸优化方法最小化非负稀疏表示式，得到非负稀疏分解系数α^*；

${\mathrm{\α}}^{*}=\underset{\mathrm{\α}}{\min }{\left|\right|\hat{t}-D\·\mathrm{\α}\left|\right|}_2^2+\mathrm{\λ}{\left|\right|\mathrm{\α}\left|\right|}_1,$ s.t.,α≥0.

（B8）根据步骤（B7）得到的非负稀疏分解系数α^*，计算各类对归一化后的测试样本向量

的重构误差： ${\mathrm{res}}_k=\left|\right|\hat{t}-D\·{\mathrm{\δ}}_k\left({\mathrm{\α}}^{*}\right)\left|\right|,$

其中，k＝1,...,C，C为训练集包含的类别数，δ(·)为指标函数，

，为α^*的第i个元素；

（B9）根据重构误差最小准则得到识别结果k^*：

$k^{*}=\underset{k}{\min }{\mathrm{res}}_k,$ k＝1，...，C

本发明与现有技术相比具有以下优点：

1.识别率高

在目标被别的物体遮挡的情况下，SAR图像会包含两个部分：一部分是由遮挡物体电磁散射特性决定的遮挡图像；另一部分是目标自身电磁散射特性决定的未被遮挡的目标图像。因为遮挡图像与目标图像之间没有相关性，并且训练样本字典只包含训练阶段目标图像信息，所以遮挡图像不能在训练样本数据字典上进行非负稀疏表示。本发明利用了上述特点，在优化非负稀疏表示式的过程中仅利用了可以被训练样本数据字典非负稀疏表示部分的信息，即目标未被遮挡部分的图像信息，从而减弱了遮挡图像在识别过程中的干扰作用，因此在遮挡情况下识别率比传统方法要高。

2.识别稳定

本发明直接对SAR图像数据进行识别，不用依赖对SAR图像的分割结果，在目标被其他物体部分遮挡时，对SAR图像进行分割处理可能会出现过度分割或者欠分割的结果，如果采用过度分割或者欠分割后的图像进行识别，会造成识别不稳定。本发明利用了遮挡图像不能在训练样本数据字典上进行非负稀疏表示的特点，虽然采用全部图像数据作为输入，但是在优化非负稀疏表示式的过程中仅利用了可以被训练样本数据字典非负稀疏表示部分的信息，即目标未被遮挡部分的图像信息，也就实现了遮挡图像和目标图像信息的自动分离，从而避免了采用分割算法引入的不稳定性。

3.适应性强

本发明使用随机矩阵对SAR图像数据进行降维，该方法与需要降维数据无关，可以根据性能要求调整降维维数，进而有更好的适应性。

附图说明

图1是本发明的实现流程图；

图2是用本发明与传统SVM方法在无遮挡情况下的识别效果对比图；

图3是用本发明与传统SVM方法在有遮挡情况下的效果对比图。

具体实施方式

参照图1，本发明的识别方法包括训练和测试两个阶段，具体步骤如下：

一.训练阶段

步骤1，将训练用的SAR目标图像进行变换，得到变换后的图像G。

通常SAR成像过程中存在相干斑现象，使得获取到的SAR图像中出现很多强点或者暗点。由于相干斑现象具有随机性，对目标识别具有一定的影响和干扰，因此需要对SAR图像进行变换以抑制相干斑的影响。其变换方式可以采用：幂变换，分段线性变换，对数变换等形式。本实例采用对数变换，具体变换式为：

G(x,y)＝c·log(F(x,y)+δ)

其中log(·)为自然对数函数，参数c为尺度因子，δ为保证对数变换后不出现负值而加的一个小常数。F(x,y)是原始图像的幅度矩阵F中坐标为(x,y)处的像素值。G(x,y)为变换后的图像G中坐标为(x,y)处的像素值。

步骤2，将对数变换后的图像G进行滤波，得到变换后的图像I。

除了相干斑，SAR图像中还存在一定量的噪声，需要通过滤波的方式对图像进行平滑，以减弱噪声影响。其滤波方式可以采用：均值滤波，高斯滤波，中值滤波等形式。本实例采用中值滤波，具体操作为：

I(x,y)＝med(G(x-u,y-l)),(u,l)∈W

其中med(·)为取中值操作，W为二维模板，通常取3×3的区域，u为横坐标偏移量，l为纵坐标偏移量，(u,l)取值范围由W决定，I(x,y)为中值滤波后图像I中坐标为(x,y)处的像素值。

步骤3，根据识别系统能够使用的计算能力大小，确定降维维数r。

降维维数r的选择，根据识别系统采用的硬件性能确定，如果识别系统采用的硬件性能好，可以选用较大的维数r，以达到更好的识别性能；如果识别系统采用的硬件性能较弱，则可以选用较小的维数r，以减少识别过程所用的时间。

步骤4，根据训练图像大小p×q以及步骤3设定的降维维数r，通过高斯随机函数randn生成随机矩阵R。

矩阵R的大小为r×pq，其中p为训练图像高度，q为训练图像宽度；其中函数randn功能为采用均值为0，方差为1的标准高斯分布产生指定大小的随机矩阵R。根据系统实现选择的不同，randn对应不同的实现函数，例如在matlab语言中为randn()函数，在C语言中为rand()函数。

步骤5，将经过对数变换和中值滤波后的SAR目标图像进行列向量化，得到n＝p·q维列向量s_i＝vec(I_i),i＝1,...,m，其中vec(·)为列向量化操作，I_i为第i幅经过中值滤波的训练图像数据,m为训练样本总数。

步骤6，将列向量s_i左乘步骤4生成的随机矩阵R，得到降维后的训练样本向量d_i=R·s_i,i＝1,...,m。

步骤7，将所有降维后的训练样本向量d_i进行能量归一化，得到归一化后的训练样本向量

由于目标距离雷达远近、系统损耗、电磁散射损耗等原因，雷达录取到的SAR图像在强度上存在差异，这会给识别带来困难，称之为强度敏感性。强度敏感性可利用能量归一化准则来克服，具体操作如下：

${\hat{d}}_i=\frac{d_i}{{\left|\right|d_i\left|\right|}_2}$

其中||·||₂为2范数算子。

步骤8，将所有归一化后的训练样本向量

拼接成数据字典D：

$D=[{\hat{d}}_1,...,{\hat{d}}_i,...,{\hat{d}}_m]$

每一个字典中的列向量被称作一个原子。

步骤9，记录每一列样本所属的类别标号v_i，得到一个标号向量v：

在训练阶段，由于每一个原子都对应一个类别，故可对不同类别采用不同的类别标号：k＝1,...,C，得到一个标号向量v＝[v₁,...,v_i,...,v_m],v_i∈{1,...,C}，其中C为训练集包含的类别数。

二.测试阶段

步骤一，对需要测试的SAR原始图像进行与训练阶段步骤1具有相同参数的对数变换，得到变换后的图像

步骤二，将对数变换后的图像进行与训练阶段步骤2具有相同参数的中值滤波处理，得到待测试SAR目标图像T。

步骤三，将经过对数变换和中值滤波后的待测试SAR目标图像T进行列向量化，得到测试向量 $\tilde{t}=\mathrm{vec}\left(T\right).$

步骤四，将测试向量左乘训练阶段步骤4生成的随机矩阵R，得到降维后的测试样本向量 $t=R\·\tilde{t}.$

步骤五，将降维后的测试样本向量t进行能量归一化，得到归一化后的测试样本向量 $\hat{t}=\frac{t}{{\left|\right|t\left|\right|}_2}.$

步骤六，对训练阶段生成的数据字典D进行交叉验证，确定出正则化参数λ或相对稀疏因子τ。

本实例中采用的交叉验证具体过程为：

a)从数据字典D中随机抽取出五分之一的列向量作为待验证数据集；

b)给定λ或者τ的可能取值范围，例如：λ＝[10^-6,10^-4,10^-2,1,10²,10⁴,10⁶]或者τ＝[0.4,0.5,0.6,0.7,0.8,0.9]；

c)在不同的参数取值下，采用本发明方法对这五分之一的待验证数据集进行识别；

d)选择识别率最高时所对应的λ或τ。

步骤七，根据训练阶段得到的数据字典D和归一化后的测试样本向量

，构造非负稀疏表示式。

非负稀疏表示式有两种形式：

第一种是使用正则化参数的非负稀疏表示式，即：

${\left|\right|\hat{t}-D\&CenterDot;\mathrm{\&alpha;}\left|\right|}_2^2+\mathrm{\&lambda;}{\left|\right|\mathrm{\&alpha;}\left|\right|}_1,$ s.t.,α≥0.    <1>

其中，α为待优化非负稀疏分解系数，λ为由步骤六所确定的正则化参数，||·||₁为1范数算子；

第二种是带相对稀疏因子τ的非负稀疏表示式，即：

${\left|\right|\hat{t}-D\&CenterDot;\mathrm{\&alpha;}\left|\right|}_2^2+\mathrm{\&tau;}\&CenterDot;{\mathrm{\&lambda;}}_{\max }{\left|\right|\mathrm{\&alpha;}\left|\right|}_1,$ s.t.,α≥0.    <2>

其中||·||_∞为向量的L_∞范数，(·)^T为矩阵转置操作，τ∈[0,1]为步骤六所确定的相对稀疏因子；

比较式<1>与式<2>，其形式上虽然不相同，但实质上是等价的。对于式<1>，当λ＞λ_max时，最优解为0向量。由于引入相对稀疏因子τ，<2>式可以较方便的调整正则化参数。

步骤八，利用凸优化方法对式<1>或者式<2>进行最小化式，得到非负稀疏分解系数α^*。

步骤九，根据步骤八得到的非负稀疏分解系数α^*，计算各类对归一化后的测试样本向量

的重构误差： ${\mathrm{res}}_k=\left|\right|\hat{t}-D\&CenterDot;{\mathrm{\&delta;}}_k\left({\mathrm{\&alpha;}}^{*}\right)\left|\right|,$

其中，k＝1,...,C，C为训练集包含的类别数，δ(·)为指标函数，

，

为α^*的第i个元素；

步骤十，根据重构误差最小准则得到识别结果k^*；

$k^{*}=\underset{k}{\min }{\mathrm{res}}_k,$ k＝1，...，C。

本发明的效果可以通过以下仿真实验说明：

1.实验内容

实验1：实验所用数据为公开的MSTAR数据集。本实验使用的数据集包括俯仰角在15°和17°下三大类目标：BMP2，BTR70和T72。其中，BMP2目标包含三个型号：SNC21、SN9563、SN9566；BTR70目标只包含一个型号C71，T72目标包含三个型号：SN132、SN812、SNS7。因此数据集共包含了7种型号。

实验中降维参数r＝[1002003005001000]；选取带相对稀疏因子τ的非负稀疏表示式，其中τ取值为0.85；选取17°俯仰角下7种型号图像数据作为训练样本，15°俯仰角下7种型号图像数据作为测试样本,分别采用本发明方法和SVM方法进行识别实验，结果如图2所示。

实验2：为了验证本发明在存在遮挡时的识别效果，人工合成一组具有部分遮挡效果的测试数据。除了使用与实验一相同的7种型号图像数据，还利用到MSTAR数据集中非目标的SLICY图像数据。

实验过程如下：

a)选取17°俯仰角下7种型号图像数据作为训练样本；

b)15°俯仰角下7种型号图像数据作为未被遮挡的测试样本；

c)将MSTAR数据集中非目标的SLICY图像数据经过分割后得到的图像数据作为遮挡图像；

d)从未被遮挡的测试样本中随机选取一个点作为被遮挡区域的中心位置；

e)使用遮挡图像替换掉原始图像中被遮挡部分，得到人工合成的具有遮挡效果的测试数据；

f)对具有遮挡效果的测试数据分别采用本发明和SVM方法进行识别实验，结果如图3所示。

实验中降维参数r＝[1002003005001000]。选取带相对稀疏因子τ的非负稀疏表示式，其中τ取值为0.85。

2.实验结果分析：

由图2和图3可以看出，无论是否存在遮挡情况下，本发明都获得了较高的识别率。表1给出了本发明与传统支持向量机SVM，核支持向量机K-SVM分类方法识别率在遮挡前后下降的情况对比。其中黑体标注的为每一列中下降幅度最小值。

表1遮挡后的识别率与遮挡前相比下降的百分比

由表1可以看出，从识别率降低情况来看，本发明方法的识别性能受遮挡情况的影响较小。

Claims (4)

1.一种遮挡情况下的SAR目标识别方法，包括： 

A.训练步骤： 

（A1）将训练用的SAR目标图像进行对数变换，得到变换后的图像G； 

（A2）将对数变换后的图像G进行中值滤波，得到变换后的图像I； 

（A3）根据训练图像大小p×q以及预先设定的降维维数r，通过高斯随机函数randn生成大小为r×pq的随机矩阵R； 

（A4）将经过对数变换和中值滤波后的SAR目标图像进行列向量化，得到n＝p·q维列向量s_i＝vec(I_i),i＝1,...,m，其中vec(·)为列向量化操作，I_i为第i幅经过中值滤波的训练图像数据,m为训练样本总数； 

（A5）将向量s_i左乘上步骤(A3)生成的随机矩阵R，得到降维后的训练样本向量：d_i=R·s_i,i＝1,...,m； 

（A6）将所有降维后的训练样本向量d_i进行能量归一化，得到归一化后的训练样本向量：

其中||·||₂为2范数算子； 

（A7）将所有归一化后的训练样本向量

拼接成数据字典

,并记录每一列样本所属的类别标号v_i； 

B.测试步骤： 

（B1）对需要测试的SAR原始图像进行与训练阶段步骤（A1）具有相同参数的对数变换； 

（B2）将对数变换后的图像进行与训练阶段步骤（A2）具有相同参数的中值滤波处理，得到待测试SAR目标图像T； 

（B3）将经过对数变换和中值滤波后的待测试SAR目标图像T进行列向量化，得到测试向量

（B4）将测试向量

左乘上步骤(A3)生成的随机矩阵R，得到降维后的测试样本 向量

（B5）将降维后的测试样本向量t进行能量归一化，得到归一化后的测试样本向量

（B6）根据训练阶段得到的数据字典D和归一化后的测试样本向量

构造非负稀疏表示式； 

  s.t.,α≥0. 

其中，α为待优化变量，λ为根据训练样本数据稀疏性给定的正则化参数，||·||₁为1范数算子； 

（B7）利用凸优化方法最小化非负稀疏表示式，得到非负稀疏分解系数α^*； 

s.t.,α≥0. 

（B8）根据步骤（B7）得到的非负稀疏分解系数α^*，计算各类对归一化后的测试样本向量的重构误差：

其中，k＝1,...,C，C为训练集包含的类别数，δ(·)为指标函数， ，

为α^*的第i个元素； 

（B9）根据重构误差最小准则得到识别结果k^*： 

k＝1，...，C。 

2.根据权利要求1所述的方法，其中所述步骤（A1）对训练用的SAR目标图像进行对数变换，采用如下公式进行： 

G(x,y)＝c·log(F(x,y)+δ) 

其中，c为尺度因子，δ为保证对数变换后不出现负值而增加的一个常数，F(x,y)是原始SAR目标图像幅度矩阵F中坐标为(x,y)处的像素值，G(x,y)为变换后的SAR目标图像G中坐标为(x,y)处的像素值。 

3.根据权利要求1所述的方法，其中步骤（A2）所述将对数变换后的图像G进 行中值滤波，采用如下公式进行： 

I(x,y)＝med(G(x-u,y-l)),(u,l)∈W 

其中med(·)为取中值操作，W为二维模板，通常取3×3的区域，u为横坐标偏移量，l为纵坐标偏移量，(u,l)取值范围由W决定，I(x,y)为中值滤波后图像I中坐标为(x,y)处的像素值。 

4.根据权利要求1所述的方法，其中步骤（B6）中的非负稀疏表示式的另一种形式表示为： 

s.t.,α≥0. 

其中

||·||_∞为向量的L_∞范数，(·)^T为矩阵转置操作，τ∈[0,1]为根据训练样本数据给定的相对稀疏因子。 

Images