欢迎访问一起赢论文辅导网
机械论文
当前位置:首页 > 机械论文
基于峰值特征高斯混合建模的SAR目标识别
来源:一起赢论文网     日期:2019-05-12     浏览数:154     【 字体:

   32 卷散射中心提取进一步丰富了散射中心的内涵。如基于属性散射中心模型提取的散射中心不仅包含位置和相对强度还包含了散射中心的长度、物理结构等信息[7-10]。相比而言,图像域的峰值提取方法获得峰值特征的参数较少( 仅包括位置和相对强度) ,精度较低,但其提取的复杂度要低得多。2) 如何评价测试样本的峰值特征集与模板样本峰值集的相似度。相似度度量准则是 SAR 目标识别的核心问题。基于峰值特征得到测试样本与各类模板的相似度进而通过最大相似度的准则判别目标类别。计科峰等人[6]采用最近邻算法对测试样本的峰值特征集和对应模板的峰值特征集建立一一匹配关系,并定义相应的匹配度用于目标识别。文献[8]将经典的二分图匹配算法———Hungarian 算法引入属性散射中心匹配中,并基于匹配结果构建相似度准则进行目标识别。文献[9]则进一步将散射中心蕴含的结构信息考虑到最终的相似度计算中,提高了基于散射中心的识别性能。本文提出了基于峰值特征高斯混合建模的 SAR 目标识别方法。该方法首先从图像域提取 SAR 图像的 8邻域峰值。考虑到背景噪声的干扰以及峰值特征提取算法本身的误差,采用高斯混合模型对测试样本和模板样本的峰值特征集进行概率建模[11]。建立的高斯混合模型描述了峰值特征集的内在结构和变化特性。然后,利用 KL( Kullback-Leiber) 散度作为测度[12],评价两个高斯混合模型的距离,以此作为测试样本峰值特征集与模板峰值特征集之间的距离测度。通过计算测试样本的峰值特征集与各类模板样本的峰值特征集的距离,选取距离最小的类别作为测试样本目标识别的结果。为了验证本文方 法 的 有 效 性,采 用 MSTA( moving and stationarytarget acquisition and recognition) 3 类目标数据集进行了标准操作条件( standard operating conditionSOC) 和部分扩展操作条件( extended operating conditionEOC) 下的目标识别实验,验证了提出方法的有效性和稳健性。1 峰值特征提取SAR 图像的峰值特征反映了目标散射中心的分布规律,蕴含了目标的电磁散射特性和物理结构等信息。通常情况下,SAR 图像的峰值指的是图像上具有局部最大灰度值的像素点。由此,本文对 SAR 图像的峰值定义如下:Qij=1min( aijaN( ij)) 0aij> μ + kσ0{其他( 1)式中: Qij= 1,则当前像素为目标峰值; Qij= 0 时,则当前像素非目标峰值。aij为当前像素的灰度值; μ 和 σ 分别表示背景区域的均值和方差; N( ij) 表示像素 ( ij)的局部领域; k 是由实验确定的参数。当 aij为局部最大灰度值且高于背景噪声的门限时才确定为峰值。门限的引入可以有效剔除背景噪声带来的虚警。由于不同传感器以及成像条件下获取的 SAR 图像的幅度存在较大的差异,因此有必要对不同 SAR 图像提取的峰值进行归一化处理以便于后续的峰值特征匹配,如式( 2) 所示。A( Xi) =a( Xi)maxi = 12,…,ma( Xi)( 2)其中 Xi( i = 12,…,m) 为目标的第 i 个峰值点,其包含 3 个属性参数,即二维空间位置和幅度; m 代表峰值点的数目; a( Xi) 为峰值点的幅值集合; A( Xi) 代表归一化后的峰值幅度。本文采用 8 邻域窗口提取目标峰值,即式( 1) 中的局部邻域选择为 8 邻域。根据实验调整设定参数 k 2。对 SAR 图像中的每个像素按照式( 1) 判断是否为峰值点,然后对峰值点的幅值按照式( 2) 进行归一化处理,得到图像的峰值特征集。图 1 所示为一幅 SAR 图像峰值提取的结果,用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。图 1 峰值特征提取结果Fig1 The results of peak extraction2 峰值特征的高斯混合模型建模记测试样本和其对应模板样本的峰值特征集分别为X =X1X2X3Xm]和 Y =Y1Y2Y3Yn]。其中 Xi( i = 12,…,m) Yj( j = 12,…,n) 分别代表一个峰值点,包含 ( xyA ) 3 个属性参数。高斯混合模型可以用来描述具有不确定性的属性点集[11],因此它可以有效用于描述 SAR 图像的峰值特征集。高斯混合模型的概率密度函数的形式为: 电 子 测 量 与 仪 器 学 报 第 32 SAR 目标识别的标准数据集。本文对 MSTAR 数据集中的 3 类目标—BMP2BT70 T72 进行了目标识别实验。其中 BMP2 T72 数据包含 3 个子型号,BT70 包括一个型号。图 2 所示为 3 类目标的光学图像和 SAR 图像。表 1 列出了本文使用的训练样本和测试样本,实验中采用俯仰角 17°下的 3 类目标图像作为训练样本,俯仰角 15°下的 3 类目标图像作为待识别的测试图像。图 2 3 类目标的光学图像和 SAR 图像Fig2 The optical and SAimages1 本文使用的训练和测试样本Table 1 Training and test samples used in this paper类别 训练样本 测试样本BMP2233( Sn_9563)232( Sn_9566)233( Sn_c21)195( Sn_9563)196( Sn_9566)196( Sn_c21)BT70 233( Sn_c71) 196( Sn_c71)T72232( Sn_132)231( Sn_812)233( Sn_s7)196( Sn_132)195( Sn_812)191( Sn_s7)4. 2 实验结果为了充分验证本文算法的有效性,本文选取了几种经典的 SAR 目标识别算法进行对比实验: 文献[4-6]中提出的峰值匹配方法,分别记为峰值方法 1 和峰值方法2; 基于稀疏表示分类的算法 ( sparse representation-basedclassificationSC)14-15]和基于支持向量机( support vectormachineSVM)16-17]。SC SVM 均是对原始图像的 80维主成分分析( principal component analysisPCA)18]特征进行分类。1) 标准操作条件下的识别结果本文首先测试了提出算法在标准操作条件下的识别性能。本文方法对 3 类目标的识别结果如表 2 所示。可以看出,本文方法较好的完成了 BMP2BT70 T72 3 类目标的识别。各类目标的识别率均达到 95% 以上,最终的 3 类目标平均识别率达到 97. 92% 。表 3 对比了本文算法与其他几类 SAR 目标识别方法的平均识别率,本文方法具有最高的识别率,充分证明了方法的优越性。表 2 3 类目标的识别结果统计Table 2 The recognition results of three classes of targets测试目标识别结果BMP2 BT70 T72识别率 /%BMP2Sn_9563( 195) 191 1 3 97. 95BMP2Sn_9566( 196) 192 0 4 97. 96BMP2Sn_c21( 196) 191 2 3 97. 45BT70( 196) 6 189 1 96. 43T72Sn_132( 196) 6 3 187 95. 41T72Sn_812( 195) 0 0 195 100T72Sn_S7( 191) 1 2 188 98. 43平均识别率 /% 97. 923 本文方法与其他方法的对比Table 3 Comparison with other methods方法类型 平均识别率 /%本文方法 97. 92峰值方法 1 95. 22峰值方法 2 95. 78SC 96. 43SVM 96. 792) 噪声干扰由于真实场景中获取的 SAR 数据往往会受到来自背景环境以及雷达系统的噪声污染,因此识别算法对于噪声干扰的稳健性十分重要[19]。为了测试算法对于噪声干扰的稳健性,本文按照文献[8]中的方法对测试样本添加高斯噪声进而测试各个识别算法在不同信噪比下的识别性能。各类方法在不同信噪比下的识别性能如图3 所示。可以看出,本文方法在各个信噪比下都具有最高的识别率,证明了提出方法的有效性。值得注意的是,在信噪比较低( 低于 0 d B) 时,基于峰值特征的方法表现出更好得性能,这是因为峰值特征作为局部特征,对于噪声干扰这种全局性的影响能够保持更强的稳健性。图 3 识别方法在不用信噪比下的识别性能Fig3 Performances of different methods under different SNs 基于峰值特征高斯混合建模的 SAR 目标识别 ·105·p( x) = ki = 1Pi( x | μi,Σi) ( 3)其中:( x | μi,Σi) =exp 12( x - μi)TΣi1( x - μi[ )]( 2π)ddet( Σi)( 4)式中: Pi、μi、Σi分别代表第 i 个高斯成分的先验概率、均值矢量和协方差矩阵; d 代表每个点特征的维度。由于噪声影响以及提取误差,提取的峰值特征具有一定的不确定性。因此,本文采用高斯混合模型描述峰值特征集的不确定性。为了更好得描述这种不确定性,需要考虑以下因素: 1) 相对幅度大的峰值特征的提取稳定性更高,即强度较大的峰值点特征的稳健性更强; 2) 图像分辨率将决定峰值位置的精度。分辨率越高,位置提取的精度越高; 3) 图像的信噪比将影响峰值特征的精度,SNR 越高,峰值特征提取的精度越高。测试样本和模板样本峰值特征集的高斯混合模型按照以下规则建立: 1)每一个峰值特征对应于一个高斯分量; 2) 对于每一个高斯分量,其均值矢量即为提取的峰值特征属性参数。以测试样本的峰值特征集为例,各个高斯分量的先验概率由其相对幅度决定。采用式( 5) 计算各个高斯分量的先验概率。Pi=Aimj = 1Aj( 5)各个峰值属性的方差根据下式计算:σxi= ωn·exp( ( Ai1) ) ·crσyi= ωn·exp( ( Ai1) ) ·rrσAi= ωn·exp( ( Ai1) ) ·0. 1( 6)式中: ( xiyiAi) 是测试样本峰值 Xi的属性参数; cr rr 分别代表 SAR 图像的方位向和距离向的分辨率。采用指数衰减项 exp( ( Ai1) ) 使得相对幅度较高的峰值特征方差较小,即特征的稳定性较高。为了体现噪声干扰对峰值特征提取的影响,本文采用式( 7) 定义的ωn对各个属性参数的方差进行加权。当 SNR[12]越高时,峰值特征各个属性的稳定性较高。ωn= exp(max( 10 SNR,0)10) ( 7)本文认为峰值特征的各个属性参数相互独立,从而高斯混合模型中各个高斯分量的协方差矩阵如下:Σi=σ2xi0 00 σ2yi00 0 σ2Ai( 8)由此,峰值特征集 X 的高斯混合模型建立如下:GMM( X) = mi = 1Pi( x | μi,Σi) ( 9)对模板峰值特征集 Y 采用同样的方法建立高斯混合模型如下:GMM( Y) = nj = 1P'j( x | μ'j,Σ'j) ( 10)3 目标识别方法在建立了测试样本峰值集和模板样本峰值集的高斯混合模型后,本文利用两组高斯混合模型之间的距离来评价测试样本与模板样本的距离,进而决定测试样本的类别。选用 KL 散度作为两组高斯混合模型之间的距离测度[12]。对于两个概率密度分布函数 f1( x) f2( x) KL 散度定义如下:KL( f1( x) f2( x) ) = ∫∞- ∞f1( x) ln(f1( x)f2( x)) dx ( 11)对于两个高斯分布 f1( x,μ1,Σ1) f2( x,μ2,Σ2) ,它们的 KL 散度可以简化为如下形式:KL( f1f2) =12logΣ2Σ1+ Tr( Σ-12Σ1) + ( μ1- μ2)TΣ-12( μ1- μ2( ))( 12)由此,两组峰值集之间的距离定义如下:d( XY) = KL( GMM( X) GMM( Y) ) ( 13)通过对各个高斯分量展开可以计算得到两个高斯混合模型的 KL 散度,具体过程可参见文献[11-12]。基于以上的距离测度,本文识别方法的具体实施步骤如下。1) 采用文献[13]提出的方位角估计算法估计测试图像的方位角;2) 提取测试样本的峰值特征集;3) 根据测试样本的方位角在模板库中选取各类目标的对应模板;4) 提取各类模板图像的峰值特征集;5) 采用高斯混合模型对测试图像峰值集和模板图像峰值集进行建模;6) 计算测试图像峰值集的高斯混合模型与各类模板图像的高斯混合模型之间的 KL 散度;7) 根据最小距离的原则判定测试样本类别。4 实验与分析4. 1 实验数据集MSTAR 数据集是由美国 DAPA / AFL 提供的实测SAR 地面静止军用目标数据。该数据集采集了 X 波段HH 极化下多类军事目标的 SAR 图像,图像大小 128 ×128,原始分辨率为 0. 3 m × 0. 3 m,是目前国际上进行 2017-11 eceived Date: 2017-11* 基金项目: 广西高校工业过程智能控制技术重点实验室基金( PICT-2016-04) 资助项目 基于峰值特征高斯混合建模的 SAR 目标识别 ·107·3) 分辨率变化由于 SAR 传感器的差异,获取的 SAR 图像的分辨率往往与训练样本不一致[20]。这就要求识别算法对于分辨率变化具有一定的稳健性。为了测试提出算法对于分辨率变化的稳健性,本文按照文献[8]中的方法基于原始图像构造了不同分辨率的 SAR 图像。通过在不同分辨率下测试各类识别方法,得到的各类方法的性能变化曲线如图 4 所示。此时,基于峰值匹配的方法相比于采用全局特征的 SC SVM 方法仍然具有更强的稳健性。分辨率的降低大大影响了峰值特征提取的精度从而导致识别性能的急剧下降。通过性能对比可以看出,本文的方法对于分辨率变化具有更强的稳健性。图 4 识别方法在不用分辨率下的识别性能Fig4 Performances of different methodsunder different resolutions5 结 论本文采用高斯混合模型对 SAR 图像的峰值特征集进行概率建模,进而采用 KL 散度评价高斯混合模型之间的距离。通过对比测试图像峰值特征集与其对应的模板峰值集的距离,判断目标类别。高斯混合模型有效得描述了 SAR 图像峰值集的内在结构以及变化规律,充分发掘 了 峰 值 特 征 在 SAR 目 标 识 别 中 的 潜 力。3 MSTAR 目标数据的实验表明,本文方法在标准操作条件下的目标识别率可以达到 97. 92% ; 通过测试本文方法在不同 SNR、不同分辨率下的识别性能,验证了方法对于噪声干扰、分辨率变化具有较强的稳健性。参考文献[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,20176( 2) : 115-135WEN G JZHU G QYIN H CHet alSAATbasedon 3D parametric electromagnetic scattering model J].Journal of adar20176( 2) : 115-135.[2] 丁柏圆,文贡坚,钟金荣,等. 匹配滤波在 SAR 目标单个散射部件检测中的应用[J]. 中国图像图形学报,201520( 3) : 357-366DING B YWEN G JZHONG J R, et alTheapplication of matched filter in detecting single scatteringparts of SAtargets J]. Journal of Image andGraphics201520( 3) : 357-366.[3DING B YWEN G JHUANG X Het alDataaugmentation by multilevel reconstruction using attributedscattering center for SAtarget recognition J]. IEEEGeoscience emote Sensing Letters201714 ( 6 ) :979-983.[4] 潘嘉蒙,牛照东,陈曾平. 基于峰值匹配的 SAR 图像飞机目标识别方法 [J]. 现代电子技术,201538( 19) :19-23PAN J MNIU ZH DCHEN Z P. Recognition methodof aircraft target in SAimage based on peak-valuematching J]. Model Electronics Technique201538( 19) : 19-23.[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,200527( 4) : 561-565GAO GJI K FKUANG G Yet alTarget s peakextraction from high-resolution SAimage and peak sstability analysis J ]. Journal of Electronics Information Technology200527( 4) : 561-565.[6] 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,200521( z1) : 526-530JI K FGAO GJIA CH Let alA method of peak-matched SAimage target classification using azimuthinformation J]. Signal Processing200521( z1) : 526-530.[7DING B YWEN G JZHONG J R,et al. Robustmethod for the matching of attributed scattering centerswith application to synthetic aperture radar automatictarget recognition J]. Journal of Applied emoteSensing201610( 1) : 016010.[8] 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,20176( 2) : 157-166DING B YWEN G JYU L SHet alMatching ofattributed scattering center and its application to syntheticaperture radar automatic target recognition J]. Journalof adar20176( 2) : 157-166.[9DING B YWEN G JHUANG X Het alTargetrecognition in synthetic aperture radar images viamatching of attributed scattering centers J]. IEEEJournal of Selected Topics Applied Earth Observation and 电 子 测 量 与 仪 器 学 报 第 32 卷Remote Sensing201710( 7) : 3334-3347.[10] 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. 201234 ( 6 ) :1131-1135TANG TSU YObject recognition in SAimagery usingsequential feature matching of scattering centers J].Systems Engineering and Electronics201234 ( 6 ) :1131-1135.[11JIAN BVEMUI B C. Robust point set registrationusing Gaussian mixture models J]. IEEE Transactionson Pattern Analysis and Machine Intelligence201133( 8) : 1633-1645.[12DING B YWEN G JZHONG J R,et alA robustsimilarity measure for attributed scattering center setswith application to SAATR [J]. Neurocomputing2017( 219) : 130-143.[13SUN YLIU ZTODOOVIC Set alAdaptive boosting forSAautomatic target recognition J]. IEEE Transactions onAerospace Electronic Systems200743 ( 1) : 112-125.[14THIAGAAIANM J,RAMAMUTHY KKNEE P PetalSparse representations for automatic targetclassification in SAimages C]. 4th CommunicationsControl and Signal Processing2010: 1-4.[15SONG H BJI K FZHANG Y Set alSparserepresentation-based SAimage target classification onthe 10-class MSTAdata set J]. Applied Science2016( 6) : 26-26.[16LIU H CLI S TDecision fusion of sparserepresentation and support vector machine for SAimagetarget recognition J]. Neurocomputing2013 ( 113 ) :97-104.[17CHANG CLIN CLIBSVM: A library for supportvector machine J]. ACM Transactions on IntelligentSystems Technology20112( 3) : 389-396.[18MISHA KValidation of PCA and LDA for SAATR[C].IEEE TENCON2008: 1-6.[19DING B YWEN G JExploiting multi-view SAimagesfor robust target recognition J]. Remote Sensing2017( 9) :1150.[20DING B YWEN G JTarget recognition of SAimagesbased on multi-resolution representation J]. RemoteSensing Letters20178( 11) : 1006-1014.作者简介李辉,2004 年于广西工学院获得学士学位,2010 年于华东师范大学获得硕士学位,现为广西科技大学高级工程师,主要研究方向为模式识别、软件工程。E-mail: 375839538@ 123comLi Hui received his BScdegree fromGuangxi University of Technology in 2004MScdegree fromEast China Normal University in 2010Now he is a seniorengineer in Guangxi University of Science and TechnologyHismain research interests include pattern recognition and softwareengineering

[返回]
上一篇:一个采用新颖的混合电容切换模式的SAR ADC设计
下一篇:基于多尺度分块卷积神经网络的图像目标识别算法