欢迎访问一起赢论文辅导网
博士论文
当前位置:首页 > 博士论文
基于静态模型的多视角SAR图像目标识别方法
来源:一起赢论文网     日期:2019-06-04     浏览数:272     【 字体:

 卷第1期 杨露菁等:基于静态模型的多视角 SAR 图像目标识别方法图3 原始数据集及映射后的数据集Fig.3 Initial Dataset and Mapped Dataset图4 T72目标的静态模型图像Fig.4 Static Modeling Image of T72Target  对于传统模型,每个目标模板的方位角间隔分别取 °、2°和 5°,因 此,模 板 数 量 分 别 为 233(232)、116、46,记 为 模 板 T1、T2、T3;对 于 静 态模型,每 个 目 标 的 静 态 模 板 取α=0.2,0.4,0.6,表1 仿真数据集Tab.1 Simulation Data Set训练样本 样本数 测试样本 样本数BMP2_c21  233 BMP2_c21  196BMP2_9568  195BMP2_9566  196BTR70_c71  233 BTR70_c71  196T72_132  232  T72_132  196T72_812  195T72_s7  1910.8,1 等5幅图像。表2所示为3个目标在静态模型与传统模型下,在不同模板数量下的分类结果。表2 静态模型与传统模型下不同模板数量的识别率/%Tab.2 Recognition Rate Under Static Model and Traditional ModelT1(模板数量232) T2(模板数量116) T3(模板数量46)传统模型 静态模型 传统模型 静态模型 传统模型 静态模型BMP2  91.77  87.94  87.37  86.34  70.34  83.39BTR70  92.32  89.30  88.78  87.92  71.25  84.37T72  93.45  90.12  89.23  88.91  73.31  85.82  由表2可见,在 T1情形下,即目标模板较为完整时,静态模板不如传 统模板;在 T2情形下,传统模板与静态模板识别率接近;而在 T3情形下,目标模板减少较多,使得传统模板的识别率下降十分明显。而对于静态模板,尽管初始的分类率较低,但是模板数量减少对其影响不大。从理论上分析,这是因为在传统的角度相关模板匹配中,只有少量的图像(集中在该方位上)与测试图像精确匹配,因此,需要在模板中放入所有方位角的图像,才能得到较高的识别率。而静态模型中包含了目标在所有方位角下的特性,即使部分视角的信息有缺失也不会对识别率有太大的影响。参 考 文 献[1] Schumacher R,Schiller J.Non-cooperative TargetIdentification of Battlefield Targets ClassificationResults Based on SAR Images[C].IEEE Interna-tional Radar Conference,USA,2005[2] Novak L M.State-of-the-art of SAR Automatic Tar-get Recognition[C].IEEE International Radar Con-ference,Alexandria,VA,USA,2000[3] Ross T D,Mossing J C.The MSTAR EvaluationMethodology[C].SPIE Conference on Algorithmsfor Synthetic Aperture Radar Imagery,Orlando,Florida,1999[4] Sandirasegaram N,Englisth R.Comparative Analy-sis of Feature Extraction(2DFFT and Wavelet)andClassification(Lp Metric Distances,MLP NN,andHNeT)Algorithms for SAR Imagery [J].ProcSPIE,2005,5 808:314-325[5] Yang Yinan,Qiu Yuxia,Lu Chao.Automatic TargetClassification———Experiments on the MSTAR SARImages[C].The Sixth International Conference onSoftware Engineering,Artificial Intelligence,Net-92武 汉 大 学 学 报 · 信 息 科 学 版 2012年1月y)为基准图像;Suvk(x′,y′)为非基准图像;K 为区间中非基准图像数。静态模型的模板构建过程是将对应于每个目标的所有姿态角的训练图像进行静态建模后,每个目标生成一组静态模板(对应于不同的α)。生成模板后,就可对待识别图像与模板进行匹配,即在所有模板中选择与待测图像最接近的模板,作为目标类型和姿态角判断结果。这里模板匹配过程可以表示为:(uopt,vopt)=arg minu,v‖Tuv(x′,y′)·ΛSuv0(x,y)-Ruv(x,y)‖ (7)式中,uopt为目标所属类别;vopt为目标所处角度区间;Tuv(x′,y′)为 测 试 图 像;Suv0(x,y)为 基 准 图像;Ruv(x,y)为平均模板;Λ 为对准过程;‖‖表示某种模板匹配的准则。目标的正确分类率随测试目标与模板目标的位置偏移增大而降低,因此,在目标分类时,首先需要进行目标对准,即两幅图像的目标相互移动到某一位置时,目标匹配值达到最大。  本文选取互相关匹配算法(normalized corre-lation,NC)作为模板匹配准则,这种算法的基本思想是在观测图像F(x,y)中定义一个 N×N 的搜索窗口,在模板图像 G(x,y)中选择一个相应的 M×M 搜索面积,其中 M>N,然后对窗口与搜索面积之间全部 可能的偏移 位置进行 相关运算。可见匹配过程就是搜索窗口在搜索面积上按照某一顺序滑动,每滑动1次进行1次互相关值计算,以此来判断当前的搜索窗口是否匹配。互相关的定义一般有如下两种形式[16]:NC(xs,ys)=∑x∑yF(x,y)G(x-xs,y-ys)∑x∑yF2(x,y)∑x∑yG2(x-xs,y-ys槡)(8)式中,(xs,ys)表示平移量。如果待识别图像平移(xi,yi)后与模板图像完全匹 配,则 相 关 函 数 将 在 (xi,yi)达 到 峰 值。式(8)可归一化为相关系数:NC(xs,ys)=∑x∑y(F(x,y)-μF)(G(x-xs,y-ys)-μG)∑x∑y(F(x,y)-μF)2∑x∑y(G(x-xs,y-ys)-μG)槡2(9)式中,μG、μF分别表示模板图像与待识别图像的均值。为了避免由于搜索面积内平均灰度级的变化而产生假相关峰值,采用归一化的相关系数。由于要遍历整幅图像,因此基于模板匹配的计算量很大。传统的模板匹配方法需要在模板中保存目标在所有姿态角下的图像信息,因此速度很慢。相比较而言,静态模型的模板数很少,不需要对目标的每个姿态角构建模板,因此,大大减少了匹配运算量。4 仿真结果与分析本文采用美国 MSTAR 项目组公布的 SAR地面静止军用目标成像切片数据进行仿真实验,MSTAR数据是目前公认的对目标识别算法进行测试的较完备的 数据集。MSTAR SAR 目标图像是 X 波段,0.3m 分辨率,单视单极化的,每个图像切片的大小为128像素×128像素。本文选取其中的 3 个目标:BMP2(坦克)、BTR70(装甲运兵车)和 T72(坦克)。4.1 原始数据集及映射后的数据集显示选择 MSTAR 中 T72目标共25幅不同方位角的原始SAR 图像,以第一幅图像为基准进行配准,为减少数据量,取中间区域进行图像剪切,得到72×72的配准图像。将上述25幅随方位角变化的原始SAR 图像构成原始 数据集,其 中每 幅 图 像 包 含 72×72=5 184个像素,并按照静态建模流程进行数据集映射,图3为原始数据集及映射后的数据集。从左至右依次为原始数据集、视角向量映射 ΘΘ′后的数据集、像素映射Iln珘Iln后的数据集。从原始数据集图像中显然可以看出方位依赖性,即同一个像素在不同方位角上的强度值不同,即同一列上的显示强度不同。对于中间区域即目标散射区的某些像素点,由于遮挡效应,从某些方位上无法看到,因此会产生阴影。经过重排序以后,显然位于散射中心的像素是最强的。4.2 静态图像图4为上述 T72目标在 25 个方位角下,取不同α值所构成的 4 幅静态图像。显然,随着 α的增加,显示的目标特征越来越清晰全面。4.3 分类结果将静态模型与传统模型应用于模板匹配分类结构中,并对其分类效果作一个比较。所用训练样本及测试样本如表1所示。82卷第1期 杨露菁等:基于静态模型的多视角 SAR 图像目标识别方法  序列Θ={l0o,lΔo,…,l(L-1)Δo}是对一定的角度依赖特征建模,序列Θ′={lnΔo,…,lΔo,…,lmΔo}则是鲁棒的、可靠的目标静态模型,与目标姿态角无关。根据上 述 原 理,SAR 图 像 静 态 建 模 过 程 如下[13]。1)输入数据结构为:D =Il0°IlΔ°Il(L-1)Δ熿燀燄燅°=xl0°1xl0°2… xl0°MNxlΔ°1xlΔ°2xlΔ°MN xl(L-1)Δ°1xl(L-1)Δ°2… xl(L-1)Δ°熿燀燄MN燅(3)  它表示L 维视角空间,其中每一行代表单视空间中的一幅图像,如图1所示。图1 L 维视角空间数据结构图Fig.1 L-dimension Aspect Space Data Structure2)对上述数据结构进行重新排列组织,使其与目标散射中心有关而与角度无关。经过视角向量映射ΘΘ′后,式(3)变成:D′ =IlnΔ°IlmΔ熿燀燄燅°=xlnΔ°1xlnΔ°2… xlnΔ°MN xlmΔ°1xlmΔ°2… xlmΔ°熿燀燄MN燅(4)再经过像素映射Iln珘Iln后,则式(4)变成:D″ =珘IlnΔ°珘IlmΔ熿燀燄燅°=xlnΔ°n′… xlnΔ°m′ xlmΔ°n′… xlmΔ°熿燀燄m′燅(5)  3)从映射函数输出静态图像,每一行即为一幅静态图像。定义一个参数α= 0,( 1],用以反映图像的静态特性。当α=1/L 时,在所有姿态角下都可见的显著特征会显示出来;随着α的增加,部分姿态角下可见的特征逐渐出现;而当α=1时,在少数姿态角下可见的特征也会出现。2 基于静态模型的多视 角 SAR 图像识别系统  基于上述静态模型,笔者构建了一个多视角SAR 图像目标识别系统。其结构如图2所示。图2 基于静态模型的多视角 SAR 图像识别系统Fig.2 Multi-aspect SAR Image Recognition SystemBased on Static Model具体步骤如下。1)图像预处理。输入待识别目标在若干个视角下的SAR 图像,进行图像分割和配准。2)按照上述静态建模步骤对这些图像进行静态建模。3)将待识别目标的静态模型与模板进行匹配,从而完成目标识别过程。静态模板是预先利用每个目标的大量训练样本(可能为不完全姿态角的数据)进行静态建模后构造而成的。3 利用静态模板实现模板匹配的方法  模板匹配分类结构是在模板中保存目标在所有姿态角下的图像信息,分类时在所有模板中选择与待测图像最接近(根据不同的判断准则定义,如距离最近、相关性最强等)的模板,从而得到目标类型和姿态角判断结果。在一般的角度依赖的 SAR 图像模板匹配识别方法中,模板生成过程是将对应于每个目标的所有姿态角的训练图像划分为 L 个视角窗口,然后以角度居中的图像为基准,该视角区间内其他图像与基准图像的目标间配准后,再相加取平均,生成该视角区间的平均模板,每个目标的模板数目为360/L 个。模板构建过程如下[14]:Ruv(x,y)=1K +1·Suv0(x,y)+∑Kk=1Suvk(x′,y′)ΛSuv0[(x,y ]) (6)式中,u 为 目 标 所 属 类 别;v 为 目 标 所 处 视 角 区间;Λ 为配准过程;Ruv(x,y)为平均模板;Suv0(x,72日期:2011-09-20。项目来源:“十一五”国防预研基金资助项目(10103060103)。武 汉 大 学 学 报 · 信 息 科 学 版 2012年1月working and Parallel/Distributed Computing,andFirst ACIS International Workshop on Self-Assemb-ling Wireless Networks,Maryland,USA,2005[6] Huan Ruohong,Yang Ruliang.Synthetic ApertureRadar Image Target Recognition Based on Multi-Im-ages of the Same Target and Hidden Markov Models[J].Journal of Electronics &Information Technolo-gy,2008,30(9):2 051-2 054[7] 宦若虹,杨汝良,岳晋.一种合成孔径雷达图像特征提取与 目 标 识 别 的 新 方 法 [J].电 子 与 信 息 学 报,2008,30(3):554-558[8] 余瑞星,朱冰,张科,等.基于小波的ICM 不变特征在图像匹配识别中的应用[J].武汉大学学报·信息科学版,2008,33(12):1 225-1 228[9] 尹淑玲,舒宁,刘新华.基于自适应遗传算法和改进BP算法的遥感影像分类[J].武汉大学学报·信息科学版,2007,32(3):201-204[10]Baker C J,Griffiths H D,Vespe M.Multi-perspec-tive Imaging and Image Interpretation[R].NATOAdvanced Study Institute’s Imaging for Detectionand Identification,USA,2006[11] Moses R L,Ertin E,Austin C.Synthetic ApertureRadar Visualization[C].Thirty-Eighth AsilomarConference on Signals,Systems and Computers,Pa-cific Grove,CA,USA,2004[12]Papson S.The Exploitation of Multi-look SyntheticAperture Radar and Inverse Synthetic Aperture Ra-dar Images for Non-cooperative Target Recognition[D].Pennsylvania:The Pennsylvania State Univer-sity,2007[13]杨露菁,王德石,李煜.多视角 SAR 图像的静态建模与 显 示 仿 真 [J].系 统 仿 真 学 报,2010,22(2):506-509[14] 成 功,崔 凯.基 于 峰 值 点 的 目 标 对 准 在 MSTARSAR 图 像 分 类 中 的 应 用 [J].遥 测 遥 控,2006,27(5):25-29[15]张红源,陈 自 力.图 像 匹 配 经 典 算 法 及 其 改 进 方 法研究[J].兵工自动化,2008,27(9):91-94第一作者简介:杨露菁,副教授,博士。主要研究方向为信息融合和目标识别。E-mail:YLJ1966@163.comA Method of Multi-look SAR Image Target RecognitionBased on Static ModelYANG Lujing1 HAO Wei1 WANG Deshi1(1 College of Electronic Engineering,Naval University of Engineering,717Jiefang Street,Wuhan 430033,China)Abstract:Traditional multi-look SAR images are highly sensitive to target aspect angle,which is unfavorable to target recognition.To solve the problem,a static modeling methodfor multi-look SAR images is proposed.The method integrates images from multiple aspectsinto a composite data structure.The data structure is reorganized so as to be function of tar-get scatter centers,not of aspects.Then the static model is used to modeling the target dataof incomplete aspects,and form the template of different targets.The input multi-look SARimages are classified using template matching algorithm.The theory analysis and simulationresult show that the method excels traditional model when a small quantity of SAR images ofdifferent aspects are feasible.Key words:SAR image recognition;satic model;template matching;multi-lookAbout the first author:YANG Lujing,associate professor,Ph.D,her research focuses on information fusion and automatic target recognition.E-mail:YLJ1966@163.com03

[返回]
上一篇:基于快速视网膜局部特征的遥感图像目标识别
下一篇:基于非负稀疏表示的SAR图像目标识别方法