潘嘉蒙　牛照東　陳曾平

摘 要： 針對(duì)SAR圖像飛機(jī)目標(biāo)識(shí)別過(guò)程中的目標(biāo)識(shí)別問(wèn)題，提出一種基于峰值匹配的目標(biāo)識(shí)別方法。該方法首先使用基于8鄰域像素檢測(cè)局部極大值的峰值提取方法提取目標(biāo)和模板的峰值特征點(diǎn)；然后對(duì)目標(biāo)進(jìn)行方位角計(jì)算，設(shè)定置信區(qū)間從而縮小需要匹配的模板庫(kù)；最后計(jì)算目標(biāo)圖像峰值點(diǎn)集與模板圖像峰值點(diǎn)集的匹配代價(jià)函數(shù)，當(dāng)匹配代價(jià)函數(shù)取最小值時(shí)表明目標(biāo)與相應(yīng)模板圖像相匹配。實(shí)驗(yàn)結(jié)果表明該算法有效，且分類(lèi)性能和分類(lèi)效率較現(xiàn)有的一些算法有所提升。

關(guān)鍵詞： 合成孔徑雷達(dá)； 目標(biāo)識(shí)別； 方位角計(jì)算； 峰值匹配

中圖分類(lèi)號(hào)： TN95?34； TP751.1 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）19?0019?05

Abstract： A target recognition method based on peak?value matching is proposed for the recognition problems in recognition process of aircraft target in synthetic aperture radar （SAR） image. This method adopts the peak?value extraction method based on local maximum value detected by 8?neighbourhood pixel to extract the peak?value feature points of the target and template. The azimuth angle of the target is calculated， and the confidence interval is set to shrink the template library which is needed to match. The marched cost functions of the peak point sets in target image and template image are calculated. The target is marched with the template image when the minimum value is get from the marched cost function. The experimental results show that the proposed method is effective. The classification performance and classification effectiveness were improved by this method in comparison with the existing algorithms.

Keywords： SAR； target recognition； azimuth angle calculation； peak?value matching

0 引 言

SAR圖像的自動(dòng)目標(biāo)識(shí)別技術(shù)在各個(gè)領(lǐng)域得到了越來(lái)越廣泛的應(yīng)用，基于SAR圖像的ATR系統(tǒng)研究也得到了快速發(fā)展。典型的SAR ATR系統(tǒng)可分為檢測(cè)、鑒別、識(shí)別三個(gè)模塊[1]。目標(biāo)檢測(cè)是通過(guò)對(duì)整幅SAR圖像進(jìn)行檢測(cè)，濾除圖像中明顯不是目標(biāo)的區(qū)域，從而得到潛在的目標(biāo)區(qū)域[2]。目標(biāo)鑒別是對(duì)檢測(cè)后得到的潛在目標(biāo)區(qū)域進(jìn)行進(jìn)一步處理，去除其中明顯與目標(biāo)大小不符的區(qū)域或自然雜波虛警，從而得到目標(biāo)感興趣區(qū)域（Region of Interest，RoI）。目標(biāo)識(shí)別是SAR ATR的最后目的，通過(guò)對(duì)目標(biāo)鑒別得到的RoI進(jìn)行更復(fù)雜的處理，從而獲得目標(biāo)的類(lèi)別。

SAR圖像目標(biāo)識(shí)別中常用的特征有紋理特征、幾何特征以及峰值特征等[3]。紋理特征包括標(biāo)準(zhǔn)偏差特征、分形維度特征和加權(quán)填充比特征等[4]。幾何特征包括周長(zhǎng)、面積、直徑特征、轉(zhuǎn)動(dòng)慣量、形狀復(fù)雜度等，具體到飛機(jī)目標(biāo)的幾何特征還有機(jī)長(zhǎng)、翼展、鏡像對(duì)稱(chēng)性等。峰值特征包括頂點(diǎn)、行頂點(diǎn)和列頂點(diǎn)三種特征，其中頂點(diǎn)是二維局部極大值，是常用的一種峰值特征[5]。

由于峰值特征是一種點(diǎn)特征，所以峰值特征匹配問(wèn)題可以視為點(diǎn)匹配問(wèn)題。常用的點(diǎn)匹配算法有基于最小誤判概率的硬匹配方法[6]、基于松弛標(biāo)記的軟匹配方法[7]和基于幾何哈希變換的匹配算法[8]。由于SAR圖像中的噪聲比較嚴(yán)重，在目標(biāo)與模板圖像中很容易出現(xiàn)并不存在匹配關(guān)系的外點(diǎn)，因此采用幾何哈希算法時(shí)很難選擇穩(wěn)健的基點(diǎn)，而基點(diǎn)的選擇對(duì)匹配結(jié)果會(huì)產(chǎn)生很大影響；基于最小誤判概率的硬匹配方法只能實(shí)現(xiàn)兩個(gè)點(diǎn)集之間的單向1?1匹配關(guān)系，對(duì)于不存在匹配關(guān)系的外點(diǎn)無(wú)法處理；基于松弛標(biāo)記的軟匹配方法只考慮了單向約束，無(wú)法滿(mǎn)足實(shí)際匹配過(guò)程中的雙向約束。

本文提出的峰值匹配算法是通過(guò)計(jì)算目標(biāo)與模板的匹配代價(jià)函數(shù)來(lái)獲得目標(biāo)與模板的關(guān)系，將目標(biāo)峰值特征的匹配問(wèn)題轉(zhuǎn)化為匹配代價(jià)函數(shù)的最優(yōu)化問(wèn)題。而且本文算法考慮到了目標(biāo)與模板圖像中存在不匹配的外點(diǎn)對(duì)于匹配結(jié)果的影響，因此在匹配代價(jià)函數(shù)的計(jì)算中通過(guò)模板與目標(biāo)峰值點(diǎn)數(shù)目的比值關(guān)系對(duì)結(jié)果進(jìn)行修正，本文算法相對(duì)現(xiàn)有算法在效率以及性能上都有了一定改進(jìn)。

1 峰值提取

從SAR圖像中可以提取出三類(lèi)峰值特征：頂點(diǎn)、行頂點(diǎn)和列頂點(diǎn)。其中頂點(diǎn)是二維峰值點(diǎn)，即二維局部極大值；而行頂點(diǎn)和列頂點(diǎn)為一維峰值點(diǎn)，即一維局部極大值。本文采用的峰值點(diǎn)特征為頂點(diǎn)，因?yàn)轫旤c(diǎn)作為二維局部極大值相對(duì)一維局部極大值更為穩(wěn)定[9]。為了減少背景噪聲對(duì)峰值點(diǎn)提取的影響，首先估計(jì)背景區(qū)域的均值[μ]和方差[σ。]SAR圖像中目標(biāo)的[i，j]處峰值特征可以定義為：

本文采用基于8鄰域像素檢測(cè)局部極大值的峰值提取方法，對(duì)目標(biāo)中每個(gè)像素通過(guò)計(jì)算其是否滿(mǎn)足公式（1）（其中[N]設(shè)置為目標(biāo)的8領(lǐng)域）來(lái)判斷是否為峰值點(diǎn)，然后對(duì)峰值點(diǎn)的幅值進(jìn)行歸一化處理。該方法簡(jiǎn)單有效，能夠快速準(zhǔn)確地提取出峰值點(diǎn)。圖1為經(jīng)過(guò)處理后的實(shí)測(cè)SAR圖像中的飛機(jī)目標(biāo)切片與模板庫(kù)中有類(lèi)似方位角的模板圖像。endprint

2 方位角提取

由于雷達(dá)與目標(biāo)處于不同的相對(duì)位置時(shí)成像的結(jié)果也不同，因此處于不同方位角下的目標(biāo)會(huì)有明顯區(qū)別。為了提升目標(biāo)識(shí)別的效率，可以先提取目標(biāo)的方位角，然后在模板匹配的過(guò)程中只將目標(biāo)與估計(jì)得到的方位角近似的一定范圍內(nèi)的模板進(jìn)行匹配。顯然，方位角的提取可以提升目標(biāo)識(shí)別的精度和效率。

常用的方位角提取方法可以歸為三類(lèi)：基于最小外接矩形[11]、基于主導(dǎo)邊界[12]和基于目標(biāo)主軸的方法[13]。由于基于外接矩形的方法需要分割后的目標(biāo)形狀規(guī)則，對(duì)于目標(biāo)分割的要求比較高；而基于主導(dǎo)邊界的方法對(duì)目標(biāo)輪廓的依賴(lài)比較高。對(duì)于本文中需要進(jìn)行識(shí)別的飛機(jī)目標(biāo)來(lái)說(shuō)，采用基于目標(biāo)主軸的方法是最佳的，因?yàn)榛谀繕?biāo)主軸的方法的前提是SAR圖像關(guān)于其主軸對(duì)稱(chēng)，顯然飛機(jī)目標(biāo)具有對(duì)稱(chēng)性，因此本文采用基于目標(biāo)主軸的方法提取方位角。

本文的目標(biāo)方位角定義為目標(biāo)主軸與SAR圖像距離向負(fù)向的夾角，因此要估計(jì)目標(biāo)方位角需要獲得目標(biāo)主軸的直線方程。由于本文飛機(jī)目標(biāo)具有對(duì)稱(chēng)性，因此可以通過(guò)擬合目標(biāo)區(qū)域的所有像素點(diǎn)或者目標(biāo)的峰值點(diǎn)來(lái)獲得目標(biāo)主軸，如圖4所示。

對(duì)圖5左側(cè)的飛機(jī)目標(biāo)，首先進(jìn)行峰值提取，然后利用峰值進(jìn)行方位角估計(jì)。已知該飛機(jī)目標(biāo)的實(shí)際方位角為[340°]，采用基于目標(biāo)主軸的方位角估計(jì)方法得到右側(cè)圖中的主軸，計(jì)算得到估計(jì)方位角為[335.84°]。因此可以設(shè)置目標(biāo)方位角的置信區(qū)間為[325.84°，345.84°]和[14.16°，34.16°]，之后進(jìn)行峰值點(diǎn)匹配則可以只搜索方位角位于該區(qū)間內(nèi)的模板圖像，大大提升了匹配效率。

3 本文算法

本文提出的算法步驟如下：

（1） 對(duì)SAR圖像進(jìn)行Frost濾波等預(yù)處理，然后對(duì)目標(biāo)進(jìn)行CFAR檢測(cè)，獲取目標(biāo)感興趣區(qū)域（RoI）。

（2） 采用基于8領(lǐng)域像素檢測(cè)局部極大值的峰值提取方法提取目標(biāo)的峰值點(diǎn)，構(gòu)建目標(biāo)峰值特征點(diǎn)集[P=P1，P2，…，PnT。]這里的[n]表示SAR圖像目標(biāo)峰值的數(shù)目，每個(gè)[Pii=1，2，…，n]表示待分類(lèi)SAR圖像上的一個(gè)峰值，它的屬性為[Ai，xi，yi。]其中：[Ai]表示經(jīng)過(guò)歸一化處理后的[Pi]的幅值；[xi，yi]表示[Pi]的坐標(biāo)值。然后對(duì)模板庫(kù)中的圖像進(jìn)行相應(yīng)的峰值提取處理。

（3） 利用基于目標(biāo)主軸的方位角提取方法，得到目標(biāo)方位角的估計(jì)值[θ]，設(shè)定置信區(qū)間[Δ，]將方位角位于[θ-Δ，θ+Δ]以及[180°+θ-Δ，180°+θ+Δ]范圍內(nèi)的模板圖像作為待匹配模板。設(shè)該范圍內(nèi)的模板圖像為[k]幅，從而得到集合[H=Hj， j∈1，k]。

（4） 對(duì)模板庫(kù)檢索得到的SAR圖像集合[H]中的每個(gè)[Hj]，由于對(duì)模板圖像都已進(jìn)行過(guò)峰值提取，因此得到相應(yīng)的集合[Qj=Qj1，Qj2，…，QjmjT。]其中[mj]表示[Hj]的峰值點(diǎn)數(shù)目，每個(gè)[Qjij∈1，mj]對(duì)應(yīng)[Hj]的一個(gè)峰值，其屬性為[Aji，xji，yji]。

由表2可以看出，M1的匹配精度和計(jì)算效率均高于M2和M3，而M4的匹配精度高于M1，但是計(jì)算效率遠(yuǎn)低于M1。

M1匹配精度遠(yuǎn)高于M3，是由于M3在計(jì)算誤判概率時(shí)只考慮到匹配點(diǎn)之間的誤差，且只實(shí)現(xiàn)了點(diǎn)集匹配的單向1?1匹配關(guān)系，容錯(cuò)性較差。由表1可以得知，大部分目標(biāo)的峰值點(diǎn)數(shù)量大于模板的峰值點(diǎn)數(shù)量，兩者的數(shù)量并不相等，因此本文算法考慮到了非匹配點(diǎn)對(duì)匹配代價(jià)函數(shù)的影響，提高了精度。同時(shí)也可以看出，M3的匹配速度比M1快很多，這是由于M3直接根據(jù)匹配準(zhǔn)則進(jìn)行判斷，不需要進(jìn)行迭代，因此匹配速度快。而M4的匹配精度比M1稍高，但是匹配效率遠(yuǎn)低于M1，因?yàn)镸4需要進(jìn)行大量復(fù)雜的矩陣運(yùn)算。

為了進(jìn)一步驗(yàn)證本文算法的性能，對(duì)算法的兩方面進(jìn)行對(duì)比。一方面，將不利用方位角信息的峰值匹配算法與本文利用方位角信息的峰值匹配算法進(jìn)行對(duì)比；另一方面，將使用幾何特征和紋理特征相結(jié)合的特征模板匹配算法與本文的峰值特征匹配算法進(jìn)行對(duì)比。設(shè)不利用方位角信息的峰值匹配算法為M5，特征模板匹配算法為M6，可以得到表3。

由表3可以看出，利用方位角信息的峰值匹配算法比不利用方位角信息的峰值匹配算法的精度和效率都要高；這是因?yàn)槔梅轿唤切畔⒖s小了需要匹配的模板范圍，減少了錯(cuò)誤匹配的概率，也減少了進(jìn)行匹配所需要的時(shí)間開(kāi)銷(xiāo)。由于本文使用的模板數(shù)據(jù)為仿真數(shù)據(jù)，因此使用仿真圖像與實(shí)測(cè)圖像的幾何特征和紋理特征進(jìn)行匹配會(huì)存在一定誤差，匹配的精度要低于本文算法。

5 結(jié) 語(yǔ)

本文研究了SAR圖像中飛機(jī)目標(biāo)識(shí)別的問(wèn)題，給出了一種基于峰值匹配的目標(biāo)識(shí)別算法，該算法通過(guò)計(jì)算目標(biāo)峰值點(diǎn)集合與模板峰值點(diǎn)集合的匹配代價(jià)函數(shù)獲取最佳匹配關(guān)系，并且有效地利用了目標(biāo)的方位角信息，提升了目標(biāo)識(shí)別的效率。另外，利用實(shí)測(cè)飛機(jī)數(shù)據(jù)與仿真模板庫(kù)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，將本文算法與幾何哈希法等算法進(jìn)行比較，驗(yàn)證了本文算法在性能和效率上的提升。

參考文獻(xiàn)

[1] 計(jì)科峰，高貴，賈承麗，等.一種利用方位角信息基于峰值匹配的SAR圖像目標(biāo)分類(lèi)方法[J].信號(hào)處理，2005，21（z1）：526?530.

[2] KAPLAN L M. Improved SAR target detection via extended fractal features [J]. IEEE Transactions on Aerospace and Electronic Systems， 2001， 37（2）： 436?451.

[3] 任皓.SAR圖像分類(lèi)目標(biāo)分類(lèi)方法研究[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2009.

[4] MUJDAT C， WILLIAM C K， DAVID A C. Evaluation of a regularized SAR imaging technique based on recognition?oriented features [C]// 2000 SPIE Conference on Algorithms for Synthetic Aperture Radar Imagery Ⅶ. [S.l.]： SPIE， 2000， 4053： 1112?1117.endprint

[5] METH R， CHELLAPPA R. Automatic classification of targets in synthetic aperture radar imagery using topographic features [C]// 1996 SPIE Conference on Algorithms for Synthetic Aperture Radar Imagery Ⅲ. [S.l.]： SPIE， 1996， 2757： 186?193.

[6] BAJCSY P， CHAUDHURI A R. Benefits of high resolution SAR for ATR of targets In proximity [C]// Proceedings of 2002 IEEE International Conference on Radar. [S.l.]： IEEE， 2002： 29?34.

[7] HUMMEL R， ZUCKER S. On the foundations of relaxation labeling processes [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1983， 5（3）： 267?286.

[8] WOLFSON H J. Geometric hashing： an overview [J]. IEEE Computational Science & Engineering， 1997， 4（4）： 10?21.

[9] METH R， CHELLAPPA R. Target matching in synthetic aperture radar imagery using non?linear optimization technique [C]// 1999 SPIE Conference on Algorithms for Synthetic Aperture Radar Image. [S.l.]： SPIE， 1999， 3721： 532?543.

[10] 張翠，酈蘇丹，鄒濤，等.一種應(yīng)用峰值特征匹配的SAR圖象自動(dòng)目標(biāo)識(shí)別方法[J].中國(guó)圖象圖形學(xué)報(bào)，2002（7）：729?734.

[11] VOICE L I， PATTON R， MYLER H R. Multicriterion vehicle pose estimation for SAR?ATR [C]// SPIE conference on Algorithms for Synthetic Aperture Radar Imagery VI. [S.l.]： SPIE， 1999， 3721： 497?506.

[12] METH R. Target/shadow segmentation and aspect estimation in SAR Imagery [C]// SPIE conference on Algorithms for Synthetic Aperture Radar Imagery VI. [S.l.]： SPIE， 1998， 3370： 188?196.

[13] BAHNU B， JONES G. Recognition of articulated objects in SAR images [J]. Lecture Notes in Computer Science， 2000， 1899： 96?107.endprint