曾麗娜周德云 李梟揚(yáng) 張 堃

(西北工業(yè)大學(xué)電子信息學(xué)院 西安 710072)

基于無(wú)訓(xùn)練單樣本有效特征的SAR目標(biāo)檢測(cè)

曾麗娜*周德云 李梟揚(yáng) 張 堃

(西北工業(yè)大學(xué)電子信息學(xué)院 西安 710072)

該文提出了一種基于單樣本特征提取的SAR感興趣目標(biāo)檢測(cè)方法，充分利用選取的單個(gè)目標(biāo)樣本的有效特征實(shí)現(xiàn)SAR圖像中同類(lèi)目標(biāo)的檢測(cè)。該方法首先檢測(cè)SAR圖像中的潛在感興趣目標(biāo)，然后分別提取目標(biāo)樣本和潛在目標(biāo)中的面積特征和紋理描述特征，并通過(guò)不同的匹配方式逐步剔除潛在興趣目標(biāo)中的虛假目標(biāo)。文中提出的紋理描述通過(guò)提取具有一定旋轉(zhuǎn)不變性的區(qū)域特征描述的方式來(lái)適應(yīng)目標(biāo)的不同方位，并對(duì)SAR噪聲和形變具有一定的抑制作用。與多種特征描述方式的對(duì)比測(cè)試表明了該文提出方法的可行性和有效性。

合成孔徑雷達(dá)；特征提??；目標(biāo)檢測(cè)；快速魯棒性特征算法

1 引言

隨著分辨率的提高，地面目標(biāo)的形狀、尺寸等信息在合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)圖像中得到豐富的表達(dá)，使得SAR圖像中目標(biāo)的檢測(cè)和識(shí)別成為可能。尤其是對(duì)坦克、裝甲運(yùn)兵車(chē)、軍用卡車(chē)、導(dǎo)彈發(fā)射車(chē)、火炮等感興趣目標(biāo)的自動(dòng)檢測(cè)可以產(chǎn)生巨大的軍事效益。對(duì)感興趣目標(biāo)進(jìn)行檢測(cè)可以實(shí)現(xiàn)對(duì)地面的偵查、戰(zhàn)場(chǎng)態(tài)勢(shì)感知和打擊評(píng)估，進(jìn)一步影響指揮決策[1,2]。因此，SAR圖像興趣目標(biāo)檢測(cè)一直是熱點(diǎn)問(wèn)題，且隨著 SAR圖像應(yīng)用場(chǎng)景的增多，目標(biāo)檢測(cè)的研究工作更加受到關(guān)注。

在現(xiàn)實(shí)場(chǎng)景中，興趣目標(biāo)不同于自然雜波，通常為金屬材質(zhì)制成，相對(duì)于周?chē)沫h(huán)境，其具有較強(qiáng)的雷達(dá)回波。因此，和其他傳感器相比，SAR在興趣目標(biāo)的檢測(cè)和定位應(yīng)用上具有獨(dú)特的優(yōu)勢(shì)。基于圖像灰度的恒虛警率[3](Constant False Alarm Rate,CFAR)算法由于方法簡(jiǎn)單，計(jì)算速度快等優(yōu)勢(shì)被廣泛應(yīng)用。此基礎(chǔ)上，Novak提出了經(jīng)典的雙參數(shù)CFAR[4]檢測(cè)方法。此外，為了進(jìn)一步實(shí)現(xiàn)檢測(cè)速度和檢測(cè)精度上的突破，從不同角度提升檢測(cè)性能，大量的基于雙參數(shù)CFAR檢測(cè)器的改進(jìn)算法被提出，如OS-CFAR[5]、CM-CFAR[6]、VICFAR[7]和OC-CFAR[8]等。但對(duì)于從復(fù)雜背景中檢測(cè)興趣目標(biāo)而言，基于分布統(tǒng)計(jì)的CFAR系列算法有一定的局限性，其在復(fù)雜背景下需要更多目標(biāo)信息量的特征來(lái)甄別目標(biāo)與非目標(biāo)。目前常用的SAR圖像目標(biāo)檢測(cè)系統(tǒng)如圖1所示，主要包括檢測(cè)、特征提取和特征鑒別3個(gè)步驟[9]。

在檢測(cè)階段，通常使用CFAR檢測(cè)器、視覺(jué)注意模型等方法[10]利用興趣目標(biāo)在SAR圖像中的獨(dú)特的呈現(xiàn)方式篩選出潛在的目標(biāo)感興趣區(qū)域(Region of Interest,ROI)；特征提取步驟是提取潛在目標(biāo)的特征，即尋找更具有獨(dú)立性的數(shù)值或圖形特征來(lái)表示目標(biāo)，以便更高效地識(shí)別正確的興趣目標(biāo)。根據(jù)SAR圖像的特點(diǎn)、目標(biāo)物理意義以及成像條件等，興趣目標(biāo)的特征大致可以分為以下幾類(lèi)：對(duì)比度特征、尺寸特征和紋理特征等[1,11]。檢測(cè)階段已經(jīng)去除了大部分雜波，對(duì)提取特征的鑒別往往對(duì)應(yīng)于兩種類(lèi)別的模式分類(lèi)問(wèn)題。目前常用的分類(lèi)方法包括模板匹配法、模型分類(lèi)法、神經(jīng)網(wǎng)絡(luò)分類(lèi)器和支持向量機(jī)等[12–15]。

但與光學(xué)圖像不同，SAR圖像中目標(biāo)在不同分辨率、不同方位角下自身結(jié)構(gòu)形成的強(qiáng)散射分布差別很大。此外，SAR目標(biāo)受點(diǎn)目標(biāo)擴(kuò)散函數(shù)(Point Spread Function,PSF)的影響較為嚴(yán)重，并且PSF十字的方向與SAR成像視角有特定關(guān)系，不同視角下SAR圖像旁瓣的影響是不一樣的。因此，相同目標(biāo)在不同尺度和方位的SAR成像中表現(xiàn)的結(jié)果不一致。如果采用基于訓(xùn)練庫(kù)的方式進(jìn)行目標(biāo)檢測(cè)，則需要大量不同尺度，不同方位的目標(biāo)樣本，運(yùn)算比較大，可能會(huì)造成訓(xùn)練困難，甚至出現(xiàn)某一場(chǎng)景下的目標(biāo)與另一場(chǎng)景下的雜波具有類(lèi)似的SAR成像。此外，對(duì)于難以獲取較多樣本的目標(biāo)來(lái)說(shuō)，采用訓(xùn)練庫(kù)方式進(jìn)行檢測(cè)存在較大難度。因此如何實(shí)現(xiàn)一種無(wú)需樣本庫(kù)以及諸多先驗(yàn)知識(shí)的地面目標(biāo)檢測(cè)方法是一個(gè)值得研究的問(wèn)題。

本文提出一種無(wú)需樣本庫(kù)以及諸多先驗(yàn)知識(shí)的地面目標(biāo)檢測(cè)方法。該方法充分利用目標(biāo)在同一場(chǎng)景SAR成像中的自身特征進(jìn)行同類(lèi)目標(biāo)檢測(cè)。首先，選取待檢測(cè)SAR圖像中的一個(gè)目標(biāo)樣本，充分分析該目標(biāo)樣本的特點(diǎn)，并提取其獨(dú)立性特征；對(duì)目標(biāo)樣本與潛在目標(biāo)進(jìn)行特征匹配，剔除潛在目標(biāo)中的非興趣目標(biāo)，獲取最終的檢測(cè)結(jié)果。實(shí)驗(yàn)測(cè)試結(jié)果表明本文提出的檢測(cè)方法可以實(shí)現(xiàn)無(wú)訓(xùn)練集和先驗(yàn)信息的目標(biāo)檢測(cè)，并取得較好效果。文章后續(xù)安排如下：第2節(jié)基于(Speeded Up Robust Features,SURF)描述符對(duì)新描述符進(jìn)行分析，并介紹特征向量計(jì)算流程；第3節(jié)對(duì)本文檢測(cè)方法的流程進(jìn)行介紹；第4節(jié)通過(guò)實(shí)驗(yàn)驗(yàn)證本文提出新的目標(biāo)檢測(cè)的可行性和有效性；最后是結(jié)論部分。

2 興趣目標(biāo)有效特征提取

對(duì)于不基于樣本訓(xùn)練的目標(biāo)檢測(cè)算法來(lái)說(shuō)，目標(biāo)特征的提取就顯得尤為重要。目標(biāo)特征不僅需要對(duì)背景雜波具有較好的分離性，還要滿足同類(lèi)目標(biāo)的一致性。因?yàn)榫植繀^(qū)域紋理特征的提取在目前特征提取方法中具有一定的性能優(yōu)勢(shì)且有著較好的應(yīng)用場(chǎng)景，如尺度不變特征變換[16](Scale-Invariant Feature Transform,SIFT)算子、Moravec算子、Harris算子等。這些方法運(yùn)用場(chǎng)景較多、適應(yīng)性較強(qiáng)，并且可以在多尺度、多角度下應(yīng)用，可以提取較為穩(wěn)定的目標(biāo)特征。

通過(guò)對(duì)比分析各種點(diǎn)特征描述子的性能可以得出，SIFT算子和快速魯棒性特征算法[17]SURF算子是一個(gè)較優(yōu)的選擇，能夠準(zhǔn)確描述目標(biāo)邊界紋理變化。其中SURF用積分圖像降低運(yùn)算量，其運(yùn)行效率大約為SIFT的3倍；同時(shí)，SURF的魯棒性很好，在視角、光照、尺度變化等情形下，大體上都優(yōu)于SIFT算法。因此，本文基于SURF特征描述對(duì)SAR圖像中的興趣目標(biāo)進(jìn)行特征提取。

2.1 特征描述符分析

在同一場(chǎng)景中，處于不同方位的興趣目標(biāo)成像存在角度差異，因此，目標(biāo)特征具有旋轉(zhuǎn)不變性也是有必要的。傳統(tǒng)的SURF特征描述的主方向的計(jì)算依賴(lài)于局部區(qū)域像素的梯度和方向，對(duì)于存在嚴(yán)重斑點(diǎn)噪聲和形變的SAR圖像而言，特征點(diǎn)主方向的一致性較差。如圖2(a)所示，不同視角成像的SAR圖像同一位置的關(guān)鍵點(diǎn)主方向存在偏差。而在計(jì)算具有旋轉(zhuǎn)不變性特征向量時(shí)，需要對(duì)關(guān)鍵點(diǎn)所在局部區(qū)域按主方向進(jìn)行旋轉(zhuǎn)，重新確定橫縱坐標(biāo)的方向，并基于旋轉(zhuǎn)過(guò)的局部區(qū)域的計(jì)算特征向量，如圖2(b)所示。因此，當(dāng)主方向的計(jì)算存在誤差，即使不大的角度偏差也會(huì)造成特征描述誤差的放大。

為了提取目標(biāo)帶有旋轉(zhuǎn)性能的特征，文章提出一種不依賴(lài)于主方向且可保持旋轉(zhuǎn)不變性的特征描述模型：極坐標(biāo)變換SURF(Polar Speeded Up Robust Features,PSURF)。通過(guò)SURF描述構(gòu)造過(guò)程可以看出，為保持旋轉(zhuǎn)不變性，主方向之所以被依賴(lài)是由于特征向量由和構(gòu)成，即與水平方向和垂直方向的灰度變化相關(guān)。當(dāng)目標(biāo)旋轉(zhuǎn)時(shí)，水平方向和垂直方向發(fā)生相應(yīng)的變化，但分布在局部區(qū)域中心周?chē)南袼攸c(diǎn)在半徑方向和角度方向的灰度變化是不受影響的。因此，文章提出的具有旋轉(zhuǎn)不變特性的PSURF描述符在進(jìn)行向量構(gòu)造時(shí)，采用半徑r方向和角度θ方向的灰度變化對(duì)區(qū)域紋理進(jìn)行描述可以省略主方向的分配。

如圖3所示，以局部區(qū)域中心像素點(diǎn)為中心，將該局部區(qū)域劃分為若干個(gè)同心圓，并計(jì)算環(huán)形上采樣點(diǎn)r方向和角度θ方向的灰度變化，最終由同一環(huán)形上的采樣點(diǎn)變化的疊加和構(gòu)成PSURF描述向量。由圖形旋轉(zhuǎn)特性可知PSURF描述符具有旋轉(zhuǎn)不變性。

2.2 PSURF特征向量構(gòu)建

為增加特征向量的魯棒性，首先，使用高斯核對(duì)局部區(qū)域圖像中的每個(gè)像素點(diǎn)在一定范圍內(nèi)加權(quán)，增強(qiáng)鄰近像素該像素的影響，弱化較遠(yuǎn)像素的影響。加權(quán)后的圖像Ig由原始圖像I和高斯函數(shù)G的卷積計(jì)算獲得，如式(1)所示。

其中，(x,y)為每一個(gè)像素點(diǎn)的位置，高斯核G可由式(2)表示：

其次，為方便r方向和角度θ方向的灰度變化dr和dθ的計(jì)算，對(duì)局部區(qū)域進(jìn)行坐標(biāo)變換，將像素通過(guò)式(3)變換到極坐標(biāo)中，如圖4所示。

其中，(xc,yc)為區(qū)域中心點(diǎn)O所在位置；(x,y)為直角坐標(biāo)系中各個(gè)像素的坐標(biāo)。針對(duì)以上分析可見(jiàn)，文章通過(guò)坐標(biāo)變換將局部區(qū)域旋轉(zhuǎn)運(yùn)動(dòng)轉(zhuǎn)化為在極坐標(biāo)系中沿極角θ方向的平移運(yùn)動(dòng)。通過(guò)描述符分析，計(jì)算r方向和θ方向灰度變化具有旋轉(zhuǎn)不變特性。

在通過(guò)進(jìn)行圖像灰度方向響應(yīng)前，使用積分圖像進(jìn)行圖像卷積操作，可以顯著加快計(jì)算速度。積分圖像通過(guò)式(4)計(jì)算獲得。

其中，I(i,j)表示圖像中(i,j)位置像素點(diǎn)灰度值；m,n分別表示圖像高度和寬度。Haar小波可以反映圖像灰度變化，通過(guò)Haar小波模板計(jì)算r方向和θ方向的響應(yīng)，其模板如圖5所示，其中黑色、白色代表的權(quán)值分別為–1和+1。從圖5中可以看出坐標(biāo)變換后的圖像在經(jīng)過(guò)Haar小波響應(yīng)后可以體現(xiàn)出r方向和θ方向的變化，符合圖像的紋理走向，具有紋理的可描述性。

最后，將Haar小波特征的r方向之和，θ方向之和，r方向絕對(duì)值之和，θ方向絕對(duì)值之和聯(lián)合構(gòu)成PSURF特征向量。當(dāng)圖像發(fā)生旋轉(zhuǎn)時(shí)，θ方向的發(fā)生平移運(yùn)動(dòng)，但沿著θ方向的疊加運(yùn)算并不受到影響，因此可以保證特征向量具有旋轉(zhuǎn)不變性。

3 目標(biāo)檢測(cè)

基于無(wú)訓(xùn)練集的SAR目標(biāo)檢測(cè)主要步驟是對(duì)樣本進(jìn)行特征提取，而對(duì)樣本特征的充分利用可以提高興趣目標(biāo)的檢測(cè)率。在對(duì)樣本進(jìn)行PSURF特征提取之前，通過(guò)目標(biāo)樣本的亮度特征可以提出部分虛假目標(biāo)。因而，本文的興趣目標(biāo)的檢測(cè)過(guò)程如圖6所示。

首先，由于興趣目標(biāo)的強(qiáng)反射特性，目標(biāo)相對(duì)于田地等其他背景具有明顯的灰度對(duì)比度。因而，對(duì)SAR圖像進(jìn)行全局CFAR檢測(cè)可以檢測(cè)出灰度值相對(duì)較高的潛在目標(biāo)。由于興趣目標(biāo)在SAR圖像中所占比例較小，可以將整個(gè)SAR圖像作為背景雜波區(qū)，由統(tǒng)計(jì)模型計(jì)算的全局閾值T，然后將所有像素與T進(jìn)行比較，可以獲取潛在興趣目標(biāo)的高亮像素點(diǎn)。以該點(diǎn)為中心選取與樣本目標(biāo)同樣大小的切片作為潛在興趣目標(biāo)。

其次，使用樣本目標(biāo)中的灰度值與全局閾值T進(jìn)行比較，根據(jù)比較結(jié)果計(jì)算目標(biāo)面積，即統(tǒng)計(jì)高亮度值的個(gè)數(shù)。對(duì)潛在目標(biāo)的面積與樣本目標(biāo)面積進(jìn)行比較，使得潛在目標(biāo)的面積必須滿足一定范圍，如：

其中，Sy,Sq分別為樣本目標(biāo)和潛在目標(biāo)高亮度面積；m,n分別為比例因子，一般m＞1,0＜n＜1。其值根據(jù)目標(biāo)類(lèi)型和經(jīng)驗(yàn)值確定。經(jīng)過(guò)面積的比較，可以剔除部分較大或較小不可能成為目標(biāo)的高亮區(qū)域。

最后，對(duì)潛在目標(biāo)所在區(qū)域進(jìn)行特征提取，并和目標(biāo)樣本的特征向量進(jìn)行比較，確定最終興趣目標(biāo)。具體為：按照式(6)計(jì)算樣本目標(biāo)特征向量和潛在目標(biāo)向量的歐式空間距離，并按由小到大的順序進(jìn)行排序；

其中，X為樣本目標(biāo)的特征向量，Yj為J個(gè)潛在目標(biāo)的特征向量，Dim為特征向量的維度。

由于同類(lèi)目標(biāo)紋理相似，所以其特征相鄰的歐氏空間距離較小，而非目標(biāo)與樣本的歐式空間距離則偏大，因而需要找出一個(gè)界限來(lái)劃分目標(biāo)與非目標(biāo)。本文通過(guò)計(jì)算所有距離值的和，并在其中選取一定比例的具有較小距離值的潛在目標(biāo)作為最終興趣目標(biāo)，具體如式(7)所示。

其中，c為給定百分比，本文根據(jù)目標(biāo)的類(lèi)型、尺寸以及SAR圖像背景雜波選取具體值，并由該式確定最終興趣目標(biāo)的個(gè)數(shù)C。

4 試驗(yàn)結(jié)果

4.1 SAR圖像中坦克檢測(cè)

4.1.1 與CFAR等檢測(cè)方法對(duì)比試驗(yàn)本文實(shí)驗(yàn)數(shù)據(jù)采用公開(kāi)的機(jī)載RTV SAR圖像進(jìn)行實(shí)驗(yàn)驗(yàn)證，該圖中的興趣目標(biāo)為坦克。從圖7(a)可以看出，除13個(gè)目標(biāo)外，SAR圖像還包括較多高亮非目標(biāo)區(qū)域，有些在面積和紋理上都與目標(biāo)較為接近，并且斑點(diǎn)噪聲特別突出。本文方法選取其中的一個(gè)目標(biāo)作為樣本目標(biāo)，進(jìn)行面積和紋理特征提取，并與SAR圖像中的潛在目標(biāo)進(jìn)行逐步匹配。此外，在該組實(shí)驗(yàn)中，作者對(duì)本文方法與全局CFAR和雙參CFAR的檢測(cè)進(jìn)行了對(duì)比。圖7給出了各個(gè)方法的檢測(cè)結(jié)果，其中，CFAR和雙參CFAR的檢測(cè)結(jié)果采用了與本文方法相同的面積匹配方式，剔除了檢測(cè)結(jié)果中過(guò)大或過(guò)小的區(qū)域。

從圖7中的檢測(cè)結(jié)果可以看出，本文檢測(cè)方法的最終結(jié)果中除了漏檢1個(gè)興趣目標(biāo)外，剔除了全部非興趣目標(biāo)。其中圖7(b)為虛警率為0.05的全局CFAR檢測(cè)，并進(jìn)一步剔除過(guò)大或過(guò)小不可能成為目標(biāo)的區(qū)域的結(jié)果?？梢钥闯鰴z查出的高亮區(qū)域已經(jīng)剔除了雜波背景和部分人工非目標(biāo)，剩余潛在目標(biāo)在面積上和樣本目標(biāo)比較近。圖7(c)為虛警率為0.10的雙參CFAR檢測(cè)，并進(jìn)一步剔除過(guò)大或過(guò)小不可能成為目標(biāo)的區(qū)域的結(jié)果。其結(jié)果與圖7(b)使用全局CFAR的實(shí)驗(yàn)結(jié)果較為接近，都是除了興趣目標(biāo)外，同時(shí)也檢測(cè)出了與目標(biāo)較為接近的虛警目標(biāo)。圖7(d)是經(jīng)過(guò)樣本目標(biāo)的PSURF紋理特征和潛在目標(biāo)的PSURF紋理特征進(jìn)行匹配的結(jié)果，可以看出，圖中已經(jīng)完全剔除了非興趣目標(biāo)。雖然最終結(jié)果造成一個(gè)興趣目標(biāo)的漏檢，但對(duì)于無(wú)訓(xùn)練集、單目標(biāo)樣本檢測(cè)來(lái)說(shuō)，該結(jié)果較為理想。

圖7(d)中漏檢情況的出現(xiàn)與參數(shù)設(shè)置有關(guān)系，c的存在是為了控制最終選取多少目標(biāo)作為最終目標(biāo)，這可以根據(jù)不同的目標(biāo)進(jìn)行不同的調(diào)整，比如，有的應(yīng)用是為了獲取全面的目標(biāo)，不介意多幾個(gè)虛警，而有的應(yīng)用只需要確切的目標(biāo)，虛警盡量少。所以作者選取的c值是為了在虛警較低的情況下獲取最多的目標(biāo)，如果c的值對(duì)結(jié)果放松的話，可以檢測(cè)出該漏檢目標(biāo)，但是可能會(huì)有虛警產(chǎn)生，這是由于該虛假目標(biāo)在尺寸和紋理上和該漏檢目標(biāo)非常接近，甚至比漏檢目標(biāo)更接近樣本目標(biāo)。

4.1.2 與其它特征描述符的對(duì)比試驗(yàn)為了驗(yàn)證PSURF描述符的有效性，本文實(shí)驗(yàn)中還對(duì)PSURF描述符與SURF,SIFT,DAISY等描述符進(jìn)行了對(duì)比檢測(cè)，其結(jié)果如圖8所示。對(duì)比算法中，SURF描述符有一種簡(jiǎn)化框架SURF+upriht，即將局部區(qū)域右上方定位其主方向計(jì)算特征向量。這類(lèi)簡(jiǎn)化框架省略了主方向計(jì)算的步驟，但需要目標(biāo)在方位上保持一致或相差不多，否則會(huì)造成檢測(cè)失敗。SIFT描述符框架與SURF類(lèi)似，對(duì)區(qū)域內(nèi)種子點(diǎn)的梯度方向和幅值的描述，在計(jì)算SIFT特征時(shí)，對(duì)整個(gè)區(qū)域高斯加權(quán)，同時(shí)采用雙線性插值的方法，對(duì)每個(gè)目標(biāo)區(qū)域的種子點(diǎn)均勻采樣。此外，在局部特征點(diǎn)描述中，DAISY描述符[18]也得到廣泛研究。DAISY描述符具有3層不同半徑的同心圓，相較于SIFT,SURF的矩形鄰域，具有更好的定位性能。從圖8中可以看出幾種特征描述符的檢測(cè)結(jié)果都不盡理想，有多個(gè)目標(biāo)漏檢，并且存在非興趣目標(biāo)被檢測(cè)到。

本文在驗(yàn)證PSURF描述符在興趣目標(biāo)檢測(cè)上的有效性時(shí)，采用虛警概率和檢測(cè)概率作為對(duì)比結(jié)果的評(píng)估參數(shù)。其計(jì)算公式參見(jiàn)式(8)，虛警概率表示目標(biāo)不存在而認(rèn)為其存在的概率Pf；檢測(cè)概率是一個(gè)目標(biāo)確實(shí)存在并且被檢測(cè)到的概率Pd。

其中，AP為興趣目標(biāo)總數(shù)，TP為興趣目標(biāo)且被檢測(cè)為目標(biāo)的數(shù)目，F(xiàn)P為非興趣目標(biāo)但被檢測(cè)為目標(biāo)的數(shù)目。

表1給出了幾種對(duì)比算法的檢測(cè)概率，虛警概率以及目標(biāo)與非目標(biāo)的分離度圖示。其中，從檢測(cè)概率和虛警概率可以看出本文提出的目標(biāo)紋理特征提取方式有著較大優(yōu)勢(shì)，能夠滿足目標(biāo)檢測(cè)需求。目標(biāo)與非目標(biāo)的分離度圖示給出了潛在目標(biāo)與目標(biāo)樣本特征的歐式空間距離計(jì)算后的潛在目標(biāo)排列，可以看出，SURF,SIFT和DAISY描述符提取的特征向量對(duì)于區(qū)分目標(biāo)與非目標(biāo)來(lái)說(shuō)能力不足，使得可分離性較弱。而本文提出的PSURF描述符大致可以將目標(biāo)與非目標(biāo)進(jìn)行區(qū)分，具有較好的分離性。

表1 不同特征提取方法的檢測(cè)結(jié)果Tab. 1 The detection results by different feature extraction methods

4.2 SAR圖像中裝甲車(chē)檢測(cè)

為了驗(yàn)證本文檢測(cè)算法的適應(yīng)性，本組實(shí)驗(yàn)數(shù)據(jù)采用一組公開(kāi)的瑞典國(guó)防研究機(jī)構(gòu)的機(jī)載CARABAS-II SAR系統(tǒng)獲取的VHF-band分辨率1 m，大小為3000×2000的SAR圖像。該圖像場(chǎng)景是位于瑞典北部的軍事靶場(chǎng)，以其中一幅SAR圖像為例，如圖9中所示，包括不同類(lèi)型共25輛裝甲車(chē)。該組實(shí)驗(yàn)中的興趣目標(biāo)與部分非目標(biāo)比較接近，因而可以選擇稍大一些的c值。

PSURF描述符與SURF,SIFT和DAISY描述的對(duì)比檢測(cè)結(jié)果如圖10和表2所示。該實(shí)驗(yàn)圖像中部分非目標(biāo)的紋理與興趣目標(biāo)紋理比較接近，因而，在各測(cè)試方法中均不可避免地產(chǎn)生了虛警。但從圖中可以看出，使用PSURF描述符可以在相當(dāng)?shù)奶摼蕰r(shí)獲得更高的檢測(cè)概率，從而驗(yàn)證了本文檢測(cè)方法的有效性。

4.3 雙基SAR圖像中飛機(jī)檢測(cè)

為了進(jìn)一步驗(yàn)證本文檢測(cè)算法的適應(yīng)性，本組實(shí)驗(yàn)數(shù)據(jù)采用一張公開(kāi)的我國(guó)雙基雷達(dá)成像的SAR圖像。該圖像場(chǎng)景是某機(jī)場(chǎng)，待檢測(cè)目標(biāo)位8架飛機(jī)。該組實(shí)驗(yàn)中的興趣目標(biāo)與背景雜波有明顯的紋理差異，因而可以選擇稍小一些的c值。從圖11中可以看出，本實(shí)驗(yàn)選取的樣本目標(biāo)與SAR圖像中的部分待檢測(cè)目標(biāo)姿態(tài)不一致，可以更好地用來(lái)評(píng)估本文算法的有效性和PSURF特征的可選擇性。

PSURF描述符與SURF,SIFT和DAISY描述的對(duì)比檢測(cè)結(jié)果如圖12和表3所示。該實(shí)驗(yàn)圖像中部分待檢目標(biāo)與樣本目標(biāo)姿態(tài)不一致，因而，在測(cè)試方法中不可避免地產(chǎn)生了漏檢。但從圖中可以看出，使用PSURF描述符可以在虛警率為0的情況下正確地檢測(cè)出所有的目標(biāo)，具有更好的檢測(cè)概率。

表2 不同特征提取方法的裝甲車(chē)檢測(cè)結(jié)果Tab. 2 The armored car detection results by different feature extraction methods

表3 不同特征提取方法的飛機(jī)檢測(cè)結(jié)果Tab. 3 The airplane detection results by different feature extraction methods

5 結(jié)論

在復(fù)雜背景SAR目標(biāo)檢測(cè)中，傳統(tǒng)的基于多樣本訓(xùn)練集的檢測(cè)方式在一定場(chǎng)景下存在樣本獲取困難的問(wèn)題，針對(duì)該問(wèn)題，本文提出的基于單樣本特征提取方式和匹配方式可以無(wú)需預(yù)先獲取足夠樣本和其他先驗(yàn)信息而實(shí)現(xiàn)興趣目標(biāo)檢測(cè)。該檢測(cè)方法通過(guò)全局CFAR檢測(cè)和目標(biāo)樣本面積特征匹配，剔除絕大多數(shù)背景雜波，進(jìn)一步通過(guò)紋理PSURF特征對(duì)潛在目標(biāo)中的興趣目標(biāo)與非目標(biāo)進(jìn)行分離，獲取最終檢測(cè)結(jié)果。本文提出的檢測(cè)方法在無(wú)法獲取較多先驗(yàn)知識(shí)的情況下，對(duì)復(fù)雜背景SAR興趣目標(biāo)檢測(cè)具有重要意義。

[1]Liu Shuo and Cao Zong-jie. SAR image target detection in complex environments based on improved visual attention algorithm[J].EURASIP Journal on WirelessCommunications and Networking,2014,2014(1): 2–8.

[2]Cui S,Dumitru C,and Datcu M. Ratio-detector-based feature extraction for very high resolution SAR image patch indexing[J].IEEE Transactions on Geoscience and Remote Sensing,2013,10(5): 1175–1179.

[3]Kreithen D,Halversen S,and Owirka G. Discriminating targets from clutter[J].The Lincoln Laboratory Journal,1993,6(1): 25–52.

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

[5]Rohling H. Radar CFAR thresholding in clutter and multiple target situations[J].IEEE Transactions on Aerospace and Electronic Systems,1983,19(4): 608–621.

[6]Rickard J T and Dillard G M. Adaptive detection algorithms for multiple target Situations[J].IEEE Transactions on Aerospace and Electronic Systems,1977,13(4): 338–343.

[7]Smith M E and Varshney P K. Intelligent CFAR processor based on data variability[J].IEEE Transactions on Aerospace and Electronic Systems,2000,36(3): 837–847.

[8]Farrouki A and Barkat M. Automatic censoring CFAR detector based on ordered data variability for nonhomogeneous environments[J].IET Proceedings-Radar,Sonar and Navigation,2005,152(1): 43–51.

[9]周德云,曾麗娜,張堃. 基于多尺度SIFT特征的SAR目標(biāo)檢測(cè)[J]. 西北工業(yè)大學(xué)學(xué)報(bào),2015,33(5): 867–873. Zhou De-yun,Zeng Li-na,and Zhang Kun. A Novel SAR target detection algorithm via multi-scale SIFT features[J].Journal of Northwestern Polytechnical University,2015,33(5): 867–873.

[10]Zhang Qiang,Wu Yan,Wang Fan,et al.. Anisotropic-scalespace-based salient-region detection for SAR images[J].IEEE Geoscience Remote Sensing Letter,2016,13(3): 457–461.

[11]Bhattacharya J,Sanyal G,and Majumder S. A Robust biometric image texture descripting approach[J].International Journal of Computer Applications,2012,53(3): 30–36.

[12]曾麗娜,周德云,邢孟道,等. 一種多特征聯(lián)合的地面SAR目標(biāo)分層檢測(cè)方法[J]. 西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,43(2): 89–94. Zeng Li-na,Zhou De-yun,Xing Mengdao,et al.. Novel SAR target detection algorithm via multiple features[J].Journal of Xidian University,2016,43(2): 89–94.

[13]Liu Shuai-qi,Hu Shao-hai,Xiao Yang,et al.. SAR image edge detection using sparse representation and LS-SVM[J].Journal of Information&Computational Science,2014,11(11): 3941–3947.

[14]Uhlmann S and Kiranyaz S. Integrating color features in polarimetric SAR image classification[J].IEEE Transactions on Geoscience and Remote Sensing,2014,52(4): 2197–2216.

[15]Srinivas U,Monga V,and Raj R G. SAR automatic target recognition using discriminative graphical models[J].IEEE Transactions on Aerospace and Electronic Systems,2014,50(1): 591–606.

[16]Lowe D G. Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,2004,60(2): 91–110.

[17]Bay H,Ess A,Tuytelaars T,et al.. Speeded-Up Robust Features (SURF)[J].Computer Vision and Image Understanding,2008,110(3): 346–359.

[18]Tola E,Lepetit V,and Fua P. DAISY: An efficient dense descriptor applied to wide-baseline stereo[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2009,32(5): 815–830.

曾麗娜(1982–)，河北昌黎人，女，西北工業(yè)大學(xué)博士研究生，研究方向?yàn)镾AR圖像特征分析、SAR目標(biāo)檢測(cè)、SAR圖像配準(zhǔn)。

E-mail: zenglina@mail.nwpu.edu.cn

周德云(1964–)，浙江義烏人，男，教授，博士生導(dǎo)師，西北工業(yè)大學(xué)電子信息學(xué)院院長(zhǎng)，中國(guó)航空學(xué)會(huì)航空武器系統(tǒng)專(zhuān)業(yè)分會(huì)委員兼秘書(shū)長(zhǎng)，研究方向?yàn)楹娇栈鹆εc指揮控制、先進(jìn)綜合控制理論及應(yīng)用。

E-mail: dyzhou@nwpu.edu.cn

李梟揚(yáng)(1989–)，陜西西安人，男，西北工業(yè)大學(xué)博士研究生，研究方向?yàn)橹笓]控制、SAR圖像檢測(cè)。

E-mail: winnerlxylee@126.com

張 堃(1982–)，陜西西安人，男，西北工業(yè)大學(xué)博士，副教授，中國(guó)航空學(xué)會(huì)航空武器系統(tǒng)分會(huì)干事，研究方向?yàn)橥{評(píng)估、任務(wù)規(guī)劃、圖像處理。

E-mail: kunzhang@nwpu.edu.cn

Novel SAR Target Detection Algorithm Using Free Training

Zeng Lina Zhou Deyun Li Xiaoyang Zhang Kun
(School of Electronic Information,Northwestern Polytechnical University,Xi’an710072,China)

A detection method for Synthetic Aperture Radar (SAR) targets based on single sample feature extraction is proposed. Similar targets in a SAR image are detected according to the effective features of the selected single target sample. First,the potential targets of interest in a SAR image are detected,and the area features and texture features are extracted from the target sample and potential targets,respectively. Then,the false targets are eliminated from the potential targets via different matching methods. The proposed method for texture description in this paper can be adopted for targets with different attitudes by extracting the rotationinvariance features of the local region; these features can deal with speckle noise and deformation. The experimental results show the feasibility and validity of the proposed method.

Synthetic Aperture Radar (SAR); Feature extraction; Object detection; Speeded up robust features

TN959

A

2095-283X(2017)02-0177-09

10.12000/JR16114

曾麗娜,周德云,李梟揚(yáng),等. 基于無(wú)訓(xùn)練單樣本有效特征的SAR目標(biāo)檢測(cè)[J]. 雷達(dá)學(xué)報(bào),2017,6(2): 177–185.

10.12000/JR16114.

Reference format:Zeng Lina,Zhou Deyun,Li Xiaoyang,et al.. Novel SAR target detection algorithm using free training[J].Journal of Radars,2017,6(2): 177–185. DOI: 10.12000/JR16114.

2016-10-12；改回日期：2016-11-29；

2016-12-30

*通信作者：曾麗娜 zenglina@mail.nwpu.edu.cn

國(guó)家自然科學(xué)基金(61401363)

Foundation Item: The National Natural Science Foundation of China (61401363)