代曉康, 殷君君,*, 楊 健

(1. 北京科技大學(xué)計(jì)算機(jī)與通信工程學(xué)院, 北京 100083; 2. 清華大學(xué)電子工程系, 北京 100084)

0 引 言

極化合成孔徑雷達(dá)(synthetic aperture radar,SAR)不受天氣、光照等因素干擾,可全天時(shí)、全天候監(jiān)測(cè)地面目標(biāo),受到了越來(lái)越多的關(guān)注,因此極化SAR廣泛應(yīng)用于超像素分割[1-5]、變化檢測(cè)[6-10]、地物分類[11-15]和目標(biāo)檢測(cè)領(lǐng)域,如艦船檢測(cè)[16-18]、車輛檢測(cè)[19-20]、飛機(jī)跑道檢測(cè)[21]、海岸線檢測(cè)[22-23]等。

在各種SAR目標(biāo)檢測(cè)算法中,由于恒虛警率(constant false alarm rate,CFAR)算法具有計(jì)算簡(jiǎn)單、自適應(yīng)選取閾值等優(yōu)勢(shì)被廣泛應(yīng)用于海面艦船檢測(cè)。其中,單元平均CFAR(cell-average CFAR,CA-CFAR)檢測(cè)器是最簡(jiǎn)單的CFAR檢測(cè)器,它對(duì)于均勻區(qū)域是最優(yōu)的,但是在異質(zhì)性環(huán)境內(nèi)性能會(huì)嚴(yán)重衰退。雙參數(shù)CFAR(two-parameter CFAR,2P-CFAR)算法是一種基于高斯背景假設(shè)的CFAR算法,其出現(xiàn)標(biāo)志著SAR圖像目標(biāo)檢測(cè)取得了巨大成功。后續(xù)針對(duì)該算法在目標(biāo)周圍雜波非均勻以及多目標(biāo)情況下不穩(wěn)定的問(wèn)題,提出了有序統(tǒng)計(jì)CFAR(order statistic CFAR,OS-CFAR)檢測(cè)器,該算法淡化了對(duì)背景窗口里雜波分布的依賴。為了提高CFAR算法的有效性,常常需要對(duì)極化SAR數(shù)據(jù)進(jìn)行多通道融合,然后再進(jìn)行CFAR檢測(cè),融合方法可以使用極化白化濾波器。極化白化濾波器[24]在極化SAR圖像目標(biāo)檢測(cè)領(lǐng)域是一種重要的預(yù)處理方法,它能夠有效降低圖像的相干斑噪聲水平,同時(shí)增強(qiáng)目標(biāo)的散射強(qiáng)度。

但是傳統(tǒng)基于CFAR算法的SAR圖像車輛目標(biāo)檢測(cè)方法只適用于簡(jiǎn)單的地物場(chǎng)景[25]。對(duì)于城市區(qū)域,因?yàn)槠渚哂袕?fù)雜的地物環(huán)境、背景雜波,強(qiáng)散射目標(biāo)之間互相干擾導(dǎo)致虛警多,因此該類區(qū)域的目標(biāo)檢測(cè)是當(dāng)前SAR地面目標(biāo)檢測(cè)中的重點(diǎn)和難點(diǎn)。

CFAR算法是一類基于對(duì)比度的目標(biāo)檢測(cè)算法,由于車輛和建筑物都屬于人造目標(biāo),雷達(dá)回波較強(qiáng),在SAR圖像上表現(xiàn)為具有和周圍環(huán)境相比較大的對(duì)比度,所以在城市區(qū)域進(jìn)行車輛檢測(cè)時(shí)候,CFAR算法會(huì)把建筑物當(dāng)成車輛目標(biāo)。為了解決這個(gè)問(wèn)題,類比于艦船檢測(cè)的海陸分割,在對(duì)車輛目標(biāo)檢測(cè)之前,需要先檢測(cè)建筑物,并將此作為先驗(yàn)信息引入后續(xù)的檢測(cè)步驟。

極化SAR數(shù)據(jù)符合復(fù)Wishart統(tǒng)計(jì)分布,基于復(fù)Wishart分布的Wishart分類器[26]多用于地物分類,很少應(yīng)用于地面目標(biāo)檢測(cè)。但利用統(tǒng)計(jì)分布可以更精確地區(qū)分不同地物,因此可以利用Wishart距離區(qū)分目標(biāo)和背景。此外,隨著 SAR系統(tǒng)分辨率的提高,SAR圖像數(shù)據(jù)能夠表達(dá)更加豐富的信息。在分米級(jí)分辨率下,車輛目標(biāo)在圖像中不僅僅表現(xiàn)為點(diǎn)目標(biāo),還表現(xiàn)為具有豐富結(jié)構(gòu)特征的面目標(biāo)。超像素分割是一種性能優(yōu)異的圖像分割方法,這種方法將具有相似結(jié)構(gòu)的相鄰像素組合成有視覺(jué)意義的不規(guī)則像素塊來(lái)表達(dá)局部區(qū)域特征,很好地保留了目標(biāo)的形態(tài)結(jié)構(gòu)。使用該方法可以在密集目標(biāo)檢測(cè)時(shí),更好地利用上下文信息對(duì)相似目標(biāo)進(jìn)行邊緣重建。

本文針對(duì)城市區(qū)域的密集車輛目標(biāo)檢測(cè)任務(wù),提出了一種結(jié)合Wishart分類器和超像素分割的目標(biāo)檢測(cè)方法。首先,利用極化分解檢測(cè)出建筑物,排除強(qiáng)反射偽目標(biāo);然后利用不包含建筑物的Wishart迭代分類和超像素分割獲得目標(biāo)的形態(tài)信息;之后利用包含建筑物的Wishart迭代分類獲得目標(biāo)的中心點(diǎn);最后把中心點(diǎn)作為種子點(diǎn)對(duì)超像素進(jìn)行區(qū)域生長(zhǎng),結(jié)合形態(tài)信息和位置信息定位車輛目標(biāo)的位置和密集目標(biāo)的數(shù)目。

1 基于極化SAR的目標(biāo)檢測(cè)算法

1.1 基于多視極化白化濾波的CFAR方法

在極化SAR系統(tǒng)中,物體目標(biāo)可以用Sinclair矩陣表示為

式中:H、V代表水平極化和垂直極化;SHV代表水平發(fā)射垂直接收時(shí)的目標(biāo)后向散射系數(shù)。

(1)

1.2 目標(biāo)分解

An等人[28]提出使用h、q代替極化散射熵H和極化散射角α。參數(shù)h、q的計(jì)算方法為

(2)

式中:Tij為相干矩陣T的第i行第j列的值。圖1是h-q平面區(qū)域劃分圖,根據(jù)h、q的值可將像素劃分到不同區(qū)域,每個(gè)區(qū)域代表特定的散射類型。其區(qū)域邊界比H/α平面邊界更穩(wěn)定,并且能更精準(zhǔn)地確定目標(biāo)的極化散射機(jī)制[29]。

圖1 h-q平面Fig.1 The h-q plane

1.3 基于復(fù)Wishart分類器和超像素的密集目標(biāo)檢測(cè)

本文首先利用極化分解檢測(cè)出建筑物;其次,利用不包含建筑物的Wishart分類器迭代分類獲得初步的檢測(cè)結(jié)果;然后,利用Turbopixel超像素[30]分割重建目標(biāo)邊緣,同時(shí)獲得目標(biāo)的形態(tài)信息;接著利用包含建筑物的Wishart分類器迭代分類獲得目標(biāo)的中心點(diǎn)作為定位信息;最后,為了結(jié)合目標(biāo)形態(tài)和位置信息完成車輛目標(biāo)檢測(cè)任務(wù),需要以每個(gè)中心點(diǎn)所屬超像素為基礎(chǔ)進(jìn)行區(qū)域生長(zhǎng),從而完成對(duì)車輛目標(biāo)的標(biāo)記。

檢測(cè)流程如圖2所示,詳細(xì)步驟如下。

圖2 本文算法流程圖Fig.2 Flow chart of the proposed method

步驟 1建筑物檢測(cè)。首先根據(jù)相干矩陣計(jì)算參數(shù)h、q,然后利用h-q平面定位建筑物區(qū)域,其中平面中的第6類區(qū)域?qū)儆谂即蔚挽胤瓷?符合建筑物的反射特性。因?yàn)樵摍z測(cè)過(guò)程基于像素級(jí)別,所以可以獲得屬于建筑物的像素位置坐標(biāo),將這類像素點(diǎn)作為種子點(diǎn)插入到基于多視極化白化濾波的CFAR檢測(cè)結(jié)果中,并將種子點(diǎn)所在連通域標(biāo)記為建筑物區(qū)域。

步驟 2不包含建筑物的Wishart迭代分類。將步驟1中檢測(cè)出的建筑物從CFAR結(jié)果中排除,然后對(duì)剩下的背景像素和目標(biāo)像素的協(xié)方差矩陣求均值分別作為聚類中心,接著執(zhí)行Wishart迭代分類直至結(jié)果收斂。

步驟 3對(duì)步驟2中獲得的迭代分類結(jié)果進(jìn)行超像素分割,其主要目的是獲得密集目標(biāo)之間的邊緣信息以便后續(xù)的檢測(cè),同時(shí)獲得目標(biāo)的形態(tài)信息。

步驟 4包含建筑物的Wishart迭代分類。該步驟與步驟2相似,不同點(diǎn)是不對(duì)建筑物進(jìn)行排除,即使用原始的CFAR結(jié)果進(jìn)行Wishart迭代分類直至結(jié)果收斂。因?yàn)橛薪ㄖ锏膮⑴c,所以最終檢測(cè)結(jié)果會(huì)留下目標(biāo)的最強(qiáng)散射區(qū)域,密集目標(biāo)之間可以相互分離。

步驟 5獲得目標(biāo)中心。對(duì)步驟4中的結(jié)果進(jìn)行連通域標(biāo)記,然后把每個(gè)連通域的中心點(diǎn)作為單個(gè)目標(biāo)的中心點(diǎn),從而獲得目標(biāo)的位置信息和個(gè)數(shù)。結(jié)合目標(biāo)大小和圖像的分辨率便可以給出初步的檢測(cè)結(jié)果。

步驟 6目標(biāo)標(biāo)記。在步驟5中獲得了目標(biāo)的中心點(diǎn)后,將中心點(diǎn)所在的超像素進(jìn)行區(qū)域生長(zhǎng)獲得最終的檢測(cè)結(jié)果。具體操作是:對(duì)于每個(gè)目標(biāo)中心點(diǎn),計(jì)算與其他超像素中心的歐式距離,并且按照距離大小升序排列,然后把距離最小的超像素合并到該目標(biāo)中心點(diǎn)所屬的超像素中。如果合并后的超像素面積小于固定閾值A(chǔ)reathresh,則繼續(xù)按照距離大小繼續(xù)進(jìn)行超像素合并,直到合并后的超像素面積超過(guò)閾值為止。

2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)數(shù)據(jù)來(lái)自中科院電子所X波段的機(jī)載全極化SAR數(shù)據(jù),成像區(qū)域是中國(guó)喀什地區(qū),數(shù)據(jù)格式是單視復(fù)數(shù)據(jù),分辨率是0.2 m×0.2 m。實(shí)驗(yàn)區(qū)域的Pauli偽彩色圖如圖3所示。在實(shí)驗(yàn)場(chǎng)景中包含建筑物和地面強(qiáng)雜波的干擾,分別用紅框和藍(lán)框標(biāo)出。

圖3 兩組實(shí)驗(yàn)數(shù)據(jù)的Pauli偽彩色圖Fig.3 Pauli pseudo-color images of two testing datas

2.1 基于多視極化白化濾波的恒虛警率檢測(cè)

給定等效視數(shù)L和Pfa,通過(guò)解析表達(dá)式計(jì)算檢測(cè)門(mén)限Thresh。本文的等效視數(shù)設(shè)置為1,Pfa設(shè)置為0.000 5。檢測(cè)結(jié)果如圖4所示,可以看出,CFAR檢測(cè)器無(wú)法去除建筑物和地面強(qiáng)雜波干擾。

圖4 CFAR檢測(cè)結(jié)果Fig.4 Detection results of CFAR

2.2 建筑物檢測(cè)

利用屬于h-q平面中的第6類像素點(diǎn)作為種子點(diǎn)插入到基于多視極化白化濾波的CFAR檢測(cè)二值圖中,結(jié)果如圖5中紅點(diǎn)所示,可以看到除了建筑物區(qū)域,有些種子點(diǎn)落在了其他地方,為了排除干擾可以將個(gè)數(shù)較少的種子點(diǎn)去除,去除結(jié)果如圖6所示。最后把種子點(diǎn)所在連通域標(biāo)記為建筑物區(qū)域,結(jié)果如圖7所示。

圖5 h-q平面中第6類像素點(diǎn)Fig.5 The sixth class pixels of the h-q plane

圖6 實(shí)驗(yàn)數(shù)據(jù)的建筑物種子點(diǎn)Fig.6 Building seed points of the testing datas

圖7 建筑物檢測(cè)結(jié)果Fig.7 Detection results of building areas

2.3 不包含建筑物的Wishart分類器迭代分類

將檢測(cè)出的建筑物從CFAR結(jié)果中排除,如圖8所示。然后對(duì)剩下背景像素和目標(biāo)像素的協(xié)方差矩陣求均值分別作為聚類中心,接著執(zhí)行Wishart迭代分類直至結(jié)果收斂,收斂結(jié)果如圖9所示?？梢钥吹?經(jīng)過(guò)迭代Wishart分類后,地面結(jié)果更加純凈,目標(biāo)的形態(tài)更加清晰,但是不包含建筑物的Wishart迭代分類無(wú)法有效去除地面強(qiáng)雜波反射,而且密集目標(biāo)相互粘連,無(wú)法準(zhǔn)確區(qū)分和定位。

圖8 排除建筑物的兩組實(shí)驗(yàn)數(shù)據(jù)Fig.8 Two testing sets without buildings

圖9 實(shí)驗(yàn)數(shù)據(jù)的Wishart迭代分類結(jié)果Fig.9 Wishart iterative classification results of experimental datas

2.4 超像素分割

對(duì)Wishart迭代分類結(jié)果所對(duì)應(yīng)的Pauli偽彩色圖進(jìn)行Turbopixel超像素分割。超像素個(gè)數(shù)設(shè)置為2 000個(gè),結(jié)果如圖10所示?？梢钥吹?超像素分割重建了密集車輛目標(biāo)的邊緣。

圖10 實(shí)驗(yàn)數(shù)據(jù)的超像素分割結(jié)果Fig.10 Superpixel segmentation results of experimental data

2.5 包含建筑物的Wishart分類器迭代分類

因?yàn)橛薪ㄖ飬⑴c迭代分類,因此需要最后將建筑物從結(jié)果中去除。當(dāng)Pfa=0.000 1的時(shí)候,實(shí)驗(yàn)場(chǎng)景1的迭代結(jié)果如圖11(a)所示,當(dāng)Pfa=0.000 01的時(shí)候,實(shí)驗(yàn)場(chǎng)景2的迭代結(jié)果如圖11(b)所示,從圖中可以看出雖然車輛目標(biāo)的形態(tài)不完整,但是原本相鄰的目標(biāo)會(huì)相互分離,便于定位。

圖11 實(shí)驗(yàn)數(shù)據(jù)包含建筑物的分類結(jié)果Fig.11 Wishart iterative classification result with buildings

把每個(gè)連通域的中心作為單個(gè)目標(biāo)的中心點(diǎn),結(jié)合極化SAR系統(tǒng)的分辨率和目標(biāo)的大小,設(shè)置一個(gè)合適大小的矩形框,初步檢測(cè)結(jié)果如圖12所示。由于是高分辨率成像,所以一個(gè)車輛目標(biāo)可能有兩個(gè)連通域,即有兩個(gè)中心點(diǎn),此時(shí)需要對(duì)兩個(gè)矩形框進(jìn)行合并。合并的判斷標(biāo)準(zhǔn)是如果兩個(gè)矩形框的IoU(intersection over union)超過(guò)25%,則這兩個(gè)矩形框需要合并。

圖12 實(shí)驗(yàn)數(shù)據(jù)初步的檢測(cè)結(jié)果Fig.12 Preliminary detection results of testing datas

中心點(diǎn)個(gè)數(shù)隨虛警率的變化規(guī)律如圖13所示,從圖13可以看出,隨著Pfa的縮小,中心點(diǎn)個(gè)數(shù)趨于穩(wěn)定。

圖13 實(shí)驗(yàn)數(shù)據(jù)的中心點(diǎn)個(gè)數(shù)隨Pfa的變化規(guī)律Fig.13 Variations of the number of center points with Pfa

隨著Pfa的變化,準(zhǔn)確率、召回率和F1值的變化如圖14所示。

圖14 實(shí)驗(yàn)數(shù)據(jù)初步檢測(cè)結(jié)果的指標(biāo)評(píng)價(jià)Fig.14 Evaluation of the preliminary detection results for testing datas

為了驗(yàn)證通過(guò)極化分解去除建筑物對(duì)后續(xù)車輛目標(biāo)檢測(cè)的影響,本文設(shè)置了對(duì)照試驗(yàn),實(shí)驗(yàn)流程與步驟4相同,但是最后不將建筑物排除。當(dāng)Pfa=0.000 1的時(shí)候,對(duì)照實(shí)驗(yàn)的檢測(cè)結(jié)果如圖15和圖16所示,可以看出Wishart迭代結(jié)果形成的連通域中心受到了建筑物的嚴(yán)重干擾,這樣在根據(jù)IoU合并矩形框后在建筑物區(qū)域會(huì)形成大量虛警。另外,因?yàn)橹行狞c(diǎn)的定位不準(zhǔn),在后續(xù)的目標(biāo)標(biāo)記過(guò)程中會(huì)使得超像素被錯(cuò)誤標(biāo)記。

圖15 對(duì)照實(shí)驗(yàn)的中心點(diǎn)定位結(jié)果Fig.15 Central point positioning results of control experiment

圖16 對(duì)照實(shí)驗(yàn)的檢測(cè)結(jié)果Fig.16 Detection results of control experiment

2.6 目標(biāo)標(biāo)記

當(dāng)Pfa=0.000 1的時(shí)候,實(shí)驗(yàn)場(chǎng)景1的真值圖如圖17(a)所示，目標(biāo)標(biāo)記結(jié)果如圖17(b)所示;當(dāng)Pfa=0.000 01的時(shí)候,實(shí)驗(yàn)場(chǎng)景2的真值圖如圖17(c)所示，目標(biāo)標(biāo)記結(jié)果如圖17(d)所示。隨著Pfa的變化,準(zhǔn)確率、召回率和F1值的變化如圖18所示。

圖17 實(shí)驗(yàn)數(shù)據(jù)的目標(biāo)標(biāo)記結(jié)果Fig.17 Target label results of the testing datas

圖18 實(shí)驗(yàn)場(chǎng)景像素級(jí)別的指標(biāo)評(píng)價(jià)Fig.18 Indicator evaluation of pixel leve for experimental scene

2.7 對(duì)比方法

為了驗(yàn)證本算法的優(yōu)越性,在排除建筑物的基礎(chǔ)上,從定量和定性的角度與經(jīng)典的CA-CFAR,OS-CFAR和2P-CFAR算法對(duì)比結(jié)果如圖19和圖20所示,其中定量分析的指標(biāo)是F1值。從圖19可以看出,OS-CFAR的F1值最高,2P-CFAR次之,CA-CFAR最低,但是三者的最高F1也沒(méi)有超過(guò)0.6,但是本文所提算法可以達(dá)到0.85,優(yōu)于上述3種經(jīng)典算法。從圖20可以看出,3種經(jīng)典方法在目標(biāo)形態(tài)方面都沒(méi)有所提算法完整,并且基于對(duì)比度的CFAR算法易受到地面強(qiáng)雜波的干擾,虛警無(wú)法有效排除。

圖19 不同實(shí)驗(yàn)場(chǎng)景不同方法的的F1值Fig.19 F1 scores of different methods for different experimental sccenes

圖20 傳統(tǒng)目標(biāo)檢測(cè)算法的定性評(píng)估Fig.20 Qualitative evaluation of traditional target detection algorithms

此外,為了驗(yàn)證通過(guò)極化分解去除建筑物對(duì)后續(xù)車輛目標(biāo)檢測(cè)的影響,需要對(duì)傳統(tǒng)方法補(bǔ)充對(duì)照試驗(yàn),即不對(duì)建筑物進(jìn)行排除的車輛目標(biāo)檢測(cè)結(jié)果,圖21為基于OSCFAR算法的對(duì)照實(shí)驗(yàn)結(jié)果。從圖21中看出,OS-CFAR不能排除人工強(qiáng)反射物,所以如果不對(duì)建筑物排除,會(huì)造成大量虛警。

圖21 基于OS-CFAR算法的對(duì)照實(shí)驗(yàn)Fig.21 Control experiment based on OS-CFAR algorithm

3 結(jié) 論

在復(fù)雜場(chǎng)景下檢測(cè)車輛目標(biāo)時(shí),基于對(duì)比度的傳統(tǒng)CFAR方法不能排除建筑物干擾。本文通過(guò)極化分解去除建筑物,為后續(xù)的車輛目標(biāo)檢測(cè)提供了便利。進(jìn)一步,針對(duì)CFAR方法不能有效分離密集目標(biāo)和計(jì)算目標(biāo)總個(gè)數(shù)的問(wèn)題,通過(guò)Wishart迭代和超像素分割獲得目標(biāo)的位置和形態(tài)信息。最后通過(guò)目標(biāo)標(biāo)記步驟結(jié)合二者信息獲得最終的檢測(cè)結(jié)果。本文算法很好地解決了城市區(qū)域復(fù)雜地面背景下的密集目標(biāo)檢測(cè)任務(wù),且性能優(yōu)于傳統(tǒng)CFAR算法。