周 雨 王海鵬陳思喆

(復(fù)旦大學(xué)電磁波信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室 上海 200433)

基于數(shù)值散射模擬與模型匹配的SAR自動(dòng)目標(biāo)識(shí)別研究

周 雨 王海鵬*陳思喆

(復(fù)旦大學(xué)電磁波信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室 上海 200433)

該文提出并實(shí)現(xiàn)了一種基于模型的SAR自動(dòng)目標(biāo)識(shí)別算法，該算法用實(shí)驗(yàn)室開發(fā)的BART進(jìn)行離線電磁散射計(jì)算，系統(tǒng)參數(shù)設(shè)置和MSTAR數(shù)據(jù)庫(kù)的參數(shù)完全一致，對(duì)待測(cè)圖像和電磁散射數(shù)據(jù)所成的圖像分別進(jìn)行特征提取，然后進(jìn)行搜索匹配。該文通過(guò)MSTAR 3類目標(biāo)3種型號(hào)的實(shí)測(cè)數(shù)據(jù)和BART仿真數(shù)據(jù)分別驗(yàn)證了算法的可行性和準(zhǔn)確性。該算法簡(jiǎn)單易實(shí)現(xiàn)，運(yùn)行時(shí)間短，目標(biāo)分類識(shí)別的效果較好。

合成孔徑雷達(dá)；自動(dòng)目標(biāo)識(shí)別；SAR圖像模擬；模型匹配

Reference format: Zhou Yu,Wang Hai-peng,and Chen Si-zhe. SAR automatic target recognition based on numerical scattering simulation and model-based matching[J]. Journal of Radars,2015,4(6): 666–673. DOI: 10.12000/JR15080.

SAR自動(dòng)目標(biāo)識(shí)別技術(shù)目前主要分為3類：基于模型的識(shí)別、基于模板的識(shí)別和基于機(jī)器學(xué)習(xí)的識(shí)別[5]?；跈C(jī)器學(xué)習(xí)的識(shí)別技術(shù)和前兩種方式的原理都不同，這里不作比較?；谀０宓腟AR ATR系統(tǒng)需要存儲(chǔ)海量的目標(biāo)模板，由于SAR圖像不僅具有較強(qiáng)的斑點(diǎn)噪聲，而且十分敏感易變，即SAR成像參數(shù)、目標(biāo)姿態(tài)、俯仰角、目標(biāo)配置甚至細(xì)微的周圍環(huán)境的波動(dòng)，都會(huì)使得目標(biāo)圖像特征產(chǎn)生較大差異。模板樣本的獲取、識(shí)別系統(tǒng)的設(shè)計(jì)和算法效率的提高都面臨很大的困難。針對(duì)上述困難，基于模型的方法不需要存儲(chǔ)大量目標(biāo)模板，需要的存儲(chǔ)空間較小，算法處理速度快，目標(biāo)分辨能力高，而且在不同的工作條件下都能取得較好的識(shí)別效果，一定程度上解決了基于模板的識(shí)別方法在擴(kuò)展工作條件下模板樣本無(wú)限擴(kuò)大的問(wèn)題[6]，因此基于模型的SAR ATR成為研究的熱點(diǎn)?；谀Ｐ偷腟AR ATR系統(tǒng)不直接存儲(chǔ)目標(biāo)模板，而是通過(guò)目標(biāo)模型實(shí)時(shí)在線地構(gòu)造特征參數(shù)連續(xù)的目標(biāo)SAR圖像用于識(shí)別[7]，目前使用較多的目標(biāo)預(yù)測(cè)是基于3維散射中心模型的[3,8,9]。

本文實(shí)現(xiàn)了一種簡(jiǎn)化的基于模型的SAR ATR算法，該算法通過(guò)雙向解析射線追蹤法計(jì)算目標(biāo)CAD模型的電磁散射，仿真并存儲(chǔ)所得散射數(shù)據(jù)。識(shí)別時(shí)，對(duì)待測(cè)圖像和散射數(shù)據(jù)所成圖像分別提取目標(biāo)區(qū)特征進(jìn)行搜索匹配來(lái)完成識(shí)別。文章詳細(xì)介紹了算法的流程，并分別用實(shí)測(cè)數(shù)據(jù)和仿真數(shù)據(jù)對(duì)算法進(jìn)行了驗(yàn)證。文章接下來(lái)的結(jié)構(gòu)如下：第2節(jié)介紹了本文所用的算法；第3節(jié)分別通過(guò)實(shí)測(cè)和仿真數(shù)據(jù)驗(yàn)證了算法的準(zhǔn)確性；第4節(jié)對(duì)文章進(jìn)行了總結(jié)。

2 算法介紹

本文實(shí)現(xiàn)的一種簡(jiǎn)化的基于模型的SAR自動(dòng)目標(biāo)識(shí)別算法整體流程如圖1所示。算法的整體思想是首先對(duì)需要識(shí)別的目標(biāo)通過(guò)雙向解析射線追蹤法計(jì)算目標(biāo)CAD模型的電磁散射，存儲(chǔ)所得散射數(shù)據(jù)。在對(duì)目標(biāo)進(jìn)行識(shí)別時(shí)，對(duì)待識(shí)別目標(biāo)SAR圖像和散射數(shù)據(jù)成像所得的圖像分別進(jìn)行特征提取，通過(guò)搜索匹配得到和待識(shí)別目標(biāo)的SAR圖像最相似的仿真圖像，從而識(shí)別出目標(biāo)的類型，獲取目標(biāo)的方位角等信息。

圖 1 基于模型的SAR自動(dòng)目標(biāo)識(shí)別算法整體流程Fig. 1 Overall process of model-based SAR ATR algorithm

2.1 雙向解析射線追蹤法的數(shù)值散射模擬

本文對(duì)地面車輛目標(biāo)BMP2、BTR70、T72建立目標(biāo)的仿真電磁散射數(shù)據(jù)庫(kù)。本文使用一種雙向解析射線追蹤法[10](Bidirectional Analytic Ray Tracing,BART)來(lái)計(jì)算目標(biāo)和粗糙面環(huán)境的復(fù)合電磁散射及其雷達(dá)散射截面(Radar Cross Section,RCS)。其主要思想是：將目標(biāo)剖分成面元，對(duì)目標(biāo)面元從入射和散射的逆方向兩個(gè)方向上進(jìn)行幾何光學(xué)射線追蹤，記錄不同階次的射線在目標(biāo)面元或者邊緣上的照射范圍。雙向解析射線追蹤法相較于單向追蹤包含了更多不同的散射機(jī)制，具體來(lái)說(shuō)就是對(duì)于任意一個(gè)面元或邊緣上追蹤到的一對(duì)正反射線都構(gòu)造一項(xiàng)多次散射項(xiàng)，該散射項(xiàng)由任意面元或邊緣上的漫反射/衍射和正反追蹤路徑上的幾何反射組成，計(jì)算其對(duì)散射場(chǎng)的貢獻(xiàn)。雙向解析射線追蹤法采用多邊形大面元或者面片剖分來(lái)處理3維電大體目標(biāo)，通過(guò)多邊形交并減的幾何運(yùn)算來(lái)精確地計(jì)算陰影，解析地描述射線的照射和反射；采用粗糙面元剖分來(lái)處理粗糙面背景，解析計(jì)算時(shí)同時(shí)考慮粗糙面元散射的相干分量和非相干分量，使得粗糙面的散射可以用類似平面元的方式來(lái)處理。因此，雙向解析射線追蹤法可以大大降低與目標(biāo)電大尺寸相關(guān)的計(jì)算復(fù)雜度，還可以計(jì)算目標(biāo)和粗糙面共存問(wèn)題的復(fù)合散射。

2.2 SAR圖像預(yù)處理與特征提取

待測(cè)SAR圖像通常既包含感興趣的目標(biāo)，又包含背景雜波，此外，SAR圖像往往含有較強(qiáng)的斑點(diǎn)噪聲，因此在進(jìn)行目標(biāo)識(shí)別時(shí)需要首先對(duì)輸入的待檢測(cè)圖像數(shù)據(jù)進(jìn)行預(yù)處理，將目標(biāo)從雜波背景中分割出來(lái)，增強(qiáng)感興趣的目標(biāo)區(qū)圖像，最大限度地減弱背景雜波和斑點(diǎn)噪聲對(duì)識(shí)別性能的影響。

經(jīng)過(guò)圖像預(yù)處理后的圖像可以進(jìn)行特征提取。基于模型的SAR自動(dòng)目標(biāo)識(shí)別技術(shù)常用的特征包括目標(biāo)區(qū)或陰影區(qū)輪廓特征、量化的目標(biāo)幅值信息特征和散射特征。目標(biāo)區(qū)或陰影區(qū)輪廓特征又叫做“標(biāo)注特征”，這種特征不需要完整的電磁特征預(yù)測(cè)，可以有效地將圖像像素信息分為目標(biāo)、陰影或者背景，提取出圖像上的很多信息；量化的目標(biāo)幅值信息特征是將圖像的像素信息量化成不同等級(jí)，可以提高魯棒性，減少灰度保真的要求，降低計(jì)算相似度的數(shù)據(jù)的維度；散射特征非常敏感，它依賴于幅度圖像的拓?fù)浞治?，例如峰值特征、脊特征、邊緣特征等[11]。目標(biāo)區(qū)輪廓特征簡(jiǎn)單易提取，搜索匹配的效果也很好，基于以上分析，本文提取的是目標(biāo)區(qū)特征。

本文采用的SAR圖像預(yù)處理與特征提取算法流程如圖2所示，其中目標(biāo)區(qū)特征提取之前的圖像預(yù)處理算法參考文獻(xiàn)[4]。

圖 2 SAR圖像預(yù)處理與特征提取算法流程圖Fig. 2 Overall process of SAR image preprocessing and feature extraction algorithm

對(duì)于高分辨率雷達(dá)來(lái)說(shuō)，在俯仰角較低的成像條件下，對(duì)于非均質(zhì)區(qū)域的雜波分布可以采用Weibull分布來(lái)較好地描述，因此，工程上可以采用基于Weibull分布的模型來(lái)進(jìn)行MSTAR圖像的分割，其目標(biāo)區(qū)分割閾值為T：

式中，b為尺度因子，c為形狀因子，P為背景雜波被檢測(cè)為目標(biāo)的虛警概率。

經(jīng)過(guò)分割后，目標(biāo)區(qū)域還存在著部分孤立的小亮點(diǎn)，這是分割過(guò)程產(chǎn)生的誤差，通常都比較小，可以通過(guò)幾何聚類的方式消除。目標(biāo)在圖像中的擺放具有隨意性，目標(biāo)在圖像中相對(duì)位置的不同會(huì)對(duì)后續(xù)的搜索匹配結(jié)果產(chǎn)生重要影響，因此必須經(jīng)過(guò)質(zhì)心配準(zhǔn)將目標(biāo)的位置平移到圖像的中心。質(zhì)心配準(zhǔn)分為兩步：首先找到目標(biāo)圖像的質(zhì)心；然后在圖像中以目標(biāo)質(zhì)心為中心切割出更小尺寸的正方形目標(biāo)區(qū)域，這是因?yàn)槟繕?biāo)區(qū)在整個(gè)圖像上所占的區(qū)域較小，而背景部分對(duì)目標(biāo)識(shí)別是不利的。

目標(biāo)到雷達(dá)的距離是不同的，SAR在進(jìn)行數(shù)據(jù)采集時(shí)得到的回波強(qiáng)度也是不同的，反映到SAR圖像上就是目標(biāo)的灰度值范圍有所不同。經(jīng)過(guò)質(zhì)心配準(zhǔn)后可對(duì)SAR圖像進(jìn)行能量歸一化，將圖像灰度值歸一化到同一范圍內(nèi)。經(jīng)過(guò)能量歸一化后圖像幅度信息會(huì)減弱，可以采用冪變換來(lái)增強(qiáng)SAR圖像中有利于鑒別目標(biāo)的信息。冪變換的過(guò)程為：

經(jīng)過(guò)前面的步驟，目標(biāo)區(qū)已經(jīng)分割出來(lái)。本文所需要的目標(biāo)區(qū)特征只是目標(biāo)區(qū)的二值化圖像，因此直接將冪變換增強(qiáng)后的圖像目標(biāo)區(qū)設(shè)為1，其余部分設(shè)為0，就可以得到目標(biāo)區(qū)特征。

圖3以BMP2的一幅圖像作為實(shí)例，展示SAR圖像預(yù)處理與特征提取算法的效果，其中圖3(d)–圖3(g)為質(zhì)心配準(zhǔn)時(shí)以質(zhì)心為中心切割出的更小尺寸的正方形目標(biāo)區(qū)域。

2.3 搜索與匹配

圖像經(jīng)過(guò)預(yù)處理和特征提取之后就可以進(jìn)行搜索匹配，本文使用的搜索匹配算法流程如圖4所示。由圖4可知本文定義的匹配率為：

待測(cè)圖像經(jīng)過(guò)預(yù)處理和特征提取之后，與目標(biāo)SAR散射數(shù)據(jù)所成的圖像進(jìn)行匹配，搜索出匹配率最高的那幅圖像輸出，可以輸出目標(biāo)的類型和目標(biāo)的方位角信息。

3 實(shí)驗(yàn)驗(yàn)證

3.1 MSTAR數(shù)據(jù)庫(kù)簡(jiǎn)介與預(yù)處理參數(shù)設(shè)置

當(dāng)前用于研究SAR ATR的圖像是美國(guó)國(guó)防高級(jí)研究計(jì)劃署(Defense Advanced Research Project Agency,DARPA)和空軍研究室(Air Force Research Laboratory,AFRL)發(fā)起的運(yùn)動(dòng)與靜止目標(biāo)獲取與識(shí)別(Moving and Stationary Target Acquisition and Recognition,MSTAR)計(jì)劃實(shí)測(cè)獲取的地面靜止目標(biāo)SAR圖像數(shù)據(jù)。該數(shù)據(jù)集利用分辨率為0.3 m×0.3 m的聚束式SAR采集回波數(shù)據(jù)，得到的地面軍事車輛的HH極化的圖像集。每幅圖像的像素尺寸為128×128。數(shù)據(jù)庫(kù)里包含BMP2、BTR70、T72共3大類7種型號(hào)的地物目標(biāo)。同一大類里面不同型號(hào)的目標(biāo)之間互為變形目標(biāo)，它們的區(qū)別在于軍事配置不同，如同類坦克上有無(wú)防護(hù)板、油箱，以及天線是否展開等；同類裝甲車上有無(wú)炮筒，擋泥板和聚光燈等?？紤]到SAR圖像對(duì)方位因素十分敏感，故而數(shù)據(jù)庫(kù)對(duì)每類目標(biāo)都采集了大量不同方位的圖像，方位范圍為0°～360°，方位間隔約1°～2°[12]。

圖 4 搜索與匹配算法流程圖Fig. 4 Overall process of search and matching algorithm

對(duì)于MSTAR數(shù)據(jù)庫(kù)中SAR圖像采用Weibull分布的雙參數(shù)CFAR SAR圖像分割[4]的依據(jù)是：

本文中背景雜波被檢測(cè)為目標(biāo)的虛警概率P=0.0075；幾何聚類時(shí)，設(shè)置的面積閾值為15；質(zhì)心配準(zhǔn)時(shí)以質(zhì)心為中心擴(kuò)展為60×60像素，即可包含MSTAR數(shù)據(jù)中的目標(biāo)；圖像冪變換時(shí)a=0.4。

3.2 實(shí)測(cè)數(shù)據(jù)驗(yàn)證

本節(jié)采用15°俯仰角時(shí)3大類目標(biāo)包括BMP2、BTR70、T72在內(nèi)各一種型號(hào)的數(shù)據(jù)作為待測(cè)圖像，17°俯仰角時(shí)3大類目標(biāo)包括BMP2、BTR70、T72在內(nèi)各一種型號(hào)的數(shù)據(jù)作為被搜索圖像。待測(cè)圖像和被搜索圖像目標(biāo)類型和數(shù)量如表1所示。

表 1 待測(cè)圖像和被搜索圖像目標(biāo)類型和數(shù)量Tab. 1 Target type and quantity for the test images and the images to be searched

將待測(cè)圖像集中的每一幅圖像逐一與被搜索圖像進(jìn)行搜索匹配，統(tǒng)計(jì)目標(biāo)類型識(shí)別的正確率。每一類目標(biāo)識(shí)別的正確率及總的正確率如表2所示。

將待測(cè)圖像集中的每一幅圖像逐一與被搜索圖像進(jìn)行搜索匹配，統(tǒng)計(jì)同時(shí)滿足目標(biāo)類型正確識(shí)別并且待測(cè)目標(biāo)圖像與搜索得到的目標(biāo)圖像之間方位角誤差＜5°(考慮180°模糊)的比率，數(shù)據(jù)如表3所示。

表 2 目標(biāo)識(shí)別正確率統(tǒng)計(jì)(不考慮方位角誤差)Tab. 2 Target recognition accuracy statistics (Regardless of the azimuth error)

表 3 目標(biāo)識(shí)別正確率統(tǒng)計(jì)(考慮方位角誤差)Tab. 3 Target recognition accuracy statistics (Considering the azimuth error)

3.3 仿真數(shù)據(jù)驗(yàn)證

基于模型的SAR ATR算法是要實(shí)現(xiàn)對(duì)于任意一幅實(shí)測(cè)SAR圖像都能在散射數(shù)據(jù)庫(kù)中找到與之最匹配的目標(biāo)，獲得待測(cè)圖像目標(biāo)類型、方位角等信息。本節(jié)將實(shí)測(cè)圖像作為待測(cè)圖像，與BART計(jì)算的散射數(shù)據(jù)所成圖像進(jìn)行搜索匹配，驗(yàn)證本文算法的可行性。

采用BART對(duì)BMP2、BTR70、T72模型進(jìn)行散射模擬。BMP2長(zhǎng)寬高為6.72 m×3.15 m×2.45 m,BTR70長(zhǎng)寬高為7.53 m×2.80 m×2.32 m,T72長(zhǎng)寬高為9.53 m×3.59 m×2.23 m，目標(biāo)的CAD模型均為真實(shí)尺寸。為了使目標(biāo)仿真環(huán)境接近真實(shí)場(chǎng)景，仿真時(shí)將目標(biāo)的CAD模型放置在粗糙面場(chǎng)景上。粗糙面場(chǎng)景的參數(shù)為：粗糙面場(chǎng)景15 m×15 m，均方根高度1×λ，相關(guān)長(zhǎng)度0.5×λ。以BTR70為例，圖5展示了BTR70在粗糙面上的CAD模型。

圖 5 BTR70在粗糙面上的CAD模型Fig. 5 The CAD model of BTR70 on rough surface

采用BART對(duì)模型進(jìn)行數(shù)值散射模擬。BART計(jì)算參數(shù)來(lái)自MSTAR數(shù)據(jù)：

(1) 中心頻率9.6 GHz，帶寬0.6 GHz，采樣128個(gè)點(diǎn)；

(2) θ=75°(SAR俯仰角為15°)；

(3) 中心角度φ=0°,10°,20°,...,140°,145°,150°,155°,160°,170°共20個(gè)中心角度，在中心角度–1.79°～1.79°范圍內(nèi)采樣128個(gè)點(diǎn)(方位向和距離向分辨率均為0.3 m)。

計(jì)算并存儲(chǔ)3類目標(biāo)的散射數(shù)據(jù)，散射數(shù)據(jù)成像后可以得到60幅仿真圖像。

BART仿真得到的散射數(shù)據(jù)是頻域數(shù)據(jù)，對(duì)其進(jìn)行逆傅里葉變換即可得到時(shí)域圖像。但是直接進(jìn)行逆傅里葉變換得到的圖像效果不好。本文對(duì)散射數(shù)據(jù)的兩個(gè)維度分別進(jìn)行3次樣條插值后，加Kaiser窗進(jìn)行濾波，最后做逆傅里葉變換得到圖像。以BTR70為例，散射數(shù)據(jù)所成圖像如圖6所示。

圖6(a)為BTR70仿真圖像，其方位角為160°，圖6(b)是其對(duì)應(yīng)的實(shí)測(cè)圖像，其方位角為157.006775°?？梢钥闯龇抡鎴D像和實(shí)測(cè)圖像是很相似的，可以進(jìn)行搜索匹配。

首先進(jìn)行圖像預(yù)處理。需要注意的是如果對(duì)仿真圖像采用2.2節(jié)所述目標(biāo)區(qū)分割方式，目標(biāo)區(qū)的提取效果不好，因此對(duì)于仿真圖像的目標(biāo)區(qū)分割與實(shí)測(cè)圖像的目標(biāo)區(qū)分割方式略微不同，仿真圖像目標(biāo)區(qū)分割流程如圖7所示。

仿真圖像有較強(qiáng)的旁瓣，但是圖像目標(biāo)區(qū)很明顯，可以直接根據(jù)目標(biāo)區(qū)和背景區(qū)像素值的分布設(shè)定一個(gè)經(jīng)驗(yàn)閾值令大于該閾值的區(qū)域，像素值不變，其余區(qū)域均設(shè)為某一背景像素值。令每幅圖像像素均值為Ave，經(jīng)過(guò)對(duì)60幅散射數(shù)據(jù)所成圖像統(tǒng)計(jì)分析后，對(duì)BMP2、BTR70、T72分別設(shè)定一個(gè)自適應(yīng)閾值Ttar=Ave/1.7,Ttar=Ave/1.985、 Ttar=Ave/1.4771。大于的區(qū)域，像素值不變，其余區(qū)域像素值設(shè)為–70。以圖6(a)中BTR70為例，經(jīng)過(guò)這一處理之后的圖像如圖8所示。

可以看到經(jīng)過(guò)閾值分割后圖像保留了目標(biāo)區(qū)信息，去除了沒用的背景和旁瓣信息，但是還存在一些小的亮點(diǎn)，需要通過(guò)形態(tài)學(xué)運(yùn)算來(lái)消除。形態(tài)學(xué)運(yùn)算是針對(duì)二值化圖像的，再對(duì)上述圖像進(jìn)行二值化，這里同樣采取閾值處理的方式，取像素值的最大值為tmax，每一點(diǎn)的像素值為xi，

圖 6 BTR70仿真和實(shí)測(cè)圖像Fig. 6 The simulation image and corresponding real image for BTR70

圖 7 仿真圖像目標(biāo)區(qū)分割流程圖Fig. 7 Overall process of simulation image target area segmentation

圖 8 仿真圖像目標(biāo)區(qū)閾值分割后圖像Fig. 8 Simulation image after threshold segmentation of target area

圖 9 仿真圖像目標(biāo)區(qū)分割效果圖Fig. 9 Simulation image after target area segmentation

經(jīng)過(guò)目標(biāo)區(qū)分割后的仿真圖像采用2.2節(jié)所述的處理方式，對(duì)圖像進(jìn)行質(zhì)心配準(zhǔn)、能量歸一化、圖像冪變換和特征提取，之后就可以進(jìn)行搜索匹配，算法同第2.3節(jié)所述。

取出3.2節(jié)中15°俯仰角下MSTAR數(shù)據(jù)庫(kù)中BMP2、BTR70、T72實(shí)測(cè)數(shù)據(jù)作為待測(cè)圖像，與散射數(shù)據(jù)所成圖像進(jìn)行搜索匹配，統(tǒng)計(jì)類型分類正確的概率。統(tǒng)計(jì)結(jié)果如表4所示。

表 4 目標(biāo)識(shí)別正確率統(tǒng)計(jì)(僅考慮類型正確)Tab. 4 Target recognition accuracy statistics (Considering only the correct type)

由仿真參數(shù)可知，仿真的角度集中在140°～160°，考慮180°模糊，取出上述實(shí)測(cè)圖像中方位角在140°～160°和320°～340°的實(shí)測(cè)圖像作為待測(cè)圖像，與散射數(shù)據(jù)所成圖像進(jìn)行搜索匹配，統(tǒng)計(jì)類型分類正確的概率，結(jié)果如表5所示。

由表4和表5可知，BMP2和T72的類型識(shí)別效果很好，BTR70在角度受限的范圍內(nèi)類型識(shí)別效果很好，但是對(duì)于196幅實(shí)測(cè)數(shù)據(jù)識(shí)別時(shí)正確率很低，這是由于BTR70的自適應(yīng)閾值在140°～160°范圍內(nèi)對(duì)仿真圖像的分割效果較好，而在遠(yuǎn)離該角度范圍時(shí)，分割效果變差，識(shí)別出錯(cuò)的概率增大。

表 5 目標(biāo)識(shí)別正確率統(tǒng)計(jì)(僅考慮類型正確)Tab. 5 Target recognition accuracy statistics (Considering only the correct type)

在表5結(jié)果基礎(chǔ)上，統(tǒng)計(jì)同時(shí)滿足類型分類正確并且待測(cè)圖像與搜索得到的圖像之間方位角誤差＜10°的比率，結(jié)果如表6所示。

由表4～表6可知，T72不僅類型分類正確率高，而且要求待測(cè)圖像與搜索得到的圖像之間方位角誤差＜10°時(shí)的識(shí)別效果也很好，可以證明本文提出的算法是有效可行的。

表 6 目標(biāo)識(shí)別正確率統(tǒng)計(jì)(考慮方位角誤差)Tab. 6 Target recognition accuracy statistics (Considering the azimuth error)

BMP2類型分類正確率高，但是要求待測(cè)圖像與搜索得到的圖像之間方位角誤差＜10°時(shí)正確率迅速下降。由BMP2和BTR70的識(shí)別效果可知，實(shí)測(cè)數(shù)據(jù)搜索仿真數(shù)據(jù)還存在很大困難，CAD仿真模擬的效果對(duì)識(shí)別率的影響很大，仿真有待進(jìn)一步完善。

取出BMP2、BTR70和T72中心角度φ=10°,30°,50°,...,150°,170°的散射數(shù)據(jù)，取出3.2節(jié)中15°俯仰角下MSTAR數(shù)據(jù)庫(kù)中BMP2、BTR70、T72實(shí)測(cè)數(shù)據(jù)作為待測(cè)圖像，與散射數(shù)據(jù)所成29幅圖像進(jìn)行搜索匹配，統(tǒng)計(jì)類型分類正確的概率。統(tǒng)計(jì)結(jié)果如表7所示。

對(duì)比表4與表7可以看出，仿真的角度越多，仿真數(shù)據(jù)越充分，待測(cè)圖像分類正確的概率越大。

4 結(jié)論

基于模型的SAR自動(dòng)目標(biāo)識(shí)別算法不需要存儲(chǔ)大量的模板，可以部分地解決擴(kuò)展工作條件下的目標(biāo)識(shí)別問(wèn)題，是SAR自動(dòng)目標(biāo)識(shí)別的研究趨勢(shì)。本文實(shí)現(xiàn)的簡(jiǎn)化的基于模型的SAR自動(dòng)目標(biāo)識(shí)別算法簡(jiǎn)單易實(shí)現(xiàn)，算法所需時(shí)間短，目標(biāo)分類識(shí)別的效果較好，在識(shí)別目標(biāo)類型的同時(shí)還可以獲得目標(biāo)的方位角信息。當(dāng)然，本文還存在著不足之處，本文考慮擴(kuò)展工作條件不足，另外對(duì)于仿真圖像的搜索很大程度上依賴于仿真圖像的效果，如果仿真效果不好，對(duì)識(shí)別效果影響很大。后期還需進(jìn)一步完善仿真，算法流程里還可以考慮在搜索匹配之前加入方位角估計(jì)，縮小搜索范圍，提高速度。

[1]張紅,王超,張波,等. 高分辨率SAR 圖像目標(biāo)識(shí)別[M]. 北京：科學(xué)出版社,2009: 4–7. Zhang Hong,Wang Chao,Zhang Bo,et al.. High-Resolution SAR Image Target Recognition[M]. Beijing: Science Press,2009: 4–7.

[2]Moreira A,Prats-Iraola P,Younis M,et al.. A tutorial on synthetic aperture radar[J]. IEEE Geoscience and Remote Sensing Magazine,2013,1(1): 6–43.

[3]程肖. 基于散射中心模型的 SAR 圖像自動(dòng)目標(biāo)識(shí)別[D]. [碩士論文],國(guó)防科學(xué)技術(shù)大學(xué),2009. Cheng Xiao. SAR ATR algorithm based on the scattering center model[D]. [Master dissertation],National University of Defense Technology,2009.

[4]裴季方. 基于鄰域判別嵌入的SAR 自動(dòng)目標(biāo)識(shí)別研究[D]. [碩士論文],電子科技大學(xué),2013. Pei Ji-fang. SAR ATR research based on neighborhood judging embedded method[D]. [Master dissertation],University of Electronic Science and Technology of China,2013.

[5]Zhou J,Shi Z,Cheng X,et al.. Automatic target recognition of SAR images based on global scattering center model[J]. IEEE Transactions on Geoscience and Remote Sensing,2011,49(10): 3713–3729.

[6]張銳,洪峻,明峰. 基于目標(biāo)CSAR回波模型的SAR自動(dòng)目標(biāo)識(shí)別算法[J]. 電子與信息學(xué)報(bào),2011,33(1): 27–32. Zhang Rui,Hong Jun,and Ming Feng. SAR ATR algorithm based on the CSAR echo model[J]. Journal of Electronics & Information Technology,2011,33(1): 27–32.

[7]Chiang H C,Moses R L,and Potter L C. Model-based classification of radar images[J]. IEEE Transactions on Information Theory,2000,46(5): 1842–1854.

[8]Jones G and Bhanu B. Recognition of articulated and occluded objects[J]. IEEE Transactions on Pattern Analysisand Machine Intelligence,1999,21(7): 603–613.

[9]Boshra M and Bhanu B. Predicting performance of object recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2000,22(9): 956–969.

[10]Xu F and Jin Y Q. Bidirectional analytic ray tracing for fast computation of composite scattering from electric-large target over a randomly rough surface[J]. IEEE Transactions on Antennas and Propagation,2009,57(5): 1495–1505.

[11]Wissinger J,Ristroph R,Diemunsch J R,et al.. MSTAR's extensible search engine and model-based inferencing toolkit[C]. Proceedings SPIE Algorithms for Synthetic Aperture Radar Imagery VI,1999,3721: 554–570.

[12]Ross T D,Worrell S W,Velten V J,et al.. Standard SAR ATR evaluation experiments using the MSTAR public release data set[C]. Proceedings SPIE Algorithms for Synthetic Aperture Radar Imagery V,1998,3370: 566–573.

周 雨(1991–)，女，江蘇南京人，復(fù)旦大學(xué)電磁波信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室碩士生，研究方向?yàn)楹铣煽讖嚼走_(dá)自動(dòng)目標(biāo)識(shí)別。

E-mail: 14210720128@fudan.edu.cn

王海鵬(1979–)，男，河南遂平人，復(fù)旦大學(xué)電磁波信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室副教授，研究方向?yàn)槔走_(dá)系統(tǒng)設(shè)計(jì)與算法開發(fā)、遙感圖像處理與信息獲取、機(jī)器學(xué)習(xí)與目標(biāo)識(shí)別、智能圖像處理等。

E-mail: hpwang@fudan.edu.cn

陳思喆(1990–)，男，陜西西安人，復(fù)旦大學(xué)電磁波信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室碩士生，研究方向?yàn)楹铣煽讖嚼走_(dá)目標(biāo)檢測(cè)與分類。

E-mail: 13210720083@fudan.edu.cn

SAR Automatic Target Recognition Based on Numerical Scattering Simulation and Model-based Matching

Zhou Yu Wang Hai-peng Chen Si-zhe
(Key Laboratory for Information Science of Electromagnetic Waves,Fudan University,Shanghai 200433,China)

This study proposes a model-based Synthetic Aperture Radar (SAR) automatic target recognition algorithm. Scattering is computed offline using the laboratory-developed Bidirectional Analytic Ray Tracing software and the same system parameter settings as the Moving and Stationary Target Acquisition and Recognition (MSTAR) datasets. SAR images are then created by simulated electromagnetic scattering data. Shape features are extracted from the measured and simulated images,and then,matches are searched. The algorithm is verified using three types of targets from MSTAR data and simulated SAR images,and it is shown that the proposed approach is fast and easy to implement with high accuracy.

Synthetic Aperture Radar (SAR); Automatic Target Recognition (ATR); SAR image simulation; Model-based

1 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)是一種高分辨率成像雷達(dá)，與可見光、紅外等遙感技術(shù)相比，可以全天時(shí)、全天候成像探測(cè)。合成孔徑雷達(dá)具有穿透能力，可以監(jiān)測(cè)和偵察隱蔽在植被下的目標(biāo)[1]。SAR自問(wèn)世以來(lái)已經(jīng)被廣泛應(yīng)用于地球科學(xué)、氣候變化研究、環(huán)境和地球系統(tǒng)監(jiān)測(cè)、海洋資源利用、行星探測(cè)、戰(zhàn)場(chǎng)感知偵察等領(lǐng)域，具有極高的民用價(jià)值和軍用價(jià)值[1–4]。SAR成像時(shí)受到系統(tǒng)固有特性的影響，使得其對(duì)目標(biāo)的方位角十分敏感，方位角的變化將會(huì)導(dǎo)致差異很大的目標(biāo)圖像；由于特殊的相干成像機(jī)理，合成孔徑雷達(dá)圖像存在特有的斑點(diǎn)噪聲，因此SAR圖像與光學(xué)圖像在視覺效果上差異很大。目標(biāo)識(shí)別作為SAR應(yīng)用的一個(gè)重要方向，在軍事和民用領(lǐng)域都有廣泛的應(yīng)用。近年來(lái)，SAR分辨率越來(lái)越高，傳感器模式增多，工作波段和極化方式越來(lái)越多元化，使得SAR圖像中信息爆炸性增長(zhǎng)，人工判讀的工作量超出了人工迅速做出判斷的極限，人工判讀帶來(lái)的主觀和理解上的錯(cuò)誤就難以避免。因此，SAR自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition,ATR)技術(shù)的研究顯得尤為重要[2]。

s: The National Natural Science Foundation of China (61571132,61331020)

TN959

A

2095-283X(2015)-06-0666-08

10.12000/JR15080

10.12000/JR15080.

2015-06-29；改回日期：2015-10-14；網(wǎng)絡(luò)出版：2015-11-19

王海鵬 hpwang@fudan.edu.cn

國(guó)家自然科學(xué)基金(61571132,61331020)

引用格式：周雨,王海鵬,陳思喆. 基于數(shù)值散射模擬與模型匹配的SAR自動(dòng)目標(biāo)識(shí)別研究[J]. 雷達(dá)學(xué)報(bào),2015,4(6): 666–673.