基于可變參數(shù)化幾何模型的SAR圖像飛機(jī)目標(biāo)特征提取方法

陳玉潔，趙凌君，匡綱要

(國防科技大學(xué) 電子科學(xué)與工程學(xué)院,長沙 410073)

?

基于可變參數(shù)化幾何模型的SAR圖像飛機(jī)目標(biāo)特征提取方法

陳玉潔，趙凌君，匡綱要

(國防科技大學(xué) 電子科學(xué)與工程學(xué)院,長沙 410073)

基于飛機(jī)目標(biāo)的輪廓特點(diǎn)和成像特性，提出了一種基于可變參數(shù)化幾何模型的合成孔徑雷達(dá)(SAR)圖像飛機(jī)目標(biāo)特征提取方法。首先，利用飛機(jī)目標(biāo)的先驗(yàn)知識(shí)構(gòu)造一個(gè)描述飛機(jī)目標(biāo)外形輪廓的參數(shù)化模型；然后，對(duì)于輸入的實(shí)測(cè)飛機(jī)目標(biāo)切片圖像，構(gòu)建目標(biāo)函數(shù)來度量模型與實(shí)測(cè)圖像中目標(biāo)區(qū)域的擬合程度，通過遺傳算法求解最優(yōu)參數(shù)；最后，在最優(yōu)參數(shù)模型的基礎(chǔ)上計(jì)算目標(biāo)的幾何特征?；诜抡婧蛯?shí)測(cè)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。

合成孔徑雷達(dá)；飛機(jī)目標(biāo)；特征提??；參數(shù)化幾何模型

0 引 言

不同于光學(xué)和紅外等被動(dòng)式傳感器，作為一種主動(dòng)式微波傳感器，合成孔徑雷達(dá)(SAR)具有全天時(shí)、全天候?qū)Φ赜^測(cè)的特點(diǎn)，甚至可以透過地表或植被獲取其掩蓋信息。這些特點(diǎn)使得其在民用領(lǐng)域有著廣泛的應(yīng)用前景，在軍事領(lǐng)域更具有獨(dú)特優(yōu)勢(shì)。由于雷達(dá)對(duì)飛機(jī)、船舶、坦克、車輛等目標(biāo)具有極強(qiáng)的發(fā)現(xiàn)能力，用SAR圖像進(jìn)行自動(dòng)目標(biāo)識(shí)別成為SAR圖像解譯領(lǐng)域的研究熱點(diǎn)之一[1-5]。

特征提取是合成孔徑雷達(dá)自動(dòng)目標(biāo)識(shí)別(SAR ATR)的關(guān)鍵環(huán)節(jié)之一，從待識(shí)別的圖像中獲取具有高可分性的有效特征[6]，可降低數(shù)據(jù)空間的維數(shù)，實(shí)現(xiàn)對(duì)SAR圖像的快速、準(zhǔn)確解譯。典型的SAR圖像目標(biāo)特征有幾何特征、紋理特征、電磁散射特征和變換域特征等。紋理特征提取通常計(jì)算量較大，難以滿足實(shí)時(shí)性的要求[7]，從分類能力方面而言，更適用于SAR圖像地物分類，而對(duì)于機(jī)動(dòng)目標(biāo)識(shí)別的意義并不顯著。電磁散射特征是從SAR的復(fù)圖像中提取的特征，這類特征對(duì)SAR圖像的分辨率要求較高，提取比較復(fù)雜和困難。變換域特征不同于其他基于物理性質(zhì)提取的特征，其是基于數(shù)學(xué)變換提取的特征，雖然通用性強(qiáng)、計(jì)算量小，但這類特征不具有明確的物理意義[8-15]。幾何特征具有明確的物理意義，與目標(biāo)實(shí)際的尺寸大小、幾何形狀和物理構(gòu)造有關(guān)，是所有特征中最為直觀的一類特征[16]，在SAR圖像分類識(shí)別中得到了廣泛的應(yīng)用，主要包括長、寬、形狀復(fù)雜度等形狀與尺寸特征，矩特征和輪廓特征[17]等。

幾何特征以其具有直觀的物理意義、可分性強(qiáng)等優(yōu)點(diǎn)，目前在以車輛、艦船為感興趣目標(biāo)的SAR ATR系統(tǒng)中已得到廣泛應(yīng)用。車輛、艦船目標(biāo)在SAR圖像中呈現(xiàn)出相對(duì)簡單、規(guī)則的外形輪廓，適宜用矩形、橢圓等簡單幾何模型進(jìn)行形狀擬合進(jìn)而提取多種幾何特征。例如，文獻(xiàn)[18]以橢圓擬合艦船目標(biāo)的外形輪廓，在得到方位角的同時(shí)，根據(jù)橢圓的長軸和短軸獲取艦船目標(biāo)的長和寬；采用最小外切矩形的方法，用矩形來擬合車輛目標(biāo)的外形輪廓，提取出車輛目標(biāo)的長、寬和方位角等幾何特征。文獻(xiàn)[18]中還提到基于Radon變換的方法，即通過提取目標(biāo)線性主軸來獲得車輛目標(biāo)、艦船目標(biāo)的主軸和長寬。相比于車輛、艦船目標(biāo)，飛機(jī)目標(biāo)的形狀更為復(fù)雜，此外其成像結(jié)果受雷達(dá)波入射角和入射方向的影響更大，目標(biāo)在圖像上的連通性往往難以保證。因此，直接用橢圓、矩形等簡單的形狀模型不能準(zhǔn)確描述飛機(jī)目標(biāo)的輪廓，基于這些模型所獲取的長度、寬度、面積等特征也就無法正確表示、描述和區(qū)分飛機(jī)目標(biāo)。

本文基于飛機(jī)目標(biāo)的輪廓特點(diǎn)和成像特性，研究飛機(jī)目標(biāo)特有的幾何特征，提出了一種基于可變參數(shù)化幾何模型的SAR圖像飛機(jī)目標(biāo)特征提取方法。該方法利用飛機(jī)目標(biāo)的先驗(yàn)知識(shí)構(gòu)造一個(gè)描述飛機(jī)目標(biāo)外形輪廓的參數(shù)化模型，對(duì)于輸入的實(shí)測(cè)飛機(jī)目標(biāo)切片圖像，進(jìn)行Frost去斑[19]和CFAR檢測(cè)[20]提取目標(biāo)區(qū)域，構(gòu)建目標(biāo)函數(shù)來度量模型與實(shí)測(cè)圖像中目標(biāo)區(qū)域的擬合程度，通過遺傳算法求解最優(yōu)參數(shù)，最后在最優(yōu)參數(shù)模型的基礎(chǔ)上計(jì)算目標(biāo)的幾何特征。

1 參數(shù)化幾何模型

根據(jù)飛機(jī)目標(biāo)的先驗(yàn)知識(shí)可知，雖然飛機(jī)目標(biāo)外形輪廓復(fù)雜，型號(hào)不同的飛機(jī)機(jī)身和機(jī)翼形狀有所不同，但是飛機(jī)目標(biāo)通常都可以歸結(jié)為機(jī)身和左右兩側(cè)的機(jī)翼三個(gè)部分構(gòu)成，左右兩側(cè)的機(jī)翼關(guān)于機(jī)身對(duì)稱。

基于此，本文構(gòu)建了飛機(jī)的幾何模型(如圖1所示)，機(jī)身用矩形來表示，機(jī)翼隨著參數(shù)的改變可以在各種形狀的梯形和矩形之間變換，描述該幾何模型的參數(shù)矢量為

p=(x,y,L,W,θ,bw1,bw2,b1-1,b1-2,RE,RE1,θb1,θb2}

(1)

式中：p有13個(gè)分量：(x,y)為機(jī)身的幾何中心的坐標(biāo)；L為機(jī)身長；W為機(jī)身寬；θ為方位角；bw1，bw2為兩翼的后掠翼長度；b1-1、b1-2為兩翼的翼尖弦長；RE=lE/L、Rb1=lE1/L為機(jī)翼與機(jī)身的接觸點(diǎn)E,E1的位置參數(shù)；θb1為左機(jī)翼的后緣后掠角；θb2為右機(jī)翼的后緣后掠角。需要指出的是，盡管飛機(jī)目標(biāo)是對(duì)稱的，但是其SAR成像結(jié)果會(huì)因?yàn)槌上窠嵌燃捌涑上裉匦缘挠绊懚尸F(xiàn)不完全對(duì)稱的特點(diǎn)。因此，需要分別給左右兩翼設(shè)置參數(shù)，這樣能使得到的結(jié)果更精確。通過改變13個(gè)參數(shù)的取值，可以得到各種形狀的幾何模型。圖2給出了模型的三種情形作為簡化的飛機(jī)輪廓，來模擬圖3所示的三種比較典型的飛機(jī)。

圖1 飛機(jī)目標(biāo)的參數(shù)化幾何模型

圖2 三種典型的真實(shí)飛機(jī)外形輪廓示意圖(頂視圖)

在上述參數(shù)化模型中，機(jī)身長、寬、后掠翼長度、翼尖弦長等參數(shù)的取值范圍，可以根據(jù)飛機(jī)的先驗(yàn)知識(shí)來確定。而飛機(jī)目標(biāo)方位角θ的取值范圍則通過以下方式確定：首先，采用較為常用的方位角估計(jì)方法來估計(jì)出飛機(jī)目標(biāo)大致的方位角；然后，使飛機(jī)目標(biāo)方位角的取值在這個(gè)大致的方位角附近變化?；诙祱D的方位角估計(jì)方法主要有三種：基于最小外接矩形、基于主導(dǎo)邊界和基于主軸[21]。基于最小外接矩形的方法對(duì)目標(biāo)的分割要求高，要求分割之后的目標(biāo)形狀較為規(guī)則；基于主導(dǎo)邊界的方法對(duì)目標(biāo)輪廓依賴較高；基于主軸的方法則適用于關(guān)于主軸對(duì)稱的目標(biāo)，顯然飛機(jī)具有較好的對(duì)稱性[22]。因此，本文選擇基于主軸的方法來估計(jì)飛機(jī)目標(biāo)的方位角。首先，采用線性回歸方位角估計(jì)的方法來得到一個(gè)估計(jì)值θ0。設(shè)飛機(jī)目標(biāo)區(qū)域像素集為(m,n)={(mi,ni)=|i∈Ω}，m為水平方向坐標(biāo)矢量，n為垂直方向坐標(biāo)矢量，Ω是整個(gè)目標(biāo)區(qū)域的集合，可以通過式(2)的一元線性回歸模型得到方位角的估計(jì)值。方位角估計(jì)值θ0的正切值βi可由式(3)的最小二乘法得到。

n=β0+β1m

(2)

(3)

(4)

式中：k為ROI切片中目標(biāo)區(qū)域像素的個(gè)數(shù)；mi，ni為第i個(gè)像素點(diǎn)的距離向和方位向坐標(biāo)。得到方位角的估計(jì)值θ0之后，本文設(shè)定方位角θ的取值范圍為θ∈{(θ0-45,θ0+45)∪(θ0-45+180,θ0+45+180)}。

2 目標(biāo)函數(shù)的構(gòu)建與優(yōu)化求解

2.1 目標(biāo)函數(shù)構(gòu)建

目標(biāo)函數(shù)是指所關(guān)心的目標(biāo)與相關(guān)因素的函數(shù)關(guān)系。為了從解空間的所有解中得到最優(yōu)解，應(yīng)該構(gòu)建一個(gè)目標(biāo)函數(shù)，用于比較各個(gè)解的優(yōu)劣。當(dāng)構(gòu)建的目標(biāo)函數(shù)合理時(shí)，使得目標(biāo)函數(shù)值最大的解被視為最優(yōu)解。為了得到飛機(jī)輪廓模型的最優(yōu)解，本文構(gòu)建如下目標(biāo)函數(shù)

(5)

式中：p為幾何模型的參數(shù)矢量；f為飛機(jī)切片的二值圖。 圖4給出了目標(biāo)函數(shù)構(gòu)建的示意圖，其中，黑框輪廓區(qū)表示由模型定義的目標(biāo)輪廓，落在該輪廓范圍內(nèi)的像素個(gè)數(shù)為NModel；灰底區(qū)域表示由實(shí)測(cè)切片圖像提取到的飛機(jī)目標(biāo)區(qū)域，其面積為NPlane；NT表示模型和實(shí)測(cè)圖像中飛機(jī)目標(biāo)區(qū)域的重合面積，即黑框輪廓中黑色像素的個(gè)數(shù)；Nout表示實(shí)測(cè)圖像中落在模型范圍之外的目標(biāo)像素，即落在無填充輪廓外的黑色區(qū)域的像素個(gè)數(shù)。

圖4 目標(biāo)函數(shù)構(gòu)建示意圖

理想情況下，當(dāng)模型與切片圖像擬合程度最優(yōu)的時(shí)候，式(5)中的前兩項(xiàng)NT/NModel和NT/NPlane應(yīng)分別達(dá)到最優(yōu)值1，綜合利用這兩個(gè)比值可避免兩種極端情況的出現(xiàn)(如圖6所示)。此外，本文在目標(biāo)函數(shù)中加入了1個(gè)懲罰項(xiàng)Nout/Nplane，當(dāng)飛機(jī)模型中包含的飛機(jī)目標(biāo)區(qū)域越少時(shí)，懲罰越嚴(yán)重，目的是為了使飛機(jī)模型在尋找最優(yōu)解的同時(shí)盡可能包括整個(gè)飛機(jī)目標(biāo)區(qū)域。

式(5)中的第一項(xiàng)和第二項(xiàng)是為了防止圖5兩種極端情況的出現(xiàn)，分別以飛機(jī)目標(biāo)區(qū)域面積和構(gòu)建的飛機(jī)模型面積作為分母計(jì)算填充比，若適應(yīng)度函數(shù)只用其中一個(gè)作為分母計(jì)算填充比，則會(huì)出現(xiàn)圖5中飛機(jī)模型包含飛機(jī)目標(biāo)區(qū)域或者飛機(jī)目標(biāo)區(qū)域包含飛機(jī)模型的情況，這種情況下適應(yīng)度函數(shù)的值為1，顯然不符合適應(yīng)度函數(shù)值越大，飛機(jī)模型越好這一點(diǎn)。在適應(yīng)度函數(shù)中，本文加入了一項(xiàng)懲罰項(xiàng)，當(dāng)飛機(jī)模型中包含的飛機(jī)目標(biāo)區(qū)域越少時(shí)，懲罰越嚴(yán)重，目的是為了使飛機(jī)模型在尋找最優(yōu)解的同時(shí)盡可能包括整個(gè)飛機(jī)目標(biāo)區(qū)域。

圖5 飛機(jī)模型與目標(biāo)區(qū)域相交的極端情況

2.2 遺傳算法實(shí)現(xiàn)自動(dòng)尋優(yōu)

遺傳算法就是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程而形成的一種自適應(yīng)全局優(yōu)化概率搜索算法[23]。它把搜索空間映射為遺傳空間，把每一個(gè)可能的解編碼為一個(gè)向量，看作是遺傳空間的一個(gè)染色體。染色體上的每個(gè)元素稱為基因。所有的染色體組成群體，按預(yù)先定義的目標(biāo)函數(shù)對(duì)每個(gè)染色體進(jìn)行評(píng)價(jià)，得到各個(gè)染色體的適應(yīng)度值。算法先隨機(jī)產(chǎn)生一個(gè)初始化群體，計(jì)算群體中各個(gè)染色體的適應(yīng)度。根據(jù)適應(yīng)度對(duì)群體中的各個(gè)染色體進(jìn)行選擇、交換、變異等遺傳操作，去掉低適應(yīng)度的染色體，留下高適應(yīng)度的染色體，在此基礎(chǔ)上得到新的種群。遺傳算法就通過這樣的反復(fù)迭代、進(jìn)化，直到最后的結(jié)果滿足預(yù)定的優(yōu)化指標(biāo)。

本文將描述飛機(jī)外形輪廓的參數(shù)矢量p作為遺傳算法中的染色體，矢量中的每個(gè)參數(shù)為染色體上的基因，遺傳算法設(shè)定的初始化群體規(guī)模是300，迭代次數(shù)為150次。采用隨機(jī)聯(lián)賽選擇和最優(yōu)保存策略相結(jié)合的選擇算子，其優(yōu)點(diǎn)在于隨機(jī)聯(lián)賽選擇對(duì)于適應(yīng)度的取值范圍并無要求，同時(shí)最優(yōu)保存策略能夠保證算法的收斂性[23]，遺傳算法中的交叉算子采用的是算數(shù)交叉算子，交叉概率為0.6。變異算子則采用的是非均勻變異算子，初始變異概率為0.2，當(dāng)最佳個(gè)體連續(xù)10代不變化時(shí)，以0.01的步長增大變異概率，但限定變異概率最大不超過0.05。將2.1構(gòu)建的目標(biāo)函數(shù)作為遺傳算法的適應(yīng)度函數(shù)，算法根據(jù)適應(yīng)度函數(shù)的大小來比較各個(gè)解的優(yōu)劣，適應(yīng)度函數(shù)越大，相應(yīng)的飛機(jī)目標(biāo)模型越好。

3 飛機(jī)目標(biāo)幾何特征提取

歸納起來，飛機(jī)目標(biāo)的幾何特征(如圖2所示)主要分為機(jī)身幾何特征與機(jī)翼幾何特征。機(jī)身幾何特征包括機(jī)身的長L，機(jī)身寬W，方位角θ，機(jī)身面積S=L·W，機(jī)翼幾何特征包括兩翼的后掠翼長度bw1,bw2，兩翼的翼尖弦長b1-1,b1-2，機(jī)翼與機(jī)身的接觸點(diǎn)E,E1的位置參數(shù)RE=lE/L、RE1=lE1/L，左機(jī)翼的后緣后掠角θb1，右機(jī)翼的后緣后掠角θb2。這些對(duì)應(yīng)于飛機(jī)目標(biāo)模型參數(shù)的幾何特征值直接由模型最優(yōu)化得到的。

此外，借鑒飛機(jī)目標(biāo)人工解譯的經(jīng)驗(yàn)，本文還引入了其他幾種幾何特征值，包括前緣后掠角θa、機(jī)翼面積Sw、翼根弦長b0、展弦比λ、根梢比η、翼展寬度bw、平均翼尖弦長b1、幾何平均弦長bsl。這些特征可以通過模型優(yōu)化求解結(jié)果間接計(jì)算得到，具體計(jì)算方法如表1所示。

表1 飛機(jī)目標(biāo)特征計(jì)算

4 實(shí)驗(yàn)結(jié)果分析

4.1 仿真圖像的實(shí)驗(yàn)

為了驗(yàn)證本文提出的SAR圖像飛機(jī)目標(biāo)幾何特征提取方法的有效性，采用了運(yùn)-8的電磁散射仿真SAR圖像進(jìn)行實(shí)驗(yàn)，如圖6a)所示，圖像的分辨率為0.5 m×0.5 m。圖6b)是該仿真圖像進(jìn)行Frost去斑和CFAR檢測(cè)后的二值圖。

圖6 Y8的仿真SAR圖像及對(duì)應(yīng)的二值圖像

圖7給出了進(jìn)化代數(shù)為k=1,10,20,30,40,50,100,150,200時(shí)，最優(yōu)個(gè)體對(duì)應(yīng)的飛機(jī)目標(biāo)輪廓模型映射到圖7b)上的情況，其中，機(jī)身上亮色的線代表機(jī)頭方向，機(jī)翼上亮色的線代表機(jī)翼后緣?？梢钥闯?，隨著進(jìn)化代數(shù)的增加，最優(yōu)個(gè)體的輪廓由最初只是接近于實(shí)際飛機(jī)目標(biāo)的情況逐漸被拉向真實(shí)的輪廓。最終的最優(yōu)個(gè)體為p=(27.773,30.119,37.116,9.017,43.487,17.116,15.546,7.205,7.206,0.597,0.263,-9.924,3.770)

其中，由于運(yùn)-8飛機(jī)機(jī)翼前邊緣有發(fā)動(dòng)機(jī)，受到發(fā)動(dòng)機(jī)的影響，與前邊緣有關(guān)系的參數(shù)RE1、翼根弦長b0、前緣后掠角θa誤差都較大。受到機(jī)尾的影響，飛機(jī)的機(jī)身寬度誤差也較大。除此之外的其他參數(shù)的估計(jì)值則接近于實(shí)際參數(shù)。表2可以看到運(yùn)-8通過本文方法得到的各類幾何特征值的估計(jì)值和真實(shí)值的對(duì)比。

表2 運(yùn)-8的幾何特征參數(shù)

圖7 群體中最優(yōu)個(gè)體對(duì)應(yīng)的飛機(jī)輪廓模型

4.2 實(shí)測(cè)圖像的實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證本文提出的SAR圖像飛機(jī)目標(biāo)幾何特征提取方法的有效性，采用了圖8所示的幾幅飛機(jī)目標(biāo)實(shí)測(cè)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，圖9是各個(gè)切片對(duì)應(yīng)的目標(biāo)區(qū)域二值圖。由于這些目標(biāo)為非合作目標(biāo)，其真實(shí)信息未知。因此，通過人工測(cè)量的方式確定飛機(jī)的幾何目標(biāo)特征作為參考值。圖10則是通過本文方法得到的各實(shí)測(cè)圖像中飛機(jī)目標(biāo)的參數(shù)化幾何模型的最優(yōu)解，其中，機(jī)身上亮色的線代表機(jī)頭方向，機(jī)翼上亮色的線代表機(jī)翼后緣。提取到的各個(gè)飛機(jī)目標(biāo)機(jī)身的幾何特征參數(shù)如表3所示，機(jī)翼的幾何特征參數(shù)如表4所示。

表3 飛機(jī)目標(biāo)機(jī)身的幾何特征參數(shù)

表4 飛機(jī)目標(biāo)機(jī)翼的幾何特征參數(shù)

圖8 實(shí)測(cè)的SAR圖像飛機(jī)目標(biāo)切片

圖9 各個(gè)切片對(duì)應(yīng)的二值圖像

圖10 SAR圖像飛機(jī)目標(biāo)的參數(shù)化幾何模型的最優(yōu)解

4.3 飛機(jī)目標(biāo)幾何特征參數(shù)的誤差分析

由4.2得到了各個(gè)SAR圖像飛機(jī)目標(biāo)的幾何特征值，現(xiàn)在根據(jù)這些幾何特征值計(jì)算本文提出的基于參數(shù)化幾何模型的飛機(jī)目標(biāo)幾何特征提取算法的實(shí)驗(yàn)誤差，如表5所示。各個(gè)參數(shù)的誤差的計(jì)算方法如式(6)所示。

參考誤差=|幾何參數(shù)的解譯值-幾何參數(shù)的真實(shí)值|

(6)

表5 飛機(jī)目標(biāo)機(jī)身的幾何特征參數(shù)的誤差

由表3可知，飛機(jī)機(jī)身寬度誤差較大，機(jī)身寬度的誤差主要是由于飛機(jī)尾部對(duì)模型擬合造成的影響。若飛機(jī)機(jī)翼前邊緣有發(fā)動(dòng)機(jī)(如切片3)，則與前邊緣有關(guān)系的參數(shù)ratioE1、翼根弦長b0、前緣后掠角θa誤差較大。由表2和表3可以看到，飛機(jī)目標(biāo)解譯參數(shù)與SAR圖像測(cè)量參數(shù)的誤差要比它與真實(shí)的飛機(jī)目標(biāo)參數(shù)要小，這是由于成像角度、精度等的影響，導(dǎo)致飛機(jī)目標(biāo)SAR圖像與真實(shí)的飛機(jī)目標(biāo)參數(shù)有所偏差，這也是造成飛機(jī)目標(biāo)特征提取誤差的重要原因。

5 結(jié)束語

幾何特征是各類SAR圖像目標(biāo)特征中最為直觀的一類特征，幾何特征的提取對(duì)于SAR圖像目標(biāo)的解譯具有很重要的意義。針對(duì)外形輪廓復(fù)雜，區(qū)域連通性差的SAR圖像飛機(jī)目標(biāo)，本文提出了一種基于可變的參數(shù)化幾何模型的SAR圖像飛機(jī)目標(biāo)特征提取方法。該方法只需根據(jù)現(xiàn)有的飛機(jī)目標(biāo)的先驗(yàn)知識(shí)確定用于描述飛機(jī)目標(biāo)幾何模型的參數(shù)取值范圍，通過遺傳算法自動(dòng)擬合出飛機(jī)目標(biāo)的最優(yōu)幾何模型，在此基礎(chǔ)上有效地提取出多種對(duì)于SAR圖像飛機(jī)目標(biāo)分類識(shí)別較為關(guān)鍵的幾何特征，為SAR圖像目標(biāo)解譯提供了有用途徑。相比于其他方法，本文方法對(duì)不同類型飛機(jī)目標(biāo)的適應(yīng)性更好，提取出的SAR圖像飛機(jī)目標(biāo)的幾何特征值更準(zhǔn)確。

[1] 陳文婷,邢相薇,計(jì)科峰.SAR圖像艦船目標(biāo)識(shí)別綜述[J].現(xiàn)代雷達(dá),2012,34(11)：53-58.

CHEN Wenting,XING Xiangwei,JI Kefeng.A survey of ship target recognition in SAR images[J].Modern Radar,2012,34(11):53-58.

[2] 魯小麗,王巖飛,潘 卓,等.基于剪切波變換的SAR圖像艦船檢測(cè)[J].電子測(cè)量技術(shù),2014,37(6)：54-58.

LU Xiaoli,WANG Yanfei,PAN Zhuo,et al.Ship detection for SAR images based on shearlet transform[J].Electronic Measurement Technology,2014,37(6):54-58.

[3] ZHOU J X,SHI Z G,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.

[4] ZHANG L P,WANG C,ZHANG H,et al.Aircraft discrimination in high resolution SAR images based on texture analysis[C]//2nd International Asia Conference on Informatics in Control,Automation and Robotics(CAR).Wuhan:IEEE Press,2010:118-121.

[5] 計(jì)科峰.SAR圖像目標(biāo)特征提取與分類方法研究[D].長沙：國防科學(xué)技術(shù)大學(xué),2003.

JI Kefeng.Research on target feature extraction and classification of SAR image[D].Changsha:National University of Defense Technology,2003.

[6] 常 明.SAR自動(dòng)目標(biāo)識(shí)別中的特征提取技術(shù)研究[D].西安：西安電子科技大學(xué),2010.CHANG Ming.Feature extraction technique in SAR automatic target recognition[D].Xi′an:Xidian University,2010.

[7] 賀志國,陸 軍,匡綱要.SAR圖像特征提取與選擇研究[J].信號(hào)處理,2008,24(5):815-823.

HE Zhiguo,LU Jun,KUANG Gangyao.A survey on feature extraction and selection of SAR images[J].Signal Processing,2008,24(5):815-823.

[8] 丘昌鎮(zhèn).高分辨率SAR圖像目標(biāo)分類特征提取與分析[D].長沙：國防科學(xué)技術(shù)大學(xué),2009.

QIU Changzhen.Feature extraction and analysis of high-resolution SAR images for target Classification[D].Changsha:National University of Defense Technology,2009.

[9] 周 琳.SAR 圖像目標(biāo)切片特征提取方法研究[D].長沙：國防科學(xué)技術(shù)大學(xué),2007.

ZHOU Ling.Feature extraction of target chips in SAR images[D].Changsha:National University of Defense Technology,2007.

[10] 何 壺,白 研,劉宏偉.一種基于中心矩特征的 SAR 圖像目標(biāo)識(shí)別方法[J].火控雷達(dá)技術(shù),2006,35(2):74-77.

HE Hu,BAI Yan,LIU Hongwei.SAR target recognition method based on central moment features[J].Fire Control Radar Technology,2006,35(2):74-77.

[11] HU M K.Visual pattern recognition by moments invariants[J].IRE Transactions on Information Theory,1962,8(2):179-187.

[12] 計(jì)科峰,高 貴,匡綱要.一種子像素精度 SAR 圖像目標(biāo)峰值提取方法[J].計(jì)算機(jī)仿真,2004,21(9):63-66.

JI Kefeng,GAO Gui,KUANG Gangyao.A mthod of target′s peak extraction from SAR imagery in sub-pixel aAccuracy[J].Computer Simulation,2004,21(9):63-66.

[13] JONES G,BHANU B.Recognition of articulated and occluded objects[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1999,21(7):603-613.

[14] 王義敏,秦永元,安錦文.基于特征向量的SAR圖像目標(biāo)識(shí)別方法研究[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(30):186-188.

WANG Yimin,Qin Yongyuan,An Jinwen.Target recognition in SAR images based on feature vector[J].Computer Engineering and Applications,2008,44(30):186-188.

[15] 郭煒煒.SAR圖像目標(biāo)分割與特征提取[D].長沙：國防科學(xué)技術(shù)大學(xué),2007.

GUO Weiwei.SAR image target segmention and feature extraction[D].Changsha:National University of Defense Technology,2007.

[16] 陳文婷.SAR圖像艦船目標(biāo)特征提取與分類識(shí)別方法研究[D].長沙：國防科學(xué)技術(shù)大學(xué),2012.

CHEN Wenting.Study on the methods of feature extraction and recognition of ships in SAR imagery[D].Changsha:National University of Defense Technology,2012.

[17] 李 禹,計(jì)科峰,吳永輝,等.高分辨率SAR圖像車輛目標(biāo)幾何特征提取方法[J].系統(tǒng)工程與電子技術(shù),2009,31(1):78-31.

LI Yu,JI Kefeng,WU Yonghui,et al.Geometric features extraction from vehicle targets in high-resolution SAR images[J].Systems Engineering and Electronics,2009,31(1):78-31.

[18] ZHANG X Q,XIONG B L,DONG G G,et al.A method for pose estimation of ship target from SAR ROI based on ellipse fitting[C]//Progress in Electromagnetics Research Symposium Proceedings.Guangzhou:PIERS,2014:1077-1081.

[19] FROST V S,STILES J A,SHANMUGAN K S,et al.A model for radar images and its application to adaptive digital filtering of multiplicative noise[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1982,4(2):157-165.

[20] ROLLING H.Radar CFAR thresholding in clutter and multiple target situations[J].IEEE Transactions on Aerospace and Electronic Systems,2000,36(3):83-847.

[21] 高 貴,何 娟,匡綱要,等.SAR圖像目標(biāo)方位角估計(jì)方法綜述[J].信號(hào)處理,2008,24(3):438-443.

GAO Gui,HE Juan,KUANG Gangyao,et al.A survey of target′s orientation estimation in SAR image[J].Signal Processing,2008,24(3):438-443.

[22] 潘嘉蒙,牛照東,陳曾平.基于峰值匹配的SAR圖像飛機(jī)目標(biāo)識(shí)別方法[J].現(xiàn)代電子技術(shù),2015,38(19) :19-23.

PAN Jiameng,NIU Zhaodong,CHEN Zengping.Recognition method of aircraft target in SAR image based on peak-value matching[J].Modern Electronic Technique,2015,38(19):19-23.

[23] 趙凌君.基于遺傳算法的超分辨率圖像復(fù)原技術(shù)實(shí)現(xiàn)[D].長沙：國防科學(xué)技術(shù)大學(xué),2004.

ZHAO Lingjun.Implementation of super-resolution image restoration based on genetic algorithms[D].Changsha:National University of Defense Technology,2004.

陳玉潔 女，1991 年生，碩士研究生。研究方向?yàn)閳D形與圖像處理技術(shù)。

趙凌君 女，1981年生，博士，講師。研究方向?yàn)镾AR圖像信息處理。

匡綱要 男，1966年生，博士，教授，博士生導(dǎo)師。研究方向?yàn)檫b感信息處理、SAR圖像解譯、微波成像技術(shù)、遙感圖像目標(biāo)智能識(shí)別與動(dòng)態(tài)監(jiān)測(cè)技術(shù)、目標(biāo)電磁建模與散射特性分析。

Feature Extraction of Aircraft Targets in SAR Image Based on Parametric Geometric Model

CHEN Yujie，ZHAO Lingjun，KUANG Gangyao

(School of Electronic Science and Engineering,NUDT,Changsha 410073,China)

Based on the contour features and imaging characteristics of aircraft targets,a method of feature extraction for aircraft target in SAR images based on the variable parametric geometry model is presented.Firstly,a parametric model of aircraft target contour is constructed based on the prior knowledge of aircraft target in this method.Then,the objective function is constructed to measure the fit degree of the target area in the SAR image and model,and solve the optimal parameters by genetic algorithm.Finally,the geometric feature of target is calculated on the basis of the optimal parameter model.Experimental results based on simulated and measured data demonstrate the effectiveness of the proposed method.

SAR；aircraft targets；feature extraction；parametric geometric model

??處理·

10.16592/j.cnki.1004-7859.2016.10.012

陳玉潔 Email：649198433@qq.com

2016-07-05

2016-09-26

TP958.92

A

1004-7859(2016)10-0047-07