基于改進(jìn)GOFRO的多角度SAR圖像車輛目標(biāo)檢測方法

劉 琪 禹衛(wèi)東* 洪 文

①(中國科學(xué)院空天信息創(chuàng)新研究院 北京 100094)

②(中國科學(xué)院大學(xué)電子電氣與通信工程學(xué)院 北京 101408)

1 引言

車輛檢測是遙感圖像中地理空間對象檢測的一個重要分支。城市地區(qū)的車輛檢測在智能交通系統(tǒng)(Intelligent Transportation Systems,ITS)建設(shè)、城市基礎(chǔ)設(shè)施規(guī)劃、城市地區(qū)經(jīng)濟(jì)發(fā)展?fàn)顩r評估、自然環(huán)境監(jiān)測與保護(hù)等多個領(lǐng)域都擁有較高的實(shí)際應(yīng)用價值[1,2]。隨著合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)成像技術(shù)的發(fā)展，SAR圖像已經(jīng)可以對所攝制場景提供1 m及以下的分辨率精度，這使得利用SAR圖像檢測車輛等有限尺寸的地物目標(biāo)成為可能[3]。

然而，要想從高分辨率SAR圖像中獲得可靠的車輛檢測結(jié)果，仍然面臨一些亟待解決的實(shí)際問題[4]。例如，在SAR系統(tǒng)固有的成像幾何構(gòu)型和車輛目標(biāo)所具有散射特性的共同作用下，高分辨率SAR圖像中的車輛目標(biāo)通常是不完整的；此外，由于SAR系統(tǒng)的方位敏感性，車輛目標(biāo)本身在SAR圖像中會出現(xiàn)各種類型的形變現(xiàn)象，包括方向、尺度和局部散射特性等方面的變化，這些變化通常會導(dǎo)致一般目標(biāo)檢測算法在實(shí)際應(yīng)用中檢測性能有所下降；且城市區(qū)域的車輛目標(biāo)附近通常會存在著多種類型的背景干擾因素，其中不乏其他具有強(qiáng)散射特性的人造目標(biāo)等。以上問題的存在對于目標(biāo)檢測算法的魯棒性和辨識能力提出了新的要求。

SAR圖像的車輛目標(biāo)檢測大致可以分為靜止目標(biāo)檢測和動目標(biāo)檢測兩種類型[5,6]，本文主要針對靜止車輛目標(biāo)檢測的情況進(jìn)行集中分析?，F(xiàn)有的靜止車輛目標(biāo)檢測方法可分為以下3種類別：基于模板匹配的方法[7,8]、基于特征提取的方法[9,10]和基于深度學(xué)習(xí)的方法[11,12]。第1種方法利用已有圖像樣本構(gòu)造并儲存目標(biāo)的固有模板，通過將待測樣本與模板庫中的圖像樣本進(jìn)行比較得到目標(biāo)與模板之間相似度的測量結(jié)果，并由此判定目標(biāo)的所屬類別。例如，文獻(xiàn)[13]使用數(shù)學(xué)形態(tài)學(xué)(Mathematical Morphology,MM)來描述機(jī)載SAR圖像中的車輛模板，通過待檢測圖像樣本與模板的相似度比較獲取場景中的車輛目標(biāo)檢測結(jié)果。該方法的缺點(diǎn)在于其檢測精度過于依賴模板庫中現(xiàn)有模板的豐富程度，對于復(fù)雜環(huán)境的適應(yīng)性較弱。第2種方法首先對圖像樣本的有效特征進(jìn)行提取和篩選，然后將所得樣本特征輸入預(yù)設(shè)分類器，獲取目標(biāo)的分類結(jié)果。例如，文獻(xiàn)[14]設(shè)計(jì)了一種結(jié)合角度空間信息和徑向空間信息的特征提取方法，以適應(yīng)遙感圖像中目標(biāo)相對復(fù)雜的旋轉(zhuǎn)行為。該類方法在實(shí)際應(yīng)用中具有檢測率高、因果關(guān)系明確、場景適應(yīng)靈活等特點(diǎn)，在長時間的研究與嘗試中發(fā)展出了多種精確而實(shí)用的算法策略。第3種方法通過引入神經(jīng)網(wǎng)絡(luò)解決遙感圖像中的車輛目標(biāo)檢測問題。例如，文獻(xiàn)[15]基于YOLOv5網(wǎng)絡(luò)設(shè)計(jì)了SAR圖像大范圍觀測條件下的目標(biāo)檢測網(wǎng)絡(luò)。一般來說，神經(jīng)網(wǎng)絡(luò)方法的實(shí)現(xiàn)必須建立在擁有足夠數(shù)量已標(biāo)記樣本的數(shù)據(jù)集的基礎(chǔ)之上，以避免在訓(xùn)練階段發(fā)生過擬合現(xiàn)象，而現(xiàn)階段小樣本問題依然是多角度圖像應(yīng)用中所必須面對的情況?；谝陨戏治觯疚倪x擇采用基于特征提取的方法對城市場景中的靜止車輛目標(biāo)進(jìn)行檢測，以在圖像樣本相對有限的條件下，在復(fù)雜的背景環(huán)境中獲取可靠的目標(biāo)檢測結(jié)果。

多角度成像作為一種新的SAR觀測模式，能提供所觀測場景的方位角度信息，有效解決單幅SAR圖像中因觀測過程中方位角度受限所引起的地物目標(biāo)信息量不足的問題，但在應(yīng)用過程中也會受到SAR圖像對方位角度敏感性的影響。本文在充分分析多角度圖像序列特性的基礎(chǔ)上，提出了一種基于多角度SAR圖像的靜止車輛目標(biāo)檢測方法。該方法的優(yōu)點(diǎn)主要體現(xiàn)在穩(wěn)定的特征提取方式和有效的圖像融合方式兩個方面。一方面，車輛目標(biāo)變化類型的多樣性和周圍環(huán)境的復(fù)雜度增加了SAR圖像中車輛檢測的難度，因此在特征提取階段所獲取的目標(biāo)特征必須具有更高的表達(dá)性能和更高的魯棒性；另一方面，多角度圖像融合可以將不同方位角度下獲取的同一場景的信息進(jìn)行整合。有效的融合方法可以產(chǎn)生比任意單一角度圖像所包含內(nèi)容更豐富的結(jié)果。然而，不恰當(dāng)?shù)膱D像融合方法不僅不能充分發(fā)揮不同圖像的優(yōu)勢，而且會引起背景成分相互干擾和冗余信息積累導(dǎo)致的計(jì)算量增加等問題。

本文首先根據(jù)車輛目標(biāo)的結(jié)構(gòu)特點(diǎn)和在SAR圖像上的表現(xiàn)形式，從4個方面對現(xiàn)有的Gabor濾波器奇分量比例算子(Gabor Odd Filter based Ratio Operator,GOFRO)特征進(jìn)行了改進(jìn)，設(shè)計(jì)了一種適用于SAR圖像中車輛目標(biāo)檢測的特征提取方法；然后，結(jié)合多角度圖像的特點(diǎn)，基于非負(fù)矩陣分解(Non-negative Matrix Factorization,NMF)[16]方法提出了一種多角度圖像特征融合方法，在特征選擇的基礎(chǔ)上對不同角度圖像所提供的特征信息進(jìn)行有效融合。

本文所提出方法框架中主要包括特征提取、特征融合和目標(biāo)分類3個階段。首先，在特征提取階段，分別從每個單一角度圖像中使用多尺度旋轉(zhuǎn)不變的Gabor濾波器奇分量比例算子(Multiscale Rotational-Gabor Odd Filter based Ratio Operator,MR-GOFRO) 提取圖像樣本的初始特征；然后，在特征融合階段，對初始特征使用加權(quán)的非負(fù)矩陣分解(Weighted-Non-negative Matrix Factorization,W-NMF)方法進(jìn)行進(jìn)一步處理，以降低特征維數(shù)，增強(qiáng)特征表示能力，同時完成對來源于不同角度圖像的信息整合；最后，在目標(biāo)分類階段，采用無監(jiān)督分類方法獲取車輛目標(biāo)的檢測結(jié)果。在不同數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果均驗(yàn)證了所提出方法的有效性。

2 多角度圖像與車輛目標(biāo)檢測的適配性分析

城市區(qū)域的靜止車輛目標(biāo)具有獨(dú)特的散射特性和在場景中隨機(jī)分布的特點(diǎn)，且車輛目標(biāo)周圍的背景環(huán)境中通常存在著各種成分的干擾因素。圖1展示了包含車輛目標(biāo)的同一場景在不同方位角度下的SAR圖像。從圖1中可以看出單一角度SAR圖像在車輛檢測任務(wù)中的局限性。圖1(a)中的車輛目標(biāo)發(fā)生了目標(biāo)閃爍現(xiàn)象，導(dǎo)致場景右側(cè)的孤立目標(biāo)在圖上幾乎完全不可見。圖1(b)紅色框線內(nèi)的建筑目標(biāo)發(fā)生了散焦現(xiàn)象，導(dǎo)致圖像整體信噪比降低，并對周圍的車輛目標(biāo)造成了影響。圖1(c)在紅色框線位置處出現(xiàn)了虛假目標(biāo)。圖1(d)中再次發(fā)生了背景成分的散焦現(xiàn)象。

圖1 多角度SAR圖像中的車輛目標(biāo)舉例Fig.1 Vehicle targets in multi-aspect SAR images

以上都是SAR實(shí)際圖像中常見的質(zhì)量問題，有些是由于目標(biāo)的方位角度敏感性導(dǎo)致的，有些是由于數(shù)據(jù)獲取過程中的偶然因素導(dǎo)致的，有些是因?yàn)槌上袼惴ㄔ谂繄D像處理的過程中出現(xiàn)參數(shù)不能完全自適應(yīng)的情況所導(dǎo)致的。這些情況都對單幅圖像中車輛目標(biāo)檢測的準(zhǔn)確性造成不利影響。特別是在包含人造目標(biāo)的場景中，目標(biāo)散射特性并不均勻，會發(fā)生大量的偶次散射，導(dǎo)致上述這些情況出現(xiàn)的可能性更大[17]。而車輛目標(biāo)的體積較小，其本身的特征更容易被這些現(xiàn)象導(dǎo)致的結(jié)果所淹沒。

由圖1可知，在該場景中隨著方位角度的增大，車輛在圖中的表現(xiàn)形式逐漸散點(diǎn)化，這也是目標(biāo)的方位角度敏感性造成的。目標(biāo)的后向散射系數(shù)會隨方位角度偏移發(fā)生變化，相應(yīng)的在不同角度的表現(xiàn)形式也具有各自的特點(diǎn)。

可見，結(jié)合獲取自不同角度圖像的信息，可以加強(qiáng)場景中的目標(biāo)特征，消減不利因素造成的影響，從而提高目標(biāo)檢測方法的準(zhǔn)確率，在此基礎(chǔ)上，本文提出了基于改進(jìn)GOFRO的多角度SAR圖像車輛目標(biāo)檢測方法。本文算法設(shè)計(jì)的目的主要體現(xiàn)在以下兩個方面：一方面在利用多角度圖像的過程中，盡可能準(zhǔn)確地提取保留并利用車輛目標(biāo)的有效特征；另一方面，盡量避免各子圖像上的不利因素相互疊加影響。因此，本文算法一方面針對車輛目標(biāo)檢測設(shè)計(jì)了一種新的特征提取方法；另一方面在各子圖像的特征融合過程中，根據(jù)目標(biāo)與背景區(qū)域的區(qū)別對所提取的特征進(jìn)行了篩選。通過對這兩方面因素的綜合考慮，能夠找到目標(biāo)和背景成分的有效區(qū)分方法。

3 多角度圖像車輛目標(biāo)檢測方法

在利用多角度圖像進(jìn)行車輛目標(biāo)檢測之前，本文先使用圖2所示流程對圖像進(jìn)行預(yù)處理，并使用文獻(xiàn)[18]中所提出方法完成圖像配準(zhǔn)。

圖2 多角度圖像預(yù)處理流程圖Fig.2 Multi-aspect image preprocessing procedure

本文所提出的車輛檢測方法主要包括3個階段:特征提取、特征融合和目標(biāo)分類。在第1階段，根據(jù)SAR圖像中車輛目標(biāo)的特點(diǎn)設(shè)計(jì)了MR-GOFRO特征提取方法，在目標(biāo)方向和尺度可變的情況下盡可能提高特征的魯棒性，并從多個特征層次對車輛目標(biāo)進(jìn)行全面的描述；在第2階段，提出W-NMF方法對特征進(jìn)行篩選和融合。W-NMF方法首先對來源于單一角度圖像的特征進(jìn)行篩選，然后在不同角度間特征組合時進(jìn)行權(quán)重調(diào)整。最后根據(jù)所提取到的特征使用無監(jiān)督分類方法對圖像進(jìn)行二分類，確定目標(biāo)在場景中的具體位置。算法的流程圖如圖3所示。

圖3 多角度圖像車輛目標(biāo)檢測流程圖Fig.3 Vehicle detection in multi-aspect image

3.1 特征提取

3.1.1 GOFRO 特征提取方法基本原理

GOFRO最初是為解決SAR圖像中的邊緣檢測問題而提出的。其基本原理是通過在均值比例(Ratio of Averages,ROA)邊緣檢測方法中引入Gabor濾波器的奇函數(shù)成分(Gabor Odd Filter,GOF)來計(jì)算SAR圖像中梯度特征的大小和方向。由于SAR圖像經(jīng)常會受到斑點(diǎn)噪聲的影響，在SAR圖像中使用比例方法代替差分方法來定義梯度，可以獲得魯棒性更高的梯度特征計(jì)算結(jié)果。其中，ROA方法通過計(jì)算中心像素鄰域的均值比來獲取圖像的梯度特征，比普通的梯度計(jì)算方法更能適應(yīng)圖像不同區(qū)域的明暗變化。由于具有對人類視覺系統(tǒng)的模仿功能，Gabor濾波器在圖像處理相關(guān)的各個領(lǐng)域都得到了廣泛應(yīng)用[19,20]。Gabor濾波器擁有自由調(diào)節(jié)濾波尺度和方向的功能，可以同時考慮目標(biāo)的全局與局部特征。通過結(jié)合具體的應(yīng)用情景對Gabor濾波器的頻率和帶寬進(jìn)行適當(dāng)設(shè)計(jì)，可以對目標(biāo)在不同頻段不同層次的特征進(jìn)行分離。GOFRO在一定程度上綜合了以上兩種方法的優(yōu)勢，與同類方法相比，GOFRO在SAR圖像梯度特征提取方面具有更好的性能。

方向角度為?時GOF的表達(dá)式為

其中，ω代表濾波器中正弦函數(shù)的頻率，ε則控制高斯包絡(luò)的尺度。

作用于中心像素周圍鄰域的 GOF 處理窗口定義為

處理窗口內(nèi)部的局部平均值計(jì)算為

其中，I代表SAR圖像的像素幅度值。μ1和μ2的比率稱為?方向的GOFRO。當(dāng)?1=0時，處理窗口的朝向?yàn)樗椒较?，相?yīng)的局部平均值被定義為μ11和μ12。當(dāng)?2=π/2時，處理窗口的朝向豎直方向，相應(yīng)的局部平均值被定義為μ21和μ22。

水平和豎直方向梯度的計(jì)算方法分別為

梯度大小和方向計(jì)算方法為

用GOFRO梯度特征提取方法遍歷整幅圖像，可以獲取兩幅梯度相關(guān)的特征圖，分別是梯度幅度圖(Gradient Strength Map,GSM)和梯度方向圖(Gradient Direction Map,GDM)。GOFRO方法獲取的梯度特征在一定程度上集成了ROA算子和Gabor濾波器的優(yōu)點(diǎn)，在SAR圖像信噪比降低的情況下也能保持良好的表現(xiàn)。

3.1.2 MR-GOFRO 特征提取方法

梯度特征是反映車輛目標(biāo)與背景成分差異的一種重要特征類別。由于車輛目標(biāo)在SAR圖像中通常會呈現(xiàn)強(qiáng)散射點(diǎn)聚集的表現(xiàn)形式，相應(yīng)的，在目標(biāo)區(qū)域以像素點(diǎn)為中心計(jì)算所得的梯度大小與方向會呈現(xiàn)出更為頻繁和劇烈的變化現(xiàn)象。與之相比，城市場景內(nèi)的背景區(qū)域雖然沒有固定的明暗標(biāo)準(zhǔn)，在某些區(qū)域的散射強(qiáng)度與目標(biāo)區(qū)域難以形成明顯的區(qū)分，但梯度變化的活躍度總體來說會弱于目標(biāo)區(qū)域。根據(jù)背景和目標(biāo)區(qū)域在梯度特征方面的差異性，結(jié)合GOFRO方法的多頻濾波和區(qū)域平均思想對SAR圖像特點(diǎn)良好的適應(yīng)情況，我們決定在特征提取階段將GOFRO方法應(yīng)用于車輛特征的獲取。

然而，隨著GOFRO方法的應(yīng)用場合發(fā)生了不同于其原始設(shè)計(jì)目的的演變，該方法在實(shí)際操作過程中也出現(xiàn)了以下幾個方面的問題：首先，GOFRO完全繼承了GOF的高斯包絡(luò)，沒有根據(jù)具體的應(yīng)用情況做出進(jìn)一步改進(jìn)。其次，在利用GOFRO獲取梯度特征的過程中，GOF的尺度和方向始終是固定的。這導(dǎo)致在所得到的梯度特征中沒有充分發(fā)揮出GOF本身的潛力，也不適合車輛目標(biāo)尺度和朝向隨機(jī)分布的情況。最后，由于GOFRO的設(shè)計(jì)目的是提取圖像的邊緣信息，所以其結(jié)果中只保留了梯度信息，而丟棄了由GOF獲得的原始紋理信息。然而，在目標(biāo)檢測過程中，紋理信息通常也能夠發(fā)揮重要作用。例如，如果單獨(dú)以梯度特征為依據(jù)，不能完全排除斑點(diǎn)噪聲對梯度計(jì)算結(jié)果造成的影響。而在特征提取過程中輔助添加紋理特征，可以進(jìn)一步從不同角度擴(kuò)大目標(biāo)區(qū)域與背景區(qū)域在特征上的差別。

因此，為了根據(jù)車輛目標(biāo)的特點(diǎn)加強(qiáng)所提取特征的代表性和魯棒性，進(jìn)而在車輛檢測任務(wù)中獲取更好的性能表現(xiàn)，本文從濾波器包絡(luò)、方向、尺度和特征類別擴(kuò)展4個方面對GOFRO梯度提取方法進(jìn)行了改進(jìn)，以下4個步驟對改進(jìn)后生成的MR-GOFRO梯度提取方法進(jìn)行了詳細(xì)描述。

(1) 濾波器包絡(luò)替換

GOF的高斯包絡(luò)具有一定的平滑作用，而車輛目標(biāo)本身由一組強(qiáng)散射點(diǎn)構(gòu)成，內(nèi)部包含更多的結(jié)構(gòu)細(xì)節(jié)。將高斯包絡(luò)替換成拉普拉斯高斯算子(Laplacian of Gaussian,LoG)，對濾波器采集的高頻信息能起到更好的保護(hù)作用，進(jìn)而從背景中突顯出車輛目標(biāo)的特征。更換包絡(luò)后的GOF表示為

圖4展示了相同參數(shù)情況下，LoG和高斯濾波器分別作用于同一幅SAR圖像時，在保留高頻信息方面所呈現(xiàn)出的不同效果。可以看到使用高斯濾波器時，濾波器的模糊作用減弱了原圖中目標(biāo)和背景的差別；而使用LoG時，車輛目標(biāo)的特征得到了更多的強(qiáng)調(diào)。

圖4 LoG和高斯濾波器在SAR圖像上的濾波效果對比Fig.4 Comparison of the filtering effects of LoG and Gaussian filter on SAR image

(2) 尺度縮放

MR-GOFRO通過賦予GOFRO可調(diào)的尺度范圍來提取圖像樣本的多尺度梯度特征，同時規(guī)定濾波器處理窗口的覆蓋范圍隨濾波器尺度值的縮放而做出相應(yīng)的尺寸調(diào)整，以更好地適應(yīng)場景中車輛目標(biāo)的尺度變化特性。在具體的實(shí)驗(yàn)過程中，Gabor濾波器的尺度是根據(jù)目標(biāo)的平均面積來確定的，并且規(guī)定濾波器處理窗口的覆蓋范圍與濾波器的尺度呈正比例關(guān)系。MR-GOFRO尺度縮放功能的表達(dá)式為

其中，s是GOF可選的尺度范圍總數(shù)，W是濾波器處理窗口覆蓋范圍的尺寸大小，k是控制濾波器覆蓋范圍的常數(shù)因子，表示其與濾波器尺度之間始終保持著固定的比例關(guān)系。

(3) 方向調(diào)節(jié)

GOF原本可以取方向參數(shù)?為[0,2π]之間的任意數(shù)值，因此從原理上說GOFRO也具有改變梯度特征提取方向的能力。但在梯度計(jì)算時，GOFRO卻只取了水平(?=0)和豎直(?=π/2)兩個方向，沒有對GOF的多方向特性進(jìn)行充分利用。為適應(yīng)車輛目標(biāo)在場景中朝向任意的特點(diǎn)，我們對梯度計(jì)算時GOFRO的方向選擇范圍進(jìn)行了擴(kuò)展，將Φ=[?1?2]的取值從單獨(dú)的1組[0 π/2]擴(kuò)展到4組[0 π/2],[π/6 2π/3],[π/4 3π/4],[π/3 5π/6]，每組方向各自產(chǎn)生相應(yīng)的梯度大小和方向特征。與GOFRO相比，MR-GOFRO所獲得的特征對于車輛目標(biāo)朝向的變化具有更強(qiáng)的魯棒性。另外，我們規(guī)定濾波器窗口的覆蓋范圍跟隨濾波器的方向一同旋轉(zhuǎn)，以使梯度的計(jì)算結(jié)果更加精確。濾波器方向旋轉(zhuǎn)的數(shù)學(xué)表達(dá)式為

(4) 紋理信息保留

GOFRO在以上計(jì)算梯度的過程中產(chǎn)生了多方向多尺度的圖像紋理信息，可以作為區(qū)別目標(biāo)與背景的重要依據(jù)。為了提高M(jìn)R-GOFRO所提取特征的利用率，我們將紋理特征和梯度特征串聯(lián)在一起，作為MR-GOFRO輸出的特征向量。因?yàn)閮煞N特征的取值范圍并不一致，所以串聯(lián)之前需要進(jìn)行一步歸一化操作。紋理特征的表達(dá)式為

圖5對比了GOFRO與MR-GOFRO的不同之處。圖5(a)對應(yīng)于GOFRO的基本情況，圖5(b)選擇了MR-GOFRO中的兩組方向?qū)M(jìn)行了原理展示。本文中其余兩組方向?qū)εc圖5(b)中所描述的原理完全相同，只在方向參數(shù)的選擇上有所變化。

圖5 GOFRO和MR-GOFRO方法的原理示意圖Fig.5 Schematic diagram of GOFRO and MR-GOFRO

MR-GOFRO方法在GOFRO方法的基礎(chǔ)上進(jìn)行了以上4個方面的改進(jìn)，最終所提取出的特征向量中包含了梯度和紋理兩種類型的特征。對于本文所選擇的參數(shù)而言，MR-GOFRO的梯度部分特征包含了5種尺度、4組方向條件下的梯度大小Gm和方向Gθ，則來源于梯度部分的特征維度Dg=5×4×2=40；MR-GOFRO的紋理部分特征產(chǎn)生于梯度特征提取過程的中間環(huán)節(jié)，在文中根據(jù)濾波器方向的不同分別用m1和m2表示。同理，在5種尺度、4組方向的調(diào)節(jié)下，來源于紋理部分的特征維度Dt=5×4×2=40。

綜上，MR-GOFRO在每幅單一角度圖像上所提取的特征維度D=Dg+Dt=80。與GOFRO方法相比，MR-GOFRO特征維度提升的幅度較大，且所得的特征向量中可能存在部分冗余信息。在多角度特征融合過程中，若將來源于不同角度圖像的MR-GOFRO特征直接進(jìn)行串聯(lián)，則所得融合特征向量的維數(shù)將增加至DPn=80×Pn，其中Pn為多角度圖像序列中的圖像總數(shù)。故后續(xù)部分在多角度圖像融合過程中，需要采用有效的方法對所提取特征進(jìn)行降維，以保留特征向量中的有效信息，舍棄其包含的冗余信息，減輕所提出方法的計(jì)算負(fù)擔(dān)。同時，在本文所使用方法的特征降維過程中，來源于不同角度的特征向量也會相互影響，因此特征降維的過程也是特征向量融合的過程。3.3節(jié)對MRGOFRO方法的改進(jìn)效果進(jìn)行了進(jìn)一步的分析。

3.2 特征融合

為充分利用多角度圖像所包含的信息，需要對從不同方位角度圖像中所提取的特征進(jìn)行適當(dāng)?shù)娜诤稀榇?，我們先對單一角度圖像上提取的特征進(jìn)行篩選與融合，再在特征階段采用相似度加權(quán)的方法進(jìn)行角度間的特征融合，以在特征級別完成圖像信息的有效結(jié)合。

多角度圖像的特征融合操作具有實(shí)現(xiàn)不同圖像之間信息互補(bǔ)的能力，但也很可能會導(dǎo)致特征維度的增加。NMF的工作原理為從圖像樣本中提取出非負(fù)的局部特征，并進(jìn)一步將整體的圖像樣本近似表示為所提取非負(fù)局部特征的加性組合。在單一角度圖像的特征選擇階段，NMF特征選擇方法可以保留特征向量的重要成分，同時減少所獲取特征中包含的冗余信息。根據(jù)文獻(xiàn)[21]，NMF在包含車輛目標(biāo)的SAR圖像樣本特征篩選過程中具有良好的應(yīng)用效果。

在使用NMF方法進(jìn)行特征篩選時，從特征矩陣的構(gòu)成來看，如果NMF方法獨(dú)立地作用于單一角度圖像不同樣本所對應(yīng)的特征向量構(gòu)成的矩陣，則其處理結(jié)果只能起到特征維度控制的效果。但本文選擇將同一樣本來源于不同角度的特征向量逐列排列成特征矩陣，因此在使用NMF方法處理的過程中，來源于不同角度的向量可以相互影響，從而在特征篩選的過程中完成不同角度特征向量的第1次融合。

在NMF方法的基礎(chǔ)上，本文在分析多角度圖像特性的基礎(chǔ)上，針對多角度圖像的特征融合問題提出了W-NMF方法。W-NMF方法根據(jù)不同角度特征向量之間的相似性，調(diào)整其在融合后特征向量中所占權(quán)重，以達(dá)到更好的多角度圖像特征融合效果。

車輛目標(biāo)雖然在不同圖像上對應(yīng)著不同的表現(xiàn)形式，但因?yàn)槠涿娣e較小，構(gòu)成目標(biāo)的散射點(diǎn)分布集中，且目標(biāo)本身具有固定的結(jié)構(gòu)，總體來說在不同圖像間的特征向量會保有一定的相似度，與之相比，背景區(qū)域的散射特性的變化方式是相對隨機(jī)的，其特征向量在不同角度圖像中的相似度較低。因此，根據(jù)相似性調(diào)整融合向量中各角度特征向量的權(quán)重，能夠降低受到散焦現(xiàn)象或者虛假目標(biāo)干擾的圖像樣本在融合向量中造成的影響，提高表現(xiàn)完整的圖像樣本相互之間的增強(qiáng)作用。同時，背景區(qū)域來自不同圖像的特征向量在融合后會發(fā)生比較均勻的混疊，不會有某些成分在融合向量中得到刻意的強(qiáng)調(diào)。

在特征向量相似度的衡量標(biāo)準(zhǔn)方面，我們使用某一特征向量與其他角度特征向量的歐氏距離之和代表它與總體特征空間的相似度。根據(jù)與相似度越高的特征質(zhì)量越高的基本原則，將相似度的倒數(shù)歸一化后作為該特征的權(quán)重。完成加權(quán)步驟之后，將不同角度圖像加權(quán)后的特征進(jìn)行串聯(lián)，構(gòu)成多角度融合后新的特征向量。這樣在組合特征中，相對穩(wěn)定的特征向量會得到加強(qiáng)，特征空間中的特殊樣本則會被削弱。特征向量權(quán)重的計(jì)算方式為

其中，fi是第i個角度圖像NMF降維后的特征向量，dij是fi與fj之間的歐氏距離，F(xiàn)Pn是Pn個角度融合的特征向量。

在特征融合過程中，不同角度特征的加權(quán)可以看作根據(jù)圖像質(zhì)量自適應(yīng)地選擇圖像的過程。W-NMF方法在加權(quán)后再對多角度的特征向量進(jìn)行融合，如果單幅圖像質(zhì)量不佳，如目標(biāo)在圖像中表達(dá)模糊、殘缺或受到其他影響，則來源于該幅圖像的特征與來源于其他角度的特征相似度會偏低，加權(quán)后其特征對融合特征向量的影響會弱于其他圖像。

3.3 目標(biāo)分類

無監(jiān)督分類可以解決數(shù)據(jù)集中正樣本數(shù)量不足的問題，適合應(yīng)用于小樣本條件下的目標(biāo)檢測任務(wù)。高斯混合模型(Gaussian Mixture Model,GMM)通過尋找多維高斯模型概率分布的混合表示，從而擬合出任意形狀的數(shù)據(jù)分布，在無監(jiān)督分類方法中可以得到比較可靠的分類精度。

GMM方法的基本思想為：用多個高斯分布函數(shù)的組合來近似代表任意形狀的概率分布。GMM模型的概率密度函數(shù)由多個單一的高斯密度分布函數(shù)通過線性加和組成，其中每個高斯密度分布函數(shù)都是GMM模型中的一種組成成分。作為一種無監(jiān)督分類方法，GMM方法將待聚類的樣本看成按照某種統(tǒng)計(jì)規(guī)律分布的采樣點(diǎn)，根據(jù)采樣點(diǎn)的分布情況利用迭代方法估計(jì)高斯分布的參數(shù)，進(jìn)而對樣本所屬類別做出判斷。GMM的概率密度函數(shù)為

其中，K為參與構(gòu)成GMM模型的高斯分布函數(shù)數(shù)目，αk為第k個高斯函數(shù)的先驗(yàn)分布，p(x|k)為第k個高斯函數(shù)的概率密度函數(shù)，其均值向量為μk，協(xié)方差矩陣為Ck。

GMM方法的具體流程描述如下：

(1) 設(shè)置參與構(gòu)成GMM模型的高斯分布函數(shù)數(shù)量K，并對每種組成成分的參數(shù)進(jìn)行隨機(jī)初始化。

(2) 計(jì)算每個樣本屬于每個高斯模型的概率。樣本越靠近某一高斯分布的中心，其對應(yīng)的后驗(yàn)概率越大，樣本屬于該類別的可能性越高。

(3) 依據(jù)概率最大化原則對相關(guān)參數(shù)進(jìn)行更新。

(4) 重復(fù)迭代(2)和(3)直到收斂至設(shè)定閾值。

GMM方法是一種軟聚類方法，該方法通過選擇最大后驗(yàn)概率完成聚類，各樣本的后驗(yàn)概率表示其歸屬于各類的可能性。GMM方法的自由度較高，在不同類別間可能存在相關(guān)關(guān)系時，可以取得較好的聚類效果。

本文將車輛目標(biāo)檢測問題視為圖像樣本的二分類問題，使用固定大小和步長的滑動窗口遍歷整個場景，截取窗口范圍內(nèi)的圖像像素作為分類樣本。將以上方法提取的多角度融合特征輸入GMM分類器，用于對車輛與背景區(qū)域進(jìn)行區(qū)分，從而獲得場景中車輛目標(biāo)位置的檢測結(jié)果。

4 實(shí)驗(yàn)結(jié)果

4.1 數(shù)據(jù)集介紹

為驗(yàn)證所提出方法的有效性，我們在不同的時間和地點(diǎn)進(jìn)行了兩次飛行實(shí)驗(yàn)，以獲取城市區(qū)域復(fù)雜背景下的多角度圖像數(shù)據(jù)。兩次飛行實(shí)驗(yàn)的數(shù)據(jù)獲取模式均為單一平臺近直線飛行模式。單一平臺近直線飛行模式的幾何關(guān)系如圖6所示。圖7為攝制于陽江飛行實(shí)驗(yàn)現(xiàn)場的光學(xué)圖片。其中，第1次飛行實(shí)驗(yàn)是于2017年在廣東省陽江市進(jìn)行的，表1列舉了實(shí)驗(yàn)過程中所用到的具體參數(shù)，表2列舉了所獲取不同方位角度圖像間的角度間隔和角度變化范圍。第2次飛行實(shí)驗(yàn)是于2019年在浙江省舟山市進(jìn)行的，表3列舉了實(shí)驗(yàn)過程中所用到的具體參數(shù)，表4列舉了所獲取不同方位角度圖像間的角度間隔和角度變化范圍。

表1 陽江飛行實(shí)驗(yàn)參數(shù)Tab.1 Yangjiang flight experiment parameters

表2 陽江飛行實(shí)驗(yàn)多角度圖像方位角度參數(shù)Tab.2 Aspect parameters in Yangjiang flight experiment

表3 舟山飛行實(shí)驗(yàn)參數(shù)Tab.3 Zhoushan flight experiment parameters

表4 舟山飛行實(shí)驗(yàn)多角度圖像方位角度參數(shù)Tab.4 Aspect parameters of the multi-aspect images in Zhoushan flight experiment

圖6 直線模型下多角度圖像的成像幾何Fig.6 The imaging geometry of multi-aspect images under near-linear flight model

圖7 陽江飛行實(shí)驗(yàn)現(xiàn)場圖像Fig.7 Images from the Yangjiang flight experiment

4.2 車輛檢測實(shí)驗(yàn)結(jié)果

圖8展示了所選取的待檢測場景在城區(qū)中的具體分布位置。圖9以場景5為例展示了不同方位角度下的SAR圖像。

圖8 待檢測場景在城區(qū)中的具體分布位置展示Fig.8 Locations of the detected scenes in urban area

圖9 場景5在不同方位角度下的SAR圖像Fig.9 Vehicle targets in multi-aspect SAR images in scene 5

由于SAR圖像可讀性相對較差，我們結(jié)合光學(xué)圖像的內(nèi)容參考，在配準(zhǔn)后每個角度的圖像上分別逐像素進(jìn)行人工標(biāo)注，對標(biāo)注結(jié)果進(jìn)行疊加產(chǎn)生了各個場景的真值圖。通過在多幅圖像上多次進(jìn)行判斷，可以盡量降低目視解譯誤判的風(fēng)險。圖10展示了場景2由不同角度圖像的標(biāo)注值產(chǎn)生真值圖的過程。根據(jù)經(jīng)驗(yàn)值，將檢測窗口面積設(shè)計(jì)為實(shí)際目標(biāo)平均面積的1.7倍(見表5)。當(dāng)窗口中有超過60%的像素被標(biāo)注為真值時，將相應(yīng)的窗口判斷為正樣本。圖11展示了各個場景經(jīng)由上述方法所得到的真值圖。圖12給出了各個檢測場景的光學(xué)圖像作為參考。因?yàn)榕臄z時間的不同，SAR圖像與光學(xué)圖像所包含的地物目標(biāo)之間可能存在一些差異。

表5 實(shí)驗(yàn)中檢測算法所選取的參數(shù)Tab.5 Detection experiment parameters

圖10 真值圖的生成過程示意圖(以場景2為例)Fig.10 The truth map generating process (Taking scene 2 as an example)

圖11 不同場景的真值圖標(biāo)注結(jié)果Fig.11 Truth maps of different scenes

圖12 不同場景相應(yīng)的光學(xué)圖像參考Fig.12 Reference optical images of different scenes

表5列舉了本文所提出方法在檢測過程中所使用的參數(shù)。其中檢測窗口半徑與步長相同，故相鄰窗口間有一半的面積重合。為兼顧算法效率和準(zhǔn)確性，在每個窗口內(nèi)圍繞中心像素提取均勻分布的4個點(diǎn)的特征向量，與中心像素的特征串聯(lián)形成該窗口的特征向量輸入分類器。假設(shè)中心像素的坐標(biāo)為(x,y)，則其余4個點(diǎn)的坐標(biāo)分布表示為(x-r/2,y),(x+r/2,y),(x,y-r/2),(x,y+r/2)，其中，r代表檢測窗口的半徑大小。

圖13展示了上述場景使用所提出算法得到的車輛目標(biāo)檢測結(jié)果。其中綠色框線范圍內(nèi)的樣本為分類器正確判斷為正樣本的目標(biāo)位置，藍(lán)色框線范圍內(nèi)的樣本為分類器錯誤判斷為正樣本的目標(biāo)位置。場景1中算法將車輛目標(biāo)與周圍明亮的建筑區(qū)域做出了區(qū)分；場景2中在單幅圖像中表示不完整、與背景區(qū)域亮度相近的車輛目標(biāo)被成功檢出(見紅色框線)，且檢測結(jié)果基本未受到建筑目標(biāo)散焦的影響。從場景2的車輛目標(biāo)檢測結(jié)果可以看出，圖1中單一角度SAR圖像在車輛檢測任務(wù)中所面對的問題基本得到了有效解決；出現(xiàn)在場景3中的車輛目標(biāo)在檢測結(jié)果中基本沒有遺漏；場景4中紅色框線內(nèi)與背景區(qū)域中樹木亮度和面積極為相似的孤立車輛目標(biāo)被成功定位；場景5中分布密集的車輛目標(biāo)被檢出，且與周邊環(huán)境中的植被做出了區(qū)分。隨著平臺位置和方位角度的轉(zhuǎn)移，在實(shí)際數(shù)據(jù)獲取過程中波束中心的位置很難嚴(yán)格地保持穩(wěn)定不變，因此針對某一個具體場景，可能會發(fā)生部分角度缺失的情況。在這種情況下算法可以正常運(yùn)行。

表6展示了上述5個場景的檢測結(jié)果相對應(yīng)的衡量指標(biāo)值及其均值。本文使用精確率、準(zhǔn)確率、漏警率和虛警率4個衡量指標(biāo)對算法給出的檢測結(jié)果進(jìn)行分析。由于在本次實(shí)驗(yàn)過程中，車輛目標(biāo)位置的檢測是基于滑動檢測窗口進(jìn)行的，相應(yīng)的，所用指標(biāo)的計(jì)算也是以檢測窗口所包含的圖像樣本為基本單位的。上述指標(biāo)的計(jì)算公式為

表6 陽江飛行實(shí)驗(yàn)數(shù)據(jù)集中不同場景車輛目標(biāo)檢測結(jié)果的衡量指標(biāo)Tab.6 Indexes of vehicle detection results in different scenes in Yangjiang flight experiment dataset

其中，TP表示真陽性檢測目標(biāo)的數(shù)量，TN表示真陰性檢測目標(biāo)數(shù)量，F(xiàn)P表示假陽性檢測目標(biāo)數(shù)量，F(xiàn)N表示假陰性檢測目標(biāo)的數(shù)量。以本次實(shí)驗(yàn)為例，TP表示分類器輸出標(biāo)簽判斷為正樣本的檢測窗口中，真值為正樣本的樣本數(shù)量；TN表示分類器輸出標(biāo)簽判斷為負(fù)樣本的檢測窗口中，真值為負(fù)樣本的樣本數(shù)量；FP表示分類器輸出標(biāo)簽判斷為正樣本的檢測窗口中，真值為負(fù)樣本的樣本數(shù)量；FN表示分類器輸出標(biāo)簽判斷為負(fù)樣本的檢測窗口中，真值為正樣本的樣本數(shù)量。

為驗(yàn)證所提出方法的魯棒性，本文使用舟山飛行實(shí)驗(yàn)的數(shù)據(jù)集進(jìn)行了第2次車輛目標(biāo)檢測實(shí)驗(yàn)。圖14展示了不同場景中的車輛目標(biāo)檢測結(jié)果。表7列出了所選取場景中檢測結(jié)果的衡量指標(biāo)。

表7 舟山飛行實(shí)驗(yàn)數(shù)據(jù)集中不同場景車輛目標(biāo)檢測結(jié)果的衡量指標(biāo)Tab.7 Indexes of vehicle detection results in different scenes in Zhoushan flight experiment dataset

圖14 舟山飛行實(shí)驗(yàn)數(shù)據(jù)集中不同場景的車輛目標(biāo)檢測結(jié)果Fig.14 Vehicle detection results in different scenes in Zhoushan flight experiment dataset

4.3 MR-GOFRO不同步驟的改進(jìn)效果

為具體分析MR-GOFRO方法的改進(jìn)步驟對SAR圖像上車輛目標(biāo)的檢測結(jié)果所造成的影響，本節(jié)將采取控制變量的方法，逐一觀察MR-GOFRO方法的尺度分析、方向調(diào)節(jié)和紋理信息保留步驟在檢測結(jié)果中的體現(xiàn)。

舟山飛行實(shí)驗(yàn)數(shù)據(jù)集中的場景7攝于舟山市普陀長途客運(yùn)中心，其中所包含的車輛目標(biāo)能夠集中體現(xiàn)城市場景中靜止車輛多尺度、多朝向的分布特點(diǎn)；陽江飛行實(shí)驗(yàn)數(shù)據(jù)集中的場景1中同時包含數(shù)量較多的車輛目標(biāo)與所占面積較大的建筑背景成分，能夠用于驗(yàn)證紋理信息在區(qū)分車輛目標(biāo)與停車場以及周圍的人工建筑物方面的作用。因此，本節(jié)內(nèi)容以上述兩個場景為例，對MR-GOFRO各步驟改進(jìn)前后的檢測結(jié)果進(jìn)行逐項(xiàng)對比。

4.3.1 尺度縮放對檢測結(jié)果的影響

為在實(shí)際SAR圖像上驗(yàn)證MR-GOFRO方法增加尺度縮放功能對車輛目標(biāo)檢測精度的提升作用，我們對MR-GOFRO方法的尺度參數(shù)進(jìn)行控制，只保留居中的單一尺度參數(shù)值，使其不再包含目標(biāo)的多尺度特征。具體地，我們將MR-GOFRO尺度參數(shù)的選擇從12/15/19/24/30修改為單一數(shù)值 19，方法的其余參數(shù)和操作步驟保持不變。圖15展示了尺度縮放功能增加前后，同一場景中車輛目標(biāo)的檢測結(jié)果。圖15中紅色框線內(nèi)的目標(biāo)在MR-GOFRO方法的檢測結(jié)果中被正確輸出為正樣本，但在單一尺度條件下發(fā)生了漏檢現(xiàn)象。

圖15 MR-GOFRO尺度縮放功能增加前后，同一場景中車輛目標(biāo)的檢測結(jié)果Fig.15 The vehicle detection results in the same scene before and after the addition of MR-GOFRO scaling step

4.3.2 方向調(diào)節(jié)對檢測結(jié)果的影響

為驗(yàn)證MR-GOFRO方法增加方向調(diào)節(jié)功能對車輛目標(biāo)檢測精度的提升作用，我們對MR-GOFRO方法的方向參數(shù)進(jìn)行控制，只保留GOFRO方法所使用的方向?qū)0,π/2]，減弱方法對于目標(biāo)方向變化所具有的魯棒性。除方向參數(shù)之外，MR-GOFRO方法的其余參數(shù)和操作步驟保持不變。圖16展示了方向調(diào)節(jié)功能增加前后，同一場景中車輛目標(biāo)的檢測結(jié)果。圖16中紅色框線內(nèi)的目標(biāo)在MR-GOFRO方法的檢測結(jié)果中被正確輸出為正樣本，但在只采用一組方向參數(shù)時發(fā)生了漏檢現(xiàn)象。

圖16 MR-GOFRO方向調(diào)節(jié)功能增加前后，同一場景中車輛目標(biāo)的檢測結(jié)果Fig.16 The vehicle detection results in the same scene before and after the addition of MR-GOFRO direction adjustment step

4.3.3 紋理特征保留對檢測結(jié)果的影響

建筑和車輛在SAR圖像上后向散射系數(shù)相近，且同樣具有穩(wěn)定的結(jié)構(gòu)，二者比較明顯的區(qū)別體現(xiàn)在目標(biāo)的局部紋理特征方面。建筑在圖像上高亮的部分體現(xiàn)為均勻的平面，車輛則體現(xiàn)為一簇集中分布的強(qiáng)散射點(diǎn)。紋理特征是體現(xiàn)物體表面的具有緩慢變換或周期性變化的表面組織結(jié)構(gòu)排列屬性。由該定義可知，當(dāng)建筑作為背景成分存在時，與車輛目標(biāo)的區(qū)別可以在紋理特征中得到體現(xiàn)。

為驗(yàn)證MR-GOFRO方法保留紋理特征對車輛目標(biāo)與建筑背景成分的區(qū)分作用，我們選取了同時包含有車輛目標(biāo)和周邊建筑的實(shí)際觀測場景，對MR-GOFRO方法保留紋理特征前后的檢測效果進(jìn)行了對比。圖17展示了紋理信息保留前后，該場景中車輛目標(biāo)的檢測結(jié)果?？梢钥吹皆趫鼍爸蟹植加写竺娣e的建筑物時，如果所提取的特征向量不包含紋理特征，檢測結(jié)果中將包含較多的虛警目標(biāo)。

圖17 MR-GOFRO紋理信息保留前后，同一場景中車輛目標(biāo)的檢測結(jié)果Fig.17 The vehicle detection results in the same scene before and after retaining MR-GOFRO texture information

本節(jié)的對比實(shí)驗(yàn)證明了MR-GOFRO的各改進(jìn)步驟對SAR圖像上車輛目標(biāo)檢測的意義。表8展示了上述3組對比實(shí)驗(yàn)的檢測結(jié)果衡量指標(biāo)。分析本節(jié)中圖表可知，在前兩組對比實(shí)驗(yàn)中，一些與場景中大多數(shù)目標(biāo)尺度或朝向不一致的孤立目標(biāo)容易被漏檢，導(dǎo)致檢測方法的精確度下降。最后一組對比實(shí)驗(yàn)則證明了保留紋理信息對區(qū)別車輛目標(biāo)和場景中作為背景雜波出現(xiàn)的其他人造目標(biāo)，尤其是建筑目標(biāo)具有重要作用。

表8 MR-GOFRO改進(jìn)前后的檢測結(jié)果衡量指標(biāo)Tab.8 Indexes of detection results before and after the MR-GOFRO improvements

4.4 不同檢測方法的實(shí)驗(yàn)結(jié)果對比

在本節(jié)中，我們將本文所提出的方法與一些現(xiàn)有的特征提取、選擇和分類方法的組合進(jìn)行了比較，特別是與本文方法的組成部分具有一定相似性的其他目標(biāo)檢測方法。其中，GOFRO和NMF方法是本文所提出方法建立的基礎(chǔ)，為驗(yàn)證本文方法的改進(jìn)效果，需要將本文方法的檢測結(jié)果與改進(jìn)前的方法進(jìn)行對比。GOFRO和NMF方法的工作原理在本文原理部分已作介紹，實(shí)驗(yàn)部分不再詳述。HOG是梯度特征提取的經(jīng)典方法，通過對圖像中所劃分鄰域的梯度信息進(jìn)行統(tǒng)計(jì)來獲取圖像樣本的特征向量[22]。K-means是經(jīng)典的無監(jiān)督分類方法，通過對樣本之間相似度的度量來劃分樣本類別[23]，二者均在目標(biāo)檢測領(lǐng)域得到了廣泛應(yīng)用。故本文選擇將所提出方法與其進(jìn)行對比，以驗(yàn)證所提出方法的應(yīng)用價值。Fourier-HOG方法是最近提出的具有旋轉(zhuǎn)不變特性的梯度特征提取方法，在基于光學(xué)圖像的車輛目標(biāo)檢測領(lǐng)域取得了良好的應(yīng)用效果[24]。Fourier-HOG方法使用平滑的連續(xù)函數(shù)來擬合連續(xù)坐標(biāo)中的統(tǒng)計(jì)特征，能夠保證所提取特征的旋轉(zhuǎn)不變性。

圖18顯示了在相同場景中使用上述不同方法獲得的檢測結(jié)果。表9比較了不同檢測方法所獲取檢測結(jié)果之間的衡量指標(biāo)，其中每種方法的衡量指標(biāo)都是通過對不同場景的檢測結(jié)果進(jìn)行平均所得到的。表9中方法的排列順序與圖18完全相同。通過觀察圖表中的內(nèi)容可以看出，與同類檢測方法相比，本文所提出方法的應(yīng)用可以有效提高對場景中車輛目標(biāo)的檢測性能。

表9 不同方法檢測結(jié)果的衡量指標(biāo)Tab.9 Indexes of the detection results obtained by different methods

圖18 場景2中使用不同檢測方法所獲取的實(shí)驗(yàn)結(jié)果Fig.18 Detection results obtained by different methods in scene 2

為了保證不同檢測方法之間比較結(jié)果的有效性，所有結(jié)果都是在使用多角度圖像的條件下獲得的。關(guān)于圖像數(shù)量對檢測結(jié)果的影響將在下節(jié)內(nèi)容中進(jìn)行進(jìn)一步的討論。

4.5 圖像數(shù)量變化對檢測結(jié)果的影響

我們以場景5為例觀察圖像數(shù)量變化對實(shí)驗(yàn)結(jié)果造成的影響。圖19展示了不同角度數(shù)量條件下場景5的車輛目標(biāo)檢測結(jié)果，表10展示了不同圖像數(shù)量檢測結(jié)果的精度比較。本次實(shí)驗(yàn)所選取6幅圖像所對應(yīng)的方位角度如圖7所示，分別為–25.4°,–14.1°,–1.7°,11.0°,22.6°,40.8°。從檢測結(jié)果中可以看出，多角度序列中圖像數(shù)量的增加伴隨著檢測效果的改善。當(dāng)然這種改善作用是處在一定限度內(nèi)的，圖像數(shù)量超過一定閾值后，目標(biāo)散射信息已經(jīng)被完全涵蓋在圖像序列中。此時再增加圖像數(shù)量只能引起計(jì)算負(fù)擔(dān)的加重，并不能引起檢測效果的明顯提升。

表10 不同圖像數(shù)量條件下的檢測結(jié)果衡量指標(biāo)Tab.10 Indexes of detection results under different image quantity conditions

圖19 不同圖像數(shù)量條件下的檢測結(jié)果Fig.19 Detection results under different image quantity conditions

本文中實(shí)驗(yàn)設(shè)備CPU類型為i7-9750H，運(yùn)行內(nèi)存為8 GB，編寫環(huán)境為Matlab2018，每個場景單幅圖像大小約為200 KB。從表10中的處理時間可以看出，本文對多角度圖像的應(yīng)用基本能夠保證算法的實(shí)時性，但方位角度數(shù)量的增加必然會引起處理時間的延長，在使用多角度圖像的情況下，平均每增加一幅圖像大約會使處理時間延長20 s左右。在目標(biāo)檢測工作中，利用多角度圖像的目的是獲取更豐富的目標(biāo)方位角度信息。在能夠保證檢測精度的情況下，應(yīng)盡量控制圖像的方位角度間隔，避免方位角度數(shù)量的過多累積。

5 結(jié)語

SAR圖像中的車輛目標(biāo)檢測可服務(wù)于ITS建設(shè)、城市規(guī)劃和應(yīng)急響應(yīng)等多個應(yīng)用領(lǐng)域。多角度圖像的利用將大大提高車輛目標(biāo)在圖像中得到清晰完整呈現(xiàn)的可能性，且不同圖像上信息的融合可以使車輛目標(biāo)的散射特性得到增強(qiáng)，從而進(jìn)一步加強(qiáng)目標(biāo)和背景區(qū)域之間的區(qū)分度。因此，使用多角度圖像進(jìn)行車輛目標(biāo)檢測可以使檢測結(jié)果的性能得到明顯提升。

為提高多角度SAR圖像中車輛檢測的魯棒性和準(zhǔn)確性，我們提出了一種新的目標(biāo)檢測方法來獲取對圖像中目標(biāo)區(qū)域穩(wěn)定全面的特征描述。該方法主要包括3個階段：特征提取、特征融合和目標(biāo)分類。在第1階段，我們針對車輛目標(biāo)提出一種新的特征提取方法，能夠加強(qiáng)對目標(biāo)尺度和朝向變化的魯棒性。同時，它對目標(biāo)的梯度信息進(jìn)行了加強(qiáng)，對紋理信息進(jìn)行了留存。在第2階段，我們選擇不直接在融合圖像上檢測目標(biāo)，而是先將單一角度圖像上提取的特征經(jīng)過歸一化和精校篩選，再在特征階段采用距離加權(quán)的方法進(jìn)行角度間的融合。這種做法能夠保留目標(biāo)有效信息，最大限度摒除無關(guān)信息。在第3階段，我們通過實(shí)驗(yàn)對比選取了合適的無監(jiān)督分類器用于特征分類，避免了小樣本條件下有監(jiān)督分類過擬合的問題。經(jīng)過實(shí)驗(yàn)驗(yàn)證，本文提出的檢測方法可以有效地區(qū)分車輛目標(biāo)和背景區(qū)域，減少城市區(qū)域復(fù)雜背景下的誤判情況的發(fā)生。

本文所提出方法在實(shí)際應(yīng)用中還存在一定的漏檢現(xiàn)象，這可能是由于方法在分類階段受到了無監(jiān)督分類器性能的限制。本文選擇無監(jiān)督分類器主要是為了解決數(shù)據(jù)集中正樣本數(shù)量不足的問題，以在小樣本條件下達(dá)到較好的檢測效果。隨著多角度SAR觀測模式的發(fā)展和普及，未來在擁有更多觀測數(shù)據(jù)的條件下，本文所提出方法可以通過對分類階段進(jìn)行改進(jìn)來降低漏檢率，提高目標(biāo)檢測精度。另外，在本文所提出方法中，方向和尺度參數(shù)的細(xì)化理論上會帶來檢測性能的提升，但同時也會在特征提取階段增加計(jì)算負(fù)擔(dān)，降低算法的實(shí)時性。因此，本文實(shí)驗(yàn)中尺度和方向參數(shù)的選取是在檢測效果和檢測效率之間權(quán)衡的結(jié)果。如果能在未來的研究中，用連續(xù)化的方法取代離散化的參數(shù)選擇方式，那么上述問題將會找到更好的解決辦法。