一種多特征聯合的地面SAR目標分層檢測方法

曾麗娜,周德云,邢孟道,張 堃

(1.西北工業大學電子信息學院,陜西西安 710072; 2.西安電子科技大學雷達信號處理國家重點實驗室,陜西西安 710071)

?

一種多特征聯合的地面SAR目標分層檢測方法

曾麗娜1,周德云1,邢孟道2,張 堃1

(1.西北工業大學電子信息學院,陜西西安 710072; 2.西安電子科技大學雷達信號處理國家重點實驗室,陜西西安 710071)

摘要:提出了一種多特征聯合的地面合成孔徑雷達圖像中裝甲車等興趣目標分層檢測方法,根據反映目標真實物理性質的散射強度、尺寸以及與雜波差異等有效特征實現分層檢測.研究提取尺寸特征、邊界變化特征為興趣目標有效特征,通過初步目標檢測層和潛在目標鑒別層逐步剔除圖像背景、自然雜波、人造雜波等非興趣目標.有效特征提取能夠在較少的特征數目條件下滿足興趣目標檢測和鑒別的精度要求;分層處理能夠在特征復雜度增加的情況下降低虛警檢測和鑒別概率.與傳統雙參數恒虛警率、主成分分析等方法進行對比測試,從檢測精度、檢測效率方面驗證了該方法的有效性.

關鍵詞:合成孔徑雷達;興趣目標;有效特征;分層檢測

合成孔徑雷達(Synthetic Aperture Radar,SAR)是一種高分辨力成像雷達,可全天時、全天候地實現戰場中裝甲車、坦克等興趣目標的檢測和鑒別.但由于相干成像原理造成的斑點噪聲、自然雜波和人造雜波等,降低了合成孔徑雷達圖像中興趣目標的分辨能力,進而減少了基于合成孔徑雷達圖像的特征提取、目標鑒別等信息擴展技術的有效性.因此,如何快速有效地檢測目標,一直是合成孔徑雷達圖像解譯工作的一個重點和難點.

自合成孔徑雷達成像以來,涌現出多種目標檢測算法[1-5].一類是基于圖像灰度的方法,比較著名的如Novak提出的雙參數恒虛警率(Constant False Alarm Rate,CFAR)算法[6],該方法采用高斯分布模型、恒虛警率檢測器以及虛警率實現目標檢測,簡單有效.但真實的合成孔徑雷達圖像,尤其是背景雜波比較復雜的合成孔徑雷達圖像,很難完全滿足高斯分布,這種情況下雙參數恒虛警率檢測的結果中虛警和漏檢情況會比較嚴重,且該方法是局部檢測,需要對像素逐一掃描,效率低下.另外一類是基于目標特征的檢測,如主成分分析法(Principal Component Analysis,PCA)、多特征聯合判決法等[7-9].其中,主成分分析法是一種基于目標統計特性的最佳正交變換,具有能量較集中、計算量小等優點,但該方法主分量由數據的二階統計量確定,無法精確判斷形狀相似目標與非目標之間的差別,容易造成誤判.多特征聯合判決依據目標的諸多特征,根據特征權重進行多特征投票判決,由于該方法目標特征采用過多以及其并行處理方式,檢測速度較低.目前基于上述兩類方法的許多改進算法仍難以實現檢測精度和速度上的雙突破.

事實上,裝甲車等興趣目標在合成孔徑雷達圖像中面積大小一定且獨立分布,與建筑、山體等連續性目標有很大不同;此外,興趣目標的物理外形也決定其邊界變化與斑點噪聲等雜波有著明顯不同.充分利用目標的特性,可以改進檢測過程中精度和速度上相互受限的情況.因此,筆者提出了一種基于多特征聯合的地面合成孔徑雷達興趣目標分層檢測方法.分析、確定以及提取興趣目標有效特征是這項工作研究的重點.選取尺寸特征和邊界變化特征作為區分興趣目標與雜波的有效特征,采用分層檢測方法通過全局恒虛警率進行目標初步檢測,提取背景中的潛在目標,通過鑒別層對目標的有效特征精確鑒別,區分潛在目標中的興趣目標與高亮自然雜波、人造雜波等非興趣目標,從而快速、有效地檢測出目標.

1 興趣目標有效特征提取

電磁波與散射體的相互作用并接收散射體回波的工作原理,使得興趣目標與斑點噪聲、自然雜波以及人造雜波等非目標共同呈現在合成孔徑雷達圖像中.興趣目標與這些雜波在亮度方面存在很大相似性.單靠基于灰度特征使恒虛警率檢測無法精確檢測興趣目標,必須依據目標的完整描述進行目標檢測,所以,有效的特征提取是目標檢測中不可缺少的一環.興趣目標的有效特征是指既能真實反映興趣目標的物理特性,又能最大程度地與背景和雜波進行區分的目標特征.檢測中對目標特征的選取取決于其有效性,簡單有效的特征有利于提高檢測的精度和速度.

圖1是以裝甲車為例從目標庫與非目標庫中選取的興趣目標與非興趣目標.從圖1中可以看出,興趣目標在合成孔徑雷達圖像中由若干點形成,獨立分布并且面積大小一定,與背景存在明顯的邊緣界限,而人造建筑、山體樹木雜波等非興趣目標或呈現小面積斑點,或具有延續性.這些特征與興趣目標真實屬性(包括大小、形狀等物理特征項)對應.對包含興趣目標或雜波的局部切邊點、面和邊緣特征實現提取,可以進行目標檢測.

圖1 興趣目標與非興趣目標的合成孔徑雷達圖像　

圖2 目標與非目標大小切片

1.1 目標尺寸特征

興趣目標在合成孔徑雷達圖像中的成像尺寸主要與目標真實尺寸和分辨率、成像角度等因素有關,在合成孔徑雷達圖像上有特定范圍且呈獨立分布.目標尺寸特征具體體現在成像面積上,對目標與非目標切片進行訓練,可以得到目標的尺寸特征閾值.

對尺寸特征進行訓練的切片包括大小兩類切片L和S(圖2).小切片S是以目標或雜波質心為中心的方形局部區域,保證能完全包括目標.但考慮目標、非目標面積的分布特性,僅用小切片無法保證能完全剔除非目標雜波,如圖1中非目標樣本中的第2個樣本,面積上雖然滿足由目標樣本訓練出來的閾值,但卻延續到切片以外,所以同時采用大切片L形成一個保護窗,確保潛在目標面積不會溢出到小切片外部,從而排除局部面積滿足目標尺寸特征但實際連續尺寸過大的虛假目標.切邊S和L的閾值為

其中,I為對應像素強度值的隨機變量,Tf為亮度較高的目標灰度的估計值,pS和pL是對目標和非目標樣本訓練而得到的切片S和L的尺寸特征閾值.

1.2 目標邊界變化特征

目標邊界變化特征是合成孔徑雷達圖像中像素灰度值在空間區域的變化模式,目標與非目標在與背景的邊界變化上有著明顯不同.由于目標本身的物理外觀以及成像時的角度等因素,目標在合成孔徑雷達圖像中呈現出局部不規則而宏觀有規律的特點.但由于不具有規則不變的局部模式和簡單的重復周期等特點,該有效特征的提取和檢測就不能采用傳統的結構紋理分析.Gabor濾波器是高斯和正弦信號的調制乘積,與生物視覺相似,對事物空間頻率有較好的局部分析能力,被廣泛地應用于紋理分析[10].采用Gabor小波濾波器進行特征提取,可以很好地捕捉目標邊界變化的空間位置信息和局部結構信息[11],具體過程如圖3所示.

圖3 目標邊界變化特征提取過程

Gabor濾波是一種小波變換,具有多尺度、多方向性的特點,與圖像切片f(x,y)作用過程為

其中,Δx和Δy是空間采樣間隔;p和q是像素點的位置;m和l分別定義了小波變換的尺度和方向,取m=0,1,…,M-1,l=0,1,…,L-1.

其中,母小波?(x,y)通過a-m和θ尺度和方向發生變化,θ=lΔθ,Δθ=2πL.取M=5,L=8,即5個尺度8個方向的濾波器.40個濾波器與圖像切片卷積可以獲得每個像素的濾波器相應特征,因此每個像素的濾波器相應特征是一個40維向量,以此對圖像進行處理.為了節省時間,保證檢測的實時性要求,對該向量進行二次采樣以降低數據量,最終得到一個代表每一切片的紋理特征,即目標邊界特征的列向量.

2 分層檢測與鑒別器設計

興趣目標檢測主要基于目標的灰度、尺寸和邊界變化特征.對于同一圖像,分別提取這3個有效特征的計算量是遞增的.而采用分層檢測,通過初步目標檢測層和潛在目標鑒別層,將初步目標檢測層的輸出作為潛在目標檢測層的輸入,可以大大地降低尺寸特征鑒別和邊界變化特征鑒別的計算量.與并行提取目標特征進行聯合檢測相比,速率得到很大提升,具體檢測過程如圖4所示.

圖4 目標檢測過程

2.1 初步目標檢測層

初步目標檢測層的目標是在原圖的基礎上將合成孔徑雷達圖像分為背景區域和潛在目標區域,包括預處理和灰度特征檢測兩部分.預處理對原圖像進行初步濾波降噪處理,提高后續檢測精度.灰度特征檢測的目的是將灰度值相對較高的目標從背景中檢測出來.由于興趣目標的金屬特性構成角反射器,而道路、草地、樹林等其他背景反射強度弱,灰度色調暗,所以目標相對于圖像背景具有明顯灰度對比度.采用全局恒虛警率的方式快速求取全局閾值進行初步判讀,可以得到包含目標在內的潛在目標索引矩陣.

全局恒虛警率是對局部雙參恒虛警率的擴展[6,9].由于目標像素在整幅圖像中所占比例很小,對于雜波統計分布的影響可以忽略不計.在雙參恒虛警率檢測的基礎上,將背景雜波區擴展至整幅圖像,由統計模型確定全局閾值Tg,然后將所有像素與Tg進行比較,即可得到潛在目標矩陣,記為V,其元素為

全局恒虛警率檢測得到的索引矩陣中值為1的部分,是由單個獨立像素或連續多個像素構成的局部區域組成,存在很多冗余像素.在進行目標鑒別前對其進行優化:去除單個像素和明顯不可能成為目標的小面積區域,對剩余代表潛在目標的局部區域進行求取質心運算,得到優化過的質心索引矩陣.索引矩陣優化過程雖然簡單,但去除了索引矩陣中的絕大部分冗余像素,可以在很大程度上提高潛在目標鑒別的效率.

2.2 潛在目標鑒別層

潛在目標鑒別層的輸入是初步目標檢測層輸出的質心索引矩陣,根據目標的有效特征,分為尺寸鑒別層和目標邊緣變化鑒別層.尺寸鑒別層根據質心索引矩陣獲取以質心為中心的大小切片L、S,分別求取潛在目標面積分布比例,即大于目標灰度估計值Tf的點在切片中所占的比例,然后與訓練得出的尺寸特征閾值pS和pL進行比較,去掉不滿足目標尺寸特征的質心.

經過尺寸特征的鑒別,索引矩陣的優化,數據量會減少.以質心索引矩陣中質心點為中心的潛在目標切片可以分為目標與非目標兩類,對應于兩種類別的模式分類問題.目前常用的分類器包括貝葉斯分類器、神經網絡分類器和支持向量機等.神經網絡分類器僅依賴于訓練數據本身的鑒別能力,與待分類數據的分布無關,因而比貝葉斯分類器更加通用,且處理速度上優于支持向量機[11-12].所以筆者采用在監督模式匹配上能力較強的多層感知(Multi-Layers Perception,MLP)神經網絡對目標邊界變化特征進行鑒別,可以達到理想效果.文中的多層感知網絡結構設計包括輸入單元、隱藏層及輸出單元,以目標邊界變化特征向量作為輸入,將對該目標特征鑒別結果作為輸出,實現目標的訓練和檢測.

3 實驗驗證與分析

3.1 實驗數據與對比測試

實驗數據采用一組機載CARABAS-Ⅱ合成孔徑雷達系統獲取的VHF-band、分辨率為1 m、大小為3 000×2 000的瑞典北部的軍事靶場合成孔徑雷達圖像.如圖5中所示,包括TGB11、TGB30和TGB40共25輛裝甲車.

實驗軟硬件環境如下:i5-3570 3.40 GHz CPU,內存為4 GB,工具采用Matlab2010a.

圖5 實驗數據

圖6和表1是采用4種檢測算法對實驗數據進行興趣目標檢測的結果.檢測方法如下:(a)全局恒虛警率檢測,并對其進行形態學處理,剔除明顯不是目標的面積區域.(b)改進雙參恒虛警率檢測,鑒于雙參恒虛警率無法完全避免部分目標像素泄露到背景雜波區域的問題,在對背景雜波進行統計時,將灰度值大于全局恒虛警率閾值的像素摒棄,對剩余雜波像素進行分布統計[13].為減少計算量,在用改進雙參恒虛警率檢測前進行全局恒虛警率檢測,將檢測得到的潛在目標質心作為改進雙參恒虛警率目標檢測點,進行局部鑒別.最后對檢測結果進行形態學處理,剔除明顯不是目標的面積區域.(c)主成分分析鑒別法,在初步目標檢測和目標尺寸鑒別后,對目標邊界變化采用主成分分析方法進行特征提取,替代Gabor濾波器提取相應特征的方法.(d)筆者基于興趣目標的有效特征進行分層檢測的方法.

3.2 實驗分析

從檢測數據可以看出,對于復雜雜波背景的合成孔徑雷達圖像,恒虛警率和主成分分析檢測算法存在明顯不足,虛警率較高且存在漏檢情況.而筆者提出的方法在檢測精度和速度的綜合指標上有著明顯優勢,虛警數僅為1.

圖6 對比檢測結果

表1 各種算法檢測結果

在時間效率方面,雙參恒虛警率檢測的局部滑窗使每個像素參與了多次運算,計算量大,運行時間長.改進雙參恒虛警率檢測在雙參恒虛警率檢測前對全圖進行全局恒虛警率檢測,確定潛在目標的質心.運算復雜度由原來的O(n3)(局部參數運算O(n)×遍歷比較運算O(n2))降為O(n2)(全局參數運算O(n2)×全局比較運算O(1)+局部參數運算O(n)×比較運算O(n)),運算速度得到很大提升,但檢測精度依然不樂觀.筆者提出的算法在經過采用全局恒虛警率檢測法的初步目標檢測后,對各個潛在目標進行尺寸和邊界變化進行分層鑒別,不僅速度得到保證,檢測精確度也得到很大的提升,優于改進雙參恒虛警率算法.

在尺寸控制方面,恒虛警率和筆者提出的方法都需要目標尺寸的先驗知識.雙參恒虛警率檢測需要確定目標的最大、最小尺寸,以選取合適的目標窗口、保護窗口及背景窗口尺寸.全局恒虛警率檢測和雙參恒虛警率檢測的結果受形態學開關面積的影響比較大,呈現的是形態學開關情況下的最優結果.而筆者提出的算法中目標尺寸特征閾值是通過對模板庫中目標與非目標學習出來的結果,更為準確.

在目標邊界變化鑒別方面,主成分分析法目標特征基于統計特性,能量較為集中,但對于非穩定的高斯分布目標數據,變化細節描述不夠.當非目標在尺寸和形狀上都比較接近時,主成分分析方法存在明顯不足.而Gabor濾波器能捕捉到詳細的結構信息,所以采用多層感知神經網絡對Gabor濾波器提取的紋理特征進行訓練、鑒別,從精度和速度上都優于采用主成分分析法提取目標特征的方法.

4 結束語

通過分層檢測、鑒別實現了合成孔徑雷達圖像中裝甲車的檢測方法.利用全局恒虛警率方法對整體圖像進行初步目標檢測,區分目標與背景初步確定潛在目標.根據目標尺寸提取特征閾值和利用Gabor變換提取邊界變化特征,對目標與雜波進行鑒別,進一步剔除了人造雜波虛警,實現了興趣目標精確檢測.在研究中對一組數據(共24張合成孔徑雷達圖像)進行測試驗證,結果表明,筆者提出的方法與其他測試方法對比,在精度和速度上都有著明顯的優勢,同時可以運用到裝甲車、坦克、艦船等多種類型的興趣目標檢測中.

參考文獻:

[1]林旭,洪峻,孫顯,等.一種基于自適應背景雜波模型的寬幅SAR圖像CFAR艦船檢測算法[J].遙感技術與應用,2014,29(1):75-81.LIN Xu,HONG Jun,SUN Xian,et al.New CFAR Ship Detection Algorithm Based on Adaptive Background Clutter Model in Wide Swatch SAR Images[J].Remote Sensing Technology and Application,2014,29(1):75-81.

[2]LIU S,CAO Z J.SAR Image Target Detection in Complex Environments Based on Improved Visual Attention Algorithm[J].EURASIP Journal on Wireless Communications and Networking,2014,2014(1):54.

[3]劉冬,張弓.基于指數小波分形特征的SAR圖像特定目標檢測[J].西安電子科技大學學報,2010,37(2):366-373.LIU Dong,ZHANG Gong.Special Target Detection of the SAR Image via Exponential Wavelet Fractal[J].Journal of Xidian University,2010,37(2):366-373.

[4]趙明波,何峻,付強.SAR圖像CFAR檢測的快速算法綜述[J].自動化學報,2012,38(12):1885-1895.ZHAO Mingbo,HE Jun,FU Qiang.Survey on Fast CFAR Detection Algorithms for SAR Image Targets[J].Acta Automatica Sinica,2012,38(12):1885-1895.

[5]李開明,張群,羅迎.地面車輛目標識別研究綜述[J].電子學報,2014,42(3):538-546.LI Kaiming,ZHANG Qun,LUO Ying.Review of Ground Vehicles Recognition[J].Acta Electronica Sinica,2014,42 (3):538-546.

[6]NOVAK L M,HESSE S R.Optimal Polarization for Radar Detection and Recognition of Targets in Clutter[C]// Proceedings of SPIE:1700.Bellingham:SPIE,1992:114-118.

[7]WANG C,JIANG S F,ZHANG H.Ship Detection for High-resolution SAR Images Based on Feature Analysis[J].IEEE Geoscience and Remote Sensing Letters,2014,11(1):119-123.

[8]WANG W Q,WANG W H.Face Feature Optimization Based on PCA [J].Journal of Convergence Information Technology,2013,8(8):693-700.

[9]高貴,蔣詠梅,張琦,等.基于多特征聯合的高分辨率SAR圖像機動目標快速獲取[J].電子學報,2006,34(9): 1663-1667.GAO Gui,JIANG Yongmei,ZHANG Qi,et al.Fast Acquirement of Vehicle Targets from High-resolution SAR Images Based on Combing Multi-feature[J].Acta Electronica Sinica,2006,34(9):1663-1667.

[10]BHATTACHARYA J,SANYAL G,MAJUMDER S.A Robust Biometric Image Texture Descripting Approach[J].International Journal of Computer Applications,2012,53(3):30-36.

[11]GUPTA B,GUPTA S,TIWARI A K.Face Detection Using Gabor Feature Extraction And Artificial Neural Network [EB/OL].[2014-10-26].http:///wenku.baidu.com/view/1dffb7150b4e767f5a.

[12]EL-SAID S A.Reliable Face Recognition Using Artificial Neural Network[J].International Journal of System Dynamics Applications,2013,2(2):14-42.

[13]艾加秋,齊向陽,禹衛東.改進的SAR圖像雙參數CFAR艦船檢測算法[J].電子與信息學報,2009,31(12):2881-2885.AI Jiaqiu,QI Xiangyang,YU Weidong.Improved Two Parameter CFAR Ship Detection Algorithm in SAR Images[J].Journal of Electronics&Information Technology,2009,31(12):2881-2885.

(編輯:郭 華)

簡 訊

2015年11月3日～4日,首屆全國微電子青年科技論壇在我校舉行,來自全國各高校和科研院所的20余位微電子領域的青年科學家就微電子領域的熱點及前沿問題進行了研討,為陜西及西安微電子及集成電路產業發展建言獻策.論壇的目的是促進優秀微電子界青年科技工作者的成長,使他們置身于高層次的學術討論環境之中,拓寬視野,增長知識和才干,提高學術水平.

摘自《西電科大報》2015.11.14

Novel SAR target detection algorithm via multiple features

ZENG Lina1,ZHOU Deyun1,XING Mengdao2,ZH ANG Kun1
(1.School of Electronics and Information,Northwestern Polytechnical Univ.,Xi’an 710072,China; 2.National Key Lab.of Radar Signal Processing,Xidian Univ.,Xi’an 710071,China)

Abstract:A detection method for SAR targets based on combining multiple features is proposed.The targets of interest are detected according to the physical properties,which reflect the true characteristics including scattering intensity,size and differences from the clutter.By analyzing these characteristics,the size and boundary changes are determined as effective features.The image background,natural clutter,man-made clutter are eliminated in sequence using the developed detection algorithm,which contains two layers,namely,the initial target detection layer and the potential target identification layer.Effective features ensure that a smaller number of features are used to meet the precision of the target detection,and the discrimination detection method ensure that the probability of false alarm is reduced gradually with the increased complexity of the feature extraction.Comparison with traditional target detectors,such as CFAR,PCA,etc.is performed in detail.Experimental results show the superiorities of the proposal in both accuracy and efficiency.

Key Words:synthetic aperture radar;targets of interest;effective feature;target discrimination

作者簡介:曾麗娜(1982-),女,西北工業大學博士研究生,E-mail:zenglina@mail.nwpu.edu.cn.

基金項目:國家自然科學基金資助項目(61401363)

收稿日期:2014-11-19 網絡出版時間:2015-05-21

doi:10.3969/j.issn.1001-2400.2016.02.016

中圖分類號:TN959.1

文獻標識碼:A

文章編號:1001-2400(2016)02-0089-06

網絡出版地址:http://www.cnki.net/kcms/detail/61.1076.TN.20150521.0902.013.html