姿態(tài)圖像缺失情況下的SAR目標識別

丁 軍,劉宏偉,陳 渤,王英華

(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)

姿態(tài)圖像缺失情況下的SAR目標識別

丁 軍,劉宏偉,陳 渤,王英華

(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)

針對目標姿態(tài)圖像缺失的情況,提出通過姿態(tài)圖像合成的方式增加訓練集的姿態(tài)覆蓋程度,并將擴充后的圖像也用于訓練目標分類器.受稀疏表示模型的啟發(fā),建立了一種合成孔徑雷達圖像姿態(tài)合成模型.該模型根據(jù)少量已知姿態(tài)的圖像,線性組合出缺失姿態(tài)下的近似圖像.在運動和靜止目標獲取與識別數(shù)據(jù)集上的實驗表明,通過合成缺失姿態(tài)下圖像的方法可有效提升目標識別的精度,特別是在訓練數(shù)據(jù)集中姿態(tài)缺失嚴重時,文中方法提升尤為明顯.

合成孔徑雷達圖像目標識別;姿態(tài)圖像缺失;稀疏表示

合成孔徑雷達(Synthetic Aperture Radar,SAR)圖像目標識別技術在對地觀測和國防安全等方面具有非常重要的前景.過去幾年研究者們完成了大量的工作[1-4,7-9],例如文獻[1]采用支持向量機(Support Vector Machine,SVM)作為分類器進行SAR目標識別.文獻[2]通過研究預處理方法提高SAR目標識別精度.文獻[3]利用多分類器融合的方法改善識別性能.文獻[4]通過全局屬性散射中心模型提取散射中心特征進行SAR目標識別.但是,SAR目標圖像具有姿態(tài)敏感的特點,即同一個目標在不同的方位角下,SAR成像結果會有較大的差異.因此,很難采用給定方位角下的圖像或者模板識別不同方位角下的同一目標.這也要求訓練數(shù)據(jù)集盡可能包含目標全部方位角下的圖像.然而,對于非合作目標的識別問題,這一要求通常難以滿足.于是研究如何在訓練數(shù)據(jù)存在目標姿態(tài)缺失情況下,仍然保持較好的識別性能是SAR圖像目標識別中需要解決的一個重要問題.

近年來,稀疏表示方法作為一種有效的信號分析工具已被應用于人臉識別[5]和目標檢測[6]等領域.在SAR圖像目標識別方面,文獻[7]利用非負稀疏表示模型進行SAR目標識別.文獻[8]采用陰影與目標聯(lián)合稀疏表示模型進行SAR目標識別.文獻[9]對多視角下SAR圖像進行聯(lián)合稀疏表示.以上方法的共同點是采用訓練樣本構成基字典,利用測試樣本在字典上的不同稀疏表示系數(shù)來確定目標型號.此類方法的隱含假設,使同一目標的測試圖像可由少量相同類別的訓練圖像的線性組合更好地重構.

在上述方法的啟發(fā)下,筆者提出一種用于SAR圖像目標識別的姿態(tài)圖像合成方法.該方法通過少量輸入圖像線性組合出缺失方位角下的近似圖像,以解決識別所需訓練集中目標姿態(tài)缺失的問題.在運動與靜止目標的獲取與識別(Moving and Stationary Target Acquisition and Recognition,MSTAR)數(shù)據(jù)集上的實驗表明,相比僅使用姿態(tài)缺失訓練集直接訓練分類器的方法,采用姿態(tài)圖像合成的方法具有更好的識別性能,并且與采用全部姿態(tài)圖像進行訓練的識別精度相差不大.

1　SAR 圖像姿態(tài)合成

1.1稀疏表示模型

稀疏表示的目的是將觀測信號分解為給定字典中少數(shù)信號(又稱為原子)的線性組合,其模型可表示為

其中,y為n維輸入信號,y∈Rn×1;D為字典,D∈Rn×m,字典中列向量稱為原子;K為稀疏度常量;α為稀疏表示系數(shù),表示向量的零范數(shù),即非零值元素的個數(shù).也就是說,輸入信號y可使用字典中的少量原子的線性組合進行重構.圖1給出了一幅方位角為152.492°的BMP2目標圖像在其他BMP2圖像字典上的稀疏表示系數(shù).由圖1可以看出,該幅目標圖像可使用與其方位角度非常接近的其他BMP2圖像的線性組合進行近似重構.且與其方位角度越接近,表示系數(shù)的值也越高,說明如果使用少量其他方位角度下的圖像來對給定方位角的圖像進行重構,則最優(yōu)選擇是使用與該圖像對應的方位角度相差不大的圖像,按照方位角度遠近關系進行線性組合.由此,引出了下節(jié)要討論的姿態(tài)圖像合成模型.

圖1　一幅BMP2目標圖像在其他BMP2圖像字典上的稀疏表示系數(shù)

1.2SAR圖像姿態(tài)合成模型

姿態(tài)圖像合成問題是指通過已知姿態(tài)下的圖像數(shù)據(jù)合成指定姿態(tài)下的圖像數(shù)據(jù).該問題描述如下:給定目標t在不同方位角下的N幅SAR圖像集合I={Iθ1,Iθ2,…,IθN},其中, θi為第i幅圖像對應的方位角度,θi∈[0°,360°);姿態(tài)圖像合成的目標是根據(jù)圖像集合I計算指定方位角θ*下的近似圖像Iθ*.由于SAR圖像由雷達系統(tǒng)參數(shù)、成像目標自身的結構及散射特性、目標相對雷達視線所處的姿態(tài)、相干斑噪聲和雜波等多方面因素決定的.因而,很難找到一種統(tǒng)一的模型進行精確的姿態(tài)圖像合成.但是對于SAR目標識別應用,只要求合成出的姿態(tài)圖像保留目標可供識別的特征即可.因此,可通過將配準后的多幅圖像線性組合出相近姿態(tài)下的圖像.于是,文中提出如下姿態(tài)圖形合成模型:

由模型式(2)計算Iθ*,需要選定圖像配準操作、從基圖像中選擇原子和確定合成系數(shù)的大小.首先,圖像配準操作的目的是使得處理后的圖像更加符合線性組合模型.因此,可選擇先對圖像進行重心中心化處理;然后,再根據(jù)中心旋轉各自對應的方位角度,使得處理后的目標圖像具有相同的朝向.可定義距離的表達式為

最終,得到的姿態(tài)圖像合成算法如算法1.

算法1 姿態(tài)圖像合成算法

輸入:已知圖像集I及對應的方位角度θ,輸出圖像的方位角θ*,稀疏度常量K.

輸出:合成的圖像Isyn.

②采用貪婪的策略選取K幅與θ*距離最小的圖像,并根據(jù)式(4)計算合成系數(shù){α1, α2,…,αK}.

圖2給出了由一幅方位角為161.492°的BMP2圖像與另一幅方位角為174.492°的BMP2圖像合成出方位角示意圖.由圖2可以看出,合成得到的圖像(圖2(c))與方位角166.279°的圖像(圖2(d))相比具有較好的相似性,因此,替代真實方位角下圖像作為分類器訓練數(shù)據(jù)是可行的.

圖2　一幅BMP2目標姿態(tài)圖像合成示意圖

2　實驗與討論

2.1實驗數(shù)據(jù)集

為驗證文中提出的姿態(tài)圖像合成方法在SAR目標識別中的有效性,實驗選用的是MSTAR公共數(shù)據(jù)集.該數(shù)據(jù)集包含X波段0.3 m×0.3 m分辨率的多個地面目標的SAR圖像.全部實驗使用線性支撐向量機(Linear Support Vector Machine,LSVM)作為特征分類器.文中使用3類目標識別問題和10類目標識別問題作為評估實驗設定.每類目標訓練圖像大約為230幅,覆蓋360°方位角范圍,具體訓練和測試的樣本數(shù)目見表1,其中表1的上半部分即為3類識別問題所用的數(shù)據(jù)設置.為節(jié)約計算開銷,先將原始128×128大小的目標圖像從中心處切出大小為64×64的圖像塊.除了對圖像塊進行能量歸一化外,實驗中沒有使用任何其他預處理方法以減少對姿態(tài)圖像合成評估結果的影響.

為仿真姿態(tài)圖像缺失的情況,實驗時首先從每類的訓練數(shù)據(jù)中隨機抽取出N幅圖像作為基圖像.然后隨機從[0°,360°)范圍均勻隨機生成M個方位角度作為需要合成的方位角度.接著使用算法1從每類基圖像中合成出M幅圖像.最后將合成圖像與基圖像合并為訓練數(shù)據(jù)集訓練SVM分類器.實驗中將基圖像加上合成圖像進行訓練的方法稱為“姿態(tài)合成擴充”方法;而僅采用基圖像來訓練的方法稱為“基圖像”方法;使用全部訓練數(shù)據(jù)的方法稱為“全部真實姿態(tài)”方法.實驗將分別討論識別精度與每類選取基本圖像個數(shù)N、每類合成圖像個數(shù)M以及稀疏度常量K之間的變化關系.

表1　10類識別問題所用數(shù)據(jù)設置

2.2每類基圖像個數(shù)變化

為解識別精度隨每類抽取的基圖像個數(shù)變化的情況,實驗中固定合成數(shù)目M=500,稀疏度K=2.圖3給出了實驗結果.由圖3可以看到,無論是3類識別問題還是10類識別問題,使用姿態(tài)合成擴充后的數(shù)據(jù)進行訓練都可以帶來識別性能的提升(相對于僅使用基圖像的情況).雖然識別性能隨著選擇的基圖像個數(shù)減小而逐步降低,但使用合成圖像訓練帶來的性能增益反而是更大(圖3中基圖像個數(shù)取30和60時,提升大約3%～8%).圖3中虛線表示采用全部訓練數(shù)據(jù)時候的識別精度,可以看到,在每類僅使用150幅基圖像時與全部訓練數(shù)據(jù)(每類230幅左右)在性能上相差不大.

圖3　識別性能隨基圖像個數(shù)變化的情況

2.3每類合成個數(shù)變化

圖4給出了每類基圖像個數(shù)N=30,稀疏度K=2時的實驗結果.對于識別精度隨合成圖像個數(shù)的變化情況,3類識別精度和10類識別精度基本隨著合成圖像數(shù)目的增加而增加.但是在每類合成圖像數(shù)目設置太大,如圖4中3類識別問題在M=600時,有可能造成一些負面的影響,使得識別性能降低.這是由于SAR圖像姿態(tài)合成模型只是對缺失姿態(tài)圖像的一種近似,因此過多地依賴合成圖像進行訓練反而會造成性能損失.

圖4　識別性能隨每類合成個數(shù)變化的情況

2.4稀疏度變化

識別性能隨稀疏度變化的情況如圖5所示.實驗中固定每類基圖像個數(shù)N=30,每類合成個數(shù)M=500.對于3類和10類這兩種識別問題,稀疏度的變化基本不會帶來明確的影響.雖然參與合成的原子個數(shù)增多了,但是由于在式(4)中計算的合成系數(shù)與距離的倒數(shù)成正比,也就使得選擇的角度差異越大的圖像對應的合成系數(shù)值越小,因此,起主要作用的還是與目標方位角度相近的那些基圖像數(shù)據(jù).

圖5　識別性能隨稀疏度變化的情況

3　結束語

筆者提出的SAR圖像姿態(tài)合成模型和算法為解決姿態(tài)缺失情況下的SAR圖像目標識別提供了一種思路.在MSTAR數(shù)據(jù)集上的實驗結果顯示,相比僅使用姿態(tài)缺失訓練集直接訓練分類器的方法,采用姿態(tài)圖像合成的方法可以獲得識別性能增益,從而驗證了該方法的有效性.文中實驗采用線性SVM作為分類器,在識別性能上還具有很大提升空間,這也是后續(xù)需要改進和研究的方向.

[1]ZHAO Q,PRINCIPE J C.Support Vector Machine for SAR Automatic Target Recognition[J].IEEE Transactions on Aerospace and Electronic Systems,2001,37(2):643-654.

[2]胡利平,劉宏偉,吳順君.一種SAR圖像目標預處理方法[J].西安電子科技大學學報,2007,34(5):733-737. HU Liping,LIU Hongwei,WU Shunjun.Novel Pre-processing Method for SAR Image Based on Automatic Target Recognition[J].Journal of Xidian University,2007,34(5):733-737.

[3]SUN Y,LIU Z,LI J.Adaptive Boosting for SAR Automatic Target Recognition[J].IEEE Transactions on Aerospace and Electronic Systems,2007,43(1):112-125.

[4]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.

[5]WRIGHT J,YANG A Y,GANESH A,et al.Robust Face Recognition via Sparse Representation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(2):210-227.

[6]張曉偉,李明,左磊.一種利用稀疏表示的距離擴展目標檢測新方法[J].西安電子科技大學學報,2014,41(3): 20-25. ZHANG Xiaowei,LI Ming,ZUO Lei.New Detection Method for Extended Targets Using Sparse Representation[J]. Journal of Xidian University,2014,41(3):20-25.

[7]丁軍,劉宏偉,王英華.基于非負稀疏表示的SAR圖像目標識別方法[J].電子與信息學報,2014,36(9):2194-2200. DING Jun,LIU Hongwei,WANG Yinghua.SAR Image Target Recognition Based on Non-negative Sparse Representation[J].Journal of Electronics&Information Technology,2014,36(9):2194-2200.

[8]丁軍,劉宏偉,王英華,等.一種聯(lián)合陰影和目標區(qū)域圖像的SAR目標識別方法[J].電子與信息學報,2015,37(3): 594-600. DING Jun,LIU Hongwei,WANG Yinghua,et al.SAR Target Recognition by Combining Images of the Shadow Region and Target Region[J].Journal of Electronics&Information Technology,2015,37(3):594-600.

[9]ZHANG H C,NASRABADIC N M,ZHANG Y N,et al.Multi-view Automatic Target Recognition Using Joint Sparse Representation[J].IEEE Transactions on Aerospace and Electronic Systems,2012,48(3):2481-2497.

(編輯:齊淑娟)

SAR image target recognition in lack of pose images

DING Jun,LIU Hongwei,CHEN Bo,WANG Yinghua
(National Key Lab.of Radar Signal Processing,Xidian Univ.,Xi’an 710071,China)

The performance of synthetic aperture radar(SAR)image target recognition depends on the diversity of pose images in the training set.The problem of lack of pose images is considered,and the method of training data augmented with the synthesized pose images is introduced to train the classifier for target identification. Inspired by the sparse representation model,the model for synthesizing pose images is also developed,which approximately construct the missing pose image by linearly combining several images available.Experimental results on the moving and stationary target acquisition and recognition(MSTAR)dataset show that the proposed method of pose images synthesis can increase the recognition accuracy effectively.In particular,significant improvement can be obtained in the case of serious lack of pose images.

synthetic aperture radar(SAR)image target recognition;lack of pose images; sparse representation

TP957.51

A

1001-2400(2016)04-0005-05

10.3969/j.issn.1001-2400.2016.04.002

2015-04-03 網(wǎng)絡出版時間：2015-10-21

國家自然科學基金資助項目(61372132,61201292);新世紀優(yōu)秀人才支持計劃資助項目(NCET-13-0945);青年千人計劃資助項目

丁 軍(1982-),男,西安電子科技大學博士研究生,E-mail:dingjun410@gmail.com.

陳 渤(1979-),男,教授,E-mail:bchen@mail.xidian.edu.cn

網(wǎng)絡出版地址：http://www.cnki.net/kcms/detail/61.1076.TN.20151021.1046.004.html