基于ISAR像的艦船目標識別技術研究

侯穎妮，楊予昊，李士國，江 濤

(南京電子技術研究所, 南京 210039)

?

·信號處理·

基于ISAR像的艦船目標識別技術研究

侯穎妮，楊予昊，李士國，江 濤

(南京電子技術研究所, 南京 210039)

針對海面艦船目標自動識別問題，在艦船目標逆合成孔徑雷達(ISAR)圖像預處理與結構特征提取的基礎上，研究了采用ISAR輪廓像與艦船模型輪廓像匹配進行目標識別的方法。該方法首先利用結構特征進行粗分類，縮小模型匹配范圍，接著將模型庫中的模型投影到距離多普勒平面，利用二者輪廓像的相似程度完成目標識別。雷達實測數據處理說明了該方法的有效性。

艦船ISAR；目標識別；輪廓匹配；特征提取

0 引 言

雷達具有全天候，全天時遠距離獲取目標信息的能力，在雷達艦船目標識別中常用的有目標窄帶雷達截面積(RCS)特征，寬帶一維像特征和SARISAR二維像特征[1-3]。其中窄帶RCS可以反映艦船目標的大小，但是容易受到RCS起伏的影響和角反射器的欺騙；寬帶一維像反映了目標散射結構沿雷達視線的分布情況，但是存在角度敏感，目標類型較多建庫困難的問題；艦船ISAR二維像可以反映目標的二維幾何形狀，并且一些分布比例特征不受視角影響，從ISAR像中提取有效的特征量進行自動目標識別，越來越受到重視。

在利用ISAR像進行目標識別方面，在1996年美國海軍實驗室Musman S[4]提出了以艦船的長度、艦載設備、桅桿、輪廓等外形信息為主要特征進行分類和識別的方法，為采用ISAR圖像進行目標識別奠定了基礎。目前基于ISAR像的艦船目標識別技術主要有基于模型匹配的分類識別技術[5-8]和基于數據特征空間的分類識別技術[9]。基于模型匹配的分類識別技術將從ISAR像提取的特征與艦船模型庫中的目標特征進行匹配完成自動識別，基于數據特征空間的分類識別技術，利用從建立的目標ISAR像庫中進行特征提取、訓練、提取有效的特征空間進行自動識別。

考慮到基于數據的艦船目標識別存在對非合作目標建庫困難的問題，在基于模型匹配的識別技術基礎上，本文利用從艦船ISAR像中提取的特征進行艦船類別粗分類和類型識別的方法，在利用船舶桅桿位置、上層建筑結構、長度特征進行粗分類的基礎上，縮小模型匹配的范圍，進行成像投影平面估計，將從ISAR像中提取的輪廓像與模型投影到距離多普勒平面像的輪廓像進行匹配，根據相似度完成艦船目標識別，通過艦船實測數據處理驗證了文中方法的有效性。

1 投影平面估計

在艦船目標ISAR成像中，由海浪起伏引起的艦船自身運動成為成像的主要運動分量，ISAR對艦船成像的幾何關系如圖1所示。海面上的艦船除了沿預定路線的正常航行外，由于受到海浪的影響，會有顛簸和搖擺，這包含橫搖、縱搖和偏航，因此艦船目標成像具有周期性的特點展。在艦船側視像以及混合視角像的基礎上進行特征提取，并估計投影平面。

設艦船上的散射點位于艦船坐標系[X,Y,Z]，艦船上的散射點[xm,ym,zm]在雷達視角坐標系[R,H,V]中為

圖1 ISAR對艦船成像的幾何

(1)

式中：α為擦地角；φ為雷達視線在艦船[X,Y]平面的投影與艦船X軸之間的夾角；ωz和ωy分別為艦船在雷達坐標系下的轉動角速度分量，艦船散射點在距離多普勒投影為

(2)

將式(1)帶入式(2)有

(3)

其中

為投影矩陣。

設在船體坐標[X,Y,Z]中，船頭和船尾兩個散射點坐標為(xb,0,z)，(xs,0,z)，在雷達觀測視角下一維距離像在斜距上的投影為Δrb-s=cosαcosφΔxb-s，其中Δxb-s為船長L,則

(4)

式中：擦地角α可以從雷達跟蹤數據中得到。

船頭船尾的多普勒差為

(5)

艦船桅桿頂部和底部散射點(x,y,za)和(x,y,zf)在(X,Y)平面的投影相同，而桅桿頂部和底部的多普勒差為

(6)

(7)

投影矩陣可寫成

(8)

從式(8)可以看出，投影矩陣中的元素可以從ISAR像中獲得，其中α為擦地角，可通過跟蹤數據獲得，φ可通過ISAR像在距離維的投影Δrb-s與模型長度通過式(4)計算得到。Δfb-s為船頭船尾的多普勒差，Δfm為桅桿與艦船中心線相接點到頂部的多普勒差。

通過投影矩陣可將目標模型投影到距離多普勒平面，此時ISAR像和模型投影的二維像均在距離多普勒域，二者的輪廓像具有可比性，為采用兩者輪廓像匹配進行識別的理論依據。

2 圖像預處理

在艦船目標ISAR成像中通常由于雜波和噪聲的影響使得ISAR像存在斑點噪聲，強散射點副瓣以及旋轉部件引起的調制會在多普勒方向產生條紋干擾，目標RCS的起伏使得ISAR像通常表現為稀疏、孤立的散射中心分布，這些固有特點都對圖像特征的穩定性和識別性能造成了嚴重影響。在ISAR圖像的特征提取時首先需要對ISAR圖像進行預處理，從而能較好地從ISAR圖像中提取相關特征。ISAR圖像的預處理可分為：去除斑點噪聲和條紋干擾、圖像的區域連接和填充、幾何聚類等。

1) 去除斑點噪聲和條紋干擾

對于原始圖像中的背景噪聲和雜波，首先對圖像距離向兩側沒有目標的邊緣區域進行統計，得到均值μ和標準差σ，采用全局門限對圖像進行分割，處理后各像素點的值為

(9)

式中：k為常數，圖像中高于等于門限的保持不變，低于門限的像素設置0。

接著采用上述方法再對每一距離單元數據進行處理，去除由聚焦產生的誤差以及強散射點副瓣在多普勒域的擴展造成的條紋干擾，其中均值μ和標準差σ由各距離單元相互獨立。

最后，采用中值濾波圖像進行平滑處理，降低剩余噪聲的影響。

2) 形態學區域鏈接與填充

ISAR像通常存在一些孤立不連續的散射點，在形態學中先膨脹后腐蝕的過程稱為閉運算，其作用是填充目標內部的細小空洞，平滑目標的邊界以及連接周圍鄰近目標。對于經過圖像分割的圖像，可以采用形態學閉操作對圖像進行區域連接和填充，采用形態學操作時需要根據目標的分散程度選擇結構元素的尺寸。

4) 幾何聚類去除非目標區域

經過形態學區域鏈接與填充后的圖像可能由一個連通區域和一些鄰近的區域組成，而遠離目標的孤立區域可以認為是雜波而丟棄。在幾何聚類中先對圖像進行連通區域標記，然后根據各區域大小以與位置進行保留或丟棄。

3 特征提取

在ISAR像中提取穩定有效的特征是實現艦船目標識別的基礎，艦船目標幾何參數特征反映了艦船目標外觀，可以用來判斷目標的類型，其中幾何參數特征包括了艦船中心線、艦船輪廓像、艦船主桅桿位置、艦船上層構造等。

1) 艦船中心線

艦船ISAR圖像中的艦船中心線，即連接船頭與船尾中心的直線。可以通過Hough變換或者最小二乘擬合進行估計。Hough變換通過最大峰值確定中心線的斜率。但是艦船上較高的結構可能會影響艦船中心線的估計，因此在估計時可以先將多普勒方向具有較大擴展的部分從圖像中去除。

2) 艦船輪廓像

艦船中心線將艦船分成上層結構部分和甲板兩部分，可以通過比較兩部分的多普勒擴展分區分出艦船上層結構部分，其中上層結構部分具有較大的多普勒擴展，艦船的輪廓像為從船頭到船尾，艦船上層結構部分的多普勒與艦船中心線多普勒之差。

3) 艦船主桅桿

將輪廓像與門限比較，門限為輪廓像的最大值與平均值的中值，連續幾個超過門限的距離單元可以認為是桅桿，桅桿位置取桅桿所在距離單元的中間位置。一般桅桿的位置通過桅桿距離船頭的距離與整個船體長度之比表示。

4) 艦船上層結構

在提取的輪廓像基礎上，將艦船平均分成3部分，取整個輪廓像的均值為門限，如果每一部分輪廓像的均值大于門限，編碼為1，否則編碼為0，這樣可以獲得艦船上層結構的3位2值編碼，共8種不同類型。

4 分類識別

在ISAR像圖像預處理與特征提取的基礎上，首先可根據艦船長度估計結果與桅桿信息估計結果，對艦船進行粗分類，縮小候選目標范圍；接著在投影平面估計的基礎上，將候選目標三維模型投影到相應的距離多普勒平面并提取其輪廓像；最后將ISAR像的輪廓像與模型的輪廓像進行匹配，根據匹配結果判別目標類型，如圖2所示。

圖2 艦船目標分類識別流程圖

5 實測數據處理結果

采用由貨船、合作船和軍艦組成的三種類型目標數據對文中的識別方法進行說明，其中貨船和其他兩艘船在結構上有明顯的特征差異。為了驗證對輪廓像匹配識別方法，假設各船在長度上不可分，并對合作船進行了測量與三維建模。

先對各數據進行ISAR成像、圖像預處理和特征提取，如圖3所示。

圖4 圖像預處理結果

圖5 中心線提取結果

圖6 輪廓像與上層結構編碼

從三幅輪廓像中提取的桅桿位置以及艦船上層結構編碼特征如表1所示，在此桅桿位置泛指船體上最高部分的位置。

表1 桅桿距離船頭位置估計值和上層結構編碼特征

根據文中的分類識別流程，在特征提取后，可利用長度、桅桿位置以及上層結構編碼對目標進行粗分類。假設三種目標在長度上不可分，由于貨船的駕駛艙一般位于船尾，從表1特征提取結果可以看出，根據桅桿位置與上層結構編碼可以將貨船區分出。

對于不可分的合作船與軍艦，通過提取合作船與軍艦ISAR圖像中的參數構造投影矩陣，利用投影矩陣將目標三維模型投影到相應的距離多普勒平面，并提取距離多普勒平面的模型輪廓像，將模型廓像與ISAR像輪廓像進行匹配，并計算二者的均方根距離，如圖7所示。

圖7 模型廓像與ISAR像輪廓像匹配結果

由圖7可以看出，合作船的ISAR輪廓像與模型輪廓像的相似度較高，從而說明了利用模型輪廓像匹配進行艦船目標識別的可行性。不需要建立各種艦船目標的雷達實測ISAR像數據庫，避免了非合作目標雷達回波建庫困難問題。

6 結束語

針對海面艦船目標識別問題，本文主要研究了基于ISAR像的艦船目標識別方法，在圖像預處理和特征提取后，先利用船舶桅桿位置、上層建筑結構、長度特征進行粗分類，縮小模型匹配范圍，接著利用ISAR輪廓像與模型輪廓像匹配進一步完成類型識別，實測數據處理結果說明了該方法的可行性。

[1] 王春華，康 猛，郝 明. 基于輪廓像的艦船目標識別方法研究[J]. 現代雷達, 2012, 34(4): 45-52. WANG Chunhua, KANG Meng, HAO Ming. A study on ship target recognition based on outline image[J]. Modern Radar, 2012, 34(4): 45-52.

[2] 陳文婷，邢相薇，計科峰. SAR圖像艦船目標識別綜述[J]. 現代雷達, 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.

[3] 杜琳琳，安成錦，陳曾平. 一種艦船 ISAR 圖像中心線特征提取新方法[J]. 電子與信息學報, 2010, 32(5): 1023-1028. DU Linlin, AN Chengjin ,CHEN Zengping. A new algorithm for ship center line extraction in ISAR image[J]. Journal of Electronics & Information Technology, 2010, 32(5): 1023-1028.

[4] MUSMAN S, KERR D, BACHMANN C. Automatic recognition of ISAR ship images[J]. IEEE Transactions on Aerospace and Electronic Systems, 1996, 32(4): 1392-1404.

[5] KNAPSKOG A O. Automatic classification of ships in ISAR images using wire-frame models[C]// Proceedings of EUSAR 2004. Ulm, Germany: [s.n.], 2004: 953-956.

[6] FENG R, COOKE T, GIBBINS D. Model based ISAR ship classification[J]. Digital Signal Processing , 2006, 16(5): 628-637.

[7] PASTINA D, SPINA C. Multi-feature based automatic recognition of ship targets in ISAR[J]. IET Radar Sonar & Navig, 2009, 3(4): 406-423.

[8] PASTINA D, SPINA C. Slope based frame selection and scaling technique for ship ISAR imaging[J]. Signal Processing IET, 2008, 2(3): 265-276.

[9] BON N, HAJDUCH G, KHENCHAF A, et al. Recent developments in detection, imaging and classificcation for airborne maritime surveillance[J]. IET Signal Process, 2008, 2(3): 192-203.

侯穎妮 女，1982年生，博士，高級工程師。研究方向為ISAR目標成像與識別。

A Study on Ship Classification Based on ISAR Images

HOU Yingni，YANG Yuhao，LI Shiguo，JIANG Tao

(Nanjing Research Institute of Electronics Technology, Nanjing 210039, China)

For the radar auto classification of ship, a method based on ISAR silhouette and ship model silhouette matching is studied. First the coarse classification is implemented on the base of ISAR image pre-processing and structure features extraction, in order to reduce the number of candidate models, and then the candidate models are projected to range-Doppler domain. The ship is classified according to the best match of the silhouettes. Last the validly of the method is demonstrated by the real radar data processing.

ISAR ship; targets classification; silhouettes matching; features extraction

10.16592/ j.cnki.1004-7859.2016.03.010

侯穎妮 Email：houyingni@163.com

2015-10-20

2015-12-22

TN911.7

A

1004-7859(2016)03-0047-04