基于Wishart距離和超像素的極化SAR圖像車輛檢測

代曉康, 殷君君,*, 楊 健

(1. 北京科技大學計算機與通信工程學院, 北京 100083; 2. 清華大學電子工程系, 北京 100084)

0 引 言

極化合成孔徑雷達(synthetic aperture radar,SAR)不受天氣、光照等因素干擾,可全天時、全天候監測地面目標,受到了越來越多的關注,因此極化SAR廣泛應用于超像素分割[1-5]、變化檢測[6-10]、地物分類[11-15]和目標檢測領域,如艦船檢測[16-18]、車輛檢測[19-20]、飛機跑道檢測[21]、海岸線檢測[22-23]等。

在各種SAR目標檢測算法中,由于恒虛警率(constant false alarm rate,CFAR)算法具有計算簡單、自適應選取閾值等優勢被廣泛應用于海面艦船檢測。其中,單元平均CFAR(cell-average CFAR,CA-CFAR)檢測器是最簡單的CFAR檢測器,它對于均勻區域是最優的,但是在異質性環境內性能會嚴重衰退。雙參數CFAR(two-parameter CFAR,2P-CFAR)算法是一種基于高斯背景假設的CFAR算法,其出現標志著SAR圖像目標檢測取得了巨大成功。后續針對該算法在目標周圍雜波非均勻以及多目標情況下不穩定的問題,提出了有序統計CFAR(order statistic CFAR,OS-CFAR)檢測器,該算法淡化了對背景窗口里雜波分布的依賴。為了提高CFAR算法的有效性,常常需要對極化SAR數據進行多通道融合,然后再進行CFAR檢測,融合方法可以使用極化白化濾波器。極化白化濾波器[24]在極化SAR圖像目標檢測領域是一種重要的預處理方法,它能夠有效降低圖像的相干斑噪聲水平,同時增強目標的散射強度。

但是傳統基于CFAR算法的SAR圖像車輛目標檢測方法只適用于簡單的地物場景[25]。對于城市區域,因為其具有復雜的地物環境、背景雜波,強散射目標之間互相干擾導致虛警多,因此該類區域的目標檢測是當前SAR地面目標檢測中的重點和難點。

CFAR算法是一類基于對比度的目標檢測算法,由于車輛和建筑物都屬于人造目標,雷達回波較強,在SAR圖像上表現為具有和周圍環境相比較大的對比度,所以在城市區域進行車輛檢測時候,CFAR算法會把建筑物當成車輛目標。為了解決這個問題,類比于艦船檢測的海陸分割,在對車輛目標檢測之前,需要先檢測建筑物,并將此作為先驗信息引入后續的檢測步驟。

極化SAR數據符合復Wishart統計分布,基于復Wishart分布的Wishart分類器[26]多用于地物分類,很少應用于地面目標檢測。但利用統計分布可以更精確地區分不同地物,因此可以利用Wishart距離區分目標和背景。此外,隨著 SAR系統分辨率的提高,SAR圖像數據能夠表達更加豐富的信息。在分米級分辨率下,車輛目標在圖像中不僅僅表現為點目標,還表現為具有豐富結構特征的面目標。超像素分割是一種性能優異的圖像分割方法,這種方法將具有相似結構的相鄰像素組合成有視覺意義的不規則像素塊來表達局部區域特征,很好地保留了目標的形態結構。使用該方法可以在密集目標檢測時,更好地利用上下文信息對相似目標進行邊緣重建。

本文針對城市區域的密集車輛目標檢測任務,提出了一種結合Wishart分類器和超像素分割的目標檢測方法。首先,利用極化分解檢測出建筑物,排除強反射偽目標;然后利用不包含建筑物的Wishart迭代分類和超像素分割獲得目標的形態信息;之后利用包含建筑物的Wishart迭代分類獲得目標的中心點;最后把中心點作為種子點對超像素進行區域生長,結合形態信息和位置信息定位車輛目標的位置和密集目標的數目。

1 基于極化SAR的目標檢測算法

1.1 基于多視極化白化濾波的CFAR方法

在極化SAR系統中,物體目標可以用Sinclair矩陣表示為

式中:H、V代表水平極化和垂直極化;SHV代表水平發射垂直接收時的目標后向散射系數。

(1)

1.2 目標分解

An等人[28]提出使用h、q代替極化散射熵H和極化散射角α。參數h、q的計算方法為

(2)

式中:Tij為相干矩陣T的第i行第j列的值。圖1是h-q平面區域劃分圖,根據h、q的值可將像素劃分到不同區域,每個區域代表特定的散射類型。其區域邊界比H/α平面邊界更穩定,并且能更精準地確定目標的極化散射機制[29]。

圖1 h-q平面Fig.1 The h-q plane

1.3 基于復Wishart分類器和超像素的密集目標檢測

本文首先利用極化分解檢測出建筑物;其次,利用不包含建筑物的Wishart分類器迭代分類獲得初步的檢測結果;然后,利用Turbopixel超像素[30]分割重建目標邊緣,同時獲得目標的形態信息;接著利用包含建筑物的Wishart分類器迭代分類獲得目標的中心點作為定位信息;最后,為了結合目標形態和位置信息完成車輛目標檢測任務,需要以每個中心點所屬超像素為基礎進行區域生長,從而完成對車輛目標的標記。

檢測流程如圖2所示,詳細步驟如下。

圖2 本文算法流程圖Fig.2 Flow chart of the proposed method

步驟 1建筑物檢測。首先根據相干矩陣計算參數h、q,然后利用h-q平面定位建筑物區域,其中平面中的第6類區域屬于偶次低熵反射,符合建筑物的反射特性。因為該檢測過程基于像素級別,所以可以獲得屬于建筑物的像素位置坐標,將這類像素點作為種子點插入到基于多視極化白化濾波的CFAR檢測結果中,并將種子點所在連通域標記為建筑物區域。

步驟 2不包含建筑物的Wishart迭代分類。將步驟1中檢測出的建筑物從CFAR結果中排除,然后對剩下的背景像素和目標像素的協方差矩陣求均值分別作為聚類中心,接著執行Wishart迭代分類直至結果收斂。

步驟 3對步驟2中獲得的迭代分類結果進行超像素分割,其主要目的是獲得密集目標之間的邊緣信息以便后續的檢測,同時獲得目標的形態信息。

步驟 4包含建筑物的Wishart迭代分類。該步驟與步驟2相似,不同點是不對建筑物進行排除,即使用原始的CFAR結果進行Wishart迭代分類直至結果收斂。因為有建筑物的參與,所以最終檢測結果會留下目標的最強散射區域,密集目標之間可以相互分離。

步驟 5獲得目標中心。對步驟4中的結果進行連通域標記,然后把每個連通域的中心點作為單個目標的中心點,從而獲得目標的位置信息和個數。結合目標大小和圖像的分辨率便可以給出初步的檢測結果。

步驟 6目標標記。在步驟5中獲得了目標的中心點后,將中心點所在的超像素進行區域生長獲得最終的檢測結果。具體操作是:對于每個目標中心點,計算與其他超像素中心的歐式距離,并且按照距離大小升序排列,然后把距離最小的超像素合并到該目標中心點所屬的超像素中。如果合并后的超像素面積小于固定閾值Areathresh,則繼續按照距離大小繼續進行超像素合并,直到合并后的超像素面積超過閾值為止。

2 實驗結果及分析

實驗數據來自中科院電子所X波段的機載全極化SAR數據,成像區域是中國喀什地區,數據格式是單視復數據,分辨率是0.2 m×0.2 m。實驗區域的Pauli偽彩色圖如圖3所示。在實驗場景中包含建筑物和地面強雜波的干擾,分別用紅框和藍框標出。

圖3 兩組實驗數據的Pauli偽彩色圖Fig.3 Pauli pseudo-color images of two testing datas

2.1 基于多視極化白化濾波的恒虛警率檢測

給定等效視數L和Pfa,通過解析表達式計算檢測門限Thresh。本文的等效視數設置為1,Pfa設置為0.000 5。檢測結果如圖4所示,可以看出,CFAR檢測器無法去除建筑物和地面強雜波干擾。

圖4 CFAR檢測結果Fig.4 Detection results of CFAR

2.2 建筑物檢測

利用屬于h-q平面中的第6類像素點作為種子點插入到基于多視極化白化濾波的CFAR檢測二值圖中,結果如圖5中紅點所示,可以看到除了建筑物區域,有些種子點落在了其他地方,為了排除干擾可以將個數較少的種子點去除,去除結果如圖6所示。最后把種子點所在連通域標記為建筑物區域,結果如圖7所示。

圖5 h-q平面中第6類像素點Fig.5 The sixth class pixels of the h-q plane

圖6 實驗數據的建筑物種子點Fig.6 Building seed points of the testing datas

圖7 建筑物檢測結果Fig.7 Detection results of building areas

2.3 不包含建筑物的Wishart分類器迭代分類

將檢測出的建筑物從CFAR結果中排除,如圖8所示。然后對剩下背景像素和目標像素的協方差矩陣求均值分別作為聚類中心,接著執行Wishart迭代分類直至結果收斂,收斂結果如圖9所示。可以看到,經過迭代Wishart分類后,地面結果更加純凈,目標的形態更加清晰,但是不包含建筑物的Wishart迭代分類無法有效去除地面強雜波反射,而且密集目標相互粘連,無法準確區分和定位。

圖8 排除建筑物的兩組實驗數據Fig.8 Two testing sets without buildings

圖9 實驗數據的Wishart迭代分類結果Fig.9 Wishart iterative classification results of experimental datas

2.4 超像素分割

對Wishart迭代分類結果所對應的Pauli偽彩色圖進行Turbopixel超像素分割。超像素個數設置為2 000個,結果如圖10所示?？梢钥吹?超像素分割重建了密集車輛目標的邊緣。

圖10 實驗數據的超像素分割結果Fig.10 Superpixel segmentation results of experimental data

2.5 包含建筑物的Wishart分類器迭代分類

因為有建筑物參與迭代分類,因此需要最后將建筑物從結果中去除。當Pfa=0.000 1的時候,實驗場景1的迭代結果如圖11(a)所示,當Pfa=0.000 01的時候,實驗場景2的迭代結果如圖11(b)所示,從圖中可以看出雖然車輛目標的形態不完整,但是原本相鄰的目標會相互分離,便于定位。

圖11 實驗數據包含建筑物的分類結果Fig.11 Wishart iterative classification result with buildings

把每個連通域的中心作為單個目標的中心點,結合極化SAR系統的分辨率和目標的大小,設置一個合適大小的矩形框,初步檢測結果如圖12所示。由于是高分辨率成像,所以一個車輛目標可能有兩個連通域,即有兩個中心點,此時需要對兩個矩形框進行合并。合并的判斷標準是如果兩個矩形框的IoU(intersection over union)超過25%,則這兩個矩形框需要合并。

圖12 實驗數據初步的檢測結果Fig.12 Preliminary detection results of testing datas

中心點個數隨虛警率的變化規律如圖13所示,從圖13可以看出,隨著Pfa的縮小,中心點個數趨于穩定。

圖13 實驗數據的中心點個數隨Pfa的變化規律Fig.13 Variations of the number of center points with Pfa

隨著Pfa的變化,準確率、召回率和F1值的變化如圖14所示。

圖14 實驗數據初步檢測結果的指標評價Fig.14 Evaluation of the preliminary detection results for testing datas

為了驗證通過極化分解去除建筑物對后續車輛目標檢測的影響,本文設置了對照試驗,實驗流程與步驟4相同,但是最后不將建筑物排除。當Pfa=0.000 1的時候,對照實驗的檢測結果如圖15和圖16所示,可以看出Wishart迭代結果形成的連通域中心受到了建筑物的嚴重干擾,這樣在根據IoU合并矩形框后在建筑物區域會形成大量虛警。另外,因為中心點的定位不準,在后續的目標標記過程中會使得超像素被錯誤標記。

圖15 對照實驗的中心點定位結果Fig.15 Central point positioning results of control experiment

圖16 對照實驗的檢測結果Fig.16 Detection results of control experiment

2.6 目標標記

當Pfa=0.000 1的時候,實驗場景1的真值圖如圖17(a)所示，目標標記結果如圖17(b)所示;當Pfa=0.000 01的時候,實驗場景2的真值圖如圖17(c)所示，目標標記結果如圖17(d)所示。隨著Pfa的變化,準確率、召回率和F1值的變化如圖18所示。

圖17 實驗數據的目標標記結果Fig.17 Target label results of the testing datas

圖18 實驗場景像素級別的指標評價Fig.18 Indicator evaluation of pixel leve for experimental scene

2.7 對比方法

為了驗證本算法的優越性,在排除建筑物的基礎上,從定量和定性的角度與經典的CA-CFAR,OS-CFAR和2P-CFAR算法對比結果如圖19和圖20所示,其中定量分析的指標是F1值。從圖19可以看出,OS-CFAR的F1值最高,2P-CFAR次之,CA-CFAR最低,但是三者的最高F1也沒有超過0.6,但是本文所提算法可以達到0.85,優于上述3種經典算法。從圖20可以看出,3種經典方法在目標形態方面都沒有所提算法完整,并且基于對比度的CFAR算法易受到地面強雜波的干擾,虛警無法有效排除。

圖19 不同實驗場景不同方法的的F1值Fig.19 F1 scores of different methods for different experimental sccenes

圖20 傳統目標檢測算法的定性評估Fig.20 Qualitative evaluation of traditional target detection algorithms

此外,為了驗證通過極化分解去除建筑物對后續車輛目標檢測的影響,需要對傳統方法補充對照試驗,即不對建筑物進行排除的車輛目標檢測結果,圖21為基于OSCFAR算法的對照實驗結果。從圖21中看出,OS-CFAR不能排除人工強反射物,所以如果不對建筑物排除,會造成大量虛警。

圖21 基于OS-CFAR算法的對照實驗Fig.21 Control experiment based on OS-CFAR algorithm

3 結 論

在復雜場景下檢測車輛目標時,基于對比度的傳統CFAR方法不能排除建筑物干擾。本文通過極化分解去除建筑物,為后續的車輛目標檢測提供了便利。進一步,針對CFAR方法不能有效分離密集目標和計算目標總個數的問題,通過Wishart迭代和超像素分割獲得目標的位置和形態信息。最后通過目標標記步驟結合二者信息獲得最終的檢測結果。本文算法很好地解決了城市區域復雜地面背景下的密集目標檢測任務,且性能優于傳統CFAR算法。