基于SAR仿真圖像的地面車輛非同源目標識別

胡利平, 董純柱, 劉錦帆, 殷紅成, 王 超, 寧 超

(北京環境特性研究所電磁散射重點實驗室, 北京 100854)

0 引 言

合成孔徑雷達(synthetic aperture radar,SAR)能夠全天時、全天候地對目標主動進行高分辨成像,可以提供豐富的目標信息,因此基于SAR的目標識別受到了越來越廣泛地關注。

現有的SAR目標識別算法(尤其是基于深度學習的目標識別算法)大多在美國運動和靜止目標獲取與識別(moving and stationary target acquisition and recognition,MSTAR)計劃錄取的地面車輛目標數據集上進行驗證,并取得了優異的識別性能[1-8]。該數據集是一個相對較為完備的實際測量數據集,訓練和測試樣本屬于同源數據,方位覆蓋范圍為0°～360°,訓練和測試樣本的俯仰角度差異僅為2°。在實際目標識別應用中,很難通過實際測量獲取目標(尤其是非合作目標)的完備數據,通常只能獲取個別角度下的實測數據。基于電磁散射建模的SAR仿真是獲取目標數據的重要手段之一[9-15],可以相對便捷地獲取目標在不同條件下的完備數據集。SAR仿真的終極目標是部分或全部代替實測數據并作為訓練樣本,從而實現對實測數據的目標識別。但SAR仿真圖像數據直接應用于實測數據的目標識別時存在如下問題:SAR仿真數據與實測數據屬于非同源數據,由于模型差異、傳感器差異、背景環境差異、建模方法本身的誤差等因素導致SAR仿真圖像與實測圖像存在差異,主要體現在兩個方面:一是目標散射分布的細節差異,二是背景環境的散射差異,這些差異勢必會影響識別性能。

近年來,深度學習在模式識別的各個領域取得了較好的結果,尤其是卷積神經網絡(convolutional neural network,CNN)在圖像分類領域取得了一系列的突破[16-17],分類正確率遠超以往最好水平。CNN在SAR圖像中的應用研究主要集中在基于MSTAR數據集進行的目標識別算法驗證, MSTAR訓練和測試數據集屬于同源實測數據,訓練和測試樣本差異較小,CNN在MSTAR同源數據集上取得了優異的識別性能[5-8]。鑒于CNN在圖像分類領域的優勢及在MSTAR同源數據集上的成功應用,本文將CNN用于非同源數據的SAR目標識別,以考察訓練和測試樣本在非同源情況下的識別性能。

線性/非線性特征變換是模式識別領域的一個重要方向,它在提取目標關鍵特征、提升目標識別性能方面具有顯著的優勢[18]。主分量分析(principal component analysis,PCA)作為線性特征變換的經典代表,通過最小化重建誤差來尋求最能夠代表數據的投影矢量,能夠提取數據的主成分分量,這些主成分分量表征了數據的主要信息,忽略了數據的次要信息、噪聲信息等[19]。核子類判決分析(kernel clustering-based discriminant analysis,KCDA)作為一種非線性特征變換方法,在高維核空間中最大化子類間散度且最小化子類內散度意義下找到最優的投影矢量,使得不同類別的樣本能更好地分開,是解決原始數據線性不可分問題的有效途徑之一[20]。上述兩種方法的有效性在加利福尼亞大學機器學習數據庫的數據集(Iris、Monks、Liver和Ionosphere)、國內某研究所的逆SAR(inverse SAR,ISAR)測量飛機數據(雅克-42、安-26、獎狀)和基于MSTAR的同源數據集上得到了驗證[21-22]。為此,本文也嘗試將這兩種特征變換方法用于非同源SAR目標識別,以考察特征變換對非同源SAR目標識別的提升性能。

實驗結果表明,在SAR仿真數據和實測數據存在差異的情況下,線性/非線性特征變換可以提取目標的主要特征和可分性好的特征,從而有效提升非同源SAR目標識別性能,因此線性/非線性特征變換是改善非同源SAR目標識別性能的一個重要解決途徑。

1 基于電磁散射特性建模的車輛目標SAR仿真

為了實現對地面車輛目標SAR模板圖像的仿真,采用基于高頻漸近方法和離散射線追蹤技術的SAR回波信號級仿真方法進行SAR仿真[15],其流程如圖1所示。該方法首先對復雜環境場景和SAR平臺運動進行建模,再結合目標/環境復合電磁計算方法模擬SAR回波數據,最后進行成像處理得到結果圖像。由于SAR回波信號級仿真方法較為真實地模擬了SAR對目標/環境的電磁散射探測過程,所以能夠用于獲取與實測圖像具有較高相似性的SAR仿真圖像。

圖1 基于電磁散射建模的SAR仿真流程Fig.1 SAR simulation process based electro-magnetic scattering model

對圖2給出的三型車輛目標(BMP2、BTR70、T72)幾何模型按表1設定的聚束SAR仿真參數進行仿真,獲取其在草地上的SAR仿真圖像,如圖3所示。仿真圖像參數信息為:X波段、HH極化、高分辨率聚束式SAR、俯仰角為17°、方位角從0°到359°變化,方位間隔為1°,圖像大小均為128×128,分辨率為0.3 m×0.3 m。另外,圖3也給出了MSTAR計劃錄取的該三型車輛目標的SAR實測圖像,該實測圖像數據的采集條件為:X波段、HH極化、0.3 m×0.3 m高分辨率聚束式 SAR、俯仰角為17°、方位角從0°到360°變化,方位間隔為1°～5°不等,圖像大小均為128×128。通過對比圖3中的SAR仿真圖像與實測圖像可以看出,同一方位角下的SAR仿真圖像和測試圖像在目標輪廓形狀、強散射分布大體一致,但存在一些細節差異,并且背景環境散射也存在一定差異。

圖2 三類車輛目標的幾何模型圖Fig.2 Geometric models of three types of vehicle targets

表1 車輛目標聚束SAR仿真參數

圖3 草地上車輛目標SAR仿真圖像與MSTAR實測SAR圖像Fig.3 SAR simulation images of vehicles target on grassland and MSTAR measured SAR images

對SAR仿真圖像,雖然經過了模型校驗和圖像評估[14-15,23],但依然存在由于各種原因導致的SAR仿真圖像與實測圖像存在差異。主要原因有以下幾個方面。

(1) 模型差異:SAR仿真的目標幾何模型與實物不可避免地存在差異。SAR仿真時構建的目標幾何模型與實物不可避免地存在某些細節結構的簡化、外形結構的誤差、目標上某些結構的狀態變化(如炮管轉動的位置等)、目標上某些擴展條件的狀態變化(如T72坦克加不加副油箱等),這些差異必然會導致SAR仿真圖像與實測圖像存在差異。

(2) 傳感器差異:SAR仿真過程中的傳感器模型與實際傳感器性能存在差異。SAR仿真時構建的傳感器模型較為理想,如傳感器運動模型為平穩的勻速直線運動,而實際SAR傳感器很難做到,實際SAR傳感器性能也會因為系統硬件條件限制等因素導致SAR實測圖像在信噪比、實際分辨率、俯仰角和方位角度等方面與理論值存在差異。

(3) 背景環境差異:實物所處的背景環境與SAR仿真的背景環境也不可避免地存在差異。本文SAR仿真構建的地面場景為無任何地形起伏的水平矮草地背景,采用的模型參數為ULABY模型[15]中的矮草地,這與MSTAR實測SAR數據集中的真實地面背景會不可避免地存在差異,導致SAR仿真圖像中的背景散射強弱及實測SAR圖像不一致。

(4) 建模方法本身的誤差:為了滿足工程化需求提升計算效率,采用高頻法進行目標電磁建模,這對于一些特殊結構(如腔體)和含有多尺度結構的目標來說會出現計算誤差,會導致SAR仿真圖像中目標散射分布細節與實測圖像存在差異。

上述原因導致的SAR仿真圖像與實測圖像之間的差異必然會影響SAR仿真圖像直接應用于實測圖像的目標識別性能,給非同源的SAR目標識別帶來很大挑戰。對非同源SAR目標識別來講,背景環境差異的影響可以通過SAR圖像預處理來緩解,盡可能地降低SAR仿真圖像與實測圖像中目標散射分布差異的影響成為非同源SAR目標識別的關鍵點和難點。

2 SAR圖像預處理

通常情況下,SAR原始圖像中存在相干斑噪聲,直接用于特征提取識別的話會嚴重影響識別性能,因此,首先對原始SAR圖像進行預處理,作為CNN或者線性/非線性特征變換的輸入。圖4給出了SAR圖像預處理流程,首先對原始圖像作對數變換,再采用恒虛警方法進行目標粗分割,最后做濾波、掩膜和歸一化等處理。

圖4 SAR圖像預處理流程Fig.4 Flow chart of SAR preprocessing

假定雜波服從負指數分布,則檢測門限為

T=-μlnPfa

(1)

式中:Pfa為虛警率,μ為均值。對SAR圖像中的每一個點(i,j),如果其像素值大于門限T,判定其為目標,否則為背景。

形態學濾波:對分割結果進行形態學濾波,去除非目標區域減弱噪聲、平滑邊界、去除小洞等。

基于面積的濾波:首先對形態學濾波處理后的圖像去除孤立的點,然后再濾除面積小于TA的區域,其中TA可由關注的目標尺寸和分辨率大致確定。

基于距離的濾波:對上步的結果圖像,首先找到面積最大的區域及質心,然后計算每個區域到面積最大區域的距離,最后濾除掉離面積最大區域距離大于TD的區域,其中TD也可由關注的目標尺寸和分辨率大致確定。

掩模處理:為了獲得目標的強度信息,將濾波后得到的結果圖像(二值圖像)與對數圖像作像素點乘運算,得到最終的目標強度圖像(作為CNN的輸入)。

最后,對目標強度圖像進行歸一化處理及取傅里葉幅度的一半(作為線性/非線性特征變換的輸入)。

圖5給出了對T72的預處理結果圖像。

圖5 SAR圖像預處理結果Fig.5 SAR image preprocessing results

3 基于CNN的非同源目標識別

鑒于CNN在圖像分類領域的成功應用及在MSTAR同源SAR數據集上取得的優異識別性能[5-8],嘗試將其應用于非同源數據的SAR目標識別,以考察SAR仿真和實測存在差異的情況下目標識別性能。

圖6給出了基于CNN的非同源SAR目標識別流程。為了防止小樣本下CNN的“過擬合”問題,采用SAR圖像平移截取的方式來擴充訓練樣本。為了減小SAR圖像中相干斑噪聲對CNN的影響,對平移截取擴充后的訓練樣本和測試樣本進行前述預處理后再進行網絡模型訓練和測試。

圖6 基于CNN的非同源SAR目標識別流程Fig.6 Non-homologous SAR target recognition process based on CNN

訓練樣本為三類車輛目標的SAR仿真圖像,每類360幅,大小為128×128,平移截取擴充9倍,中心截取后的圖像大小為88×88,這保證了每幅圖像中均包含有目標。

測試樣本為三類車輛目標MSTAR實測SAR圖像,每幅圖像大小為128×128,對其只進行中心截取成88×88包含目標的圖像。

圖7給出了本文設計的CNN網絡結構,包括3個卷積層、3個池化層、1個全連接層、1個Softmax層。卷積層的后面緊接池化層,采用最大池化的形式。ReLU非線性激活函數用于卷積層和全連接層。Dropout正則化用于第三層池化層和全連接層。經過Softmax后輸出類別屬性。

圖7 搭建的CNN結構Fig.7 CNN structure constructed

4 基于線性/非線性特征變換的非同源目標識別

文獻表明,有效的特征變換方法可以提取目標主要特征信息或可分性好的特征,提升目標識別能力[18]。為此,將線性/非線性特征變換方法用于非同源SAR目標識別,以期能緩解由于SAR仿真圖像與實測圖像存在差異引起的識別性能不理想的問題。基于線性/非線性特征變換的非同源SAR目標識別流程如圖8所示。

圖8 基于線性/非線性變換的非同源SAR目標識別流程Fig.8 Non-homologous SAR target recognition process based on linear/nonlinear transformation

(1) 線性變換

PCA是一種經典的特征變換方法[18],通過最小化重建誤差來尋求最能夠代表數據的投影方向,能夠提取數據的主成分分量,這些主成分分量表征了數據的主要信息,忽略了數據的次要信息、噪聲信息等。

首先,將訓練樣本Ii∈Rm×n由二維圖像矩陣變成1維列向量xi∈Rmn×1,i=1,2,…,M,M?mn。則訓練樣本的總體協方差矩陣定義為

(2)

式中:A=[φ1,φ2,…,φM]∈Rmn×M,φi=xi-ux為第i幅圖像向量與總體訓練樣本的平均向量的差值。

由于St是大小為mn×mn的矩陣,維數較大,直接對其作特征分解求取特征向量存在計算負擔較大的問題。采用文獻[3]中的運算技巧,先對L=ATA∈RM×M特征分解,進而得到St的特征向量。設λi、νi分別為ATA的特征值和相應的特征向量,有

ATAνi=λiνi

(3)

AATAνi=λiAνi

(4)

則有Aνi為St的特征值λi對應的特征向量。取St的前r(r

將樣本I∈Rm×n轉化為向量x∈Rmn×1后向W∈Rmn×r投影,得到該樣本的特征向量y為

(5)

(2) 非線性變換

線性判別分析(linear discriminant analysis,LDA)是一種被廣泛應用的線性特征變換方法[18],通過最大化類間與類內散度之比找到最優的投影矢量,使得投影后異類樣本數據之間能夠更好地分開、同類樣本數據能夠更好地聚集。但LDA的假設數據線性可分極大限制了其實際應用。為了克服這一局限,Chen等學者提出了子類判決分析(clustering-based discriminant analysis,CDA)[24],在一定程度上緩解了LDA的線性可分性問題,并沒有從根本上解決原始空間中數據的線性可分性問題。為此,Ma等人[20]提出了核子類判決分析(kernel CDA,KCDA)方法,將CDA方法推廣到高維核空間中,從根本上解決了原始空間中數據的線性可分問題。為了解決文獻[20]中核k-均值聚類算法的嚴重依賴聚類初始值和局部最優問題,文獻[25]采用了快速全局核k-均值聚類算法[26]替代,不依賴聚類初始值且能保證達到全局最優,進而保證了KCDA的性能是穩定的、最優的。為此,本文采用文獻[25]的方法進行非同源SAR圖像數據的特征變換,該方法是在高維核空間中最大化子類間散度且最小化子類內散度意義下找到最優的投影矢量,使得不同類別的樣本能更好地分開。

KCDA是在高維特征空間φ中定義核散布矩陣Sb與Sw,通過最大化|VTSbV/VTSwV|找到變換矩陣V:

(6)

式中:V的各列是下式中前r個較大特征值對應的特征向量

SbV=λSwV

(7)

5 實驗結果

為了考察不同方法對非同源SAR數據的目標識別性能,本文對三類車輛目標的非同源SAR數據進行目標識別實驗驗證,采用的訓練和測試樣本個數如表2所示。

表2 非同源目標識別實驗使用的訓練和測試樣本

首先考察預處理對CNN識別結果的影響,圖9給出了預處理前后CNN的識別性能對比。可以看出,預處理有效降低了背景的影響,增強了目標,提升了最終的目標識別性能,因此后續的CNN和線性/非線性變換方法中均采用了此預處理方法。

圖9 預處理對CNN識別結果的影響Fig.9 Influence of preprocessing on CNN recognition results

表3和圖10分別給出了CNN、線性特征變換PCA、非線性特征變換KCDA的識別結果及相應的混淆矩陣,同時也給出了基于原始圖像直接識別、兩向2DPCA(Two-directional two-dimensional PCA,(2D)2PCA)[22]的識別結果及混淆矩陣。其中,原始圖像直接做識別是將原始圖像做最大相關匹配實現目標識別;(2D)2PCA本質上是對二維圖像矩陣的線性變換,是將預處理的SAR圖像進行(2D)2PCA變換后再進行匹配識別。

表3 不同方法的識別結果對比

從原始圖像直接做識別和CNN的識別率上可以看出,二者的識別結果不太理想,主要原因是,SAR仿真圖像與MSTAR實測圖像屬于非同源數據,雖然目標在大體形狀和強散射分布上基本一致,但不可避免地在細節特征上存在一定的差異,這些差異會導致原始圖像直接做識別時匹配結果差、CNN訓練時識別率很高但測試時識別性能不理想。

從原始圖像直接做識別及CNN的混淆矩陣上可以看出,T72與BMP2被錯分得較多,尤其在原始圖像直接做識別情況下,T72有接近一半的樣本被錯分成BMP2,主要原因是,BMP2和T72均為履帶式車輛,BTR70為輪式車輛,BMP2和T72這兩個目標在結構上更相近,更容易混淆。

從表3和圖10還可以看出,經過線性變換PCA和(2D)2PCA、非線性變換KCDA后,識別性能明顯改善,T72和BMP2被錯分得明顯減少。這是因為,線性變換PCA和(2D)2PCA、非線性變換KCDA能夠提取目標的主要識別特征和可分性好的特征,忽略了目標的次要特征和可分性差的特征。以上結果表明,基于線性/非線性的特征變換可以緩解由于SAR仿真圖像和實測圖像存在目標散射分布細節差異導致的識別性能差的問題,一定程度上提升了非同源SAR目標識別性能。

綜上所述,為了提升非同源SAR目標識別性能,除了在基于電磁散射建模的SAR圖像仿真過程中采取措施盡可能地提升仿真精度外,對非同源數據進行線性/非線性特征變換提取其主要識別特征或可分性好的特征也是解決非同源SAR目標識別問題的主要途徑之一。

6 結 論

針對SAR仿真圖像數據直接用于實際目標識別應用時存在識別性能差的問題,本文給出了不同方法對SAR仿真數據作為訓練樣本、MSTAR實測SAR數據作為測試樣本的非同源目標識別結果比對。實驗結果表明,針對非同源的SAR目標識別問題,直接使用SAR仿真數據做目標識別,無法取得對實測SAR數據理想的識別性能,而采用線性/非線性變換方法對仿真數據和實測數據進行特征變換與特征提取獲取目標主要識別特征或可分性好的特征,可以一定程度上提升識別性能。這一結果一方面驗證了基于SAR仿真數據進行非同源目標識別是可行性的,另一方面也為SAR仿真數據用于實際目標識別時如何提升識別性能指明了研究方向。本文是對SAR仿真數據用于實際目標識別應用的探索與嘗試,具有很重要的實際應用價值。針對識別性能還不是很理想的問題,后續將會更深入地開展非同源數據的特征變換與特征學習研究,以期進一步提高非同源識別性能,提升SAR仿真數據在實際目標識別中的應用能力。