潘嘉蒙　牛照東　陳曾平

摘 要： 針對SAR圖像飛機目標識別過程中的目標識別問題，提出一種基于峰值匹配的目標識別方法。該方法首先使用基于8鄰域像素檢測局部極大值的峰值提取方法提取目標和模板的峰值特征點；然后對目標進行方位角計算，設(shè)定置信區(qū)間從而縮小需要匹配的模板庫；最后計算目標圖像峰值點集與模板圖像峰值點集的匹配代價函數(shù)，當(dāng)匹配代價函數(shù)取最小值時表明目標與相應(yīng)模板圖像相匹配。實驗結(jié)果表明該算法有效，且分類性能和分類效率較現(xiàn)有的一些算法有所提升。

關(guān)鍵詞： 合成孔徑雷達； 目標識別； 方位角計算； 峰值匹配

中圖分類號： TN95?34； TP751.1 文獻標識碼： A 文章編號： 1004?373X（2015）19?0019?05

Abstract： A target recognition method based on peak?value matching is proposed for the recognition problems in recognition process of aircraft target in synthetic aperture radar （SAR） image. This method adopts the peak?value extraction method based on local maximum value detected by 8?neighbourhood pixel to extract the peak?value feature points of the target and template. The azimuth angle of the target is calculated， and the confidence interval is set to shrink the template library which is needed to match. The marched cost functions of the peak point sets in target image and template image are calculated. The target is marched with the template image when the minimum value is get from the marched cost function. The experimental results show that the proposed method is effective. The classification performance and classification effectiveness were improved by this method in comparison with the existing algorithms.

Keywords： SAR； target recognition； azimuth angle calculation； peak?value matching

0 引 言

SAR圖像的自動目標識別技術(shù)在各個領(lǐng)域得到了越來越廣泛的應(yīng)用，基于SAR圖像的ATR系統(tǒng)研究也得到了快速發(fā)展。典型的SAR ATR系統(tǒng)可分為檢測、鑒別、識別三個模塊[1]。目標檢測是通過對整幅SAR圖像進行檢測，濾除圖像中明顯不是目標的區(qū)域，從而得到潛在的目標區(qū)域[2]。目標鑒別是對檢測后得到的潛在目標區(qū)域進行進一步處理，去除其中明顯與目標大小不符的區(qū)域或自然雜波虛警，從而得到目標感興趣區(qū)域（Region of Interest，RoI）。目標識別是SAR ATR的最后目的，通過對目標鑒別得到的RoI進行更復(fù)雜的處理，從而獲得目標的類別。

SAR圖像目標識別中常用的特征有紋理特征、幾何特征以及峰值特征等[3]。紋理特征包括標準偏差特征、分形維度特征和加權(quán)填充比特征等[4]。幾何特征包括周長、面積、直徑特征、轉(zhuǎn)動慣量、形狀復(fù)雜度等，具體到飛機目標的幾何特征還有機長、翼展、鏡像對稱性等。峰值特征包括頂點、行頂點和列頂點三種特征，其中頂點是二維局部極大值，是常用的一種峰值特征[5]。

由于峰值特征是一種點特征，所以峰值特征匹配問題可以視為點匹配問題。常用的點匹配算法有基于最小誤判概率的硬匹配方法[6]、基于松弛標記的軟匹配方法[7]和基于幾何哈希變換的匹配算法[8]。由于SAR圖像中的噪聲比較嚴重，在目標與模板圖像中很容易出現(xiàn)并不存在匹配關(guān)系的外點，因此采用幾何哈希算法時很難選擇穩(wěn)健的基點，而基點的選擇對匹配結(jié)果會產(chǎn)生很大影響；基于最小誤判概率的硬匹配方法只能實現(xiàn)兩個點集之間的單向1?1匹配關(guān)系，對于不存在匹配關(guān)系的外點無法處理；基于松弛標記的軟匹配方法只考慮了單向約束，無法滿足實際匹配過程中的雙向約束。

本文提出的峰值匹配算法是通過計算目標與模板的匹配代價函數(shù)來獲得目標與模板的關(guān)系，將目標峰值特征的匹配問題轉(zhuǎn)化為匹配代價函數(shù)的最優(yōu)化問題。而且本文算法考慮到了目標與模板圖像中存在不匹配的外點對于匹配結(jié)果的影響，因此在匹配代價函數(shù)的計算中通過模板與目標峰值點數(shù)目的比值關(guān)系對結(jié)果進行修正，本文算法相對現(xiàn)有算法在效率以及性能上都有了一定改進。

1 峰值提取

從SAR圖像中可以提取出三類峰值特征：頂點、行頂點和列頂點。其中頂點是二維峰值點，即二維局部極大值；而行頂點和列頂點為一維峰值點，即一維局部極大值。本文采用的峰值點特征為頂點，因為頂點作為二維局部極大值相對一維局部極大值更為穩(wěn)定[9]。為了減少背景噪聲對峰值點提取的影響，首先估計背景區(qū)域的均值[μ]和方差[σ。]SAR圖像中目標的[i，j]處峰值特征可以定義為：

本文采用基于8鄰域像素檢測局部極大值的峰值提取方法，對目標中每個像素通過計算其是否滿足公式（1）（其中[N]設(shè)置為目標的8領(lǐng)域）來判斷是否為峰值點，然后對峰值點的幅值進行歸一化處理。該方法簡單有效，能夠快速準確地提取出峰值點。圖1為經(jīng)過處理后的實測SAR圖像中的飛機目標切片與模板庫中有類似方位角的模板圖像。endprint

2 方位角提取

由于雷達與目標處于不同的相對位置時成像的結(jié)果也不同，因此處于不同方位角下的目標會有明顯區(qū)別。為了提升目標識別的效率，可以先提取目標的方位角，然后在模板匹配的過程中只將目標與估計得到的方位角近似的一定范圍內(nèi)的模板進行匹配。顯然，方位角的提取可以提升目標識別的精度和效率。

常用的方位角提取方法可以歸為三類：基于最小外接矩形[11]、基于主導(dǎo)邊界[12]和基于目標主軸的方法[13]。由于基于外接矩形的方法需要分割后的目標形狀規(guī)則，對于目標分割的要求比較高；而基于主導(dǎo)邊界的方法對目標輪廓的依賴比較高。對于本文中需要進行識別的飛機目標來說，采用基于目標主軸的方法是最佳的，因為基于目標主軸的方法的前提是SAR圖像關(guān)于其主軸對稱，顯然飛機目標具有對稱性，因此本文采用基于目標主軸的方法提取方位角。

本文的目標方位角定義為目標主軸與SAR圖像距離向負向的夾角，因此要估計目標方位角需要獲得目標主軸的直線方程。由于本文飛機目標具有對稱性，因此可以通過擬合目標區(qū)域的所有像素點或者目標的峰值點來獲得目標主軸，如圖4所示。

對圖5左側(cè)的飛機目標，首先進行峰值提取，然后利用峰值進行方位角估計。已知該飛機目標的實際方位角為[340°]，采用基于目標主軸的方位角估計方法得到右側(cè)圖中的主軸，計算得到估計方位角為[335.84°]。因此可以設(shè)置目標方位角的置信區(qū)間為[325.84°，345.84°]和[14.16°，34.16°]，之后進行峰值點匹配則可以只搜索方位角位于該區(qū)間內(nèi)的模板圖像，大大提升了匹配效率。

3 本文算法

本文提出的算法步驟如下：

（1） 對SAR圖像進行Frost濾波等預(yù)處理，然后對目標進行CFAR檢測，獲取目標感興趣區(qū)域（RoI）。

（2） 采用基于8領(lǐng)域像素檢測局部極大值的峰值提取方法提取目標的峰值點，構(gòu)建目標峰值特征點集[P=P1，P2，…，PnT。]這里的[n]表示SAR圖像目標峰值的數(shù)目，每個[Pii=1，2，…，n]表示待分類SAR圖像上的一個峰值，它的屬性為[Ai，xi，yi。]其中：[Ai]表示經(jīng)過歸一化處理后的[Pi]的幅值；[xi，yi]表示[Pi]的坐標值。然后對模板庫中的圖像進行相應(yīng)的峰值提取處理。

（3） 利用基于目標主軸的方位角提取方法，得到目標方位角的估計值[θ]，設(shè)定置信區(qū)間[Δ，]將方位角位于[θ-Δ，θ+Δ]以及[180°+θ-Δ，180°+θ+Δ]范圍內(nèi)的模板圖像作為待匹配模板。設(shè)該范圍內(nèi)的模板圖像為[k]幅，從而得到集合[H=Hj， j∈1，k]。

（4） 對模板庫檢索得到的SAR圖像集合[H]中的每個[Hj]，由于對模板圖像都已進行過峰值提取，因此得到相應(yīng)的集合[Qj=Qj1，Qj2，…，QjmjT。]其中[mj]表示[Hj]的峰值點數(shù)目，每個[Qjij∈1，mj]對應(yīng)[Hj]的一個峰值，其屬性為[Aji，xji，yji]。

由表2可以看出，M1的匹配精度和計算效率均高于M2和M3，而M4的匹配精度高于M1，但是計算效率遠低于M1。

M1匹配精度遠高于M3，是由于M3在計算誤判概率時只考慮到匹配點之間的誤差，且只實現(xiàn)了點集匹配的單向1?1匹配關(guān)系，容錯性較差。由表1可以得知，大部分目標的峰值點數(shù)量大于模板的峰值點數(shù)量，兩者的數(shù)量并不相等，因此本文算法考慮到了非匹配點對匹配代價函數(shù)的影響，提高了精度。同時也可以看出，M3的匹配速度比M1快很多，這是由于M3直接根據(jù)匹配準則進行判斷，不需要進行迭代，因此匹配速度快。而M4的匹配精度比M1稍高，但是匹配效率遠低于M1，因為M4需要進行大量復(fù)雜的矩陣運算。

為了進一步驗證本文算法的性能，對算法的兩方面進行對比。一方面，將不利用方位角信息的峰值匹配算法與本文利用方位角信息的峰值匹配算法進行對比；另一方面，將使用幾何特征和紋理特征相結(jié)合的特征模板匹配算法與本文的峰值特征匹配算法進行對比。設(shè)不利用方位角信息的峰值匹配算法為M5，特征模板匹配算法為M6，可以得到表3。

由表3可以看出，利用方位角信息的峰值匹配算法比不利用方位角信息的峰值匹配算法的精度和效率都要高；這是因為利用方位角信息縮小了需要匹配的模板范圍，減少了錯誤匹配的概率，也減少了進行匹配所需要的時間開銷。由于本文使用的模板數(shù)據(jù)為仿真數(shù)據(jù)，因此使用仿真圖像與實測圖像的幾何特征和紋理特征進行匹配會存在一定誤差，匹配的精度要低于本文算法。

5 結(jié) 語

本文研究了SAR圖像中飛機目標識別的問題，給出了一種基于峰值匹配的目標識別算法，該算法通過計算目標峰值點集合與模板峰值點集合的匹配代價函數(shù)獲取最佳匹配關(guān)系，并且有效地利用了目標的方位角信息，提升了目標識別的效率。另外，利用實測飛機數(shù)據(jù)與仿真模板庫數(shù)據(jù)進行實驗，將本文算法與幾何哈希法等算法進行比較，驗證了本文算法在性能和效率上的提升。

參考文獻

[1] 計科峰，高貴，賈承麗，等.一種利用方位角信息基于峰值匹配的SAR圖像目標分類方法[J].信號處理，2005，21（z1）：526?530.

[2] KAPLAN L M. Improved SAR target detection via extended fractal features [J]. IEEE Transactions on Aerospace and Electronic Systems， 2001， 37（2）： 436?451.

[3] 任皓.SAR圖像分類目標分類方法研究[D].長沙：國防科學(xué)技術(shù)大學(xué)，2009.

[4] MUJDAT C， WILLIAM C K， DAVID A C. Evaluation of a regularized SAR imaging technique based on recognition?oriented features [C]// 2000 SPIE Conference on Algorithms for Synthetic Aperture Radar Imagery Ⅶ. [S.l.]： SPIE， 2000， 4053： 1112?1117.endprint

[5] METH R， CHELLAPPA R. Automatic classification of targets in synthetic aperture radar imagery using topographic features [C]// 1996 SPIE Conference on Algorithms for Synthetic Aperture Radar Imagery Ⅲ. [S.l.]： SPIE， 1996， 2757： 186?193.

[6] BAJCSY P， CHAUDHURI A R. Benefits of high resolution SAR for ATR of targets In proximity [C]// Proceedings of 2002 IEEE International Conference on Radar. [S.l.]： IEEE， 2002： 29?34.

[7] HUMMEL R， ZUCKER S. On the foundations of relaxation labeling processes [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1983， 5（3）： 267?286.

[8] WOLFSON H J. Geometric hashing： an overview [J]. IEEE Computational Science & Engineering， 1997， 4（4）： 10?21.

[9] METH R， CHELLAPPA R. Target matching in synthetic aperture radar imagery using non?linear optimization technique [C]// 1999 SPIE Conference on Algorithms for Synthetic Aperture Radar Image. [S.l.]： SPIE， 1999， 3721： 532?543.

[10] 張翠，酈蘇丹，鄒濤，等.一種應(yīng)用峰值特征匹配的SAR圖象自動目標識別方法[J].中國圖象圖形學(xué)報，2002（7）：729?734.

[11] VOICE L I， PATTON R， MYLER H R. Multicriterion vehicle pose estimation for SAR?ATR [C]// SPIE conference on Algorithms for Synthetic Aperture Radar Imagery VI. [S.l.]： SPIE， 1999， 3721： 497?506.

[12] METH R. Target/shadow segmentation and aspect estimation in SAR Imagery [C]// SPIE conference on Algorithms for Synthetic Aperture Radar Imagery VI. [S.l.]： SPIE， 1998， 3370： 188?196.

[13] BAHNU B， JONES G. Recognition of articulated objects in SAR images [J]. Lecture Notes in Computer Science， 2000， 1899： 96?107.endprint