朱兆彤 彭石寶 許 稼 許肖梅*

1 引言

合成孔徑聲吶（SAS）能夠獲取水下觀測(cè)場(chǎng)景和目標(biāo)高分辨率的圖像，在民用和軍事領(lǐng)域均得到了廣泛的應(yīng)用，如在水下考古、海底資源勘探、海底情報(bào)偵察等水下目標(biāo)識(shí)別場(chǎng)所。高分辨率SAS圖像成功應(yīng)用的關(guān)鍵，在于對(duì)檢測(cè)到的目標(biāo)進(jìn)行快速而準(zhǔn)確的識(shí)別。

針對(duì)聲吶圖像目標(biāo)自動(dòng)識(shí)別問(wèn)題，目前國(guó)內(nèi)外都已積極展開(kāi)研究，提出了許多有效的目標(biāo)識(shí)別方法。文獻(xiàn)[1]提出采用先驗(yàn)環(huán)境信息實(shí)現(xiàn)目標(biāo)特征魯棒提取的分類(lèi)方法。文獻(xiàn)[2]則提出通過(guò)融合多個(gè)分類(lèi)器結(jié)果，提升目標(biāo)識(shí)別準(zhǔn)確性。文獻(xiàn)[3-6]通過(guò)實(shí)測(cè)數(shù)據(jù)或?qū)δ繕?biāo)建模仿真，產(chǎn)生目標(biāo)在多個(gè)觀測(cè)角度下的仿真聲吶圖像，之后與實(shí)測(cè)圖像進(jìn)行匹配，實(shí)現(xiàn)水下目標(biāo)識(shí)別。

合成孔徑聲吶成像與合成孔徑雷達(dá)（SAR）成像原理相同，圖像具有許多共同的特性，如相干斑、陰影、透視效應(yīng)等，因此SAR目標(biāo)識(shí)別方法與SAS目標(biāo)識(shí)別方法可相互借鑒。近年來(lái)，針對(duì)合成孔徑圖像目標(biāo)識(shí)別，提出了許多有效的方法?？傮w而言，現(xiàn)有研究思路可歸納為兩類(lèi)，一類(lèi)為基于模板識(shí)別的方法[110]-，該類(lèi)方法通過(guò)實(shí)際實(shí)驗(yàn)或者仿真預(yù)先得到目標(biāo)在各種條件下的先驗(yàn)的模板圖像[37]-或特征矢量[1,2,810]-，每個(gè)模板提供一種分類(lèi)假設(shè)，分類(lèi)時(shí)通過(guò)選擇候選目標(biāo)的圖像或特征矢量與模板的最佳匹配來(lái)完成的。另一類(lèi)是基于模型的識(shí)別方法[11,12]，該類(lèi)方法數(shù)據(jù)庫(kù)中存儲(chǔ)的是目標(biāo)物理或概念的模型，無(wú)需實(shí)際的先驗(yàn)?zāi)０鍞?shù)據(jù)。通過(guò)對(duì)分類(lèi)圖像或特征矢量估計(jì)目標(biāo)姿態(tài)、配置條件、觀測(cè)幾何，實(shí)時(shí)或近實(shí)時(shí)產(chǎn)生對(duì)應(yīng)的待分類(lèi)目標(biāo)圖像。通過(guò)合成孔徑聲吶圖像仿真器產(chǎn)生模板時(shí)可通過(guò)智能地修正目標(biāo)類(lèi)型、姿態(tài)等的假設(shè)，直到它和測(cè)量圖像，或由測(cè)量圖像提取的特征矢量匹配得足夠好為止。相比基于模板的方法，本文采用的基于模型的方法無(wú)需存儲(chǔ)大量不同姿態(tài)下目標(biāo)圖像，增加或刪除備選目標(biāo)靈活性高。目前，在合成孔徑聲吶或雷達(dá)方面，已有一些公開(kāi)的仿真算法[1315]-，然而大多數(shù)方法較為注重仿真圖像的準(zhǔn)確性，對(duì)于仿真算法的實(shí)時(shí)性則考慮不多，這也限制了基于模型的識(shí)別算法發(fā)展。

現(xiàn)有基于模型的方法大都是針對(duì)光學(xué)和合成孔徑雷達(dá)（SAR）圖像，本文對(duì)基于模型的聲吶圖像識(shí)別方法的兩個(gè)問(wèn)題進(jìn)行了改進(jìn)，進(jìn)一步提高了基于模型識(shí)別方法的運(yùn)算效率。具體的改進(jìn)思路如下：首先，提出了基于構(gòu)造凸殼的目標(biāo)姿態(tài)角快速估計(jì)方法，實(shí)現(xiàn)了成像幾何的快速估計(jì)；其次，提出了改進(jìn)的基于隱藏點(diǎn)移除的目標(biāo)圖像快速仿真方法，近實(shí)時(shí)產(chǎn)生備選模型的仿真SAS圖像模板。仿真實(shí)驗(yàn)表明，相比于現(xiàn)有的基于模型的識(shí)別方法，該方法在基本不損失識(shí)別率條件下，可顯著提高目標(biāo)識(shí)別的實(shí)時(shí)性。文章第2節(jié)將詳細(xì)介紹算法實(shí)現(xiàn)方法，第3節(jié)將通過(guò)仿真說(shuō)明算法的有效性，第4節(jié)將給出全文結(jié)論。

2 本文實(shí)現(xiàn)方法

基于模型的SAS圖像目標(biāo)識(shí)別方法流程如圖 1所示，包括如下幾個(gè)步驟：（1）對(duì)輸入圖像進(jìn)行預(yù)處理，標(biāo)記目標(biāo)區(qū)域和陰影區(qū)域；（2）提取目標(biāo)參數(shù)，主要是估計(jì)目標(biāo)的姿態(tài)角；（3）輸入聲吶系統(tǒng)參數(shù)和備選目標(biāo)模型至仿真系統(tǒng)，產(chǎn)生備選目標(biāo)的仿真模板；（4）計(jì)算備選目標(biāo)圖像與輸入目標(biāo)圖像的評(píng)價(jià)函數(shù)，判斷是否滿(mǎn)足匹配要求，若不滿(mǎn)足，則更換備選目標(biāo)模型，重復(fù)步驟（3），若滿(mǎn)足，則輸出識(shí)別結(jié)果。本文在該方法的基礎(chǔ)上，主要工作體現(xiàn)在兩個(gè)方面。一是針對(duì)目標(biāo)姿態(tài)角估計(jì)，提出采用基于構(gòu)造凸殼的目標(biāo)姿態(tài)角快速估計(jì)方法；二是針對(duì)仿真模板的生成，提出了改進(jìn)的基于隱藏點(diǎn)移除的快速圖像仿真方法。通過(guò)以上兩個(gè)步驟的優(yōu)化改進(jìn)，顯著提高了基于模型目標(biāo)識(shí)別算法的效率。具體步驟將在2.1節(jié)至2.4節(jié)中詳細(xì)敘述。

圖1 識(shí)別方法主要流程

2.1 圖像預(yù)處理

與光學(xué)圖像不同，通常SAS圖像沒(méi)有清晰的邊緣，因此，對(duì)SAS圖像進(jìn)行預(yù)處理的主要目的就是將目標(biāo)主體和目標(biāo)陰影部分從背景噪聲中分割出來(lái)。本文中輸入待識(shí)別圖像先通過(guò)標(biāo)準(zhǔn)直方圖均衡方法[9]，讓圖像幅度均歸一化至 （,） [0,1]I x y∈ 。為了降低SAS圖像相干噪聲的影響，將圖像通過(guò)一個(gè)均值濾波器平滑，之后設(shè)定1θ,2θ作為分割目標(biāo)、背景和陰影區(qū)域的閾值。設(shè)分割后圖像為（,）I'x y，可表示為

最后，分別在目標(biāo)區(qū)域和陰影區(qū)域中選擇最大連通區(qū)域，若目標(biāo)最大連通區(qū)域大于給定閾值，則視為檢測(cè)到目標(biāo)，完成圖像預(yù)處理。預(yù)處理過(guò)程見(jiàn)圖2。

2.2 基于構(gòu)造凸殼的目標(biāo)姿態(tài)角估計(jì)

對(duì)于SAS圖像，現(xiàn)有基于直接模板和模型的目標(biāo)識(shí)別方法都受限于目標(biāo)姿態(tài)多變帶來(lái)的不確定性。為了消除“千姿百態(tài)”圖像的不確定性，最有效的方法是對(duì)目標(biāo)的成像幾何進(jìn)行有效估計(jì)。

最小外接矩形方法是一種有效的目標(biāo)姿態(tài)角估計(jì)方法（Minimum Bounding Rectangle, MBR）[16]，一般包括以下步驟：如圖 3所示，首先在目標(biāo)周?chē)?huà)一個(gè)邊長(zhǎng)為l1×l2的矩形，保證該矩形與目標(biāo)相切。之后，每次都以一定的角度α旋轉(zhuǎn)該矩形，直到符合一定的準(zhǔn)則。判定的準(zhǔn)則有目標(biāo)-背景面積比最大、周長(zhǎng)最小和邊界相交點(diǎn)數(shù)最多等。通常認(rèn)為，邊界點(diǎn)數(shù)最多準(zhǔn)則精度較高[9,16]，因此本文采用邊界相交點(diǎn)數(shù)最多為MBR方法為判定準(zhǔn)則。

圖2 圖像預(yù)處理過(guò)程

圖3 基于最小外接矩形的目標(biāo)姿態(tài)角估計(jì)

為提高姿態(tài)角估計(jì)速度，本文假設(shè)最小外接矩形的一條邊必然與目標(biāo)凸殼的一邊重合[17]?；谶@個(gè)假設(shè)，搜索 MBR時(shí)，可以避免遍歷所有可能的角度帶來(lái)的大運(yùn)算量，將 MBR搜索數(shù)量減小到目標(biāo)凸殼的邊的數(shù)量，同時(shí)保證估計(jì)精度沒(méi)有下降。為驗(yàn)證算法的有效性，本文分別對(duì)傳統(tǒng)旋轉(zhuǎn)實(shí)現(xiàn)MBR的方法[9]和基于構(gòu)造凸殼實(shí)現(xiàn)MBR的方法進(jìn)行了仿真，其中，基于旋轉(zhuǎn)實(shí)現(xiàn)的方法每次旋轉(zhuǎn)間隔分別設(shè)置為2°和5°。仿真時(shí)分別對(duì)同一目標(biāo)不同姿態(tài)角下的72幅仿真模板進(jìn)行姿態(tài)角估計(jì)。具體仿真結(jié)果見(jiàn)表 1。從表 1可以看出，基于構(gòu)造凸殼實(shí)現(xiàn)MBR方法相比于傳統(tǒng)基于旋轉(zhuǎn)的MBR方法，精度和效率均得到了提高。需要說(shuō)明的是，由于姿態(tài)角的估計(jì)范圍為 θ ∈ [ 0°, 180°），假定最終估計(jì)得到的角度是θ，則可能的目標(biāo)姿態(tài)角為兩個(gè)，分別為θ和θ+ 1 80°。

2.3 基于截?cái)?維sinc函數(shù)的目標(biāo)圖像快速仿真方法

在圖1所示的基于模型的識(shí)別算法中，影響算法效率的另一個(gè)關(guān)鍵節(jié)點(diǎn)是“仿真模板生成”。文獻(xiàn)[13]中提出了一種基于隱藏點(diǎn)移除的SAR目標(biāo)圖像快速仿真方法，為了進(jìn)一步快速得到目標(biāo)的仿真模板，本文在文獻(xiàn)[13]的基礎(chǔ)上，提出基于點(diǎn)響應(yīng)截?cái)嗟目焖俜抡娣椒ǎM(jìn)一步提高算法的運(yùn)算速度。包括以下4個(gè)主要步驟：

表1 3種姿態(tài)角估計(jì)方法性能比較

（1）仿真產(chǎn)生3維場(chǎng)景，其中背景部分為高斯隨機(jī)分布的粗糙表面，目標(biāo)可輸入任意物體的3維模型。之后通過(guò)插值，獲得整個(gè)場(chǎng)景的點(diǎn)云模型；

（2）通過(guò)隱藏點(diǎn)移除（HPR）[18]算法估計(jì)散射點(diǎn)可視性；

（3）估計(jì)可見(jiàn)散射點(diǎn)的強(qiáng)度；

（4）根據(jù)聲吶成像參數(shù)、可見(jiàn)散射點(diǎn)的強(qiáng)度將 3維場(chǎng)景投影到2維成像平面。理想的SAS點(diǎn)目標(biāo)響應(yīng)可以用一個(gè)2維sinc函數(shù)描述，由于SAS成像是一個(gè)線(xiàn)性系統(tǒng)，因而，最終的SAS仿真模板可以由所有可見(jiàn)散射點(diǎn)的響應(yīng)相加得到。

在步驟（3）中，SAS成像理想點(diǎn)目標(biāo)可表示為

其中，rect（.）為矩形窗函數(shù)，定義為式（3），xi, yi為第i個(gè)散射點(diǎn)的位置，A為目標(biāo)強(qiáng)度函數(shù)，?v為等效平臺(tái)速度，c為水中聲速，λ為波長(zhǎng)， Br為發(fā)射信號(hào)帶寬， Bd為多普勒帶寬，可通過(guò)式（4）得到，其中D為聲吶基陣孔徑，T為合成孔徑總時(shí)間，T為距離向采樣時(shí)間，為方位向慢時(shí)間，?t為距離向快時(shí)間。假定目標(biāo)共有L個(gè)可視散射點(diǎn)，方位向采樣點(diǎn)數(shù)為M，距離向采樣點(diǎn)數(shù)為N。這樣，將所有散射點(diǎn)響應(yīng)函數(shù)進(jìn)行累加時(shí)需要進(jìn)行L×M×N次復(fù)數(shù)加法，計(jì)算量巨大。

考慮到 2維sinc函數(shù)主要能量集中在主瓣附近，因而，如果對(duì)點(diǎn)目標(biāo)響應(yīng)函數(shù)的副瓣部分進(jìn)行適當(dāng)?shù)慕財(cái)?，只?huì)對(duì)最終成像結(jié)果造成有限的影響，同時(shí)，可將總運(yùn)算量降低至2LK×次復(fù)數(shù)加法，其中K為截?cái)嗪?維sinc函數(shù)長(zhǎng)度，為保證截?cái)囗憫?yīng)函數(shù)的對(duì)稱(chēng)性，K通常取奇數(shù)。截?cái)嗪螅硐朦c(diǎn)目標(biāo)可表示如下：

圖4所示為完整2維sinc函數(shù)和截?cái)?維sinc函數(shù)對(duì)比示意圖，如圖可見(jiàn)截?cái)?維sinc函數(shù)保留了完整2維sinc函數(shù)的大部分能量，兩函數(shù)的相關(guān)系數(shù)為0.9886。仿真中 M = N = 2 56, K = 6 3。

2.4 基于目標(biāo)-陰影聯(lián)合匹配方法

對(duì)于SAS圖像，其高光部分和陰影部分均包含目標(biāo)的重要特征，因此，本文引入文獻(xiàn)[3]中提出的歸一化回波-陰影聯(lián)合匹配（Normalized Shadow-Echo Matching, NSEM）方法。首先，基于2.1節(jié)中結(jié)果，目標(biāo)圖像I（ x, y）經(jīng)過(guò)預(yù)處理，得到I'（x, y） 。同時(shí)根據(jù)2.3節(jié)內(nèi)容產(chǎn)生的仿真模板J（ x, y），經(jīng)過(guò)同樣的預(yù)處理方法，得到目標(biāo)模板J'（x, y）。之后將I'（x, y）, J'（x, y） 的高光部分和陰影部分進(jìn)行分割，得到高光部分（x, y ） = max（J'（x, y ）,0）,（x, y）=max（I'（x, y ） ,0） ，陰影部分（x, y ） = min（J'（x, y ）,0）,（x, y ） = |min（I'（x, y ）,0）|。 同 時(shí) 定 義 補(bǔ) 模 板（complementary templates），其中高光部分補(bǔ)模板定義為

構(gòu)造目標(biāo)圖像（,）I x y和模板圖像（,）J x y的匹配度評(píng)價(jià)函數(shù)，該函數(shù)可以通過(guò)式（7）計(jì)算：

式（7）中?運(yùn)算符表示進(jìn)行互相關(guān)運(yùn)算。易知，當(dāng)I（ x, y ） = J （ x, y） 時(shí)， f（ I, J）= 1 。式（7）相對(duì)公平地估計(jì)了高光區(qū)域和陰影區(qū)域?qū)τ趦煞鶊D像相關(guān)性的貢獻(xiàn)。

由于 2.2節(jié)的方法估計(jì)目標(biāo)姿態(tài)角時(shí)，對(duì)于每個(gè)目標(biāo)，都存在兩個(gè)可能的姿態(tài)角，因而，若存在N類(lèi)備選目標(biāo)，需要仿真產(chǎn)生2N個(gè)模板圖像與目標(biāo)圖像匹配，計(jì)算f（ I, J）并設(shè)定閾值ρ，構(gòu)造分類(lèi)函數(shù)為

當(dāng)沒(méi)有模板能超過(guò)閾值時(shí)，分類(lèi)器輸出為0，否則，輸出分類(lèi)結(jié)果。

3 數(shù)值實(shí)驗(yàn)驗(yàn)證

為了實(shí)現(xiàn)SAS圖像的目標(biāo)識(shí)別算法，需要建立一個(gè)包含多種模型的仿真及訓(xùn)練樣本庫(kù)。在合成孔徑雷達(dá)（SAR）圖像的識(shí)別算法研究中，MSTAR數(shù)據(jù)庫(kù)為公認(rèn)的算法測(cè)試庫(kù)。然而，目前在針對(duì)SAS圖像的識(shí)別算法研究領(lǐng)域，還沒(méi)有這樣一個(gè)公開(kāi)的測(cè)試集。因此，通過(guò)2.3節(jié)提出的仿真方法產(chǎn)生3類(lèi)目標(biāo)的仿真模板作為測(cè)試樣本集，每類(lèi)目標(biāo)的數(shù)據(jù)集各包含 72幅圖像，姿態(tài)角設(shè)置為（0°,5°,1 0°,…,355°），每幅圖像大小為256×256像素。仿真參數(shù)如表 2所示。仿真時(shí)，成像區(qū)域大小約為25.6 m× 2 5.6 m，3類(lèi)仿真潛艇目標(biāo)長(zhǎng)度均設(shè)置為12 m。仿真結(jié)果如圖5所示，圖5中每個(gè)目標(biāo)只給出了一個(gè)姿態(tài)角下的仿真模板。

圖4 完整2維sinc函數(shù)和截?cái)?維sinc函數(shù)對(duì)比

圖5 3類(lèi)潛艇目標(biāo)3維模型與仿真圖像

表2 仿真參數(shù)

為了驗(yàn)證本文提出的基于截?cái)?維sinc函數(shù)快速仿真算法的性能，分別通過(guò)常規(guī)完整2維sinc函數(shù)方法和基于截?cái)?維sinc函數(shù)的方法來(lái)仿真產(chǎn)生圖像，結(jié)果對(duì)比見(jiàn)表 3。仿真結(jié)果表明，相比常規(guī)完整2維sinc函數(shù)方法，基于截?cái)?維sinc函數(shù)方法得到的圖像與未截?cái)嗲闆r下得到的仿真模板的相關(guān)系數(shù)為 0.9830，兩圖像幾乎完全一致，而截?cái)嗪蠓抡鏁r(shí)間相比于未截?cái)嗲闆r下的仿真時(shí)間減少了到原來(lái)的 1/12.69。同時(shí)，兩次仿真中L相同，M×N / A2= 1 6.51。仿真結(jié)果與理論預(yù)期結(jié)果接近。仿真平臺(tái)為CPU: Intel Core I5, 3.0 GHz，內(nèi)存：8 GB，操作系統(tǒng)：Windows 7 64位，軟件平臺(tái)：Matlab 2012a。

采用本文方法與角度估計(jì)時(shí)固定角度間隔的方法[9]和仿真中采用完整 2維點(diǎn)響應(yīng)函數(shù)方法分別作為對(duì)比。本文方法與固定角度間隔的方法的不同之處在于目標(biāo)姿態(tài)角估計(jì)方法不同，目標(biāo)仿真模板均采用本文提出的改進(jìn)的隱藏點(diǎn)移除快速仿真方法；完整2維點(diǎn)響應(yīng)函數(shù)方法與本文方法的不同，在于目標(biāo)仿真模板的產(chǎn)生方法不同，完整2維點(diǎn)響應(yīng)函數(shù)仿真方法目標(biāo)可見(jiàn)點(diǎn)投影時(shí)沒(méi)有進(jìn)行截?cái)嗵幚?，而本文方法采用點(diǎn)響應(yīng)函數(shù)截?cái)嗵幚?。仿真中?jì)算了 3種算法的混淆矩陣和平均每幅圖像的分類(lèi)時(shí)間，混淆矩陣描述了目標(biāo)分類(lèi)算法的分裂程度。3種算法的仿真混淆矩陣見(jiàn)表 4，仿真結(jié)果表明，相對(duì)另外兩種算法，本文方法在正確識(shí)別率上接近固定步長(zhǎng)旋轉(zhuǎn)模板相關(guān)的方法達(dá)到 93.5%，較固定步長(zhǎng)旋轉(zhuǎn)姿態(tài)角估計(jì)方法識(shí)別準(zhǔn)確率更高，與完整 2維sinc函數(shù)識(shí)別結(jié)果相同；但本文方法運(yùn)算效率要略快于固定步長(zhǎng)旋轉(zhuǎn)模型相關(guān)方法，遠(yuǎn)快于完整 2維點(diǎn)響應(yīng)函數(shù)模型圖像仿真方法。

表3 常規(guī)完整2維sinc函數(shù)方法和基于截?cái)?維sinc函數(shù)方法的仿真結(jié)果對(duì)比

4 結(jié)論

本文提出了一種改進(jìn)的基于模型實(shí)時(shí)仿真的高分辨率SAS圖像目標(biāo)識(shí)別算法。針對(duì)傳統(tǒng)的基于模型的識(shí)別方法，在兩個(gè)方面進(jìn)行了改進(jìn)。一是通過(guò)改進(jìn)的目標(biāo)姿態(tài)角估計(jì)算法，快速估計(jì)目標(biāo)的成像幾何參數(shù)；二是提出改進(jìn)的基于隱藏點(diǎn)移除的目標(biāo)圖像快速仿真方法，通過(guò)點(diǎn)響應(yīng)函數(shù)的截?cái)嘟档头抡孢^(guò)程中的運(yùn)算量，實(shí)現(xiàn)目標(biāo)仿真模板的快速生成。另外，在仿真模板生成方面考慮了SAS背景場(chǎng)景的影響，提高了模板生成的逼真度。仿真結(jié)果顯示，本文提出的SAS圖像目標(biāo)識(shí)別方法保證了較高識(shí)別率的同時(shí)顯著地降低了運(yùn)算量，提高了算法的實(shí)時(shí)性。

表4 3種方法混淆矩陣

[1] Williams D P and Fakiris E. Exploiting environmental information for improved underwater target classification in sonar imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52（10）: 6284-6297.

[2] Tai F, Kraus D, and Zoubir A M. Contributions to automatic target recognition systems for underwater mine classification[J]. IEEE Transactions on Geoscience and Remote Sensing,2015, 53（1）: 505-518.

[3] Myers V and Fawcett J. A template matching procedure for automatic target recognition in synthetic aperture sonar imagery[J]. IEEE Signal Processing Letters, 2010, 17（7）:683-686.

[4] Myers V and Williams D P. Adaptive multiview target classification in synthetic aperture sonar images using a partially observable markov decision process[J]. IEEE Journal of Oceanic Engineering, 2012, 37（1）: 45-55.

[5] Groen J, Coiras E, Del Rio Vera J, et al.. Model-based sea mine classification with synthetic aperture sonar[J]. IET Radar, Sonar & Navigation, 2010, 4（1）: 62-73.

[6] Williams D P. Bayesian data fusion of multiview synthetic aperture sonar imagery for seabed classification[J]. IEEE Transactions on Image Processing, 2009, 18（6）: 1239-1254.

[7] Dobeck G J and Hyland J C. Automated detection and classification of sea mines in sonar imagery[J]. SPIE, 1997,Vol. 3097: 90-110.

[8] Zhang H, Nasrabadi N M, Zhang Y, et al.. Multi-view automatic target recognition using joint sparse representation[J]. IEEE Transactions on Aerospace and Electronic Systems, 2012, 48（3）: 2481-2497.

[9] Sun Y, Liu Z, Todorovic S, et al.. Adaptive boosting for SAR automatic target recognition[J]. IEEE Transactions on Aerospace and Electronic Systems, 2007, 43（1）: 112-125.

[10] Xing X, Ji K, Zou H, et al.. Sparse representation based SAR vehicle recognition along with aspect angle[J]. The Scientific World Journal, 2014, 2014（1）: 1-10.

[11] Dong G, Wang N, and Kuang G. Sparse representation of monogenic signal: with application to rarget recognition in SAR images[J]. IEEE Signal Processing Letters, 2014, 21（8）:952-956.

[12] Huang Y, Peia J, Yanga J, et al.. Neighborhood geometric center scaling embedding for SAR ATR[J]. IEEE Transactions on Aerospace and Electronic Systems, 2014,50（1）: 180-192.

[13] Zhu Z, Peng S, Xu J, et al.. A fast SAS image simulator based on HPR algorithm[C]. Oceans - San Diego, 2013, San Diego,CA, USA, 2013: 1-5.

[14] 劉維, 張春華, 劉紀(jì)元. 合成孔徑聲吶三維數(shù)據(jù)仿真研究[J].系統(tǒng)仿真學(xué)報(bào), 2008, 20（14）: 3838-3841.Liu Wei, Zhang Chun-hua, and Liu Ji-yuan. Research on synthetic aperture sonar 3-D data simulation[J]. Journal of System Simulation, 2008, 20（14）: 3838-3841.

[15] 熊文昌, 王宏琦, 唐侃. 基于面元投影模型的 SAR 建筑物快速圖像仿真[J]. 電子與信息學(xué)報(bào), 2014, 36（5）: 1062-1068.Xiong Wen-chang, Wang Hong-qi, and Tang Kan. Fast SAR imaging simulation for urban structures based on facet projection model[J]. Journal of Electronics & Information Technology, 2014, 36（5）: 1062-1068.

[16] 倪心強(qiáng). SAR圖像分類(lèi)與自動(dòng)目標(biāo)識(shí)別技術(shù)研究[D]. [博士論文], 中國(guó)科學(xué)院大學(xué), 2007.Ni Xin-qiang. Research of classification and automatic target recognition using SAR imagery[D]. [Ph.D. dissertation],University of Chinese Academy of Sciences, 2007.

[17] 程鵬飛, 閆浩文, 韓振輝. 一個(gè)求解多邊形最小面積外接矩形的算法[J]. 工程圖學(xué)學(xué)報(bào), 2008, 29（1）: 122-126.Cheng Peng-fei, Yan Hao-wen, and Han Zhen-hui. An algorithm for computing the minimum area bounding rectangle of an arbitrary polygon[J]. Journal of Engineering Graphics, 2008, 29（1）: 122-126.

[18] Katz S, Tal A, and Basri R. Direct visibility of point sets[J].ACM Transactions on Graphics, 2007, 26（3）: 1-24.