王 璐 張 帆李 偉 謝曉明 胡 偉

(北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院 北京 100029)

基于Gabor濾波器和局部紋理特征提取的SAR目標(biāo)識(shí)別算法

王 璐 張 帆*李 偉 謝曉明 胡 偉

(北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院 北京 100029)

該文提出了一種基于Gabor濾波器和Three-Patch Local Binary Patterns(TPLBP)局部紋理特征提取的合成孔徑雷達(dá)(Synthetic Aperture Rader,SAR)圖像目標(biāo)識(shí)別算法。首先，利用Gabor濾波器對(duì)SAR圖像在不同方向上進(jìn)行濾波，增強(qiáng)SAR圖像中目標(biāo)及其陰影的關(guān)鍵特征；然后，利用TPLBP算法對(duì)Gabor濾波之后的圖像進(jìn)行局部紋理特征提取，該算法克服了Local Binary Patterns(LBP)算法無(wú)法描述大范圍領(lǐng)域紋理特征的缺陷，并且保持了LBP旋轉(zhuǎn)不變的特性，減少了SAR圖像目標(biāo)方位變化對(duì)識(shí)別效果的影響；最后利用極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)分類(lèi)器實(shí)現(xiàn)目標(biāo)識(shí)別。該文通過(guò)MSTAR數(shù)據(jù)庫(kù)中的3類(lèi)SAR目標(biāo)識(shí)別實(shí)驗(yàn)驗(yàn)證了該算法的有效性。

SAR目標(biāo)識(shí)別；Gabor濾波器；Three-Patch LBP；特征提取

Reference format: Wang Lu,Zhang Fan,Li Wei,et al.. A method of SAR target recognition based on Gabor filter and local texture feature extraction[J]. Journal of Radars,2015,4(6): 658–665. DOI: 10.12000/JR15076.

1 引言

合成孔徑雷達(dá)(Synthetic Aperture Rader,SAR)是一種成像分辨率較高的雷達(dá)，其具有全天候、全天時(shí)、分辨率高以及穿透力強(qiáng)等特點(diǎn)，成為目前對(duì)地觀測(cè)的重要手段[1]。然而，隨著SAR圖像成像技術(shù)的不斷發(fā)展和成熟，SAR目標(biāo)識(shí)別技術(shù)的研究成為國(guó)內(nèi)外研究的熱點(diǎn)。

SAR圖像的有效特征提取和分類(lèi)器的選擇是SAR目標(biāo)識(shí)別中的重要組成部分。目前，模式識(shí)別領(lǐng)域已相繼提出了許多有效的特征提取方法和分類(lèi)識(shí)別方法。如主成分分析法(Principal Component Analysis,PCA)[2]、Gabor濾波器方法[3]、局部二值模式法(Local Binary Patterns,LBP)[4]、支持向量機(jī)(Support Vector Machine,SVM)分類(lèi)器[5]以及模板匹配識(shí)別[6]等。Gabor濾波器具有良好的多尺度特性和多方向特性，其對(duì)于目標(biāo)圖像，可提取不同尺度和方向上的有效細(xì)節(jié)特征，其在人臉識(shí)別領(lǐng)域[3]和高光譜圖像分類(lèi)領(lǐng)域[7]均有效提取了目標(biāo)圖像的顯著特征，并獲得了良好的識(shí)別效果。PCA是模式識(shí)別領(lǐng)域中一種比較經(jīng)典的特征提取算法，對(duì)于2維圖像，首先將2維數(shù)據(jù)按列轉(zhuǎn)換成1維數(shù)據(jù)，再將其投影到新的坐標(biāo)空間，因此，PCA算法因未考慮圖像的有效空間信息而對(duì)識(shí)別效果有所影響。然而，LBP方法雖然算法簡(jiǎn)單，但由于其對(duì)圖像的空間信息加以利用，因此獲得了較好的識(shí)別效果[4]。

本文提出了一種基于Gabor濾波器和Three-Patch Local Binary Patterns(TPLBP)紋理特征的合成孔徑雷達(dá)圖像目標(biāo)識(shí)別算法。一般而言，SAR目標(biāo)識(shí)別在特征提取之前，需要進(jìn)行圖像預(yù)處理，進(jìn)行噪聲濾除和方位矯正等，而在本文中，首先，采用Gabor濾波器提取SAR目標(biāo)圖像在不同方向上的全局特征，由于Gabor濾波器對(duì)于圖像的邊緣敏感及其具有良好的方向特性，不僅有助于提取SAR目標(biāo)和背景處的邊緣信息，而且在不進(jìn)行方位矯正的條件下通過(guò)提取不同方位的方向信息進(jìn)行目標(biāo)識(shí)別；然后，采用TPLBP算法對(duì)不同方向上Gabor濾波之后的圖像進(jìn)行局部紋理特征再提取，TPLBP算法相比于LBP算法，具有更強(qiáng)的紋理特征描述能力；最后，通過(guò)極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)分類(lèi)器進(jìn)行目標(biāo)識(shí)別。實(shí)驗(yàn)結(jié)果表明該算法具有良好的識(shí)別效果。

2 Gabor濾波器和TPLBP特征提取

2.1 Gabor濾波器

Gabor濾波器的頻率和方向表達(dá)同人類(lèi)視覺(jué)系統(tǒng)類(lèi)似，其對(duì)于圖像的邊緣敏感，能夠提供良好的方向選擇特性，易于提取SAR目標(biāo)與背景處的邊緣信息及不同方位目標(biāo)的方向信息。2維Gabor濾波器[3]是一個(gè)正弦平面波調(diào)制的高斯核函數(shù)。在2維坐標(biāo)(x,y)系統(tǒng)中，Gabor濾波器包含1個(gè)實(shí)部和1個(gè)虛部，其定義如下：

其中λ表示正弦平面波的波長(zhǎng)，它的值以像素為單位；θ表示Gabor核函數(shù)的方向，取值范圍是0°～360°；ψ是相位偏移，本文中設(shè)定該值為0和π/2; σ是高斯包絡(luò)的標(biāo)準(zhǔn)差；γ表示空間縱橫比，一般默認(rèn)值為0.5; σ參數(shù)的值由λ和Gabor濾波器的半響應(yīng)空間頻率帶寬bw來(lái)決定，其關(guān)系定義如下：

2.2 TPLBP特征提取

LBP[8]是一種基于像素點(diǎn)的圖像局部二值紋理特征描述器，其具有光照魯棒性以及旋轉(zhuǎn)不變性。本文中采用Three-Patch LBP[9]算法來(lái)描述圖像的紋理特征，該算法是在LBP算法的基礎(chǔ)上提出的一種基于模塊化的圖像空間特征信息描述器，它克服了LBP算法無(wú)法進(jìn)行大范圍鄰域內(nèi)的紋理特征描述的缺陷。由于SAR目標(biāo)圖像本身的特殊性，很難對(duì)特征點(diǎn)進(jìn)行非常精確的定位，因此本文選用對(duì)特征點(diǎn)選擇不是很敏感的TPLBP算法對(duì)SAR目標(biāo)進(jìn)行特征再提取。

首先，對(duì)于圖像中的每個(gè)像素點(diǎn)，以該像素點(diǎn)為中心得到一個(gè)w×w大小的模塊Cp，并且以該模塊為中心，在距離半徑為r的范圍內(nèi)，生成S個(gè)同等大小的模塊(如圖1所示)，每個(gè)模塊的中心像素點(diǎn)均通過(guò)LBP算法生成相應(yīng)的LBP碼值。從S個(gè)模塊中取得兩個(gè)模塊的中心像素點(diǎn)LBP碼值與中心模塊的中心像素點(diǎn)LBP碼值進(jìn)行相似度計(jì)算(如通過(guò)兩中心像素點(diǎn)LBP碼值差值的l2范數(shù)來(lái)計(jì)算相似度)，α參數(shù)表示所取的兩個(gè)模塊在以r為半徑的圓周范圍內(nèi)所間隔的模塊數(shù)量。然后，對(duì)兩模塊與中心模塊的中心像素點(diǎn)相似度進(jìn)行差值計(jì)算，從而得到一組二進(jìn)制串，將其加權(quán)計(jì)算得到相應(yīng)的TPLBP碼值，其定義如下[9]：

圖 1 Three-Patch LBP編碼示意圖(S=8,w=3,=2)Fig. 1 The Three-Patch LBP code(S=8,w=3,=2)

其中，Ci和Ci+αmodS是r半徑圓周內(nèi)的兩模塊中心像素點(diǎn)的LBP碼值，Cp是中心模塊的中心像素點(diǎn)的LBP碼值，函數(shù)d(.,.)表示計(jì)算兩模塊中心像素點(diǎn)的相似度，本文中相似度采用歐氏距離的計(jì)算方法，函數(shù)f的定義如下：

其中，本文中設(shè)定τ=0.01。根據(jù)式(5)計(jì)算得到圖像中每個(gè)像素點(diǎn)的TPLBP碼值。然后，將整幅圖像分割成非重疊同等大小的矩形窗(B×B)，并計(jì)算每個(gè)矩形窗中各TPLBP碼值的頻率值，即TPLBP碼值的統(tǒng)計(jì)直方圖。最后，將每個(gè)矩形窗的直方圖向量串聯(lián)形成整幅圖像的TPLBP特征向量。

3 ELM分類(lèi)器

ELM[10]是只包含1個(gè)隱含層和1個(gè)輸出層的神經(jīng)網(wǎng)絡(luò)。其最顯著的特點(diǎn)是，它的隱含層參數(shù)不需要進(jìn)行調(diào)試，而是隨機(jī)設(shè)定的，具有較強(qiáng)的泛化能力。假設(shè)ELM的隱含層包含L個(gè)節(jié)點(diǎn)，則其輸出函數(shù)如下：

對(duì)于給定任意n個(gè)樣本，則有

H可以寫(xiě)成如下形式：

為了提高該神經(jīng)網(wǎng)絡(luò)的泛化能力，ELM在最小化訓(xùn)練誤差的同時(shí)，將輸出權(quán)重的范數(shù)也進(jìn)行最小化，其表達(dá)式如下：

其中，H+是H矩陣Moore-Penrose廣義逆，并且H+=HT(HHT)–1。

為了更好地提高算法穩(wěn)定性和泛化能力，式(12)被重新定義成如下形式[10]：

其中，C是一個(gè)回歸系數(shù)。

文獻(xiàn)[11]在ELM的基礎(chǔ)上，又提出了一種基于核函數(shù)的ELM算法。該算法是用核函數(shù)來(lái)隱藏ELM原有的激勵(lì)函數(shù)H，從而更好地提高了算法的泛化能力。對(duì)于某一樣本xi，其輸出函數(shù)表達(dá)式如下：

本文中采用了核函數(shù)的ELM算法進(jìn)行SAR圖像的目標(biāo)識(shí)別，并選擇徑向基核函數(shù)(RBF)作為核函數(shù)。

4 基于Gabor濾波器和TPLBP特征提取的SAR圖像目標(biāo)識(shí)別過(guò)程

本文提出的基于Gabor濾波器和TPLBP特征提取的SAR圖像目標(biāo)識(shí)別過(guò)程由兩個(gè)部分組成，其流程如圖2所示。

圖 2 基于Gabor濾波器和TPLBP特征提取的SAR圖像目標(biāo)識(shí)別方法流程圖Fig. 2 The process of the SAR target recognition method based on Gabor filter and TPLBP feature extraction

(1) 特征提?。菏紫龋瑢?duì)SAR圖像在不同方向上進(jìn)行Gabor濾波，提取SAR圖像在不同方向上的紋理特征，如圖3所示。其中，圖3(a)是17°俯仰角下BMP2-9563中的一張?jiān)繕?biāo)圖像，圖3(b)–圖3(i)分別為8個(gè)不同方向上[0,π/8,π/4,3π/8,π/2,5π/8,3π/4,7π/8]Gabor濾波之后的圖像，不難看出，由于Gabor濾波器對(duì)于邊緣敏感，Gabor濾波之后的圖像中，SAR目標(biāo)與背景之間灰度值差異顯著(目標(biāo)和背景灰度分離)，使SAR目標(biāo)在圖像中更加清晰，并且在不同方向上的Gabor濾波圖像具有很強(qiáng)的方向性。然后，將Gabor濾波之后的每張圖像分成互不重疊同等大小的矩形塊，對(duì)每個(gè)矩形塊進(jìn)行TPLBP編碼，并統(tǒng)計(jì)TPLBP碼值的直方圖，將直方圖串接形成每張SAR圖像的紋理特征描述。由于TPLBP算法是在LBP算法的基礎(chǔ)上描述了領(lǐng)域模塊LBP之間的相互關(guān)系，因此其具有更強(qiáng)的紋理特征描述能力，能夠更好地描述SAR目標(biāo)圖像的局部紋理特征。

圖 3 Gabor濾波之后的圖像(以17°俯仰角的SAR圖像為例，Gabor濾波器取8個(gè)方向)Fig. 3 The Gabor filtered images (take 17° angle for example,Gabor filter is set with eight directions)

(2) 分類(lèi)過(guò)程：采用ELM分類(lèi)器對(duì)所提取的有效目標(biāo)特征進(jìn)行分類(lèi)并輸出識(shí)別結(jié)果。

5 實(shí)驗(yàn)結(jié)果及分析

5.1 實(shí)驗(yàn)數(shù)據(jù)與設(shè)置

為了驗(yàn)證本文算法的有效性，本文所使用的數(shù)據(jù)[12]是MSTAR公開(kāi)數(shù)據(jù)集，該數(shù)據(jù)的分辨率為0.3 m×0.3 m，圖像大小為128×128像素。本文所用數(shù)據(jù)集包含俯仰角為17°和15°的坦克、戰(zhàn)車(chē)、裝甲車(chē)等3大類(lèi)、7種型號(hào)目標(biāo)，具體如下：BMP2(包含SN_9563,SN_9566和SN_C21),BTR70(包含SN_C71),T72(包含SN_132,SN_812和SN_S7)，每類(lèi)目標(biāo)的方位覆蓋范圍均為0°～360°。

本文選擇17°俯仰角的目標(biāo)圖像作為訓(xùn)練樣本，選擇15°俯仰角的目標(biāo)圖像作為測(cè)試樣本。為了更好地驗(yàn)證算法的有效性，本文設(shè)置兩種實(shí)驗(yàn)場(chǎng)景：3類(lèi)目標(biāo)識(shí)別和7種不同編號(hào)識(shí)別，其訓(xùn)練樣本和測(cè)試樣本的樣本數(shù)量設(shè)置如表1，表2所示。

表 1 實(shí)驗(yàn)場(chǎng)景Ⅰ的訓(xùn)練樣本和測(cè)試樣本設(shè)置Tab. 1 The training samples and test samples configuration of experiment Ⅰ

表 2 實(shí)驗(yàn)場(chǎng)景Ⅱ的訓(xùn)練樣本和測(cè)試樣本設(shè)置Tab. 2 The training samples and test samples configuration of experiment Ⅱ

實(shí)驗(yàn)場(chǎng)景I：3類(lèi)目標(biāo)識(shí)別

在該實(shí)驗(yàn)場(chǎng)景中，訓(xùn)練樣本只包含每一類(lèi)目標(biāo)的某一種編號(hào)，測(cè)試樣本包含每一類(lèi)目標(biāo)的所有編號(hào)，因此，該場(chǎng)景設(shè)置主要驗(yàn)證本文算法對(duì)不同編號(hào)的同一類(lèi)目標(biāo)的識(shí)別效果。

實(shí)驗(yàn)場(chǎng)景II：7種不同編號(hào)識(shí)別

在該實(shí)驗(yàn)場(chǎng)景中，訓(xùn)練樣本和測(cè)試樣本均包含每一類(lèi)目標(biāo)的所有編號(hào)，因此，該場(chǎng)景設(shè)置主要驗(yàn)證本文算法對(duì)不同編號(hào)目標(biāo)的識(shí)別效果。

5.2 不同算法參數(shù)對(duì)識(shí)別效果的影響

本節(jié)選擇實(shí)驗(yàn)場(chǎng)景Ⅰ，研究Gabor濾波器和TPLBP特征提取算法的不同參數(shù)對(duì)識(shí)別效果的影響，具體如下：

首先對(duì)SAR圖像在各個(gè)方向上進(jìn)行Gabor濾波，然后對(duì)不同方向上Gabor濾波之后的圖像進(jìn)行TPLBP局部紋理特征提取。在Gabor濾波過(guò)程中，本實(shí)驗(yàn)研究了Gabor濾波器的半響應(yīng)空間頻率帶寬bw和Gabor核函數(shù)方向θ對(duì)識(shí)別效果的影響。實(shí)驗(yàn)中，分別設(shè)定兩組Gabor濾波器參數(shù)：(1)bw=4,θ取6個(gè)方向[0,π/6,π/3,π/2,2π/3,5π/6]; (2)bw=5,θ取8個(gè)方向[0,π/8,π/4,3π/8,π/2,5π/8,3π/4,7π/8]。

其次，在TPLBP算法提取局部紋理特征方面，本實(shí)驗(yàn)研究了距離半徑r和矩形窗口大小(B×B)對(duì)識(shí)別效果的影響。實(shí)驗(yàn)中，分別設(shè)定r取值為[4,6,8,10,12,14,16]，B取值為[20,40,60,80]，另外，固定S取值為8,w取值為3,α取值為1。實(shí)驗(yàn)中的分類(lèi)過(guò)程均采用核函數(shù)的ELM算法。實(shí)驗(yàn)結(jié)果如表3所示。

表 3 Gabor濾波器bw=4,θ取6個(gè)方向情況下的識(shí)別準(zhǔn)確率(%)Tab. 3 The recognition accuracy with bw=4,θ in six directions (%)

由表3和表4可以看出，Gabor濾波器和TPLBP局部特征提取達(dá)到識(shí)別效果最優(yōu)時(shí)(約為94.80%)的參數(shù)設(shè)置是：Gabor濾波器的bw=4，θ取6個(gè)方向[0,π/6,π/3,π/2,2π/3,5π/6]; TPLBP局部特征提取時(shí)，r=12,B=20。

5.3 不同大小的訓(xùn)練樣本對(duì)識(shí)別效果的影響

本節(jié)選擇實(shí)驗(yàn)場(chǎng)景Ⅰ和實(shí)驗(yàn)場(chǎng)景Ⅱ，研究不同大小的訓(xùn)練樣本對(duì)識(shí)別效果的影響。Gabor濾波器和TPLBP局部特征提取的參數(shù)均選擇上一節(jié)的最優(yōu)參數(shù)：bw=4,θ取6個(gè)方向[0,π/6,π/3,π/2,2π/3,5π/6],r=12,B=20，訓(xùn)練樣本大小m取[80,100,120,140,160,180,200,220]。本實(shí)驗(yàn)中所用的訓(xùn)練樣本均從訓(xùn)練樣本庫(kù)中隨機(jī)選取，因此，為了減小隨機(jī)操作對(duì)識(shí)別效果的影響，每組不同大小的訓(xùn)練樣本隨機(jī)選取10次，最后將10次識(shí)別效果進(jìn)行平均作為最終的識(shí)別效果。實(shí)驗(yàn)結(jié)果如表4所示。

表 4 Gabor濾波器bw=5,θ取8個(gè)方向情況下的識(shí)別準(zhǔn)確率(%)Tab. 4 The recognition accuracy with bw=5,θ in eight dirctions (%)

由表5和表6可以看出，隨著訓(xùn)練樣本數(shù)量的增加，SAR圖像目標(biāo)識(shí)別效果趨于更優(yōu)。其中，BTR70目標(biāo)的識(shí)別效果最為顯著，可以達(dá)到100%，因?yàn)樵擃?lèi)目標(biāo)僅存在一種編號(hào)(BTR70-C71)，不受其他同類(lèi)目標(biāo)不同編號(hào)的影響。此外，當(dāng)訓(xùn)練樣本量較小時(shí)，該算法對(duì)于實(shí)驗(yàn)場(chǎng)景Ⅰ的識(shí)別效果優(yōu)于實(shí)驗(yàn)場(chǎng)景Ⅱ的識(shí)別效果，而當(dāng)訓(xùn)練樣本量較大時(shí)，該算法對(duì)于實(shí)驗(yàn)場(chǎng)景Ⅱ的識(shí)別效果優(yōu)于實(shí)驗(yàn)場(chǎng)景Ⅰ的識(shí)別效果。因此，當(dāng)訓(xùn)練樣本量較小時(shí)，本文算法更利于對(duì)某類(lèi)的目標(biāo)進(jìn)行識(shí)別，而當(dāng)訓(xùn)練樣本量較大時(shí)，本文算法更利于對(duì)不同編號(hào)的目標(biāo)進(jìn)行識(shí)別。

表 5 在實(shí)驗(yàn)場(chǎng)景Ⅰ下，不同大小的訓(xùn)練樣本的識(shí)別準(zhǔn)確率(%)Tab. 5 The recognition accuracy of different training samples in Experiment set Ⅰ (%)

表 6 在實(shí)驗(yàn)場(chǎng)景Ⅱ下，不同大小的訓(xùn)練樣本的識(shí)別準(zhǔn)確率(%)Tab. 6 The recognition accuracy of different training samples in Experiment set Ⅱ (%)

5.4 與其他算法比較分析

為了驗(yàn)證本文算法的識(shí)別效果，分別進(jìn)行以下兩組對(duì)比實(shí)驗(yàn)。

(1) 與其他特征提取算法對(duì)比

作為對(duì)比，本實(shí)驗(yàn)將所提出的算法與其他特征提取算法進(jìn)行對(duì)比。該實(shí)驗(yàn)選擇實(shí)驗(yàn)場(chǎng)景Ⅰ，特征提取算法均選擇各自的最優(yōu)參數(shù)，目標(biāo)識(shí)別過(guò)程均采用核函數(shù)的ELM算法。對(duì)比實(shí)驗(yàn)結(jié)果如圖4所示。

由圖4可以看出，本文所提出的特征提取算法的目標(biāo)識(shí)別準(zhǔn)確率明顯高于其他特征提取算法。Gabor濾波器提取的是SAR圖像的全局特征，而LBP算法和TPLBP算法提取的是SAR圖像的局部紋理特征，因此，在全局特征的基礎(chǔ)上提取局部紋理特征可以獲得更加魯棒的SAR圖像特征，從而，Gabor+LBP算法的識(shí)別效果優(yōu)于簡(jiǎn)單的LBP局部紋理特征算法的識(shí)別效果。此外，本文算法的識(shí)別準(zhǔn)確率明顯高于一般的線(xiàn)性特征提取(PCA)算法。

圖 4 本文算法與其他特征提取算法的目標(biāo)識(shí)別效果對(duì)比Fig. 4 The comparison of the method and other feature extraction method in recognition perfomance

(2) 與其他分類(lèi)算法對(duì)比

作為對(duì)比，本實(shí)驗(yàn)將所提出的算法與其他分類(lèi)算法進(jìn)行對(duì)比。SRC是一種基于稀疏表達(dá)的分類(lèi)方法，SVM是目前應(yīng)用較廣的一種經(jīng)典分類(lèi)方法，這兩種方法均在實(shí)驗(yàn)場(chǎng)景Ⅰ的情況下進(jìn)行實(shí)驗(yàn)，為了體現(xiàn)本文特征提取算法對(duì)SAR目標(biāo)識(shí)別的有利影響，均不對(duì)SAR目標(biāo)圖像進(jìn)行去噪等預(yù)處理過(guò)程。在分類(lèi)過(guò)程之前，均采用Gabor濾波、TPLBP特征提取方法。文獻(xiàn)[13]首先利用傅里葉描述子表示目標(biāo)輪廓和陰影輪廓，然后用基于最大相關(guān)法進(jìn)行模板匹配，最后用基于串接的融合器進(jìn)行融合識(shí)別。以上其他分類(lèi)算法與本文算法的目標(biāo)識(shí)別效果對(duì)比如表7所示。

由表7可以看出，本文算法的識(shí)別準(zhǔn)確率明顯優(yōu)于只提取目標(biāo)輪廓特征的模板匹配分類(lèi)算法和應(yīng)用較廣的SVM算法。雖然，本文算法的識(shí)別準(zhǔn)確率與SRC算法相差不大，但其算法運(yùn)行效率遠(yuǎn)遠(yuǎn)優(yōu)于SRC算法。

表 7 本文算法與其他分類(lèi)算法的識(shí)別效果對(duì)比Tab. 7 The recognition performance of the method and other classification method

6 結(jié)論

本文提出了一種基于Gabor濾波器和TPLBP特征提取的SAR圖像目標(biāo)識(shí)別算法。利用Gabor濾波器提取SAR圖像的全局特征，在此基礎(chǔ)上，利用TPLBP算法提取SAR圖像的局部紋理特征，最后利用核函數(shù)的ELM分類(lèi)器進(jìn)行目標(biāo)識(shí)別。本文算法針對(duì)基于MSTAR數(shù)據(jù)庫(kù)中的3類(lèi)SAR目標(biāo)圖像進(jìn)行了實(shí)驗(yàn)分析，實(shí)驗(yàn)結(jié)果表明，本文所提出的算法對(duì)于SAR目標(biāo)的識(shí)別效果優(yōu)于其他一些特征提取算法(PCA,Gabor+LBP,LBP)和其他一些分類(lèi)算法(SRC、模板匹配、SVM)。此外，當(dāng)訓(xùn)練樣本量較小時(shí)，本文算法針對(duì)某類(lèi)目標(biāo)的識(shí)別效果更優(yōu)，而當(dāng)訓(xùn)練樣本量較大時(shí)，本文算法針對(duì)不同編號(hào)的目標(biāo)識(shí)別效果更優(yōu)。

[1]丁軍,劉宏偉,王英華. 基于非負(fù)稀疏表示的SAR圖像目標(biāo)識(shí)別方法[J]. 電子與信息學(xué)報(bào),2014,36(9): 2194–2200. Ding Jun,Liu Hong-wei,and Wang Ying-hua. SAR image target recognition based on non-negative sparse representation[J]. Journal of Electronics & Information Technology,2014,36(9): 2194–2200.

[2]梁勝杰,張志華,崔立林,等. 基于主成分分析與核獨(dú)立成分分析的降維方法[J]. 系統(tǒng)工程與電子技術(shù),2011,33(9): 2144–2148. Liang Sheng-jie,Zhang Zhi-hua,Cui Li-lin,et al.. A reduced dimension method based on PCA and KICA[J]. Systems Engineering and Electronics,2011,33(9): 2144–2148.

[3]周家銳,紀(jì)震,沈琳琳,等. 基于Gabor小波與Memetic算法的人臉識(shí)別方法[J]. 電子學(xué)報(bào),2012,40(4): 642–646. Zhou Jia-rui,Ji Zhen,Shen Lin-lin,et al.. Face recognition using Gabor wavelets and Memetic algorithm[J]. Acta Electronica Sinica,2012,40(4): 642–646.

[4]高濤,何明一,戴玉超,等. 多級(jí)LBP直方圖序列特征的人臉識(shí)別[J]. 中國(guó)圖象圖形學(xué)報(bào),2009,14(2): 202–207. Gao Tao,He Ming-yi,Dai Yu-chao,et al.. Face recognition using multi-level histogram sequence local binary pattern[J]. Journal of Image and Graphics,2009,14(2): 202–207.

[5]Patel V,Nasraba N,and Chellappa R. Sparsity-motivated automatic target recognition[J]. Applied Optics,2011,50(10): 1425–1433.

[6]Novak L M,Owirka G J,and Brower W S. Performance of 10-and 20-target MSE classification[J]. IEEE Transactions on Aerospace and Electronic Systems,2000,36(4): 1279–1289.

[7]Li W and Du Q. Gabor-Filtering based nearest regularized subspace for hyperspectral image classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2014,7(4): 1012–1022.

[8]Ojala T,Pietikainen M,and Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification withlocal binary pattern[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(7): 971–987.

[9]Lior W,Tal H,and Yaniv T. Descriptor based methods in the wild[C]. Real-Life Images Workshop at the European Conference on Computer Vision (ECCV),Marseille,France,2008: 1–14.

[10]張文博,姬紅兵. 融合極限學(xué)習(xí)機(jī)[J]. 電子與信息學(xué)報(bào),2013,35(11): 2728–2732. Zhang Wen-bo and Ji Hong-bing. Fusion of extreme learning machines[J]. Journal of Electronics & Information Technology,2013,35(11): 2728–2732.

[11]Zhou Y,Peng J,and Chen C. Extreme learning machine with composite kernels for hyperspectral image classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2015,8(6): 2351–2360.

[12]Moving and Stationary Target Acquisition and Recognition (MSTAR) Public Dataset[OL]. https://www.sdms.afrl. af.mil/datasets/mstar/.

[13]尹奎英,金林,李成,等. 融合目標(biāo)輪廓和陰影輪廓的SAR 圖像目標(biāo)識(shí)別[J]. 空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,12(1): 24–28. Yin Kui-ying,Jin Lin,Li Cheng,et al.. An SAR ATR based on fusion of target contour and shadow contour[J]. Journal of Air Force Engineer University (Natural Science Edition),2011,12(1): 24–28.

王 璐(1991–)，女，北京人，2013年獲得北京化工大學(xué)通信工程專(zhuān)業(yè)學(xué)士學(xué)位，同年保送至本校計(jì)算機(jī)技術(shù)專(zhuān)業(yè)攻讀碩士學(xué)位。研究方向?yàn)槟Ｊ阶R(shí)別與圖像處理。

E-mail：beijingpgwl@sina.com

張 帆(1981–)，男，2008年畢業(yè)于中科院電子所信號(hào)與信息處理專(zhuān)業(yè)，獲得工學(xué)博士學(xué)位，同年在中科院電子所從事博士后研究，現(xiàn)為北京化工大學(xué)副教授，碩士生導(dǎo)師。主要研究方向?yàn)镾AR系統(tǒng)模擬、高性能計(jì)算、科學(xué)可視化等。

E-mail：zhangf@mail.buct.edu.cn

李 偉(1985–)，男，2012年畢業(yè)于美國(guó)密西西比州立大學(xué)電氣與計(jì)算機(jī)工程專(zhuān)業(yè)，獲得工學(xué)博士學(xué)位，同年至美國(guó)加州大學(xué)戴維斯分校從事博士后研究，現(xiàn)為北京化工大學(xué)教授，博士生導(dǎo)師。主要研究方向?yàn)槟Ｊ阶R(shí)別、高光譜圖像分析與應(yīng)用、數(shù)據(jù)壓縮等。

E-mail：liw@mail.buct.edu.cn

謝曉明(1969–)，男，1998年畢業(yè)于華中理工大學(xué)信息與通信工程專(zhuān)業(yè)，獲得工學(xué)博士學(xué)位，現(xiàn)為北京化工大學(xué)副教授，碩士生導(dǎo)師。主要研究方向?yàn)橐苿?dòng)通信技術(shù)、寬帶通信技術(shù)等。

E-mail：xmxie@mail.buct.edu.cn

胡 偉(1979–)，男，2006年畢業(yè)于清華大學(xué)計(jì)算機(jī)系，獲得工學(xué)博士學(xué)位，現(xiàn)為北京化工大學(xué)副教授，碩士生導(dǎo)師。主要研究方向?yàn)檎鎸?shí)感圖形實(shí)時(shí)繪制、圖像與視頻處理等。

E-mail：huwei@mail.buct.edu.cn

A Method of SAR Target Recognition Based on Gabor Filter and Local Texture Feature Extraction

Wang Lu Zhang Fan Li Wei Xie Xiao-ming Hu Wei
(College of Information Science and Technology,Beijing University of Chemical Technology,Beijing 100029,China)

This paper presents a novel texture feature extraction method based on a Gabor filter and Three-Patch Local Binary Patterns (TPLBP) for Synthetic Aperture Rader (SAR) target recognition. First,SAR images are processed by a Gabor filter in different directions to enhance the significant features of the targets and their shadows. Then,the effective local texture features based on the Gabor filtered images are extracted by TPLBP. This not only overcomes the shortcoming of Local Binary Patterns (LBP),which cannot describe texture features for large scale neighborhoods,but also maintains the rotation invariant characteristic which alleviates the impact of the direction variations of SAR targets on recognition performance. Finally,we use an Extreme Learning Machine (ELM) classifier and extract the texture features. The experimental results of MSTAR database demonstrate the effectiveness of the proposed method.

SAR target recognition; Gabor filter; Three-Patch Local Binary Patterns (TPLBP); Feature extraction

s: The National Natural Science Foundation of China (61302164),The Fundamental Research Funds for the Central Universities (YS1404),The Beijing Higher Education Young Elite Teacher Project (YETP0500)

TP751

A

2095-283X(2015)-06-0658-08

10.12000/JR15076

10.12000/JR15076.

2015-06-17；改回日期：2015-10-16；網(wǎng)絡(luò)出版：2015-11-06

張帆 zhangf@mail.buct.edu.cn

國(guó)家自然科學(xué)基金(61302164)，中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金(YS1404)，北京高等學(xué)校青年英才計(jì)劃(YETP0500)

引用格式：王璐,張帆,李偉,等. 基于Gabor濾波器和局部紋理特征提取的SAR目標(biāo)識(shí)別算法[J]. 雷達(dá)學(xué)報(bào),2015,4(6): 658–665.