李　超，李悅麗，安道祥，王廣學(xué)

(1.國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院，湖南長沙410073; 2.空軍預(yù)警學(xué)院信息對抗系，湖北武漢430019)

?

基于視覺注意機(jī)制的UWB SAR葉簇隱蔽目標(biāo)變化檢測

李超1，李悅麗1，安道祥1，王廣學(xué)2

(1.國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院，湖南長沙410073; 2.空軍預(yù)警學(xué)院信息對抗系，湖北武漢430019)

摘要：在超寬帶合成孔徑雷達(dá)葉簇隱蔽目標(biāo)檢測中，傳統(tǒng)的UWB SAR圖像變化檢測方法易受圖像灰度值起伏和成像條件變化的影響，致使現(xiàn)有的變化檢測算法的性能下降.本文根據(jù)人類視覺系統(tǒng)的生理結(jié)構(gòu)和認(rèn)知特點，提出了一種基于視覺注意機(jī)制的葉簇隱蔽目標(biāo)變化檢測算法.該方法使用視覺注意模型，將圖像的多尺度特征信息融合為單幅視覺顯著圖像，并利用圖像局部鄰域信息和目標(biāo)的空間相關(guān)特性對視覺顯著圖中視覺注意焦點進(jìn)行分層篩選和變化檢測.實驗結(jié)果表明:本文中基于視覺注意機(jī)制的變化檢測方法可以有效檢測多時相UWB SAR圖像中的葉簇隱蔽目標(biāo)，較之傳統(tǒng)的基于統(tǒng)計原理的變化檢測方法，其檢測速度更快，且對場景復(fù)雜的UWB SAR圖像亦具有魯棒性.

關(guān)鍵詞：低頻超寬帶合成孔徑雷達(dá);葉簇隱蔽目標(biāo)檢測;變化檢測;視覺注意機(jī)制

1　引言

低頻超寬帶合成孔徑雷達(dá)(Ultra Wide Bandwidth Synthetic Aperture Radar，UWB SAR)工作于VHF至UHF波段，其頻段低、波長長，能夠?qū)淞终诒蜗碌哪繕?biāo)進(jìn)行高分辨成像和偵察，逐步在民用與軍事領(lǐng)域得到應(yīng)用.但是，在實際UWB SAR圖像中，葉簇覆蓋區(qū)域除了存在車輛、坦克等隱蔽人工目標(biāo)外，還有許多由粗大樹干反射形成的點目標(biāo)，嚴(yán)重影響了基于單幅UWB SAR圖像葉簇區(qū)域隱蔽目標(biāo)檢測的準(zhǔn)確度［1，2］，除此之外，單幅低頻UWB SAR提供的場景信息有限，無法有效的將隱蔽目標(biāo)從場景中固有目標(biāo)中完全分離出來，也是造成較高虛警率的主要原因，因此，有必要研究UWB SAR圖像葉簇隱蔽目標(biāo)檢測的新方法.

與常規(guī)的基于單幅圖像的目標(biāo)檢測技術(shù)不同，UWB SAR變化檢測技術(shù)是一種利用同一地區(qū)不同時間UWB SAR圖像之間差異來實現(xiàn)目標(biāo)檢測的方法，該方法進(jìn)一步利用了同一地區(qū)葉簇區(qū)域在不同圖像之間的相關(guān)性，具有更高的抑制強(qiáng)樹干雜波的潛力，并日益受到關(guān)注.目前，基于多時相UWB SAR圖像的葉簇隱蔽目標(biāo)變化檢測技術(shù)的難點主要存在于如何降低UWB SAR圖像中相干斑的干擾;如何對UWB SAR圖像雜波模型進(jìn)行建模;如何實現(xiàn)快速的UWB SAR葉簇隱蔽目標(biāo)檢測等三個方面.在該領(lǐng)域，最初的研究多集中于基于圖像像素灰度值差異的變化檢測方法［3］，之后，為了降低多時相UWB SAR圖像灰度值起伏對于目標(biāo)檢測的影響，基于統(tǒng)計模型或統(tǒng)計量分析的變化檢測方法逐步受到關(guān)注［4］，但隨著研究的深入，研究人員發(fā)現(xiàn)不同成像條件下獲得的圖像間所存在的統(tǒng)計分布差異制約了基于統(tǒng)計特性差異的檢測方法的應(yīng)用.此外，以上兩種變化檢測方法對圖像配準(zhǔn)精度的要求都很高，在處理時需要對整片樹林區(qū)域進(jìn)行基于像素點的逐一檢測，因此存在檢測效果易受圖像匹配精度影響，虛警率高，運算量大等局限性.

考慮到實際處理中人們所關(guān)心的目標(biāo)僅占葉簇覆蓋區(qū)域中很小一部分面積，如果能夠選擇關(guān)心的區(qū)域進(jìn)行優(yōu)先處理，則有利于提升檢測速度和準(zhǔn)確度.近年來Itti等人從視覺分析角度出發(fā)，模擬人類視覺系統(tǒng)(Human Visual System，HVS)機(jī)制構(gòu)建適用于圖像分析的高斯金字塔模型，該模型能夠以不同的次序和力度對各個場景區(qū)域進(jìn)行選擇性加工，最終形成與HVS感知結(jié)果相近似的視覺顯著圖［5］.受此啟發(fā)，本文根據(jù)HVS的生理結(jié)構(gòu)與認(rèn)知特點，提出基于視覺注意機(jī)制的UWB SAR葉簇隱蔽目標(biāo)變化檢測算法(Change Detection of Foliage-Concealed Targets Based on Visual Attention，CDVA)，該方法基于視覺注意機(jī)制構(gòu)建視覺顯著圖，并利用顯著圖中目標(biāo)的局部鄰域信息和空間相關(guān)信息，以分層檢測的方法來實現(xiàn)對葉簇隱蔽目標(biāo)的變化檢測.最后，基于實測UWB SAR圖像的變化檢測實驗結(jié)果表明，本文提出的CDVA方法可以有效檢測多時相UWB SAR圖像中的葉簇隱蔽目標(biāo)，且較之傳統(tǒng)的基于統(tǒng)計原理的變化檢測方法，其檢測速度更快，并對場景復(fù)雜的UWB SAR圖像亦具有魯棒性.

2　基于視覺注意機(jī)制的變化檢測流程

視覺注意是人類視覺的一項重要的心理調(diào)節(jié)方式，根據(jù)Treisman的特征融合理論［6］，人眼的注意過程分為預(yù)注意期和注意期兩個階段:在預(yù)注意期，對視覺信息的處理過程是一個經(jīng)過串行分層逐步處理的過程，而具體在每一個層次中，對視覺信息的處理則是以并行的方式進(jìn)行的，在此期間，彼此獨立的早期特征被抽取出來，但未進(jìn)行處理;而注意期的處理是將彼此獨立的特征統(tǒng)一的聯(lián)系起來，形成對某一目標(biāo)的綜合描述，且隨著注意焦點的選擇和轉(zhuǎn)移，目標(biāo)之間相關(guān)性逐步清晰，整個場景逐漸被感知.

參考上述過程我們將CDVA算法的處理過程分為視覺顯著圖的生成、視覺注意焦點的選擇和變化檢測三部分(如圖1).

其中葉簇隱蔽區(qū)域視覺顯著圖的生成過程是對人眼視覺注意的預(yù)注意期的模擬，該過程直接提取圖像中的顯著特征信息，計算圖像區(qū)域中每個區(qū)域的視覺顯著程度，繼而生成視覺顯著圖.而視覺注意焦點的選擇和變化檢測過程則對應(yīng)人眼視覺的注意期，在此過程中，視覺注意焦點因其散射強(qiáng)度和散射截面積不同，致使其位置和區(qū)域信息不斷發(fā)生變化，這與心理學(xué)研究發(fā)現(xiàn)的視覺轉(zhuǎn)移現(xiàn)象［7］不謀而合，大大增強(qiáng)了目標(biāo)檢測的準(zhǔn)確性.

3　葉簇隱蔽區(qū)域的視覺顯著圖生成

在視覺注意機(jī)制的研究中Itti模型具有里程碑式的意義，它是第一個使用計算的方式模擬視覺認(rèn)知過程的模型.該模型應(yīng)用于UWB SAR圖像處理中主要考慮灰度通道和方向通道的特征信息.

在處理過程中，輸入圖像通過高斯金字塔實現(xiàn)分辨率以2為因子在水平和垂直方向依次遞減的八級降采樣過程，每層圖像的亮度表示為I(σ)，其中σ∈［0，8］代表金字塔結(jié)構(gòu)中不同的層數(shù).考慮到圖像中視覺注意點與周圍像素差異越大越容易引起視覺注意，因而引入中央周邊差方法進(jìn)行處理，即將不同分辨率的圖層差值后，然后再進(jìn)行點對點的相減.我們定義“Θ”為中央周邊差算子，則灰度特征提取的過程表示為:

其中c∈{ 2，3，4}，s = c +δ，δ∈{ 3，4}，表示將c尺度上的特征圖差值到s尺度上的特征圖來進(jìn)行運算的過程.

然后使用Gabor濾波器提取圖像的朝向特征，二維Gabor濾波器其數(shù)學(xué)表達(dá)式為:

其中，(x0，y0)表示目標(biāo)中心坐標(biāo)，(ξ0，v0)表示濾波器在頻域上的最優(yōu)空間頻率，σ表示高斯函數(shù)在x軸方向上的標(biāo)準(zhǔn)差，β表示高斯函數(shù)在y軸上的標(biāo)準(zhǔn)差.使用中央周邊差方法提取方向特征信息的表達(dá)式為:

通過式(1)、(3)的特征提取，可以形成不同尺度的亮度特征圖和朝向特征圖，考慮到對于葉簇隱蔽目標(biāo)的檢測無法事先獲取先驗信息，選取全局加強(qiáng)的合并策略來生成視覺顯著圖.這是一種無需先驗信息的非監(jiān)督的合并策略，具體的合并策略為:

將各個特征圖歸一化到［0，N］的范圍內(nèi)，其中N∈(0，255).

對于單幅特征圖，尋找全局最大值M和除M之外的局部平均值-m.

給每一幅特征圖乘以權(quán)值(M --m).

假設(shè)N表示全局加強(qiáng)合并過程，則亮度通道顯著圖的合并表示為:

朝向通道顯著圖的合并表示為:

將式(3)、(4)合并得到視覺顯著圖S，表示為:

圖2為使用UWB SAR對某一樹林區(qū)域成像所得到的灰度圖像(圖2(a))和經(jīng)過上述視覺注意模型處理后的視覺顯著圖(圖2(b)).對比兩幅圖可以發(fā)現(xiàn)，經(jīng)過視覺注意機(jī)制處理后，圖像固有粗大樹干形成的散射亮點減少，場景中目標(biāo)更為突出，若能夠?qū)鼍爸兴心繕?biāo)提取出來，再進(jìn)行變化檢測，則會大大減少目標(biāo)檢測所需要的時間，為了能準(zhǔn)確的從視覺顯著圖中提取場景目標(biāo)，下一節(jié)我們研究UWB SAR圖像中視覺注意焦點的選擇方法.

4　視覺注意焦點的選擇

人類視覺系統(tǒng)在面對一個復(fù)雜場景時，總會迅速選擇幾個感興趣的區(qū)域進(jìn)行優(yōu)先處理，這些被選中的區(qū)域被稱為注意焦點(Focus of Attention，F(xiàn)OA).通常使用視覺注意機(jī)制產(chǎn)生視覺顯著圖后，圖中顯示的各個目標(biāo)通過競爭方式來吸引視覺注意，為了模擬該過程，本文結(jié)合數(shù)字形態(tài)學(xué)中灰度膨脹的方法確定顯著圖中各個目標(biāo)的大小，使用勝者為王(Winner-Take-All，WTA)和禁止返回(Inhibition of Return)來選擇視覺注意焦點.

在WTH檢測處理中首先被檢測出來的即為顯著度最高的目標(biāo)，在最顯著目標(biāo)確立的同時會產(chǎn)生一個空間分布類似于差分高斯分布的函數(shù)來屏蔽以目標(biāo)為中心的鄰域數(shù)據(jù)的影響，當(dāng)處理完成后，視覺焦點將會轉(zhuǎn)移到下一個目標(biāo).但是，如果沒有特定的處理方式，每次處理所得的注意焦點將恒定的指向同一個目標(biāo)，致使注意焦點無法轉(zhuǎn)移，為了避免這一問題.實際處理中，一旦在一個區(qū)域沒有發(fā)現(xiàn)與目標(biāo)有關(guān)的線索，則該區(qū)域在之后的目標(biāo)搜索中將列為無目標(biāo)區(qū)域，這種鼓勵發(fā)現(xiàn)新線索的處理方式被稱為“禁止返回”［8］.

此外，為了確定目標(biāo)的大小，參考數(shù)字形態(tài)學(xué)中灰度膨脹理論，若f(x，y)是輸入圖像，根據(jù)圖像分析的要求，構(gòu)造結(jié)構(gòu)元b(x，y)來進(jìn)行灰度腐蝕運算，則函數(shù)b對函數(shù)f進(jìn)行灰度膨脹定義為f⊕b，運算式如下:

式中Dx和Dy分別是函數(shù)f和b的定義域.

考慮到實際UWB SAR圖像葉簇區(qū)域車輛、坦克等表現(xiàn)為點目標(biāo)，因而f(x，y)可以表征點目標(biāo)的中心坐標(biāo)，結(jié)構(gòu)元b(x，y)表示半徑為r的圓，其中半徑r由目標(biāo)散射截面積大小所決定.由于f(x，y)表征的是一個坐標(biāo)

，則函數(shù)b對f的膨脹擴(kuò)展為:

圖3給出了點目標(biāo)灰度膨脹的示意圖.

圖4給出使用上述方法對同一地區(qū)不同時相UWB SAR圖像進(jìn)行視覺注意焦點篩選的結(jié)果.

其中，多時相UWB SAR灰度圖像圖4(a)與圖4(b)已經(jīng)過配準(zhǔn)操作，在此不進(jìn)行過多的論述.基于灰度圖4(a)、圖4(b)對比視覺焦點圖圖4(c)、圖4(d)可以觀察到經(jīng)過篩選后所確定的視覺注意焦點基本涵蓋了該場景中的具有較強(qiáng)散射特性的目標(biāo)，但是由于目標(biāo)散射強(qiáng)度與覆蓋的區(qū)域大小不同(如圖4(e)、圖4(f))，致使所得的視覺焦點區(qū)域之間有很多重合，更重要的是僅僅依靠單幅UWB SAR圖像根本無法將關(guān)心的目標(biāo)從視覺焦點集合中分離出來，因此本文將進(jìn)一步討論將變化檢測應(yīng)用于視覺注意焦點的篩選中，以實現(xiàn)目標(biāo)與場景中的固有目標(biāo)分離開來.

5　基于視覺注意焦點集的變化檢測

從圖4中可以觀察到由于目標(biāo)散射強(qiáng)度與覆蓋的區(qū)域大小不同，致使所得的視覺焦點區(qū)域之間有很多重合，產(chǎn)生了很多虛假的視覺注意焦點.因而若要準(zhǔn)確地將葉簇目標(biāo)從視覺注意焦點的集合中分離出來，首先需要解決視覺注意焦點的鄰域空間的重疊問題.

依據(jù)第3節(jié)的討論，在視覺注意焦點確定時(如圖5中A點)，會屏蔽其鄰域數(shù)據(jù)以突出視覺焦點，但是隨著視覺焦點逐個篩選，視覺焦點所對應(yīng)的目標(biāo)的散射強(qiáng)度逐步降低逐步檢出如圖5中B、C點，這就導(dǎo)致原本視覺焦點A的鄰域區(qū)域內(nèi)低散射強(qiáng)度的像素點C會成為新的視覺注意焦點，如果單純提高篩選的閾值，則會致使散射強(qiáng)度較低的目標(biāo)B漏檢，相反保持較低的閾值，則會增加虛假的目標(biāo)C，因此單純從散射強(qiáng)度分析難以解決該問題.

而從空間相關(guān)性來分析，低散射強(qiáng)度的目標(biāo)與強(qiáng)散射目標(biāo)相比，兩者是空間相互分離的如圖5中A、B兩點，具體表現(xiàn)為低散射強(qiáng)度的目標(biāo)B不會出現(xiàn)在強(qiáng)散射目標(biāo)A的鄰域空間內(nèi)，而虛假目標(biāo)C的空間位置關(guān)系與此相反，因此可以很好的實現(xiàn)不同視覺注意焦點的分離.

為了更好的利用視覺注意焦點的空間相關(guān)信息，本文使用最大類間方差法(簡稱OTUS算法)對視覺注意焦點集進(jìn)行分割.OTUS法［9］是一種常用的閾值分割方法，該方法通過使得分割后類間方差最大來確定最佳的分割閾值.假設(shè)視覺注意焦點的集合為C，其平均值為，分割后第i類區(qū)域Ci的均值為為Ci在C中所占的百分比，則類間方差σbcv可記為

設(shè)k1…kN -1為使σbcv最大的最佳閾值，則ki為區(qū)間Ci和Ci +1的最佳分割，則

參考文獻(xiàn)［9］，選取N =3能夠達(dá)到最佳分割效果，其分割效果如圖6所示.

在圖6中，原始的視覺焦點集合C，按照散射強(qiáng)度被分為三個散射區(qū)，強(qiáng)散射區(qū)中的視覺注意焦點多為散射強(qiáng)度較強(qiáng)的目標(biāo)，中等散射區(qū)域和弱散射區(qū)域中，除了存在散射能力較弱的目標(biāo)之外還存在大量的虛假目標(biāo)，為了實現(xiàn)焦點分離，具體流程如下:

(1)將視覺注意焦點集合C進(jìn)行分割.

(2)針對分割后第i個視覺焦點集合Ci，構(gòu)造其視覺焦點位置坐標(biāo)集合pni(1≤n≤N)和視覺焦點范圍半徑集合rni(1≤n≤N)，其中N表示集合Ci中焦點的數(shù)目.

(3)以散射強(qiáng)度最強(qiáng)區(qū)域的視覺焦點集C1為參考集合，對任意一個視覺焦點Cni(i≠1)，可得到Cni(i≠1)與集合C1中所有元素的歐氏距離［7］集合dnmi(1≤m ≤M)(M表示集合C1的元素數(shù)目);依據(jù)dnmi確定集合C1中與Cni(i≠1)空間距離最近的視覺焦點Cn1.

(4)若Cn1與Cni之間的歐氏距離dnmi＞rn1則視覺焦點Cni即為虛假目標(biāo)，反之則為有效目標(biāo)，其篩選結(jié)果如圖7所示.

圖7為使用上述流程處理前后視覺注意焦點的對比圖，從圖中可以明顯的觀察到經(jīng)過上述流程篩選后，虛假的視覺焦點明顯減少，但對比圖4(c)、圖4(d)和圖7(b)發(fā)現(xiàn)雖然圖7(b)中虛假目標(biāo)明顯減少，但要想實現(xiàn)場景中固有目標(biāo)與葉簇目標(biāo)的分離仍然需要對其進(jìn)行變化檢測.

常規(guī)變化檢測是將兩幅灰度圖像配準(zhǔn)后，依據(jù)雜波分布估計結(jié)果對差值變化檢測圖像進(jìn)行CFAR檢測［10］.但是經(jīng)過上述分析，我們可以使用UWB SAR圖像的視覺注意焦點集合來概括該幅圖像，這就使得原本需要檢測灰度圖像中所有的像素區(qū)域就變?yōu)闄z測視覺注意焦點集合，不僅大大縮小了檢測范圍，也可以一定程度上屏蔽掉由于樹干雜波所引起的虛警，提高了檢測的準(zhǔn)確度.圖8給出了對于視覺注意焦點集進(jìn)行變化檢測的原理圖.

假設(shè)圖像A、B已經(jīng)進(jìn)行過配準(zhǔn)操作，兩幅圖像的視覺注意焦點的位置坐標(biāo)集合分別為An= { C，D，E}、Bm= { F，G，H}，范圍半徑集合分別為ran(1≤n≤N)、rbn(1≤n≤N)，若圖B中視覺焦點為場景中固有目標(biāo)如點F、G，在圖像配準(zhǔn)的情況下，則圖A中存在點D，C，且其鄰域范圍包含點F，G在圖像A中的映射點;若為場景中新增目標(biāo)如點H，則在圖A中無法尋找到滿足上述條件的視覺注意焦點，則判斷為兩幅圖像中變化的視覺注意焦點，使用該方法的處理結(jié)果如圖9所示.

6　算法性能分析

為了衡量該算法的有效性和計算效率，本文中采用兩組多時相UWB SAR圖像數(shù)據(jù)對基于圖像分割的差值變化檢測算法、基于二維Edgeworth展開式的變化檢測算法和基于視覺注意機(jī)制的變化檢測算法(CDVA算法)進(jìn)行比較、分析和驗證.其中圖10(a)圖和圖10(b)為使用CARABAS-Ⅱ系統(tǒng)在瑞典北部于不同時間對同一個針葉林區(qū)域進(jìn)行飛行成像得到的UWB SAR圖像，圖像大小為260×400，且第二次觀測時在樹林中隱藏了25個車輛目標(biāo)，目標(biāo)布置示意圖如圖10(c)，分別為15個大型車輛和10個小型車輛，從圖像10(b)中可以看到隱藏在葉簇下的車輛目標(biāo)在成功顯示的同時，許多粗大樹干也在圖像中呈現(xiàn)出明亮的斑點，這也是導(dǎo)致檢測的虛警率上升的主要原因.

在變化檢測試驗中，圖10(d)是采用基于圖像分割的差值變化檢測算法得到的檢測結(jié)果，在處理中借鑒劃窗CFAR檢測的思想，選取的CFAR窗為12×12，圖像中10個小型隱蔽車輛由于受到強(qiáng)雜波的干擾，并沒有完全被檢測出來，存在漏檢的情況.圖10(e)、圖10(f)采用基于二維Edgeworth展開式的變化檢測算法和CDVA算法進(jìn)行檢測的結(jié)果，較之基于圖像分割的差值變化檢測算法，其檢測的準(zhǔn)確性有明顯的提高.

為了進(jìn)一步比較CDVA算法和基于二維Edgeworth展開式變化檢測算法之間的性能優(yōu)劣圖11中選用某闊葉林區(qū)域的兩幅UWB SAR圖像切片進(jìn)行變化檢測，其中在葉簇區(qū)域和非葉簇區(qū)域布置四個目標(biāo)如圖11(b)所示，其中目標(biāo)A位于圖像葉簇區(qū)域邊緣，目標(biāo)B靠近建筑物邊緣，目標(biāo)B、C的散射截面積小于其它目標(biāo).圖11(a)和圖11(b)分別為基于二維Edgeworth展開式的變化檢測結(jié)果和CDVA算法變化檢測結(jié)果，對比兩組檢測結(jié)果可以發(fā)現(xiàn):本文提出的CDVA算法對復(fù)雜的多時相UWB SAR葉簇區(qū)域圖像的適應(yīng)能力更強(qiáng).這是因為基于二維Edgeworth展開式的變化檢測算法是基于統(tǒng)計分布特征的變化檢測算法，若圖像中待檢目標(biāo)位于圖像統(tǒng)計特性突變的像素點的位置(如圖11(b)中A點所示)原本因地形引起的統(tǒng)計特性的突變將淹沒目標(biāo)所帶來的統(tǒng)計特性的變化;而當(dāng)目標(biāo)散射強(qiáng)度較弱時(如圖11(b)中C點所示)，則不能夠引起其相應(yīng)區(qū)域的統(tǒng)計特性產(chǎn)生明顯的變化，造成目標(biāo)的漏檢，因此，基于二維Edgeworth展開式的變化檢測算法在對復(fù)雜的UWB SAR葉簇區(qū)域目標(biāo)進(jìn)行變化檢測時具有一定的局限性.

此外，表1是對圖10，圖11中不同變化檢測算法的檢測性能與時效性進(jìn)行分析結(jié)果.

表1　不同變化檢測算法檢測效果

從中可以看到，與基于圖像分割的差值變化檢測算法和基于二維Edgeworth展開式的變化檢測算法相比，本文提出的基于視覺注意機(jī)制的變化檢測方法，由于其變化檢測的對象從原始的像素級提升至視覺注意焦點級別，不但能有效避免對圖像中像素的逐個遍歷，縮短處理時間，而且能有效提高檢測算法對于圖像的適應(yīng)能力，并保持較高的檢測精度，因而具有良好的應(yīng)用前景.

7　結(jié)論

本文針對UWB SAR葉簇隱蔽目標(biāo)檢測的難點問題，提出了一種基于視覺注意機(jī)制的低頻UWB SAR葉簇隱蔽目標(biāo)檢測方法.該方法首次將視覺注意機(jī)制使用在UWB SAR圖像的分析處理之中，從而將一幅UWB SAR圖像簡化為一個簡單的視覺注意焦點集合，大大縮小了檢測范圍;此外還利用圖像局部鄰域信息和目標(biāo)的空間相關(guān)信息對視覺顯著圖中目標(biāo)進(jìn)行分層篩選，進(jìn)一步提高了該算法的檢測性能.文中最后通過實測數(shù)據(jù)驗證了該算法的優(yōu)越性和時效性，并對該算法對于配準(zhǔn)精度的魯棒性進(jìn)行了實驗說明.在后期研究中，我們將進(jìn)一步探索提高不同多時相UWB SAR視覺注意焦點之間匹配檢測精度的方法，使得CDVA算法對于圖像配準(zhǔn)精度的要求進(jìn)一步降低.

參考文獻(xiàn)

［1］D X An，Y H Li，X T Huang，X Y Li，Z M Zhou.Performance evaluation of frequency-domain algorithms for chirped low frequency UWB SAR data processing［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7(2): 678 -690.

［2］A Jackson，L Moses.Clutter model for VHF SAR imagery［A］.SPIE Conference on Algorithms for Synthetic Aperture Radar Imagery［C］.Orlando，USA: SPIE Press，2004.271 - 282.

［3］R Jame，R Hendrickson.Efficacy of frequency on detecting targets in foliage using incoherent change detection［A］.SPIE Conference on Algorithms for Synthetic Aperture Radar Imagery［C］.Orlando，USA: SPIE Press，1994.220 -229.

［4］M H Ulander.Modeling of change detection in VHF-and UHF-band SAR［A］.EUSAR2008［C］.Friedrichshafen，Germany: VDE-ITG，2008.127 -131.

［5］Laurent Itti，Christof Koch，Ernst Niebur.A model of saliency-based visual attention for rapid scene analysis［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1998，20(11): 1254 -1259.

［6］A M Treisman，G Gelade.A feature-integration theory of attention［J］.Cognitive Psychology，1980，12(1):97 -136.

［7］張鵬，王潤生.基于視覺注意的遙感圖像分析方法［J］.電子與信息學(xué)報，2005，27(12): 1855 -1860.Zhang Peng，Wang Run-sheng.An approach to the remote sensing image analysis based on visual attention［J］.Journal of Electronics＆Information Technology，2005，27(12): 1855 -1860.(in Chinese)

［8］Koch C，Ullman S.Shifts in selective visual attention: towards the underlying neural circuitry［J］.Hum Neurobio，1985，4(4): 219 -227.

［9］王廣學(xué)，黃曉濤，周智敏.基于圖像分割的VHF SAR葉簇隱蔽目標(biāo)差值變化檢測［J］.電子學(xué)報，2010，38(9): 1969 -1974.WANG Guang-xue，HUANG Xiao-tao，ZHOU Zhi-min.VHF SAR difference change detection of target in foliage based on image segmentation［J］.Acta Electronica Sinica，2010，38(9): 1969 -1974.(in Chinese)

［10］I Ranney，M Soumekh.Signal subspace change detection in averaged multilook SAR imagery［J］.IEEE Transactions on Geoscience and Remote Sening，2006，44(1): 201 -213.

李超男，1990年5月出生，河南孟州人.2012年畢業(yè)于西安電子科技大學(xué)信息對抗專業(yè)，現(xiàn)為國防科學(xué)技術(shù)大學(xué)博士生，從事UWB SAR圖像處理及其視覺認(rèn)知方面的有關(guān)研究.

E-mail: liusong.yue@163.com

李悅麗女，1973年出生，湖南瀏陽人，博士、副教授.現(xiàn)為國防科技大學(xué)電子科學(xué)與工程學(xué)院碩士生導(dǎo)師，主要從事合成孔徑雷達(dá)成像以及實時信號處理等方面的研究工作.

UWB SAR Change Detection of Foliage-Concealed Targets Based on Visual Attention

LI Chao1，LI Yue-li1，AN Dao-xiang1，WANG Guang-xue2
(1.College of Electronic Science and Engineering，National University of Defense Technology，Changsha，Hunan 410073，China; 2.Department of Information Countermeasures，Air Force Early Warning Academy，Wuhan，Hubei 430019，China)

Abstract:Traditional statistically-based UWB SAR image change detection is usually limited by large pixel value change between multi-temporal UWB SAR images in foliage-concealed targets detection.In order to deal with this problem，a new UWB SAR foliage target change detection algorithm based on bottom-up visual attention is brought up.In the algorithm，multi-scale image features are combined into a single visual saliency map by using the model of visual attention.Then the image local neighborhood information and spatial correlation are used to improve the performance of detection.Finally，the experimental results show that the algorithm can detect the foliage-concealed targets between multi-temporal UWB SAR images with less time and it is robust to registration error.

Key words:ultra wide bandwidth synthetic aperture radar(UWB SAR); foliage-concealed targets detection; change detection; visual attention

作者簡介

基金項目:國家自然科學(xué)基金(No.61302194，No.61302146)

收稿日期:2014-07-09;修回日期: 2014-12-21;責(zé)任編輯:孫瑤

DOI:電子學(xué)報URL：http: / /www.ejournal.org.cn10.3969/j.issn.0372-2112.2016.01.007

中圖分類號：TN957.51

文獻(xiàn)標(biāo)識碼：A

文章編號：0372-2112(2016)01-0039-07