胡利平, 董純柱, 劉錦帆, 殷紅成, 王 超, 寧 超

(北京環(huán)境特性研究所電磁散射重點(diǎn)實(shí)驗(yàn)室, 北京 100854)

0 引 言

合成孔徑雷達(dá)(synthetic aperture radar,SAR)能夠全天時(shí)、全天候地對(duì)目標(biāo)主動(dòng)進(jìn)行高分辨成像,可以提供豐富的目標(biāo)信息,因此基于SAR的目標(biāo)識(shí)別受到了越來(lái)越廣泛地關(guān)注。

現(xiàn)有的SAR目標(biāo)識(shí)別算法(尤其是基于深度學(xué)習(xí)的目標(biāo)識(shí)別算法)大多在美國(guó)運(yùn)動(dòng)和靜止目標(biāo)獲取與識(shí)別(moving and stationary target acquisition and recognition,MSTAR)計(jì)劃錄取的地面車輛目標(biāo)數(shù)據(jù)集上進(jìn)行驗(yàn)證,并取得了優(yōu)異的識(shí)別性能[1-8]。該數(shù)據(jù)集是一個(gè)相對(duì)較為完備的實(shí)際測(cè)量數(shù)據(jù)集,訓(xùn)練和測(cè)試樣本屬于同源數(shù)據(jù),方位覆蓋范圍為0°～360°,訓(xùn)練和測(cè)試樣本的俯仰角度差異僅為2°。在實(shí)際目標(biāo)識(shí)別應(yīng)用中,很難通過(guò)實(shí)際測(cè)量獲取目標(biāo)(尤其是非合作目標(biāo))的完備數(shù)據(jù),通常只能獲取個(gè)別角度下的實(shí)測(cè)數(shù)據(jù)。基于電磁散射建模的SAR仿真是獲取目標(biāo)數(shù)據(jù)的重要手段之一[9-15],可以相對(duì)便捷地獲取目標(biāo)在不同條件下的完備數(shù)據(jù)集。SAR仿真的終極目標(biāo)是部分或全部代替實(shí)測(cè)數(shù)據(jù)并作為訓(xùn)練樣本,從而實(shí)現(xiàn)對(duì)實(shí)測(cè)數(shù)據(jù)的目標(biāo)識(shí)別。但SAR仿真圖像數(shù)據(jù)直接應(yīng)用于實(shí)測(cè)數(shù)據(jù)的目標(biāo)識(shí)別時(shí)存在如下問(wèn)題:SAR仿真數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)屬于非同源數(shù)據(jù),由于模型差異、傳感器差異、背景環(huán)境差異、建模方法本身的誤差等因素導(dǎo)致SAR仿真圖像與實(shí)測(cè)圖像存在差異,主要體現(xiàn)在兩個(gè)方面:一是目標(biāo)散射分布的細(xì)節(jié)差異,二是背景環(huán)境的散射差異,這些差異勢(shì)必會(huì)影響識(shí)別性能。

近年來(lái),深度學(xué)習(xí)在模式識(shí)別的各個(gè)領(lǐng)域取得了較好的結(jié)果,尤其是卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)在圖像分類領(lǐng)域取得了一系列的突破[16-17],分類正確率遠(yuǎn)超以往最好水平。CNN在SAR圖像中的應(yīng)用研究主要集中在基于MSTAR數(shù)據(jù)集進(jìn)行的目標(biāo)識(shí)別算法驗(yàn)證, MSTAR訓(xùn)練和測(cè)試數(shù)據(jù)集屬于同源實(shí)測(cè)數(shù)據(jù),訓(xùn)練和測(cè)試樣本差異較小,CNN在MSTAR同源數(shù)據(jù)集上取得了優(yōu)異的識(shí)別性能[5-8]。鑒于CNN在圖像分類領(lǐng)域的優(yōu)勢(shì)及在MSTAR同源數(shù)據(jù)集上的成功應(yīng)用,本文將CNN用于非同源數(shù)據(jù)的SAR目標(biāo)識(shí)別,以考察訓(xùn)練和測(cè)試樣本在非同源情況下的識(shí)別性能。

線性/非線性特征變換是模式識(shí)別領(lǐng)域的一個(gè)重要方向,它在提取目標(biāo)關(guān)鍵特征、提升目標(biāo)識(shí)別性能方面具有顯著的優(yōu)勢(shì)[18]。主分量分析(principal component analysis,PCA)作為線性特征變換的經(jīng)典代表,通過(guò)最小化重建誤差來(lái)尋求最能夠代表數(shù)據(jù)的投影矢量,能夠提取數(shù)據(jù)的主成分分量,這些主成分分量表征了數(shù)據(jù)的主要信息,忽略了數(shù)據(jù)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(nèi)散度意義下找到最優(yōu)的投影矢量,使得不同類別的樣本能更好地分開(kāi),是解決原始數(shù)據(jù)線性不可分問(wèn)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(xué)機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)的數(shù)據(jù)集(Iris、Monks、Liver和Ionosphere)、國(guó)內(nèi)某研究所的逆SAR(inverse SAR,ISAR)測(cè)量飛機(jī)數(shù)據(jù)(雅克-42、安-26、獎(jiǎng)狀)和基于MSTAR的同源數(shù)據(jù)集上得到了驗(yàn)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(biāo)識(shí)別,以考察特征變換對(duì)非同源SAR目標(biāo)識(shí)別的提升性能。

實(shí)驗(yàn)結(jié)果表明,在SAR仿真數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)存在差異的情況下,線性/非線性特征變換可以提取目標(biāo)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(biāo)識(shí)別性能,因此線性/非線性特征變換是改善非同源SAR目標(biāo)識(shí)別性能的一個(gè)重要解決途徑。

1 基于電磁散射特性建模的車輛目標(biāo)SAR仿真

為了實(shí)現(xiàn)對(duì)地面車輛目標(biāo)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(shù)的SAR回波信號(hào)級(jí)仿真方法進(jìn)行SAR仿真[15],其流程如圖1所示。該方法首先對(duì)復(fù)雜環(huán)境場(chǎng)景和SAR平臺(tái)運(yùn)動(dòng)進(jìn)行建模,再結(jié)合目標(biāo)/環(huán)境復(fù)合電磁計(jì)算方法模擬SAR回波數(shù)據(jù),最后進(jìn)行成像處理得到結(jié)果圖像。由于SAR回波信號(hào)級(jí)仿真方法較為真實(shí)地模擬了SAR對(duì)目標(biāo)/環(huán)境的電磁散射探測(cè)過(guò)程,所以能夠用于獲取與實(shí)測(cè)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(duì)圖2給出的三型車輛目標(biāo)(BMP2、BTR70、T72)幾何模型按表1設(shè)定的聚束SAR仿真參數(shù)進(jìn)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(shù)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(jì)劃錄取的該三型車輛目標(biāo)的SAR實(shí)測(cè)圖像,該實(shí)測(cè)圖像數(shù)據(jù)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(guò)對(duì)比圖3中的SAR仿真圖像與實(shí)測(cè)圖像可以看出,同一方位角下的SAR仿真圖像和測(cè)試圖像在目標(biāo)輪廓形狀、強(qiáng)散射分布大體一致,但存在一些細(xì)節(jié)差異,并且背景環(huán)境散射也存在一定差異。

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

表1 車輛目標(biāo)聚束SAR仿真參數(shù)

圖3 草地上車輛目標(biāo)SAR仿真圖像與MSTAR實(shí)測(cè)SAR圖像Fig.3 SAR simulation images of vehicles target on grassland and MSTAR measured SAR images

對(duì)SAR仿真圖像,雖然經(jīng)過(guò)了模型校驗(yàn)和圖像評(píng)估[14-15,23],但依然存在由于各種原因?qū)е碌腟AR仿真圖像與實(shí)測(cè)圖像存在差異。主要原因有以下幾個(gè)方面。

(1) 模型差異:SAR仿真的目標(biāo)幾何模型與實(shí)物不可避免地存在差異。SAR仿真時(shí)構(gòu)建的目標(biāo)幾何模型與實(shí)物不可避免地存在某些細(xì)節(jié)結(jié)構(gòu)的簡(jiǎn)化、外形結(jié)構(gòu)的誤差、目標(biāo)上某些結(jié)構(gòu)的狀態(tài)變化(如炮管轉(zhuǎn)動(dòng)的位置等)、目標(biāo)上某些擴(kuò)展條件的狀態(tài)變化(如T72坦克加不加副油箱等),這些差異必然會(huì)導(dǎo)致SAR仿真圖像與實(shí)測(cè)圖像存在差異。

(2) 傳感器差異:SAR仿真過(guò)程中的傳感器模型與實(shí)際傳感器性能存在差異。SAR仿真時(shí)構(gòu)建的傳感器模型較為理想,如傳感器運(yùn)動(dòng)模型為平穩(wěn)的勻速直線運(yùn)動(dòng),而實(shí)際SAR傳感器很難做到,實(shí)際SAR傳感器性能也會(huì)因?yàn)橄到y(tǒng)硬件條件限制等因素導(dǎo)致SAR實(shí)測(cè)圖像在信噪比、實(shí)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(huán)境差異:實(shí)物所處的背景環(huán)境與SAR仿真的背景環(huán)境也不可避免地存在差異。本文SAR仿真構(gòu)建的地面場(chǎng)景為無(wú)任何地形起伏的水平矮草地背景,采用的模型參數(shù)為ULABY模型[15]中的矮草地,這與MSTAR實(shí)測(cè)SAR數(shù)據(jù)集中的真實(shí)地面背景會(huì)不可避免地存在差異,導(dǎo)致SAR仿真圖像中的背景散射強(qiáng)弱及實(shí)測(cè)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(jì)算效率,采用高頻法進(jìn)行目標(biāo)電磁建模,這對(duì)于一些特殊結(jié)構(gòu)(如腔體)和含有多尺度結(jié)構(gòu)的目標(biāo)來(lái)說(shuō)會(huì)出現(xiàn)計(jì)算誤差,會(huì)導(dǎo)致SAR仿真圖像中目標(biāo)散射分布細(xì)節(jié)與實(shí)測(cè)圖像存在差異。

上述原因?qū)е碌腟AR仿真圖像與實(shí)測(cè)圖像之間的差異必然會(huì)影響SAR仿真圖像直接應(yīng)用于實(shí)測(cè)圖像的目標(biāo)識(shí)別性能,給非同源的SAR目標(biāo)識(shí)別帶來(lái)很大挑戰(zhàn)。對(duì)非同源SAR目標(biāo)識(shí)別來(lái)講,背景環(huán)境差異的影響可以通過(guò)SAR圖像預(yù)處理來(lái)緩解,盡可能地降低SAR仿真圖像與實(shí)測(cè)圖像中目標(biāo)散射分布差異的影響成為非同源SAR目標(biāo)識(shí)別的關(guān)鍵點(diǎn)和難點(diǎn)。

2 SAR圖像預(yù)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(shí)別的話會(huì)嚴(yán)重影響識(shí)別性能,因此,首先對(duì)原始SAR圖像進(jìn)行預(yù)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(yù)處理流程,首先對(duì)原始圖像作對(duì)數(shù)變換,再采用恒虛警方法進(jìn)行目標(biāo)粗分割,最后做濾波、掩膜和歸一化等處理。

圖4 SAR圖像預(yù)處理流程Fig.4 Flow chart of SAR preprocessing

假定雜波服從負(fù)指數(shù)分布,則檢測(cè)門(mén)限為

T=-μlnPfa

(1)

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

形態(tài)學(xué)濾波:對(duì)分割結(jié)果進(jìn)行形態(tài)學(xué)濾波,去除非目標(biāo)區(qū)域減弱噪聲、平滑邊界、去除小洞等。

基于面積的濾波:首先對(duì)形態(tài)學(xué)濾波處理后的圖像去除孤立的點(diǎn),然后再濾除面積小于TA的區(qū)域,其中TA可由關(guān)注的目標(biāo)尺寸和分辨率大致確定。

基于距離的濾波:對(duì)上步的結(jié)果圖像,首先找到面積最大的區(qū)域及質(zhì)心,然后計(jì)算每個(gè)區(qū)域到面積最大區(qū)域的距離,最后濾除掉離面積最大區(qū)域距離大于TD的區(qū)域,其中TD也可由關(guān)注的目標(biāo)尺寸和分辨率大致確定。

掩模處理:為了獲得目標(biāo)的強(qiáng)度信息,將濾波后得到的結(jié)果圖像(二值圖像)與對(duì)數(shù)圖像作像素點(diǎn)乘運(yùn)算,得到最終的目標(biāo)強(qiáng)度圖像(作為CNN的輸入)。

最后,對(duì)目標(biāo)強(qiáng)度圖像進(jìn)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(duì)T72的預(yù)處理結(jié)果圖像。

圖5 SAR圖像預(yù)處理結(jié)果Fig.5 SAR image preprocessing results

3 基于CNN的非同源目標(biāo)識(shí)別

鑒于CNN在圖像分類領(lǐng)域的成功應(yīng)用及在MSTAR同源SAR數(shù)據(jù)集上取得的優(yōu)異識(shí)別性能[5-8],嘗試將其應(yīng)用于非同源數(shù)據(jù)的SAR目標(biāo)識(shí)別,以考察SAR仿真和實(shí)測(cè)存在差異的情況下目標(biāo)識(shí)別性能。

圖6給出了基于CNN的非同源SAR目標(biāo)識(shí)別流程。為了防止小樣本下CNN的“過(guò)擬合”問(wèn)題,采用SAR圖像平移截取的方式來(lái)擴(kuò)充訓(xùn)練樣本。為了減小SAR圖像中相干斑噪聲對(duì)CNN的影響,對(duì)平移截取擴(kuò)充后的訓(xùn)練樣本和測(cè)試樣本進(jìn)行前述預(yù)處理后再進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練和測(cè)試。

圖6 基于CNN的非同源SAR目標(biāo)識(shí)別流程Fig.6 Non-homologous SAR target recognition process based on CNN

訓(xùn)練樣本為三類車輛目標(biāo)的SAR仿真圖像,每類360幅,大小為128×128,平移截取擴(kuò)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(biāo)。

測(cè)試樣本為三類車輛目標(biāo)MSTAR實(shí)測(cè)SAR圖像,每幅圖像大小為128×128,對(duì)其只進(jìn)行中心截取成88×88包含目標(biāo)的圖像。

圖7給出了本文設(shè)計(jì)的CNN網(wǎng)絡(luò)結(jié)構(gòu),包括3個(gè)卷積層、3個(gè)池化層、1個(gè)全連接層、1個(gè)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(shù)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(jīng)過(guò)Softmax后輸出類別屬性。

圖7 搭建的CNN結(jié)構(gòu)Fig.7 CNN structure constructed

4 基于線性/非線性特征變換的非同源目標(biāo)識(shí)別

文獻(xiàn)表明,有效的特征變換方法可以提取目標(biāo)主要特征信息或可分性好的特征,提升目標(biāo)識(shí)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(biāo)識(shí)別,以期能緩解由于SAR仿真圖像與實(shí)測(cè)圖像存在差異引起的識(shí)別性能不理想的問(wèn)題?；诰€性/非線性特征變換的非同源SAR目標(biāo)識(shí)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(biāo)識(shí)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(jīng)典的特征變換方法[18],通過(guò)最小化重建誤差來(lái)尋求最能夠代表數(shù)據(jù)的投影方向,能夠提取數(shù)據(jù)的主成分分量,這些主成分分量表征了數(shù)據(jù)的主要信息,忽略了數(shù)據(jù)的次要信息、噪聲信息等。

首先,將訓(xùn)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(xùn)練樣本的總體協(xié)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(xùn)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(shù)較大,直接對(duì)其作特征分解求取特征向量存在計(jì)算負(fù)擔(dān)較大的問(wèn)題。采用文獻(xiàn)[3]中的運(yùn)算技巧,先對(duì)L=ATA∈RM×M特征分解,進(jìn)而得到St的特征向量。設(shè)λi、νi分別為ATA的特征值和相應(yīng)的特征向量,有

ATAνi=λiνi

(3)

AATAνi=λiAνi

(4)

則有Aνi為St的特征值λi對(duì)應(yīng)的特征向量。取St的前r(r

將樣本I∈Rm×n轉(zhuǎn)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(yīng)用的線性特征變換方法[18],通過(guò)最大化類間與類內(nèi)散度之比找到最優(yōu)的投影矢量,使得投影后異類樣本數(shù)據(jù)之間能夠更好地分開(kāi)、同類樣本數(shù)據(jù)能夠更好地聚集。但LDA的假設(shè)數(shù)據(jù)線性可分極大限制了其實(shí)際應(yīng)用。為了克服這一局限,Chen等學(xué)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(wèn)題,并沒(méi)有從根本上解決原始空間中數(shù)據(jù)的線性可分性問(wèn)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(shù)據(jù)的線性可分問(wèn)題。為了解決文獻(xiàn)[20]中核k-均值聚類算法的嚴(yán)重依賴聚類初始值和局部最優(yōu)問(wèn)題,文獻(xiàn)[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(dá)到全局最優(yōu),進(jìn)而保證了KCDA的性能是穩(wěn)定的、最優(yōu)的。為此,本文采用文獻(xiàn)[25]的方法進(jìn)行非同源SAR圖像數(shù)據(jù)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(nèi)散度意義下找到最優(yōu)的投影矢量,使得不同類別的樣本能更好地分開(kāi)。

KCDA是在高維特征空間φ中定義核散布矩陣Sb與Sw,通過(guò)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(gè)較大特征值對(duì)應(yīng)的特征向量

SbV=λSwV

(7)

5 實(shí)驗(yàn)結(jié)果

為了考察不同方法對(duì)非同源SAR數(shù)據(jù)的目標(biāo)識(shí)別性能,本文對(duì)三類車輛目標(biāo)的非同源SAR數(shù)據(jù)進(jìn)行目標(biāo)識(shí)別實(shí)驗(yàn)驗(yàn)證,采用的訓(xùn)練和測(cè)試樣本個(gè)數(shù)如表2所示。

表2 非同源目標(biāo)識(shí)別實(shí)驗(yàn)使用的訓(xùn)練和測(cè)試樣本

首先考察預(yù)處理對(duì)CNN識(shí)別結(jié)果的影響,圖9給出了預(yù)處理前后CNN的識(shí)別性能對(duì)比?？梢钥闯?預(yù)處理有效降低了背景的影響,增強(qiáng)了目標(biāo),提升了最終的目標(biāo)識(shí)別性能,因此后續(xù)的CNN和線性/非線性變換方法中均采用了此預(yù)處理方法。

圖9 預(yù)處理對(duì)CNN識(shí)別結(jié)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(shí)別結(jié)果及相應(yīng)的混淆矩陣,同時(shí)也給出了基于原始圖像直接識(shí)別、兩向2DPCA(Two-directional two-dimensional PCA,(2D)2PCA)[22]的識(shí)別結(jié)果及混淆矩陣。其中,原始圖像直接做識(shí)別是將原始圖像做最大相關(guān)匹配實(shí)現(xiàn)目標(biāo)識(shí)別;(2D)2PCA本質(zhì)上是對(duì)二維圖像矩陣的線性變換,是將預(yù)處理的SAR圖像進(jìn)行(2D)2PCA變換后再進(jìn)行匹配識(shí)別。

表3 不同方法的識(shí)別結(jié)果對(duì)比

從原始圖像直接做識(shí)別和CNN的識(shí)別率上可以看出,二者的識(shí)別結(jié)果不太理想,主要原因是,SAR仿真圖像與MSTAR實(shí)測(cè)圖像屬于非同源數(shù)據(jù),雖然目標(biāo)在大體形狀和強(qiáng)散射分布上基本一致,但不可避免地在細(xì)節(jié)特征上存在一定的差異,這些差異會(huì)導(dǎo)致原始圖像直接做識(shí)別時(shí)匹配結(jié)果差、CNN訓(xùn)練時(shí)識(shí)別率很高但測(cè)試時(shí)識(shí)別性能不理想。

從原始圖像直接做識(shí)別及CNN的混淆矩陣上可以看出,T72與BMP2被錯(cuò)分得較多,尤其在原始圖像直接做識(shí)別情況下,T72有接近一半的樣本被錯(cuò)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(gè)目標(biāo)在結(jié)構(gòu)上更相近,更容易混淆。

從表3和圖10還可以看出,經(jīng)過(guò)線性變換PCA和(2D)2PCA、非線性變換KCDA后,識(shí)別性能明顯改善,T72和BMP2被錯(cuò)分得明顯減少。這是因?yàn)?線性變換PCA和(2D)2PCA、非線性變換KCDA能夠提取目標(biāo)的主要識(shí)別特征和可分性好的特征,忽略了目標(biāo)的次要特征和可分性差的特征。以上結(jié)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(shí)測(cè)圖像存在目標(biāo)散射分布細(xì)節(jié)差異導(dǎo)致的識(shí)別性能差的問(wèn)題,一定程度上提升了非同源SAR目標(biāo)識(shí)別性能。

綜上所述,為了提升非同源SAR目標(biāo)識(shí)別性能,除了在基于電磁散射建模的SAR圖像仿真過(guò)程中采取措施盡可能地提升仿真精度外,對(duì)非同源數(shù)據(jù)進(jìn)行線性/非線性特征變換提取其主要識(shí)別特征或可分性好的特征也是解決非同源SAR目標(biāo)識(shí)別問(wèn)題的主要途徑之一。

6 結(jié) 論

針對(duì)SAR仿真圖像數(shù)據(jù)直接用于實(shí)際目標(biāo)識(shí)別應(yīng)用時(shí)存在識(shí)別性能差的問(wèn)題,本文給出了不同方法對(duì)SAR仿真數(shù)據(jù)作為訓(xùn)練樣本、MSTAR實(shí)測(cè)SAR數(shù)據(jù)作為測(cè)試樣本的非同源目標(biāo)識(shí)別結(jié)果比對(duì)。實(shí)驗(yàn)結(jié)果表明,針對(duì)非同源的SAR目標(biāo)識(shí)別問(wèn)題,直接使用SAR仿真數(shù)據(jù)做目標(biāo)識(shí)別,無(wú)法取得對(duì)實(shí)測(cè)SAR數(shù)據(jù)理想的識(shí)別性能,而采用線性/非線性變換方法對(duì)仿真數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)進(jìn)行特征變換與特征提取獲取目標(biāo)主要識(shí)別特征或可分性好的特征,可以一定程度上提升識(shí)別性能。這一結(jié)果一方面驗(yàn)證了基于SAR仿真數(shù)據(jù)進(jìn)行非同源目標(biāo)識(shí)別是可行性的,另一方面也為SAR仿真數(shù)據(jù)用于實(shí)際目標(biāo)識(shí)別時(shí)如何提升識(shí)別性能指明了研究方向。本文是對(duì)SAR仿真數(shù)據(jù)用于實(shí)際目標(biāo)識(shí)別應(yīng)用的探索與嘗試,具有很重要的實(shí)際應(yīng)用價(jià)值。針對(duì)識(shí)別性能還不是很理想的問(wèn)題,后續(xù)將會(huì)更深入地開(kāi)展非同源數(shù)據(jù)的特征變換與特征學(xué)習(xí)研究,以期進(jìn)一步提高非同源識(shí)別性能,提升SAR仿真數(shù)據(jù)在實(shí)際目標(biāo)識(shí)別中的應(yīng)用能力。