蔚宏軒, 蔡 猛, 于祥禎, 王樹(shù)文

(上海無(wú)線電設(shè)備研究所,上海 201109)

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)進(jìn)行主動(dòng)高分辨成像,可以提供豐富的目標(biāo)信息[1]。SAR圖像車(chē)輛目標(biāo)鑒別作為SAR圖像車(chē)輛目標(biāo)檢測(cè)的后續(xù)處理步驟,主要任務(wù)是在保留目標(biāo)區(qū)域的同時(shí),盡可能地剔除雜波,進(jìn)而降低后續(xù)不同種類(lèi)車(chē)輛目標(biāo)鑒別的計(jì)算復(fù)雜度[2]。

復(fù)雜地物背景下較小尺寸車(chē)輛目標(biāo)的檢測(cè)和鑒別始終是SAR圖像目標(biāo)鑒別研究領(lǐng)域的熱點(diǎn)和難點(diǎn)[3]。SAR圖像車(chē)輛目標(biāo)鑒別首先需要進(jìn)行目標(biāo)檢測(cè),通常根據(jù)SAR圖像背景中的地物雜波統(tǒng)計(jì)模型,采用相應(yīng)的恒虛警率(constant false alarm rate,CFAR)檢測(cè)算法實(shí)現(xiàn)。目前常用的CFAR算法主要包括單元平均恒虛警率(cell average CFAR,CA-CFAR)算法,基于CA-CFAR算法改進(jìn)得到的單元平均選大恒虛警率(greatest of CFAR,GO-CFAR)算法和單元平均選小恒虛警率(smallest of CFAR,SO-CFAR)算法,基于統(tǒng)計(jì)排序的類(lèi)恒虛警率(order statistics CFAR,OS-CFAR)算法,以及開(kāi)關(guān)型恒虛警率(switching CFAR,S-CFAR)算法[4]等。但由于CFAR檢測(cè)是一種次優(yōu)的異常檢測(cè)算法[5],通常情況下SAR圖像場(chǎng)景中地物組成較為復(fù)雜,會(huì)導(dǎo)致檢測(cè)結(jié)果受到雜波干擾而產(chǎn)生虛警,且虛警目標(biāo)的數(shù)量與面積占比很可能遠(yuǎn)大于潛在車(chē)輛目標(biāo)的數(shù)量與面積占比,因此在目標(biāo)鑒別階段需要結(jié)合目標(biāo)感興趣區(qū)域(region of interest,ROI)的紋理特征,即ROI內(nèi)目標(biāo)像素散射強(qiáng)度的起伏,進(jìn)行預(yù)篩選,完成雜波虛警抑制,提高目標(biāo)鑒別性能與效率。

特征提取與選擇是影響SAR圖像目標(biāo)鑒別性能的重要因素[6]。NOVAK等[7]提取機(jī)動(dòng)目標(biāo)二值化圖像的Hausdorff分形維數(shù)作為目標(biāo)鑒別的候選特征,并設(shè)定車(chē)輛目標(biāo)的Hausdorff維數(shù)小于自然地物。但是由于Hausdorff維數(shù)未考慮目標(biāo)像素散射強(qiáng)度的起伏特性以及像素的空間分布,無(wú)法描述場(chǎng)景中目標(biāo)像素散射起伏的快慢,因此將Hausdorff維數(shù)作為一種車(chē)輛目標(biāo)鑒別的特征將導(dǎo)致較高的虛警率。另外SAR圖像受相干斑噪聲影響,會(huì)產(chǎn)生更高的虛警率,需要采用魯棒性更好的分形特征提高目標(biāo)檢測(cè)和鑒別性能。國(guó)內(nèi)部分學(xué)者將另一種高階分形特征——間隙度特征引入到SAR圖像車(chē)輛目標(biāo)鑒別中[8-10]。該特征可定量描述SAR圖像中目標(biāo)像素散射起伏的劇烈程度,以及車(chē)輛目標(biāo)與地物背景的間隙尺寸,彌補(bǔ)Hausdorff維數(shù)等分形特征的不足。但文獻(xiàn)[10]僅應(yīng)用了ROI切片中區(qū)域目標(biāo)像素散射強(qiáng)度的方差作為車(chē)輛目標(biāo)間隙度特征的影響變量,當(dāng)車(chē)輛目標(biāo)不在切片中心時(shí),將導(dǎo)致間隙度特征產(chǎn)生劇烈波動(dòng),與地物雜波特征混淆。

本文針對(duì)強(qiáng)地雜波背景下SAR圖像的車(chē)輛目標(biāo)鑒別,提出了一種基于變化檢測(cè)量閾值分割和二維像素間隙度特征的車(chē)輛目標(biāo)鑒別方法,并對(duì)裝甲車(chē)、卡車(chē)、坦克等不同車(chē)輛的SAR圖像數(shù)據(jù)進(jìn)行仿真,驗(yàn)證目標(biāo)鑒別算法的有效性。

1 強(qiáng)地雜波下SAR圖像中車(chē)輛目標(biāo)鑒別

1.1 目標(biāo)鑒別算法流程

針對(duì)現(xiàn)有特征提取與選擇方法在SAR圖像車(chē)輛目標(biāo)鑒別過(guò)程中存在的不足,應(yīng)用像素散射強(qiáng)度變化特征對(duì)SAR場(chǎng)景中的潛在車(chē)輛目標(biāo)的鑒別可信度進(jìn)行排序,并以雜波區(qū)域的鑒別可信度作為參照。由于SAR圖像不同區(qū)域像素的灰度存在差異,根據(jù)SAR圖像灰度對(duì)場(chǎng)景進(jìn)行閉運(yùn)算處理,可以有效區(qū)分不同散射強(qiáng)度的目標(biāo)區(qū)域和雜波區(qū)域。目標(biāo)由于其材料、結(jié)構(gòu)等因素,能更有效地反射SAR電磁波,在SAR圖像中表現(xiàn)為灰度較大的亮區(qū)域;而雜波對(duì)于SAR電磁波主要為漫反射,在SAR圖像中表現(xiàn)為灰度較小的暗區(qū)域。因此對(duì)于每一幅SAR圖像都存在一個(gè)閾值,可用于目標(biāo)區(qū)域與雜波區(qū)域的區(qū)分。

本文所提的目標(biāo)鑒別算法流程如圖1所示。首先根據(jù)輸入SAR圖像中像素的灰度分布,選取適當(dāng)?shù)膮⒖紙D像與平移圖像,對(duì)整幅圖像進(jìn)行自適應(yīng)閾值提取,并根據(jù)閾值求取結(jié)果對(duì)圖像進(jìn)行基于變化檢測(cè)量的二值化篩選,剔除因雜波導(dǎo)致的虛警目標(biāo);再提取篩選后二值圖像中的1連通域作為ROI切片,根據(jù)像素散射強(qiáng)度的起伏變化與分布特征,計(jì)算ROI切片中的二維像素間隙度特征向量;最后應(yīng)用該向量計(jì)算ROI切片的目標(biāo)鑒別可信度并排序,實(shí)現(xiàn)車(chē)輛目標(biāo)鑒別。

圖1 目標(biāo)鑒別算法流程圖

1.2 基于變化檢測(cè)量的像素閾值提取

從SAR圖像目標(biāo)場(chǎng)景中提取ROI切片,首先要得到車(chē)輛目標(biāo)的概略位置。應(yīng)用閾值分割方法可以生成切片的二值圖像,區(qū)分背景雜波與車(chē)輛目標(biāo)。在本文中用到的基于變化檢測(cè)量的閾值分割方法原理是:首先利用SAR圖像灰度數(shù)據(jù)構(gòu)建變化檢測(cè)量,生成標(biāo)準(zhǔn)灰度差異圖像;再利用標(biāo)準(zhǔn)灰度差異圖像的直方圖特征計(jì)算出標(biāo)準(zhǔn)灰度差異圖像中變化與未變化像素的閾值;最后利用該閾值來(lái)確定車(chē)輛目標(biāo)預(yù)篩選的最終閾值,實(shí)現(xiàn)對(duì)SAR圖像車(chē)輛目標(biāo)的預(yù)篩選。

提取像素灰度閾值時(shí),首先在ROI切片四周建立隔離區(qū),并將ROI中心塊作為參考圖像。將參考圖像分別向左上、左下、右上、右下4個(gè)方向平移,平移距離不超過(guò)隔離區(qū)寬度,得到4幅平移圖像。計(jì)算第k幅參考圖像像素灰度的似然比變化檢測(cè)量

式中:i,j為圖像的像素坐標(biāo);m=(M-1)/2為雜波區(qū)域?qū)挾?其中M為對(duì)每一個(gè)像素計(jì)算似然比變化檢測(cè)量的窗口的大小;I0(·)為參考圖像的像素灰度;Ik(·)為第k幅平移圖像的像素灰度。將像素灰度似然比變化檢測(cè)量線性變換至區(qū)間[0,255],得到第k幅標(biāo)準(zhǔn)灰度差異圖像Dk,并繪制其像素灰度直方圖。Tk_max表示出現(xiàn)次數(shù)最多的像素灰度值,在直方圖上統(tǒng)計(jì) [Tk_max,255]區(qū)間每個(gè)灰度值的數(shù)目Nk(i),其中i為灰度值編號(hào)。計(jì)算區(qū)間[Tk_max,255]內(nèi)相鄰灰度值數(shù)目的比值Sk(i),并將第一個(gè)滿足Sk(i)＜1的像素所對(duì)應(yīng)的灰度值作為初始像素灰度閾值Tk_0。Sk(i)的計(jì)算公式為

統(tǒng)計(jì)灰度值在區(qū)間[Tk_0,255]內(nèi)的像素?cái)?shù)目,即第k幅標(biāo)準(zhǔn)灰度差異圖像Dk中發(fā)生變化的像素?cái)?shù)目Ck_ch。

在原始切片的直方圖中從灰度值255開(kāi)始向下搜索,當(dāng)下降到某一灰度值Gk_0時(shí),若區(qū)間[Gk_0,255]內(nèi)所有像素?cái)?shù)目Ck_whole滿足Ck_whole＞Ck_ch,則認(rèn)為第k幅標(biāo)準(zhǔn)灰度差異圖像的預(yù)篩選閾值Tk=Gk_0。

根據(jù)4幅標(biāo)準(zhǔn)差異圖像即可得到最終閾值

式中:round(·)表示向下取整函數(shù),即當(dāng)閾值計(jì)算結(jié)果含小數(shù)時(shí),舍去小數(shù)部分。

用最終閾值T對(duì)每一幅切片的像素進(jìn)行預(yù)篩選,灰度值大于最終閾值T的像素賦值為1,否則為0,得到對(duì)應(yīng)二值圖像。在二值圖像中賦值為1的像素即判定為車(chē)輛目標(biāo)。由于在切片中車(chē)輛目標(biāo)位于中心位置,因此根據(jù)二值圖像得到車(chē)輛目標(biāo)在切片中的邊界,并對(duì)目標(biāo)圖像按分辨率抽取,以提升后續(xù)處理的計(jì)算效率。

1.3 構(gòu)建二維像素間隙度特征向量

車(chē)輛目標(biāo)具有明顯的幾何結(jié)構(gòu),包括近似為多邊形的邊緣輪廓和目標(biāo)內(nèi)部的箱式結(jié)構(gòu)。因此在車(chē)輛目標(biāo)像素集合的邊界區(qū)域,像素散射強(qiáng)度有劇烈的起伏波動(dòng),并與背景地物區(qū)域存在明顯的不同。目標(biāo)區(qū)域像素的散射強(qiáng)度起伏特性和間隙度可以用分形理論來(lái)定量描述。間隙度表示ROI切片中不同區(qū)域之間的像素灰度值差異。與閾值分割的原理類(lèi)似,從圖像的灰度直方圖中可以看出不同區(qū)域的灰度分布區(qū)間之間存在一定的間隙,基于此定義即可得到間隙度特征向量。文獻(xiàn)[8]提出了一種高維分層間隙度特征的提取與計(jì)算方法,采用該方法對(duì)車(chē)輛目標(biāo)切片進(jìn)行特征提取,分層方法如圖2所示。取待檢測(cè)車(chē)輛目標(biāo)SAR圖像ROI切片,切片圖像大小是邊長(zhǎng)為奇數(shù)個(gè)像素點(diǎn)的正方形。將切片最中間的一個(gè)像素點(diǎn)作為第一層,向外以一個(gè)像素寬度進(jìn)行擴(kuò)展,并取前3層為像素集C1,其后每層為一個(gè)像素集,依次記為C2,C3,C4。在計(jì)算高維分層間隙度特征時(shí),取中間3層的像素點(diǎn)灰度值的方差作為第一個(gè)變量,從第4層開(kāi)始每一層的像素點(diǎn)方差作為下一個(gè)變量。當(dāng)車(chē)輛目標(biāo)切片有N層時(shí),其像素點(diǎn)方差組成一個(gè)1×(N-2)維的向量。

圖2 文獻(xiàn)[8]的切片圖像分層示意圖

上述特征構(gòu)建方法在SAR圖像本身雜波干擾少、車(chē)輛目標(biāo)相較于背景雜波易區(qū)分的情況下,能夠準(zhǔn)確地對(duì)車(chē)輛目標(biāo)切片進(jìn)行特征提取和構(gòu)建。但是若SAR圖像中地雜波干擾較強(qiáng),將無(wú)法正常提取目標(biāo)切片特征。由于車(chē)輛目標(biāo)經(jīng)過(guò)預(yù)篩選后在SAR圖像中所占像素點(diǎn)個(gè)數(shù)有限,通常為10×10個(gè)左右,這將導(dǎo)致按照現(xiàn)有分層方法得到的特征向量長(zhǎng)度偏短,難以有效反映出切片中像素灰度的分布情況。同時(shí),由于僅計(jì)算像素層灰度的方差,在強(qiáng)雜波環(huán)境下若由于成像角度原因?qū)е禄叶戎滴茨芊从吵鋈磕繕?biāo)散射能量,方差的變化趨勢(shì)將無(wú)法直觀地反映出切片中車(chē)輛目標(biāo)的灰度分布。

本文提出一種參考差分盒維法[10](differential box-counting,DBC)的方環(huán)擴(kuò)散分層方法,將車(chē)輛目標(biāo)切片中心的4個(gè)像素記為第一層,然后由中心向四周擴(kuò)散分層,每一層寬度為一個(gè)像素,每一層像素的集合分別表示為C1,C2,…,CM,其中M=W/2表示切片所能分出的最大層級(jí),W表示切片邊長(zhǎng)。取M=5,改進(jìn)的切片圖像分層示意如圖3所示。

圖3 改進(jìn)的切片圖像分層示意圖

設(shè)SAR圖像車(chē)輛目標(biāo)二維像素間隙度特征向量

式中:H1與H2分別為H的均值子向量與方差子向量;h1j,h2j分別為H1,H2的第j維特征值;Cj為第j層像素集合;mean(·)為求均值函數(shù);var(·)為求方差函數(shù)。

與高維分層間隙度特征相比,本文提出的二維像素間隙度特征的優(yōu)點(diǎn)在于,二維像素間隙度特征向量包含目標(biāo)切片每一層中像素的均值和方差信息,反映了該切片從中心到四周像素散射強(qiáng)度的變化趨勢(shì)。通過(guò)更合理的分層方式,用較少的像素點(diǎn)層數(shù)即可以避免像素過(guò)少導(dǎo)致的誤差。同時(shí)在強(qiáng)雜波環(huán)境下也可以避免由于篩選后車(chē)輛目標(biāo)像素點(diǎn)數(shù)量偏少,導(dǎo)致車(chē)輛目標(biāo)不位于中心圈的情況。而在特征向量中引入方差,也可以使得特征向量更貼近于車(chē)輛目標(biāo)切片中像素本身的散射強(qiáng)度。在強(qiáng)雜波環(huán)境下,由于干擾較多,可能導(dǎo)致相鄰層像素灰度值的變化趨勢(shì)差異不夠明顯,通過(guò)計(jì)算從內(nèi)至外相鄰像素集的灰度變化梯度,難以精確地反映出車(chē)輛目標(biāo)切片的區(qū)域組成。而由于車(chē)輛目標(biāo)區(qū)域像素點(diǎn)灰度較大,背景雜波區(qū)域灰度通常較小,通過(guò)計(jì)算每一層灰度的均值與方差,能夠更精確地貼合每一層中像素點(diǎn)的構(gòu)成。

1.4 車(chē)輛目標(biāo)鑒別可信度排序

車(chē)輛目標(biāo)鑒別可信度排序是基于賦范線性空間的目標(biāo)相似性排序。對(duì)于車(chē)輛目標(biāo)切片,可用由內(nèi)向外方環(huán)擴(kuò)散分層法得到二維像素間隙度特征變化規(guī)律。特征向量的第一行為每層像素散射強(qiáng)度的均值,由內(nèi)至外應(yīng)逐漸變小并趨于穩(wěn)定(當(dāng)車(chē)輛目標(biāo)不在切片中心時(shí),由內(nèi)至外均值應(yīng)為先變大再變小)。特征向量的第二行為每層像素散射強(qiáng)度的方差,由內(nèi)至外應(yīng)由小變大,再變小并趨于平緩。而且特征向量的變化轉(zhuǎn)折點(diǎn)與目標(biāo)尺寸相關(guān),特征向量的極值區(qū)域出現(xiàn)在目標(biāo)的最小外接矩形兩邊長(zhǎng)像素點(diǎn)個(gè)數(shù)作為區(qū)間的范圍內(nèi)。目標(biāo)切片的后向散射強(qiáng)度起伏較大,具有特定尺寸且大小有限;地物背景切片的后向散射強(qiáng)度起伏較小,并且沒(méi)有特定尺寸。即使地物背景局部由于其結(jié)構(gòu)突變而形成二面角或三面角等強(qiáng)散射點(diǎn),也因數(shù)量較少且分布稀疏,不會(huì)改變地物背景整體統(tǒng)計(jì)分布特征[8]。因此其二維像素間隙度特征將隨機(jī)變化,沒(méi)有特定的變化規(guī)律。依據(jù)本文提出的改進(jìn)的二維像素間隙度特征的變化規(guī)律,即能對(duì)SAR場(chǎng)景中潛在車(chē)輛目標(biāo)的ROI切片進(jìn)行鑒別,并通過(guò)訓(xùn)練集目標(biāo)的二維像素間隙度特征進(jìn)行相似性距離度量,完成潛在車(chē)輛目標(biāo)的鑒別可信度排序。

2 仿真實(shí)驗(yàn)及結(jié)果分析

2.1 仿真條件

利用機(jī)動(dòng)監(jiān)視與目標(biāo)搜索雷達(dá)(mobile surveillance and target acquisition radar,MSTAR)公開(kāi)的裝甲車(chē)(BMP2)、卡車(chē)(D7)、主戰(zhàn)坦克(T72)等數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)。3類(lèi)目標(biāo)的SAR圖像切片示例如圖3所示。數(shù)據(jù)集中的SAR圖像分辨率為0.3 m×0.3 m,裝甲車(chē)和主戰(zhàn)坦克圖像切片尺寸均為128×128個(gè)像素,卡車(chē)圖像切片尺寸為177×178個(gè)像素。實(shí)驗(yàn)選取X波段、HH極化、波束擦地角15°的雷達(dá)聚束模式成像數(shù)據(jù)。在3類(lèi)車(chē)輛目標(biāo)圖像軸向角0°～360°范圍內(nèi),每隔2°取一個(gè)切片,選取3類(lèi)目標(biāo)各180個(gè)切片作為訓(xùn)練集,各選10個(gè)切片作為測(cè)試集。

圖3 3類(lèi)目標(biāo)的SAR圖像切片

本文利用外場(chǎng)掛飛得到的SAR圖像模擬實(shí)驗(yàn)場(chǎng)景進(jìn)行仿真實(shí)驗(yàn)。主要場(chǎng)景類(lèi)別包括:a)丘陵地貌或戈壁灘(典型場(chǎng)景類(lèi)型為訓(xùn)練場(chǎng)或雷達(dá)陣地);b)含有一定人造設(shè)施痕跡的開(kāi)闊地帶(典型場(chǎng)景類(lèi)型為機(jī)場(chǎng))。將3類(lèi)車(chē)輛目標(biāo)切片按照編隊(duì)的模式插入場(chǎng)景SAR圖像中,即可構(gòu)建典型場(chǎng)景模型。一般情況下編隊(duì)車(chē)輛目標(biāo)為3輛～6輛。

2.2 自適應(yīng)閾值分割

以對(duì)典型場(chǎng)景進(jìn)行數(shù)字仿真得到的訓(xùn)練場(chǎng)景中的2輛BMP2,2輛D7,2輛T72目標(biāo)編隊(duì)為例。假設(shè)車(chē)輛目標(biāo)的質(zhì)心與切片中心重合,先取切片中心區(qū)域的48×48個(gè)像素作為新切片,基于變化檢測(cè)量的閾值提取方法對(duì)訓(xùn)練集數(shù)據(jù)、車(chē)輛目標(biāo)測(cè)試集數(shù)據(jù)與雜波區(qū)域數(shù)據(jù)進(jìn)行閾值計(jì)算與二值分類(lèi)。計(jì)算出所有切片二值圖像中車(chē)輛目標(biāo)的上下左右邊界,將所有原始切片按照邊界值進(jìn)行剪裁,完成預(yù)篩選?；谧兓瘷z測(cè)量閾值的特征提取方法,預(yù)篩選處理前后車(chē)輛目標(biāo)典型場(chǎng)景如圖4所示?？梢钥闯?預(yù)篩選后,車(chē)輛目標(biāo)得以保留,沒(méi)有出現(xiàn)漏警或虛警等情況?？芍?本文提出的閾值分割法在強(qiáng)地雜波環(huán)境下對(duì)3種車(chē)輛目標(biāo)均能夠?qū)崿F(xiàn)較好的分割效果。

圖4 預(yù)篩選前后車(chē)輛目標(biāo)典型場(chǎng)景圖

2.3 實(shí)驗(yàn)結(jié)果分析

由于SAR場(chǎng)景的分辨率為1.2 m×1.2 m,而車(chē)輛目標(biāo)切片的分辨率為0.3 m×0.3 m,根據(jù)自適應(yīng)閾值分割得到的結(jié)果對(duì)所有切片(訓(xùn)練集、測(cè)試集、雜波)進(jìn)行抽取,得到分辨率為1.2 m×1.2 m的切片,此時(shí)車(chē)輛目標(biāo)切片尺寸為12×12個(gè)像素。根據(jù)二維像素間隙度特征的提取方法,12×12個(gè)像素的切片可以分為6層,生成2行6列的二維像素間隙度特征向量;而對(duì)于一個(gè)15×15個(gè)像素的切片,采用高維分層間隙度特征也只能生成一個(gè)1行6列的向量,此時(shí)的切片僅采用均值反映切片中的區(qū)域變化,無(wú)法全面地描述切片中每一層像素的組成與變化趨勢(shì),容易出現(xiàn)誤差。取信噪比為(5～8)dB的SAR圖像,分別應(yīng)用二維像素間隙度特征向量和高維分層特征間隙度特征向量對(duì)車(chē)輛目標(biāo)鑒別可信度進(jìn)行排序求解。當(dāng)測(cè)試集分別為對(duì)應(yīng)3種車(chē)輛目標(biāo)的ROI切片時(shí),3種車(chē)輛目標(biāo)為訓(xùn)練集的目標(biāo)鑒別可信度結(jié)果如圖5所示?？梢悦黠@看出,當(dāng)SAR圖像本身的信噪比較低時(shí),采用本文提出的改進(jìn)的分層方法和二維像素間隙度特征向量提取方法,得到的目標(biāo)鑒別可信度提升了3%～8%;對(duì)于每一類(lèi)待檢測(cè)車(chē)輛目標(biāo),以其同種車(chē)輛目標(biāo)數(shù)據(jù)作為訓(xùn)練集時(shí),即使場(chǎng)景中地雜波較強(qiáng),仍然能夠得到理想的鑒別結(jié)果。當(dāng)采用另外兩種車(chē)輛目標(biāo)作為驗(yàn)證類(lèi)型時(shí),同樣可以得到相同的實(shí)驗(yàn)結(jié)果。

圖5 3種車(chē)輛目標(biāo)鑒別可信度對(duì)比

3 結(jié)論

在強(qiáng)雜波背景環(huán)境中,SAR圖像中車(chē)輛目標(biāo)的周?chē)嬖诖竺娣e的雜波區(qū)域,采用自適應(yīng)閾值篩選并不能在ROI切片中完整保留車(chē)輛目標(biāo)。因此為了使特征向量盡可能多地反映車(chē)輛目標(biāo)切片的灰度值分布情況,本文提出了一種改進(jìn)的適應(yīng)強(qiáng)地雜波環(huán)境的車(chē)輛目標(biāo)鑒別方法,在不犧牲特征向量對(duì)切片區(qū)域組成的反映能力的前提下,保證每一次仿真實(shí)驗(yàn)時(shí)車(chē)輛目標(biāo)都能出現(xiàn)在切片中。對(duì)比仿真實(shí)驗(yàn)證明了在強(qiáng)雜波環(huán)境下本文提出的方法對(duì)同種車(chē)輛目標(biāo)的鑒別可信度穩(wěn)定在96%以上。但是由于不同車(chē)輛目標(biāo)在幾何特征上差異較小,以異種車(chē)輛目標(biāo)作為訓(xùn)練集時(shí),算法會(huì)存在誤將不同的車(chē)輛目標(biāo)檢出,即無(wú)法有效識(shí)別車(chē)輛目標(biāo)類(lèi)型的問(wèn)題。后續(xù)可以根據(jù)更精細(xì)的特征選取與計(jì)算,實(shí)現(xiàn)多種類(lèi)車(chē)輛目標(biāo)相互之間的穩(wěn)定區(qū)分。