（信息与通信工程专业论文）sar图像机动目标检测与鉴别技术研究.pdf

国防科学技术大学研究生院博士学位论文 摘要 复杂背景中战术机动目标的提取与分类识别是s a r 战场情报侦察的重要任 务，也是s a r 图像解译技术关注的难点。这一过程可大致分为检测、鉴别和分类 识别三个阶段，其中机动目标的检测将在观测数据中快速提取出目标的r o i ，经 鉴别后形成待识别的r o i 。由于现阶段包括目标电磁散射在内的多项关键技术还 远远没有达到支持自动目标识别的程度，所以深入研究机动目标的检测和鉴别技 术，实现对大幅观测场景中感兴趣机动目标的快速提取和定位具有重要现实意义。 针对s a r 图像机动目标的检测和鉴别问题，本文主要研究了机动目标的c f a r 检测、区域分割、特征提取和目标鉴别等方面的关键技术，并以此构建机动目标 r o i 快速提取技术框架，实现在大幅、复杂观测场景中对机动目标的快速发现和 定位。 论文第二章针对非均匀区域的s a r 图像数据，提出了基于o d v i a c 的机动 目标c f a r 检测算法。该算法首先从理论上推导了o d v i 自动筛选阈值的计算公 式，从而可以快速计算自适应于局部背景数据的自动筛选阈值，以消除待测单元 背景参考像素集合中的强杂波像素和人造目标的干扰像素，并结合双参数c f a r 检测和高斯分布模型来计算检验统计量和对应的判决阈值，完成s a r 图像机动目 标的自适应检测。 论文第三章在对s a r 图像分割技术进行综述的基础上，针对机动目标r o i 的 区域分割问题，提出了三种分割算法，包括基于o s c f a r 的分割算法、基于统计 模型组的m i 讧分割算法和基于优化p m 模型的m a p 分割算法，以获取机动目标 的边缘、轮廓和区域等结构信息。同时，对于机动目标区域分割过程产生的多个 子区域，文中采用形态学的连通、填充和消除运算，以及空间聚类算法进行滤波 处理，形成较为完整的目标区域，并以此计算整个目标区域中心的像素坐标，完 成r o i 的定位。 论文第四章总结了s a r 图像目标鉴别的常用特征，包括几何特征、散射特征 和多分辨率鉴别特征，给出上述特征的计算方法。文中针对单极化s a r 图像的机 动目标r o i ，引入最小外切矩形算法和i o n 变换方法来分别估计机动目标的长、 宽尺寸，并对两者计算的结果进行比较和分析。同时，考虑机动目标和自然地物 具有不同的后向散射特性，提出了机动目标的间隙度特征，分析了该特征对噪声 包括加性噪声和乘性相干斑噪声的不敏感特性。 论文第五章针对鉴别特征空间的降维处理，提出了机动目标鉴别特征的优选 方法，包括对特征的冗余性、稳定性和可分离程度的定量分析，综合利用分析的 结果来选择最优的鉴别特征。同时，在上述特征优选的基础上，提出了基于多特 第i 页 国防科学技术大学研究生院博士学位论文 征联合的序贯鉴别算法，并与二项式距离鉴别算法进行了比较。另外，在应用本 文多项关键技术的基础上，构建了高分辨率s a r 图像机动目标r o i 提取技术的整 个框架。 主题词：s a r 图像，机动目标，感兴趣区域，统计模型，c f a r ，目标检测， 区域分割，特征提取，目标鉴别 第i i 页 国防科学技术大学研究生院博士学位论文 a b s t r a c t d e t e c t i o na n dr e c o 面t i o no fv e h i c l e si nas a ri m a g ei sa ni m p o r t a 【1 t 住峪kf o r a c q u i r e m e mo fi n f - o 肿a t i o nm mt h eb a t t l e f i e l d ，a n di sa l s oac o n c e m 耐d i m c u l t p r o b l e mms a ri m a g ei n t e 印r e t a t i o n n l ep r o b l e mi su s u a l l yd i v i d e di n t ot l l r e e 啦唱e s ： d e t e c t i o n ，d i s c r i m i n a t i o n 砒1 dc l a l s s i f i c a t i o n i i lt h ef i r s ts t a g e ，t l l eo b s e r v e dd a t aa r e s c a n n e dq u i c h yt oa c q u i r et h ev e h i c l e s r o i s ，a n dt h e s er o i sa r ed i s t i n g u i s h e dmt h e s e c o n ds t a g et or e m o v et h ef a l s er o i sb yt h ef e a _ t u r e so fv e h i c l e a n dt h e n ，t l l eo i d y t a r g e t l i k er o i sa r es e n tt 0 l ec o i l l p 嘣i o n a l l ye x p e n s i v ec l a s s i f i c a t i o ns t a g e h o w e v e r ， i ti sa l i l l o s ti i l l p r o ba _ b l et or e c o g l l i z ea u t o m a t i c a l l yt h o s ev e m c l e sb a s e do nt h ee x i s t i n g t e c l u l o l o g y ，s u c ha st l l et h e o 巧o fe l e c t l o m a 印e t i cs c a t t e r i n g t h e r e f o r e ，i ti ss i g m f i c a n t t or e s e a r c h 矗l n b e rt h ed e t e c t i o n 锄dd i s c r i m i n a t i o no fv e l l i c l e s s ot l l a t 、ec a nf i n d q u i c k l yt h et a r g e t s 觚dc a l c u l a t et h e i ro r i e n t a t i o n sf 如mal a r g es c e n e i no r d e rt 0d e t e c ta n dd i s c r i m i n a t et 1 1 ev e m c l e sf i r o m 廿1 el a r g ec o m p l e xo b s e e d s c e n e ，s o m ek e yt e c t u l o l o g i e si n c l u d i n gt l l ec f a rd e t e c t i o 玛r e g i o ns e g i n e n t a t i o i l ， f e a t u r ee x t r a c t i o na n dt a r g e td i s c r i m i n a t i o na r es t u d i e ds y s t e m a t i c a l l yi nt h i st h e s i s a n d w ec a j lu s et h e s et e c h n o l o g i e st of o 肌am u n e 、o r kt of i n dq u i c k l yt h ev e l l i c l ef o mt h e t e s ts a r i 1 1 1 a g e 砒l dc a l c u l a t ei t so r i e n t a t i o n t h ec f a rd e t e c t i n g a l g o r i t h m f o rv e m c l eb a s e do no d v i a ci 1 1a n o n h o m o g e n e o u ss a rh a g e i sd e v e l o p e di nc h 印t e r2 f i r s t l y ，t h em e t h o do fc o u n t i n g t l l et h r e s h o l do ft h eo d v i - a ci sp r o p o s e d u s i n gt m sm e t h o d ，、ec a i lc a l c u l a t ct h e a d 印t i v et h r e s h o l d so fa u t o m a t i cc e n s o r i n gp r o c e s s a f b e rr e m o v i n gt l l ep i x e l so fs t r o n g c l u t t e ra r l di m e r f e r i n gt a r g e t si nt h er e f e r e n c e 、v i n d o wo fat e s tc e l lb ya no d v i a c a l g o r i t i l n l ，t 1 1 er e m a i l l i n gp i x e l sa r eu s e dt oe s t i m a t et l l ep a r a m e t e r so fs t a t i s t i c a lm o d e l a d o p t i n ga 伯帕一p a r 锄e t e rc f a rd e t e c t o ra r l dg a u s sd i s t r i b u t i o n ，、v ec a l c u l a t et 1 1 e t e s t i n g 蚴i s t i ca n di t s 缸e s h o l di nc f a rt om l f i ua i la d 印t i v ec f a rd e t e c t i o no ft h e v e l l i c l e t 1 l er e g i o ns e 肿e n t a t i o no fv e l l i c l er o ia 1 1 dc l u s t e 血gm e m o da r ed i s c u s s e di n c h a p t e r3 t h em e t h o d so fs a ri r n a g es e 留n e n t a t i o na r es u m m a r i z e d a 1 1 dt t l r e e a l g o r i m m s ，i n c l u d i n go s c f a r ，m a pb 2 l s e do nm i 心a i l dm a p b 邪e do nt h em o d i f i e d p - mm o d e l ，a r eu s e dt oc a r 巧o u tt l l e r e g i o ns e g m e n t a t i o no fv e h i c l e ，r e s p e c t i v e l y b e c a u s eav e h i c l em a yb es e p a r a t e di n t os e v e r a l i s o l a t e dr e g i o l l s ，i ti sn e c e s s a r yt ou s e t l l es p a c ec l u s t e r i n ga l g o r i t l l i i la j l dm o 印h o l o g i co p e r a t o r s ，s u c ha sc o 皿e c t i o n ，f i l l i i 培， a n de l i m i n a t i n g ，t of i l t e rm er e g i o l l s s o ，、c a nh a 、，et t l ew h o l er e g i o no ft h ev e m c l e 觚dc a l c u l a t ei t sc e n t e rc o o r d i n a t e f e a t u r e sf o rv e h i c l ed i s c r i i l l i m 【t i o n ， i n c l u d i n gg e o m e t 巧 f e a t u r e s ， s c a _ 仕e r i n g f e a t u r e s ，m u l t i r e s o l m i o nd i s c r i m i n 锄tf i e 砷l r e ，a r e 吼l m m e du pi nc h a p t e r4 ，觚dt 1 1 e m e t h o d so fe x t r a c t i n gt h o s ef e a t l l r e sa r ea l s op r e s e n t e d a tt h es 锄et i m e ，t l l em e t h o do f 第i i i 页 国防科学技术大学研究生院博士学位论文 m i n i m u me n c l o s i n gr e c t a j l g l ea n dt h er a d o nt r a n s f o n na r em t r o d u c e dt oe s t l m a t em e l e n 舢a n d 谢d t ho ft l l ev e l l i c l ei ns i n g l ep o l a r i m e 仃i cs a ri m a g e a c c o r d i n gt ot l l e d i 肫r e mb a c ks c 砒e r i n gc h a r a c t e r i s t i cb e 似e e n 恤v e h i c l e 锄d 舢m lt e 仃a l n ，t h e l a c u n 撕t yf e a t u r ei sd e v e l o p e d m o r e o v e r ，i ti sc o n c l u d e dm a tl a c u n a r i t yi sr o b u s tt ot h e a d d i t i o n a ln o i s ea n dt h es p e c l ( 1 en o i s e f o rr e d u d n gt h ed i m e n s i o no fd i s c r i m i n a t i n gf e a t u r es p a c e ，t h e m e t h o do 士 s e l e c t i n gt h eo p t i m a lf e a t u r e sf o rt a r g e td i s c r i m i n a t i o ni sp r o p o s e di nc h 印t e r5 t h e r e d u n d a n c y ，r o b u s t n e s sa n ds e p 扰山i l 时o ff - e a t u r e sa r eq u a n t i t a t i v e l ya n a l y z e db ym i s m e t h o d b a s e do nt h eo p t i m a lf e a t u r e s ，t h em u l t i - f e a t u r e ss e q u e n t l a id i s c n m m a t l o nl s d e v e l o p e da n dc o m p a r e dw i t ht h eq 眦旧r a t i cd i s t a j l c ed i s c r i m i n a t i n gm e 山o d i i l a d d i t i o i l ， u s e i n gt h o s ek e yt e c h n o l o g i e si nt h i sm e s i s ，w ef o r mt h ef i r a m e 、v o r ko fa c q u i r i n gt h e v e m c l e sr o ii nah i g hr e s o l u t i o ns a ri m a g e k e yw o r d s ：s y n t h e t i ca p e n u r er a d a ri m a g e ，v e h i c l e ，r e g i o no fi n t e r e s t s t a t i s t i c a lm o d e i ，c f a r ，t a r g e td e t e c t i o n ， r e g i o ns e g m e n t a t i o n ， f e a t u r e e x t r a c t i o n ，t a r g e td i s c r i m i n a t i o n 一一- _ _ - - l - _ l l - - _ _ _ 一 第i v 页 国防科学技术大学研究生院博士学位论文 表目录 表1 1目标类型与解译运算所需图像分辨率的关系3 表2 1常用的s a r 图像背景杂波统计模型1 4 表2 2z 2 分布模型与s 、e r l i n g 模型的等价关系1 6 表2 3r a d a r s a t 汉城区域中四类典型地物数据的模型参数估计结果2 8 表3 1四种s a r 图像分割算法的性能评估指标5 6 表3 2 基于优化p m 模型的m a p 分割算法中的参数5 8 表3 3t 7 2 目标区域分割过程中的统计模型及其参数估计6 0 表3 4 三种算法对t 7 2 目标分割的性能比较。6 2 表3 5 聚类处理前后机动目标区域的中心坐标6 3 表4 1国外研究机构提出的主要目标鉴别特征6 5 表5 1机动目标r o i 切片常用的三类鉴别特征1 0 0 表5 2 鉴别特征矢量的相关系数矩阵1 0 0 表5 3 特征稳定性和可分性计算结果1 0 2 表5 4 特征建模参数及其序贯鉴别阈值1 0 3 表5 59 个机动目标r o i 切片的鉴别特征1 0 6 表5 6s a r 图像提取r o i 切片的坐标和方位1 0 6 第l v 页 国防科学技术大学研究生院博士学位论文 图目录 图1 1s a i p 系统示意图3 图1 2基于模板的s a ra t r 系统框架5 图1 3基于模型的s a ra t r 系统框架。6 图1 4m s t a rs a ra t r 系统结构示意图6 图1 5 一个典型s a r 图像机动目标a t r 的结构示意图7 图2 1背景参考像素的自动筛选处理流程图21 图2 2基于o d v i a c 的c f a r 检测算法流程2 6 图2 3 三种检测方法的r o c 曲线2 7 图2 4i 泓a r s a t 汉城原始数据图像2 8 图2 5l 砌a r s a t 汉城数据图中水域区域数据的拟合结果2 9 图2 6i 硼a r s a t 汉城数据图中浅滩区域数据的拟合结果2 9 图2 7r a d a r s a t 汉城数据图中山地区域数据的拟合结果2 9 图2 8 咖a r s a t 汉城数据图中建筑区域数据的拟合结果3 0 图2 9x 波段0 5 米分辨率的s a r 图像数据3 1 图2 1 0x 波段0 5 米分辨率的s a r 图像中三类地物的拟合结果3 1 图2 1 1x 波段0 5 米0 5 米分辨率的s a r 原始图像数据。3 2 图2 1 2x 波段s a r 图像( 包括四个机动目标) 的检测结果3 2 图2 1 3o d v i a c 的筛选阈值比较。3 3 图3 1m r f 随机场的二阶邻域系统及其基团4 4 图3 2t 7 2 原始数据( 秒= 一3 5 2 3 度) 4 5 图3 3基于统计模型组的m i u 区域分割算法流程图4 6 图3 4 基于优化p m 模型的m a p 分割算法流程图5 1 图3 5r a d a r s a t 汉城某地区观测数据( 分辨率为9 米9 米) 的分割处理结果5 5 图3 6 基于优化p m 模型和m a p 准则对车辆目标的分割结果5 7 图3 7 车辆目标后验概率矩阵及其热扩散平滑的结果( 表明平滑的作用) 5 8 图3 8 利用三种分割算法对t 7 2 目标进行区域分割的结果及其比较6 0 图3 9t 7 2 目标的人工分割结果6 2 图3 1 0s a r 图像检测与聚类的实验结果6 3 图4 1机动目标几何特征提取流程示意图6 8 图4 2m s t a r 数据库中b m p 2 车辆目标和自然地物数据的对比结果7 0 图4 3 六种不同纹理分布的二值化图像7 4 图4 4 不同尺度上二值化图像的间隙度特征7 5 第v 页 国防科学技术大学研究生院博士学位论文 图4 6 图4 7 图4 8 图4 9 图4 1 0 图4 1 1 图4 1 2 图4 1 3 图4 1 4 图5 1 图5 2 图5 3 图5 4 图5 5 图5 6 b m p 2 和t 7 2 目标的面积特征8 l b m p 2 和t 7 2 目标的转动惯量特征8 2 利用最小外切矩形和r a d o n 变换对车辆目标实现长宽估计。8 2 m s t a r 数据库中车辆目标与丛林地物图像的间隙度特征比较8 3 样本数据( 1 6 4 0 为车辆目标，其余为自然地物) 的间隙度特征8 3 去斑前后切片数据的间隙度特征。8 4 x 波段0 5 m 分辨率的s a r 图像中坦克目标的检测与鉴别处理8 5 基于间隙度特征对数据2 中r o i 数据组鉴别处理后的部分结果8 5 样本集c 1 和c 的多分辨率鉴别判决式特征量8 6 s a r 图像多特征联合的序贯鉴别算法流程图9 7 高分辨率s a r 图像机动目标r o i 提取方法流程图9 8 在两个俯仰角条件下t 7 2 目标特征对方位角为o 3 6 0 度范围的分布。1 0 2 单个特征的r o i 切片鉴别性能曲线1 0 4 序贯鉴别算法的r o c 曲线及比较1 0 4 s a r 图像机动目标r o i 提取的实验结果1 0 5 第v i 页 独创性声明 本人声明所呈交的学位论文是我本人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已 经发表和撰写过的研究成果，也不包含为获得国防科学技术大学或其它教育机构的学 位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文 中作了明确的说明并表示谢意 学位论文题目：兰丛图像扭叠亘握拴型盏鉴型盐盔盟究 学位论文作者签名：雹e 扛 日期： 炒7 年 ，矿月， 日 学位论文版权使用授权书 本人完全了解国防科学技术大学有关保留、使用学位论文的规定本人授权国 防科学技术大学可以保留并向国家有关部门或机构送交论文的复印件和电子文档，允 许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索， 可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密学位论文在解密后适用本授权书) 学位论文作者签名：垄丕 懒揪摊：秘 日期： 日期： 年，or sb 年，口其7 l b 国防科学技术大学研究生院博士学位论文 第一章绪论 1 1课题研究背景及意义 合成孔径雷达( s y n t h e t i ca p e m 鹏i h d a r ，s a r ) 是一种主动式的微波成像传感 器，它分别利用距离向的脉冲压缩技术和方位向的综合孔径技术来实现较高的空 间分辨率，并借助机载、星载或无人机载等平台对大面积的观测区域进行高分辨 率成像【lj - 【5 1 。由于s a r 具有全天时、全天候和一定的植被穿透能力等优点，使它能 够对观测区域进行不问断的成像探测，而且可以辨别出隐藏于树丛等植被中的感 兴趣目标【6 j 【引。因此，自s a r 问世以来就成为遥感信息获取的重要手段，在近半 个世纪取得了飞速的发展，并在民用遥感、测绘、和军事侦察领域得到了广泛的 应用。 在国外，美国和俄罗斯等处于s a r 技术研究的领先地位。2 0 世纪5 0 年代美国 开始研究s a r 遥感成像技术，直到8 0 年代末完成了s a r 系统的试验阶段。1 9 7 8 年 美国国家航空航天局( n a s a ) 发射了第一颗星载海洋s a r 系统s e a s a t ，从而开 启了s a r 空间探测的新时代。在8 0 年代，美国先后发射了哥伦比亚号和挑战号 航天飞机，它们分别装载s i r a 和s i r b 系统对大地进行干涉测量，获得了很有 意义的实验图像，其中利用s i r a 图像发现了埃及西北部沙漠地区的地下古河道。 与此同时前苏联也于1 9 8 3 年发射了其第一颗s a r 遥感卫星p o l y n s 。进入9 0 年代， 随着a 1 m a z ，e r s 一1 2 ，j e r s l ，凡a r s a t 等星载s a r 系统的投入使用【9 】，s a r 系统已经能在全球范围内提供商用服务，这标志着s a r 遥感成像技术步入了实用 阶段。至此，s a r 图像已经广泛应用于农业、地质、导航、洪涝灾害监视和海洋监 视等多个领域。 9 0 年代以后，随着电子器件、惯导部件和工艺水平的飞速发展，s a r 系统在 分辨率方面从低分辨( 5 米以上) 向中等分辨( 2 、3 米) 、高分辨( 0 5 、0 3 、 0 1 米、甚至亚分米) 发展；在极化方式上由单极化向多极化、全极化( p o l s a r ) 发展；波段上也从l 波段向x 、k u ，甚至k a 和更高频段发展；成像空间上由二维 坐标( 2 一d ) 向三维坐标( 3 一d ) 的地形测绘发展。目前，具有代表意义的s a r 成 像传感器有s a n d i a 国家实验室的1 w no t t e rs a r 系统和m i n i s a r 系统、林肯实验 室的毫米波s a r 系统、奋进号航天飞机s r t m 计划的s a r 系统和美国n a s a j p l 设 计的a i r s a r t o p s a r 等等【1 0 】。其中，s a n d i a 国家实验室的t w i i lo t t e rs a r 系统具 有k a 、k u 、x 和v h f h f 四个工作频段，最高分辨率可达0 3 米，著名的m s t a r 公共数据库就是利用其x 波段s a r 系统构建的。该实验室最新研制的m i n i s a r 系 统代表了高分辨和小型化的最先进技术，该系统工作于x k a 波段，可实现高达0 1 第l 页 国防科学技术大学研究生院博士学位论文 米的分辨率，体积约为l o 英寸的立方体，其突出优点是小型化和重量轻，可较好 地应用于轻型无人机系统【1 1 】。林肯实验室的毫米波s a r 系统可生成全极化的图像 数据，且具有0 3 米0 3 米的分辨率，为机动目标的自动识别奠定了基础。 国内方面，我国在“八五 、“九五 和“十五”期间，先后开展了一系列 s a r 系统的研究工作，目前已研制出了多种机载、无人机载和星载s a r 系统，包 括p 、l 、x 和i “等波段，分辨率从5 米以上提高到优于0 5 米，极化方式也由单 极化向多极化、全极化发展。同时在应用方面，上述部分s a r 系统已经初步构建 了空、天、地一体化的战场情报侦察网络，可以为指定的观测区域提供全空间和 多时相的成像数据。 然而，与s a r 成像系统快速发展形成鲜明对比，s a r 图像的判读和解译技术 研究相对滞后，尤其是对机动目标的自动识别技术，远不能满足战场监测的实时 处理要求。在战场环境中，战术车辆( 坦克、装甲运兵车、导弹发射车、火炮等) ， 中小型舰船，以及机场中的飞机等目标都具有重要的军事价值，而且又具有灵活 机动的特点，使其自然成为战场监测所关注的焦点。本文将该类目标通称为机动 目标( v e m c l e ) ，它们的快速提取和分类识别是s a r 图像判读系统的一项重要任 务，也是目前s a r 图像解译技术研究的难点和热点。该任务要求在观测得到的大 幅s a r 图像数据中快速提取出可能包含机动目标的感兴趣区域( r e g i o no f i l l t e r e s t ， r o i ) ，并将含有类似真实目标的r o i 传递到分类器，进行分类识别，最终输出 机动目标的类别、位置、编队情况和危险程度等态势信息。习惯上，将上述目标 解译过程称为s a r 图像机动目标的自动目标识别( a u t o m “ct 2 l r g e tr e c o 印i t i o n ， a t r ) 。 1 2s a r 图像机动目标a t r 技术概述 s a r 图像固有的相干斑噪声和侧视工作模式( 产生阴影、迎坡缩短和顶底倒 置等现象) 使其与光学图像有较大差异，在视觉上s a r 图像目标的外形轮廓，甚 至结构特征，都与真实目标存在一定的差异，而且目标细节信息也较光学图像模 糊等，这为s a r 图像的目视判读增加很大的困难，同时部分光学图像的解译技术 也不能适合s a r 图像的解译。因此，研究s a r 图像机动目标的a t r 技术和相应 的判读系统是势在必行的。 1 2 1典型的s a ra t r 系统 研究表明，对于不同类型目标的s a r 图像进行解译时，包括目标检测、目标 鉴别、分类识别和目标描述等，都需要原始s a r 图像数据具有一定的图像分辨率， 表1 1 给出这种关系【1 2 】【13 1 。 第2 页 国防科学技术大学研究生院博士学位论文 目前机载s a r 图像的分辨率已经可以达到亚米级，如t w i no t t e rs a r ，可以 满足对机动车辆、飞机、舰船等目标进行检测、鉴别和分类识别的要求。世界各 国都非常重视s a r 图像a t r 技术的开发，其中美国处于国际领先水平，本节对 美国的几个典型s a ra t r 系统作一介绍。 表1 1目标类型与解译运算所需图像分辨率的关系 飞心解译运算 检测 鉴别 分类描述 待测目标 ( 米)( 米)( 米)( 米) 桥梁6 4 5 1 50 9 道路 961 80 6 机动目标 1 50 60 _ 3o 0 5 飞扔4 51 50 9o 1 5 物资仓库 1 5 0 6 0 30 2 5 港口 3 01 563 。誊捌、 半自动图像解译处理( s a ip ) 图1 1s a l p 系统不恿图 美国先后于1 9 9 4 年和1 9 9 9 年启动了m s t a r ( m o v i n ga n ds t a t i o n a 巧t a r g e t a c q u i s i t i o na n di 沁c o g n i t i o n )【1 4 】- 【1 6 】和 s a i p( s e m i a u t o m a t e di m i n t ( i m a g e i n t e l l i g e n c e ) p r o c e s s i n g ) 研究计划【1 7 】【1 8 】。m s t a r 计划联合多个研究机构，其中 s a n d i a 国家实验室负责s a r 系统和提供0 3 1 米的原始数据，w r i g h t 实验室建立 用于模型研究的各类地貌散射杂波图和用于分类研究的1 8 种各类地面车辆目标的 数据库，l i n c o l n 实验室和m i c h i g a n 环境研究所提供特征分析、特征抽取与分类算 法。该计划还构建了m s t a r 公共数据库，该数据库已成为s a r 图像目标a t r 算 法的常用测试数据库1 9 】- 【2 0 1 。 s a i p 计划开发了一个可移动的s a r 解译系统，它由数据链、图像形成系统、 第3 页 国防科学技术大学研究生院博士学位论文 图像分析工作站和通信与信息控制等四辆工作车组成，相当于一个半自动图像智 能处理系统，见图1 1 。该系统仅需要少量的图像分析人员，能以接近实时的速度 分析s a r 数据流。针对的s a r 传感器每分钟提供1 0 0 平方公里( 1 米1 米分辨率) 的图像，可以在接收后5 分钟做出情报解译，据称已服役于战场监视【l7 j 【2 。 为了进一步提高s a r 图像数据处理速度，满足a t r 实时性的要求，s a n d i a 国家实验室在美国空军资助下研制了多任务并发的s a r 目标识别和定位系统 ( s a rt a r g e tr e c o g n i t i o na j l dl o c a t i o ns y s t e m ，s t a r l o s ) 。该系统能同步搜索、 检测、识别和定位6 个类别的机动目标，在全配置( 6 4 个c p u ) 情况下，可以实 现对1 0 个感兴趣目标以5 兆秒，或5 0 个目标1 兆秒的处理速率进行解译1 2 2 | 。 1 2 2s a r 机动目标a t r 的框架 经过m s t a r 和s a i p 计划的研究，目前己经开发出两种具有代表性的s a r a t r 框架，即基于模板( t e m p l a t e b a s e d ) 的s a ra t r 技术【1 7 j 和基于模型 ( m o d e l b 2 l s e d ) 的s a ra t r 技术【8 j 【1 4 j 。 基于模板的s a ra t r 框架 在该框架下，需要构建目标分类的参考模板数据库，并基于待识别目标的方 位角参数在模版库中检索相对应的模板图像，计算图像匹配检验统计量，实现分 类判决。s a i p 计划初步设计的s a ra t r 系统利用该框架实现目标的分类识别， 图1 2 给出其结构示意图【1 。7 1 ，其中虚线框内的部分是s a r 图像目标检测与鉴别处 理过程。 该系统对观测得到的原始s a r 图像数据经过恒虚警( c o n s t a n tf a l s ea l a m i e ，c f a r ) 检测，筛选出局部强度异常的像素集合，构成待鉴别的r o i ，其中包 括真实目标的r o i 和由于自然地物异常引起的虚假r o i ，以及其它人造目标干扰 形成的虚假r o i 。在鉴别阶段将利用多种特征提取算法计算r o i 的目标特征，并 结合地形地物定标( t e r r a i nd e l i m i t a t i o n ) 、目标级的变化检测、人造杂波识别和 空间聚类( s p a t i a lc l u s t e r i n g ) 等手段，进行多信息融合的门限鉴别，以消除虚假 目标r o i ；同时对鉴别输出的r o i ，进行优先等级排序，并输出到目标分类器。 同时，s a i p 计划中的基于模板s a ra t r 系统框架通过引入超分辨成像( h i 曲 d e f i n i t i o nv e c t o ri m a 西n g ，h d v i ) 方法来提高待识别r o i 的分辨率【2 3 】【2 4 1 ，并利用 均方误差( m e a j ls q u a r e de 盯0 r ，m s e ) 准则实现r o i 与参考模板图像的匹配分类【2 5 j 。 最后，利用判读人员再审的环节提交最终的目标识别报告。 基于模板的分类方法，是s a i p 研究计划的早期目标，它原理简单，理论上比 较容易实现，但是在工程实现上需要构建庞大的目标模板库，以及模板库对应的 目标特征库。由于机动目标的后向散射对雷达入射波的俯仰角、目标本身的姿态 第4 页 国防科学技术大学研究生院博士学位论文 角和周围环境等因素都比较敏感，所以很难建立完备的参考模板库。因此，该技 术只在限制条件下( 测试图像和训练图像的条件比较接近的情况下) 能得到较好 的分类性能，而对于实际中无限制广义操作条件( e x t e n d e do p e r a t i n gc o n d i t i o n s ， e o c ) 【2 6 l ，其分类性能将大大降低。一般认为，获得非合作目标的完备模板数据 库，并确保模板数据具有足够的置信度是基于模板s a r a t r 的主要瓶颈问题。 目标报告 图1 2 基于模板的s a ra t r 系统框架 i i 芸； 与： 鉴： 别! i 基于模型的s a ra t r 框架 为了解决上述构建参考模板库的困难，研究人员提出了基于模型的s a ra t r 技术。图1 3 给出了该技术的原理框架图。与图1 2 中参考模板数据库( 存储参考 目标的原始图像) 不同，本框架中参考目标数据库存储的是各参考目标全方位的 电磁散射模型( 即属性散射中心模型) 。利用库内电磁散射模型可以在线提取属性 散射中心特征，并与待识别目标的特征进行匹配分类。基于模型的s a r a t r 框架 可以在广义操作条件下( 训练数据和测试数据条件不同) 进行目标识别【2 7 】。在该 框架中，可以利用目标的c a d 模型、复散射场计算理论和散射中心建模方法可以 建立目标的电磁散射模型，从而形成目标数据库。该数据库不必完全依赖于现场 测量。同时，目标识别的特征来自于散射中心模型，特征匹配运算简单，可以实 现实时的目标分类【2 引。该技术的关键在于如何建立复杂目标和背景的具有足够精 度的高分辨率电磁散射模型。 m s a t r 的s a ra t r 是基于模型a t r 框架的一个典型代表，见图1 4 【1 4 】。该 系统包括两部分：前端和后端，总共六个模块。前端包括：聚焦( f o c u so f a t t e n t i o i l ， f o a ) 模块和索引( i n d e x ) 模块。聚焦模块从一幅场景较大的s a r 图像中提取出 第5 页 国防科学技术大学研究生院博士学位论文 r o i 。索引模块进一步减小非目标类的虚警并对每个r o i 产生一系列关于目标类 型、姿态、连接、结构等信息的初始假设，它本质是一个粗分类器。目前，m s t a r 的s a r a t r 索引模块主要利用s a r 图像峰值( p e a k ) 、凹陷( p i t ) 、谷( r a v i n e ) 以及鞍点( s a d d l ep o i n t ) 等特征来实现r o i 切片的粗分类【2 9 】【3 训。 图1 3基丁模型的s a r a t r 系统框架 图1 4m s t a rs a ra t r 系统结构示意图 该框架的后端是一个迭代的分类器，包括特征预测、特征提取、特征匹配以 及搜索四个模块，也即常说的p e m s ( p r e d i c t 、e x t r a c t 、m a t c h 、s e a r c h ) 循环【3 1 】- 【3 3 1 。 在上述两种s a ra t r 框架中，基于模型的分类方法正越来越引起人们的关注 第6 页 国防科学技术大学研究生院博士学位论文 和重视，代表着一种趋势。但是在实际的工程化应用中，常将两种a t r 的策略结 合起来，实现目标识别的融合判决，以提高s a r 图像目标识别的效果。 1 - 2 3s a r 机动目标a t r 面临的问题 在理论上，s a r 图像机动目标a t r 是一个逆问题( 由现象确定目标) ，需要 采用电磁散射的反演来解决。然而，即使是在非对抗条件下( 合作目标) ，目标 电磁