一种多特征联合的地面SAR目标分层检测方法

曾丽娜,周德云,邢孟道,张 堃

(1.西北工业大学电子信息学院,陕西西安 710072; 2.西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071)



一种多特征联合的地面SAR目标分层检测方法

曾丽娜1,周德云1,邢孟道2,张 堃1

(1.西北工业大学电子信息学院,陕西西安 710072; 2.西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071)

摘要:提出了一种多特征联合的地面合成孔径雷达图像中装甲车等兴趣目标分层检测方法,根据反映目标真实物理性质的散射强度、尺寸以及与杂波差异等有效特征实现分层检测.研究提取尺寸特征、边界变化特征为兴趣目标有效特征,通过初步目标检测层和潜在目标鉴别层逐步剔除图像背景、自然杂波、人造杂波等非兴趣目标.有效特征提取能够在较少的特征数目条件下满足兴趣目标检测和鉴别的精度要求;分层处理能够在特征复杂度增加的情况下降低虚警检测和鉴别概率.与传统双参数恒虚警率、主成分分析等方法进行对比测试,从检测精度、检测效率方面验证了该方法的有效性.

关键词:合成孔径雷达;兴趣目标;有效特征;分层检测

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨力成像雷达,可全天时、全天候地实现战场中装甲车、坦克等兴趣目标的检测和鉴别.但由于相干成像原理造成的斑点噪声、自然杂波和人造杂波等,降低了合成孔径雷达图像中兴趣目标的分辨能力,进而减少了基于合成孔径雷达图像的特征提取、目标鉴别等信息扩展技术的有效性.因此,如何快速有效地检测目标,一直是合成孔径雷达图像解译工作的一个重点和难点.

自合成孔径雷达成像以来,涌现出多种目标检测算法[1-5].一类是基于图像灰度的方法,比较著名的如Novak提出的双参数恒虚警率(Constant False Alarm Rate,CFAR)算法[6],该方法采用高斯分布模型、恒虚警率检测器以及虚警率实现目标检测,简单有效.但真实的合成孔径雷达图像,尤其是背景杂波比较复杂的合成孔径雷达图像,很难完全满足高斯分布,这种情况下双参数恒虚警率检测的结果中虚警和漏检情况会比较严重,且该方法是局部检测,需要对像素逐一扫描,效率低下.另外一类是基于目标特征的检测,如主成分分析法(Principal Component Analysis,PCA)、多特征联合判决法等[7-9].其中,主成分分析法是一种基于目标统计特性的最佳正交变换,具有能量较集中、计算量小等优点,但该方法主分量由数据的二阶统计量确定,无法精确判断形状相似目标与非目标之间的差别,容易造成误判.多特征联合判决依据目标的诸多特征,根据特征权重进行多特征投票判决,由于该方法目标特征采用过多以及其并行处理方式,检测速度较低.目前基于上述两类方法的许多改进算法仍难以实现检测精度和速度上的双突破.

事实上,装甲车等兴趣目标在合成孔径雷达图像中面积大小一定且独立分布,与建筑、山体等连续性目标有很大不同;此外,兴趣目标的物理外形也决定其边界变化与斑点噪声等杂波有着明显不同.充分利用目标的特性,可以改进检测过程中精度和速度上相互受限的情况.因此,笔者提出了一种基于多特征联合的地面合成孔径雷达兴趣目标分层检测方法.分析、确定以及提取兴趣目标有效特征是这项工作研究的重点.选取尺寸特征和边界变化特征作为区分兴趣目标与杂波的有效特征,采用分层检测方法通过全局恒虚警率进行目标初步检测,提取背景中的潜在目标,通过鉴别层对目标的有效特征精确鉴别,区分潜在目标中的兴趣目标与高亮自然杂波、人造杂波等非兴趣目标,从而快速、有效地检测出目标.

1 兴趣目标有效特征提取

电磁波与散射体的相互作用并接收散射体回波的工作原理,使得兴趣目标与斑点噪声、自然杂波以及人造杂波等非目标共同呈现在合成孔径雷达图像中.兴趣目标与这些杂波在亮度方面存在很大相似性.单靠基于灰度特征使恒虚警率检测无法精确检测兴趣目标,必须依据目标的完整描述进行目标检测,所以,有效的特征提取是目标检测中不可缺少的一环.兴趣目标的有效特征是指既能真实反映兴趣目标的物理特性,又能最大程度地与背景和杂波进行区分的目标特征.检测中对目标特征的选取取决于其有效性,简单有效的特征有利于提高检测的精度和速度.

图1是以装甲车为例从目标库与非目标库中选取的兴趣目标与非兴趣目标.从图1中可以看出,兴趣目标在合成孔径雷达图像中由若干点形成,独立分布并且面积大小一定,与背景存在明显的边缘界限,而人造建筑、山体树木杂波等非兴趣目标或呈现小面积斑点,或具有延续性.这些特征与兴趣目标真实属性(包括大小、形状等物理特征项)对应.对包含兴趣目标或杂波的局部切边点、面和边缘特征实现提取,可以进行目标检测.

图1 兴趣目标与非兴趣目标的合成孔径雷达图像　

图2 目标与非目标大小切片

1.1 目标尺寸特征

兴趣目标在合成孔径雷达图像中的成像尺寸主要与目标真实尺寸和分辨率、成像角度等因素有关,在合成孔径雷达图像上有特定范围且呈独立分布.目标尺寸特征具体体现在成像面积上,对目标与非目标切片进行训练,可以得到目标的尺寸特征阈值.

对尺寸特征进行训练的切片包括大小两类切片L和S(图2).小切片S是以目标或杂波质心为中心的方形局部区域,保证能完全包括目标.但考虑目标、非目标面积的分布特性,仅用小切片无法保证能完全剔除非目标杂波,如图1中非目标样本中的第2个样本,面积上虽然满足由目标样本训练出来的阈值,但却延续到切片以外,所以同时采用大切片L形成一个保护窗,确保潜在目标面积不会溢出到小切片外部,从而排除局部面积满足目标尺寸特征但实际连续尺寸过大的虚假目标.切边S和L的阈值为

其中,I为对应像素强度值的随机变量,Tf为亮度较高的目标灰度的估计值,pS和pL是对目标和非目标样本训练而得到的切片S和L的尺寸特征阈值.

1.2 目标边界变化特征

目标边界变化特征是合成孔径雷达图像中像素灰度值在空间区域的变化模式,目标与非目标在与背景的边界变化上有着明显不同.由于目标本身的物理外观以及成像时的角度等因素,目标在合成孔径雷达图像中呈现出局部不规则而宏观有规律的特点.但由于不具有规则不变的局部模式和简单的重复周期等特点,该有效特征的提取和检测就不能采用传统的结构纹理分析.Gabor滤波器是高斯和正弦信号的调制乘积,与生物视觉相似,对事物空间频率有较好的局部分析能力,被广泛地应用于纹理分析[10].采用Gabor小波滤波器进行特征提取,可以很好地捕捉目标边界变化的空间位置信息和局部结构信息[11],具体过程如图3所示.

图3 目标边界变化特征提取过程

Gabor滤波是一种小波变换,具有多尺度、多方向性的特点,与图像切片f(x,y)作用过程为

其中,Δx和Δy是空间采样间隔;p和q是像素点的位置;m和l分别定义了小波变换的尺度和方向,取m=0,1,…,M-1,l=0,1,…,L-1.

其中,母小波ϕ(x,y)通过a-m和θ尺度和方向发生变化,θ=lΔθ,Δθ=2πL.取M=5,L=8,即5个尺度8个方向的滤波器.40个滤波器与图像切片卷积可以获得每个像素的滤波器相应特征,因此每个像素的滤波器相应特征是一个40维向量,以此对图像进行处理.为了节省时间,保证检测的实时性要求,对该向量进行二次采样以降低数据量,最终得到一个代表每一切片的纹理特征,即目标边界特征的列向量.

2 分层检测与鉴别器设计

兴趣目标检测主要基于目标的灰度、尺寸和边界变化特征.对于同一图像,分别提取这3个有效特征的计算量是递增的.而采用分层检测,通过初步目标检测层和潜在目标鉴别层,将初步目标检测层的输出作为潜在目标检测层的输入,可以大大地降低尺寸特征鉴别和边界变化特征鉴别的计算量.与并行提取目标特征进行联合检测相比,速率得到很大提升,具体检测过程如图4所示.

图4 目标检测过程

2.1 初步目标检测层

初步目标检测层的目标是在原图的基础上将合成孔径雷达图像分为背景区域和潜在目标区域,包括预处理和灰度特征检测两部分.预处理对原图像进行初步滤波降噪处理,提高后续检测精度.灰度特征检测的目的是将灰度值相对较高的目标从背景中检测出来.由于兴趣目标的金属特性构成角反射器,而道路、草地、树林等其他背景反射强度弱,灰度色调暗,所以目标相对于图像背景具有明显灰度对比度.采用全局恒虚警率的方式快速求取全局阈值进行初步判读,可以得到包含目标在内的潜在目标索引矩阵.

全局恒虚警率是对局部双参恒虚警率的扩展[6,9].由于目标像素在整幅图像中所占比例很小,对于杂波统计分布的影响可以忽略不计.在双参恒虚警率检测的基础上,将背景杂波区扩展至整幅图像,由统计模型确定全局阈值Tg,然后将所有像素与Tg进行比较,即可得到潜在目标矩阵,记为V,其元素为

全局恒虚警率检测得到的索引矩阵中值为1的部分,是由单个独立像素或连续多个像素构成的局部区域组成,存在很多冗余像素.在进行目标鉴别前对其进行优化:去除单个像素和明显不可能成为目标的小面积区域,对剩余代表潜在目标的局部区域进行求取质心运算,得到优化过的质心索引矩阵.索引矩阵优化过程虽然简单,但去除了索引矩阵中的绝大部分冗余像素,可以在很大程度上提高潜在目标鉴别的效率.

2.2 潜在目标鉴别层

潜在目标鉴别层的输入是初步目标检测层输出的质心索引矩阵,根据目标的有效特征,分为尺寸鉴别层和目标边缘变化鉴别层.尺寸鉴别层根据质心索引矩阵获取以质心为中心的大小切片L、S,分别求取潜在目标面积分布比例,即大于目标灰度估计值Tf的点在切片中所占的比例,然后与训练得出的尺寸特征阈值pS和pL进行比较,去掉不满足目标尺寸特征的质心.

经过尺寸特征的鉴别,索引矩阵的优化,数据量会减少.以质心索引矩阵中质心点为中心的潜在目标切片可以分为目标与非目标两类,对应于两种类别的模式分类问题.目前常用的分类器包括贝叶斯分类器、神经网络分类器和支持向量机等.神经网络分类器仅依赖于训练数据本身的鉴别能力,与待分类数据的分布无关,因而比贝叶斯分类器更加通用,且处理速度上优于支持向量机[11-12].所以笔者采用在监督模式匹配上能力较强的多层感知(Multi-Layers Perception,MLP)神经网络对目标边界变化特征进行鉴别,可以达到理想效果.文中的多层感知网络结构设计包括输入单元、隐藏层及输出单元,以目标边界变化特征向量作为输入,将对该目标特征鉴别结果作为输出,实现目标的训练和检测.

3 实验验证与分析

3.1 实验数据与对比测试

实验数据采用一组机载CARABAS-Ⅱ合成孔径雷达系统获取的VHF-band、分辨率为1 m、大小为3 000×2 000的瑞典北部的军事靶场合成孔径雷达图像.如图5中所示,包括TGB11、TGB30和TGB40共25辆装甲车.

实验软硬件环境如下:i5-3570 3.40 GHz CPU,内存为4 GB,工具采用Matlab2010a.

图5 实验数据

图6和表1是采用4种检测算法对实验数据进行兴趣目标检测的结果.检测方法如下:(a)全局恒虚警率检测,并对其进行形态学处理,剔除明显不是目标的面积区域.(b)改进双参恒虚警率检测,鉴于双参恒虚警率无法完全避免部分目标像素泄露到背景杂波区域的问题,在对背景杂波进行统计时,将灰度值大于全局恒虚警率阈值的像素摒弃,对剩余杂波像素进行分布统计[13].为减少计算量,在用改进双参恒虚警率检测前进行全局恒虚警率检测,将检测得到的潜在目标质心作为改进双参恒虚警率目标检测点,进行局部鉴别.最后对检测结果进行形态学处理,剔除明显不是目标的面积区域.(c)主成分分析鉴别法,在初步目标检测和目标尺寸鉴别后,对目标边界变化采用主成分分析方法进行特征提取,替代Gabor滤波器提取相应特征的方法.(d)笔者基于兴趣目标的有效特征进行分层检测的方法.

3.2 实验分析

从检测数据可以看出,对于复杂杂波背景的合成孔径雷达图像,恒虚警率和主成分分析检测算法存在明显不足,虚警率较高且存在漏检情况.而笔者提出的方法在检测精度和速度的综合指标上有着明显优势,虚警数仅为1.

图6 对比检测结果

表1 各种算法检测结果

在时间效率方面,双参恒虚警率检测的局部滑窗使每个像素参与了多次运算,计算量大,运行时间长.改进双参恒虚警率检测在双参恒虚警率检测前对全图进行全局恒虚警率检测,确定潜在目标的质心.运算复杂度由原来的O(n3)(局部参数运算O(n)×遍历比较运算O(n2))降为O(n2)(全局参数运算O(n2)×全局比较运算O(1)+局部参数运算O(n)×比较运算O(n)),运算速度得到很大提升,但检测精度依然不乐观.笔者提出的算法在经过采用全局恒虚警率检测法的初步目标检测后,对各个潜在目标进行尺寸和边界变化进行分层鉴别,不仅速度得到保证,检测精确度也得到很大的提升,优于改进双参恒虚警率算法.

在尺寸控制方面,恒虚警率和笔者提出的方法都需要目标尺寸的先验知识.双参恒虚警率检测需要确定目标的最大、最小尺寸,以选取合适的目标窗口、保护窗口及背景窗口尺寸.全局恒虚警率检测和双参恒虚警率检测的结果受形态学开关面积的影响比较大,呈现的是形态学开关情况下的最优结果.而笔者提出的算法中目标尺寸特征阈值是通过对模板库中目标与非目标学习出来的结果,更为准确.

在目标边界变化鉴别方面,主成分分析法目标特征基于统计特性,能量较为集中,但对于非稳定的高斯分布目标数据,变化细节描述不够.当非目标在尺寸和形状上都比较接近时,主成分分析方法存在明显不足.而Gabor滤波器能捕捉到详细的结构信息,所以采用多层感知神经网络对Gabor滤波器提取的纹理特征进行训练、鉴别,从精度和速度上都优于采用主成分分析法提取目标特征的方法.

4 结束语

通过分层检测、鉴别实现了合成孔径雷达图像中装甲车的检测方法.利用全局恒虚警率方法对整体图像进行初步目标检测,区分目标与背景初步确定潜在目标.根据目标尺寸提取特征阈值和利用Gabor变换提取边界变化特征,对目标与杂波进行鉴别,进一步剔除了人造杂波虚警,实现了兴趣目标精确检测.在研究中对一组数据(共24张合成孔径雷达图像)进行测试验证,结果表明,笔者提出的方法与其他测试方法对比,在精度和速度上都有着明显的优势,同时可以运用到装甲车、坦克、舰船等多种类型的兴趣目标检测中.

参考文献:

[1]林旭,洪峻,孙显,等.一种基于自适应背景杂波模型的宽幅SAR图像CFAR舰船检测算法[J].遥感技术与应用,2014,29(1):75-81.LIN Xu,HONG Jun,SUN Xian,et al.New CFAR Ship Detection Algorithm Based on Adaptive Background Clutter Model in Wide Swatch SAR Images[J].Remote Sensing Technology and Application,2014,29(1):75-81.

[2]LIU S,CAO Z J.SAR Image Target Detection in Complex Environments Based on Improved Visual Attention Algorithm[J].EURASIP Journal on Wireless Communications and Networking,2014,2014(1):54.

[3]刘冬,张弓.基于指数小波分形特征的SAR图像特定目标检测[J].西安电子科技大学学报,2010,37(2):366-373.LIU Dong,ZHANG Gong.Special Target Detection of the SAR Image via Exponential Wavelet Fractal[J].Journal of Xidian University,2010,37(2):366-373.

[4]赵明波,何峻,付强.SAR图像CFAR检测的快速算法综述[J].自动化学报,2012,38(12):1885-1895.ZHAO Mingbo,HE Jun,FU Qiang.Survey on Fast CFAR Detection Algorithms for SAR Image Targets[J].Acta Automatica Sinica,2012,38(12):1885-1895.

[5]李开明,张群,罗迎.地面车辆目标识别研究综述[J].电子学报,2014,42(3):538-546.LI Kaiming,ZHANG Qun,LUO Ying.Review of Ground Vehicles Recognition[J].Acta Electronica Sinica,2014,42 (3):538-546.

[6]NOVAK L M,HESSE S R.Optimal Polarization for Radar Detection and Recognition of Targets in Clutter[C]// Proceedings of SPIE:1700.Bellingham:SPIE,1992:114-118.

[7]WANG C,JIANG S F,ZHANG H.Ship Detection for High-resolution SAR Images Based on Feature Analysis[J].IEEE Geoscience and Remote Sensing Letters,2014,11(1):119-123.

[8]WANG W Q,WANG W H.Face Feature Optimization Based on PCA [J].Journal of Convergence Information Technology,2013,8(8):693-700.

[9]高贵,蒋咏梅,张琦,等.基于多特征联合的高分辨率SAR图像机动目标快速获取[J].电子学报,2006,34(9): 1663-1667.GAO Gui,JIANG Yongmei,ZHANG Qi,et al.Fast Acquirement of Vehicle Targets from High-resolution SAR Images Based on Combing Multi-feature[J].Acta Electronica Sinica,2006,34(9):1663-1667.

[10]BHATTACHARYA J,SANYAL G,MAJUMDER S.A Robust Biometric Image Texture Descripting Approach[J].International Journal of Computer Applications,2012,53(3):30-36.

[11]GUPTA B,GUPTA S,TIWARI A K.Face Detection Using Gabor Feature Extraction And Artificial Neural Network [EB/OL].[2014-10-26].http:///wenku.baidu.com/view/1dffb7150b4e767f5a.

[12]EL-SAID S A.Reliable Face Recognition Using Artificial Neural Network[J].International Journal of System Dynamics Applications,2013,2(2):14-42.

[13]艾加秋,齐向阳,禹卫东.改进的SAR图像双参数CFAR舰船检测算法[J].电子与信息学报,2009,31(12):2881-2885.AI Jiaqiu,QI Xiangyang,YU Weidong.Improved Two Parameter CFAR Ship Detection Algorithm in SAR Images[J].Journal of Electronics&Information Technology,2009,31(12):2881-2885.

(编辑:郭 华)

简 讯

2015年11月3日～4日,首届全国微电子青年科技论坛在我校举行,来自全国各高校和科研院所的20余位微电子领域的青年科学家就微电子领域的热点及前沿问题进行了研讨,为陕西及西安微电子及集成电路产业发展建言献策.论坛的目的是促进优秀微电子界青年科技工作者的成长,使他们置身于高层次的学术讨论环境之中,拓宽视野,增长知识和才干,提高学术水平.

摘自《西电科大报》2015.11.14

Novel SAR target detection algorithm via multiple features

ZENG Lina1,ZHOU Deyun1,XING Mengdao2,ZH ANG Kun1
(1.School of Electronics and Information,Northwestern Polytechnical Univ.,Xi’an 710072,China; 2.National Key Lab.of Radar Signal Processing,Xidian Univ.,Xi’an 710071,China)

Abstract:A detection method for SAR targets based on combining multiple features is proposed.The targets of interest are detected according to the physical properties,which reflect the true characteristics including scattering intensity,size and differences from the clutter.By analyzing these characteristics,the size and boundary changes are determined as effective features.The image background,natural clutter,man-made clutter are eliminated in sequence using the developed detection algorithm,which contains two layers,namely,the initial target detection layer and the potential target identification layer.Effective features ensure that a smaller number of features are used to meet the precision of the target detection,and the discrimination detection method ensure that the probability of false alarm is reduced gradually with the increased complexity of the feature extraction.Comparison with traditional target detectors,such as CFAR,PCA,etc.is performed in detail.Experimental results show the superiorities of the proposal in both accuracy and efficiency.

Key Words:synthetic aperture radar;targets of interest;effective feature;target discrimination

作者简介:曾丽娜(1982-),女,西北工业大学博士研究生,E-mail:zenglina@mail.nwpu.edu.cn.

基金项目:国家自然科学基金资助项目(61401363)

收稿日期:2014-11-19 网络出版时间:2015-05-21

doi:10.3969/j.issn.1001-2400.2016.02.016

中图分类号:TN959.1

文献标识码:A

文章编号:1001-2400(2016)02-0089-06

网络出版地址:http://www.cnki.net/kcms/detail/61.1076.TN.20150521.0902.013.html