一種多特征聯(lián)合的地面SAR目標(biāo)分層檢測(cè)方法

曾麗娜,周德云,邢孟道,張 堃

(1.西北工業(yè)大學(xué)電子信息學(xué)院,陜西西安 710072; 2.西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室,陜西西安 710071)

?

一種多特征聯(lián)合的地面SAR目標(biāo)分層檢測(cè)方法

曾麗娜1,周德云1,邢孟道2,張 堃1

(1.西北工業(yè)大學(xué)電子信息學(xué)院,陜西西安 710072; 2.西安電子科技大學(xué)雷達(dá)信號(hào)處理國(guó)家重點(diǎn)實(shí)驗(yàn)室,陜西西安 710071)

摘要:提出了一種多特征聯(lián)合的地面合成孔徑雷達(dá)圖像中裝甲車等興趣目標(biāo)分層檢測(cè)方法,根據(jù)反映目標(biāo)真實(shí)物理性質(zhì)的散射強(qiáng)度、尺寸以及與雜波差異等有效特征實(shí)現(xiàn)分層檢測(cè).研究提取尺寸特征、邊界變化特征為興趣目標(biāo)有效特征,通過(guò)初步目標(biāo)檢測(cè)層和潛在目標(biāo)鑒別層逐步剔除圖像背景、自然雜波、人造雜波等非興趣目標(biāo).有效特征提取能夠在較少的特征數(shù)目條件下滿足興趣目標(biāo)檢測(cè)和鑒別的精度要求;分層處理能夠在特征復(fù)雜度增加的情況下降低虛警檢測(cè)和鑒別概率.與傳統(tǒng)雙參數(shù)恒虛警率、主成分分析等方法進(jìn)行對(duì)比測(cè)試,從檢測(cè)精度、檢測(cè)效率方面驗(yàn)證了該方法的有效性.

關(guān)鍵詞:合成孔徑雷達(dá);興趣目標(biāo);有效特征;分層檢測(cè)

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)是一種高分辨力成像雷達(dá),可全天時(shí)、全天候地實(shí)現(xiàn)戰(zhàn)場(chǎng)中裝甲車、坦克等興趣目標(biāo)的檢測(cè)和鑒別.但由于相干成像原理造成的斑點(diǎn)噪聲、自然雜波和人造雜波等,降低了合成孔徑雷達(dá)圖像中興趣目標(biāo)的分辨能力,進(jìn)而減少了基于合成孔徑雷達(dá)圖像的特征提取、目標(biāo)鑒別等信息擴(kuò)展技術(shù)的有效性.因此,如何快速有效地檢測(cè)目標(biāo),一直是合成孔徑雷達(dá)圖像解譯工作的一個(gè)重點(diǎn)和難點(diǎn).

自合成孔徑雷達(dá)成像以來(lái),涌現(xiàn)出多種目標(biāo)檢測(cè)算法[1-5].一類是基于圖像灰度的方法,比較著名的如Novak提出的雙參數(shù)恒虛警率(Constant False Alarm Rate,CFAR)算法[6],該方法采用高斯分布模型、恒虛警率檢測(cè)器以及虛警率實(shí)現(xiàn)目標(biāo)檢測(cè),簡(jiǎn)單有效.但真實(shí)的合成孔徑雷達(dá)圖像,尤其是背景雜波比較復(fù)雜的合成孔徑雷達(dá)圖像,很難完全滿足高斯分布,這種情況下雙參數(shù)恒虛警率檢測(cè)的結(jié)果中虛警和漏檢情況會(huì)比較嚴(yán)重,且該方法是局部檢測(cè),需要對(duì)像素逐一掃描,效率低下.另外一類是基于目標(biāo)特征的檢測(cè),如主成分分析法(Principal Component Analysis,PCA)、多特征聯(lián)合判決法等[7-9].其中,主成分分析法是一種基于目標(biāo)統(tǒng)計(jì)特性的最佳正交變換,具有能量較集中、計(jì)算量小等優(yōu)點(diǎn),但該方法主分量由數(shù)據(jù)的二階統(tǒng)計(jì)量確定,無(wú)法精確判斷形狀相似目標(biāo)與非目標(biāo)之間的差別,容易造成誤判.多特征聯(lián)合判決依據(jù)目標(biāo)的諸多特征,根據(jù)特征權(quán)重進(jìn)行多特征投票判決,由于該方法目標(biāo)特征采用過(guò)多以及其并行處理方式,檢測(cè)速度較低.目前基于上述兩類方法的許多改進(jìn)算法仍難以實(shí)現(xiàn)檢測(cè)精度和速度上的雙突破.

事實(shí)上,裝甲車等興趣目標(biāo)在合成孔徑雷達(dá)圖像中面積大小一定且獨(dú)立分布,與建筑、山體等連續(xù)性目標(biāo)有很大不同;此外,興趣目標(biāo)的物理外形也決定其邊界變化與斑點(diǎn)噪聲等雜波有著明顯不同.充分利用目標(biāo)的特性,可以改進(jìn)檢測(cè)過(guò)程中精度和速度上相互受限的情況.因此,筆者提出了一種基于多特征聯(lián)合的地面合成孔徑雷達(dá)興趣目標(biāo)分層檢測(cè)方法.分析、確定以及提取興趣目標(biāo)有效特征是這項(xiàng)工作研究的重點(diǎn).選取尺寸特征和邊界變化特征作為區(qū)分興趣目標(biāo)與雜波的有效特征,采用分層檢測(cè)方法通過(guò)全局恒虛警率進(jìn)行目標(biāo)初步檢測(cè),提取背景中的潛在目標(biāo),通過(guò)鑒別層對(duì)目標(biāo)的有效特征精確鑒別,區(qū)分潛在目標(biāo)中的興趣目標(biāo)與高亮自然雜波、人造雜波等非興趣目標(biāo),從而快速、有效地檢測(cè)出目標(biāo).

1 興趣目標(biāo)有效特征提取

電磁波與散射體的相互作用并接收散射體回波的工作原理,使得興趣目標(biāo)與斑點(diǎn)噪聲、自然雜波以及人造雜波等非目標(biāo)共同呈現(xiàn)在合成孔徑雷達(dá)圖像中.興趣目標(biāo)與這些雜波在亮度方面存在很大相似性.單靠基于灰度特征使恒虛警率檢測(cè)無(wú)法精確檢測(cè)興趣目標(biāo),必須依據(jù)目標(biāo)的完整描述進(jìn)行目標(biāo)檢測(cè),所以,有效的特征提取是目標(biāo)檢測(cè)中不可缺少的一環(huán).興趣目標(biāo)的有效特征是指既能真實(shí)反映興趣目標(biāo)的物理特性,又能最大程度地與背景和雜波進(jìn)行區(qū)分的目標(biāo)特征.檢測(cè)中對(duì)目標(biāo)特征的選取取決于其有效性,簡(jiǎn)單有效的特征有利于提高檢測(cè)的精度和速度.

圖1是以裝甲車為例從目標(biāo)庫(kù)與非目標(biāo)庫(kù)中選取的興趣目標(biāo)與非興趣目標(biāo).從圖1中可以看出,興趣目標(biāo)在合成孔徑雷達(dá)圖像中由若干點(diǎn)形成,獨(dú)立分布并且面積大小一定,與背景存在明顯的邊緣界限,而人造建筑、山體樹(shù)木雜波等非興趣目標(biāo)或呈現(xiàn)小面積斑點(diǎn),或具有延續(xù)性.這些特征與興趣目標(biāo)真實(shí)屬性(包括大小、形狀等物理特征項(xiàng))對(duì)應(yīng).對(duì)包含興趣目標(biāo)或雜波的局部切邊點(diǎn)、面和邊緣特征實(shí)現(xiàn)提取,可以進(jìn)行目標(biāo)檢測(cè).

圖1 興趣目標(biāo)與非興趣目標(biāo)的合成孔徑雷達(dá)圖像　

圖2 目標(biāo)與非目標(biāo)大小切片

1.1 目標(biāo)尺寸特征

興趣目標(biāo)在合成孔徑雷達(dá)圖像中的成像尺寸主要與目標(biāo)真實(shí)尺寸和分辨率、成像角度等因素有關(guān),在合成孔徑雷達(dá)圖像上有特定范圍且呈獨(dú)立分布.目標(biāo)尺寸特征具體體現(xiàn)在成像面積上,對(duì)目標(biāo)與非目標(biāo)切片進(jìn)行訓(xùn)練,可以得到目標(biāo)的尺寸特征閾值.

對(duì)尺寸特征進(jìn)行訓(xùn)練的切片包括大小兩類切片L和S(圖2).小切片S是以目標(biāo)或雜波質(zhì)心為中心的方形局部區(qū)域,保證能完全包括目標(biāo).但考慮目標(biāo)、非目標(biāo)面積的分布特性,僅用小切片無(wú)法保證能完全剔除非目標(biāo)雜波,如圖1中非目標(biāo)樣本中的第2個(gè)樣本,面積上雖然滿足由目標(biāo)樣本訓(xùn)練出來(lái)的閾值,但卻延續(xù)到切片以外,所以同時(shí)采用大切片L形成一個(gè)保護(hù)窗,確保潛在目標(biāo)面積不會(huì)溢出到小切片外部,從而排除局部面積滿足目標(biāo)尺寸特征但實(shí)際連續(xù)尺寸過(guò)大的虛假目標(biāo).切邊S和L的閾值為

其中,I為對(duì)應(yīng)像素強(qiáng)度值的隨機(jī)變量,Tf為亮度較高的目標(biāo)灰度的估計(jì)值,pS和pL是對(duì)目標(biāo)和非目標(biāo)樣本訓(xùn)練而得到的切片S和L的尺寸特征閾值.

1.2 目標(biāo)邊界變化特征

目標(biāo)邊界變化特征是合成孔徑雷達(dá)圖像中像素灰度值在空間區(qū)域的變化模式,目標(biāo)與非目標(biāo)在與背景的邊界變化上有著明顯不同.由于目標(biāo)本身的物理外觀以及成像時(shí)的角度等因素,目標(biāo)在合成孔徑雷達(dá)圖像中呈現(xiàn)出局部不規(guī)則而宏觀有規(guī)律的特點(diǎn).但由于不具有規(guī)則不變的局部模式和簡(jiǎn)單的重復(fù)周期等特點(diǎn),該有效特征的提取和檢測(cè)就不能采用傳統(tǒng)的結(jié)構(gòu)紋理分析.Gabor濾波器是高斯和正弦信號(hào)的調(diào)制乘積,與生物視覺(jué)相似,對(duì)事物空間頻率有較好的局部分析能力,被廣泛地應(yīng)用于紋理分析[10].采用Gabor小波濾波器進(jìn)行特征提取,可以很好地捕捉目標(biāo)邊界變化的空間位置信息和局部結(jié)構(gòu)信息[11],具體過(guò)程如圖3所示.

圖3 目標(biāo)邊界變化特征提取過(guò)程

Gabor濾波是一種小波變換,具有多尺度、多方向性的特點(diǎn),與圖像切片f(x,y)作用過(guò)程為

其中,Δx和Δy是空間采樣間隔;p和q是像素點(diǎn)的位置;m和l分別定義了小波變換的尺度和方向,取m=0,1,…,M-1,l=0,1,…,L-1.

其中,母小波?(x,y)通過(guò)a-m和θ尺度和方向發(fā)生變化,θ=lΔθ,Δθ=2πL.取M=5,L=8,即5個(gè)尺度8個(gè)方向的濾波器.40個(gè)濾波器與圖像切片卷積可以獲得每個(gè)像素的濾波器相應(yīng)特征,因此每個(gè)像素的濾波器相應(yīng)特征是一個(gè)40維向量,以此對(duì)圖像進(jìn)行處理.為了節(jié)省時(shí)間,保證檢測(cè)的實(shí)時(shí)性要求,對(duì)該向量進(jìn)行二次采樣以降低數(shù)據(jù)量,最終得到一個(gè)代表每一切片的紋理特征,即目標(biāo)邊界特征的列向量.

2 分層檢測(cè)與鑒別器設(shè)計(jì)

興趣目標(biāo)檢測(cè)主要基于目標(biāo)的灰度、尺寸和邊界變化特征.對(duì)于同一圖像,分別提取這3個(gè)有效特征的計(jì)算量是遞增的.而采用分層檢測(cè),通過(guò)初步目標(biāo)檢測(cè)層和潛在目標(biāo)鑒別層,將初步目標(biāo)檢測(cè)層的輸出作為潛在目標(biāo)檢測(cè)層的輸入,可以大大地降低尺寸特征鑒別和邊界變化特征鑒別的計(jì)算量.與并行提取目標(biāo)特征進(jìn)行聯(lián)合檢測(cè)相比,速率得到很大提升,具體檢測(cè)過(guò)程如圖4所示.

圖4 目標(biāo)檢測(cè)過(guò)程

2.1 初步目標(biāo)檢測(cè)層

初步目標(biāo)檢測(cè)層的目標(biāo)是在原圖的基礎(chǔ)上將合成孔徑雷達(dá)圖像分為背景區(qū)域和潛在目標(biāo)區(qū)域,包括預(yù)處理和灰度特征檢測(cè)兩部分.預(yù)處理對(duì)原圖像進(jìn)行初步濾波降噪處理,提高后續(xù)檢測(cè)精度.灰度特征檢測(cè)的目的是將灰度值相對(duì)較高的目標(biāo)從背景中檢測(cè)出來(lái).由于興趣目標(biāo)的金屬特性構(gòu)成角反射器,而道路、草地、樹(shù)林等其他背景反射強(qiáng)度弱,灰度色調(diào)暗,所以目標(biāo)相對(duì)于圖像背景具有明顯灰度對(duì)比度.采用全局恒虛警率的方式快速求取全局閾值進(jìn)行初步判讀,可以得到包含目標(biāo)在內(nèi)的潛在目標(biāo)索引矩陣.

全局恒虛警率是對(duì)局部雙參恒虛警率的擴(kuò)展[6,9].由于目標(biāo)像素在整幅圖像中所占比例很小,對(duì)于雜波統(tǒng)計(jì)分布的影響可以忽略不計(jì).在雙參恒虛警率檢測(cè)的基礎(chǔ)上,將背景雜波區(qū)擴(kuò)展至整幅圖像,由統(tǒng)計(jì)模型確定全局閾值Tg,然后將所有像素與Tg進(jìn)行比較,即可得到潛在目標(biāo)矩陣,記為V,其元素為

全局恒虛警率檢測(cè)得到的索引矩陣中值為1的部分,是由單個(gè)獨(dú)立像素或連續(xù)多個(gè)像素構(gòu)成的局部區(qū)域組成,存在很多冗余像素.在進(jìn)行目標(biāo)鑒別前對(duì)其進(jìn)行優(yōu)化:去除單個(gè)像素和明顯不可能成為目標(biāo)的小面積區(qū)域,對(duì)剩余代表潛在目標(biāo)的局部區(qū)域進(jìn)行求取質(zhì)心運(yùn)算,得到優(yōu)化過(guò)的質(zhì)心索引矩陣.索引矩陣優(yōu)化過(guò)程雖然簡(jiǎn)單,但去除了索引矩陣中的絕大部分冗余像素,可以在很大程度上提高潛在目標(biāo)鑒別的效率.

2.2 潛在目標(biāo)鑒別層

潛在目標(biāo)鑒別層的輸入是初步目標(biāo)檢測(cè)層輸出的質(zhì)心索引矩陣,根據(jù)目標(biāo)的有效特征,分為尺寸鑒別層和目標(biāo)邊緣變化鑒別層.尺寸鑒別層根據(jù)質(zhì)心索引矩陣獲取以質(zhì)心為中心的大小切片L、S,分別求取潛在目標(biāo)面積分布比例,即大于目標(biāo)灰度估計(jì)值Tf的點(diǎn)在切片中所占的比例,然后與訓(xùn)練得出的尺寸特征閾值pS和pL進(jìn)行比較,去掉不滿足目標(biāo)尺寸特征的質(zhì)心.

經(jīng)過(guò)尺寸特征的鑒別,索引矩陣的優(yōu)化,數(shù)據(jù)量會(huì)減少.以質(zhì)心索引矩陣中質(zhì)心點(diǎn)為中心的潛在目標(biāo)切片可以分為目標(biāo)與非目標(biāo)兩類,對(duì)應(yīng)于兩種類別的模式分類問(wèn)題.目前常用的分類器包括貝葉斯分類器、神經(jīng)網(wǎng)絡(luò)分類器和支持向量機(jī)等.神經(jīng)網(wǎng)絡(luò)分類器僅依賴于訓(xùn)練數(shù)據(jù)本身的鑒別能力,與待分類數(shù)據(jù)的分布無(wú)關(guān),因而比貝葉斯分類器更加通用,且處理速度上優(yōu)于支持向量機(jī)[11-12].所以筆者采用在監(jiān)督模式匹配上能力較強(qiáng)的多層感知(Multi-Layers Perception,MLP)神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)邊界變化特征進(jìn)行鑒別,可以達(dá)到理想效果.文中的多層感知網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)包括輸入單元、隱藏層及輸出單元,以目標(biāo)邊界變化特征向量作為輸入,將對(duì)該目標(biāo)特征鑒別結(jié)果作為輸出,實(shí)現(xiàn)目標(biāo)的訓(xùn)練和檢測(cè).

3 實(shí)驗(yàn)驗(yàn)證與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)與對(duì)比測(cè)試

實(shí)驗(yàn)數(shù)據(jù)采用一組機(jī)載CARABAS-Ⅱ合成孔徑雷達(dá)系統(tǒng)獲取的VHF-band、分辨率為1 m、大小為3 000×2 000的瑞典北部的軍事靶場(chǎng)合成孔徑雷達(dá)圖像.如圖5中所示,包括TGB11、TGB30和TGB40共25輛裝甲車.

實(shí)驗(yàn)軟硬件環(huán)境如下:i5-3570 3.40 GHz CPU,內(nèi)存為4 GB,工具采用Matlab2010a.

圖5 實(shí)驗(yàn)數(shù)據(jù)

圖6和表1是采用4種檢測(cè)算法對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行興趣目標(biāo)檢測(cè)的結(jié)果.檢測(cè)方法如下:(a)全局恒虛警率檢測(cè),并對(duì)其進(jìn)行形態(tài)學(xué)處理,剔除明顯不是目標(biāo)的面積區(qū)域.(b)改進(jìn)雙參恒虛警率檢測(cè),鑒于雙參恒虛警率無(wú)法完全避免部分目標(biāo)像素泄露到背景雜波區(qū)域的問(wèn)題,在對(duì)背景雜波進(jìn)行統(tǒng)計(jì)時(shí),將灰度值大于全局恒虛警率閾值的像素摒棄,對(duì)剩余雜波像素進(jìn)行分布統(tǒng)計(jì)[13].為減少計(jì)算量,在用改進(jìn)雙參恒虛警率檢測(cè)前進(jìn)行全局恒虛警率檢測(cè),將檢測(cè)得到的潛在目標(biāo)質(zhì)心作為改進(jìn)雙參恒虛警率目標(biāo)檢測(cè)點(diǎn),進(jìn)行局部鑒別.最后對(duì)檢測(cè)結(jié)果進(jìn)行形態(tài)學(xué)處理,剔除明顯不是目標(biāo)的面積區(qū)域.(c)主成分分析鑒別法,在初步目標(biāo)檢測(cè)和目標(biāo)尺寸鑒別后,對(duì)目標(biāo)邊界變化采用主成分分析方法進(jìn)行特征提取,替代Gabor濾波器提取相應(yīng)特征的方法.(d)筆者基于興趣目標(biāo)的有效特征進(jìn)行分層檢測(cè)的方法.

3.2 實(shí)驗(yàn)分析

從檢測(cè)數(shù)據(jù)可以看出,對(duì)于復(fù)雜雜波背景的合成孔徑雷達(dá)圖像,恒虛警率和主成分分析檢測(cè)算法存在明顯不足,虛警率較高且存在漏檢情況.而筆者提出的方法在檢測(cè)精度和速度的綜合指標(biāo)上有著明顯優(yōu)勢(shì),虛警數(shù)僅為1.

圖6 對(duì)比檢測(cè)結(jié)果

表1 各種算法檢測(cè)結(jié)果

在時(shí)間效率方面,雙參恒虛警率檢測(cè)的局部滑窗使每個(gè)像素參與了多次運(yùn)算,計(jì)算量大,運(yùn)行時(shí)間長(zhǎng).改進(jìn)雙參恒虛警率檢測(cè)在雙參恒虛警率檢測(cè)前對(duì)全圖進(jìn)行全局恒虛警率檢測(cè),確定潛在目標(biāo)的質(zhì)心.運(yùn)算復(fù)雜度由原來(lái)的O(n3)(局部參數(shù)運(yùn)算O(n)×遍歷比較運(yùn)算O(n2))降為O(n2)(全局參數(shù)運(yùn)算O(n2)×全局比較運(yùn)算O(1)+局部參數(shù)運(yùn)算O(n)×比較運(yùn)算O(n)),運(yùn)算速度得到很大提升,但檢測(cè)精度依然不樂(lè)觀.筆者提出的算法在經(jīng)過(guò)采用全局恒虛警率檢測(cè)法的初步目標(biāo)檢測(cè)后,對(duì)各個(gè)潛在目標(biāo)進(jìn)行尺寸和邊界變化進(jìn)行分層鑒別,不僅速度得到保證,檢測(cè)精確度也得到很大的提升,優(yōu)于改進(jìn)雙參恒虛警率算法.

在尺寸控制方面,恒虛警率和筆者提出的方法都需要目標(biāo)尺寸的先驗(yàn)知識(shí).雙參恒虛警率檢測(cè)需要確定目標(biāo)的最大、最小尺寸,以選取合適的目標(biāo)窗口、保護(hù)窗口及背景窗口尺寸.全局恒虛警率檢測(cè)和雙參恒虛警率檢測(cè)的結(jié)果受形態(tài)學(xué)開(kāi)關(guān)面積的影響比較大,呈現(xiàn)的是形態(tài)學(xué)開(kāi)關(guān)情況下的最優(yōu)結(jié)果.而筆者提出的算法中目標(biāo)尺寸特征閾值是通過(guò)對(duì)模板庫(kù)中目標(biāo)與非目標(biāo)學(xué)習(xí)出來(lái)的結(jié)果,更為準(zhǔn)確.

在目標(biāo)邊界變化鑒別方面,主成分分析法目標(biāo)特征基于統(tǒng)計(jì)特性,能量較為集中,但對(duì)于非穩(wěn)定的高斯分布目標(biāo)數(shù)據(jù),變化細(xì)節(jié)描述不夠.當(dāng)非目標(biāo)在尺寸和形狀上都比較接近時(shí),主成分分析方法存在明顯不足.而Gabor濾波器能捕捉到詳細(xì)的結(jié)構(gòu)信息,所以采用多層感知神經(jīng)網(wǎng)絡(luò)對(duì)Gabor濾波器提取的紋理特征進(jìn)行訓(xùn)練、鑒別,從精度和速度上都優(yōu)于采用主成分分析法提取目標(biāo)特征的方法.

4 結(jié)束語(yǔ)

通過(guò)分層檢測(cè)、鑒別實(shí)現(xiàn)了合成孔徑雷達(dá)圖像中裝甲車的檢測(cè)方法.利用全局恒虛警率方法對(duì)整體圖像進(jìn)行初步目標(biāo)檢測(cè),區(qū)分目標(biāo)與背景初步確定潛在目標(biāo).根據(jù)目標(biāo)尺寸提取特征閾值和利用Gabor變換提取邊界變化特征,對(duì)目標(biāo)與雜波進(jìn)行鑒別,進(jìn)一步剔除了人造雜波虛警,實(shí)現(xiàn)了興趣目標(biāo)精確檢測(cè).在研究中對(duì)一組數(shù)據(jù)(共24張合成孔徑雷達(dá)圖像)進(jìn)行測(cè)試驗(yàn)證,結(jié)果表明,筆者提出的方法與其他測(cè)試方法對(duì)比,在精度和速度上都有著明顯的優(yōu)勢(shì),同時(shí)可以運(yùn)用到裝甲車、坦克、艦船等多種類型的興趣目標(biāo)檢測(cè)中.

參考文獻(xiàn):

[1]林旭,洪峻,孫顯,等.一種基于自適應(yīng)背景雜波模型的寬幅SAR圖像CFAR艦船檢測(cè)算法[J].遙感技術(shù)與應(yīng)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]劉冬,張弓.基于指數(shù)小波分形特征的SAR圖像特定目標(biāo)檢測(cè)[J].西安電子科技大學(xué)學(xué)報(bào),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]趙明波,何峻,付強(qiáng).SAR圖像CFAR檢測(cè)的快速算法綜述[J].自動(dòng)化學(xué)報(bào),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]李開(kāi)明,張群,羅迎.地面車輛目標(biāo)識(shí)別研究綜述[J].電子學(xué)報(bào),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]高貴,蔣詠梅,張琦,等.基于多特征聯(lián)合的高分辨率SAR圖像機(jī)動(dòng)目標(biāo)快速獲取[J].電子學(xué)報(bào),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,齊向陽(yáng),禹衛(wèi)東.改進(jìn)的SAR圖像雙參數(shù)CFAR艦船檢測(cè)算法[J].電子與信息學(xué)報(bào),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.

(編輯:郭 華)

簡(jiǎn) 訊

2015年11月3日～4日,首屆全國(guó)微電子青年科技論壇在我校舉行,來(lái)自全國(guó)各高校和科研院所的20余位微電子領(lǐng)域的青年科學(xué)家就微電子領(lǐng)域的熱點(diǎn)及前沿問(wèn)題進(jìn)行了研討,為陜西及西安微電子及集成電路產(chǎn)業(yè)發(fā)展建言獻(xiàn)策.論壇的目的是促進(jìn)優(yōu)秀微電子界青年科技工作者的成長(zhǎng),使他們置身于高層次的學(xué)術(shù)討論環(huán)境之中,拓寬視野,增長(zhǎng)知識(shí)和才干,提高學(xué)術(shù)水平.

摘自《西電科大報(bào)》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

作者簡(jiǎn)介:曾麗娜(1982-),女,西北工業(yè)大學(xué)博士研究生,E-mail:zenglina@mail.nwpu.edu.cn.

基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(61401363)

收稿日期:2014-11-19 網(wǎng)絡(luò)出版時(shí)間:2015-05-21

doi:10.3969/j.issn.1001-2400.2016.02.016

中圖分類號(hào):TN959.1

文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1001-2400(2016)02-0089-06

網(wǎng)絡(luò)出版地址:http://www.cnki.net/kcms/detail/61.1076.TN.20150521.0902.013.html