基于雙階段特征匹配的非同源SAR 船只跟蹤方法

王 炎，張 晰，孟俊敏，劉根旺，包 萌，曹成會

(1.山東科技大學(xué) 測繪與空間信息學(xué)院，山東 青島 266590;2.自然資源部 第一海洋研究所，山東 青島 266061)

星載合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)相比于其他光學(xué)、紅外等傳感器具有不受光照和云霧影響及可全天時、全天候工作的優(yōu)勢，是海上船只目標(biāo)監(jiān)測的重要手段，已被廣泛應(yīng)用于船只目標(biāo)的檢測和分類識別[1-5]。除船只目標(biāo)的檢測與識別之外，船只目標(biāo)的跟蹤也是海上船只目標(biāo)監(jiān)測的重要內(nèi)容，對維護(hù)海上交通安全、提升海上維權(quán)執(zhí)法的預(yù)警能力等具有重要意義[6]。

近年 來，隨 著 星 載SAR 的 快 速 發(fā) 展，TerraSAR-X、COSMOS-Sky Med、RadarSat-2、Sentinel-1 和GaoFen-3等多顆衛(wèi)星已能夠提供高分辨率、多時相的SAR 數(shù)據(jù)[7]，例如意大利的COSMO-Sky Med系統(tǒng)，由4個SAR 衛(wèi)星構(gòu)成星座，可在一天內(nèi)對固定區(qū)域進(jìn)行8次快速重訪[8]，從而使得海上船只目標(biāo)跟蹤逐漸成為可能。

SAR船只利用多時相SAR 影像獲取船只目標(biāo)位置信息，再對船只目標(biāo)的特征進(jìn)行提取與匹配，來實(shí)現(xiàn)船只目標(biāo)跟蹤。這其中的關(guān)鍵是目標(biāo)特征的提取與匹配。當(dāng)前SAR 圖像特征匹配主要有全局特征匹配和局部特征匹配兩類方法。其中，全局特征匹配法通過提取目標(biāo)的紋理和形狀等宏觀特征量，并結(jié)合特征的相似度度量技術(shù)實(shí)現(xiàn)同名目標(biāo)的匹配[9-11]，如:李綺雪等[12]利用Hu不變矩形狀特征，結(jié)合最小歐氏距離測度和余弦相似度實(shí)現(xiàn)光學(xué)與SAR 影像村莊目標(biāo)的匹配;黃勇等[13]對區(qū)域邊緣檢測和輪廓特征提取，并利用圖像區(qū)域不變矩來實(shí)現(xiàn)SAR 影像香港地區(qū)的圖像匹配。局部特征匹配法通過衡量目標(biāo)的內(nèi)部特征點(diǎn)間主方向和梯度關(guān)系等細(xì)節(jié)特征的相似度來實(shí)現(xiàn)匹配，典型方法包括SIFT(Scale Invariant Feature Transform)、SURF(Speeded Up Robust Features)和ORB(Oriented FAST and Rotated BRIEF)[14-16]。這類算法具有目標(biāo)旋轉(zhuǎn)、尺度縮放不變性的優(yōu)勢，能夠較好地適應(yīng)復(fù)雜場景的匹配。如:雷禹和何家峰[17]提出了融合恒虛警率(Constant False-Alarm Rate，CFAR)和SURF聯(lián)合的SAR 圖像目標(biāo)匹配算法;黎懿等[18]利用多源SAR影像之間的空間信息實(shí)現(xiàn)了基于SIFT 目標(biāo)特征點(diǎn)的匹配;陰俊愷等[19]聯(lián)合光學(xué)以及SAR 圖像使用Harris與SIFT 算法提取待匹配圖像，并通過神經(jīng)網(wǎng)絡(luò)計算圖像間的特征向量匹配程度，從而實(shí)現(xiàn)目標(biāo)的匹配。

以往關(guān)于SAR 目標(biāo)匹配的研究均是針對建筑物等大型靜止目標(biāo)開展的。然而，船只目標(biāo)有別于陸地建筑物，其尺寸小且處于運(yùn)動狀態(tài)，所以匹配難度遠(yuǎn)大于陸地目標(biāo)。近年來，國內(nèi)外學(xué)者開始關(guān)注船只等運(yùn)動目標(biāo)的匹配跟蹤，特別關(guān)注船只目標(biāo)SAR 匹配跟蹤方法，例如:陳建宏等[20]利用多尺度Harris算子提取船只目標(biāo)的特征點(diǎn)，并結(jié)合歸一化相關(guān)系數(shù)度量來實(shí)現(xiàn)機(jī)載PicoSAR 圖像與仿真SAR 圖像的船只匹配。Li等[21]在遙感數(shù)據(jù)中從船只中提取特征向量并利用主成分分析方法降低特征向量的維數(shù)，然后再采用最近鄰算法進(jìn)行特征點(diǎn)匹配。顧丹丹和許小劍[22]將TerraSAR-X 船只SAR 圖像逆投影至三維目標(biāo)空間，再提取目標(biāo)空間逆投影散射圖以表征船只目標(biāo)強(qiáng)散射源的三維分布，進(jìn)而實(shí)現(xiàn)船只目標(biāo)匹配。此外，Niu 和Lang[23]采用基于孿生卷積神經(jīng)網(wǎng)絡(luò)對TerraSAR-X、RadarSat-2以及Sentinel-1 SAR 圖像進(jìn)行船只目標(biāo)匹配。這些研究大都是基于同一衛(wèi)星平臺(單一來源)SAR 數(shù)據(jù)開展的，但是單一來源SAR 數(shù)據(jù)重訪周期較長且船只目標(biāo)機(jī)動性強(qiáng)，因此，較難通過單一源SAR 實(shí)現(xiàn)船只匹配跟蹤。當(dāng)前，已有諸多在軌的高分辨率SAR衛(wèi)星能夠彌補(bǔ)單一來源SAR 數(shù)據(jù)的缺陷。然而，將這些非同源SAR 應(yīng)用于船只目標(biāo)的匹配跟蹤，還需要克服因船只目標(biāo)運(yùn)動狀態(tài)各異、雷達(dá)參數(shù)不同所導(dǎo)致的船只目標(biāo)形態(tài)幾何畸變的問題，只有克服這些問題，才能提高非同源SAR 船只目標(biāo)的匹配跟蹤精度。為此，本文提出一種全局和局部雙階段特征匹配的非同源SAR 船只目標(biāo)匹配跟蹤算法。該方法共分為2個階段:第一階段，首先從第一時相SAR 圖像中提取待匹配船只目標(biāo)的形狀和紋理等宏觀特征，再利用歐式距離對第二時相SAR 圖像中的船只目標(biāo)進(jìn)行相似度計算，進(jìn)而篩選出高度相似的船只目標(biāo);第二階段，提取待匹配船只目標(biāo)的特征點(diǎn)間的方向和梯度關(guān)系等細(xì)節(jié)特征，并利用快速最近鄰逼近搜索函數(shù)(Fast Library for Approximate Nearest Neighbor Search，F(xiàn)LANN)計算第一階段選取的高度相似的船只目標(biāo)與待匹配船只的相似度，從而實(shí)現(xiàn)精確的同名船只匹配。經(jīng)測試，相較于其他經(jīng)典船只目標(biāo)匹配算法，該方法能夠兼顧船只多個層次特征，即使在非同源SAR 運(yùn)動船只幾何畸變的影響下，也具有良好的匹配跟蹤精度。

1 SAR 船只匹配跟蹤方法

目標(biāo)特征匹配主要有局部特征匹配和全局特征匹配兩類方法。局部特征匹配法強(qiáng)調(diào)對目標(biāo)內(nèi)部細(xì)節(jié)特征的描述，雖具有較強(qiáng)抗噪聲能力，但存在一些不足，如對目標(biāo)形狀與紋理等宏觀特征描述能力不強(qiáng)以及因幾何畸變造成目標(biāo)特征信息發(fā)生變化，這就導(dǎo)致僅利用局部特征匹配的方法不能對船只這類小目標(biāo)的自身特征進(jìn)行良好的描述。因此，需要挖掘并使用船只的全局特征以提高匹配跟蹤精度。當(dāng)進(jìn)行船只匹配跟蹤時，先在第一階段利用全局特征匹配的方法篩選出與待匹配船只在宏觀特征上具有高相似度的船只，以解決局部特征匹配法中的不足;再在第二階段利用局部特征匹配的方法進(jìn)一步描述初步篩選后的船只內(nèi)部細(xì)節(jié)特征信息，這樣可充分利用船只多層次特征。

在SAR 船只匹配跟蹤的第一階段中，選擇形狀和紋理等宏觀特征來描述船只目標(biāo)十分關(guān)鍵。通常利用一種統(tǒng)計特性即不變矩描述船只目標(biāo)形狀[9]，利用灰度共生矩陣(Gray Level Co-occurrence Matrix，GLCM)[11]計算和描述紋理特征。

Hu不變矩[9]是提取目標(biāo)不變矩的常用計算方法，該方法利用二階、三階歸一化中心距構(gòu)造的7個不變矩提取出描述船只形狀的特征向量。對于一幅大小為M×N的圖像f(x，y)，其p+q階矩陣、中心距μpq分別定義為:

在船只匹配跟蹤的第二階段中，選擇局部特征點(diǎn)等細(xì)節(jié)特征描述船只目標(biāo)，并進(jìn)行特征點(diǎn)間的匹配。SURF算法在SAR影像目標(biāo)特征提取方面已相當(dāng)成熟，該算法能夠從SAR 影像中提取描述船只目標(biāo)內(nèi)部細(xì)節(jié)特征的高維特征點(diǎn)描述子。但在對船只特征點(diǎn)進(jìn)一步匹配過程中，傳統(tǒng)SURF算法采用的是基于最近鄰距離匹配算法，對于SURF算法提取的高維特征點(diǎn)描述子，多船只目標(biāo)間特征點(diǎn)匹配算法復(fù)雜度較高，計算量繁重。因此，為提高匹配的效率與速度，并保證匹配的精度，將FLANN[24]最近鄰算法用于船只目標(biāo)特征的匹配，計算待匹配船只和初步篩選后的高相似度船只特征點(diǎn)的相似度。FLANN 模型的特征空間通常是一個n維實(shí)向量空間，命名為R n，其核心是尋找基于歐式距離的相鄰點(diǎn)。歐氏距離(D)[25]的定義式為:

式中，X和Y為SURF算法提取到的特征點(diǎn)向量，D(X，Y)值越小，表示這些特征點(diǎn)對之間的距離越近，說明這些特征點(diǎn)相似程度越高。R n中的所有D(X，Y)都存儲在若干個基于KD(k-dimensional)樹部分的結(jié)構(gòu)中。在整個KD 樹中搜索到接近查詢點(diǎn)的最小歐氏距離，從而可有效地搜索與待匹配船只目標(biāo)最相似的船只。

本文算法的基本流程(圖1)主要包括5個步驟:數(shù)據(jù)預(yù)處理、提取船只紋理及形狀宏觀特征、相似性度量、利用Hessian矩陣檢測SAR 船只圖像中的極值點(diǎn)以及提取的船只目標(biāo)局部特征點(diǎn)并匹配。

圖1 基于全局和局部雙階段特征匹配的非同源SAR 船只匹配跟蹤方法的流程Fig.1 Flow chart of the method for non-homologous SAR ship matching and tracking based on global and local two-stage feature matching

步驟1:數(shù)據(jù)預(yù)處理。采用恒虛警率算法提取兩景不同時相SAR 圖像中的船只目標(biāo)，并利用形態(tài)學(xué)濾波處理減弱船只目標(biāo)背景噪聲的影響。

步驟2:首先，提取出船只的形狀和紋理的宏觀特征，并構(gòu)成整體特征向量。在船只目標(biāo)特征提取中，基于Hu不變矩利用歸一化中心距提取出描述船只形狀的7個不變矩組，構(gòu)造一組7維特征向量，用于表征船只的形狀特征。然后，利用灰度共生矩陣取船只目標(biāo)的角二階矩(Asm)、熵(Ent)、對比度(Con)和紋理相關(guān)性(Corr)四種紋理特征，并分別計算它們的均值和標(biāo)準(zhǔn)差(σ)，構(gòu)成一組8 維特征向量來表征船只的紋理特征。最后，將表征形狀的7個特征向量和表征紋理的8個特征向量組成15維的特征向量來表示SAR 船只目標(biāo)的宏觀特征。

步驟3:利用歐式距離[26]篩選出高相似度的候選船只。以表示提取到待匹配船只圖像的特征向量，以表示第i個船只圖像的特征向量，進(jìn)而計算二者間的歐式距離(dist)，計算公式為:

式中，歐式距離滿足dist(i)＞0，歐式距離的值越小，表明船只間相似程度越高。當(dāng)歐氏距離閾值取值較大時，多船只目標(biāo)間的匹配范圍也會隨之?dāng)U大，且局部特征中迭代匹配處理的計算量與誤差會增加;當(dāng)歐式距離閾值取值過小時，幾何畸變等因素會對全局特征提取產(chǎn)生影響，造成錯誤地剔除正確的同名船只目標(biāo)。因此，在本文中，結(jié)合式(4)及實(shí)驗(yàn)測試，當(dāng)歐式距離的閾值選為1時，能較準(zhǔn)確地剔除與待匹配船只類型不同的船只，實(shí)現(xiàn)第一階段初步篩選高相似船只的目的，剔除掉的船只也能極大減少第二階段局部特征提取帶來的計算量與誤差，從而使得兩階段中全局和局部特征的提取性能達(dá)到平衡，保證匹配跟蹤的效率和精度。

步驟4:利用Hessian矩陣[15]檢測SAR 船只圖像中的極值點(diǎn)，用于提取待匹配船只和初步篩選后的高相似度船只目標(biāo)的局部點(diǎn)特征。之后，通過擬合待匹配船只和初步篩選后的船只極值點(diǎn)鄰域內(nèi)的離散點(diǎn)判定并選擇出穩(wěn)定的極值點(diǎn)。利用4×4方塊的Harr小波響應(yīng)確定特征點(diǎn)的主方向，生成64維的船只局部特征點(diǎn)的特征矢量。

步驟5:對于提取的64維船只目標(biāo)局部特征點(diǎn)的匹配，利用FLANN 算法計算待匹配船只目標(biāo)和初步篩選后的高相似度船只目標(biāo)的特征點(diǎn)相似度，并形成特征點(diǎn)對，依據(jù)特征點(diǎn)對匹配數(shù)量多少為原則，從初篩的高相似度船只目標(biāo)庫中，確定出同名船只目標(biāo)，從而實(shí)現(xiàn)船只目標(biāo)的匹配跟蹤。

2 數(shù)據(jù)與算法評估

2.1 數(shù)據(jù)和研究區(qū)域

本文利用2對TerraSAR-X 和RadarSat-2衛(wèi)星數(shù)據(jù)開展同名運(yùn)動船只目標(biāo)的匹配跟蹤研究，所用的SAR 參數(shù)如表1所示。本文還同步獲取了SAR 成像前后30 min的AIS(Automatic Identification System)數(shù)據(jù)。利用AIS與SAR 融合匹配方法[27]，確定出2對SAR 影像中的同名船只目標(biāo)，匹配的同名船只目標(biāo)信息如表2所示。

表1 本文所用的TerraSAR-X和RadarSat-2的工作參數(shù)Table 1 The parameters of TerraSAR-X and RadarSat-2 used in the study

表2 根據(jù)AIS獲取的同名船只的類型及數(shù)量Table 2 The types and status of the ships with the same name obtained according to AIS

第一對數(shù)據(jù)采自馬六甲海峽海域(表2中1#)。在這對數(shù)據(jù)中，TerraSAR-X 和RadraSat-2數(shù)據(jù)的獲取時間差約為3 min，兩幅影像均為VV 極化。根據(jù)AIS數(shù)據(jù)及其海上船只移動通信業(yè)務(wù)標(biāo)識碼(Maritime Mobile Service Identify，MMSI)，共確定出33對同名運(yùn)動船只和210對同名靜止船只。其中，運(yùn)動船只主要以集裝箱船、貨船等大型船只為主，靜止船只主要以油輪為主。

第二對數(shù)據(jù)采自舟山群島附近海域(表2中2#)。在這對數(shù)據(jù)中，TerraSAR-X 和RadarSat-2數(shù)據(jù)的獲取時間差約為40 min，兩幅影像為HH 極化。根據(jù)AIS數(shù)據(jù)及MMSI號，共確定出14對同名運(yùn)動船只以及78對同名靜止船只。其中，運(yùn)動船只中主要以集裝箱船為主，靜止船只主要以油輪為主。本文的研究區(qū)域如圖2所示。

圖2 馬六甲海域和舟山群島海域內(nèi)同名船只主要活動區(qū)域Fig.2 The main activity areas of ships with the same name in the sea areas of Malacca and Zhoushan Islands

2.2 算法評估

本文采用船只目標(biāo)的正確匹配數(shù)(Number of Correct Matches，NCM)和匹配精度(Matching Precision，MP)兩個指標(biāo)來評估本方法的性能，其中，MP的計算方法為:

式中，NTM(Number of total matches)是算法計算的總匹配對數(shù)。由于船只目標(biāo)跟蹤主要解決的是運(yùn)動船只目標(biāo)的跟蹤匹配問題，因此本文選用全部運(yùn)動船只目標(biāo)開展實(shí)驗(yàn)，即分別在1#和2#數(shù)據(jù)中選取全部33對和14對(共計47對)同名運(yùn)動船只目標(biāo)進(jìn)行實(shí)驗(yàn)驗(yàn)證。同時，利用本文方法與文獻(xiàn)[20]中的Harris算法、文獻(xiàn)[21]中的PCA-SIFT 算法和SURF算法所得的匹配精度(MP)進(jìn)行對比實(shí)驗(yàn)。其中，利用MATLAB R2017a對Harris算法、PCA-SIFT算法和SURF算法開展實(shí)驗(yàn)，基于Python 3.7對本文提出的算法開展實(shí)驗(yàn)。這些算法所得的船只目標(biāo)匹配跟蹤結(jié)果如表3所示。由表3可知，在正確匹配數(shù)量和匹配跟蹤精度方面，本文算法所得結(jié)果都最大。其中，利用本文算法所得MP達(dá)83%，顯著高于其他算法。

表3 利用本文方法與Harris算法、PCA-SIFT算法和SURF算法所得船只目標(biāo)正確匹配個數(shù)和匹配精度的比較Table 3 Comparison of the correct number and accuracy of the ship target matching obtained by using the method of this study and the algorithms of Harris，PCA-SIFT and SURF

不同船只類型(由AIS數(shù)據(jù)提供，包括油輪、集裝箱船、貨船、其他如漁船等小尺寸的船只，表2)對船只目標(biāo)的匹配跟蹤影響結(jié)果如表4所示。由表4可知，本文方法對油輪、貨船和集裝箱船這三類尺寸較大船只目標(biāo)的匹配跟蹤精度分別為87.5%、83.3%和93.3%，均超過80%;對漁船等尺寸較小船只目標(biāo)的匹配跟蹤精度為66.7%。但是，Harris、PCA-SIFT 和SURF算法對油輪、貨船和集裝箱船三類船只目標(biāo)的匹配跟蹤精度較低，除SURF算法對油輪匹配精度為62.5%外，其他算法對不同類型船只匹配精度均低于60%。對于漁船等小型船只目標(biāo)，Harris、PCA-SIFT 和SURF算法的匹配跟蹤精度均低于20%。綜合結(jié)果表明，本文方法對不同類型船只的匹配跟蹤精度明顯高于Harris、PCA-SIFT 和SURF算法。

表4 4種算法對不同類型船只目標(biāo)的跟蹤結(jié)果Table 4 Statistics of the tracking results of different ship targets obtained by using the 4 algorithms

3 幾何特征對運(yùn)動船只匹配跟蹤的影響

即使是同名船只目標(biāo)，在不同波段、極化SAR 影像中也會有明顯的特征差異，如X 波段相較于C 波段對目標(biāo)細(xì)節(jié)特征描述能力更強(qiáng)，因此，相較于RadarSat-2影像，在TerraSAR-X 影像中，船只目標(biāo)的邊緣和內(nèi)部結(jié)構(gòu)等細(xì)節(jié)特征表現(xiàn)更加顯著。此外，不同分辨率的SAR 影像中目標(biāo)輪廓大小及紋理也存在差異。所以，本文在分析運(yùn)動船只目標(biāo)在非同源SAR 圖像中的幾何特征差異基礎(chǔ)上，評估本文算法與Harris、PCASFIT 和SURF算法在船只目標(biāo)幾何特征變化較大時的適用性。

首先，利用最小外接矩[28]和Canny邊緣檢測，提取同名運(yùn)動船只在TerraSAR-X 和RadarSat-2數(shù)據(jù)對中的船長和船寬;然后，利用得到的船長和船寬提取船只目標(biāo)的周長及面積，計算同名運(yùn)動船只在2種衛(wèi)星下的船只幾何特征值變化率W，計算式為:

式中，TC和TX分別為RadarSat-2和TerraSAR-X 兩個波段的同名船只幾何特征量。將W分為W＜10%、10%≤W≤20%和W＞20%三種情況。W越大，表明船只目標(biāo)的運(yùn)動對SAR 圖像中的幾何特征估算的影響越大，也表示對算法匹配跟蹤性能影響越大，因此，本文將主要分析運(yùn)動船只目標(biāo)幾何特征變化對不同算法匹配精度的影響。

3.1 周長差異對匹配跟蹤的影響

根據(jù)式(6)計算可知，在不同波段SAR 數(shù)據(jù)中，同名運(yùn)動船只周長變化率Wc＜10%的有12艘，10%≤Wc≤20%的有12艘，Wc＞20%的有23 艘，所以Wc≥10%的船只達(dá)到35 艘，這說明船只目標(biāo)的運(yùn)動對SAR 圖像中的周長估算有很大的影響。

在不同的運(yùn)動船只周長變化率下，各個算法的匹配跟蹤精度結(jié)果如圖3所示。由圖3可知，本文算法在Wc≤20%時所得的MP沒有任何變化，均為75%;在Wc＞20%時所得MP提高至91.3%?？傮w來說，船只周長的變化對本文算法的影響較小，而PCA-SIFT 算法MP 在Wc≤20%時有明顯下降，從41.5%下降至16.7%，但在Wc＞20%時，PCA-SIFT 算法MP也僅為17.4%，所以MP并無顯著變化。在三類不同程度的Wc下，SURF算法MP先從50%下降至41.7%，最后降至26.1%。顯然，相較于PCA-SIFT 算法，SURF算法的MP隨Wc的增加而減小的趨勢更加明顯?？梢?，SURF算法匹配跟蹤精度在一定程度上受船只周長變化的影響較大。此外，Harris算法MP在不同Wc下變化較小，即16.7%≤Wc＜34.8%，表明Harris算法的MP隨Wc的變化幅度較小。

圖3 不同周長變化率(W c)下的船只目標(biāo)匹配跟蹤精度(MP)分布Fig.3 The distribution of the accuracy of ship target matching and tracking at different perimeter change rates(W c)

3.2 面積差異對匹配跟蹤的影響

由式(6)計算可知，同名運(yùn)動船只Wa＜10%的有22艘，10%≤Wa≤20%的有14艘，Wa＞20%的有11艘，相較于周長Wc，Wa≥10%的僅有25艘，可見船只目標(biāo)的運(yùn)動對SAR 圖像中的面積估算較周長估算的影響較小。在不同Wa下，各算法的匹配跟蹤精度(MP)結(jié)果如圖4所示。由圖4可知，本文算法的MP隨Wa的增加而減小，但整體上本文算法MP遠(yuǎn)高于其他算法的MP。SURF算法和PCA-SIFT 算法的MP也均隨船只Wa的增加而減小，Harris算法MP變化幅度很小，主要集中在30%左右，說明Harris算法匹配跟蹤精度受面積變化幅度影響較小。

圖4 不同面積變化率(W a)下的船只目標(biāo)匹配跟蹤精度(MP)分布Fig.4 The distribution of the accuracy of ship target matching and tracking at different area change rates(W a)

3.3 長寬比差異性對匹配跟蹤的影響

由式(6)計算可知，同名船只長寬比變化率Wl:w＜10%的有23 艘，10%≤Wl:w≤20%的有14 艘，Wl:w＞20%的有14艘，所以，Wl:w≥10%的船只有28艘，與Wa≥10%的船只數(shù)量相近，可見船只目標(biāo)的運(yùn)動對長寬比的估算與面積估算的影響相當(dāng)。

在不同Wl:w下，各算法的匹配跟蹤精度(MP)結(jié)果如圖5所示。由圖5可知，在不同Wl:w下，本文方法的MP依次為82.6%、80%和85.7%，均高于80%，而其他3 種算法所得的MP 均較低，最高為60.9%(SURF算法，Wl:w＜10%)，最低為0(Harris算法、PCA-SIFT 算法，Wl:w＞10%)。當(dāng)Wl:w＞10%時，Harris和PCA-SIFT 算法MP大大降低，分別從之前的56.5%和47.8%均降低至0，導(dǎo)致無法實(shí)現(xiàn)有效匹配跟蹤，說明Harris算法和PCA-SIFT 算法受船只目標(biāo)的長寬比影響較大。

圖5 不同長寬比變化率W l:w下的船只目標(biāo)匹配跟蹤精度分布Fig.5 The distribution of the accuracy of ship target matching and tracking at different aspect ratio change rates(W l:w)

在匹配跟蹤實(shí)驗(yàn)中，Harris、PCA-SIFT 和SURF算法在部分同名船只中出現(xiàn)了誤配及失配的情況，為進(jìn)一步解釋誤配和失配的原因，探尋不同方法匹配跟蹤性能，本文以一組SAR 同名船只(MMSI:248819000)為例開展分析。由于船只在運(yùn)動過程中發(fā)生顯著幾何畸變，所以選用該船只能更好地反映船只真實(shí)運(yùn)動狀態(tài)及檢驗(yàn)本文算法的魯棒性。

本文從匹配關(guān)聯(lián)結(jié)果方面評價不同算法的匹配跟蹤性能。不同算法均基于匹配點(diǎn)對數(shù)確定目標(biāo)，目標(biāo)內(nèi)部間匹配點(diǎn)對數(shù)越多，證明同名船只目標(biāo)間的特征結(jié)構(gòu)越相似，進(jìn)而確定同一目標(biāo)的概率也就越大。不同算法匹配關(guān)聯(lián)結(jié)果如圖6所示。由圖6a和圖6b可知，Harris算法得到的匹配點(diǎn)對數(shù)大都集中在目標(biāo)背景中，均為無效匹配點(diǎn)對，因此，依據(jù)Harris算法生成的匹配點(diǎn)對數(shù)最終將導(dǎo)致船只目標(biāo)發(fā)生誤配。由圖6c～圖6f可知，PCA-SIFT 和SURF算法在誤匹配目標(biāo)和同名船只中均產(chǎn)生部分匹配點(diǎn)對，其中，PCA-SIFT 算法在誤匹配目標(biāo)及同名船只目標(biāo)中分別生成2組特征點(diǎn)對和1組特征點(diǎn)對，SURF算法在誤匹配目標(biāo)及同名船只目標(biāo)均生成2組特征點(diǎn)對，依據(jù)特征點(diǎn)對數(shù)，將導(dǎo)致PCA-SIFT 算法和SURF算法最終出現(xiàn)誤配和失配，這是由船只內(nèi)部具有相似特征點(diǎn)和算法誤差等所致。本文算法能很好地解決上述問題，如圖6g，第一階段依據(jù)全局特征能將圖6a、圖6c和圖6e中Harris、PCA-SIFT 和SURF算法誤配和失配的目標(biāo)剔除，結(jié)果如圖6h所示，第二階段再依據(jù)匹配點(diǎn)對數(shù)確定同名目標(biāo)。最終，本文算法在匹配關(guān)聯(lián)結(jié)果中能保持較高的匹配跟蹤精度。

圖6 不同算法對SAR 船只影像匹配跟蹤結(jié)果Fig.6 Results of the ship matching and tracking in the SAR images obtained by different algorithms

4 結(jié) 論

本文針對當(dāng)前利用SAR 衛(wèi)星進(jìn)行船只目標(biāo)匹配跟蹤時，由于船只目標(biāo)尺寸小且船只目標(biāo)的運(yùn)動會在SAR圖像中產(chǎn)生幾何畸變，導(dǎo)致船只目標(biāo)在SAR 圖像中難以準(zhǔn)確實(shí)現(xiàn)匹配跟蹤的問題，提出了基于全局和局部雙階段特征匹配的非同源SAR 船只目標(biāo)匹配跟蹤方法。該方法首先從第一時相SAR 圖像中提取待匹配船只目標(biāo)的形狀和紋理等宏觀特征，并利用歐式距離對第二時相SAR 圖像中的船只目標(biāo)進(jìn)行相似度計算，篩選出高度相似的船只目標(biāo)?；诖?，通過提取待匹配船只目標(biāo)的特征點(diǎn)間的方向和梯度等細(xì)節(jié)特征，并利用FLANN 計算第一階段選取的高度相似的船只目標(biāo)與待匹配船只的相似度，從而實(shí)現(xiàn)精確的同名船只匹配。主要結(jié)論如下:

1)本文算法對于運(yùn)動船只的匹配跟蹤精度(MP)為83%，相較于其他算法，本文算法能顯著提高運(yùn)動船只目標(biāo)匹配跟蹤精度。

2)本文對油輪、貨船、集裝箱船這三類尺寸較大的船只目標(biāo)，其匹配跟蹤精度均在80%以上，對于其他類型船只如漁船等小型船只匹配精度為66.7%。而Harris算法和PCA-SIFT 算法對油輪、貨船、集裝箱船的匹配跟蹤精度均小于50%，特別對于其他船只，SURF算法、Harris算法和PCA-SIFT 算法匹配跟蹤精度均低于20%。相較于其他算法，本文算法對不同類型船只具有良好匹配跟蹤精度。

3)在非同源SAR 船只周長、面積和長寬比三個幾何特征變化率(Wc，Wa和Wl:w)中，本文算法匹配跟蹤精度與面積特征的變化有一定的相關(guān)性，在周長和長寬比變化中仍能保持75%以上的精度，特別在長寬比特征變化下，本文整體匹配精度超過80%。在其他算法中，長寬比變化對Harris算法、PCA-SIFT 和SURF算法影響最大，具有較強(qiáng)相關(guān)性。另外，SURF算法匹配跟蹤精度也與周長的變化有一定相關(guān)性。

綜合結(jié)果表明，本文的方法能夠?qū)崿F(xiàn)TerraSAR-X 和RadarSat-2不同波段、不同平臺SAR 圖像的船只目標(biāo)匹配跟蹤。目前，本文僅分析了RadarSat-2和TerraSAR-X 兩種衛(wèi)星平臺的數(shù)據(jù)，并未在其他衛(wèi)星平臺開展分析，后續(xù)將在其他更多平臺評估算法的性能。另外，本文中2對SAR 數(shù)據(jù)的分辨率很接近，未來將進(jìn)一步評估分辨率對本文算法的影響。最后，本文數(shù)據(jù)拍攝時的海況為低海況條件，下一步將評估復(fù)雜海況下本文算法對運(yùn)動船只匹配跟蹤的性能。