合成孔径雷达目标自动识别研究

合成孔径雷达目标自动识别研究
摘要：讨论了基于物理光学和几何绕射理论的散射中心理论模型，对散射中心模型的各个参数在图像域进行 了估计，详细分析了基于散射中心理论的SAR图像目标特征提取算法，采用了先估计目标方位后识别目标类型的目 标识别方法以提高目标识别的效率，并利用Delaunay三角化技术提高了目标方位的估计精度。实测MSTAR SAR图 像中目标的识别结果表明了该方法的准确性和有效性。

引言 在高频段，目标的雷达后向散射可以很好地近 似为目标的多个散射中心的响应的总和【l J。这些散 射中心是目标的物理关系更简明的描述，因而在自 动目标识别(ATR)中可以作为很好的参照物【jJ。 除ATR的应用之外，散射中心的属性，在数据压缩、电容表| 电力分析仪| 谐波分析仪| 发生器| 多用表| 验电笔| 示波表| 电流表| 钩表| 测试器| 电力计| 电力测量仪| 光度计| 电压计| 电流计|  隐身设计降低雷达截面积等方面也有重要的应用。 由于早期雷达的分辨率有限，较早的目标识别 主要集中在点目标的识别上，即用未知点目标的信 息和数据库中的信息进行匹配，从而达到对点目标 的识别目的。对于合成孔径雷达，目标的图像不再 只是一个点，一般情况下目标的图像是由30～50个 比较亮的散射中心组成。由于目标上散射点有限的 稳定性以及合成孔径雷达成像的相干性，目标的图 像在不同观测角的差别很大，近些年来的目标识别 主要集中在模版匹配技术上，即用未知目标的图像 与数据库中的所有图像进行匹配找出最佳的模版 作为未知目标的分类。通过考察前人的工作，这种 方法的正确识别概率为80％左右【4J。这种方法有一 很大的缺点，即目标模版数据库需要的数据量太 大，需要考虑各种不同的情况，例如：各种不同的 目标、各种目标的方位以及目标的各种姿态等(炮 台开没开盖，天线情况，油箱情况等等)，这些原 因使得模版匹配方法很难得到真正的应用。为此， 本文采用以目标为基础的目标识别方案，研究结果 证明使用本文的方法具有计算速度快、识别率高的 特点。

1有属性的散射中心理论 对于在高频段测量的物体的后向散射响应，本 文采用新近发展的以物理为基础的模型。这种模型 用单个散射中心响应的总和来近似地表示目标总 的散射响应；每个散射中心的响应，利用单站散射 解的主要项来进行模拟。单站散射用物理光学和几 何绕射理论两种方法求解。模型同时包含了散射中 心的场与频率和方位的两种关系，并且用一组描述 其位置、幅度、形状和方向的参数来说明每个散射 中心的特征(本理论不适合于具有波导属性的散射 中心的情况)。 频域有属性的散射中心模型是[1】． m(f， ； )=Σ (厂， ； ) (1) 其中0 =[ ，．．．， 】，并且 · eXp( ( s +yi sinO)]· sinc( n( ))exp(-21rf n ) (2) 其中 是频率， 是雷达中心频率， 是方位角， c=3×10 m／s是电波传播速度。每个 ，( ， ； ) 代表一个散射中心， 由参数矢量 0j=【4， ，Yf，口l，Ll， ， j] 表示。参量 和Yj是 散射中心距离和横向距离位置，A 是散射中心振 幅， ∈【-1，一0。5，0，0．5，1】描述散射中心与频率的 关系。厶和 为分布式散射中心的长度和倾斜角 度。 E．EKnott给出了几种简单几何形状的物体的散 射截面的表达式 】(表1只列出几种)。 从表1中，我们可以看出各种散射中心与频率 的关系。公式的第三项是散射中心的相位延迟。第 四项中的sinc()函数是具有一定长度的目标的远 场近似表达式中最常见的一项[6， 。 模型中的参量 和己，用来区分几种散射体的 几何形状。表2显示了几种标准散射体之间的参量 和己的差别( 的值可由表1得出，都是1／2的 整数倍)。 表1 简单几何形状物体的后向散射系数 表2 参量 和己的具体说明 剩下的三个参数 ，Lj， J主要确定场与角度 的关系。有两种类型的散射中心：局部的和分布的。 局部散射中心在SAR图像中具有局限的回波，包 括三面体、点目标和球体等。分布散射中心的响应， 常常包含几个像素，包括有二面体、平板和柱体侧 面的回波以及侧面边缘绕射等。对于局部的散射中 心，L = =0， ≠0表示响应与角度的微小关 系。对于分布散射中心， =0，厶是散射中心的 长度， 是倾斜角。 在应用散射中心进行成像时，需要把极坐标形 式转化为直角坐标形式。为求准确，可以采用内插 方法得到直角坐标形式，然后进行二维Fourier变 换即可得出SAR图像。

2 合成孔径雷达目标自动识别 对于合成孔径雷达，典型的目标图像是由 30～50个比较亮的散射中心组成。常见的目标都具 有长方形的底盘和一些其他部件(炮塔、油箱等)。 通过分析MSTAR数据我们发现一般的目标在3。 ～ 5。度的方位范围内有10～15个散射中心具有相对 的稳定性，可以利用目标较大灰度值的点从目标图 像中提取目标的方位信息然后进行识别。这种识别 方法分为两个阶段： 方位估计阶段和目标识别阶 段。
2．1 方位估计阶段 方位估计阶段主要提取目标的方位信息和建 立散射中心文件。本文所采用的数据均来自 M STAR (Moving and Stationary Target Acquisition and Recognition)，其工作中心频率9．6GHz，带宽 0．591GHz，分辨率为1英尺。图1、图2是T62坦 克的图像。 图1 T62坦克照片 ZU 4u t t 1UU 120 140 16U 图2 T62坦克SAR图象 提取目标的方位信息需要利用图像中灰度等 级较大点的位置和信号幅度信息。这里试验了两种 方法，一种是直接提取目标的散射中心，另外一种 是提取目标的较大信号点。在估算目标的方位时我 们发现利用散射中心估计的结果不如第二种的准 确。因此在此阶段我们产生两个目标极大值文件， 一个是较大信号点的信息，用来估计目标的方位； 一个是目标散射中心，用来进行目标识别。 从上面的T62的SAR图像可以看出目标靠近 雷达的边缘部分比较亮，我们称为前缘，估计目标 的方位就是估计目标前缘的方向。图3为T62坦克 的峰值图像(30个峰值)。 一10 -5 0 5 ’0 图3 T62坦克SAR图象峰值图象 虽然在成像过程采用了去噪处理，但在目标体 以外仍然会有较大散射点的存在，需要去除。这里 我们采用Delaunay三角化技术，图4是峰值图像的 Delaunay三角图像。通过设置三角形边长的门限可 以把离目标较远的点形成的三角形截断，从而达到 去除非目标的较大点的目的。 图4 T62坦克SAR图象峰值图象的三角化 利用目标的散射点估计目标前缘的方位就是 找出一条最佳拟和目标前缘的直线，计算其方向。 本文采用两种方法，首先利用最小二乘法找出前缘 的大致方位，然后利用Delaunay三角进一步更准确 地估算出前缘的角度。这里我们采用幅度加权值： Σ 。Af 20．2作为标准。其中4是散射点的幅度， 是散射点离拟和直线的距离， 是方差(由图像 来确定)。具有最大幅度加权值的直线即为最佳结 果。由于目标的图像一般存在两个边(长边和短 边)，利用最小二乘方法估算目标的长边时，因为 短边的存在会对估算结果造成一定的影响，因此需 要进一步更准确的估计。 利用Delaunay三角化技术时，假设目标边缘为 “L”形。首先从目标Delaunay三角图像中提取靠近 雷达部分的包络，在包络上的每两点之间产生一条 直线，利用靠近雷达的几个散射点再产生几条垂直 于前面直线的直线形成“L”形，然后求出使幅度加 权值最大的直线。对于各个散射点，靠近哪条直线 就对哪条直线求幅度加权值。当包络上的点完全计 算一遍后，把包络上的点全部去掉，产生下一层的 包络，再重复前面的步骤。一般利用三层包络即可 得出满意的结果。在所有的直线假设中，幅度加权 值最大的直线的方位即目标的方位。结合这两种方 法，方位估算的准确率超过90％(角度误差l0。以 内认为是准确估计)，误差主要出现在目标的方位 接近9O。时，即目标的短边面向雷达。如果人工干 预可以使估算结果准确率接近100％。 图5 SAR 目标自动识别框图
2．2 目标识别阶段 目标识别阶段就是利用前面获得的角度信息 从数据库中找出相同角度的不同目标模版进行最 佳匹配处理。由于未知目标的方位已经确定，我们 从数据库中只需找出相同角度的模版即可，而不需 要把未知目标与数据库中所有方位上的模版都进 行匹配。大大减少了计算量。在进行模版匹配时需 要找出未知目标与模版上目标距离最近的散射点 对，我们采用了Delaunay步进技术(Delaunay walk)。匹配最佳的模版即未知目标的分类。
2．3 数据库的构成 数据库中的信息包括：目标类型、角度、散射 中心的位置和幅度。在目标识别阶段，通过未知目 标的角度信息找出此角度下不同目标类型的散射 中心信息与未知目标进行匹配处理。通过研究发现 如果估计角度误差在5。以内，对目标识别影响不 大，为了减少计算量并加快识别速度，数据库中的 数据可以相隔3。左右，这样每种目标在360。范 围内的数量为100个左右。

3 结果与讨论 本文应用公式(1)对两个点型散射中心和一 个线型散射中心进行了x波段SAR图像的模拟。 一个点位于(0，一5)m，另一个位于(0，5)m， 线型散射中心模拟的是边缘绕射( =-1／2)，位 于(5，0)m，长度为10m。雷达参数为：中心频 率 =9．599GHz，带宽为0．591(GHz，方位向、 距离向分辨率约为0．3m。模拟的雷达图像考虑了乘 性噪声、加性噪声以及泰勒加权。下面是模拟的结 果。 图6 x波段SAR的模拟图像 20 40 60 80 10o 120 本文采用了落水方法提取目标的散射中心，每 个散射中心的位置估计利用两步估计法，首先利用 互相关函数进行初步估值，然后利用Nelder-Mead 方法进行精确估计，对于长度估计首先利用sinc函 数的泰勒近似求出初值，然后利用Nelder-Mead方 法进行精确估计，口的估计利用试探法， 的估计 利用最小二乘法。 表3是对上述模拟图像进行的参数估计结果。 表3 参数估计结果 由表3可以看出，在图像域中进行参数估计的 方法是可行的，散射中心的位置等属性参数估计得 相当准确。为了利用散射中心理论进行目标识别， 我们对MSTAR实测数据进行了以散射中心表示的 SAR图像仿真(20个散射中心)， 图7是SAR原 始图像， 图8是对应的散射中心图像。
20 柏 6o 8o 100 "120 图8 散射中心图像 利用前面介绍的方法，结合散射中心理论我们 对MSTAR 提供的十几种目标进行了自动识别处 理。表4是其中三种目标的正确识别率。从表中可 以看出不同目标的正确识别率达到了90％以上。本 文的计算和图像处理是在DELL双CPu(933MHz) 的图形工作站进行的，每个目标的自动识别耗时均 小于1s。 表4 MSTAR数据中三种目标的正确率 本文应用散射中心理论对MSTAR数据进行了 目标自动识别处理，达到了一定的识别效率。在进 行角度估计的分析中，我们发现方位的估计误差主 要发生在目标方位接近90。的情况下，这时目标的 短边和长边很难区分； 另外目标的方位存在180。 的方位模糊，主要是由于图像分辨率的限制，目标 的头部和尾部无法分辨。如何利用目标阴影等其它 信息进一步提高估计目标方位的准确率是下一步 的研究重点。