專利名稱：基于局部紋理特征的sar變體目標識別方法
技術領域：
本發(fā)明屬于雷達技術領域，具體地說是一種SAR目標識別方法，可用于地面靜止 目標的識別。
背景技術：
在SAR目標識別領域，為了判別識別算法的客觀性，實驗數(shù)據(jù)選用美國DARPA/ APERL MSTAR項目組提供的實測SAR地面靜止軍用目標數(shù)據(jù)。試驗數(shù)據(jù)分為兩類，訓練樣 本是SAR在俯仰角為17°時對地面的成像數(shù)據(jù)，包括3類目標:T72sn_132, BMP2sn_c21, BTR70sn_c71o為了驗證算法的推廣性和實用性，測試樣本是SAR在俯仰角為15°時對地 面的成像數(shù)據(jù)，包括3大類7個型號，其中T72增加了兩個型號T72sn_812，T72sn_S7,BMP 增加了兩個型號BMP2sn_9563 和 BMP2sn_9566?；赟AR圖像的目標識別的發(fā)展主要集中在近20年，目前主要的研究方向有基于 模板匹配的SAR目標識別方法和基于模型的SAR目標識別方法。1998年Ross等人提出了基于模板匹配的SAR目標識別方法，它是一種最常用最典 型的統(tǒng)計模式識別方法。該方法是將測試樣本與由訓練樣本形成的標準模板按照某種匹配 準則進行比較，從而完成對測試目標的識別，但識別率比較低。2004年韓萍等在基于KPCA 準則的SAR圖像目標特征提取與識別一文中提出了基于分割的模版匹配方法，該方法先對 SAR圖像進行預處理，在一定方位單元內(nèi)累計所有圖像并獲得均值作為模板，用距離度量方 法來比較兩幅圖的相似度，識別率為94. 50%,由于需要累計圖像作模版，因而實際應用中 對測試數(shù)據(jù)局部變化敏感型差。2006年Sun Y J在Adaptive Boosting for SAR Automatic Target Recognition 一文中提出了 Adaptive Boosting的方法，該方法先對SAR圖像用滑 窗分割，再分別提取未分割和分割的二維傅立葉變換，最后用AdaBoost進行識別，這種方 法對訓練數(shù)據(jù)和測試數(shù)據(jù)一致的情況識別率非常高，最高能到100%，但是如果測試數(shù)據(jù)中 出現(xiàn)變體，識別率會下降到96. 12%，方法除了對變體識別率下降外，如果測試數(shù)據(jù)有變化， 需要重新訓練AdaBoost參數(shù)。2008年宦若虹在一種合成孔徑雷達圖像特征提取與目標識 別的新方法.文中提出的基于PCA提取主特征然后用SVM進行識別，識別率為96. 92%， 同樣存在每次數(shù)據(jù)發(fā)生變化需要重新訓練訓練數(shù)據(jù)的問題。2009年胡利平等在基于兩級 2DPCA的SAR目標特征提取及識別一文中提出了先分割后用PCA提取主成分最后用最近鄰 法進行匹配，識別率為96. 41 %，這種方法識別率比較高，但由于PCA提取的主成分是基于 整體的，對于變體，由于局部放生了變化，基于整體的識別識別率同樣會下降?；谀Ｐ偷腟AR圖像目標識別方法也是近年來發(fā)展較快的方法。Wissinger和 Ettinger等在1996年分別用基于模型的方法做了識別，該方法的具體思想是從未知目標 中提取特征，通過數(shù)學模型預測出一系列與之相關的候選目標，對它們的類型、姿態(tài)等作出 假設，據(jù)此利用模型構建技術對候選目標進行3D成像，再對所成的3D像提取出其散射中心 模型，并進一步作出相對識別目標的特征預測，作為待識別目標的參考特征，進行匹配作出 判決。判決中一般采用的是最小均方誤差準則或最大似然準則等。但是由于在基于模型的方法中，需要對SAR圖像或SAR圖像特征矢量進行建模，而模型的構建需要較高的理論和計 算水平，目前基于模型的識別識別率都很低，因此，目前基于模型的方法在實用中并不是很
^^ ο上述模版匹配的方法和基于模型的方法都是基于整體目標的識別，在訓練數(shù)據(jù)和 測試數(shù)據(jù)一致的情況下雖然可以取得較好的識別的結(jié)果，但是由于實際戰(zhàn)爭的需要，很多 目標都存在改裝，掩體，炮筒旋轉(zhuǎn)等情況，使測試數(shù)據(jù)的局部發(fā)生了變化，與最初訓練數(shù)據(jù) 訓練的數(shù)據(jù)有所不同，也就是在測試數(shù)據(jù)中存在不同于訓練數(shù)據(jù)的變體，在這種情況下，上 述方法的識別率都會明顯下降。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述目標識別方法的不足，提出了基于局部紋理特征的 SAR目標識別方法，利用局部紋理信息提高識別性能，以滿足目標改裝，掩體，炮筒旋轉(zhuǎn)等情 況下對目標識別率的要求。為實現(xiàn)上述目的，本發(fā)明的識別方法包括如下步驟技術方案一種基于局部紋理特征的SAR變體目標識別方法，包括如下步驟1)對訓練樣本和測試樣本中每幅SAR圖像備份成兩份，其中一份用作確定圖像目 標區(qū)域，執(zhí)行步驟2)，另一份用作原圖與確定好的目標區(qū)域進行匹配，執(zhí)行步驟6)；2)計算SAR圖像背景區(qū)域幅度均值，根據(jù)均值確定偏微分擴散算子Vw，對SAR圖 像進行去噪；3)計算去噪后的SAR圖像幅度均值，同時繪制出去噪后SAR圖像的直方圖，根據(jù) 幅度均值將直方圖分為大于幅度均值和小于幅度均值兩部分，對大于幅度均值部分的直方 圖，采用Otsu法分割，得到Otsu分割閾值，將去噪后的SAR圖像中大于該分割閾值部分全 部設定值為1，確定為目標，將目標外的部分全部設定值為0，確定為背景；4)將步驟3)分割后的SAR目標圖像，按照SAR目標自帶目標方位角信息旋轉(zhuǎn)到 90° ；5)對旋轉(zhuǎn)后的SAR目標圖像，選用大小為36X20的滑窗進行滑動，當滑窗內(nèi)數(shù)據(jù) 為1的值最多時停止滑動，并記錄滑窗停止時的邊緣坐標值；6)根據(jù)原圖像SAR目標自帶方位角信息，將原SAR圖像目標旋轉(zhuǎn)到90° ；7)對步驟6)處理的SAR圖像與步驟5)中已經(jīng)確定目標區(qū)域的SAR圖像進行配 準，并按照步驟5)記錄的滑窗邊緣坐標，將原SAR圖像切割成大小為36X20的矩形；8)對切割后的SAR圖像進行Gabor變換，使原圖像轉(zhuǎn)變成40幅不同尺度和方向的 特征圖像；9)在每幅特征圖像中確定12坐標點，按照這些坐標點將每幅特征圖像分為12個 局部模塊，用采樣點fp(p = 0，1，. . .，7)的LBP算子對每個局部模塊編碼并建立直方圖；10)利用所建立的直方圖對每幅測試樣本和訓練樣本用基于直方圖的交進行匹 配，得到匹配值；11)取前300個大匹配值作為測試樣本和訓練樣本的識別特征，用最近鄰法判定 這些識別特征之間的最小距離，將距離最小的分為一類，作為最終的識別結(jié)果。本發(fā)明與現(xiàn)有技術相比具有如下優(yōu)點
4
(1)本發(fā)明結(jié)合SAR圖像分割和SAR目標方位角，提出了 SAR目標配準方法，使分 割后的SAR目標基本被固定在和目標大小相近的區(qū)域內(nèi)，減少了背景對識別的干擾，便于 后繼識別。(2)本發(fā)明利用Gabor特征提取和LBP紋理描述相結(jié)合的方法描述紋理特征，使得 每個紋理特征都是原圖像一定區(qū)域內(nèi)若干個圖像共同作用的結(jié)果，而不是單一像素的紋理 特征，因此，能有效的描述SAR圖像局部紋理特征。(3)本發(fā)明在特征選擇時由于采用大的局部紋理特征代替全局紋理特征，因而在 識別變體時，能夠獲得更高的識別率。


圖1是變體目標識別流程圖；圖2是本發(fā)明的實驗結(jié)果圖。
具體實施例方式參照圖1，本實施例的具體實現(xiàn)步驟如下步驟1，將訓練樣本和測試樣本中每幅SAR圖像備份成2份，其中一份用作確定圖 像目標區(qū)域，執(zhí)行步驟2，另一份用作原圖與確定好的目標區(qū)域進行匹配，執(zhí)行步驟6。步驟2，用偏微分對SAR圖像進行去噪，計算SAR圖像背景區(qū)域幅度均值，根據(jù)均值 確定偏微分擴散算子VM，偏微分去噪方程為I, = —(CO)VwIJ.(1)
dx其中Ix是原SAR圖像，It是去噪后SAR圖像，c (.)為梯度倒數(shù)的線性變換，與擴 散部分梯度的倒數(shù)成正比，對不同梯度取不同的擴散值，SAR圖像的背景部分由于只有散射 點，沒有特顯點，因而梯度比較小，擴散比較大；而目標部分，由于目標區(qū)存在大量特顯點， 受特顯點的影響，目標區(qū)域梯度比較大，因而擴散比較小，因此去噪后的SAR圖像目標部分 保持比較好。步驟3，分割去噪后的SAR圖像，具體分割方法如下(1)計算去噪后的SAR圖像幅度均值，按照均值分為大于幅度均值的部分和小于 幅度均值的部分；(2)將小于幅度均值的部分全部設定為0，確定為背景；(3)對大于幅度均值的部分，繪制出直方圖，并對其采用Otsu法進行分割；(3a)設yjt)和yi(t)分別代表目標和背景的中心灰度，μ代表直方圖的中心 灰度，利用如下公式計算Otsu分割閾值g(t')g{t ‘) = Arg Max [ω0 ( )(μ0 (t) -μ)2+ω, { ){μ, ( )-μ)2](2)
0<(<m-\ωοα)和ωια)分別為目標和背景的概率，要使目標和背景得到最好的分離，即 希望分割出的目標盡量遠離圖像中心，也就是式(2)右邊的值最大的時候，g(t')滿足 Otsu閾值分割要求；(3b)將去噪后的SAR圖像幅度g(t')進行比較，若大于g(t')則設定值為1， 確定為目標，小于g(t')設定值為0，確定為背景，得到分割后的SAR目標圖像。
5
步驟4，將步驟3分割后的SAR目標圖像，按照SAR目標自帶目標方位角信息旋轉(zhuǎn) 到 90°。步驟5，對旋轉(zhuǎn)后的SAR目標圖像，選用大小為36X20的滑窗進行滑動，當滑窗內(nèi) 數(shù)據(jù)為1的值最多時停止滑動，并記錄滑窗停止時的邊緣坐標值。步驟6，根據(jù)原圖像SAR目標自帶方位角信息，將原SAR圖像目標旋轉(zhuǎn)到90度。步驟7，對步驟6處理的SAR圖像與步驟5中已經(jīng)確定目標區(qū)域的SAR圖像進行 配準，并按照步驟5記錄的滑窗邊緣坐標，將原SAR圖像切割成大小為36 X 20的矩形，完成 SAR圖像配準。步驟8，按照下式對分割后的SAR圖像進行Gabor變換ψην = ^ ku'v 11 cH|lW/2tT2)fc"(ct2/2)](3)u, ν分別是方向因子和尺度因子，ζ = (x, y)是行矢量，(x，y)為圖像二維坐標， K, = ( Zt)，kv = kmax/fv，kmax為Gabor頻率，f為復指數(shù)徑向中心頻率，σ為高斯函數(shù)標 準差，取 u e {0，···，7}，ν e {0,1,2,3,4}, kmax = n/2,f = ^2, ο = 0· 4 π，經(jīng)過 Gabor 小波變換，使原圖像轉(zhuǎn)變成40幅不同尺度和方向的特征圖像。步驟9，在每幅特征圖像中確定12坐標點，按照這些坐標點將每幅特征圖像分為 12個局部模塊，用采樣點fp(p = 0，1，. . .，7)的LBP算子對每個局部模塊編碼并建立直方 圖。步驟10，對每類測試樣本和訓練樣本基于直方圖交進行匹配ψ (HxiH2) = YuVmnih]^)(4)
/=1其中H1，H2表示兩個直方圖，表示兩個直方圖內(nèi)相同的部分，L = 7 ；利用H1，H2之間相同的部分大小衡量兩個直方圖之間的相似性強弱，得到直方圖 之間的匹配值。步驟11，判定識別結(jié)果。訓練數(shù)據(jù)和測試數(shù)據(jù)的兩幅SAR圖像之間共有40 X 12幅直方圖匹配，由于變體的 緣故，有一部分匹配性能不是很好，因此取前300個大匹配值作為測試數(shù)據(jù)和訓練數(shù)據(jù)的 識別特征，用最近鄰法判定這些識別特征之間的最小距離，將距離最小的分為一類，作為最 終的識別結(jié)果。本發(fā)明的效果通過以下試驗進一步說明1.實驗數(shù)據(jù)實驗采用的是美國MSTAR計劃錄取的地面靜止目標SAR數(shù)據(jù)，分辨 率為0.3X0.3。所有原始圖像大小均為128X128。訓練數(shù)據(jù)和測試數(shù)據(jù)分別是SAR在俯 仰角17度和15度時對地面目標的成像數(shù)據(jù)，如表1所示，其中“_”表示沒有。每類樣本的 方位覆蓋范圍是0 360度。同類不同型號的目標在配備上有些差異。表1訓練和測試樣本集(“_”表示沒有)
權利要求
一種基于局部紋理特征的SAR變體目標識別方法，包括如下步驟1)對訓練樣本和測試樣本中每幅SAR圖像備份成兩份，其中一份用作確定圖像目標區(qū)域，執(zhí)行步驟2)，另一份用作原圖與確定好的目標區(qū)域進行匹配，執(zhí)行步驟6)；2)計算SAR圖像背景區(qū)域幅度均值，根據(jù)均值確定偏微分擴散算子對SAR圖像進行去噪；3)計算去噪后的SAR圖像幅度均值，同時繪制出去噪后SAR圖像的直方圖，根據(jù)幅度均值將直方圖分為大于幅度均值和小于幅度均值兩部分，對大于幅度均值部分的直方圖，采用Otsu法分割，得到Otsu分割閾值，將去噪后的SAR圖像中大于該分割閾值部分全部設定值為1，確定為目標，將目標外的部分全部設定值為0，確定為背景；4)將步驟3)分割后的SAR目標圖像，按照SAR目標自帶目標方位角信息旋轉(zhuǎn)到90°；5)對旋轉(zhuǎn)后的SAR目標圖像，選用大小為36×20的滑窗進行滑動，當滑窗內(nèi)數(shù)據(jù)為1的值最多時停止滑動，并記錄滑窗停止時的邊緣坐標值；6)根據(jù)原圖像SAR目標自帶方位角信息，將原SAR圖像目標旋轉(zhuǎn)到90°；7)對步驟6)處理的SAR圖像與步驟5)中已經(jīng)確定目標區(qū)域的SAR圖像進行配準，并按照步驟5)記錄的滑窗邊緣坐標，將原SAR圖像切割成大小為36×20的矩形；8)對切割后的SAR圖像進行Gabor變換，使原圖像轉(zhuǎn)變成40幅不同尺度和方向的特征圖像；9)在每幅特征圖像中確定12坐標點，按照這些坐標點將每幅特征圖像分為12個局部模塊，用采樣點fp(p＝0，1，...，7)的LBP算子對每個局部模塊編碼并建立直方圖；10)利用所建立的直方圖對每幅測試樣本和訓練樣本用基于直方圖的交進行匹配，得到匹配值；11)取前300個大匹配值作為測試樣本和訓練樣本的識別特征，用最近鄰法判定這些識別特征之間的最小距離，將距離最小的分為一類，作為最終的識別結(jié)果。FSA00000191520800011.tif
2.根據(jù)權利要求1所述的目標識別方法，其中步驟8)所述的對切割后的SAR圖像進行 Gabor變換，采用如下公式
3.根據(jù)權利要求1所述的目標識別方法，其中步驟9)中所述在每幅特征圖像中確定 12 坐標點，分另Ij 為(1 :6，1 10) ； (7 :12，1 10) ； (13 :18，1 10) ； (19 :24，1 10) ； (25 :30， 1 10) ； (31 :36，1 10) ； (1 :6，11 20) ； (7 :12，11 20) ； (13 :18，11 20) ； (19 :24，11 20)； (25 30,11 20) ； (31 36,11 :20)。
全文摘要
本發(fā)明公開了一種基于局部紋理特征的SAR變體目標識別方法，主要解決現(xiàn)有的識別方法對SAR目標變體識別率低的問題。其實現(xiàn)過程是1.利用偏微分改善SAR目標各部分統(tǒng)計分布；2.利用Otsu對偏微分變換后的SAR目標進行分割出目標部分；3.旋轉(zhuǎn)目標到90°，選擇固定大小的滑窗，根據(jù)方位角不同選擇不同方向行切割；4.對切割后的SAR目標進行Gabor變換；5.對Gabor變換后的每幅圖像用LBP算子進行編碼并建立直方圖；6.把測試樣本與訓練樣本的每幅SAR圖像用直方圖交進行匹配，把匹配結(jié)果小的拋棄，只保留匹配結(jié)果好的部分；7.用最近鄰法判定識別結(jié)果。本發(fā)明可利用局部紋理特征提高SAR目標變體的識別率，用于對地面目標的識別。
文檔編號G06K9/62GK101964060SQ20101020932
公開日2011年2月2日 申請日期2010年6月24日 優(yōu)先權日2010年6月24日
發(fā)明者劉宏偉, 尹奎英, 杜蘭, 王英華, 金林 申請人:西安電子科技大學