一種多源特徵融合的SAR圖像自動目標識別方法與流程
2024-02-16 00:53:15
本發明屬於雷達目標識別技術領域，尤其涉及一種sar圖像多源特徵融合的自動目標識別方法。可用於sar圖像的目標分類與識別。
背景技術：
合成孔徑雷達(syntheticapertureradar,sar)作為一種主動式微波成像傳感器，應用於主動雷達導引頭，具有全天候，全天時的探測能力，在複雜戰場環境中具有較強的自主性和抗幹擾能力。但是受sar成像解析度較低，圖像扭曲和包含背景等嚴重影響給目標識別帶來了嚴峻挑戰。
目前關於原始sar圖像通過多源特徵融合，增加目標信息利用率，克服單源傳感器對目標信息獲取的片面性，提升自動目標圖像識別精度和魯棒研究既是難點也是熱點。一方面由於原始sar圖像對方位角等參數敏感，將不同視角圖像融合為一幅獨立圖像效果並不理想。另一方面不同類別的特徵融合本身就十分困難，因此多源特徵融合的目標識別方法需要進一步探索和研究。
技術實現要素：
本發明的發明目的在於：針對目標大小，方位，旋轉等變化以及強雜波背景給目標識別帶來的嚴重影響，提出將目標三維模型投影到二維平面，採用餘弦傅立葉不變矩和瑞利分布的cfar檢測方法分別對其餘弦傅立葉矩和峰值特徵進行提取，並利用級聯融合分類器對目標進行特徵級融合識別，實現了在特徵維數高和姿態變化下的目標識別，而不額外增加對制導控制系統開銷。本發明具有識別實時性好，識別結果魯棒性強和識別精度高等特點。
本發明的技術方案包括如下：
一、方案思路
採用餘弦傅立葉矩和瑞利分布的cfar檢測方法分別對目標投影后的二維圖像和原始sar圖像進行特徵提取，構建目標圖像的矩和峰值特徵向量的級聯融合分類器，實現多源特徵融合在目標特徵維數高和姿態變化下目標識別的目的。
二、實現步驟
本發明提出的一種多源特徵融合的原始sar圖像自動目標識別方法，包括如下步驟：
步驟s1：輸入不同目標的原始sar圖像作為練樣本集，並對訓練樣本集進行預處理：
s101：基於目標三維外形仿真數據，建立原始sar圖像的目標三維形狀模型，並將所述三維模型投影到二維平面，得到笛卡爾坐標下的二維圖像f(x,y)，並對圖像f(x,y)進行標準化處理，得到標準化後的圖像f(m,n)，以及計算圖像f(m,n)的極坐標圖像，得到模型投影極坐標圖像f(r,θ)；
s102：對原始sar圖像進行二值化處理後，再進行邊緣檢測，得到邊緣圖像，再將邊緣圖像從笛卡爾坐標變換到極坐標，得到sar極坐標圖像f′(r′,θ′)，其中邊緣檢測可以是慣用的任一方法，例如梯度邊緣檢測算法。
s103：對原始sar圖像進行目標切片處理，得到原始sar圖像目標切片。
步驟s2：採用餘弦傅立葉矩特徵提取方法，分別對訓練樣本集的模型投影極坐標圖像f(r,θ)、極坐標形式圖像f′(r′,θ′)進行矩特徵提取，得到訓練樣本的矩特徵。
步驟s3：對訓練樣本集的原始sar圖像目標切片進行峰值特徵提取。
步驟s301：對原始sar圖像目標切片進行目標與背景檢測：
將瑞利分布帶入cfar(恆虛警率)檢測算子中可得：其中，bs為瑞利分布形狀參數，z表示雜波強度。化解pfa，可得從而可得基於瑞利分布滑動窗口cfar檢測算子的閾值
基於閾值t對原始sar圖像目標切片中的目標、背景進行檢測分割：若原始sar圖像目標切片的局部中心像素xc＞t，則xc為目標像素，否則xc為背景像素；由原始sar圖像目標切片的目標像素得到目標分割圖像；
步驟s302：採用ω×ω的矩形形態學濾波器對步驟s301的分割圖像進行閉濾波處理，再對閉濾波處理後的分割圖像進行計數濾波處理，剔除濾波窗口結構區域中峰值像素(濾波窗口結構區域中大於預設閾值的像素)填充率不大於(20±5)％的中心像素，得到計數濾波結果。其中，計數濾波的濾波窗口結構可以是矩形或者圓形，若為矩形，則矩形的最長的邊的尺寸為ω；若為圓形，則其直接為ω，ω為預設值，取決於原始sar圖像目標切片的本身大小，如5、6等。
將計數濾波後的目標分割圖像中的非零值設為1，其它設為0，得到和目標分割圖像同樣大小的掩膜模板。為增強濾波後圖像中目標區域的信息，利用掩膜模板與原始sar圖像對應項(同一位置像素)相乘，得到最終目標分割圖像。
步驟s303：對步驟s302得到的最終目標分割圖像進行峰值特徵提取：
計算最終目標分割圖像的各像素的度量值pij，其中下標為像素的坐標標識符：
其中aij表示當前像素的像素值，頂點u(aij)表示以aij為中心的鄰域(如以八領域)，am,n表示aij的鄰域u(aij)中的單個像素值；σ為最終目標分割圖像的像素強度的標準差。
若度量值pij為1，則當前像素為峰值像素，即當前像素為峰值點像素；度量值pij為0，則表示當前像素為非峰值像素。
步驟s304：對最終目標分割圖像中提取的所有峰值點的幅度進行歸一化處理，得到相對目標峰值幅值：其中，xj表示最終目標分割圖像的第j個峰值點，v表示最終目標分割圖像的峰值點數目，a(xj)表示第j個峰值點xj的幅值。
步驟s4：建立級聯融合分類器。
步驟s401：利用svm(向量支持機)分類器作為第一級特徵分類器，基於預設類別數目h，對各訓練樣本的矩特徵向量進行svm分類器訓練，得到h個svm類別模板，完成第一級特徵分類器訓練。
步驟s402：利用峰值匹配分類器作為第二級特徵分類器，基於預設類別數目h，對各訓練樣本的峰值特徵向量進行峰值匹配分類器訓練，得到h個峰值特徵類別的模板，完成第二級特徵分類器訓練。
步驟s403：由第一級、第二級特徵分類器的級聯得到級聯融合分類器.
步驟s5：輸入待識別的sar圖像，進行特徵提取，完成目標識別處理。
步驟s501：對待識別sar圖像進行預處理：
採用步驟s101相同的處理方式，得到待識別sar圖像的模型投影極坐標圖像f(r,θ)，採用步驟s102相同的處理方式，得到待識別sar圖像的sar極坐標圖像f′(r′,θ′)；
對待識別sar圖像進行目標切片處理，得到待識別sar圖像目標切片；
步驟s502：採用餘弦傅立葉矩特徵提取方法，分別對待識別sar圖像的模型投影極坐標圖像f(r,θ)、sar極坐標圖像f′(r′,θ′)進行矩特徵提取，得到待識別sar圖像的矩特徵；
步驟s503：將待識別sar圖像的矩特徵向量(簡稱待識別對象)輸入第一級特徵分類器進行初級分類識別，則第一級特徵分類器輸出的待識別對象屬於各類別的後驗概率集合為pset＝{p1,p2,...,ph}，將待識別對象為k的分類置信度表示為：其中，i＝1,…,h，為集合pset中除之外其他元素構成的集合，pi表示待識別對象屬於各類別的後驗概率。
若置信度小於或等於置信閾值，則繼續進行第二級特徵分類器的識別處理，並將後驗概率集合pset當作峰值特徵匹配識別過程中先驗信息的輸入；否則，輸出第一級特徵分類器的識別結果，即後驗概率集合為pset＝{p1,p2,...,ph}中取值最大的後驗概率所對應的類別為當前待識別對象的識別結果。
步驟s504：利用峰值匹配分類器進行第二級特徵分類器的識別處理：
用g＝{g1,g2,...,gh}表示識別的sar圖像與第二級特徵分類器的類別模板之間的相似度集合，即峰值特徵相似度集合為g，將峰值匹配分類器輸出的目標相似度gi(i＝1,…,h)進行增大變換，則變換後的相似度g′i為：其中,k為峰值特徵相似度集合g中互斥特徵相似度標號；
步驟s505：由後驗概率pi與增大變換後的目標相似度g′i之和得到級聯融合分類器的分類識別度量值di，即di＝pi+g′i，其中i＝1,…,h；
再由h個di的最大值得到當前輸入待識別的sar圖像的所屬類別。
本發明在提取原始sar圖像的矩特徵時，對投影圖像優先進行標準化處理，可顯著減少目標特徵視圖數量；以及步驟2是採用餘弦傅立葉不變矩對三維目標模型在二維平面的投影圖像進行矩特徵提取，以充分利用其在平移、旋轉、伸縮情況下的不變特性，使得特徵維數降低而減少計算量；級聯融合分類器的採用，提高了本發明的識別概率和魯棒性。且在整個識別處理過程中，發明無需人工幹預，自動完成目標識別。
綜上所述，由於採用了上述技術方案，本發明的有益效果是：
1、識別的實時性有所提高：本發明採用餘弦傅立葉矩對不變矩特徵提取，避免預先存儲所有不斷變化的位置、距離、姿態等信息減少了冗餘視圖特徵，使得計算量降低。
2、識別的魯棒性有所增強：本發明採用基於svm和匹配算法結合的級聯融合分類器對矩特徵和峰值特徵進行了兩次識別，增強了該方法識別結果魯棒性。
3、識別性能有所提高：與採用單一的svm方法和匹配算法等相比，本發明採用多源特徵融合方法更易於目標識別且不額外增加制導系統開銷。
附圖說明
圖1為本發明實施例提供的目標方法實現流程示意圖；
圖2為本發明為本發明實施例實現方法圖。
具體實施方式
為使本發明的目的、技術方案和優點更加清楚，下面結合實施方式和附圖，對本發明作進一步地詳細描述。
本發明針對目標存在方位模板缺失時導致單一識別算法識別概率不高和魯棒性不強的問題，引入目標cad(computeraideddesign,計算機輔助建模)模型投影圖像方法填補目標方位角存在缺失的情形，並提取其矩特徵輔助峰值特徵識別。以提升對原始sar圖像的目標識別的實時性、識別結果魯棒性和識別精度。參見圖1、2，本發明具體實施步驟如下：
步驟s1：讀取不同目標的原始sar圖像，作為本具體實施方式的訓練樣本集和測試樣本集。並對訓練樣本集和測試樣本集進行預處理：
s101：基於目標三維外形仿真數據，建立原始sar圖像的目標三維形狀模型，並將所述三維模型投影到二維平面，得到笛卡爾坐標下的二維圖像f(x,y)，並對圖像f(x,y)進行標準化處理，得到標準化後的圖像f(m,n)，以及計算圖像f(m,n)的極坐標圖像，得到模型投影極坐標圖像f(r,θ)；
s102：對原始sar圖像進行二值化處理後，再通過梯度邊緣檢測算法對二值化處理後的原始sar圖像進行邊緣檢測，得到邊緣圖像，再將邊緣圖像從笛卡爾坐標變換到極坐標，得到sar極坐標圖像f′(r′,θ′)；
s103：對原始sar圖像進行目標切片處理，得到原始sar圖像目標切片。
步驟s2：採用餘弦傅立葉矩特徵提取方法，分別提取訓練樣本集、測試樣本集的矩特徵。即分別對訓練樣本集的模型投影極坐標圖像f(r,θ)、sar極坐標圖像f′(r′,θ′)進行矩特徵提取，得到訓練樣本的矩特徵；分別對測試樣本集的模型投影極坐標圖像f(r,θ)、sar極坐標圖像f′(r′,θ′)進行矩特徵提取，得到測試樣本的矩特徵。
步驟s3：對訓練樣本和測試樣本分別進行峰值特徵提取，提取對象為原始sar圖像目標切片。
步驟s301：對原始sar圖像切片中的目標與背景進行檢測，根據瑞利分布：
其中，bs為瑞利分布的形狀參數，z表示雜波強度。
將公式(1)帶入cfar檢測算子中可得：
化解公式(2)可得：
因此，得到基於瑞利分布滑動窗口cfar檢測算法的閾值t為：
步驟s302：基於閾值t對原始sar圖像目標切片中的目標、背景進行分割：若原始sar圖像目標切片的目標局部中心像素xc＞t，則xc為目標像素，否則xc為背景像素；由原始sar圖像目標切片的目標像素得到目標分割圖像；
步驟s303：採用5×5的矩形形態學濾波器對步驟s302的目標分割圖像進行閉濾波處理，再對閉濾波處理後的目標分割圖像進行計數濾波處理，剔除濾波窗口結構區域中峰值像素填充率不大於(20±5)％的中心像素，得到計數濾波結果；
將計數濾波結果後的非零值設為1，其它設為0，得到和目標分割圖像同樣大小的掩膜模板。為增強濾波後圖像中目標區域的信息，利用掩膜模板與原始sar圖像對應項(同一位置像素)相乘，得到最終目標分割圖像。
步驟s304：對步驟s303得到的最終目標分割圖像進行峰值特徵提取：
分別對最終目標分割後圖像目標的行頂點，列頂點和二維頂點進行峰值特徵提取，即可得到原始sar圖像峰值特徵。計算最終目標分割圖像的各像素的度量值pij：
其中，下標i、j為像素的坐標標識符，aij表示當前像素的像素值，頂點u(aij)表示以aij為中心的八鄰域，am,n表示aij的八個鄰域u(aij)中的單個像素值，σ為最終目標分割圖像的像素強度的標準差；
若當前像素點的度量值pij為1，則將當前像素記為峰值像素點，否則為背景雜波；
步驟s305：對最終目標分割圖像中的所有峰值點的幅度進行歸一化處理，得到相對目標峰值幅值：
其中，xj表示最終目標分割圖像的第j個峰值點，v表示最終目標分割圖像的峰值點數目，a(xj)表示第j個峰值點xj的幅度值。
到此完成訓練樣本、測試樣本的峰值特徵提取和歸一化處理。
步驟s4：基於訓練樣本構建級聯融合分類器：
步驟s401：基於預設類別數目h，對各訓練樣本的矩特徵向量進行svm分類器訓練，得到h個svm類別模板，完成第一級特徵分類器訓練。
步驟s402：基於預設類別數目h，對各訓練樣本的峰值特徵向量進行峰值匹配分類器訓練，得到h個峰值特徵類別的匹配模板，完成第二級特徵分類器訓練。
步驟s403：由第一級、第二級特徵分類器的級聯得到級聯融合分類器。
步驟s5：基於訓練好的級聯融合分類器對測試樣本進行類別識別處理：
步驟s501：將測試樣本的矩特徵向量輸入第一級特徵分類器進行初級分類識別，則第一級特徵分類器輸出的測試樣本屬於各類別的後驗概率集合為pset＝{p1,p2,...,ph}，因此各測試樣本的分類置信度可表示為：
其中，k為任意測試樣本標識符，為集合pset中除之外其他元素構成的集合。
對於測試樣本k而言，若其分類置信度conf(k)大於給定的閾值，則直接輸出第一級特徵分類器的識別結果，即後驗概率集合為pset＝{p1,p2,...,ph}中取值最大的後驗概率所對應的類別標識為當前測試樣本的識別結果。
否則，繼續進入到第二級特徵分類器的二次分類識別，即執行步驟s502。
步驟s502：將測試樣本的峰值特徵向量輸入第二級特徵分類器，並將第一級特徵分類器的後驗概率集合當作峰值特徵匹配識別過程中先驗信息的輸入。
為增加所提取的峰值特徵相似度之間的差異性，對選擇的測試樣本與峰值類別匹配模板之間的相似度集合設為g＝{g1,g2,...,gh}。
將峰值匹配分類器輸出的目標相似度gi進行增大變換，則峰值特徵gi變換後的相似度g′i為：
其中,k為峰值特徵相似度集合g中互斥特徵相似度標號。
步驟s503：將svm分類器的後驗概率pi作為第一級特徵分類器的識別度量值，將峰值匹配分類器的相似度g′i作為第二級特徵分類器的識別度量值，取兩級識別度量值之和得到級聯融合分類器的分類識別度量值di：
di＝pi+g′i(9)
判決h個di中的最大值所對應的類別為當前測試樣本所屬類別。
綜上，本發明實施例的一種多源特徵融合的sar圖像自動目標識別方法在目標存在各種姿態變化時，仍能保證較高的識別率。