论文部分内容阅读
合成孔径雷达（Synthetic Aperture Rdar，SAR）自动目标识别（Automatic Target Recognition，ATR）是SAR图像解译的关键技术之一。由于真实战场环境的复杂性，大量的实测SAR图像与构建的目标特性库存在一定的差异。由此带来的扩展操作条件（Extended Operating Condition，EOC）成为现阶段SAR目标识别的重点和难点问题。现有的SAR目标识别算法缺乏对扩展操作条件全面、系统的分析，因此难以在实际操作中得到有效应用。针对以上问题，本论文在基于模板和基于模型的两套框架下针对扩展操作条件下SAR目标识别算法的展开研究。在基于模板的框架下，采用属性散射中心作为局部描述子感知由于扩展操作条件带来的SAR图像局部变化。同时，考虑待识别样本操作条件的不确定性，通过结合全局特征和局部特征的方式充分利用两者对于SAR目标识别为优势，进一步提高识别算法的有效性和稳健性。在基于模型的框架下，采用正向建立的三维电磁散射模型描述目标特性。该模型具有简洁、精确以及物理属性明确等优点。一方面，利用模型的灵活性，采用模型对目标进行局部重构。通过评价重构图像与待识别样本的相似度关联待识别样本与目标模型。另一方面，利用模型蕴含的物理属性，在构建的模型与待识别样本的相似度准则中加入空间约束以及物理属性约束。通过对各类相似度的评价，判定目标类别并且对目标所处的状态进行一定程度的推理。
本文的主要工作及创新点如下：
1、提出了一种基于属性散射中心匹配的SAR目标识别方法。首先为单个属性散射中心之间设计了稳健的距离测度。该测度综合考虑了散射中心的提取误差以及各个散射中心的属性参数。在此基础上，采用Hungarian算法构建散射中心集之间的一一对应关系同时考虑了可能存在的虚警和漏警。基于构建的匹配关系，设计了散射中心集的相似度准则。该准则对匹配对的属性差异、虚警漏警的影响以及散射中心集蕴含的局部结构特性进行了全面分析。最后，基于定义的匹配度准则判定目标类别。采用MSTAR数据集在多种操作条件下对提出算法进行了测试。实验结果表明，该方法在各种操作条件下均保持良好的识别性能，对于扩展操作条件的稳健性较强。
2、提出了一种联合全局和局部特征匹配的SAR目标识别方法。全局和局部特征对于SAR目标识别具有不同的优势。为了结合这两者的优势，本文分别利用原始SAR图像及其属性散射中心构建全局和局部“滤波器”。采用图像相关作为全局响应。基于属性散射中心一一匹配的结果，通过评价匹配对的属性差异得到局部响应。然后，设计了随机权值矩阵对全局和局部响应进行线性加权融合。通过对融合结果进行统计分析得到判决变量进行目标识别。基于MSTAR数据集的实验结果表明，该方法在多种操作条件下均能保持良好的识别性能，对于扩展操作条件具有较强的稳健性。
3、提出了一种全局、局部特征层次化决策融合的SAR目标识别方法。实际过程中对于待识别样本的操作条件先验信息十分有限。为了兼顾识别方法的效率和精度，通过层次化决策融合的方法结合全局特征的高效率以及局部特征对于扩展操作条件的稳健性。对于待识别样本，首先采用稀疏表示分类器（Sparse Representation-based Classification，SRC）和随机投影（Random Projection）获取的全局特征构建的全局分类器对其进行快速识别，并基于输出的重构误差评价当前决策的可靠性。若当前决策可靠，则识别完成。反之，则采用基于属性散射中心匹配的局部分类器对目标类别进行进一步确认。基于MSTAR数据集的实验结果表明，该方法在多种操作条件下均能保持良好的识别性能，对于扩展操作条件具有较强的稳健性。
4、提出了一种基于三维电磁散射模型目标重构的SAR目标识别方法。三维电磁散射模型可以通过部分散射中心计算的方式获取目标的局部或部分特性。本方法首先采用高效的邻域匹配方法构建待识别样本的属性散射中心和模型预测的二维散射中心之间的匹配关系。然后，基于三维电磁散射模型对获得匹配的模型散射中心进行目标重构。最后，通过评价待识别图像与重构图像的图像相关建立两者的相关性并据此判定目标类别。采用三类MSTAR目标的电磁计算数据进行了实验验证，结果证明了该方法的有效性以及对于扩展操作条件的稳健性。
5、提出了一种基于三维电磁散射模型部件级推理的SAR目标识别方法。正向构建的三维电磁散射中心模型中的散射中心具有明确的物理属性，与目标的实体结构具有良好的关联性。本方法首先将散射中心的点匹配问题转换为更为稳健的区域匹配问题并基于区域匹配结果评价待识别样本与目标模型的相似性。在相似性评价的过程中，引入了模型蕴含的空间约束以及物理属性约束从而获得更为稳健的相似度准则。最后，基于定义的相似度准则判定目标类别并对目标所处的状态进行一定程度地推理。采用三类MSTAR目标的电磁计算数据进行了实验验证，结果证明了该方法的有效性以及对于扩展操作条件的稳健性。
本文的主要工作及创新点如下：
1、提出了一种基于属性散射中心匹配的SAR目标识别方法。首先为单个属性散射中心之间设计了稳健的距离测度。该测度综合考虑了散射中心的提取误差以及各个散射中心的属性参数。在此基础上，采用Hungarian算法构建散射中心集之间的一一对应关系同时考虑了可能存在的虚警和漏警。基于构建的匹配关系，设计了散射中心集的相似度准则。该准则对匹配对的属性差异、虚警漏警的影响以及散射中心集蕴含的局部结构特性进行了全面分析。最后，基于定义的匹配度准则判定目标类别。采用MSTAR数据集在多种操作条件下对提出算法进行了测试。实验结果表明，该方法在各种操作条件下均保持良好的识别性能，对于扩展操作条件的稳健性较强。
2、提出了一种联合全局和局部特征匹配的SAR目标识别方法。全局和局部特征对于SAR目标识别具有不同的优势。为了结合这两者的优势，本文分别利用原始SAR图像及其属性散射中心构建全局和局部“滤波器”。采用图像相关作为全局响应。基于属性散射中心一一匹配的结果，通过评价匹配对的属性差异得到局部响应。然后，设计了随机权值矩阵对全局和局部响应进行线性加权融合。通过对融合结果进行统计分析得到判决变量进行目标识别。基于MSTAR数据集的实验结果表明，该方法在多种操作条件下均能保持良好的识别性能，对于扩展操作条件具有较强的稳健性。
3、提出了一种全局、局部特征层次化决策融合的SAR目标识别方法。实际过程中对于待识别样本的操作条件先验信息十分有限。为了兼顾识别方法的效率和精度，通过层次化决策融合的方法结合全局特征的高效率以及局部特征对于扩展操作条件的稳健性。对于待识别样本，首先采用稀疏表示分类器（Sparse Representation-based Classification，SRC）和随机投影（Random Projection）获取的全局特征构建的全局分类器对其进行快速识别，并基于输出的重构误差评价当前决策的可靠性。若当前决策可靠，则识别完成。反之，则采用基于属性散射中心匹配的局部分类器对目标类别进行进一步确认。基于MSTAR数据集的实验结果表明，该方法在多种操作条件下均能保持良好的识别性能，对于扩展操作条件具有较强的稳健性。
4、提出了一种基于三维电磁散射模型目标重构的SAR目标识别方法。三维电磁散射模型可以通过部分散射中心计算的方式获取目标的局部或部分特性。本方法首先采用高效的邻域匹配方法构建待识别样本的属性散射中心和模型预测的二维散射中心之间的匹配关系。然后，基于三维电磁散射模型对获得匹配的模型散射中心进行目标重构。最后，通过评价待识别图像与重构图像的图像相关建立两者的相关性并据此判定目标类别。采用三类MSTAR目标的电磁计算数据进行了实验验证，结果证明了该方法的有效性以及对于扩展操作条件的稳健性。
5、提出了一种基于三维电磁散射模型部件级推理的SAR目标识别方法。正向构建的三维电磁散射中心模型中的散射中心具有明确的物理属性，与目标的实体结构具有良好的关联性。本方法首先将散射中心的点匹配问题转换为更为稳健的区域匹配问题并基于区域匹配结果评价待识别样本与目标模型的相似性。在相似性评价的过程中，引入了模型蕴含的空间约束以及物理属性约束从而获得更为稳健的相似度准则。最后，基于定义的相似度准则判定目标类别并对目标所处的状态进行一定程度地推理。采用三类MSTAR目标的电磁计算数据进行了实验验证，结果证明了该方法的有效性以及对于扩展操作条件的稳健性。