基于峰值匹配的SAR图像飞机目标识别方法

潘嘉蒙　牛照东　陈曾平

摘 要： 针对SAR图像飞机目标识别过程中的目标识别问题，提出一种基于峰值匹配的目标识别方法。该方法首先使用基于8邻域像素检测局部极大值的峰值提取方法提取目标和模板的峰值特征点；然后对目标进行方位角计算，设定置信区间从而缩小需要匹配的模板库；最后计算目标图像峰值点集与模板图像峰值点集的匹配代价函数，当匹配代价函数取最小值时表明目标与相应模板图像相匹配。实验结果表明该算法有效，且分类性能和分类效率较现有的一些算法有所提升。

关键词： 合成孔径雷达； 目标识别； 方位角计算； 峰值匹配

中图分类号： TN95?34； TP751.1 文献标识码： A 文章编号： 1004?373X（2015）19?0019?05

Abstract： A target recognition method based on peak?value matching is proposed for the recognition problems in recognition process of aircraft target in synthetic aperture radar （SAR） image. This method adopts the peak?value extraction method based on local maximum value detected by 8?neighbourhood pixel to extract the peak?value feature points of the target and template. The azimuth angle of the target is calculated， and the confidence interval is set to shrink the template library which is needed to match. The marched cost functions of the peak point sets in target image and template image are calculated. The target is marched with the template image when the minimum value is get from the marched cost function. The experimental results show that the proposed method is effective. The classification performance and classification effectiveness were improved by this method in comparison with the existing algorithms.

Keywords： SAR； target recognition； azimuth angle calculation； peak?value matching

0 引 言

SAR图像的自动目标识别技术在各个领域得到了越来越广泛的应用，基于SAR图像的ATR系统研究也得到了快速发展。典型的SAR ATR系统可分为检测、鉴别、识别三个模块[1]。目标检测是通过对整幅SAR图像进行检测，滤除图像中明显不是目标的区域，从而得到潜在的目标区域[2]。目标鉴别是对检测后得到的潜在目标区域进行进一步处理，去除其中明显与目标大小不符的区域或自然杂波虚警，从而得到目标感兴趣区域（Region of Interest，RoI）。目标识别是SAR ATR的最后目的，通过对目标鉴别得到的RoI进行更复杂的处理，从而获得目标的类别。

SAR图像目标识别中常用的特征有纹理特征、几何特征以及峰值特征等[3]。纹理特征包括标准偏差特征、分形维度特征和加权填充比特征等[4]。几何特征包括周长、面积、直径特征、转动惯量、形状复杂度等，具体到飞机目标的几何特征还有机长、翼展、镜像对称性等。峰值特征包括顶点、行顶点和列顶点三种特征，其中顶点是二维局部极大值，是常用的一种峰值特征[5]。

由于峰值特征是一种点特征，所以峰值特征匹配问题可以视为点匹配问题。常用的点匹配算法有基于最小误判概率的硬匹配方法[6]、基于松弛标记的软匹配方法[7]和基于几何哈希变换的匹配算法[8]。由于SAR图像中的噪声比较严重，在目标与模板图像中很容易出现并不存在匹配关系的外点，因此采用几何哈希算法时很难选择稳健的基点，而基点的选择对匹配结果会产生很大影响；基于最小误判概率的硬匹配方法只能实现两个点集之间的单向1?1匹配关系，对于不存在匹配关系的外点无法处理；基于松弛标记的软匹配方法只考虑了单向约束，无法满足实际匹配过程中的双向约束。

本文提出的峰值匹配算法是通过计算目标与模板的匹配代价函数来获得目标与模板的关系，将目标峰值特征的匹配问题转化为匹配代价函数的最优化问题。而且本文算法考虑到了目标与模板图像中存在不匹配的外点对于匹配结果的影响，因此在匹配代价函数的计算中通过模板与目标峰值点数目的比值关系对结果进行修正，本文算法相对现有算法在效率以及性能上都有了一定改进。

1 峰值提取

从SAR图像中可以提取出三类峰值特征：顶点、行顶点和列顶点。其中顶点是二维峰值点，即二维局部极大值；而行顶点和列顶点为一维峰值点，即一维局部极大值。本文采用的峰值点特征为顶点，因为顶点作为二维局部极大值相对一维局部极大值更为稳定[9]。为了减少背景噪声对峰值点提取的影响，首先估计背景区域的均值[μ]和方差[σ。]SAR图像中目标的[i，j]处峰值特征可以定义为：

本文采用基于8邻域像素检测局部极大值的峰值提取方法，对目标中每个像素通过计算其是否满足公式（1）（其中[N]设置为目标的8领域）来判断是否为峰值点，然后对峰值点的幅值进行归一化处理。该方法简单有效，能够快速准确地提取出峰值点。图1为经过处理后的实测SAR图像中的飞机目标切片与模板库中有类似方位角的模板图像。endprint

2 方位角提取

由于雷达与目标处于不同的相对位置时成像的结果也不同，因此处于不同方位角下的目标会有明显区别。为了提升目标识别的效率，可以先提取目标的方位角，然后在模板匹配的过程中只将目标与估计得到的方位角近似的一定范围内的模板进行匹配。显然，方位角的提取可以提升目标识别的精度和效率。

常用的方位角提取方法可以归为三类：基于最小外接矩形[11]、基于主导边界[12]和基于目标主轴的方法[13]。由于基于外接矩形的方法需要分割后的目标形状规则，对于目标分割的要求比较高；而基于主导边界的方法对目标轮廓的依赖比较高。对于本文中需要进行识别的飞机目标来说，采用基于目标主轴的方法是最佳的，因为基于目标主轴的方法的前提是SAR图像关于其主轴对称，显然飞机目标具有对称性，因此本文采用基于目标主轴的方法提取方位角。

本文的目标方位角定义为目标主轴与SAR图像距离向负向的夹角，因此要估计目标方位角需要获得目标主轴的直线方程。由于本文飞机目标具有对称性，因此可以通过拟合目标区域的所有像素点或者目标的峰值点来获得目标主轴，如图4所示。

对图5左侧的飞机目标，首先进行峰值提取，然后利用峰值进行方位角估计。已知该飞机目标的实际方位角为[340°]，采用基于目标主轴的方位角估计方法得到右侧图中的主轴，计算得到估计方位角为[335.84°]。因此可以设置目标方位角的置信区间为[325.84°，345.84°]和[14.16°，34.16°]，之后进行峰值点匹配则可以只搜索方位角位于该区间内的模板图像，大大提升了匹配效率。

3 本文算法

本文提出的算法步骤如下：

（1） 对SAR图像进行Frost滤波等预处理，然后对目标进行CFAR检测，获取目标感兴趣区域（RoI）。

（2） 采用基于8领域像素检测局部极大值的峰值提取方法提取目标的峰值点，构建目标峰值特征点集[P=P1，P2，…，PnT。]这里的[n]表示SAR图像目标峰值的数目，每个[Pii=1，2，…，n]表示待分类SAR图像上的一个峰值，它的属性为[Ai，xi，yi。]其中：[Ai]表示经过归一化处理后的[Pi]的幅值；[xi，yi]表示[Pi]的坐标值。然后对模板库中的图像进行相应的峰值提取处理。

（3） 利用基于目标主轴的方位角提取方法，得到目标方位角的估计值[θ]，设定置信区间[Δ，]将方位角位于[θ-Δ，θ+Δ]以及[180°+θ-Δ，180°+θ+Δ]范围内的模板图像作为待匹配模板。设该范围内的模板图像为[k]幅，从而得到集合[H=Hj， j∈1，k]。

（4） 对模板库检索得到的SAR图像集合[H]中的每个[Hj]，由于对模板图像都已进行过峰值提取，因此得到相应的集合[Qj=Qj1，Qj2，…，QjmjT。]其中[mj]表示[Hj]的峰值点数目，每个[Qjij∈1，mj]对应[Hj]的一个峰值，其属性为[Aji，xji，yji]。

由表2可以看出，M1的匹配精度和计算效率均高于M2和M3，而M4的匹配精度高于M1，但是计算效率远低于M1。

M1匹配精度远高于M3，是由于M3在计算误判概率时只考虑到匹配点之间的误差，且只实现了点集匹配的单向1?1匹配关系，容错性较差。由表1可以得知，大部分目标的峰值点数量大于模板的峰值点数量，两者的数量并不相等，因此本文算法考虑到了非匹配点对匹配代价函数的影响，提高了精度。同时也可以看出，M3的匹配速度比M1快很多，这是由于M3直接根据匹配准则进行判断，不需要进行迭代，因此匹配速度快。而M4的匹配精度比M1稍高，但是匹配效率远低于M1，因为M4需要进行大量复杂的矩阵运算。

为了进一步验证本文算法的性能，对算法的两方面进行对比。一方面，将不利用方位角信息的峰值匹配算法与本文利用方位角信息的峰值匹配算法进行对比；另一方面，将使用几何特征和纹理特征相结合的特征模板匹配算法与本文的峰值特征匹配算法进行对比。设不利用方位角信息的峰值匹配算法为M5，特征模板匹配算法为M6，可以得到表3。

由表3可以看出，利用方位角信息的峰值匹配算法比不利用方位角信息的峰值匹配算法的精度和效率都要高；这是因为利用方位角信息缩小了需要匹配的模板范围，减少了错误匹配的概率，也减少了进行匹配所需要的时间开销。由于本文使用的模板数据为仿真数据，因此使用仿真图像与实测图像的几何特征和纹理特征进行匹配会存在一定误差，匹配的精度要低于本文算法。

5 结 语

本文研究了SAR图像中飞机目标识别的问题，给出了一种基于峰值匹配的目标识别算法，该算法通过计算目标峰值点集合与模板峰值点集合的匹配代价函数获取最佳匹配关系，并且有效地利用了目标的方位角信息，提升了目标识别的效率。另外，利用实测飞机数据与仿真模板库数据进行实验，将本文算法与几何哈希法等算法进行比较，验证了本文算法在性能和效率上的提升。

参考文献

[1] 计科峰，高贵，贾承丽，等.一种利用方位角信息基于峰值匹配的SAR图像目标分类方法[J].信号处理，2005，21（z1）：526?530.

[2] KAPLAN L M. Improved SAR target detection via extended fractal features [J]. IEEE Transactions on Aerospace and Electronic Systems， 2001， 37（2）： 436?451.

[3] 任皓.SAR图像分类目标分类方法研究[D].长沙：国防科学技术大学，2009.

[4] MUJDAT C， WILLIAM C K， DAVID A C. Evaluation of a regularized SAR imaging technique based on recognition?oriented features [C]// 2000 SPIE Conference on Algorithms for Synthetic Aperture Radar Imagery Ⅶ. [S.l.]： SPIE， 2000， 4053： 1112?1117.endprint

[5] METH R， CHELLAPPA R. Automatic classification of targets in synthetic aperture radar imagery using topographic features [C]// 1996 SPIE Conference on Algorithms for Synthetic Aperture Radar Imagery Ⅲ. [S.l.]： SPIE， 1996， 2757： 186?193.

[6] BAJCSY P， CHAUDHURI A R. Benefits of high resolution SAR for ATR of targets In proximity [C]// Proceedings of 2002 IEEE International Conference on Radar. [S.l.]： IEEE， 2002： 29?34.

[7] HUMMEL R， ZUCKER S. On the foundations of relaxation labeling processes [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1983， 5（3）： 267?286.

[8] WOLFSON H J. Geometric hashing： an overview [J]. IEEE Computational Science & Engineering， 1997， 4（4）： 10?21.

[9] METH R， CHELLAPPA R. Target matching in synthetic aperture radar imagery using non?linear optimization technique [C]// 1999 SPIE Conference on Algorithms for Synthetic Aperture Radar Image. [S.l.]： SPIE， 1999， 3721： 532?543.

[10] 张翠，郦苏丹，邹涛，等.一种应用峰值特征匹配的SAR图象自动目标识别方法[J].中国图象图形学报，2002（7）：729?734.

[11] VOICE L I， PATTON R， MYLER H R. Multicriterion vehicle pose estimation for SAR?ATR [C]// SPIE conference on Algorithms for Synthetic Aperture Radar Imagery VI. [S.l.]： SPIE， 1999， 3721： 497?506.

[12] METH R. Target/shadow segmentation and aspect estimation in SAR Imagery [C]// SPIE conference on Algorithms for Synthetic Aperture Radar Imagery VI. [S.l.]： SPIE， 1998， 3370： 188?196.

[13] BAHNU B， JONES G. Recognition of articulated objects in SAR images [J]. Lecture Notes in Computer Science， 2000， 1899： 96?107.endprint