一种多源特征融合的SAR图像自动目标识别方法与流程

本发明属于雷达目标识别技术领域，尤其涉及一种sar图像多源特征融合的自动目标识别方法。可用于sar图像的目标分类与识别。

背景技术：

合成孔径雷达(syntheticapertureradar,sar)作为一种主动式微波成像传感器，应用于主动雷达导引头，具有全天候，全天时的探测能力，在复杂战场环境中具有较强的自主性和抗干扰能力。但是受sar成像分辨率较低，图像扭曲和包含背景等严重影响给目标识别带来了严峻挑战。

目前关于原始sar图像通过多源特征融合，增加目标信息利用率，克服单源传感器对目标信息获取的片面性，提升自动目标图像识别精度和鲁棒研究既是难点也是热点。一方面由于原始sar图像对方位角等参数敏感，将不同视角图像融合为一幅独立图像效果并不理想。另一方面不同类别的特征融合本身就十分困难，因此多源特征融合的目标识别方法需要进一步探索和研究。

技术实现要素：

本发明的发明目的在于：针对目标大小，方位，旋转等变化以及强杂波背景给目标识别带来的严重影响，提出将目标三维模型投影到二维平面，采用余弦傅里叶不变矩和瑞利分布的cfar检测方法分别对其余弦傅里叶矩和峰值特征进行提取，并利用级联融合分类器对目标进行特征级融合识别，实现了在特征维数高和姿态变化下的目标识别，而不额外增加对制导控制系统开销。本发明具有识别实时性好，识别结果鲁棒性强和识别精度高等特点。

本发明的技术方案包括如下：

一、方案思路

采用余弦傅里叶矩和瑞利分布的cfar检测方法分别对目标投影后的二维图像和原始sar图像进行特征提取，构建目标图像的矩和峰值特征向量的级联融合分类器，实现多源特征融合在目标特征维数高和姿态变化下目标识别的目的。

二、实现步骤

本发明提出的一种多源特征融合的原始sar图像自动目标识别方法，包括如下步骤：

步骤s1：输入不同目标的原始sar图像作为练样本集，并对训练样本集进行预处理：

s101：基于目标三维外形仿真数据，建立原始sar图像的目标三维形状模型，并将所述三维模型投影到二维平面，得到笛卡尔坐标下的二维图像f(x,y)，并对图像f(x,y)进行标准化处理，得到标准化后的图像f(m,n)，以及计算图像f(m,n)的极坐标图像，得到模型投影极坐标图像f(r,θ)；

s102：对原始sar图像进行二值化处理后，再进行边缘检测，得到边缘图像，再将边缘图像从笛卡尔坐标变换到极坐标，得到sar极坐标图像f′(r′,θ′)，其中边缘检测可以是惯用的任一方法，例如梯度边缘检测算法。

s103：对原始sar图像进行目标切片处理，得到原始sar图像目标切片。

步骤s2：采用余弦傅里叶矩特征提取方法，分别对训练样本集的模型投影极坐标图像f(r,θ)、极坐标形式图像f′(r′,θ′)进行矩特征提取，得到训练样本的矩特征。

步骤s3：对训练样本集的原始sar图像目标切片进行峰值特征提取。

步骤s301：对原始sar图像目标切片进行目标与背景检测：

将瑞利分布带入cfar(恒虚警率)检测算子中可得：其中，bs为瑞利分布形状参数，z表示杂波强度。化解pfa，可得从而可得基于瑞利分布滑动窗口cfar检测算子的阈值

基于阈值t对原始sar图像目标切片中的目标、背景进行检测分割：若原始sar图像目标切片的局部中心像素xc＞t，则xc为目标像素，否则xc为背景像素；由原始sar图像目标切片的目标像素得到目标分割图像；

步骤s302：采用ω×ω的矩形形态学滤波器对步骤s301的分割图像进行闭滤波处理，再对闭滤波处理后的分割图像进行计数滤波处理，剔除滤波窗口结构区域中峰值像素(滤波窗口结构区域中大于预设阈值的像素)填充率不大于(20±5)％的中心像素，得到计数滤波结果。其中，计数滤波的滤波窗口结构可以是矩形或者圆形，若为矩形，则矩形的最长的边的尺寸为ω；若为圆形，则其直接为ω，ω为预设值，取决于原始sar图像目标切片的本身大小，如5、6等。

将计数滤波后的目标分割图像中的非零值设为1，其它设为0，得到和目标分割图像同样大小的掩膜模板。为增强滤波后图像中目标区域的信息，利用掩膜模板与原始sar图像对应项(同一位置像素)相乘，得到最终目标分割图像。

步骤s303：对步骤s302得到的最终目标分割图像进行峰值特征提取：

计算最终目标分割图像的各像素的度量值pij，其中下标为像素的坐标标识符：

其中aij表示当前像素的像素值，顶点u(aij)表示以aij为中心的邻域(如以八领域)，am,n表示aij的邻域u(aij)中的单个像素值；σ为最终目标分割图像的像素强度的标准差。

若度量值pij为1，则当前像素为峰值像素，即当前像素为峰值点像素；度量值pij为0，则表示当前像素为非峰值像素。

步骤s304：对最终目标分割图像中提取的所有峰值点的幅度进行归一化处理，得到相对目标峰值幅值：其中，xj表示最终目标分割图像的第j个峰值点，v表示最终目标分割图像的峰值点数目，a(xj)表示第j个峰值点xj的幅值。

步骤s4：建立级联融合分类器。

步骤s401：利用svm(向量支持机)分类器作为第一级特征分类器，基于预设类别数目h，对各训练样本的矩特征向量进行svm分类器训练，得到h个svm类别模板，完成第一级特征分类器训练。

步骤s402：利用峰值匹配分类器作为第二级特征分类器，基于预设类别数目h，对各训练样本的峰值特征向量进行峰值匹配分类器训练，得到h个峰值特征类别的模板，完成第二级特征分类器训练。

步骤s403：由第一级、第二级特征分类器的级联得到级联融合分类器.

步骤s5：输入待识别的sar图像，进行特征提取，完成目标识别处理。

步骤s501：对待识别sar图像进行预处理：

采用步骤s101相同的处理方式，得到待识别sar图像的模型投影极坐标图像f(r,θ)，采用步骤s102相同的处理方式，得到待识别sar图像的sar极坐标图像f′(r′,θ′)；

对待识别sar图像进行目标切片处理，得到待识别sar图像目标切片；

步骤s502：采用余弦傅里叶矩特征提取方法，分别对待识别sar图像的模型投影极坐标图像f(r,θ)、sar极坐标图像f′(r′,θ′)进行矩特征提取，得到待识别sar图像的矩特征；

步骤s503：将待识别sar图像的矩特征向量(简称待识别对象)输入第一级特征分类器进行初级分类识别，则第一级特征分类器输出的待识别对象属于各类别的后验概率集合为pset＝{p1,p2,...,ph}，将待识别对象为k的分类置信度表示为：其中，i＝1,…,h，为集合pset中除之外其他元素构成的集合，pi表示待识别对象属于各类别的后验概率。

若置信度小于或等于置信阈值，则继续进行第二级特征分类器的识别处理，并将后验概率集合pset当作峰值特征匹配识别过程中先验信息的输入；否则，输出第一级特征分类器的识别结果，即后验概率集合为pset＝{p1,p2,...,ph}中取值最大的后验概率所对应的类别为当前待识别对象的识别结果。

步骤s504：利用峰值匹配分类器进行第二级特征分类器的识别处理：

用g＝{g1,g2,...,gh}表示识别的sar图像与第二级特征分类器的类别模板之间的相似度集合，即峰值特征相似度集合为g，将峰值匹配分类器输出的目标相似度gi(i＝1,…,h)进行增大变换，则变换后的相似度g′i为：其中,k为峰值特征相似度集合g中互斥特征相似度标号；

步骤s505：由后验概率pi与增大变换后的目标相似度g′i之和得到级联融合分类器的分类识别度量值di，即di＝pi+g′i，其中i＝1,…,h；

再由h个di的最大值得到当前输入待识别的sar图像的所属类别。

本发明在提取原始sar图像的矩特征时，对投影图像优先进行标准化处理，可显著减少目标特征视图数量；以及步骤2是采用余弦傅里叶不变矩对三维目标模型在二维平面的投影图像进行矩特征提取，以充分利用其在平移、旋转、伸缩情况下的不变特性，使得特征维数降低而减少计算量；级联融合分类器的采用，提高了本发明的识别概率和鲁棒性。且在整个识别处理过程中，发明无需人工干预，自动完成目标识别。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、识别的实时性有所提高：本发明采用余弦傅里叶矩对不变矩特征提取，避免预先存储所有不断变化的位置、距离、姿态等信息减少了冗余视图特征，使得计算量降低。

2、识别的鲁棒性有所增强：本发明采用基于svm和匹配算法结合的级联融合分类器对矩特征和峰值特征进行了两次识别，增强了该方法识别结果鲁棒性。

3、识别性能有所提高：与采用单一的svm方法和匹配算法等相比，本发明采用多源特征融合方法更易于目标识别且不额外增加制导系统开销。

附图说明

图1为本发明实施例提供的目标方法实现流程示意图；

图2为本发明为本发明实施例实现方法图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。

本发明针对目标存在方位模板缺失时导致单一识别算法识别概率不高和鲁棒性不强的问题，引入目标cad(computeraideddesign,计算机辅助建模)模型投影图像方法填补目标方位角存在缺失的情形，并提取其矩特征辅助峰值特征识别。以提升对原始sar图像的目标识别的实时性、识别结果鲁棒性和识别精度。参见图1、2，本发明具体实施步骤如下：

步骤s1：读取不同目标的原始sar图像，作为本具体实施方式的训练样本集和测试样本集。并对训练样本集和测试样本集进行预处理：

s101：基于目标三维外形仿真数据，建立原始sar图像的目标三维形状模型，并将所述三维模型投影到二维平面，得到笛卡尔坐标下的二维图像f(x,y)，并对图像f(x,y)进行标准化处理，得到标准化后的图像f(m,n)，以及计算图像f(m,n)的极坐标图像，得到模型投影极坐标图像f(r,θ)；

s102：对原始sar图像进行二值化处理后，再通过梯度边缘检测算法对二值化处理后的原始sar图像进行边缘检测，得到边缘图像，再将边缘图像从笛卡尔坐标变换到极坐标，得到sar极坐标图像f′(r′,θ′)；

s103：对原始sar图像进行目标切片处理，得到原始sar图像目标切片。

步骤s2：采用余弦傅里叶矩特征提取方法，分别提取训练样本集、测试样本集的矩特征。即分别对训练样本集的模型投影极坐标图像f(r,θ)、sar极坐标图像f′(r′,θ′)进行矩特征提取，得到训练样本的矩特征；分别对测试样本集的模型投影极坐标图像f(r,θ)、sar极坐标图像f′(r′,θ′)进行矩特征提取，得到测试样本的矩特征。

步骤s3：对训练样本和测试样本分别进行峰值特征提取，提取对象为原始sar图像目标切片。

步骤s301：对原始sar图像切片中的目标与背景进行检测，根据瑞利分布：

其中，bs为瑞利分布的形状参数，z表示杂波强度。

将公式(1)带入cfar检测算子中可得：

化解公式(2)可得：

因此，得到基于瑞利分布滑动窗口cfar检测算法的阈值t为：

步骤s302：基于阈值t对原始sar图像目标切片中的目标、背景进行分割：若原始sar图像目标切片的目标局部中心像素xc＞t，则xc为目标像素，否则xc为背景像素；由原始sar图像目标切片的目标像素得到目标分割图像；

步骤s303：采用5×5的矩形形态学滤波器对步骤s302的目标分割图像进行闭滤波处理，再对闭滤波处理后的目标分割图像进行计数滤波处理，剔除滤波窗口结构区域中峰值像素填充率不大于(20±5)％的中心像素，得到计数滤波结果；

将计数滤波结果后的非零值设为1，其它设为0，得到和目标分割图像同样大小的掩膜模板。为增强滤波后图像中目标区域的信息，利用掩膜模板与原始sar图像对应项(同一位置像素)相乘，得到最终目标分割图像。

步骤s304：对步骤s303得到的最终目标分割图像进行峰值特征提取：

分别对最终目标分割后图像目标的行顶点，列顶点和二维顶点进行峰值特征提取，即可得到原始sar图像峰值特征。计算最终目标分割图像的各像素的度量值pij：

其中，下标i、j为像素的坐标标识符，aij表示当前像素的像素值，顶点u(aij)表示以aij为中心的八邻域，am,n表示aij的八个邻域u(aij)中的单个像素值，σ为最终目标分割图像的像素强度的标准差；

若当前像素点的度量值pij为1，则将当前像素记为峰值像素点，否则为背景杂波；

步骤s305：对最终目标分割图像中的所有峰值点的幅度进行归一化处理，得到相对目标峰值幅值：

其中，xj表示最终目标分割图像的第j个峰值点，v表示最终目标分割图像的峰值点数目，a(xj)表示第j个峰值点xj的幅度值。

到此完成训练样本、测试样本的峰值特征提取和归一化处理。

步骤s4：基于训练样本构建级联融合分类器：

步骤s401：基于预设类别数目h，对各训练样本的矩特征向量进行svm分类器训练，得到h个svm类别模板，完成第一级特征分类器训练。

步骤s402：基于预设类别数目h，对各训练样本的峰值特征向量进行峰值匹配分类器训练，得到h个峰值特征类别的匹配模板，完成第二级特征分类器训练。

步骤s403：由第一级、第二级特征分类器的级联得到级联融合分类器。

步骤s5：基于训练好的级联融合分类器对测试样本进行类别识别处理：

步骤s501：将测试样本的矩特征向量输入第一级特征分类器进行初级分类识别，则第一级特征分类器输出的测试样本属于各类别的后验概率集合为pset＝{p1,p2,...,ph}，因此各测试样本的分类置信度可表示为：

其中，k为任意测试样本标识符，为集合pset中除之外其他元素构成的集合。

对于测试样本k而言，若其分类置信度conf(k)大于给定的阈值，则直接输出第一级特征分类器的识别结果，即后验概率集合为pset＝{p1,p2,...,ph}中取值最大的后验概率所对应的类别标识为当前测试样本的识别结果。

否则，继续进入到第二级特征分类器的二次分类识别，即执行步骤s502。

步骤s502：将测试样本的峰值特征向量输入第二级特征分类器，并将第一级特征分类器的后验概率集合当作峰值特征匹配识别过程中先验信息的输入。

为增加所提取的峰值特征相似度之间的差异性，对选择的测试样本与峰值类别匹配模板之间的相似度集合设为g＝{g1,g2,...,gh}。

将峰值匹配分类器输出的目标相似度gi进行增大变换，则峰值特征gi变换后的相似度g′i为：

其中,k为峰值特征相似度集合g中互斥特征相似度标号。

步骤s503：将svm分类器的后验概率pi作为第一级特征分类器的识别度量值，将峰值匹配分类器的相似度g′i作为第二级特征分类器的识别度量值，取两级识别度量值之和得到级联融合分类器的分类识别度量值di：

di＝pi+g′i(9)

判决h个di中的最大值所对应的类别为当前测试样本所属类别。

综上，本发明实施例的一种多源特征融合的sar图像自动目标识别方法在目标存在各种姿态变化时，仍能保证较高的识别率。