一种SAR雷达陆地坦克目标识别系统的制作方法

本发明涉及图像处理领域，特别地，涉及一种sar雷达陆地坦克目标识别系统。

背景技术

数字图像与模拟图像相比具有存储，传输方便可压缩、传输过程中不易失真、处理方便等巨大优势，这些都为图像识别技术的发展提供了强大的动力。物体的识别主要指的是对三维世界的客体及环境的感知和认识，属于高级的计算机视觉范畴。它是以数字图像处理与识别为基础的结合人工智能、系统学等学科的研究方向，其研究成果被广泛应用在各种工业及探测机器人上。现代图像识别技术的一个不足就是自适应性能差，一旦目标图像被较强的噪声污染或是目标图像有较大残缺往往就得不出理想的结果。其中基于sar图像的坦克目标检测已经有了广泛的研究，而坦克目标分类识别由于sar图像分辨率的限制才刚刚起步，已有的一些研究成果也由于研究不够透彻，模型的效果并不是很好。因此，积极开展基于高分辨率sar图像的坦克目标分类识别研究具有极其重大的意义。

技术实现要素：

为了克服目前基于sar图像的陆地坦克目标识别准确率不高的不足，本发明的目的在于提供一种实现实时分析的sar雷达陆地坦克目标识别系统。

本发明解决其技术问题所采用的技术方案是：一种sar雷达陆地坦克目标识别系统，包括sar雷达、数据库以及上位机，sar雷达、数据库和上位机依次相连，所述sar雷达对陆地进行实时监测，并将sar雷达获得的图像数据存储到所述的数据库中，所述的上位机包括：

图像预处理模块，用以进行sar雷达图像数据预处理，采用如下过程完成：

1)从数据库中传来的sar图像灰度级为l,f(x0,y0)为像素点(x0,y0)处的灰度值，g(x0,y0)为像素点(x0,y0)的n×n邻域内像素的平均值，其中x0,y0分别表示像素点的横坐标和纵坐标；

2)通过计算满足f＝m和g＝n的像素数目h(m,n)，得到二维联合概率密度pmn：

pmn＝p(m,n)＝h(m,n)/m

其中，m表示图像像素的总数目；

3)计算二维直方图的均值向量μ：

4)分别计算图像中目标和背景出现的概率p0,1和均值向量μ0,1：

其中，t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域；

5)计算类间方差bcv：

bcv＝p0(μ0-μ)(μ0-μ)′+p1(μ1-μ)(μ1-μ)′；

其中，μ表示均值向量，上标’表示矩阵的转置。

6)最佳阈值即为使得bcv为最大值时的二维阈值向量[s0,t0]：

特征提取模块，用以进行坦克典型特征的提取，采用如下过程完成：

1)从图像预处理模块传来的只包含一个坦克目标的sar图像切片i(m,n)，其中只包含目标区域的二值图为b(m,n)，则只包含目标的图像t(m,n)：

t(m,n)＝i(m,n)×b(m,n)

其中，×表示对应像素相乘；

2)在b(m,n)中根据坦克个体的主轴方向求得坦克主体区域的最小外接矩形，则该矩形的长边长度length即为坦克个体的长度，矩形的短边长度width即为坦克个体的宽度；

3)计算得到几何结构特征，其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量：

周长面积长宽比r＝length/width；形状复杂度c＝length²/4πs；目标区域的质心位置

转动惯量式中，r代表了目标像素点与质心之间的距离，

4)计算得到灰度统计特征，其中包括质量、均值、方差系数、标准差、分形维数、加权填充比：

质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和；分形维数h＝(log10n1-log10n2)/(log10d1-log10d2)，该特征的计算方法是：用分割后的sar图像切片构建一个保留了目标区域的k(这里取k＝50)个最亮像素点的二值图b2(m,n)，首先将一个大小为d1×d2的窗口在这个二值图中连续滑动，记下窗口中包含亮点的窗口总数记为n1，接着再用一个大小为d2×d2的窗口在这个二值图中连续滑动，记下在窗口中包含亮点的窗口总数记为n2；加权填充比

特征选择模块，用以选择出最优特征子集，采用如下过程完成：

1)计算类内距离类间距离以及类内类间距ji:

其中，i表示特征标号，ω表示坦克类别的标号，||fi^(ω)||2表示特征向量fi^(ω)的2范数，表示训练集样本的总体均值，nω表示第ω类坦克的数量，n表示训练集中坦克总数，e表示期望，下标w、下标b分别表示类内、类间。

2)计算得到归一化方差系数ρi^(ω)：

其中，i表示特征标号，ω表示坦克类别的标号，||fi^(ω)||2表示特征向量fi^(ω)的2范数，和e²[||fi^(ω)||2]分别表示特征的平方均值以及均值的平方。特征的方差系数ρi^(ω)越小，表明该目标特征的稳定性越好；

3)计算得到相关系数ri,j：

其中，i,j表示特征标号，||fi||2表示特征fi的2范数，和分别表示fi和fj的均值，σi,i和σj,j分别表示fi和fj的标准差。由相关系数的性质可知，0≤ri,j≤1；如果两个特征完全不相关，ri,j＝0；如果两个特征完全相关，ri,j＝1；如果两个特征之间的相关性很低，即特征之间的信息冗余非常少，那么ri,j就会越接近0；反之，如果两个特征之间的相关性很高，即特征之间的信息冗余非常多，那么ri,j就会越接近1；

4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集，构造最优输入特征向量；

分类器训练模块，用以进行分类器训练，采用如下过程完成：

1)从特征选择模块中采集n个sar雷达图像xi作为训练样本，i＝1,2,…,n；

2)对训练样本进行归一化处理，得到归一化样本

3)将归一化后的训练样本重构，分别得到输入矩阵x和对应的输出矩阵y:

其中，d表示重构维数，d为自然数，且d<n,d的取值范围为50-70；

4)将得到的x,y代入如下分类器：

y＝w^tφ(x)+e

其中，φ(·)是核函数矩阵，w为权重系数矩阵，e为残差矩阵，核函数的似然函数为：

其中，t为样本目标的分类值，σ²为坦克样本的方差，直接用最大似然估计的方法求解w,σ²，通常会导致严重的过拟合现象，使w中的元素大部分不是0，失去了稀疏性。为了避免这一现象，引入高斯先验来解决这一问题，即定义权重w的先验分布为依赖于超参数α的高斯分布：

其中，α＝(α0,α1,…,αm)^t为超参数，决定分类器的稀疏性。由贝叶斯准则，可得权重向量w的后验似然分布为：

该权值的后验分布属于多变量高斯分布，其后验协方差和后验均值分别为：

σ＝(σ^-2φ^tφ+a)^-1

μ＝σ^-2σφ^tt

其中，a＝diag(α0,α1,…,αm)为超参数的对角矩阵。通过最大化边缘似然函数化求得最大似然估计点αmp，如下：

其中，i为单位矩阵。通过得到的α＝αmp代入式求得均值的点估计μmp，从而得到最后坦克分类的估计值t＝φμmp。采用自下向上系统来更新超参数α，即快速边缘最大化算法。在迭代过程中，大部分的αi会接近无穷大，即相应的wi为0，其基函数可以被删除，从而达到稀疏性。其他的αi会接近有限值，与之对应的非零μmp的数目也很少，这些元素称为相关向量。引入稀疏因子si和质量因子qi：

其中，b＝σ²i+φa^-1φ^t，表示该矩阵中去掉第i个基向量后得到的相应矩阵。si是衡量基向量是否在系统中存在的依据；qi是某一个基向量排除在系统外的误差调整尺度。可得：

在训练的rvm坦克分类器中：

当αi＝∞，而更新的则系统中添加基向量且求得αi；

当αi<∞，且则删除并且设置αi＝∞；

当αi<∞，且则保留修正αi；

当max|δαi|<10^-3时，表明分类器已经收敛，wi和αi的更新迭代过程结束。

快速算法是针对每一个输入向量进行添加、删除和修正，避免了进行大矩阵求逆运算，同时每一步迭代都保证边缘似然目标函数的递增，确保迭代的收敛性。

结果显示模块，用以进行识别结果的显示，即将输入sar图像中坦克的类型显示在屏幕当中。

本发明的技术构思为：本发明针对sar雷达全天时、全天候工作以及强穿透的特性，对sar雷达监测到的陆地图像进行图像预处理，接着进行特征的提取以及特征的选择，最后通过分类器的训练过程建立陆地坦克目标识别模型，从而实现sar雷达陆地坦克目标的识别。

本发明的有益效果主要表现在：1、可实时识别陆地坦克目标；2、所用的识别方法只需较少的训练样本；3、识别正确率高。

附图说明

图1是本发明所提出的系统的整体结构图；

图2是本发明所提出的上位机的功能模块图。

具体实施方式

下面根据附图具体说明本发明。上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

实施例

参照图1、图2，一种sar雷达陆地坦克目标识别系统，包括sar雷达1、数据库2及上位机3，sar雷达1、数据库2和上位机3依次相连，所述sar雷达1对所监测陆地进行照射，并将sar雷达图像存储到所述的数据库2，所述的上位机3包括：

图像预处理模块4，用以进行sar雷达图像数据预处理，采用如下过程完成：

1)从数据库中传来的sar图像灰度级为l,f(x0,y0)为像素点(x0,y0)处的灰度值，g(x0,y0)为像素点(x0,y0)的n×n邻域内像素的平均值，其中x0,y0分别表示像素点的横坐标和纵坐标；

2)通过计算满足f＝m和g＝n的像素数目h(m,n)，得到二维联合概率密度pmn：

pmn＝p(m,n)＝h(m,n)/m

其中，m表示图像像素的总数目；

3)计算二维直方图的均值向量μ：

4)分别计算图像中目标和背景出现的概率p0,1和均值向量μ0,1：

其中，t、s、下标0、下标1分别表示f分割阈值、g分割阈值、目标区域、背景区域；

5)计算类间方差bcv：

bcv＝p0(μ0-μ)(μ0-μ)′+p1(μ1-μ)(μ1-μ)′；

其中，μ表示均值向量，上标’表示矩阵的转置。

6)最佳阈值即为使得bcv为最大值时的二维阈值向量[s0,t0]：

特征提取模块5，用以进行坦克典型特征的提取，采用如下过程完成：

1)从图像预处理模块传来的只包含一个坦克目标的sar图像切片i(m,n)，其中只包含目标区域的二值图为b(m,n)，则只包含目标的图像t(m,n)：

t(m,n)＝i(m,n)×b(m,n)

其中，×表示对应像素相乘；

2)在b(m,n)中根据坦克个体的主轴方向求得坦克主体区域的最小外接矩形，则该矩形的长边长度length即为坦克个体的长度，矩形的短边长度width即为坦克个体的宽度；

3)计算得到几何结构特征，其中包括周长、面积、长宽比、形状复杂度、目标质心位置以及转动惯量：

周长面积长宽比r＝length/width；形状复杂度c＝length²/4πs；目标区域的质心位置

转动惯量式中，r代表了目标像素点与质心之间的距离，

4)计算得到灰度统计特征，其中包括质量、均值、方差系数、标准差、分形维数、加权填充比：

质量均值方差系数标准差式中分别表示灰度对数和、灰度对数平方和；分形维数该特征的计算方法是：用分割后的sar图像切片构建一个保留了目标区域的k(这里取k＝50)个最亮像素点的二值图b2(m,n)，首先将一个大小为d1×d2的窗口在这个二值图中连续滑动，记下窗口中包含亮点的窗口总数记为n1，接着再用一个大小为d2×d2的窗口在这个二值图中连续滑动，记下在窗口中包含亮点的窗口总数记为n2；加权填充比

特征选择模块6，用以选择出最优特征子集，采用如下过程完成：

1)计算类内距离类间距离以及类内类间距ji:

其中，i表示特征标号，ω表示坦克类别的标号，||fi^(ω)||2表示特征向量fi^(ω)的2范数，表示训练集样本的总体均值，nω表示第ω类坦克的数量，n表示训练集中坦克总数，e表示期望，下标w、下标b分别表示类内、类间。

2)计算得到归一化方差系数ρi^(ω)：

其中，i表示特征标号，ω表示坦克类别的标号，||fi^(ω)||2表示特征向量fi^(ω)的2范数，和e2[||fi(ω)||2]分别表示特征的平方均值以及均值的平方。特征的方差系数ρi^(ω)越小，表明该目标特征的稳定性越好；

3)计算得到相关系数ri,j：

其中，i,j表示特征标号，||fi||2表示特征fi的2范数，和分别表示fi和fj的均值，σi,i和σj,j分别表示fi和fj的标准差。由相关系数的性质可知，0≤ri,j≤1；如果两个特征完全不相关，ri,j＝0；如果两个特征完全相关，ri,j＝1；如果两个特征之间的相关性很低，即特征之间的信息冗余非常少，那么ri,j就会越接近0；反之，如果两个特征之间的相关性很高，即特征之间的信息冗余非常多，那么ri,j就会越接近1；

4)通过上述得到的类内类间距、归一化方差系数、相关系数筛选出最优特征子集，构造最优输入特征向量；

分类器训练模块7，用以进行分类器训练，采用如下过程完成：

1)从特征选择模块中采集n个sar雷达图像xi作为训练样本，i＝1,2,…,n；

2)对训练样本进行归一化处理，得到归一化样本

3)将归一化后的训练样本重构，分别得到输入矩阵x和对应的输出矩阵y:

其中，d表示重构维数，d为自然数，且d<n,d的取值范围为50-70；

4)将得到的x,y代入如下分类器：

y＝w^tφ(x)+e

其中，φ(·)是核函数矩阵，w为权重系数矩阵，e为残差矩阵，核函数的似然函数为：

其中，t为样本目标的分类值，σ2为坦克样本的方差，直接用最大似然估计的方法求解w,σ²，通常会导致严重的过拟合现象，使w中的元素大部分不是0，失去了稀疏性。为了避免这一现象，引入高斯先验来解决这一问题，即定义权重w的先验分布为依赖于超参数α的高斯分布：

其中，α＝(α0,α1,…,αm)^t为超参数，决定分类器的稀疏性。由贝叶斯准则，可得权重向量w的后验似然分布为：

该权值的后验分布属于多变量高斯分布，其后验协方差和后验均值分别为：

σ＝(σ^-2φ^tφ+a)^-1

μ＝σ^-2σφ^tt

其中，a＝diag(α0,α1,…,αm)为超参数的对角矩阵。通过最大化边缘似然函数化求得最大似然估计点αmp，如下：

其中，i为单位矩阵。通过得到的α＝αmp代入式求得均值的点估计μmp，从而得到最后坦克分类的估计值t＝φμmp。采用自下向上系统来更新超参数α，即快速边缘最大化算法。在迭代过程中，大部分的αi会接近无穷大，即相应的wi为0，其基函数可以被删除，从而达到稀疏性。其他的αi会接近有限值，与之对应的非零μmp的数目也很少，这些元素称为相关向量。引入稀疏因子si和质量因子qi：

其中，b＝σ²i+φa^-1φ^t，表示该矩阵中去掉第i个基向量后得到的相应矩阵。si是衡量基向量是否在系统中存在的依据；qi是某一个基向量排除在系统外的误差调整尺度。可得：

在训练的rvm坦克分类器中：

当αi＝∞，而更新的则系统中添加基向量且求得αi；

当αi<∞，且则删除并且设置αi＝∞；

当αi<∞，且则保留修正αi；

当max|δαi|<10^-3时，表明分类器已经收敛，wi和αi的更新迭代过程结束。

快速算法是针对每一个输入向量进行添加、删除和修正，避免了进行大矩阵求逆运算，同时每一步迭代都保证边缘似然目标函数的递增，确保迭代的收敛性。

结果显示模块8，用以进行识别结果的显示，即将输入sar图像中坦克的类型显示在屏幕当中。

所述上位机3的硬件部分包括：i/o元件，用于数据的采集和信息的传递；数据存储器，存储运行所需要的数据样本和运行参数等；程序存储器，存储实现功能模块的软件程序；运算器，执行程序，实现指定的功能；显示模块，显示设置的参数和识别结果。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。