论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)自动目标识别(AutomaticTarget Recognition,ATR)系统在没有人工干预的条件下，自动解译SAR传感器获得的图像数据，在较短时间内从场景中检测并识别感兴趣的目标。SARATR为侦察数据处理、战场监视等任务提供支持，具有重要应用价值。SARATR的处理流程可以拆分为三个步骤:检测(Detection)、鉴别(Discrimination)、分类(Classification)，本文对SAR ATR的三个步骤分别进行了研究，论文的主要贡献包括: 1.检测方面，提出了基于SAR图像样本集合的本征维数检测人造目标的方法。该方法不依赖于图像像素强度，而是估计出各感兴趣区域(Region ofInterest，ROI)不同方位角获取的图像样本集合在高维度空间中的本征维数，根据本征维数的大小定量衡量ROI内目标更趋近人造或是自然，由此检测出人造目标。采用美国空军研究实验室Gotcha项目实测数据将本文方法与当前以分形维数检测人造目标的方法进行了对比，结果显示本征维数方法具有不依赖于图像强度的特点，并且在目标形态刻画上比分形维数方法取得更好效果。 2.鉴别方面，针对成像仰角较大时圆迹SAR图像中车辆目标多视角叠掩严重地影响目标鉴别的问题，提出了基于低秩稀疏矩阵分解的车辆目标多视角叠掩消除方法。该方法将不同方位角的子孔径图像向量化后堆叠形成矩阵，以健壮正交归一化子空间学习(Robust Orthonormal SubspaceLearning，ROSL)将该矩阵分解为低秩矩阵与稀疏矩阵，叠掩被分离到稀疏矩阵中得以消除。以Gotcha项目实测数据与CVDomes项目电磁仿真数据对该方法进行了验证，结果显示车辆目标的多视角叠掩得到有效消除，叠掩消除后目标形态不再强烈依赖于成像仰角，有利于车辆目标的鉴别。 3.分类方面，研究了结合非负矩阵分解(Non-negative Matrix Factorization，NMF)与稀疏表示分类(Sparse Representation Classification，SRC)的SAR目标分类方法，记为NMF+SRC。当前SAR领域的研究中采用稀疏表示分类方法时以原始图像或主成分系数等低维特征编码作为字典，均未考虑SAR图像本身的特点。SAR图像中的目标可由局部强散射点的组合描述，而NMF是提取图像局部特征的有效方法。本文结合当前NMF与SRC两方面的研究，通过训练样本集合的NMF得到非负局部特征以及与之对应的低维特征编码，然后以该特征编码作为字典进行稀疏表示分类。采用Gotcha项目民用车辆目标的实测数据进行了三目标分类实验，结果显示在不同信噪比条件下NMF+SRC的分类正确率均优于广泛采用的由降采样、随机投影、主成分分析进行特征提取的稀疏表示分类方法。此外，还通过实验对比了非负约束的稀疏表示分类(Non-negativeSRC，NSRC)（即在求解稀疏表示问题时对稀疏表示系数进行额外的非负约束）与标准SRC的性能差别，结果显示NSRC导致分类正确率下降，故针对分类问题不宜在求解稀疏表示问题时进行非负约束。