论文部分内容阅读
合成孔径雷达(Synthetic Aperture Radar,SAR)因为具备全天时、全天候的优势,成为敌方目标监视和现代战场侦察的重要手段。传统的SAR解译依赖于人工判读,不能满足战场实时性的需求。依据SAR目标识别数据源,现有的方法可分为基于模板的方法和基于模型的方法。一般来说,基于模板的方法由于模板图像数量有限而受到限制。基于模型的方法依托模型得到全方位的SAR图像,能灵活地模拟目标结构的变化,比基于模板的方法更具优势。在基于模型的方法中,三维电磁散射模型用参数化的语言描述目标的电磁散射特性,可提供大量的用于描述目标特性的信息特征,成为本文的研究重点。本文的研究工作主要围绕三维电磁散射模型展开,具体研究工作如下:一、在查阅国内外关于SAR目标识别及分类领域文献的基础上,对基于三维电磁散射模型的目标识别方法进行了综述,着重总结基于模型的目标识别发展历程,为后续提出的识别方法提供理论依据二、针对三维电磁散射模型与待匹配目标的空间失配问题提出了一种空间校正的方法。该方法立足于SAR目标识别预处理过程中的空间失配问题,对于模型与待匹配目标在同一投影平面下空间位置坐标不一致的空间失配现象,针对该问题,本文设计了空间失配校正算法。基于散射中心特征(空间位置与强度信息),得到两组散射中心点集,采用部分Hausdorff距离度量三维电磁散射模型图像与实测图像的失配程度,搜索最优的空间变换参数使得失配度最小,得到空间变换模型的校正参数来校正模型图像。实验采用MSTAR(Moving and Stationary Target Acquisition and Recognition)三类目标的电磁仿真数据构建失配环境。实验结果表明,在标准操作以及扩展操作条件下,所提出的校正算法可行有效。三、设计了基于三维电磁散射模型的区域匹配及目标识别方法。该方法将模型中的三维散射中心投影为二值区域,进而与测试样本的目标区域进行匹配。基于区域匹配的结果定义相似度准则来构建模型与测试样本的关联进行目标识别。实验采用MSTAR三类目标的电磁仿真数据进行了对提出方法进行性能测试并与两类经典的基于模板的方法进行对比。实验结果表明本文所提出的方法在标准操作条件和多种扩展操作条件下均能保持良好的识别性能,平均识别率为99.08%。四、设计了基于深度学习网络的SAR目标图像分类方法。所提出的方法基于深度残差网络学习表示目标特性的不变特征,从而在网络模型提取的特征空间中建立每个类的类心。对测试图像样本分类时,利用深度学习网络模型将待分类样本变换到类心所在空间,计算测试样本与各类目标的相似性。所提出的方法不依赖于对SAR目标特性描述的专业知识,利用数据驱动的方式就可以获得较好的分类结果,缩减了对分类目标建立模型的时间消耗。该方法在MSTAR三类目标数据集上获得了99.65%的分类准确率。此外,所提出的方法在MSTAR三类目标的电磁仿真数据的实验结果也达到了较高识别率,验证了所提出方法的有效性。