關(guān)鍵詞：超分辨 ISAR成像 目標(biāo)識(shí)別 RBF神經(jīng)網(wǎng)絡(luò)
隨著雷達(dá)技術(shù)和信號(hào)處理技術(shù)的發(fā)展以及現(xiàn)代戰(zhàn)爭(zhēng)需求的不斷提高,要求雷達(dá)系統(tǒng)不僅能發(fā)現(xiàn)和跟蹤目標(biāo),同時(shí)也應(yīng)對(duì)感興趣的目標(biāo)進(jìn)行識(shí)別分類。目前雷達(dá)目標(biāo)識(shí)別主要分為兩類:基于特征量提取的目標(biāo)識(shí)別和基于成像的目標(biāo)識(shí)別。由于分辨率的限制和光學(xué)圖像存在很大差異,一般來說雷達(dá)圖像只具有表征意義,基于成像的目標(biāo)識(shí)別過程也就是對(duì)圖像進(jìn)行理解的過程。因此,要提高識(shí)別率,提高雷達(dá)成像的分辨率無疑是一條主要途徑。本文采用基于熵譜估計(jì)的AR模型法外推數(shù)據(jù),并在此基礎(chǔ)上利用FFT進(jìn)行成像,較好地解決了分辨率問題[1]。
要完成對(duì)ISAR圖像的自動(dòng)類屬判別,選取合適的特征至關(guān)重要。本文選取四個(gè)特征:幾何矩[2]、基于幾何矩的不變量[2]、形狀特征[3]、量化能量帶[4],這些特征對(duì)于飛機(jī)目標(biāo)有較好的同類聚合性和異類分離性,在此基礎(chǔ)上進(jìn)行識(shí)別可以較好地完成自動(dòng)目標(biāo)識(shí)別任務(wù)。
選取合適的特征以后,就需要選擇恰當(dāng)?shù)哪Ｊ阶R(shí)別方法。徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)[5]是典型的前向神經(jīng)網(wǎng)絡(luò),它具有訓(xùn)練速度快、能夠收斂到全局點(diǎn)、具有逼近等優(yōu)點(diǎn),在函數(shù)擬合和分類上得到了廣泛的應(yīng)用。本文采用RBF神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練和識(shí)別以上特征,達(dá)到了較高的識(shí)別率。
1 基于熵譜估計(jì)的超分辨ISAR成像結(jié)果
假設(shè)SN×M為觀測(cè)數(shù)據(jù),M為采樣大小,N為回波個(gè)數(shù),根據(jù)AR模型,觀測(cè)數(shù)據(jù)外推公式如下:
本文參照參考文獻(xiàn)[1]的方法對(duì)數(shù)據(jù)進(jìn)行外推處理,并在此基礎(chǔ)上進(jìn)行ISAR成像。采用的數(shù)據(jù)為C波段精密跟蹤雷達(dá)采集到的數(shù)據(jù),雷達(dá)帶寬為400MHz,脈寬為25.6μs,雷達(dá)去斜率解調(diào)后直接采樣,采樣率為10MHz,采樣分辨率為8位。所選擇的目標(biāo)為雅克-42飛機(jī)、雅克-44飛機(jī)、安-26飛機(jī)和漿狀飛機(jī)。圖1～圖4分別是對(duì)四個(gè)目標(biāo)某段數(shù)據(jù)的成像結(jié)果。
圖1 雅克-42飛機(jī)成像結(jié)果 圖2 漿狀飛機(jī)成像結(jié)果
圖3 安-26飛機(jī)成像結(jié)果 圖4 雅克-44飛機(jī)成像結(jié)果
2 ISAR圖像特征分析
本文介紹的識(shí)別系統(tǒng)研究了四個(gè)特征:幾何矩、基于幾何矩的不變量、形狀特征、量化能量帶,下面分別予以闡述。
2．1 幾何矩
給定一幅二維M×N的灰度圖像f(x,y),x=0,...,M-1,y=0,...,N-1。第p+q階幾何原點(diǎn)矩定義為:
為了使這些瞬態(tài)量具有平移不變性,定義中心矩如下:
式中, 
進(jìn)一步對(duì)中心矩進(jìn)行如下歸一化,使它對(duì)縮放不敏感:
2．2 基于幾何矩的不變量
由于兩個(gè)相鄰角度的圖像中強(qiáng)散射中心分布有一定的穩(wěn)定性,從數(shù)字圖像的矩陣形式入手,將這個(gè)圖像看作若干個(gè)圖像的加權(quán)和,圖像的像素即為加權(quán)系數(shù)。當(dāng)對(duì)圖像作正交變換時(shí),原圖像可以表示為基圖像的加權(quán)和,基圖像的系數(shù)反映了其與原圖像的相關(guān)性。系數(shù)較大的說明相關(guān)性較大,如果特征空間就是基圖像空間,那么可以用較大的基圖像系數(shù)表征圖像。這種以圖像分布的各階幾何矩來描述灰度的分布特性的描述方法具有平移、旋轉(zhuǎn)、縮放不變性。根據(jù)(5)式,定義一組非線性函數(shù)如下(它們對(duì)于旋轉(zhuǎn)、平移、縮放均不敏感):
2．3 形狀特征
本文研究四個(gè)常用且有效的形狀特征:
·面積特征A:定義為ISAR灰度圖像的非0像素個(gè)數(shù)
·周長(zhǎng)特征C:定義為ISAR灰度圖像的邊界非0像素個(gè)數(shù)
·緊密度S:定義為 
·離心度E:定義為 
2．4 量化能量帶
參考圖5,主軸定義為協(xié)方差矩陣的特征值?姿對(duì)應(yīng)的特征向量,條帶的寬度正比于λ。在本文的實(shí)驗(yàn)中,選擇比例系數(shù)為常數(shù)10e-5,這樣六個(gè)條帶就可以覆蓋目標(biāo)的大部分。在每個(gè)條帶中,特征Fj定義為:
式中,Mj是條帶j的像素個(gè)數(shù),Ri是像素i到主軸的距離,Si是像素i的能量。在這里,把像素的灰度值直接用作能量。
圖5 能量帶示意圖
圖6 RBF網(wǎng)絡(luò)結(jié)構(gòu)
3 RBF神經(jīng)網(wǎng)絡(luò)方法[5]及識(shí)別結(jié)果
本文采用RBF神經(jīng)網(wǎng)絡(luò)方法進(jìn)行訓(xùn)練和識(shí)別。RBF神經(jīng)網(wǎng)絡(luò)是一種兩層結(jié)構(gòu)的前饋網(wǎng)絡(luò),如圖6所示。RBF網(wǎng)絡(luò)的傳輸函數(shù)有很多種,如高斯核、三角核、雙指數(shù)核、辛格核等,這里使用的是高斯核,其基函數(shù)為:
式中,x為輸入樣本矢量,x＝,Ni為訓(xùn)練樣本的維數(shù),也即網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)個(gè)數(shù);ci為第i個(gè)隱節(jié)點(diǎn)對(duì)應(yīng)的中心矢量;σi為隱傳輸函數(shù)對(duì)應(yīng)的平滑參數(shù)。采用的訓(xùn)練算法為正交小二乘法(OLS)。OLS算法的基本思想是:基函數(shù)中心矢量直接從輸入矢量中選取,所有的訓(xùn)練數(shù)據(jù)都是中心矢量的挑選對(duì)象。
本文分別選取每個(gè)目標(biāo)的40個(gè)不同數(shù)據(jù)段進(jìn)行成像,將成像后的灰度圖像按第二節(jié)的描述進(jìn)行特征提取并組成16維的特征向量G,定義如下:
式中,T表示轉(zhuǎn)置。將這160個(gè)特征向量對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,然后再分別選取另外40段不同的數(shù)據(jù)成像,將成像后提取的特征向量組輸入RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別,識(shí)別結(jié)果如表1所示。
| 測(cè)試\模板 | 槳狀 | 雅-42 | 雅-44 | 安-26 | 正確識(shí)別率 |
| 槳狀 | 39 | 0 | 0 | 1 | 97.5% |
| 雅-42 | 0 | 39 | 0 | 1 | 97.5% |
| 雅-44 | 0 | 2 | 38 | 0 | 95% |
| 安-26 | 2 | 1 | 0 |
36 | 92.5% |
| 平均識(shí)別率 | 95.6% |
本文從超分辨ISAR成像到特征提取,再到目標(biāo)類屬的自動(dòng)判別,實(shí)現(xiàn)了一個(gè)自動(dòng)目標(biāo)識(shí)別系統(tǒng),獲得了較高的識(shí)別率,達(dá)到了令人滿意的效果。
參考文獻(xiàn)
1許人燦,姜衛(wèi)東,陳曾平.基于熵譜估計(jì)的距離-多譜 勒成像.現(xiàn)代雷達(dá),2005(1)
2 A.Khotanzad,J.-H.Lu.Classification of Invariant Image Rep-resentations Using a Neual Net.
IEEE Trans. on Acoustics, Speech and Signal Processing,1990;38(6):1028～1038
3 D.H.Ballard,C.M.Brown.Computer Vision, Englewood Cliffs. New Jersey: Prentice Hall, 1982
4 E.C.Botha.Classification of Aerospace Targets Using Superre-solution ISAR Images. IEEE
Trans. on Acoustics,Speech and Signal Processing,1994;42
5 S.Chen, C.F.N.Cowan, P.M.Grant.Orthogonal Least Squares Learning Algorithm for Radial
Basis Function Networks.IEEE Trans.Neural Networks,1991;2(2)