【摘要】：合成孔徑雷達(Synthetic Aperture Radar,SAR)能全天時、全天候的工作,且具有一定的穿透能力,被廣泛應用在軍事和民用等領域。隨著SAR成像技術的不斷發(fā)展,機載和星載SAR系統(tǒng)得到了廣泛應用,獲取了海量的、大幅的SAR圖像。人工解譯這些SAR圖像近乎不可能,迫切需要SAR圖像自動解譯。典型的SAR自動目標識別(Automatic Target Recognition,ATR)包含三個階段,即目標檢測、目標鑒別和目標識別。對于目標鑒別和目標識別,目前仍存在一些問題需要解決,因此研究SAR圖像目標鑒別和目標識別具有重要意義。本文針對目標鑒別階段人造雜波剔除問題和目標識別階段的特征提取與識別方法進行了深入的分析和研究。主要研究內容可以概括為以下三個方面:1.研究了SAR目標鑒別階段人造雜波剔除問題。目標鑒別的目的是在盡可能保留真實目標的同時,剔除目標檢測階段提取的疑似目標切片中的雜波虛警。傳統(tǒng)鑒別特征難以有效去除人造雜波虛警,導致大量的人造雜波虛警進入目標識別階段,對目標識別造成影響。本文針對SAR目標鑒別中人造雜波剔除問題,提出了一種基于散射中心特征和K中心一類分類器的SAR目標鑒別方法。散射中心特征由散射中心的幅度和位置組成,充分利用了散射中心的位置信息。對于自然雜波,其幅度一般與目標的幅度差異較大,利用幅度信息可以達到鑒別目標和自然雜波的目的。而對于與目標幅度接近的人造雜波,散射中心的位置能反映目標的拓撲結構,從而鑒別目標和人造雜波。從不同SAR切片中提取的散射中心的個數可能是不同的,即不同切片的散射中心特征的維度可能是不同的,因此如何測度這些維度不同的散射中心特征間的相似性(距離)是一個難點。在本文中,我們利用豪斯多夫距離(Hausdorff Distance,HD)測度不同散射中心特征間的相似性,并基于HD距離改進了傳統(tǒng)的K中心一類分類器。最后,采用改進K中心一類分類器做鑒別器,給出切片鑒別的最終結果。基于MiniSAR數據的實驗表明,散射中心特征的鑒別性能優(yōu)于傳統(tǒng)特征的鑒別性能,特別是對于人造雜波的鑒別。2.從SAR相干成像的特性出發(fā),基于屬性散射中心模型(Attribute Scattering Center Model,ASCM),提取與SAR目標電磁散射特性相關的特征用于識別。傳統(tǒng)SAR目標識別特征的識別效果雖然不錯,但是這些特征中的大多數僅利用了SAR圖像局部區(qū)域像素間的相關性,而且這些特征大多是低層次的,極易受到相干斑的影響。本文提出了一種基于ASCM和判別字典學習的SAR目標識別方法,該識別算法包含三個主要階段。在第一個階段,即低層局部特征提取階段,通過遺傳算法(Genetic Algorithm,GA)挑選ASCM模型的參數組合,之后將不同參數組合的ASCM模型與SAR切片卷積得到低層局部特征。在第二個階段,即特征編碼階段,提出了一種稱為類別保持和局部約束的判別字典學習方法(Label consistent and Locality constraint Discriminative Dictionary Learning,LcLcDDL),該方法將切片的標簽信息和局部幾何信息融入到低層局部特征的稀疏編碼中。在第三個階段,即特征池化階段,通過空間金字塔匹配(Spatial Pyramid Matching,SPM),將低層局部特征的稀疏編碼池化整合為最終的高層全局特征。隨后,高層全局特征被送入線性支持向量機(Support Vector Machine,SVM)分類器中,判決切片的類別�；贛STAR數據驗證了得到的稀疏系數的可分性和高層全局特征的分類性能。3.針對SAR目標識別問題,基于類哈爾(Haar-like,HL)特征,結合SAR圖像的局部紋理特性,提出了一種新的SAR目標識別特征:局部二值模式類哈爾(LBP-Haar-like,LHL)特征,并將該特征用于目標識別驗證其效果。在SAR目標識別的過程中,特征提取是其中的重要一步。HL特征是基于與哈爾(Haar)小波相同的原理提出的,是一種簡單的、易于計算的矩形特征,表征的是兩個或者多個相鄰矩形區(qū)域內像素強度和的差。在SAR圖像中,隨著方位角的變化,同一目標反射的回波信號也會發(fā)生變化,而SAR目標的局部紋理結構信息隨目標方位角變化不大。因此,目標的局部紋理結構是一種對目標識別非常有用的信息。為了更好的利用SAR目標局部紋理結構信息,同時保持HL特征簡單且易于計算的特點,本文引入局部二值模式(Local Binary Pattern,LBP)將目標的局部紋理結構信息融入HL特征中,提出了LHL特征。LHL特征采用與HL特征相同的特征原型,同時由LBP提取SAR切片的局部紋理特性。從一個SAR切片中可以提取數萬維的LHL特征,大多數分類器難以處理如此高維度的特征。而隨機森林(Random Forests,RF)分類器對特征維度不敏感,因此,我們采用RF分類器判決切片的類別。最后,基于MSTAR數據的實驗結果表明LHL特征的性能優(yōu)于HL特征。
【圖文】：

1）SAIP 系統(tǒng)為了快速解譯大量增加的 SAR 數據，美國國防預研計劃署提出了 SAIP 系統(tǒng)。文獻[30]指出，對于一幅分辨率為1m 1m，覆蓋范圍為 100 平方千米的 SAR 圖像，借助 SAIP 系統(tǒng)，，一個管理員、兩個圖像分析員可以在接收到數據的 5 分鐘內給出目標報告。SAIP 系統(tǒng)包含了先進的 ATR 算法和魯棒的虛警剔除技術，結合先進的計算機硬件，可以過濾掉雜波虛警，并識別潛在目標。SAIP 系統(tǒng)首先對可能存在的潛在目標圖像區(qū)域進行標注，然后分析員利用 SAIP 提供的人機交互可視化工具確定目標的真實類型，并生成目標報告?zhèn)鬟f給戰(zhàn)場指揮員。在這個過程中，圖像分析員可以利用SAR 生成更高分辨率（0.3m 0.3m）的疑似目標區(qū)域圖像，最終確定目標的真實類型。圖 1.1 表示的是 SAIP 系統(tǒng)的處理流程[30]，由 SAR 采集的雷達回波數據首先被發(fā)送到 SAIP 的地面站，在那里生成 SAR 圖像，并傳遞給 SAIPATR 算法，ATR 算法給出 SAR 圖像中包含潛在目標或目標群的區(qū)域，之后將目標或目標群區(qū)域傳遞給圖像分析員，圖像分析員給出最終的目標報告。林肯實驗室主持了 SAIP 系統(tǒng)中人機交互和 ATR 算法，后續(xù)的目標識別階段就是 DARPA 和 AFRL 主持的 MSTAR 計劃。

近年來也越來越重視相關技術的研究中安電子科技大學像的分割度來看(f) BRDM2國內有關SARATR像的分割、檢測度來看，仍需不斷努力1.2.2SAR ATR鑒于林肯實驗室提出的(g)圖1.4 MSTAR的研究起步較晚SAR ATR相關技術的研究中，包括中國科學院電子學研究所和遙感所安電子科技大學、國防科技大學檢測、分類識別等方面取得了一定的成果仍需不斷努力。D7數據庫中部分目標的光學圖像和對應的的研究包括中國科學院電子學研究所和遙感所國防科技大學 ATR分類識別等方面取得了一定的成果。研究的相關技術SAR ATR5(h) T62的研究起步較晚，但由于的研究。國內的眾多科研機構以及高校已經投入到了實驗室等三級處理流程(i)但由于SARATR國內的眾多科研機構以及高校已經投入到了實驗室等。雖然這些科研機構和高校在[38]-三級處理流程（如ZIL131SAR在軍事應用上的廣闊前景包括中國科學院電子學研究所和遙感所、北京航空航天大學雖然這些科研機構和高校在-[42]，但從滿足實際應用的角如圖 1.2 所示(j) ZSU234圖像北京航空航天大學滿足實際應用的角所示）的合理性和高在軍事應用上的廣闊前景北京航空航天大學、西SAR 圖的合理性和高
【學位授予單位】：西安電子科技大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：TN957.52

【相似文獻】

相關期刊論文 前10條

1 翟慶林;張軍;付強;;一種多普勒體制下的多目標鑒別方法[J];電光與控制;2008年02期

2 高貴;周蝶飛;蔣詠梅;匡綱要;李德仁;張軍;常青;;合成孔徑雷達圖像自動目標鑒別的新方案[J];自然科學進展;2007年12期

3 李為民;朱永鋒;趙宏鐘;付強;;基于多普勒譜的多目標鑒別技術[J];系統(tǒng)工程與電子技術;2005年12期

4 趙艷麗;周穎;王雪松;羅佳;王國玉;;基于動力學模型的有源假目標鑒別方法[J];國防科技大學學報;2007年05期

5 王鵬宇;宋千;周智敏;;基于目標物理特征和壓縮感知的地雷目標鑒別方法[J];電子與信息學報;2012年08期

6 張昭建;謝軍偉;李欣;盛川;胡祺勇;;頻率分集陣列的有源假目標鑒別方法[J];國防科技大學學報;2017年04期

7 高貴;;SAR圖像目標鑒別研究綜述[J];信號處理;2009年09期

8 王衛(wèi)紅;劉長清;程棟;陳博;;峰值能量比在SAR圖像目標鑒別中的應用研究[J];中國電子科學研究院學報;2017年06期

9 張二偉;黃亮;;一種適用于分集MIMO雷達魯棒的有源假目標鑒別方法[J];現代雷達;2017年10期

10 徐牧;王雪松;肖順平;;基于散射機理分類與頻譜相關性分析的極化SAR人造目標鑒別[J];信號處理;2009年03期

相關博士學位論文 前5條

1 李汀立;SAR圖像目標鑒別和識別方法研究[D];西安電子科技大學;2019年

2 付信際;合成孔徑雷達圖像分類與目標檢測技術研究[D];中國科學院研究生院（電子學研究所）;2005年

3 高貴;SAR圖像目標ROI自動獲取技術研究[D];國防科學技術大學;2007年

4 婁軍;超寬帶合成孔徑雷達淺埋目標特征獲取技術研究[D];國防科學技術大學;2013年

5 王建;探地雷達高輻射效率天線與目標檢測[D];國防科學技術大學;2013年

相關碩士學位論文 前10條

1 劉夢祥;空間鄰近目標對雷達分辨與檢測的影響機理[D];國防科學技術大學;2016年

2 呂翠文;SAR目標鑒別中的非平衡數據問題研究[D];西安電子科技大學;2018年

3 楊柳;基于自編碼器的SAR目標鑒別算法研究[D];西安電子科技大學;2018年

4 潘杰;復雜場景下SAR目標鑒別算法研究[D];西安電子科技大學;2015年

5 羅曄;基于SAR-SIFT特征的SAR目標鑒別與識別算法研究[D];西安電子科技大學;2017年

6 王斐;特征變換方法及其在SAR目標鑒別上的應用[D];西安電子科技大學;2014年

7 張?zhí)K月;基于目標鑒別準則的圖像跟蹤性能評價[D];長春理工大學;2013年

8 翟慶林;毫米波PD雷達多目標分辨技術研究[D];國防科學技術大學;2006年

9 代慧;高分辨SAR圖像目標區(qū)域提取方法研究[D];西安電子科技大學;2017年

10 李丹;SAR圖像目標鑒別算法研究[D];中國電子科學研究院;2013年

本文編號：2616533