基于超分辨ISAR成像的飛機目標識別

摘要：利用最大熵譜估計方法對四種飛機目標數據進(jìn)行外推處理，并在此基礎上進(jìn)行逆合成孔徑（ISAR）成像。然后采用ISAR圖像的四個(gè)特征（幾何矩、基于幾何矩的不變量、形狀特征、量化能量帶）作為徑向基函數（RBF）神經(jīng)網(wǎng)絡(luò )的輸入，在此基礎上進(jìn)行識別，達到了較好的識別效果。關(guān)鍵詞：超分辨ISAR成像 目標識別 RBF神經(jīng)網(wǎng)絡(luò ) 隨著(zhù)雷達技術(shù)和信號處理技術(shù)的發(fā)展以及現代戰爭需求的不斷提高，要求雷達系統不僅能發(fā)現和跟蹤目標，同時(shí)也應對感興趣的目標進(jìn)行識別分類(lèi)。目前雷達目標識別主要分為兩類(lèi)：基于特征量提取的目標識別和基于成像的目標識別。由于分辨率的限制和光學(xué)圖像存在很大差異，一般來(lái)說(shuō)雷達圖像只具有表片意義，基于成像的目標識別過(guò)程也就是對圖像進(jìn)行理解的過(guò)程。因此，要提高識別率，提高雷達成像的分辨率無(wú)疑是一條主要途徑。本文采用基于最大熵譜估計的AR模型法外推數據，并在此基礎上利用FFT進(jìn)行成像，較好地解決了分辨率問(wèn)題[1]。要完成對ISAR圖像的自動(dòng)類(lèi)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]，這些特征對于飛機目標有較好的同類(lèi)聚合性和異類(lèi)分離性，在此基礎上進(jìn)行識別可以較好地完成自動(dòng)目標識別任務(wù)。 選取合適的特征以后，就需要選擇恰當的模式識別方法。徑向基函數（RBF）神經(jīng)網(wǎng)絡(luò )[5]是典型的前向神經(jīng)網(wǎng)絡(luò )，它具有訓練速度快、能夠收斂到全局最優(yōu)點(diǎn)、具有最佳逼近等優(yōu)點(diǎn)，在函數擬合和分類(lèi)上得到了廣泛的應用。本文采用RBF神經(jīng)網(wǎng)絡(luò )方法訓練和識別以上特征，達到了較高的識別率。 1 基于最大熵譜估計的超分辨ISAR成像結果 假設SN%26;#215;M為觀(guān)測數據，M為采樣大小，N為回波個(gè)數，根據AR模型，觀(guān)測數據外推公式如下： 式中，P是根據前向預測誤差準則確定的階數，ap(1≤p≤P)是AR系數。觀(guān)測數據也可以根據后向預測準則外推，公式如下： 本文參照參考文獻[1]的方法對數據進(jìn)行外推處理，并在此基礎上進(jìn)行ISAR成像。采用的數據為C波段精密跟蹤雷達采集到的數據，雷達帶寬為400MHz，脈寬為25.6μs，雷達去斜率解調后直接采樣，采樣率為10 MHz，采樣分辨率為8位。所選擇的目標為雅克-42飛機、雅克-44飛機、安-26飛機和漿狀飛機。圖1～圖4分別是對四個(gè)目標某段數據的成像結果。2 ISAR圖像特征分析 本文介紹的識別系統研究了四個(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%26;#215;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： 進(jìn)一步對中心矩進(jìn)行如下歸一化，使它對縮放不敏感： 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散射中心分布有一定的穩定性，從數字圖像的矩陣形式入手，將這個(gè)圖像看作若干個(gè)圖像的加權和，圖像的像素即為加權系數。當對圖像作正交變換時(shí)，原圖像可以表示為基圖像的加權和，基圖像的系數反映了其與原圖像的相關(guān)性。系數較大的說(shuō)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表征圖像。這種以圖像分布的各階幾何矩來(lái)描述灰度的分布特性的描述方法具有平移、縮放不變性。 根據（5）式，定義一組非線(xiàn)性函數如下（它們對于旋轉、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： %26;#183;面積特征A：定義為ISAR灰度圖像的非0像素個(gè)數 %26;#183;周長(cháng)特征C：定義為ISAR灰度圖像的邊界非0像素個(gè)數 2.4 量化能量帶 參考圖5，主軸定義為協(xié)方差矩陣的最大特征值λ對應的特征向量，條帶的寬度正比于λ。在本文的實(shí)驗中，選擇比例系數為常數10e-5，這樣六個(gè)條帶就可以覆蓋目標的大部分。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，Ri是像素i到主軸的距離，Si是像素i的能量。把像素的灰度值直接用作能量。 3 RBF神經(jīng)網(wǎng)絡(luò )方法[5]及識別結果 本文采用RBF神經(jīng)網(wǎng)絡(luò )方法進(jìn)行訓練和識別。RBF神經(jīng)網(wǎng)絡(luò )是一種兩層結構的前饋網(wǎng)絡(luò )，如圖6所示。RBF網(wǎng)絡(luò )的傳輸函數有很多種，如高斯核、三角核、雙指數核、辛格核等，這里使用的是高斯核，其基函數為： 式中，χ為輸入樣本矢量，χ=[χ1ΛχNi]T，Ni為訓練樣本的維數，也即網(wǎng)絡(luò )輸入層的節點(diǎn)個(gè)數；ci為第i個(gè)隱節點(diǎn)對應的中心矢量；σi為隱傳輸函數對應的平滑參數。采用的訓練算法為正交最小二乘法（OLS）。OLS算法的基本思想是：基函數中心矢量直接從輸入矢量中選取，所有的訓練數據都是中心矢量的挑選對象。本文分別選取每個(gè)目標的40個(gè)不同數據段進(jìn)行成像，將成像后的灰度圖像按第二節的描述進(jìn)行特征提取并組成16維的特征向量G，定義如下： G=[φ1,φ2,φ3,φ4,φ5,φ6,A,C,S,E,F1,F2,F3,F4,F5,F6]T（14）表1 識別結果 模板測試槳狀雅-42雅-44安-26正確識別率槳狀3900197.5%雅-420390197.5%雅-440239095%安-262103692.5%平均識別率　　　　95.6%本文從超分辨ISAR成像到特征提取，再到目標類(lèi)屬的自動(dòng)判別，實(shí)現了一個(gè)自動(dòng)目標識別系統，獲得了較高的識別率，達到了令人滿(mǎn)意的效果。