HTML
-
依托MSTAR数据集设置典型测试场景开展实验与验证。数据集中包含的目标类别如图2所示,相应的SAR图像由X波段机载雷达采集,方位及距离分辨率均为0.3 m。对于任一目标,其SAR图像覆盖全方位角以及典型俯仰角。基于MSTAR数据集可设置多种实验场景对所提方法进行测试,包括标准操作条件及典型扩展操作条件。
文中提出基于高斯过程模型的SAR目标识别方法,主要从分类决策融合提高整体识别性能。为此,在对比算法的选择现有SAR目标识别方法,包括NMF[9]、Mono[10]、BEMD[11]以及CNN[19]。这四类对比方法基本覆盖了现有SAR目标识别中最常用的特征和分类器类型。后续实验中,设置3个实验场景对所提方法进行考察,分别为场景1:标准操作条件,涉及10类目标;场景2:俯仰角差异,涉及3类目标;场景3:噪声干扰,涉及10类目标。
-
表1给出了场景1标准操作条件描述,包含10类目标。训练集应用17°俯仰角SAR图像,获得分类器对于15°俯仰角样本进行测试。对比可见,两个集合之间目标型号保持一致,仅有2°俯仰角差异,因此整体相关性较强。图3显示了所提方法在当前场景下的结果(其中横纵坐标中“1~10”分别对应表1中首列自上而下的目标类别),单类识别率均高于98.5%(对角线元素所示),10类平均识别率达到99.28%,体现了提出方法的有效性。各类方法在标准操作条件下的平均识别率如表2所示,NMF、单演信号、BEMD以及CNN方法的识别率分别为98.04%、98.56%、98.82%和99.08%,均高于98%。由此可以看出,标准操作条件下的识别问题相对简单。通过比较各类方法的平均识别率,可以看出文中方法具有性能优势。CNN方法在当前条件下的识别率仅次于提出方法,得益于深度学习模型的分类能力。文中采用通过引入高斯过程模型获得统计意义上最优的分类模型,有效提升了标准条件下的目标识别性能。
Type Training set (17°) Test set (15°) Configuration Scale Configuration Scale BMP2 9563 232 9563 194 BTR70 c71 232 c71 195 T72 132 231 132 195 812 194 s7 190 T62 A51 298 A51 272 BRDM2 E-71 297 E-71 273 BTR60 7532 255 7532 194 ZSU23/4 d08 298 d08 273 D7 13015 298 13015 273 ZIL131 E12 298 E12 273 2S1 B01 298 B01 273 Table 1. Description of the scenario 1
Method Average recognition rate Proposed 99.28% NMF 98.04% Mono 98.56% BEMD 98.82% CNN 99.08% Table 2. Comparison of resutls under scenario 1
-
扩展操作条件指的是由于SAR数据获取条件的变化导致测试样本与训练样本存在较大差异。典型地,SAR目标识别中的扩展操作条件包括目标型号差异、俯仰角差异、噪声干扰等。该实验在俯仰角差异条件下对提出方法进行测试,设置如表3所示的场景2。其中,17°俯仰角样本用于训练;30°和45°俯仰角样本均用于分类测试,可见训练和测试样本之间存在较大的俯仰角差异。在两个测试集上分别对各类方法进行性能测试,获得识别结果统计如图4所示。对比两个俯仰角下的结果,30°下的总体性能显著优于45°,说明大俯仰角差异会导致更大的图像差异。在两个角度下,文中方法均取得了最高的平均识别率,显示其更高的稳健性。高斯过程模型通过推导统计学上的最佳分类模型,能够更为有效地发掘真实类别之间的内在关联,因此识别方法对于俯仰角差异的稳健性得以提升。
Depression/(°) 2S1 BDRM2 ZSU23/4 Training set 17 299 298 299 Test set 30 288 287 288 45 303 303 303 Table 3. Desciption of scenario 2
-
噪声干扰是另一种典型扩展操作条件,主要是待识别SAR图像的信噪比(SNR)相对较低,导致与训练样本存在较大的差异。以表1的测试和训练样本为基础,向其中的训练样本添加不同程度的噪声,从而构造场景3下多个信噪比下的测试集。具体地,根据测试样本自身能力,按照预设的信噪比获得加性高斯噪声,将其混入原始测试样本,即可得到对应噪声水平的噪声干扰测试样本。然后,分别在各个噪声水平对各类方法进行测试,获得如图5所示的识别结果。可以看出,随着噪声水平的不断降低,各类方法的平均识别率呈现明显的下降趋势。对比可见,文中方法在各个噪声水平均取得最高的识别率,体现其更强的噪声稳健性。在高斯过程的推导过程中,充分考虑到可能的噪声影响。因此,其最终得到的分类模型对于噪声具有较强的稳健性。与俯仰角差异的情形类似,CNN方法在噪声干扰条件下的性能下降最为剧烈,主要是训练样本与测试样本存在较大的图像差异,导致最终的分类模型性能显著下降。