留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法

游丽

游丽. 基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法[J]. 红外与激光工程, 2022, 51(4): 20210282. doi: 10.3788/IRLA20210282
引用本文: 游丽. 基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法[J]. 红外与激光工程, 2022, 51(4): 20210282. doi: 10.3788/IRLA20210282
You Li. Target azimuth estimation of synthetic aperture radar image based on block sparse Bayesian learning[J]. Infrared and Laser Engineering, 2022, 51(4): 20210282. doi: 10.3788/IRLA20210282
Citation: You Li. Target azimuth estimation of synthetic aperture radar image based on block sparse Bayesian learning[J]. Infrared and Laser Engineering, 2022, 51(4): 20210282. doi: 10.3788/IRLA20210282

基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法

doi: 10.3788/IRLA20210282
基金项目: 国家自然科学基金(21705011)
详细信息
    作者简介:

    游丽,女,讲师,硕士,主要从事图像处理、计算机视觉方面的研究

  • 中图分类号: TN957

Target azimuth estimation of synthetic aperture radar image based on block sparse Bayesian learning

Funds: National Natural Science Foundation of China (21705011)
  • 摘要: 提出了一种基于块稀疏贝叶斯学习的合成孔径雷达(Synthetic aperture radar,SAR)图像目标方位角估计方法。SAR图像具有较强的方位角敏感性,因此对于具有某一方位角的SAR图像仅能与其具有相近方位角的样本具有较高的相关性。方法基于稀疏表示的基本思想,首先对所有训练样本按照方位角顺序排列为全局字典。在此条件下,待估计样本在该字典上的线性表示系数具有块稀疏特性,即非零表示系数主要聚集在字典上的某一局部区域。求解得到的块稀疏位置包含的训练样本可以有效地反映待估计样本的方位角信息。采用块稀疏贝叶斯学习(Block sparse Bayesian learning, BSBL)算法求解全局字典上的稀疏表示系数,并根据具有最小重构误差的原则获得最佳的局部分块。在获取最佳分块的基础上,方位角计算方法采用线性加权的方式综合了该分块区间内所有训练样本的方位角信息从而获得更为稳健的估计结果。所提出的方法在充分考察SAR图像方位角敏感性的基础上,综合运用局部区间内样本的有效信息,避免了基于单一样本估计的不确定性。为了验证所提出方法的有效性,基于Moving and stationary target acquisition and recognition (MSTAR)数据集进行了方位角估计实验并与几类经典方法进行对比分析。实验结果验证了所提出方法的性能优势。
  • 图  1  BMP2、T72和BTR70三类目标不同方位角的SAR图像

    Figure  1.  SAR images of BMP2, T72 and BTR70 at different azimuths

    图  2  提出算法的基本流程

    Figure  2.  Basic procedure of the proposed algorithm

    图  3  提出算法的在不同估计精度下的正确估计样本数目

    Figure  3.  Numbers of correctly estimation samples by the proposed algorithm at different estimation precisions

    表  1  三类MSTAR目标的训练和测试样本

    Table  1.   Training and test samples of the three MSTAR targets

    TypeDepression angle/(°)Target
    BMP2BTR70T72
    Training17233 (SN_1)232 (SN_2)233(SN_3)233 (SN_1)232 (SN_1)231 (SN_2)233 (SN_3)
    Test15195 (SN_1)196 (SN_2)19 6(SN_3)196 (SN_1)196 (SN_1)195 (SN_2)191 (SN_3)
    下载: 导出CSV

    表  2  提出方法的对三类MSTAR目标测试样本的方位角估计结果

    Table  2.   Azimuth estimation results of the test samples of the three MSTAR targets by the proposed method

    Target classNumber of samplesNumber of errorsPercentage of correct samples
    BMP2 (SN_1)195199.49%
    BMP2 (SN_2)1960100%
    BMP2 (SN_3)196199.50%
    BTR70 (SN_1)196298.98%
    T72 (SN_1)196398.47%
    T72 (SN_2)195199.49%
    T72 (SN_3)1910100%
    下载: 导出CSV

    表  3  提出方法在不同估计精度下的结果

    Table  3.   Results of the proposed method at different estimation precisions

    Number of samples<5°<10°MeanVariance
    BMP25875735852.011.85
    BTR701961921942.051.84
    T725825695782.161.77
    Total1365133413572.071.81
    下载: 导出CSV

    表  4  各类方法在不同估计精度下的估计正确率

    Table  4.   Correct estimation percentages of different methods at different estimation precisions

    Method typeThreshold of error/(°)
    246810
    Proposed76%88%97%99%99%
    MER13%24%39%57%68%
    Dominant boundary55%82%93%97%99%
    Sparse representation64%80%93%98%99%
    下载: 导出CSV

    表  5  不同方法的时间消耗

    Table  5.   Time consumption of different methods

    Method typeAverage time consumption/ms
    Proposed10.5
    MER45.2
    Dominant boundary40.2
    Sparse representation12.1
    下载: 导出CSV
  • [1] Zhang Panpan, Luo Haibo, Ju Moran, et al. An improved capsule and its application in target recognition of SAR images [J]. Infrared and Laser Engineering, 2020, 49(5): 20201010. (in Chinese) doi:  10.3788/irla.26_invited-zhangpanpan
    [2] Wen Gongjian, Zhu Guoqiang, Yin Hongcheng, et al. SAR ATR based on 3D parametric electromagnetic scattering model [J]. Journal of Radar, 2017, 6(2): 115-135. (in Chinese)
    [3] Ding Baiyuan, Wen Gongjian, Yu Liansheng, et al. Matching of attributed scattering center and its application to synthetic aperture radar automatic target recognition [J]. Journal of Radar, 2017, 6(2): 157-166. (in Chinese)
    [4] Wu Youlong. Multivariate empirical mode decomposition with application to SAR image target recognition [J]. Infrared and Laser Engineering, 2021, 50(4): 20200236. (in Chinese)
    [5] Huang Jiaxin, Lu Jun, Zhao Lingjun. Aspect estimation method for SAR target based on Radon transform of leading edge [J]. Journal of Computer Applications, 2011, 31(9): 2743-2746. (in Chinese)
    [6] Liu Cong, Li Yanjun, Zhang Ke. Combined pose estimation method of SAR imagery to vehicle target based on feature [J]. Application Research of Computers, 2011, 28(4): 1566-1569. (in Chinese)
    [7] Chen Si, Yang Jian, Song Xiaoquan. SAR target aspect angle estimation based on normal front edge response [J]. Pattern Recognition and Artificial Intelligence, 2011, 33(3): 511-514. (in Chinese)
    [8] Sun Y, Liu Z, Todorovic S, et al. Adaptive boosting for SAR automatic target recognition [J]. IEEE Transactions on Aerospace & Electronic Systems, 2007, 43(1): 112-125. doi:  10.1109/TAES.2007.357120
    [9] Liu Di, Weng Gongjian, Liu Xiaoming, et al. Efficient method of vehicle target aspect estimation in synthetic aperture radar imagery [J]. Modern Electronic Technique, 2012, 35(19): 37-40. (in Chinese)
    [10] Zhang Y, Zhuang Y, Li H Z, et al. A novel method for estimation of the target rotation angle in SAR image [C]//IET International Radar Conference, 2015: 1-4.
    [11] Guo Werwei, Du Xiaoyong, Hu Weidong, et al. A robust target aspect estimation method from SAR images based on sparse prior [J]. Signal Processing, 2008, 24(6): 889-893. (in Chinese)
    [12] Chen S C, Lu F G, Wang J. Target aspect angle estimation for synthetic aperture radar automatic target recognition using sparse representation [C]//ICSPCC, 2016: 1-4.
    [13] Duan Pengpeng, Liu Li. Target aspect angle estimation of SAR images based on correlation analysis [J]. Journal of CAEIT, 2019, 14(1): 42-46. (in Chinese)
    [14] Sun Hong, Zhang Zhilin, Yu Lei. From sparsity to structured sparsity: Bayesian perspective [J]. Signal Processing, 2012, 28(6): 759-773. (in Chinese) doi:  10.3969/j.issn.1003-0530.2012.06.001
    [15] Zhang Z, Rao B. Extension of SBL algorithms for the recovery of block sparse signals with intra-block correlation [J]. IEEE Transactions on Signal Processing, 2013, 61(8): 1201-0862.
  • [1] 李正伟, 黄孝斌, 胡尧.  基于二维随机投影特征典型相关分析融合的SAR ATR方法 . 红外与激光工程, 2022, 51(10): 20220029-1-20220029-8. doi: 10.3788/IRLA20220029
    [2] 陆建华.  融合CNN和SRC决策的SAR图像目标识别方法 . 红外与激光工程, 2022, 51(3): 20210421-1-20210421-7. doi: 10.3788/IRLA20210421
    [3] 周志洪, 陈秀真, 马进, 夏正敏.  烟花算法在SAR图像属性散射中心参数估计中的应用 . 红外与激光工程, 2022, 51(8): 20210581-1-20210581-7. doi: 10.3788/IRLA20210581
    [4] 马丹丹.  图像分块匹配的SAR目标识别方法 . 红外与激光工程, 2021, 50(10): 20210120-1-20210120-8. doi: 10.3788/IRLA20210120
    [5] 李宁, 王军敏, 司文杰, 耿则勋.  基于最大熵准则的多视角SAR目标分类方法 . 红外与激光工程, 2021, 50(12): 20210233-1-20210233-7. doi: 10.3788/IRLA20210233
    [6] 吴剑波, 陆正武, 关玉蓉, 王庆东, 姜国松.  二维压缩感知多投影矩阵特征融合的SAR目标识别方法 . 红外与激光工程, 2021, 50(6): 20200531-1-20200531-7. doi: 10.3788/IRLA20200531
    [7] 刘志超, 屈百达.  复数二维经验模态分解在SAR目标识别中的应用 . 红外与激光工程, 2021, 50(5): 20200309-1-20200309-8. doi: 10.3788/IRLA20200309
    [8] 尚珊珊, 余子开, 范涛, 金利民.  高斯过程模型在SAR图像目标识别中的应用 . 红外与激光工程, 2021, 50(7): 20200337-1-20200337-7. doi: 10.3788/IRLA20200337
    [9] 伍友龙.  多元经验模态分解及在SAR图像目标识别中的应用 . 红外与激光工程, 2021, 50(4): 20200236-1-20200236-7. doi: 10.3788/IRLA20200236
    [10] 李亚娟.  结合多决策准则稀疏表示的SAR图像目标识别方法 . 红外与激光工程, 2021, 50(8): 20210138-1-20210138-8. doi: 10.3788/IRLA20210138
    [11] 陈丛.  基于狼群算法的SAR图像属性散射中心参数估计 . 红外与激光工程, 2021, 50(4): 20200409-1-20200409-7. doi: 10.3788/IRLA20200409
    [12] 田鹤, 毛宏霞, 刘铮, 曾铮.  机载逆合成孔径激光雷达微动目标稀疏成像 . 红外与激光工程, 2020, 49(S2): 20200190-20200190. doi: 10.3788/IRLA20200190
    [13] 马鹏阁, 陈恩庆, 庞栋栋, 羊毅.  基于快速贝叶斯匹配追踪的激光大气信道估计 . 红外与激光工程, 2017, 46(9): 922002-0922002(7). doi: 10.3788/IRLA201746.0922002
    [14] 代虎, 颜昌翔, 吴从均.  气溶胶偏振探测仪检偏器方位角优化 . 红外与激光工程, 2015, 44(4): 1243-1248.
    [15] 肖茂森, 李春艳, 吴易明, 陆卫国, 王海霞.  利用新型偏振器件实现方位角测量 . 红外与激光工程, 2015, 44(2): 611-615.
    [16] 刘小阳, 孙广通, 宋萍, 刘军, 李峰.  利用MODIS水汽数据进行ASAR干涉测量大气改正研究 . 红外与激光工程, 2014, 43(12): 4111-4116.
    [17] 阮航, 吴彦鸿, 张书仙.  基于天基逆合成孔径激光雷达的静止轨道目标成像 . 红外与激光工程, 2013, 42(6): 1611-1616.
    [18] 徐显文, 洪光烈, 张琨锋, 胡以华, 舒嵘.  月面成像合成孔径激光雷达性能分析 . 红外与激光工程, 2013, 42(3): 621-625.
    [19] 张艳, 史晓丁, 陈涌, 赵彬, 周鼎富, 侯天晋.  基于外差探测的合成孔径激光雷达成像模拟 . 红外与激光工程, 2013, 42(8): 2027-2031.
    [20] 朱丰, 张群, 冯有前, 罗迎, 李开明, 梁必帅.  逆合成孔径激光雷达鸟类目标压缩感知识别方法 . 红外与激光工程, 2013, 42(1): 256-261.
  • 加载中
图(3) / 表(5)
计量
  • 文章访问数:  251
  • HTML全文浏览量:  71
  • PDF下载量:  25
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-05-06
  • 修回日期:  2021-06-06
  • 刊出日期:  2022-05-06

基于块稀疏贝叶斯学习的SAR图像目标方位角估计方法

doi: 10.3788/IRLA20210282
    作者简介:

    游丽,女,讲师,硕士,主要从事图像处理、计算机视觉方面的研究

基金项目:  国家自然科学基金(21705011)
  • 中图分类号: TN957

摘要: 提出了一种基于块稀疏贝叶斯学习的合成孔径雷达(Synthetic aperture radar,SAR)图像目标方位角估计方法。SAR图像具有较强的方位角敏感性,因此对于具有某一方位角的SAR图像仅能与其具有相近方位角的样本具有较高的相关性。方法基于稀疏表示的基本思想,首先对所有训练样本按照方位角顺序排列为全局字典。在此条件下,待估计样本在该字典上的线性表示系数具有块稀疏特性,即非零表示系数主要聚集在字典上的某一局部区域。求解得到的块稀疏位置包含的训练样本可以有效地反映待估计样本的方位角信息。采用块稀疏贝叶斯学习(Block sparse Bayesian learning, BSBL)算法求解全局字典上的稀疏表示系数,并根据具有最小重构误差的原则获得最佳的局部分块。在获取最佳分块的基础上,方位角计算方法采用线性加权的方式综合了该分块区间内所有训练样本的方位角信息从而获得更为稳健的估计结果。所提出的方法在充分考察SAR图像方位角敏感性的基础上,综合运用局部区间内样本的有效信息,避免了基于单一样本估计的不确定性。为了验证所提出方法的有效性,基于Moving and stationary target acquisition and recognition (MSTAR)数据集进行了方位角估计实验并与几类经典方法进行对比分析。实验结果验证了所提出方法的性能优势。

English Abstract

    • 合成孔径雷达(SAR)图像解译在军事和民用领域发挥着重要作用。其中,SAR自动目标识别(ATR)由于在战场侦察方面的巨大潜力而得到广泛研究[1]。作为SAR ATR中的一个重要环节,SAR目标方位角估计旨在获得待识别的SAR图像切片中的目标方位角,从而为目标识别提供先验知识[2-3]。提高SAR目标方位角估计的效率和精度有利于提高后续目标算法的性能。

      传统的SAR目标方位角估计方法主要是基于分割得到的目标二值区域。通过考察目标区域的外形分布估计目标方位角,典型的方法包括惯性矩法[4]、主导边界法[4-7]和主轴法[8-10]等。然而,目前SAR目标分割算法仍不够成熟,因此目标区域分割的精度十分有限。同时,这种基于目标二值区域的方法往往存在180°模糊问题[4],从而导致更显著的估计误差。参考文献[11-12]将稀疏表示引入到SAR图像方位角估计中。其基本思想为:与待估计样本具有相近方位角的训练样本可以最佳重构待估计样本,因此方位角估计值为具有最小重构误差的训练样本的方位角。相比基于目标二值区域的方法,基于稀疏表示的方法效率较高,避免了繁杂的目标分割过程。这种通过单一样本重构并估计目标方位角的方法稳定性较差,难以得到可靠的估计结果。参考文献[13]根据SAR图像方位角的敏感性计算待估计样本与所有训练样本的图像相关系数,并根据对相关性曲线的分析求解估计方位角。

      文中提出基于块稀疏表示的SAR图像目标方位角估计方法。SAR图像一般具有方位角敏感性[11-13],即同一目标在两个差异较大的方位角下获得的SAR图像可能存在十分显著的差异。因此,待估计样本在与训练样本进行相似度度量时,仅仅与其具有接近方位角的样本具有参考意义。在稀疏表示的条件下,其求解得到的非零元素一般对应这部分训练样本。当字典中的训练样本按照方位角(升序或者降序)进行排列时,稀疏系数中的非零元素具有块特性,即聚集在一定的方位角区间内。为此,文中采用块稀疏贝叶斯学习(Block Sparse Bayesian Learning, BSBL)[14-15]求解具有块稀疏特性的表示系数。在此基础上,利用各个块内的系数对待估计样本进行重构并选择具有最小重构误差的块进行方位角估计。基于块内的系数大小按照线性加权融合的机理综合得出最终的方位角估计结果。文中的方位角估计方法采用了稀疏表示的基本思想,与传统基于区域特征的方法相比可取得更高的运算效率。相比参考文献[11-12]中的传统稀疏表示方法,文中方法具有下列优势:第一,充分考虑了SAR图像中目标的方位角敏感性,并通过字典有序排列的方式体现出这一特性。后续的块稀疏贝叶斯学习可以很好地利用稀疏表示系数的块特性从而提高了求解精度。第二,在具体的方位角估计中,综合了一个方位角区间内的表示系数,相比利用单一样本的方法具有更高的精度和稳健性。采用MSTAR数据集中三类目标的SAR图像进行了方位角估计实验,并通过与其他几类方位角估计方法进行对比验证了所提出方法的有效性。

    • 稀疏表示[11-15]是基于压缩感知理论的一种新的信号处理方法,在图像处理领域得到了广泛运用。其基本思想是用各类训练样本构成的全局字典对测试样本${\boldsymbol{y}}$进行线性表示,如公式(1)所示:

      $${\boldsymbol{\hat x}} = \arg \min {\left\| {\boldsymbol{x}} \right\|_0} \;{\rm{s}}{\rm{.t}}{\rm{. }}\left\| {{\boldsymbol{y}}{\rm{ - }}{\boldsymbol{Ax}}} \right\|_2^2 \leqslant \varepsilon $$ (1)

      式中:${\boldsymbol{A}} = [{{\boldsymbol{A}}_1},{{\boldsymbol{A}}_2}, \cdots ,{{\boldsymbol{A}}_C}] \in {{{R}}^{d \times N}}$代表各个类别组成的全局字典,${{\boldsymbol{A}}_i} \in {{{R}}^{d \times {N_i}}}$包含了第$i$个训练类的${N_i}$个样本;${\boldsymbol{\hat x}}$表示线性系数矢量;$\varepsilon $为重构误差大小。公式(1)中涉及${l_0}$范数,该优化为非凸优化问题,难以直接求解。因此,通常将其近似为${l_1}$范数优化进而转变为凸优化问题;也可以采用贪婪算法求解,如正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)获得近似解。

      上述表示系数的大小体现了测试样本与不同类别中训练样本的相似性。具体应用到方位角估计中,根据SAR图像的方位角敏感性,那些与测试样本高度相关的样本实际上与测试样本保持接近的方位角。如图1所示,不同方位角下的三类MSTAR目标的SAR图像均具有较为明显的特性差异。参考文献[11-12]中提出的基于稀疏表示的方位角估计方法就是选用具有最小重构误差的训练样本得到估计方位角。实际上,SAR图像的相关性可以在一定的方位角区间内保持[13],因此综合一个区间内结果有利于得到更稳健的估计结果。

      图  1  BMP2、T72和BTR70三类目标不同方位角的SAR图像

      Figure 1.  SAR images of BMP2, T72 and BTR70 at different azimuths

      假定全局字典内各类别字典都是按照方位角由小到大排列,非零表示系数则集中在一定的方位角区间内,此时的线性表示系数具有块稀疏特性。为了得到更为准确的${\boldsymbol{\hat x}}$,文中选用块稀疏贝叶斯学习[14-15]求解公式(1)。具有块稀疏特性的系数矢量如下式所示:

      $${\boldsymbol{x}} = {[\underbrace {{x_1},...,{x_{{d_1}}}}_{{\boldsymbol{x}}_1^{\rm{T}}},...,\underbrace {{x_{{d_{g - 1}} + 1}},...,{x_{{d_g}}}}_{{\boldsymbol{x}}_g^{\rm{T}}}]^{\rm{T}}}$$ (2)

      其中,${\boldsymbol{x}}$包含$g$个分块,但其中只有少量的分块包含非零元素。为了充分发掘这种块稀疏特性,块稀疏贝叶斯学习[13]采用高斯分布系数矢量建模如下:

      $$p({x_i};\gamma {}_i,\{ {\boldsymbol{B}}{}_i\} ) = N({x_i};0,{\boldsymbol{B}}{}_i)$$ (3)

      式中:参数$\gamma {}_i$${\boldsymbol{B}}{}_i$分别描述置信度水平和块内的相关性。假定各个分块相互独立,则公式(3)可以重新描述为下式:

      $$p({x_i};\{ \gamma {}_i\} ,\{ {\boldsymbol{B}}{}_i\} ) = N({x_i};0,\varGamma )$$ (4)

      式中:$\varGamma$为块对角矩阵,其第$i$分量为${\gamma _i}{B_i}$

      观测样本${\boldsymbol{y}}$按照下式建模:

      $${\boldsymbol{y}} = {\boldsymbol{Ax}} + {\boldsymbol{n}}$$ (5)

      式中:${\boldsymbol{n}}$代表噪声项。采用均值为零方差为${\;\beta ^{ - 1}}$的高斯分布建模。由此,${\boldsymbol{x}}$的概率密度函数为:

      $$p({x_i}|\gamma {}_i;\beta ) = N(\varPhi {\boldsymbol{x}},{\beta ^{ - 1}})$$ (6)

      块稀疏贝叶斯学习通过迭代的方式进行求解,根据估计得到的超参数$\{ \gamma {}_i,{\boldsymbol{B}}{}_i\} $以及$\;\beta $, 获得块稀疏系数的最大后验估计如公式(7)所示。具体的求解过程可参见参考文献[14-15]。

      $${\boldsymbol{\hat x}} = \displaystyle\sum {\varPhi ^{\rm{T}}}\beta {\boldsymbol{y}}$$ (7)
    • 根据稀疏表示的优化求解结果,分别在各个非零表示系数的分块内重构测试样本,如下式所示:

      $${\boldsymbol{r}}(i){\rm{ = }}{\left\| {{\boldsymbol{y}} - {{\boldsymbol{A}}_i}{\delta _i}({\boldsymbol{\hat x}})} \right\|_2}{\rm{(}}i = 1, \cdots ,g)$$ (8)

      式中:${\delta _i}({\boldsymbol{\hat x}})$代表将${\boldsymbol{\hat x}}$中除了第$i$块的其他系数都置为0。按照最小误差的准则选取进行方位角估计的候选区间:

      $$K{\rm{ = }}\mathop {\arg \min }\limits_i ({\boldsymbol{r}}(i))$$ (9)

      记第$K$分块中的方位角序列为$[{\theta _1},{\theta _2}, \cdots ,{\theta _M}]$,对应的系数大小为$[{r_1},{r_2}, \cdots ,{r_M}]$。文中采用线性加权的方法得到方位角估计值。根据系数大小计算对应方位角的权值如下式所示:

      $${w_i} = {r_i}/\sum\limits_{j = 1}^M {{r_j}} (i = 1,2, \cdots ,M)$$ (10)

      按照公式(11)中线性加权的方法得到估计的方位角。

      $$\hat \theta = \sum\limits_{i = 1}^M {{w_i}} ·{\theta _i}$$ (11)

      相比采用单个样本估计方位角的方法,这种联合整个方位角区间的方法既可以避免选择单个样本时可能出现的扰动误差,又可以通过加权综合的方式得到更为稳健的估计值。

      根据以上分析,文中方法的基本流程如图2所示。具体可以描述为以下步骤:

      图  2  提出算法的基本流程

      Figure 2.  Basic procedure of the proposed algorithm

      Step 1:对训练样本按照方位角顺序从小到大排列,构成全局字典;

      Step 2:对待估计的测试样本在字典上进行块稀疏重构,采用块稀疏贝叶斯算法求解稀疏表示系数;

      Step 3:分别在各个分块区间内重构测试样本,根据最小重构误差选择候选区间;

      Step 4:在候选区间内按照公式(10)、(11)的线性加权方法得到目标方位角的估计值。

    • 实验基于MSTAR数据集中三类目标的SAR图像开展,具体样本情况如表1所描述。其中,BMP2和T72均包括三个型号(不同型号采用Serial number (SN) 进行区分),BTR70仅有一个型号。测试样本采集于15°俯仰角,训练样本来自于17°俯仰角。训练样本的真实方位角可以从MSTAR图像的原始记录数据中读取,作为方位角估计精度计算的参考值。为了更好地体现提出方法的有效性,后续实验中将其与参考文献[4]中的最小外接矩形(Minimum enclosing rectangle,MER)法、参考文献[5]中的主导边界(Dominant boundary)法以及参考文献[11]中的基于稀疏表示(Sparse representation)的方法进行对比。

      表 1  三类MSTAR目标的训练和测试样本

      Table 1.  Training and test samples of the three MSTAR targets

      TypeDepression angle/(°)Target
      BMP2BTR70T72
      Training17233 (SN_1)232 (SN_2)233(SN_3)233 (SN_1)232 (SN_1)231 (SN_2)233 (SN_3)
      Test15195 (SN_1)196 (SN_2)19 6(SN_3)196 (SN_1)196 (SN_1)195 (SN_2)191 (SN_3)
    • 采用文中提出的算法对三类目标的测试样本进行方位角估计,通过对比方位角估计值与其真值得到各个测试样本的估计误差。表2统计了提出方法的方位角估计结果,其中认为估计角度与真值误差在±10°以内为正确估计,否则为错误估计。在此条件下,提出方法可以正确估计99%以上的测试样本中的目标方位角,这一结果充分证明了提出方法的高性能。表3进一步对提出方法的估计精度进行细化分析,按照误差区间统计分布情况,结果表明提出方法对测试样本的估计误差多数能够控制在5°以内,表明其具有很高的正确率和估计精度。更为细致的误差分布情况如图3所示,多数测试样本的方位角估计误差能够控制在2°范围内,进一步表明提出方法不仅能够取得高精度,还能保持很强的稳健性。

      表 2  提出方法的对三类MSTAR目标测试样本的方位角估计结果

      Table 2.  Azimuth estimation results of the test samples of the three MSTAR targets by the proposed method

      Target classNumber of samplesNumber of errorsPercentage of correct samples
      BMP2 (SN_1)195199.49%
      BMP2 (SN_2)1960100%
      BMP2 (SN_3)196199.50%
      BTR70 (SN_1)196298.98%
      T72 (SN_1)196398.47%
      T72 (SN_2)195199.49%
      T72 (SN_3)1910100%

      表 3  提出方法在不同估计精度下的结果

      Table 3.  Results of the proposed method at different estimation precisions

      Number of samples<5°<10°MeanVariance
      BMP25875735852.011.85
      BTR701961921942.051.84
      T725825695782.161.77
      Total1365133413572.071.81

      表4对比了提出方法与其他方位角估计方法的总体性能。在要求的不同方位角估计误差约束下,提出方法的性能显著优于基于几何形状特征的最小外接矩形法和主导边界法。同时,提出方法还可以有效克服上述两类方法中存在的180°模糊问题。对比稀疏表示方法,提出方法性能具有优势,特别是在方位角估计误差要求很小的情况下,这种优势体现得更为明显。由于块稀疏贝叶斯学习考虑了SAR图像固有的方位角敏感性,可以更为准确地定位测试样本的方位角区间。通过文中的区间方位角加权方法,有利于得到更为准确的估计结果。表5对比了各类方法的效率,即估计单个测试样本所需的时间。提出方法的时间消耗最小,证明了其高效性。传统的基于目标二值区域的方法需要首先进行较为繁琐的图像预处理和目标分割,因此需要更多的时间消耗。相比基于稀疏表示的方法,文中采用的块稀疏贝叶斯学习效率更高,从而估计算法的效率更高。这些实验结果充分证明了采用块稀疏贝叶斯学习求解稀疏表示系数以及联合方位角区间估计方位角的有效性和稳健性。

      图  3  提出算法的在不同估计精度下的正确估计样本数目

      Figure 3.  Numbers of correctly estimation samples by the proposed algorithm at different estimation precisions

      表 4  各类方法在不同估计精度下的估计正确率

      Table 4.  Correct estimation percentages of different methods at different estimation precisions

      Method typeThreshold of error/(°)
      246810
      Proposed76%88%97%99%99%
      MER13%24%39%57%68%
      Dominant boundary55%82%93%97%99%
      Sparse representation64%80%93%98%99%

      表 5  不同方法的时间消耗

      Table 5.  Time consumption of different methods

      Method typeAverage time consumption/ms
      Proposed10.5
      MER45.2
      Dominant boundary40.2
      Sparse representation12.1
    • 文中提出了基于块稀疏贝叶斯学习的SAR目标方位角估计方法,考察全局字典上稀疏表示系数的块分布特性,采用块稀疏贝叶斯学习求解系数,然后通过综合具有最小重构误差的方位角区间得到稳健的方位角估计值。相比传统基于目标区域的估计方法,文中方法的估计精度更高,整体更具高效性。与基于稀疏表示的方位角估计方法相比,文中方法充分利用了SAR目标的方位角敏感性并综合了一个方位角区间内的信息,进一步提高了估计精度和稳健性。采用MSTAR数据集中的三类目标样本进行了实验与评估,结果表明文中提出的方法具有更高的效率实现高精度目标方位角估计。

参考文献 (15)

目录

    /

    返回文章
    返回