基于数值散射模拟与模型匹配的SAR自动目标识别研究

该文提出并实现了一种基于模型的SAR自动目标识别算法,该算法用实验室开发的BART进行离线电磁散射计算,系统参数设置和MSTAR数据库的参数完全一致,对待测图像和电磁散射数据所成的图像分别进行特征提取,然后进行搜索匹配。该文通过MSTAR 3类目标3种型号的实测数据和BART仿真数据分别验证了算法的可行性和准确性。该算法简单易实现,运行时间短,目标分类识别的效果较好。      

参数特征匹配在SAR目标识别中的应用

参数特征匹配是基于模型的雷达目标分类识别研究中的重要内容。首先回顾总结了目前典型的参数特征匹配方法,在此基础上,针对合成孔径雷达(SAR)目标识别问题,分析了测试数据参数特征集与目标散射模型参数特征集之间的匹配对应关系,进而采用确定性退火方法进行参数特征匹配,然后依据匹配点对数目信息构造合理的匹配系数,根据匹配系数判定目标所属的类别,最后通过仿真实验验证了算法的有效性。     

分析圆柱油罐目标合成孔径雷达图像的新方法

该文提出了一种针对油罐目标的合成孔径雷达(SAR)图像的分析方法。该方法根据圆柱油罐具有圆型边缘和圆柱型外形的几何特点,利用物理光学法(Physical Optics,PO)和增量绕射长度(Incremental Length DiffractionCoefficients,ILDC)理论建立了油罐目标的散射模型,并基于该模型推导了圆柱油罐的散射中心分布特征,同时引入投影映射算法(Mapping and Projection Algorithm,MPA)建立了成像模型,有效利用了单一视角的散射数据进行SAR图像模拟,仿真结果与实际SAR图像散射特征吻合,验证了方法的有效性。同时,利用45组实测数据得到了SAR图像散射中心的特征,并根据建立的散射模型和成像模型,分析和总结了油罐目标SAR图像的主要散射特征,为SAR图像中基于油罐目标的识别领域提供了理论依据。     

基于一维散射中心匹配的雷达目标识别

本文提出了一种新的基于目标一维散射中心匹配的雷达目标识别方法.该方法在计算两目标匹配函数之前,先根据目标尺寸大小在目标中心附近设定一个距离窗,将位于此距离窗以外的散射中心剔除,以减轻目标区域以外虚假散射中心的影响.对剩下的目标散射中心,根据两目标散射中心之间的距离,对目标之间的散射中心配对,然后定义两目标的匹配函数为所有配对散射中心的"匹配能量"和与两目标所有散射中心能量和的比值.对五类目标缩比模型的外场测量数据进行分类识别实验,结果表明该方法具有良好的目标识别能力,而且对加性高斯白噪声和雷达带宽不敏感.     

基于SAR 数据的三维散射中心模型位置重构方法

该文面向目标识别应用阐述了基于SAR 数据的3 维散射中心模型位置重构的基本方法。首先阐述了如何从SAR 数据中重构出目标的3 维散射中心模型的基本框架,然后提出了基于散射中心模型2 维参数的3 维散射中心模型重构方法,最后通过仿真实验验证了该方法的正确性。      

合成孔径雷达目标自动识别研究

讨论了基于物理光学和几何绕射理论的散射中心理论模型,对散射中心模型的各个参数在图像域进行了估计,详细分析了基于散射中心理论的SAR图像目标特征提取算法,采用了先估计目标方位后识别目标类型的目标识别方法以提高目标识别的效率,并利用Delaunay三角化技术提高了目标方位的估计精度.实测MSTAR SAR图像中目标的识别结果表明了该方法的准确性和有效性.     

基于深度神经网络模型的雷达目标识别

根据雷达测量的目标电磁散射面积(RCS)序列,采用深度神经网络模型识别空间飞行目标。首先,阐述了提取RCS时间序列特征的方法,包括均值、均方差及周期特性等特征;然后,给出了深度神经网络模型识别RCS目标的算法;最后,用仿真数据验证该识别方法,数值实验结果表明该方法能较准确识别雷达跟踪目标。     

高分辨率SAR图像散射中心特征提取

合成孔径雷达(SAR)目标检测和识别是SAR实用化的瓶颈技术之一,提取有效的目标特征是SAR目标检测与识别的关键环节。高分辨率SAR图像中,目标属性散射中心特征反映了目标散射中心的位置、类型等信息,精确获取目标散射中心属性特征能够提高对目标的检测识别性能。针对SAR目标属性散射中心特征的提取,该文提出了一种基于改进的空间-波数分布(ISWD)的特征提取方法,该方法首先利用ISWD估计散射中心关于频率与方位角的函数,然后利用该函数来获得目标属性散射中心模型参数。最后利用仿真实验验证了方法的有效性。     

一种基于EfficientNet与BiGRU的多角度SAR图像目标识别方法

合成孔径雷达(SAR)的自动目标识别(ATR)技术目前已广泛应用于军事和民用领域。SAR图像对成像的方位角极其敏感,同一目标在不同方位角下的SAR图像存在一定差异,而多方位角的SAR图像序列蕴含着更加丰富的分类识别信息。因此,该文提出一种基于EfficientNet和BiGRU的多角度SAR目标识别模型,并使用孤岛损失来训练模型。该方法在MSTAR数据集10类目标识别任务中可以达到100%的识别准确率,对大俯仰角(擦地角)下成像、存在版本变体、存在配置变体的3种特殊情况下的SAR目标分别达到了99.68%, 99.95%, 99.91%的识别准确率。此外,该方法在小规模的数据集上也能达到令人满意的识别准确率。实验结果表明,该方法在MSTAR的大部分数据集上识别准确率均优于其他多角度SAR目标识别方法,且具有一定的鲁棒性。      

基于属性散射中心卷积核调制的SAR目标识别深层网络

卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。     

The influence of speckle on high resolution range profile recognition based on the matching score

Template database is the key to radar automation target recognition based on High Resolution Range Profile (HRRP). From the traditional perspective, average HRRP is a valid template for it can represent each HRRP without scatterer Moving Through Range Cell (MTRC). However, template database based on this assumption is always challenged by measured data. One reason is that speckle happens in the frame without scatterer MTRC. Speckle makes HRRP fluctuate sharply and not match well with the average HRRP. We precisely introduce the formation mechanism of speckle. Then, we make an insight into the principle of matching score. Based on the conclusion, we study the properties of matching score between speckled HRRP and the average HRRP. The theoretical analysis and Monte Carlo experimental results demonstrate that speckle makes HRRP not to match well with the average HRRP according to the energy ratio of speckled scatterers. On the assumption of ideal scattering centre model, speckled HRRP has a matching score less than 85% with the average HRRP if speckled scatterers occupy more than 50% energy of the target.     

基于KPCA和稀疏表示的SAR目标识别方法

提出了一种基于KPCA（Kernel Principal Component Analysis）和稀疏表示的合成孔径雷达（Synthetic Aperture Rader,SAR）目标识别方法。该方法首先利用KPCA方法提取样本特征,然后在特征空间内构造稀疏表示模型,通过梯度投影法（Gradient Projection for Sparse Reconstruction,GPSR）求得测试样本的稀疏系数,最后根据稀疏系数的能量特征实现分类识别。利用美国运动和静止目标获取与识别（Moving and Stationary Target Acquisition and Recognition ,MSTAR）实测SAR数据进行实验,实验结果表明该方法在方位角未知的情况下平均识别率达到96.78%,能够明显的提高目标的识别结果,是一种有效的SAR目标识别方法。      

基于阴影的SAR图像车辆目标三维特征提取

目标长、宽、高三维几何特征,对SAR图像解译与目标识别等具有重要意义。从SAR成像几何出发,根据SAR观测俯仰角、目标及阴影之间的几何关系,研究提出了基于两维高分辨SAR图像阴影信息的车辆目标三维几何特征提取方法。该方法既可由某一方位角的单幅SAR图像提取目标三维几何特征,也可通过任意有限(3～5)个方位角SAR图像的融合提取目标三维几何特征,而且融合还可有效提高目标三维几何特征的提取精度。通过大量MSTAR实测SAR图像数据的实验结果,验证了其有效性。     

一种基于自适应核字典学习的SAR目标识别方法

提出一种基于自适应核字典学习的合成孔径雷达（synthetic aperture radar，SAR）目标识别方法.该方法首先将SAR图像的特征信息通过核函数映射到高维度的核空间中并进行字典学习；然后根据更新后的字典动态计算稀疏度；最后依据最小重构误差准则实现SAR目标识别.在公开数据集MSTAR上的仿真实验结果表明，该方法提取到的特征信息可分度高，对SAR目标的识别具有较好的性能.     

基于ICNN和IGAN的SAR目标识别方法

近年来,卷积神经网络(CNN)已广泛应用于合成孔径雷达(SAR)目标识别。由于SAR目标的训练数据集通常较小,基于CNN的SAR图像目标识别容易产生过拟合问题。生成对抗网络(GAN)是一种无监督训练网络,通过生成器和鉴别器两者之间的博弈,使生成的图像难以被鉴别器鉴别出真假。本文提出一种基于改进的卷积神经网络(ICNN)和改进的生成对抗网络(IGAN)的SAR目标识别方法,即先用训练样本对IGAN进行无监督预训练,再用训练好的IGAN鉴别器参数初始化ICNN,然后用训练样本对ICNN微调,最后用训练好的ICNN对测试样本进行分类。MSTAR实验结果表明,提出的方法不仅能够在训练样本数降至原样本数30%的情况下获得高达96.37%的识别率,而且该方法比直接采用ICNN的方法具有更强的抗噪声能力。     

基于PGBN模型的SAR图像目标识别方法

特征提取是合成孔径雷达图像目标识别的关键步骤,也是难点之一。该文提出一种基于PGBN(Poisson Gamma Belief Network)模型的SAR图像目标识别方法。PGBN模型作为一种深层贝叶斯生成网络,利用伽马分布具有的高度非线性,从复杂的SAR图像数据中获得了更具结构化的多层特征表示,这种多层特征表示有效提高了SAR图像目标识别性能。为了获得更高的训练效率和识别率,该文进一步采用朴素贝叶斯准则提出了一种对PGBN模型进行分类的方法。实验采用MSTAR的3类目标数据进行了验证,结果表明通过该方法提取的特征有更好的结构信息,对SAR图像目标识别具有较好的性能。     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。     

一种基于中心矩特征的SAR图像目标识别方法

合成孔径雷达自动目标识别是目前国内外模式识别领域的重点研究课题之一.本文给出了一种内存需求小,低计算复杂度且具有较好识别性能的SAR图像目标识别方法,先通过自适应阈值分割来获得目标图像,然后提取其中心矩特征,采用SVM来进行识别.基于美国MSTAR实测数据的识别试验验证了该方法的有效性.     

Scattering-Based Tomography for HRR and SAR Prediction

This paper introduces a method for predicting HRR radar signatures and SAR images by creating a parametric three-dimensional scattering model from existing measured or model-based HRR signatures and/or SAR images. The method identifies potential three-dimensional persistent scatterers and estimates their scattering patterns. The results are parametric HRR signature and SAR image reconstruction functions of range, azimuth, and elevation.The modeling is accomplished through a scattering-based tomography technique. This technique localizes potential scatterers by using a filtered back-projection algorithm for the inverse radon transform. Once found, potential scatterers may then have their two-dimensional (azimuth and elevation) scattering patterns parameterized through the use of a truncated spherical harmonic series.Results using the reconstructions from HRR data are presented. A M109 model is reconstructed based on HRR signatures. The model allows us to predict what the vehicle would look like from any arbitrary orientation using SAR. Finally an M548 vehicle is modeled using 26 measured HRR signatures. The model is shown to be better than the synthetic model data. Additionally we show that the new model results can be combined with the synthetic data to provide a better target model for signature matching.     

基于稀疏和低秩结构的层析SAR成像方法

该文提出了一种基于稀疏和低秩结构的层析SAR三维成像方法.传统基于压缩感知的层析SAR成像方法仅仅对给定方位-距离单元的高程向进行稀疏表征和重建.考虑城市和森林等区域中各自的布局分布较为类似,目标在相邻方位-距离单元的高程向分布具有较强相关性.该方法通过引入Karhunen Loeve变换来表征相邻方位-距离单元的高程...