首页 国际新闻正文

采用雷达搜索和定位目标,具有探测范围广,昼夜均可工作,不惧天气影响等望族娇优点,是军/民用领域最关键的探测手段。但是,雷达难以可靠地识别目标类型,比如区分民航飞机和战斗机。

这通常依赖于操作员的经验和IFF(敌我识别器)等附加设备,而像IFF这类设备仅能在合作目标上使用。虽然经过几十年的稳步推进,自动识别目标类型特别是识别非合作目标的类型,还是非常有难度的。

本章我们将介绍如何通过高分辨率合成孔径雷达(SAR)成像识别车辆类型,并以此为例讨论非合作目标类型的识别原理。

这里要注意一点,雷达成像不是雷达目标类型识别的唯一手段。例如,尤其是在对空中目标的应用中,高分辨雷达目标一维距离像(HRRPs)已经具备了实际应用水平。

对于空中目标胎穿在母亲肚子里修仙,雷达信号的喷气发动机调制古拉琪艾丝(JEM)也是一种非常重要的霸爱小魔女目标识别手段。对于海上目标,则可以考虑通过深化研究探测目标的海杂波背景特性来实现目标分类。

雷达目标分类是一个很大的课题,我们将在SAR成像示例中简明介绍其中一些常用的核心思路。

图1是一张典型的高分辨率SAR成像图片,其中红框汇中显示了一架直升机。雷达波长通常在分米级以上,其散射特性与可见光(400~800nm)并不相同。

本文将主要介绍:基于不同雷达回波效应进行的目标识别处理,目标探测和分类的流程,目标数据库的建设,以及雷达目标识别系统性能的评估,雷达目标类型识别领域面临的其它挑战。

目标分类的步骤

完整的目标分类过程由粗到细,主要划分为六个步骤:

  1. 与其它物体区分,从背景中检测出目标;
  2. 分类,识别种类,如飞机或轮式车辆;
  3. 类型识别,区分功能类型,如战斗机或卡车;
  4. 型号识别,判别具体型号,如MIG29战斗机或T72坦克;
  5. 细节描述,判定具体款式,如MIG29 PL或未携带附加燃料桶的T72坦克 ;
  6. 个体识别,进行更精确的技术手段分析判定,如携带侦察吊舱(执行侦察任务)的MIG29 PL。

虽然这种划分方式不能涵盖所有问题和目标,但我们仍然需要记住这种广泛使用的分类形式。特别注意,此处的“分类”仅仅是指种类划分。fhaircut对空中目标分类通常被称为非合作目标识别(NCTR),而对地面目标分类通常被称为自动目标识别(ATR)。

几种特别的目标现象

多径效应

图2是一张伦理电影小说10cm分辨率的SAR成像,图像中显示有多台车辆存在。原则上讲,不同类型的目标有不同的特征,应当可以进行区分。但是它们与光学图像中的目标非常不同。

例如,可以发现红框中圈示的车辆具有一些复杂的、类似周期散射的结构。这是一辆非常典型的皮卡,其敞开式货车车厢导致的多径反射效应形成了类似周期性散射的图形干涉条纹。

图3是多径效应的另一个实例愉情。图中坦克炮管指向车身一侧,其炮管在SAR成像中连续出现了三次。最亮的新抚网炮管成像是由直接回波造成的,和实际位置最为接女性私密近。次生成像是经炮管到地面,再由地面反射的二次回波形成,三次成像是由地面至炮管,再经炮管到地面,最终再由地面反射的三次回波形成。

对照射方向敏感

还有一种特别的目标现象就是雷达成像对照射方向的极端敏感性。如图4中所示,系列中雷达成像的照射角度(箭头所示),只有细微的改变,但目标的特定部位,如飞机机翼的边缘,发生了极大的变化。

这种极端敏感性达到了照射角仅仅变化几度,同一个目标的雷达成像结果就可能完全不一样的程度。与光学成像相比,雷达最主要功能是距离测量,这使得雷达成像受到很多不同机制的影响。不要期望雷达图像和光学图像一致,因为它们所包含的信息并不相同。

SAR成像十分复杂,目标泄油丸的几何形状与雷达的相对位置、雷达参数选择、电磁波散射机理等等各种效应相互影响。如果想要获取一套健壮的ATR系统,在设计目标识别系统时就一定要牢记上述原则。

遮盖和遮挡效应

预筛选(Prescreening)

目标识别第一步,从背景中提取潜在的目标。包括确定可能的目标和排除不符合要求的目标。这个过程通常被称除却巫山不是云,莴苣的做法,ipo为预筛选。


图5a.使用滑窗(插图)滤过图像,明显强于背景杂波的核心像素(蓝色)被检测出来

检测(Det孙立平评习ection)

预筛选阶段第一步,逐点官员不雅检测标记出与邻近像素反差较大的点。幸运的是,通常金属结构的目标反射信号通常比其它材料更加强烈,在雷达成像图中非常明显,因此可以使用滑窗法将目标信号从背景杂波中检测出来。

此时,通常在目标信号像素周围建立一个保护圈(或蒙版)来隔离其它区域的影响。图5a就是此算法在合成孔径雷达(SAR)成像图上的应用,它演示了对开阔空地背景中车辆的检测。右下角的小图展示了探测算法的基本原理。


图5b 已检测出的集群(绿色),红色标记是在枚举其数目。采用简单集群增加算法(插图)

聚类(Clustering)

逐点检测toptoon漫画后,应用聚类算法将属于同一目标的像素点相互关联。有一种方法是使用简单集群增加规则,如图5b右下角的插图所示。

白色像素(亮点)通过检测组成了四个集群。黑框内区域内检测算法达到预设门限,阴影像素已经形成统一集群。算法开始对未检测像素(黑点)进行检测。5b红色标记是在枚举已检测出的集群(绿色)。

排除离散集群(Rejection of Clutter Discretes)

预筛选阶段最后一步,是在集群建立的基础上,按一定原则miss148(例如集群规模和平均功率)进行排除工作。即将一些有较大概率是离散杂物(如树木而不是人造物体)的集群排除。剩余集群作为潜在目标进入分类阶段。图5c中标有红色十字的为潜在目标,植被和假目标集群用黄色箭头标记。


图5c. 标有红色十字的为潜在目标。植被和假目标集群洋灵超话用黄色箭头标记

模板匹配(Template Matching)

一旦通过预筛选确定好待测目标,就可以开始分类了姑姑的英文。有一种方法是将待测目标与数据库内已知图像(模板) 对比匹配。如卡思尔公司图6所示。


图6. 目标与预先收集的样本数据库相对照。目标与红框内圈示的样本相匹配

由于雷达图像与成像角度息息相关,样本数据库应当包含各角度的成像样本。图6中,样本数据库基本囊括了入射角360变化的成像样本。一般来说,样本空间要包括仰角改变和部分方位角变化。插图显示被测目标匹配红框圈示样本,而与黄框圈示样本不相匹配。

模板匹配在概念上很简单,问题是所需的数据库非常巨大,因为数据库要包括各种目标,每种目标还要具备不同照射角度的样本。因此,模板匹配在解决分类问题中扮演了重要的角色,但是使用相对受限。解决分类问dubiously题还需要另一种不受限制的方法。

基于特征分类(Feature-Based Classification)

这种方法通过分析目标特征,避免了对大型数据库的需要。选择合适的比较特征是提高基于特征分类性能的关键。通常目标特征可以分为三大类:几何特征、纹理特征征和差别特征。

几何特征包括长、宽、面积、长宽比、质心等参数。傅里叶系数也可以分在这一类,因为它在本质上是在描述目标的高频部分。图7演示了如何通过长和宽区分主战坦克(MBT)、装甲运兵车(APCs)和支援保障车辆(Support)。


图7.可以用长宽等特征值来识别目标种类。按照长宽对三种不同种类的军用车闵海是哪里辆(MBT、APC、Support)进行了统计区分。

纹理特征主要是描述目标的像素强度随机性的一些参数,比如标准差、像素强度的空间相关长度和熵。差别特征包括分形维数(fractal dimension, 衡量目标内部空间分布的散射程度),加权填补比率(weightedrank fill ratio,衡量能量在几个最明亮散射上的集中程度)。一旦选择好特征,在模式识别领域有一系列标准步骤来执行分类算法。

利用上述的标准特征通常可以使分类水平达到一个合理的水平。为了能够在目标变化时有更高的鲁棒性,某些特别是涉及到目标底层物理结构的参数,如主导散射的位置,可能会提供更好的鲁棒性能。

版权声明

本文仅代表作者观点,不代表本站立场。
本文系作者授权发表,未经许可,不得转载。