HTML
-
MSTAR数据集由美国DARPA和AFRL发布,包括图3中的10类目标,图像分辨率0.3 m,可据此设置场景对方法进行分析。共设置5类对比方法,包括参考文献[2]基于Zernike矩的方法;参考文献[11]中采用单演信号的方法(记为Mono);参考文献[13]中基于属性散射中心匹配的方法(记为ASC Matching);参考文献[22]中的全卷积神经网络(A-ConvNet,记为CNN1)方法以及参考文献[24]中设计的平移、旋转不变网络(记为CNN2)。前三类对比方法侧重于特征提取,通过不同类型的特征提高SAR目标识别性能;后两种对比方法则是档期最为流行的深度学习方法。
-
测试条件1为标准操作条件,整体难度相对较小。表1为测试条件1的相关设置,包括了图3所有目标。训练和测试样本分别为17°和15°下的SAR图像集。测试样本和训练样本来自相同的目标及型号。图4显示了文中方法在标准操作条件下的分类混淆矩阵。10类目标对应的正确识别率对应于对角线元素,均高于98.5%。定义平均识别率Pav为正确识别样本数占总样本数的比例,统计10类目标的Pav=99.32%,充分显示了提出方法的有效性。表2对比各类方法在标准操作条件下的识别性能。各类方法在标准操作条件下的平均识别率均高于98%,也反映了标准操作条件下的识别问题相对简单。所提方法在当前条件下可以取得最高的识别率,显示了方法的优势。
Type Training Test Depression Scale Depression Scale BMP2 17° 232 15° 193 BTR70 232 194 T72 231 194 T62 297 271 BRDM2 296 272 BTR60 255 193 ZSU23/4 297 272 D7 297 273 ZIL131 297 272 2S1 297 271 Table 1. Relevant setup for test condition 1
Method Pav Proposed 99.32% Zernike 98.12% Mono 98.64% ASC Matching 98.32% CNN1 99.08% CNN2 99.12% Table 2. Results under test condition 1
-
由于实际场景的复杂性,目标自身、背景环境以及传感器等要素都可能发生变化,因此扩展操作条件更为常见。后续设置3类典型扩展操作条件进行测试。
(1)测试条件2
测试条件2为型号差异,表3为相关试验数据和设置。其中,BMP2和T72采用不同型号的样本分别用于训练和分类。表4列出了不同方法在此时的识别率。对比测试条件1,各方法受到型号差异影响,性能出现下降。对于基于深度洗的CNN1和CNN2方法,由于存在的型号差异,最终平均识别率下降最为显著。文中方法对测试SAR图像进行分块处理,并且分区进行局部分析,因此有利于充分考察由于型号差异带来的局部图像变化。从识别结果上可以看出,文中方法的识别率更高,表明其对于型号差异的稳健性。
Type Training Test Depression/(°) Configuration Scale Depression/(°) Configuration Scale BMP2 17 9 563 233 15 9 566 196 c21 196 BTR70 17 c71 233 15 c71 196 T72 17 132 232 15 812 195 s7 191 Table 3. Relevant setup for test condition 2
Method Pav Proposed 98.46% Zernike 96.82% Mono 97.82% ASC Matching 98.02% CNN1 96.54% CNN2 97.02% Table 4. Results under test condition 2
(2)测试条件3
测试条件3为俯仰角差异,表5给出了相应的训练和测试集。采用17°俯仰角样本对算法进行训练,分别采用30°和45°俯仰角作为测试样本,考察不同俯仰角差异条件下的影响。表6显示不同方法的结果。在30°时,俯仰角差异造成的影响相对不大,各方法仍能保持94%以上的识别率。但在45°时,俯仰角差异带来的影响十分显著,各方法平均识别率大幅度降低,说明此时俯仰角差异带来了较大的SAR图像差异。与型号差异的情形类似,CNN1和CNN2方法的性能下降最为显著。文中方法通过图像分块匹配以及多权值的融合以及统计分析,可以更好地分析目标的局部变化,进而通过统计分析获得可靠的决策结果。
Type Training Test Depression Scale Depression/(°) Scale 2S1 17° 288 30 285 45 302 BDRM2 289 30 284 45 302 ZSU23/4 289 30 287 45 302 Table 5. Relevant setup for test condition 3
Method Pav 30° 45° Proposed 97.12% 73.63% Zernike 94.82% 68.24% Mono 96.35% 70.92% ASC Matching 96.72% 71.36% CNN1 95.82% 66.74% CNN2 96.24% 67.56% Table 6. Results under test condition 3
-
测试条件4为噪声干扰。当测试样本处于较低的信噪比(SNR)时,其与高信噪比的测试样本会出现较大的差异,导致识别问题难度显著增加。原始MSTAR测试样本于训练样本来自相近的信噪比,不能直接用于测试SAR目标识别方法的噪声稳健性。为此,文中首先通过噪声生成的方式获得含噪测试集,验证方法的噪声为减小。图5显示不同方法的结果,所提方法随着噪声加权可以保持更为稳定的性能。随着测试样本的信噪比降低,基于深度学习的CNN1和CNN2方法性能下降较为显著。散射中心匹配方法在噪声干扰条件下性能相对稳健,主要是属性散射中心提取过程中有效剔除了噪声的印象。图5所示结果充分验证了文中方法在噪声干扰下的性能优势。