-
在SAR目标识别领域,MSTAR数据集具有很强的代表性,是当前绝大多数相关方法开展验证的基础数据集。MSTAR计划中,研究人员在多种场景和操作条件下采集了图2所示的10类目标的SAR图像,分辨率达到0.3 m。据此,可分别构建训练和测试样本,验证目标识别算法的有效性。根据现有文献报道,在MSTAR数据集的样本基础上可设置诸如标准操作条件、目标型号差异、俯仰角差异等测试条件。此外,通过对原始MSTAR样本进行简单处理,可进一步构建噪声干扰、部分遮挡等测试条件。文中在上述条件中重点对标准操作条件、俯仰角差异以及噪声干扰三种场景进行针对性实验,检验提出方法的有效性和稳健性。
实验中还设置了一些对比方法,它们包括参考文献[25]基于随机投影的方法(Random projection),该方法采用一维随机投影算法进行SAR图像降维;参考文献[26]中二维随机投影的方法(记为2D random projection),该方法将一维投影扩展到二维,从而更好地保持图像结构信息;参考文献[8]采用单演信号特征的方法(记为Monogenic),结合不同成分特征进行决策;参考文献[20]中基于CNN的方法(记为CNN),该方法针对SAR目标识别设计了特定结构的CNN。
-
标准操作条件是SAR目标识别问题中一项基础且具有代表性意义的实验场景。根据MSTAR数据集包含的目标类别和不同条件下的SAR图像数据,设置表1所示的测试条件,且每个目标只有一种型号。测试集为各类目标15°俯仰角下的样本,其中BMP2和T72两类目标各包含3个型号。对比训练和测试集,两种样本虽然存在一定差异但整体相似度较高,可认为是标准操作条件。对于10类目标的识别结果,采用平均识别率进行定量评价,即正确识别样本数所占的比例。据此,表2对比了不同方法的识别性能。文中方法以99.08%的平均识别率优于四类对比方法。CNN方法性能排名第二,显示了深度学习网络优越性能。二维随机投影方法的性能优于传统的一维随机投影方法,体现了二维特征提取的必要性。相比单演信号方法,二维随机投影方法略有劣势,主要是特征鉴别力的差距。然而,单演信号特征分解的复杂度要远远高于二维随机投影。文中方法在多层次二维随机投影特征的基础上进行融合处理,经过MCCA过后的特征矢量显著提升了识别性能,反映了方法设计思路的科学性。
Target label Training set (Depression: 17°) Test set (Depression: 15°) Configuration Samples Configuration Samples BMP2 9563 218 9563
9566
c21180
181
181BTR70 - 218 - 181 T72 132 217 132
812
s7181
180
176T62 - 284 - 258 BRDM2 - 283 - 259 BTR60 - 241 - 180 ZSU23/4 - 284 - 259 D7 - 284 - 259 ZIL131 - 284 - 259 2 S1 - 284 - 180 Table 1. Sample settings for SOC
Method Proposed Random projection 2D random projection Monogenic CNN Average recognition rate 99.08% 97.18% 98.23% 98.64% 98.82% Table 2. Comparison results under SOC
-
在上述标准操作条件中,一个重要的因素是测试样本与训练样本的俯仰角差异很小。实际上,测试样本很可能来自于测试样本差距较大俯仰角,此时两者的图像差异也会较为明显。根据MSTAR数据集中的SAR图像数据,设置如表3所示的训练和测试集。训练集包含了2S1、BRDM2以及ZSU23/4共3类目标在17°俯仰角下的SAR图像。测试样本来自差异较大的俯仰角,可进一步区分为两个子集,分别对应30°俯仰角和45°俯仰角。两个测试子集反映了不同程度的俯仰角差异,能够更为全面地反映方法在不同俯仰角差异程度条件下的识别性能。基于上述设置,获取不同方法的识别性能,统计如表4所示。从两个测试子集的角度来看,30°俯仰角下的整体性能要明显优于45°,反映了大俯仰角差异带来的识别难度急剧增加。根据上述结果,文中方法对于不同程度俯仰角差异的适应性和稳健性更强,能够在俯仰角差异的情形下保持良好性能。相比标准操作条件,CNN方法在此条件下的性能下降最为剧烈,表明在训练样本不足或与测试样本差异较大时,深度学习算法也存在很大的局限性。文中方法通过MCCA对多层次的二维随机投影特征进行融合,可获取稳健的识别性能,确保了在此场景下的性能。
Target label Training set Test set Depression/(°) Samples Depression/(°) Samples 2 S1 17 284 30
45283
288BRDM2 17 283 30
45272
288ZSU23/4 17 284 30
45273
288Table 3. Sample settings for depression angle variance
Method Average recognition rate 30° 45° Proposed 96.87% 72.19% Random projection 94.72% 68.52% 2D random projection 95.14% 69.52% Monogenic 95.73% 70.42% CNN 95.32% 68.34% Table 4. Comparison results under depression angle variances
-
图像噪声水平直接影响图像质量,低信噪比(Signal-to-noise ratio,SNR)的图像会给识别问题带来很大难度。原始MSTAR数据集的SAR图像整体信噪比较高,据此建立的训练和测试集具有相接近的噪声惠普,因此难以评价方法在测试样本不同信噪比条件下的识别性能。为此,文中按照参考文献[12]的思路和方法对表1中的测试样本进行噪声条件,以原始图像为参照分别构建多个不同信噪比(含−10 dB、−5 dB、0 dB、5 dB和10 dB)的样本测试集。然后,就不同信噪比下的测试样本对各类方法进行测试,获得如图3所示的平均识别率曲线。伴随信噪比的降低,各类方法的平均识别率均出现了较为明显的下降,充分反映了噪声干扰的影响。对比几类方法,文中方法可在不同噪声水平保持最佳性能,具有最强的噪声稳健性。与俯仰角差异的情况类似,CNN方法由于样本不足,导致性能下降十分剧烈。与二维随机投影方法相比,文中通过多个随机投影矩阵的联合使用和有效的特征融合显著提升了对于噪声干扰的稳健性。
SAR ATR method based on canonical correlations analysis of features extracted by 2D random projection
doi: 10.3788/IRLA20220029
- Received Date: 2022-02-12
- Rev Recd Date: 2022-03-25
- Available Online: 2022-11-02
- Publish Date: 2022-10-28
-
Key words:
- synthetic aperture radar /
- automatic target recognition /
- 2D random projection /
- multiset canonical correlations analysis /
- sparse representation-based classification
Abstract: Synthetic aperture radar (SAR) automatic target recognition (ATR) is an important support technology for modern battlefield intelligence reconnaissance and precision strikes. In order to improve the overall performance of SAR ATR, a method based on multiset canonical correlations analysis (MCCA) of two-dimensional (2D) projection features is proposed. First, a series of 2D random projection matrices are used to extract features from SAR images to obtain multi-level feature descriptions. Considering the correlation between these results and the possible redundancy and interference, they are further fused through MCCA to obtain a single feature vector. The sparse representation-based classification (SRC) is used to process the fusion feature vector to determine the target class. The experiment is carried out based on the MSTAR dataset to fully test the proposed methods. The experimental results verify its effectiveness.