基于稀疏图表征理论的姿态/遮挡耦合变形车辆SAR图像识别

SAR车辆目标识别对战场态势感知和决策制定有重要意义。姿态/遮挡耦合变形是影响SAR车辆识别算法性能的关键因素，也是构建实用化车辆识别系统必然要解决的核心问题。现有的多姿态或遮挡SAR目标识别算法存在如下问题：1）对目标样本的方位采样密度要求苛刻，限制了识别算法向新目标的扩展；2）对姿态/遮挡耦合变形本质上缺乏有效的处理方法。..本项目在稀疏图表征理论框架下构建姿态/遮挡耦合变形车辆识别算法；将在高方位采样密度的参考样本上学习获取的多姿态结构映射关系，推广到低方位采样密度的新目标样本的姿态估计，提高识别算法的扩展能力。采用图/元图模型在二维图像域对车辆变形目标结构建模；在参考样本上学习多姿态结构映射；将目标型号、姿态与遮挡信息统一编码到字典，在 范数约束下获取新目标在字典上的稀疏表征；根据稀疏表征系数建立目标识别算法；并构建SAR车辆目标识别软件平台。

针对姿态/遮挡变形这个SAR目标识别的关键问题，在核心算法、外场实验、软件平台开发等方面开展了研究工作。提出了基于稀疏表征理论的SAR图像姿态/遮挡变形目标的识别算法。该算法的关键环节包括：i) 目标轮廓提取: 采用马尔可夫随机场（MRF）模型实现SAR目标的分割，提出了改进的扩展移动图割优化算法与非网格MRF模型分割算法，很大程度上提高了分割运算效率； ii）多姿态轮廓自动配准与姿态补偿：提出了稀疏方位超图匹配算法，提高匹配的精度与稳定性，并结合B样条网格模型，实现了多姿态目标轮廓的自动配准；在此基础上，通过变形网格的参数插值实现了新姿态角样本的姿态补偿；iii）稀疏表征识别算法：基于姿态补偿构建变姿态样本子集，设计遮挡模板构建遮挡样本子集，将姿态/遮挡变形因素嵌入到稀疏重构优化过程中。在MSTAR数据库上的测试表明，该算法相当程度上提高了对姿态/遮挡变形的适应性。提出了多背景杂波分布模型的自适应CFAR检测算法，构成从检测到识别的完整处理过程。开展外场实验，获得不同姿态角与伪装网遮蔽的车辆目标的实测SAR图像，对部分算法进行了测试验证。并将相干斑滤波、分割、配准、目标检测等通用性较强的处理算法在软件平台上予以实现。