CC BY
123
Morshin Andrey Vladimirovich, student, morscin1 @rambler.ru, Russia, Tula, Tula State University
УДК 621.396.96
ВЫБОР СТРУКТУРЫ И АЛГОРИТМА РАСПОЗНАВАНИЯ
ЦЕЛЕЙ В РЛС С СИНТЕЗИРОВАННОЙ АПЕРТУРОЙ
О.Н. Акиншин, О.В. Есиков, А.В. Петешов, А.И. Чернышков
Предложена структура системы распознавания, состоящая из трех этапов: обнаружение, различение и классификация. Введены и подробно рассмотрены признаки распознавания. Предложен алгоритм использования нейронных сетей в процедуре различения с использованием гамма-ядер.
Ключевые слова: обнаружение, признаки распознавания, радиолокационное изображение, нейронная сеть.
РЛС с синтезированной апертурой (РСА) является эффективным средством обзора земной поверхности. Одной из важнейших прикладных задач для таких систем является обнаружение и распознавание различных объектов на поверхности Земли. Под распознаванием понимается [1] отнесение целей, находящихся на анализируемом радиолокационном изображении (РЛИ), к одному из заранее заданных классов. Такая постановка задачи предполагает, что при распознавании используются некоторые эталоны целей, относящихся к каждому из этих классов. Под эталоном следует понимать некоторое установленное соответствие признаков или характеристик цели заданному классу.
Процедуре распознавания подвергается одно двумерное яркостное (действительное) изображение. Предлагаемая структура системы распознавания проиллюстрирована схемой на рисунке 1.
РЛИ
обнаружение различение классификация
W W
класс цели -►
Рис. 1. Структура системы распознавания
Процедура состоит из трех этапов: обнаружение, различение и классификация.
На этапе обнаружения уже полученное с выхода ПВФ изображение подвергается процедуре обнаружения по Нейману-Пирсону. Эта процедура производится с целью поиска потенциальных целей на изображении. Обнаружение производится в соответствии с алгоритмом [1]
X - Мл
> Т
(1)
где X - значение пикселя изображения; Мх и ах - оценки среднего значения и СКО величины X, которые вычисляются на основе тестовых пикселей, которые формируют прямоугольный шаблон, как показано на рис. 2.
Рис. 2. Иллюстрация алгоритма обнаружения
Если сигнал обнаруживается в нескольких соседних пикселях, то они объединяются в кластеры, которые затем обрабатываются совместно.
Целью этапа различения является снижение ложных тревог, обусловленных помеховыми объектами естественного и искусственного происхождения, и уменьшение вычислительных затрат на этапе классификации за счет исключения фрагментов сцены, не содержащих целей.
Если сигнал обнаруживается в нескольких соседних пикселях, то они объединяются в кластеры, которые затем обрабатываются совместно.
Целью этапа различения является снижение ложных тревог, обусловленных помеховыми объектами естественного и искусственного происхождения, и уменьшение вычислительных затрат на этапе классификации за счет исключения фрагментов сцены, не содержащих целей. На этап различения поступают фрагменты РЛИ, содержащие обнаруженные цели (кластеры). Данный этап состоит, в свою очередь, из трех подэтапов [2].
На первом подэтапе производится определение местоположения и ракурса цели путем сравнения с шаблоном по критерию минимума взаимной "энергии", что эквивалентно некоторому пространственному согласованному фильтру. Эта операция позволяет определить местоположение цели более точно, чем на этапе обнаружения.
На втором подэтапе на основе распознаваемого фрагмента формируются двенадцать признаков распознавания. Эти признаки перечислены ниже.
х
Текстурные признаки:
- стандартное отклонение. Определяется по формуле [1]
s
52 - 51 N
N - 1
(2)
где 51 = £10log p(r, a), (3)
r ,aeT
52 = £ [l 0 log P(r, a )]2, (4)
r ,aeT
где P (r, a) - интенсивность элемента ПОФ изображения, суммирование
производится по фрагменту, занятому целью;
- фрактальная размерность. Определяется на основе бинарного изображения цели в соответствии с определением по Хаусдорфу. Определяется следующим соотношением
dim (5 )= liml0g^e, (5)
e®0log
1
V e У
где Me - количество элементов (например, квадратов), заполняющих собой бинарное изображение цели. Для малых e выражение (5) можно представить в виде
log Me » - dim(5) log e + log K, (6)
где K - константа.
При моделировании, учитывая (6) и тот факт, что зависимости log Me и log e для малых e можно считать линейными, Хаусдорфова размерность определяется следующим образом
dim(5) = log Ml - logM2, (7)
log 2
где M1 - количество элементов (пикселей) бинарного изображения цели, M 2 - количество элементов размером 2*2 пикселя, заполняющих собой изображение цели.
- взвешенная заполненность определяется соотношением
£ P(r, a)
h = rralb_, (8)
£ P(r, a)
r, aeT
где в числителе суммирование производится по к наиболее ярким элементам изображения цели, а в знаменателе - по всем элементам, занятым целью.
Геометрические признаки:
- масса. Определяется количеством элементов бинарного изображения обнаруженной цели;
- диаметр. Равен диагонали наименьшего прямоугольника, содержащего в себе обнаруженную цель;
- нормализованный вращательный момент. Определяется по аналогии с механикой как
!г = Ц (О
Г1 2 Р(/ )■
I Гр(о
хо_й
IР (/) (/)
(9)
где Р(/) - яркость /-й точки изображения цели; г - радиус-вектор этой точки.
Контрастные признаки:
- максимальное значение статистики обнаружения (1);
- среднее значение статистики обнаружения;
- процент ярких элементов - количество элементов изображения цели, для которых статистика (1) превышает некоторый заданный порог.
Поляризационные признаки основаны на вычислении компонент поляризованного сигнала, называемых условно односкачковой и двухскач-ковой (что характеризует количество отражений при рассеянии волны целью), определяемых соответственно выражениями:
&ИИ + &уу
Е
1
2
Ег
&ИИ - &
уу
2
+ 2
(10)
(11)
В качестве признаков используются следующие:
- процент пикселей, в которых преобладает одна из перечисленных компонент;
- процент пикселей, в которых преобладает двухскачковая компонента;
- процент ярких пикселей, в которых преобладает двухскачковая компонента.
Третий подэтап представляет собой объединение перечисленных признаков в статистику, в качестве которой используется квадратичная метрика Махалонобиса
а 2(а) = (X - М ^ (а)^ К - 1(а)(Х - М ^ (а)),
2
2
2
сформированная на основе тестовых данных с известными классами. Целью этапа является исключение ложных тревог за счет естественных помех. Если расстояние Махалонобиса превышает заданное пороговое значение, то анализируемый фрагмент считается помехой, в противном случае фрагмент поступает на следующий этап распознавания.
На выходе второго этапа могут оказаться искусственные цели подобные распознаваемым, но не являющиеся ими (например, грузовик вместо танка). Чтобы исключить эти цели используется третий этап.
На третьем этапе осуществляется классификация методом сравнения с эталоном по критерию минимальной среднеквадратической ошибки. Шаблоны предварительно подвергаются пороговой обработке и в результате представляют собой набор ярких точек. Остальные точки используются для оценки СКО помехи, которая затем вычитается из значений шаблона. Точно так же нормализуется и поступающий на этап распознавания фрагмент РЛИ. Для каждого класса вычисляется среднеквадратическая ошибка в соответствии с формулой
N. ч?
I (Хг - X )2
е = ^-, (12)
N
где Хг и X, - соответствующие друг другу пиксели классифицируемого
изображения и шаблона соответственно; N - количество пикселей.
Классифицируемому изображению присваивается тот класс, которому соответствует минимальная ошибка. Если эта ошибка превышает некоторое заданное пороговое значение, то соответствующий фрагмент считается помехой.
Как следует из приведенного описания, общая структура системы соответствует общим принципам систем распознавания образов (рисунок 1), хотя содержит большое количество эмпирических элементов.
В работе [5] проанализированы алгоритмы пространственной согласованной фильтрации, как альтернатива этапа классификации. Рассматривались алгоритмы синтезированной дискриминантной (разделяющей) функции, минимальной средней корреляционной энергии, корреляционный классификатор квадратичного расстояния. Рассматривалась также инвариантность к сдвигу использованного ранее классификатора.
В качестве продолжения описанных выше исследований были предприняты попытки использования нейронных сетей в системе распознавания [3,4]. В качестве альтернативы изображенному на рисунке 2 шаблону из тестовых и оценочных пикселей использовалась совокупность из двух гамма-ядер, описываемых выражениями:
.. к+1/1-\к-1 г I-л
ёк,т (пъ п2) = с ^ркТ (V п? + п? ] ехр{-И п2 + п?, (13)
где к - порядок функции; т - параметр функции; С - нормирующий множитель.
Функция первого порядка имеет единственный максимум а начале координат, а функции более высокого порядка имеют максимумы, расположенные на окружности с центром в начале координат и радиусом к/ т. Таким образом, совокупность функции первого порядка (соответствующей тестовым пикселям) и более высокого порядка (для оценочных пикселей) представляет собой некоторое подобие используемого на этапе обнаружения шаблона (рисунок 3).
Рис. 3. Трехмерный и двумерный графики гамма-ядер
Процедура обнаружения осуществляется также как и для прямоугольного шаблона.
Процедура различения с использованием гамма-ядер осуществляется следующим образом. Вычисляется свертка исходного изображения X с гамма-ядрами первого и к - того порядка. Таким образом, вычисляется вектор признаков, позволяющий сформировать квадратичную разделяющую функцию, которая является оптимальной для случая нормального распределения. Этот вектор признаков имеет следующий вид [2]:
р = кт®х вМ®X вх,^®X2 gX2 ...
_ . (14)
К (§1,т® х)2 (вк,т® х)2 (в1,т® к,т® х) 1[
Дискриминационная статистика определяется путем умножения вектора признаков на весовой вектор W, то есть
у = WTF. (15)
Определение элементов весового вектора определяется путем обучения, то есть с использованием изображений с известными классами в соответствии с выражением
W
argmin W
d - WTF
(16)
где d - известно.
Из выражений (15) и (16) следует
W = (ftF )-1Fr d
(17)
Рис. 4. Структура алгоритма распознавания
Задача (17) является параметрической, так как зависит от параметра m, и не имеет аналитического решения. Эту проблему можно решить, зафиксировав параметр еще на этапе обнаружения. Тогда алгоритм имеет вид адаптивного линейного сумматора с ограничением (рисунок 4).
Таким образом, рассмотрена процедура распознавания, состоящая из трех этапов: обнаружение, различение и классификация. Предложены и подробно описаны признаки распознавания. Синтезирован алгоритм распознавания при использовании нейронных сетей.
Список литературы
1. Акиншин Н.С., Румянцев В.Л., Процюк С.В. Поляризационная селекция и распознавание радиолокационных сигналов. Тула: Лидар, 2000. 315 с.
2. Акиншин Н.С., Быстров Р.П., Румянцев В.Л., Соколов А.В. Миллиметровая радиолокация: методы обнаружения негауссовских сигналов. М.: Радиотехника, 2010. 528 с.
3. Way J., Smith E.A. The Evolution of Synthetic Aperture Radar Systems and their Progression to the EOS SAR. IEEE Transactions on Geoscience and Remote Sensing, 1991. Vol. 29. № 6. Р. 962-985.
93
2
4. Jordan R.L., Huneycutt B.L., Werner M. The SIR-C/X-SAR Synthetic Aperture Radar System. Proceedings of the IEEE, 1991. Vol. 79. № 6. Р. 827838.
5. Saillard L, Pottier E., Boerner W-M. Proceedings, Radar Polarimetry, JIPR-2, September 8-10, University of Nantes, IRESTE-S2HF, Nantes, France 1992.
Акиншин Олег Николаевич, канд. техн. наук, начальник отдела, cdhaeacdhae.ru, Россия, Тула, АО Центральное конструкторское бюро автоматики,
Есиков Олег Витальевич, д-р техн. наук, проф., главный специалист, Россия, Тула, cdhaeacdhae.ru, Россия, Тула, АО Центральное конструкторское бюро автоматики,
Петешов Андрей Викторович, канд. техн. наук, доц., начальник кафедры, D-johnposta mail.ru, Россия, Череповец, Череповецкое высшее военное инженерное училище радиоэлектроники,
Чернышков Александр Игоревич, асп., niriopaiiamail.ru, Россия, Пенза, Пензенский артиллерийский инженерный институт имени Н.Н. Воронова
THE CHOICE OF THE STRUCTURE AND ALGORITHM OF TARGET RECOGNITION IN RADAR SYSTEMS WITH SYNTHETIC APERTURE
O.N. Akinshin, O.V., Esikov, V.A. Peterov, A.I. Chernyshkov
The structure of the recognition system consisting of three stages: detection, discrimination and classification. Introduced and discussed in detail the signs of recognition. The algorithm of use of neural networks in the discrimination procedure using gamma kernels.
Key words: detection, signs of recognition, radar image, neural network.
Akinshin Oleg Nikolaevich, candidate of technical sciences, head of department, cdhaeacdhae.ru, Russia, Tula, JSC Central Design Bureau of Automation,
Esikov Oleg Vitalyevich, doctor of technical sciences, professor, chief specialist, cdhaeacdhae.ru, Russia, Tula, JSC Central Design Bureau of Automation,
Peteshov Andrey Viktorovich, candidate of technical sciences, professor, head of the department, D-iohn_posta,mail. ru, Russia, Cherepovets, Cherepovets Higher Military Engineering School of Radioelectronics,
Chernyshkov Alexander Igorevich, postgraduate, niriopaiiamail. ru, Russia, Penza, Penza Artillery Engineering Institute named after N.N. Voronova
