一种基于精细极化分解的PolSAR车辆目标检测方法

技术领域

本发明涉及极化合成孔径雷达车辆目标检测技术领域，具体地，涉及一种基于精细极化分解的PolSAR车辆目标检测方法。

背景技术

极化合成孔径雷达(polarimetric synthetic aperture radar,简称PolSAR)具备全天候昼夜对地成像能力，可以同时获取不同极化通道的数据，已经成为遥感领域不可或缺的传感器之一。PolSAR系统获取的数据包含目标丰富的极化信息，促进了目标散射机理解译技术的发展，在人造目标检测如建筑物、舰船、车辆的检测中发挥着重要的作用。其中，PolSAR车辆目标检测对战场环境侦察监视、道路交通监管等军民应用来说尤为关键。目前文献中关于PolSAR车辆目标检测的研究不多，这一方面是因为车辆目标所处的成像场景一般较为复杂，包括草地、树木、建筑、道路等，导致仅依靠强度信息很难实现有效检测。另一方面，可用的公开PolSAR车辆数据集较少，不利于相关研究工作的开展。一般来说，简单场景下的目标在空间上分布比较离散、背景杂波均匀且强度较低、人造杂波干扰较少(例如平静海面上的舰船目标)，因此其检测相对容易。而复杂场景下的目标在空间上分布比较集中，存在多目标相互干扰的情况，且背景杂波异质、强度较高，人造杂波干扰较多，难以检测，导致传统的基于散射强度的目标检测方法不再适用。此外，当车辆目标的取向与雷达飞行方向不平行时(称为变方位车辆目标)，其后向散射会产生强烈的交叉极化响应，给PolSAR数据解译带来了一定的挑战。因此，为了实现复杂场景下车辆目标的检测，需要对其散射行为进行精准刻画，并由此构造稳健有效的极化特征将它与背景杂波及人造杂波干扰区分开来。

发明内容

本发明的目的在于提供一种基于精细极化分解的PolSAR车辆目标检测方法，解决现有技术中PolSAR车辆目标在复杂场景下难以检测的技术问题，从目标散射行为精细刻画入手，提出了精细五分量极化分解方法，并由此构造了稳健的散射功率复合特征，以将车辆目标与背景杂波及人造杂波干扰区分开来，实现车辆目标的简单、有效检测。

为了实现上述目的，本发明的技术方案如下：

本发明提出了一种基于精细极化分解的PolSAR车辆目标检测方法，包括以下步骤：

S1.构建旋转二面角散射模型，提出精细五分量极化分解方法，对PolSAR车辆目标散射进行精细极化分解；

S2.基于稳健的散射功率复合特征，构建了一种散射功率复合特征检测器，实现PolSAR车辆目标有效检测。

作为本发明一种基于精细极化分解的PolSAR车辆目标检测方法的一个方面，其中S1包括以下步骤：

S11.针对车辆目标检测任务，在GRDSM的基础上，构建了旋转二面角散射模型RDSM；

S12.结合旋转二面角散射模型RDSM，提出了精细五分量极化分解方法。

作为本发明一种基于精细极化分解的PolSAR车辆目标检测方法的一个方面，其中S11包括以下步骤：

S111.对旋转二面角结构的散射进行合理建模，在交叉散射模型CSM的基础上提出广义旋转二面角散射模型GRDSM，其相干矩阵[T]

其中，X

S112.在广义旋转二面角散射模型GRDSM的基础上，构建了旋转二面角散射模型RDSM，其相干矩阵[T]

上式中的D

其中，SPAN表示散射总功率，λ

作为本发明一种基于精细极化分解的PolSAR车辆目标检测方法的一个方面，其中S111中的交叉散射模型CSM的相干矩阵[T]

其中，θ

作为本发明一种基于精细极化分解的PolSAR车辆目标检测方法的一个方面，其中S12包括以下步骤：

S121.精细五分量极化分解方法的表达式如下：

＜[T]＞＝f

其中，＜[T]＞表示测量相干矩阵，[T]

S122.将测量相干矩阵＜[T]>按元素展开，得到方程组如下所示：

f

S123.利用分支条件T

S124.在非旋转二面角区域或其他自然区域，所述方程组中的

T

T

f

因此，各散射分量的功率如下式：

P

P

作为本发明一种基于精细极化分解的PolSAR车辆目标检测方法的一个方面，其中所述S2包括以下步骤：

S21.构造了形式简单、物理意义清晰的散射功率复合特征；

S22.构建了散射功率复合特征检测器,实现PolSAR车辆目标的有效检测。

作为本发明一种基于精细极化分解的PolSAR车辆目标检测方法的一个方面，其中所述S21包括以下步骤：

S211.对于方位平行车辆目标，提出了散射功率复合特征Feature

Feature

S212.对于变方位车辆目标，提出了散射功率复合特征Feature

Feature

用于构造复合特征Feature

其中，i＝S,D,V,H,R，P

S213.结合Feature

Feature

＝P

作为本发明一种基于精细极化分解的PolSAR车辆目标检测方法的一个方面，其中所述S22包括以下步骤：

S221.基于散射功率复合特征Feature

Det

其中，Density(X)表示X的密度，即X在中心像素N×N邻域内的均值，邻域的大小设置为3×3；

S222.设置检测阈值为TH

作为本发明一种基于精细极化分解的PolSAR车辆目标检测方法的一个方面，其中S222中检测阈值TH

S2221.选取一块典型的地面背景区域作为训练数据，计算该区域内Det

S2222.将得到的Det

采用上述技术方案，本发明具有以下优点：

本发明提供了一种基于精细极化分解的PolSAR车辆目标检测方法，针对复杂场景下的车辆目标检测，引入了旋转二面角散射模型，充分考虑了二面角结构方位变化带来的同极化与交叉极化响应的快速转化，并由此提出了一种精细五分量极化分解方法，实现了车辆目标散射行为的定量表征；在此基础上，通过分析车辆目标与地面背景的散射差异，本发明构建了形式简单、物理意义清晰的散射功率复合特征检测器，增强了车辆目标与地面背景的散射差异，实现了车辆目标的稳健、有效检测。

附图说明

图1为本发明的车辆目标散射组成分析；

图2为本发明的车辆目标检测使用的无人机载SAR数据1和数据2；

图3为本发明的无人机载SAR数据1的精细五分量极化分解结果；

图4为本发明的无人机载SAR数据2的精细五分量极化分解结果；

图5为无人机载SAR数据1上不同检测器的幅度图；

图6为无人机载SAR数据2上不同检测器的幅度图；

图7为本发明的检测器和其他检测器在各个车辆目标处的TCR变化；

图8为本发明的检测器和其他检测器的ROC曲线；

图9为本发明方法和其他方法在无人机载SAR数据1上的检测结果；

图10为本发明方法和其他方法在无人机载SAR数据2上的检测结果。

具体实施方式

以下结合说明书附图对本发明的技术方案进行具体描述，需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

PolSAR系统通过发射和接收相互正交的电磁波，可以获取目标丰富的极化信息。测量得到的PolSAR数据可以表示为2×2的散射矩阵S

其中，下标H和V分别表示水平和垂直极化。S

基于Pauli基的目标矢量k

其中，上标T表示转置。由目标矢量k

上标*和H分别表示共轭和共轭转置，<·>表示空间平均。相干矩阵T为半正定的埃尔米特矩阵，其对角元素为实数，非对角元素为复数，总自由度为9。

二面角结构在人造目标场景如车辆、舰船、建筑物中较为常见。极化分解中常用的偶次散射模型适用于描述平行于雷达飞行方向的二面角结构(称为非旋转二面角)所产生的散射。当成像场景中二面角结构的方位角发生变化时(称为旋转二面角)，其后向散射能够产生强烈的交叉极化能量，导致传统的偶次散射模型不再适用。因此，为了准确解译旋转人造目标的散射机理，需要对旋转二面角结构的散射进行合理建模。

本发明提供了一种基于精细极化分解的PolSAR车辆目标检测方法，包括以下步骤：

S1.构建旋转二面角散射模型，提出精细五分量极化分解方法，对PolSAR车辆目标散射进行精细极化分解；

S1包括以下步骤：

S11.针对车辆目标检测任务，在GRDSM的基础上，构建了旋转二面角散射模型RDSM；

S11包括以下步骤：

S111.对旋转二面角结构的散射进行合理建模，在交叉散射模型CSM的基础上提出广义旋转二面角散射模型GRDSM。

早期，项德良等人对旋转二面角结构产生的交叉极化散射进行建模，提出了交叉散射模型(cross scattering model,CSM)。该模型的相干矩阵[T]

其中，θ

为了对旋转二面角结构的散射进行合理建模，在CSM的基础上提出了一种广义旋转二面角散射模型(general rotated dihedral scattering model,GRDSM)，其相干矩阵[T]

其中，X

S112.针对车辆目标检测任务，在GRDSM的基础上，构建了具有以下参数表达形式的旋转二面角散射模型(rotated dihedral scattering model,RDSM)

式(6)中的D

其中，SPAN表示散射总功率，λ

D

(1)RDSM能够从总的交叉极化能量中分离出来自旋转二面角结构的分量，从而改善旋转人造目标处的体散射过估计；

(2)对于旋转二面角结构，RDSM中的同极化分量始终小于交叉极化分量，更加符合旋转二面角结构的实际散射行为，因此能够增强旋转二面角散射；

(3)RDSM的模型参数由相干矩阵的特征值推导得到，因此其具有旋转不变性，不受方位角估计精度的影响。

S12.结合旋转二面角散射模型RDSM，提出了精细五分量极化分解方法。

S12包括以下具体步骤：

S121.精细五分量极化分解方法的表达式，可将其表示为

<[T]>＝f

其中，<[T]>表示测量相干矩阵，[T]

S122.将测量相干矩阵<[T]>按元素展开，即将式(8)的相干矩阵按元素展开，可以得到式(11)所示的方程组。

S123.式(11)所示的方程组具有7个未知数，因此模型参数的求解属于欠定问题，需要利用分支条件固定部分模型参数，使用的分支条件为T

当T

S124.事实上，在非旋转二面角区域或其他自然区域，f

因此，各散射分量的功率为

P

P

S2.基于稳健的散射功率复合特征，构建了一种散射功率复合特征检测器，实现PolSAR车辆目标有效检测。

S2包括以下具体步骤：

S21.车辆目标所处的地面背景一般较为复杂(道路、草地、树木、建筑等)，这给PolSAR车辆目标的检测带来了一定的挑战。基于精细五分量极化分解方法，可以对车辆目标的散射行为进行定量表征。通过分析车辆目标与地面背景的散射特性差异，结合精细五分量极化分解结果，本发明构造了形式简单、物理意义清晰的散射功率复合特征，用于车辆目标检测。

S21包括以下步骤：

S211.图1给出了车辆目标的散射机制示意图。其中，图1中的(a)为方位平行车辆目标；(b)为变方位车辆目标。A为表面散射，B为偶次散射，C为体散射(多重交互散射)，D为螺旋散射，E为旋转二面角散射。对于方位平行车辆目标(其指向平行或垂直于雷达飞行方向)，如图1中的(a)所示，其后向散射机制主要包括车身与地面形成的二面角结构产生的偶次散射、车顶等部位产生的表面散射、车身与地面背景交互产生的多重交互散射等。为了突出地面背景中的方位平行车辆目标，本发明提出了散射功率复合特征Feature

Feature

由式(16)可以发现，Feature

而对于道路、草地、树木等地面背景，由于其仅具有较强的表面散射或体散射功率，因此得到的Feature

其中i＝S,D,V,H,R。归一化处理之后，P

S212.对于变方位车辆目标(车辆目标的取向与雷达飞行方向不平行)，如图1中的(b)所示，其后向散射能够产生强烈的交叉极化能量。其散射机制主要包括车身与地面形成的旋转二面角结构产生的旋转二面角散射、车顶等部位产生的表面散射、车身与地面背景交互产生的多重交互散射以及螺旋散射等。为了突出地面背景中的变方位车辆目标，本发明提出了散射功率复合特征Feature

Feature

结合以上散射特性分析可知，Feature

S213.结合Feature

S22.构建了散射功率复合特征检测器,实现PolSAR车辆目标的有效检测。

S22包括以下具体步骤：

S221.基于散射功率复合特征Feature

Det

其中，Density(X)表示X的密度，即X在中心像素N×N邻域内的均值，邻域的大小设置为3×3；

S222.设置检测阈值为TH

其中，S222中检测阈值的确定方法包括以下步骤：

S2221.选取一块典型的地面背景区域作为训练数据，计算该区域内Det

S2222.为了消除异常点对阈值选取的影响，将得到的Det

实验结果

本发明使用的实验数据为某无人机载SAR在某机场得到的两景Ku波段全极化数据：无人机载SAR数据1和无人机载SAR数据2。这两景数据为同一目标场景在不同航向、不同观测视角的成像结果，成像场景主要包括车辆目标、草地、裸地、道路、树木等。原始方位向和距离向的分辨率均为0.15米。为了抑制相干斑噪声的影响，对数据进行了3×3的精细Lee滤波处理。图2给出了这两景数据的Pauli图、光学图和车辆目标的真值图。其中车辆目标的真值图是根据光学图和Pauli图进行人工标注的，无人机载SAR数据1包含7个车辆目标(V1～V7，其中V3～V5为大型客车，其余车辆均为小轿车)，无人机载SAR数据2包含3个车辆目标(V1～V3，其中V1为中型货车，V2和V3为小轿车)。图2中，(a)无人机载SAR数据1的Pauli图；(b)无人机载SAR数据1的光学图；(c)无人机载SAR数据1的车辆目标真值图；(d)无人机载SAR数据2的Pauli图；(e)无人机载SAR数据2的光学图；(f)无人机载SAR数据2的车辆目标真值图。

对无人机载SAR数据1和无人机载SAR数据2进行精细五分量极化分解，分解结果的RGB伪彩图和各散射分量分别见图3和图4，其中，RGB伪彩图的红色通道表示人造目标散射(偶次散射、螺旋散射、旋转二面角散射)，绿色通道表示体散射(多重交互散射)，蓝色通道表示表面散射。由图3和图4可以发现，方位平行车辆目标具有很强的表面散射、偶次散射和多重交互散射，其RGB伪彩图显示红色或洋红色(无人机载SAR数据1中的V1，V3～V5和V7，无人机载SAR数据2中的V1和V2)。而变方位车辆目标具有较为显著的旋转二面角散射、螺旋散射和多重交互散射，其RGB伪彩图显示橙红色或黄色(无人机载SAR数据1中的V2和V6，无人机载SAR数据2中的V3)。

为了对极化分解结果进行定量分析，本发明在无人机载SAR数据1和无人机载SAR数据2中分别选取了三个地面背景区域(ROI 1～ROI 3,分别表示草地、道路以及树木)，并统计了车辆目标及地面背景处各散射分量的平均功率占比，具体如表1和表2所示。通过表1和表2可以发现，对于方位平行车辆目标(无人机载SAR数据1中的V1，V3～V5和V7，无人机载SAR数据2中的V1和V2)，偶次散射和表面散射分量的平均功率占比均较高，两者之和大于80％。而旋转二面角散射分量的平均功率占比很小，最大不超过2％。对于变方位车辆目标(无人机载SAR数据1中的V2和V6，无人机载SAR数据2中的V3)，其偶次散射分量的平均功率占比相较于方位平行车辆目标极大降低，而多重交互散射、螺旋散射和旋转二面角散射分量的平均功率占比均大幅度提高。对于草地(无人机载SAR数据1和无人机载SAR数据2中的ROI 1)，其表面散射分量的平均功率占比最大，约为40％，表明其主导散射机制为表面散射。道路(无人机载SAR数据1和无人机载SAR数据2中的ROI 2)的后向散射很弱，在RGB伪彩图上表现较暗，除了路面的表面散射分量，路面与路边的树木、护栏等交互产生了较多偶次散射或多重交互散射。对于树木(无人机载SAR数据1和无人机载SAR数据2中的ROI 3)，除了树冠的体散射分量，树干与地面形成的二面角结构产生的偶次散射分量或树下地面的表面散射分量也较强。由以上分析可以推测式(18)中的散射功率复合特征Feature

表1无人机载SAR数据1各散射分量的平均功率占比(％)

表2无人机载SAR数据2各散射分量的平均功率占比(％)

车辆目标检测性能与对比：基于精细五分量极化分解结果，本发明构建散射功率复合特征检测器Det

TCR＝10log

其中，S

图5和图6分别给出了无人机载SAR数据1和无人机载数据2上不同检测器的幅度图。由图5和图6两组图可以直观看出，方位平行车辆目标处所有检测器的幅度均有较大的取值。而在变方位车辆目标处，相较于其他车辆检测器，本发明提出的Det

ROC曲线常用来评估不同检测器的检测性能，因此本发明也将其作为评价指标之一。由于无人机载SAR数据1和无人机载SAR数据2中的车辆目标个数较少，为了使ROC曲线更为光滑，本发明将车辆目标的每个像素看作一个独立的目标。因此，检测概率P

图9和图10分别给出了不同方法在无人机载SAR数据1和无人机载SAR数据2上的检测结果，其中绿色、黄色和红色矩形框分别表示正确检测目标、漏检目标以及虚警目标。对于Det

从图9可以看出，对于无人机载SAR数据1，本发明的方法能够正确检测出所有车辆目标，并且无虚警产生。而NPNF方法和Cloude的方法均漏检了变方位车辆目标V6，三种对比方法均产生了一个虚警。对照虚警产生的位置与图2中(b)的光学图像可以发现，图像下方道路左侧竖立的道路指示牌与雷达飞行方向平行，其后向散射产生了强烈的能量，导致对比方法在此处产生了虚警。对于无人机载SAR数据2，由图10可知，不同方法均能检测出所有的车辆目标，但本发明方法以及Dai的方法给出的检测结果中不存在虚警，而NPNF方法和Cloude的方法分别产生了2个和3个虚警。对比图10中(d)的检测结果和图2中(e)的光学图像可知，道路边的金属护栏产生了较强的后向散射，导致Cloude的方法存在较多虚警。Dai的方法虽然可以取得很好的检测结果，但该方法需要对MPWF CFAR得到的结果进行复杂的Wishart分类及超像素分割等处理，以剔除人造杂波干扰。而本发明方法利用Det

不同方法的品质因素FoM具体如表3所示。

表3不同检测方法的FoM

从表3可以看出，本发明方法在无人机载SAR数据1和无人机载数据2上均具有最高的FoM，因此其检测性能最优。此外，图9和图10给出了不同方法在变方位车辆目标处的检测结果放大图，具体见洋红色方框标记区域。从中可以发现，相较于其他方法，本发明方法能够保留变方位车辆目标更多的轮廓和细节信息，这得益于Det

因此，相较于对比方法，本发明的基于精细极化分解的PolSAR车辆目标检测方法能够极大提高变方位车辆目标处的TCR，具有最优的ROC曲线和最高的FoM，展现了优秀的检测性能。此外，本发明方法能够保留车辆目标更多的轮廓和细节信息，有助于进一步的目标分类、识别等应用。

最后，需要指出的是，虽然本发明已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，在不脱离本发明构思的前提下还可以作出各种等效的变化或替换，因此，只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本发明的权利要求书范围内。