基于Wishart距離和超像素的極化SAR圖像車輛檢測

代曉康, 殷君君,*, 楊 健

(1. 北京科技大學計算機與通信工程學院, 北京 100083; 2. 清華大學電子工程系, 北京 100084)

0 引 言

極化合成孔徑雷達(synthetic aperture radar,SAR)不受天氣、光照等因素干擾,可全天時、全天候監(jiān)測地面目標,受到了越來越多的關注,因此極化SAR廣泛應用于超像素分割[1-5]、變化檢測[6-10]、地物分類[11-15]和目標檢測領域,如艦船檢測[16-18]、車輛檢測[19-20]、飛機跑道檢測[21]、海岸線檢測[22-23]等。

在各種SAR目標檢測算法中,由于恒虛警率(constant false alarm rate,CFAR)算法具有計算簡單、自適應選取閾值等優(yōu)勢被廣泛應用于海面艦船檢測。其中,單元平均CFAR(cell-average CFAR,CA-CFAR)檢測器是最簡單的CFAR檢測器,它對于均勻區(qū)域是最優(yōu)的,但是在異質性環(huán)境內性能會嚴重衰退。雙參數CFAR(two-parameter CFAR,2P-CFAR)算法是一種基于高斯背景假設的CFAR算法,其出現(xiàn)標志著SAR圖像目標檢測取得了巨大成功。后續(xù)針對該算法在目標周圍雜波非均勻以及多目標情況下不穩(wěn)定的問題,提出了有序統(tǒng)計CFAR(order statistic CFAR,OS-CFAR)檢測器,該算法淡化了對背景窗口里雜波分布的依賴。為了提高CFAR算法的有效性,常常需要對極化SAR數據進行多通道融合,然后再進行CFAR檢測,融合方法可以使用極化白化濾波器。極化白化濾波器[24]在極化SAR圖像目標檢測領域是一種重要的預處理方法,它能夠有效降低圖像的相干斑噪聲水平,同時增強目標的散射強度。

但是傳統(tǒng)基于CFAR算法的SAR圖像車輛目標檢測方法只適用于簡單的地物場景[25]。對于城市區(qū)域,因為其具有復雜的地物環(huán)境、背景雜波,強散射目標之間互相干擾導致虛警多,因此該類區(qū)域的目標檢測是當前SAR地面目標檢測中的重點和難點。

CFAR算法是一類基于對比度的目標檢測算法,由于車輛和建筑物都屬于人造目標,雷達回波較強,在SAR圖像上表現(xiàn)為具有和周圍環(huán)境相比較大的對比度,所以在城市區(qū)域進行車輛檢測時候,CFAR算法會把建筑物當成車輛目標。為了解決這個問題,類比于艦船檢測的海陸分割,在對車輛目標檢測之前,需要先檢測建筑物,并將此作為先驗信息引入后續(xù)的檢測步驟。

極化SAR數據符合復Wishart統(tǒng)計分布,基于復Wishart分布的Wishart分類器[26]多用于地物分類,很少應用于地面目標檢測。但利用統(tǒng)計分布可以更精確地區(qū)分不同地物,因此可以利用Wishart距離區(qū)分目標和背景。此外,隨著 SAR系統(tǒng)分辨率的提高,SAR圖像數據能夠表達更加豐富的信息。在分米級分辨率下,車輛目標在圖像中不僅僅表現(xiàn)為點目標,還表現(xiàn)為具有豐富結構特征的面目標。超像素分割是一種性能優(yōu)異的圖像分割方法,這種方法將具有相似結構的相鄰像素組合成有視覺意義的不規(guī)則像素塊來表達局部區(qū)域特征,很好地保留了目標的形態(tài)結構。使用該方法可以在密集目標檢測時,更好地利用上下文信息對相似目標進行邊緣重建。

本文針對城市區(qū)域的密集車輛目標檢測任務,提出了一種結合Wishart分類器和超像素分割的目標檢測方法。首先,利用極化分解檢測出建筑物,排除強反射偽目標;然后利用不包含建筑物的Wishart迭代分類和超像素分割獲得目標的形態(tài)信息;之后利用包含建筑物的Wishart迭代分類獲得目標的中心點;最后把中心點作為種子點對超像素進行區(qū)域生長,結合形態(tài)信息和位置信息定位車輛目標的位置和密集目標的數目。

1 基于極化SAR的目標檢測算法

1.1 基于多視極化白化濾波的CFAR方法

在極化SAR系統(tǒng)中,物體目標可以用Sinclair矩陣表示為

式中:H、V代表水平極化和垂直極化;SHV代表水平發(fā)射垂直接收時的目標后向散射系數。

(1)

1.2 目標分解

An等人[28]提出使用h、q代替極化散射熵H和極化散射角α。參數h、q的計算方法為

(2)

式中:Tij為相干矩陣T的第i行第j列的值。圖1是h-q平面區(qū)域劃分圖,根據h、q的值可將像素劃分到不同區(qū)域,每個區(qū)域代表特定的散射類型。其區(qū)域邊界比H/α平面邊界更穩(wěn)定,并且能更精準地確定目標的極化散射機制[29]。

圖1 h-q平面Fig.1 The h-q plane

1.3 基于復Wishart分類器和超像素的密集目標檢測

本文首先利用極化分解檢測出建筑物;其次,利用不包含建筑物的Wishart分類器迭代分類獲得初步的檢測結果;然后,利用Turbopixel超像素[30]分割重建目標邊緣,同時獲得目標的形態(tài)信息;接著利用包含建筑物的Wishart分類器迭代分類獲得目標的中心點作為定位信息;最后,為了結合目標形態(tài)和位置信息完成車輛目標檢測任務,需要以每個中心點所屬超像素為基礎進行區(qū)域生長,從而完成對車輛目標的標記。

檢測流程如圖2所示,詳細步驟如下。

圖2 本文算法流程圖Fig.2 Flow chart of the proposed method

步驟 1建筑物檢測。首先根據相干矩陣計算參數h、q,然后利用h-q平面定位建筑物區(qū)域,其中平面中的第6類區(qū)域屬于偶次低熵反射,符合建筑物的反射特性。因為該檢測過程基于像素級別,所以可以獲得屬于建筑物的像素位置坐標,將這類像素點作為種子點插入到基于多視極化白化濾波的CFAR檢測結果中,并將種子點所在連通域標記為建筑物區(qū)域。

步驟 2不包含建筑物的Wishart迭代分類。將步驟1中檢測出的建筑物從CFAR結果中排除,然后對剩下的背景像素和目標像素的協(xié)方差矩陣求均值分別作為聚類中心,接著執(zhí)行Wishart迭代分類直至結果收斂。

步驟 3對步驟2中獲得的迭代分類結果進行超像素分割,其主要目的是獲得密集目標之間的邊緣信息以便后續(xù)的檢測,同時獲得目標的形態(tài)信息。

步驟 4包含建筑物的Wishart迭代分類。該步驟與步驟2相似,不同點是不對建筑物進行排除,即使用原始的CFAR結果進行Wishart迭代分類直至結果收斂。因為有建筑物的參與,所以最終檢測結果會留下目標的最強散射區(qū)域,密集目標之間可以相互分離。

步驟 5獲得目標中心。對步驟4中的結果進行連通域標記,然后把每個連通域的中心點作為單個目標的中心點,從而獲得目標的位置信息和個數。結合目標大小和圖像的分辨率便可以給出初步的檢測結果。

步驟 6目標標記。在步驟5中獲得了目標的中心點后,將中心點所在的超像素進行區(qū)域生長獲得最終的檢測結果。具體操作是:對于每個目標中心點,計算與其他超像素中心的歐式距離,并且按照距離大小升序排列,然后把距離最小的超像素合并到該目標中心點所屬的超像素中。如果合并后的超像素面積小于固定閾值Areathresh,則繼續(xù)按照距離大小繼續(xù)進行超像素合并,直到合并后的超像素面積超過閾值為止。

2 實驗結果及分析

實驗數據來自中科院電子所X波段的機載全極化SAR數據,成像區(qū)域是中國喀什地區(qū),數據格式是單視復數據,分辨率是0.2 m×0.2 m。實驗區(qū)域的Pauli偽彩色圖如圖3所示。在實驗場景中包含建筑物和地面強雜波的干擾,分別用紅框和藍框標出。

圖3 兩組實驗數據的Pauli偽彩色圖Fig.3 Pauli pseudo-color images of two testing datas

2.1 基于多視極化白化濾波的恒虛警率檢測

給定等效視數L和Pfa,通過解析表達式計算檢測門限Thresh。本文的等效視數設置為1,Pfa設置為0.000 5。檢測結果如圖4所示,可以看出,CFAR檢測器無法去除建筑物和地面強雜波干擾。

圖4 CFAR檢測結果Fig.4 Detection results of CFAR

2.2 建筑物檢測

利用屬于h-q平面中的第6類像素點作為種子點插入到基于多視極化白化濾波的CFAR檢測二值圖中,結果如圖5中紅點所示,可以看到除了建筑物區(qū)域,有些種子點落在了其他地方,為了排除干擾可以將個數較少的種子點去除,去除結果如圖6所示。最后把種子點所在連通域標記為建筑物區(qū)域,結果如圖7所示。

圖5 h-q平面中第6類像素點Fig.5 The sixth class pixels of the h-q plane

圖6 實驗數據的建筑物種子點Fig.6 Building seed points of the testing datas

圖7 建筑物檢測結果Fig.7 Detection results of building areas

2.3 不包含建筑物的Wishart分類器迭代分類

將檢測出的建筑物從CFAR結果中排除,如圖8所示。然后對剩下背景像素和目標像素的協(xié)方差矩陣求均值分別作為聚類中心,接著執(zhí)行Wishart迭代分類直至結果收斂,收斂結果如圖9所示?？梢钥吹?經過迭代Wishart分類后,地面結果更加純凈,目標的形態(tài)更加清晰,但是不包含建筑物的Wishart迭代分類無法有效去除地面強雜波反射,而且密集目標相互粘連,無法準確區(qū)分和定位。

圖8 排除建筑物的兩組實驗數據Fig.8 Two testing sets without buildings

圖9 實驗數據的Wishart迭代分類結果Fig.9 Wishart iterative classification results of experimental datas

2.4 超像素分割

對Wishart迭代分類結果所對應的Pauli偽彩色圖進行Turbopixel超像素分割。超像素個數設置為2 000個,結果如圖10所示。可以看到,超像素分割重建了密集車輛目標的邊緣。

圖10 實驗數據的超像素分割結果Fig.10 Superpixel segmentation results of experimental data

2.5 包含建筑物的Wishart分類器迭代分類

因為有建筑物參與迭代分類,因此需要最后將建筑物從結果中去除。當Pfa=0.000 1的時候,實驗場景1的迭代結果如圖11(a)所示,當Pfa=0.000 01的時候,實驗場景2的迭代結果如圖11(b)所示,從圖中可以看出雖然車輛目標的形態(tài)不完整,但是原本相鄰的目標會相互分離,便于定位。

圖11 實驗數據包含建筑物的分類結果Fig.11 Wishart iterative classification result with buildings

把每個連通域的中心作為單個目標的中心點,結合極化SAR系統(tǒng)的分辨率和目標的大小,設置一個合適大小的矩形框,初步檢測結果如圖12所示。由于是高分辨率成像,所以一個車輛目標可能有兩個連通域,即有兩個中心點,此時需要對兩個矩形框進行合并。合并的判斷標準是如果兩個矩形框的IoU(intersection over union)超過25%,則這兩個矩形框需要合并。

圖12 實驗數據初步的檢測結果Fig.12 Preliminary detection results of testing datas

中心點個數隨虛警率的變化規(guī)律如圖13所示,從圖13可以看出,隨著Pfa的縮小,中心點個數趨于穩(wěn)定。

圖13 實驗數據的中心點個數隨Pfa的變化規(guī)律Fig.13 Variations of the number of center points with Pfa

隨著Pfa的變化,準確率、召回率和F1值的變化如圖14所示。

圖14 實驗數據初步檢測結果的指標評價Fig.14 Evaluation of the preliminary detection results for testing datas

為了驗證通過極化分解去除建筑物對后續(xù)車輛目標檢測的影響,本文設置了對照試驗,實驗流程與步驟4相同,但是最后不將建筑物排除。當Pfa=0.000 1的時候,對照實驗的檢測結果如圖15和圖16所示,可以看出Wishart迭代結果形成的連通域中心受到了建筑物的嚴重干擾,這樣在根據IoU合并矩形框后在建筑物區(qū)域會形成大量虛警。另外,因為中心點的定位不準,在后續(xù)的目標標記過程中會使得超像素被錯誤標記。

圖15 對照實驗的中心點定位結果Fig.15 Central point positioning results of control experiment

圖16 對照實驗的檢測結果Fig.16 Detection results of control experiment

2.6 目標標記

當Pfa=0.000 1的時候,實驗場景1的真值圖如圖17(a)所示，目標標記結果如圖17(b)所示;當Pfa=0.000 01的時候,實驗場景2的真值圖如圖17(c)所示，目標標記結果如圖17(d)所示。隨著Pfa的變化,準確率、召回率和F1值的變化如圖18所示。

圖17 實驗數據的目標標記結果Fig.17 Target label results of the testing datas

圖18 實驗場景像素級別的指標評價Fig.18 Indicator evaluation of pixel leve for experimental scene

2.7 對比方法

為了驗證本算法的優(yōu)越性,在排除建筑物的基礎上,從定量和定性的角度與經典的CA-CFAR,OS-CFAR和2P-CFAR算法對比結果如圖19和圖20所示,其中定量分析的指標是F1值。從圖19可以看出,OS-CFAR的F1值最高,2P-CFAR次之,CA-CFAR最低,但是三者的最高F1也沒有超過0.6,但是本文所提算法可以達到0.85,優(yōu)于上述3種經典算法。從圖20可以看出,3種經典方法在目標形態(tài)方面都沒有所提算法完整,并且基于對比度的CFAR算法易受到地面強雜波的干擾,虛警無法有效排除。

圖19 不同實驗場景不同方法的的F1值Fig.19 F1 scores of different methods for different experimental sccenes

圖20 傳統(tǒng)目標檢測算法的定性評估Fig.20 Qualitative evaluation of traditional target detection algorithms

此外,為了驗證通過極化分解去除建筑物對后續(xù)車輛目標檢測的影響,需要對傳統(tǒng)方法補充對照試驗,即不對建筑物進行排除的車輛目標檢測結果,圖21為基于OSCFAR算法的對照實驗結果。從圖21中看出,OS-CFAR不能排除人工強反射物,所以如果不對建筑物排除,會造成大量虛警。

圖21 基于OS-CFAR算法的對照實驗Fig.21 Control experiment based on OS-CFAR algorithm

3 結 論

在復雜場景下檢測車輛目標時,基于對比度的傳統(tǒng)CFAR方法不能排除建筑物干擾。本文通過極化分解去除建筑物,為后續(xù)的車輛目標檢測提供了便利。進一步,針對CFAR方法不能有效分離密集目標和計算目標總個數的問題,通過Wishart迭代和超像素分割獲得目標的位置和形態(tài)信息。最后通過目標標記步驟結合二者信息獲得最終的檢測結果。本文算法很好地解決了城市區(qū)域復雜地面背景下的密集目標檢測任務,且性能優(yōu)于傳統(tǒng)CFAR算法。