SAR目标识别：方法、特征提取和关键技术

现有的SAR目标识别方法可以被划分为两类。①第一类方法在特征提取时采用类似于光学图像的处理方式从SAR图像中提取识别特征，然后SAR目标识别问题被视为一个一般的模式分类问题来解决。早期的工作直接使用原始图像值作为特征，例如林肯实验室[73]使用原始图像值作为特征，结合模板匹配进行识别，佛罗里达大学的Zhao与Principe[40]使用原始图像作为特征，使用支持向量机完成识别。之后，学者们开始考虑一些简单的特征提取方法，例如Sun等[1]使用图像的二维离散傅立叶变换的系数幅度作为特征，基于Adaptive Boosting进行SAR目标识别，宾夕法尼亚州立大学的Papson与Narayanan[42]基于目标的阴影特征来完成识别。近年来，一些更加复杂的人工设计的特征被用于SAR目标识别，例如Srinivas等[7]使用鉴别图模型来进行SAR目标识别, Park与Kim[16]将原始的SAR图像转换到极坐标下提取识别特征，西工大的Zhang等[24]基于多视角SAR图像的联合稀疏表示计算联合稀疏表示系数作为识别特征。更近期，出现了一些基于特征学习的SAR目标识别方法，包括电子科技大学杨建宇教授课题组基于流形学习提取识别特征[13,15]，并基于深度置信网络来学习识别特征[5]，北航李春生教授课题组基于卷积神经网络来学习SAR目标识别特征[4]。此外，国防科大匡纲要教授课题组提出了基于DS证据理论进行特征融合的SAR目标识别方法[4]。②第二类方法考虑到SAR特殊的电磁成像过程，基于散射中心模型或者属性散射中心模型来提取目标识别特征，然后完成识别。一个代表性的工作是美国俄亥俄州立大学的Potter研究小组的工作[75-78]。他们提出了属性散射中心模型[7,76]。基于该模型，SAR目标图像被压缩为一组散射中心，每一个散射中心由多个物理参数描述，从而提供了关于目标的、与物理相关的、简洁的描述。Potter 研究小组在[77,78]中提出了基于散射中心特征的目标分类方法。这些工作主要针对单极化SAR数据，散射中心的特征未包含极化特征。近年来，有学者基于极化SAR或者逆SAR(ISAR)数据，在散射中心的特征中进一步考虑了极化特征。一个代表性的工作是意大利Pisa大学的Martorella研究小组的工作[79-81]。在文献[79]中，他们基于极化Clean技术[82]从极化ISAR图像中提取二维强散射点作为散射中心，散射中心的特征包括散射中心的位置与极化特征，通过将其与参考的三维点散射体模型匹配来完成识别。国内很多单位也开展了SAR目标识别算法的研究。在人工设计的特征提取方面，西安电子科技大学的Liu Ming等[14]提出了一种将稀疏表示与统计特性相融合的SAR目标识别方法；国防科大的Xiao Yuan等[18]提出了基于局部梯度比模式的SAR目标识别方法；国防科大匡纲要教授课题组基于Monogenic信号提取识别特征[11,12]。在基于特征学习的特征提取方面，电子科技大学杨建宇教授课题组[5,13,15]与北航李春生教授课题组[74]都提出了基于深度学习的目标识别方法。在基于散射中心模型的特征提取方面，国防科大ATR实验室的周剑雄副教授等[83]提出了基于全姿态散射中心模型的目标识别方法。此外，申请人课题组提出了姿态图像缺失情况下的SAR目标识别方法[84]、基于稀疏表示的SAR目标识别方法[85,86]、基于稀疏分解的属性散射中心模型参数估计方法[87,88]、以及用于SAR目标识别预处理的基于幂次变换的Otsu分割方法[89]等。

发展动态分析:

第一类方法的特征提取不依赖于SAR电磁成像过程与物理模型，基于SAR图像本身提取特征。特征提取的发展趋势如下: 从早期的直接使用原始图像幅度作为特征，发展到近年来一些较复杂的人工设计的特征，这些特征通常依赖于经验设计，而且无法直接与分类性能相关联。目前，特征提取正在朝着特征学习[90]，包括字典学习、流形学习、深度学习的方向发展，从数据本身出发,去学习对于分类或识别最有效的数据描述方式。第二类方法的特征提取依赖于特定的物理模型，即散射中心模型，特征提取实际就是模型的参数估计。目前的发展趋势有两方面: 一是在模型中引入更多的参数，以提供关于目标的更多物理特征；二是提高模型的参数估计精度。这类方法存在的主要问题是: 模型参数估计的困难性，模型与数据的匹配性。

初相校正的关键点

初相校正的几个关键点如下：

目标平动的补偿：初相校正用于补偿目标平动以及雷达发射接收通道引入的相位误差，以实现对目标平动的精确补偿。
非参数化方法：在SAR目标识别中，常用的方法是从SAR图像中提取识别特征，然后将SAR目标识别问题视为一个模式分类问题来解决。
特征提取：特征提取是SAR目标识别的关键步骤。早期的方法直接使用原始图像值作为特征，后来逐渐发展出一些简单的特征提取方法，如二维离散傅立叶变换系数幅度、目标阴影特征等。近年来，更加复杂的人工设计的特征以及基于特征学习的方法被应用于SAR目标识别。
散射中心模型：一些方法基于散射中心模型或属性散射中心模型来提取目标识别特征，并完成识别。这些模型将SAR目标图像压缩为一组散射中心，并提供了关于目标的简洁描述。
特征学习：近年来，基于特征学习的方法在SAR目标识别中得到了广泛应用，包括流形学习、深度学习等，通过学习对于分类或识别最有效的数据描述方式来提取特征。
多特征的联合使用：不同特征之间具有互补性，因此多特征的联合使用可以提高目标识别性能。采用多特征的联合学习方法可以进一步提高识别精度。
目标方位角完备和方位角不完备的识别问题：对于目标方位角完备时的高精度识别问题，特征学习和多特征联合学习是重要的研究方向；对于目标方位角不完备时的稳健识别问题，迁移学习理论可以被应用来提高识别性能。

综上所述，初相校正的关键点包括目标平动的补偿、非参数化方法的选择、特征提取的方法和特征学习的发展趋势、散射中心模型的应用、多特征的联合使用、目标方位角完备和方位角不完备的识别问题等。这些关键点对于实现准确的SAR目标识别在实践中具有重要意义。

结论

特征提取在SAR目标识别中起着至关重要的作用。现有方法从不同角度提取特征，这些特征之间具有一定的互补性，因此多特征的联合使用将有益于目标识别。针对目标方位角完备时的高精度识别问题，伴随着特征提取朝着特征学习方向发展的趋势，一个重要的方向是研究基于多特征联合学习的SAR目标识别方法，进一步提高识别精度。针对目标方位角不完备时的稳健识别问题，现有的研究工作非常少。一种可能的解决途径是基于迁移学习理论将我们从方位角完备的合作目标样本中学到的分类知识，迁移到小样本下的非合作样本的识别中，以提高小样本下的识别性能。