基于多尺度特征聚类算法的不确定目标检测
周 颖，赵晓哲，逯 超
（西北工业大学电子信息学院，西安 710072）
摘 要： 提出一种基于无样本的SAR图像目标检测分类方法。针对空战过程中难以获得大量SAR图像目标样本问题，采用基于全局CFAR的多尺度SIFT特征进行目标纹理描述，并针对特征维度较高及特征描述之间存在的冗余问题，通过PCA算法对其进行降维处理后，采用DBSCAN算法对潜在目标区域的多尺度SIFT特征进行分类实现目标检测。通过单一目标和多类目标图像进行实验验证，实验结果表明该方法具有一定的有效性和可行性。
关键词： SAR图像，SIFT特征，聚类算法，目标分类
0 引言
地面目标的检测是对地作战的基础，检测的精确程度将影响对地攻击效果。为取得战场信息控制权，敌方目标的准确定位与判别起着至关重要的作用。由于合成孔径雷达是侧视成像，侦查距离较远，可以实现全天侯、全天时的探测、侦察，SAR成像技术在对地面目标的检测识别方面发挥了不可替代的作用［1-2］。
目前常用的SAR图像目标自动检测系统主要包括预处理、目标信息提取和目标识别3个步骤［3-4］。SAR图预处理是使用恒虚警率（Constant False Alarm Rate，CFAR）算法［5］、视觉注意模型等方法［6］，获取与SAR图像背景有显著差异的区域作为潜在目标区域。目标信息提取主要是对目标的一种或多种特征进行分析和描述，通常利用目标的灰度、形状、纹理等特性进行潜在目标的特征描述，以便高效地从潜在目标中识别出正确的兴趣目标。特征鉴别通过模板匹配法、模型分类法、神经网络算法与支持向量机等分类方法对目标与非目标进行分类［7］。
与光学图像不同，SAR成像过程中存在遮挡、叠掩、噪声等情况，目标的最终形态受SAR成像因素影响较大。如同类目标在不同视角下可能具有完全不同的形状和纹理，甚至会与斑点噪声相类似，这种情况在SAR分辨率不高的情况下尤为明显。如果采用样本训练学习的方法进行目标分类，则需要预先获取大量不同视角、不同分辨率的SAR目标图像，但现在SAR图像目标库的构建存在一定困难。因此，机器学习的方法并不能适用于所有情况的SAR目标检测，尤其是不确定目标。
针对上述问题，为实现战场中不确定性目标的自动检测，本文根据目标纹理提取能够准确描述目标的特征，并通过聚类方式对目标与非目标进行分类，最终实现场景中同类目标的自动检测。
1 多尺度SAR目标特征提取
雷达识别的目标材质往往具有较强的散射特性，因此，目标在SAR图像中具有较明显的灰度特征。此外，目标在SAR图像中的有效特征还包括尺寸、边缘纹理和轮廓等。且随着分辨率的提高，照射对象的细小结构、地物尺寸和轮廓等特征，可以得到更细致的描述，因此，对于SAR图像中目标进行纹理描述可以获得更为准确的特征。尺度不变特征变换［8-10］（Scale-Invariant Feature Transform，SIFT）特征是一种电脑视觉的算法，用来侦测与描述影像中的局部性特征，可以同时处理尺度和仿射变换的变换，利用特征点来提取特征描述符。通过SIFT特征提取处理SAR图像，可以很好地反映目标的局部纹理信息，而且在光照、噪声以及部分物体遮挡的条件下也具有良好的检测性能。
1.1 基于灰度特征的目标特征点选取
传统SIFT描述符特征点是通过计算高斯差分（Difference of Gaussian，DoG）空间中的极值点选取的，但在目标检测过程中，该方法不能确保极值点落在目标区域。由于目标在SAR图像中具有较为明显的灰度特征，本文采用全局CFAR算法确定SAR图像中灰度值较高的潜在目标区域，并选取该区域中心为构造SIFT描述符的特征点。
本文选取的实验数据为线面混合河流数据，位于经纬度120°44'31"E、28°13'19.2"N附近，属瓯江水系，河长约800千米，比例尺为1：5万。其数据形态如下图6所示。
在SAR图像中进行SIFT特征提取，需要确定以特征点为中心潜在目标区域，该区域中包括目标和目标背景信息。如果该区域选取过大，特征中会过多地包含背景信息；反之，会造成纹理信息缺失。本文选取多尺度潜在目标区域，使其既能保证目标信息的完整性，又包含目标的详细纹理信息。
3）如果Ω=Ø，计算过程完成，反之进行 4）的计算；
全局CFAR检测的结果中包含了多个不同尺寸的独立区域，即潜在目标区域。为简化计算，本文将目标局部区域的质心作为SIFT特征提取的区域中心特征点进行多尺度特征提取。
主成分方差所占的比重记为b，则b可以反映Fv所包含的信息量的比重，其表达式为:
1.2 潜在目标局部区域选择
训练目标在SAR图像中所占比例较小，基本不能对背景杂波分布产生影响，可以将整个SAR图像作为背景杂波区，通过灰度统计分布计算得到全局检测阈值Tg，并将整幅图像中像素灰度值与Tg进行比较，获取含高亮像素点的潜在兴趣目标区域矩阵V，可以用式（1）来表示:
将全局CFAR获取的高亮区域按面积大小对面积值进行拟合，如图1所示。选取面积最大值，拟合曲线最高点所在面积值以及该区域间的中间高度值所在的面积值作为基准，选取3个面积值的外切正方形作为SIFT特征提取的局部区域，分别对其进行SIFT特征提取，并对提取特征进行PCA降维以获得最终的SAR目标特征描述，具体过程如下:
第二，电子商务平台可以实现农村经济管理的统一核算，打破各村独立记账的传统财务管理模式，为社会大众提供更规范、准确、全面的财务信息，从而有效预防贪污和舞弊行为的发生。
图1 多尺度SIFT特征提取
1.3 SIFT特征描述
SIFT特征描述是对种子点梯度方向和幅值的描述，其计算方式分别通过式（3）和式（4）获得。
在计算SIFT描述时，对整个区域高斯加权，同时采用双线性插值的方法，对每个目标区域的种子点均匀采样。此时把目标区域划分为4×4个正方形区域，每个正方形区域一个采样点。在计算梯度方向直方图时，将360°分为8个方向，在新的坐标系中计算区域内像素点的梯度幅值和梯度幅角并进行高斯加权，每个像素点的梯度以一定的权重划分到邻近的种子点上。梯度方向和梯度幅值分别以箭头方向和箭头长度表示，以每个种子点为中心对邻近像素计算8个方向的梯度直方图，并将其进行累加得到该种子点的描述，最终生成直方图，得到SIFT描述向量，其构造过程如图2所示。
谁都没想到，那个时候，胖子忽然从旁边冲了出来。他奋力一跃，死死地抱住了迟羽的腿，任凭下面的人怎么喊也不放。强气流中的伞翼因为胖子的出现而大大增加了负重，慢慢恢复正常，加上迟羽努力平复情绪，操作手法又比较熟练，终于慢慢恢复了飞行姿态，逐渐降低了高度。可是胖子没有撑到最后一刻，在离地面高度还有近五十米的地方，他的手松开了，力尽而坠。几分钟后，迟羽安全降落在他的身旁。
方瑄(1982-)，女，汉族，福建省漳州市人，会计硕士研究生，会计师，厦门金圆投资集团有限公司财务管理部总经理。
图2 种子点向量构造过程
1.4 PCA特征降维
针对每个特征点分别在3个不同尺度的局部区域进行SIFT特征提取，本文中多尺度SIFT向量长度（4×4）×8×3=384，比原始SIFT算法得到的特征向量大很多。此外，不同尺度的SAR目标区域具有交叉部分，在种子的梯度方向和梯度幅值的计算过程中存在重复计算，导致不同尺度的特征描述存在较大的相关性。因此，该特征在能够准确描述目标的纹理信息外，还具有较大的冗余，计算量大，且影响目标检测的结果。本文通过降维的方式减少特征描述向量中的冗余项。
主分量分析［11-12］（Principal Component Analysis，PCA）算法的核心是求解特征描述中的主要特征分量，并用其代替目标的特征，对目标特征进行分类。其核心计算步骤如下:
1）协方差矩阵
描述，其中
2）求协方差矩阵的特征值及对应的特征向量，设∑的前V个较大的特征值为
0，分别对应前V个主成分的方差值，设
v对应的单位特征向量av为主成分Fv的系数，则Fv可以表达为:
更重要的是，这场灾难仍未结束，拉姆努只是暂时性逃离了最前线的战场，逃离了那些血腥变态的行动，大家仍然被笼罩在恐怖分子的阴霾之中，不知道明天在哪里，不知道这样暂时性的安静生活能持续多久，只要反叛分子没有被消灭，他们永远都要活在这种恐慌之中，不能自拔。
3）主成分的选择，主成分的个数V可以通过V个主方差共同占有的比重来确定:
通过以上两种方法，可以有效控制小分子物质的产生，并及时排出产生的小分子，从而提升PP注塑件的气味、VOC水平，改善车内空气质量。
设定阈值Tp，当G（m）大于该阈值时的V值用以作为SAR目标特征向量降维处理的参数。
2 基于DBSCAN目标聚类的目标分类
对于不确定环境下的多目标检测，其潜在目标数量与形成的簇类的数量都是未知的。由于没有样本集，在选取初始聚类中心具有一定难度。基于密度的聚类DBSCAN算法［13-15］，可以克服其他基于距离的算法只能发现“类圆形”的聚类问题。DBSCAN算法的核心是点密度的计算，并根据将该密度与设定阈值进行比较，以决定该点属于哪一个聚类。将密度相连的点的最大集合定义为簇，具有高密度的区域划分为簇类，在含噪声的空间数据库中可以发现任意形状的聚类。
从上述分析可知，本文提出的基于两目标约束应对策略的EI-PoF算法是求解黑箱约束优化问题的有效方法，其优化精度、效率和寻优稳健性都优于已有的CEI算法和AL算法。EI-PoF算法优化思路明晰、易于执行、寻优稳健性好，只需少量试验就能求得优化问题的高精度全局最优解，是提高基于昂贵仿真的工程优化设计效率和质量的有效途径。
4）在Ω中，随机选取一个核心对象o，设定当前簇核心对象队列Ωcur=｛o｝，设定类别序号k=k+1，设定当前簇数据集合Ck=｛o｝，并更新未访问数据集合Γ=Γ-｛o｝。
负责此案审理的主审法官指出，谢晖把自己凌驾于组织之上，并非“一日之功”。其主政劳教、监狱系统达17年之久，一路腐败且又获升迁。致使两局在谢晖任职期间被打造成了“独立王国”和腐败的重灾区！谢晖案涉及面之大、涉案人员之多、社会影响之恶劣，在自治区前所未有，这是本案的警示之处，更是本案深思所在。
图3 DBSCAN聚类算法示意图
2）检测数据库中的所有数据点xj，确定其ε邻域，若包含的对象数不小于MinPts，则将xj加入核心对象集合Ω；
为保证研究数据的准确性，避免边缘效应的出现，结合实地调研整体情况，研究区域扩大为北至德县路北段、南临曲阜路东段、西起中山路、东至安徽路的区域(图2).在保持原有空间关系的基础上绘制中山路教堂广场区域的视域模型，在DepthMap软件中进行空间句法分析并得到相应变量分析图及数据.
DBSCAN聚类算法的本质就是由密度可达关系导出的最大密度相连的数据集合，其核心思想就是任选一个数据集中的核心点作为“种子”，再由此出发找出其密度可达的数据点生成聚类簇，直到所有的核心点都被访问过。本文对SAR目标潜在区域进行分类的具体计算过程为:
1）初始化核心对象集合Ω=Ø，初始化聚类簇数k=0，初始化未访问数据点集合Γ=D；
(4)普惠性补贴将更有利于东北地区种植业结构调整。东北地区主要种植水稻、玉米和大豆等粮食作物，这些农产品都是国家重点支持的对象。如果针对单独产品分别实施补贴政策将会影响作物之间的比价关系，造成种植结构失衡，因此建议实施普惠性的补贴政策，这样既能降低政策对市场的扭曲，提高政策效率，又有利于满足市场的有效需求，实现种植业结构的优化。
图3中，MinPts=4，其中点A和其他红色点为核心点，在这些点的ε邻域内至少包含4个点（包括点本身）。其中点B和C不是核心点，但可以从点A（或通过其他核心点）密度可达，B与C密度相连，也属于集群；点N是一个既不是核心点也不是密度可达的噪声点。
其中，M、N为图像高度和宽度；Tg根据背景杂波的概率密度函数为 p（x）和虚警率 Pfa计算获得，p（x）和Pfa之间的关系可以用式（2）来表示:
DBSCAN 算法通过参数（ε，MinPts）来描述邻域数据的分布情况:ε表示数据的邻域距离阈值，MinPts表示数据点的距离为ε的邻域中数据点个数的阈值，图3给出了DBSCAN算法的直观显示图:
5）如果当前簇核心对象队列Ωcur=Ø，则当前聚类簇 Ck生成完毕，更新簇划分 C=｛C1，C2，…，Ck｝，更新核心对象集合，转入步骤3），否则转入步骤6）。
6）在当前簇核心对象队列Ωcur中取出一个核心对象o'，确定其ε邻域Nε（o'），令Δ=Nε（o'）∩T，更新当前簇数据点集合Ck=Ck∪Δ，更新未访问数据点集合 Γ=Γ-Δ，更新 Ωcur=Ωcur∪（Δ∩Ω）-｛o'｝，转入步骤 5）。
输出结果为:簇划分 C=｛C1，C2，…，Ck｝。
3 实验验证与分析
3.1 单类目标SAR图像检测
1）坦克目标检测实验
本实验SAR图像中的目标为坦克，如图4所示，图中共包含了13个兴趣目标和一些灰度值较高的非目标。首先根据全局CFAR算法确定SAR图像中的潜在目标区域。经过初步检测后的SAR图像如图5所示，图中所有被标注圆圈的区域为包含13辆坦克在内的共计30个潜在目标区域。
图4 坦克SAR图像
图5 初步检测结果图
根据CFAR检测结果确定特征点后，采取DBSCAN算法对潜在目标的特征向量聚类，将潜在目标划分为目标与非目标，具体结果如图6所示。聚类检测后形成聚类簇一类，含有13个检测点，分别为13个兴趣目标，剩余潜在目标均被处理为噪声点，检测结果十分理想。
图6 坦克目标检测图
3.2 SAR图像中多类目标检测
图7 多类目标检测图
图8 各类目标外形图
DBSCAN聚类无需确定聚类簇数，对于无训练集的多类目标检测问题，本算法具有一定的可行性。为了更好地验证本文检测算法的适应性，本组实验选取了一组Pleiades SAR图像进行测试验证，该图像中停放了各种机型的飞机30余架，飞机大小外形迥异，此外SAR图像还包括较多高亮非目标区域，如图7所示。根据本文算法对图像进行初步检测，筛选出40个潜在目标，由于图像全局灰度检测阈值较高，灰度值较小的目标或尺寸较小的目标未能被检测为潜在目标。然后，利用潜在目标的特征向量进行聚类检测，潜在兴趣目标被划分为5类聚类簇。比较这5类目标的外形，如图8所示，其中标注为红色类别的目标均为建筑物，剩下的4类为4种类型的飞机，其大小外形具有较明显的区别，验证了聚类的可靠性。另外部分飞机在大小外形上与其他目标具有一定的差异性，因此被视为噪声点。该算法的一个缺点是对于数量较少的一类目标，将无法进行目标识别，对于聚类检测后的噪声点可能不仅仅含有噪声，可能还存在低密度目标。
3.3 实验分析
从算法的适应性来说，本文中针对单类多目标检测和多类多目标检测共做了两组实验，很好地验证了算法的可行性与优越性。对于单类多目标检测实验，通过初步检测便可以有效识别出图中灰度值较高的显著区域，并将其作为潜在目标，成功地检测出了所有的兴趣目标。在目标信息提取时，本文选取的不同尺寸目标区域包含不同范围的背景信息，信息提取结果既可以对目标纹理进行准确描述，又可以通过背景信息对目标形状进行不同程度的表达，能够更好地利用SAR图像中的目标信息，虚警率要低很多。特征鉴别方面，与同样基于多尺度SIFT特征提取的有训练集的检测方法相比，聚类检测在分辨能力和精度上还是略有差距，但神经网络和支持向量机等分类方法需要大量特征数据，而且对于样本信息的精确度要求较高。而基于特征数据分布的紧密程度来进行聚类，则不需要详细的目标种类、特征信息。通过实验可以看出，聚类检测算法可以有效地识别出众多潜在目标中同类型的目标，但数量少于3个的单类目标由于数据密度较低，会被视为噪声点，后期需要人为补判。
4 结论
在复杂场景下的SAR图像目标检测，传统的目标检测方法中大量样本及诸多先验知识获取困难，本文充分利用目标在同一场景下的有效特征，提出了基于多尺度特征聚类的检测方法，实现SAR图像中同类目标的自动检测。通过CFAR算法对SAR图像进行预处理，将可能的潜在目标与背景分离，对潜在目标进行多尺度SIFT特征提取，并进行DBSCAN聚类，从潜在目标特征密度的角度考察目标特征的可连接性，将特征分布紧密的兴趣目标归为一簇，完成目标的鉴别与分类。实验结果表明，在无需训练集和诸多先验知识的情况下，此算法在多目标检测中具有良好的检测结果，能够在包含坦克、飞机等目标的SAR图像中实现目标检测，为战场决策提供强有力的支持。
参考文献：
［1］庄圆.复杂背景下SAR图像目标特征提取与分析研究［D］.哈尔滨:哈尔滨工业大学，2015:1-8.
［2］周德云，曾丽娜，张堃.基于多尺度SIFT特征的SAR目标检测［J］.西北工业大学学报，2015，33（5）:867-873.
［3］贺志国，陆军，匡纲要.SAR图像特征提取与选择研究［J］.信号处理，2008，24（5）:813-823.
［4］曾丽娜，周德云，邢孟道，等.一种多特征联合的地面SAR目标分层检测方法［J］.西安电子科技大学学报（自然科学版），2016，43（2）:89-94.
［5］ROBEY F C，FUHRMANN D R，KELLY E J，et al.A CFAR adaptive matched filter detector ［J］.IEEE Transactions on Aerospace&Electronic Systems，1992，28（1）:208-216.
［6］PALMERI T J，GAUTHIER I.Visual object understanding［J］.Nature Reviews Neuroscience，2004，5（4）:291-303.
［7］SAVILLE M A，JACKSON J A，FULLER D F.Rethinking vehicle classification with wide-angle polarimetric SAR［J］.IEEE Transactions on Aerospace and Electronic Systems，2014，29（1）:41-49.
［8］LOWE D G.Distinctive image features from scale-invariant keypoints ［J］.International Journal of Computer Vision，2004，60（2）:91-110.
［9］ZHANG H，HAN J，GUAN Y，et al.A SIFT algorithm based on DOG operator［C］//International Conference on Intelligent Transportation，2018.
［10］ZENG L，ZHOU D，LIANG J，et al.Polar scale-invariant feature transform for synthetic aperture radar image registration ［J］.IEEE Geoscience&Remote Sensing Letters，2017，14（7）:1101-1105.
［11］SAVITHA J，KUMAR AVS.Face tracking and detection using S-PCA&KLT method［J］.International Journal of Advance Research in Computer Science and Management Studies，2014，2（2）:224-229.
［12］ALORF A A.Performance evaluation of the PCA versus improved PCA（IPCA）in image compression，and in face detection and recognition［C］//Future Technologies Conference，2017.
［13］周志华.机器学习［M］.北京:清华大学出版社，2017:211-214.
［14］HAO H，LIU B，GUO W，et al.Superpixel generation for SAR images based on DBSCAN clustering and probabilistic patch-based similarity［C］//Geoscience&Remote Sensing Symposium，2017.
［15］WANG M，LI H E，BAI H，et al.DBSCAN clustering cloud classification method based on satellite images［J］.Journal of Jilin University，2016，54（1）:91-99.
Indeterminate Target Detection Based on Multi-scale Feature Clustering Algorithm
ZHOU Ying，ZHAO Xiao-zhe，LU Chao
（School of Electronics and Information，Northwestern Polytechnical University，Xi’an 710072，China）
Abstract: A sample-free SAR image target detect classification method is proposed in this thesis.Aiming at the problem that it’s difficult to obtain plenty of SAR image objective samples in the process of air combat，the multi-scale SIFT feature based on global CFAR is adopted to describe the objective texture，and the dimensionality reduction processing is applied by PCA algorithm for the problem of higher feature dimensions and the redundancy between feature descriptions.DBSCAN algorithm is used to classify the multi-scale SIFT features of the potential target region to achieve the objective detection in final.The single target and multiple objective images are used to verify the feasibility and effectiveness of the proposed method in the end.
Key words: SAR image，SIFT feature，clustering algorithm，target classification
中图分类号： TN957.52
文献标识码： A
DOI： 10.3969/j.issn.1002-0640.2019.04.033
引用格式: 周颖，赵晓哲，逯超.基于多尺度特征聚类算法的不确定目标检测［J］.火力与指挥控制，2019，44（4）:164-168.
文章编号： 1002-0640（2019）04-0164-05
收稿日期： 2018-03-16
修回日期： 2018-05-07
作者简介：
周 颖（1991- ），女，浙江义乌人，博士研究生。研究方向：系统工程、智能信息处理。
赵晓哲（1963- ），男，辽宁大连人，中国工程院院士，教授，博导。研究方向：控制信息系统工程领域的技术研究、工程管理和教学工作。
Citation format: ZHOU Y，ZHAO X Z，LU C.Indeterminate target detection based on multi-scale feature clustering algorithm［J］.Fire Control&Command Control，2019，44（4）:164-168.
标签：SAR图像论文; SIFT特征论文; 聚类算法论文; 目标分类论文; 西北工业大学电子信息学院论文;