РАСПОЗНАВАНИЕ ОБЪЕКТОВ ПО МОДЕЛИРУЕМЫМ ИЗОБРАЖЕНИЯМ РСА С ИСПОЛЬЗОВАНИЕМ ОПОРНЫХ ПЛОСКОСТЕЙ

Жердев Денис Алексеевич

программист кафедры суперкомпьютеров и общей информатики, Самарского государственного аэрокосмического университета С.П. Королёва (национальный исследовательский университет) (СГАУ),

РФ, г. Самара

E -mail: denis.zherdev.91@mail.ru

OBJECT RECOGNITION BY MODELLING SAR IMAGES USING SUPPORT PLANES

Denis Zherdev

program developer of Supercomputer and General Informatics department,

Samara State Aerospace University,

Russia, Samara

АННОТАЦИЯ

В работе рассматривается моделирование изображений радиолокатора синтезированной апертуры (РСА) и последующее распознавание. Изображения формируются с использованием алгоритма трассировки лучей и моделей диффузного, зеркального отражения. В качестве меры близости в алгоритме опорных плоскостей используется показатель сопряженности. Предлагаемый алгоритм опорных плоскостей показывает высокую эффективность распознавания изменчивых в пределах класса данных.

ABSTRACT

In this paper, a simulation of radar imaging synthetic aperture (SAR) and followed recognition were considered. Images were formed using ray tracing algorithm with diffuse and specular reflection models. Conjugacy index was used as a distance function in the algorithm of support planes. The proposed algorithm of support planes shows a high recognition efficiency on data with high variability in a class.

Ключевые слова: трассировка лучей; распознавание объектов; показатель сопряженности; обработка изображений.

Keywords : ray tracing, object recognition; conjugation indices; image processing.

ВВЕДЕНИЕ.

В настоящее время обработка изображений радиолокационных данных, а также их интеллектуальный анализ, обширно используются как в 3D-реконструкции сцены, так и в тематической классификации. Моделирование изображений РСА эффективно, в первую очередь, для понимания и интерпретации реальных радиолокационных изображений. Существует два типа симуляторов радиолокационных изображений: моделирующие необработанный сигнал и моделирующие само изображение. Моделирование начального сырого сигнала позволяет получить высокие по точности результаты, однако для работы с большими моделями данного типа моделирование затрачивает значительно больше времени и ресурсов. Симулятор радиолокационных изображений по сравнению с первым работает быстрее, однако изображение имеет меньшую точность. Тем не менее, симулятор изображений РСА позволяет вывести изображения приемлемого качества, которое используется в распознавании [7] и 3D-реконструкции здания [8]. В нашем исследовании мы использовали симулятор радиолокационного изображения на основе алгоритма трассировки лучей, а также диффузной и зеркальной отражательной модели.

Авторами работы [11] был рассмотрен метод моделирования рассеяния электрического поля FDTD. Моделирование с использованием данного метода занимает много времени. В результате, были смоделированы диаграммы рассеяния трех различных объектов: автомобиль, самолет и скутер. Разработан метод опорных плоскостей, а также проведены эксперименты распознавания данных объектов по диаграммам рассеяния. В рамках данной работы продолжается распознавание объектов с помощью метода опорных плоскостей. Моделируемые радиолокационные изображения использовались в качестве векторов признаков.

1. ПОСТРОЕНИЕ ОПОРНЫХ ПЛОСКОСТЕЙ

В работе [11] нами был представлен подход для распознавания трех типов объектов с помощью моделируемых диаграмм рассеяния, которые имеют ту же природу, что и изображения РСА. Метод опорных плоскостей показал хорошие результаты распознавания [11] по сравнению с SVM и корреляционным методом. В данном исследовании рассматривается метод опорных плоскостей в задаче распознавания объекта с использованием моделируемых изображении РСА.

Показатель сопряженности является метрикой метода опорных плоскостей:

,

где: – вектор признаков, размер которого Nx1. Векторы признаков в этом исследовании состоят из компонент, здесь ,  являются размерами изображения РСА. Каждая строка изображения РСА последовательно разворачивается в вектор.

Матрица, размер которой NxN, записывается в виде:

,

является матрицей класса, который образован числом М различных векторов признаков. В данном случае размер опорной плоскости равен Nх2.

Используя две образованные плоскости  и  мы принимаем решение об отнесении текущего вектора к одному или другому классу согласно вычислению максимального показателя сопряженности:

.

На этапе подготовки в случае бинарного распознавания мы определяем такую пару плоскостей  и , сформированные из комбинации обучающих векторов, для которой:

где: – суммарное число неправильно распознанных векторов из обучающей выборки для  и  плоскостей, которые получены с помощью коэффициента ошибок:

,                                                                                (1)

где: складывается количество неправильно распознанных векторов из обучающей выборки m – го класса и количество неправильно распознанных векторов из обучающей выборки из класса l.

При помощи алгоритма обучения определяются все возможные сочетания пар матриц. В итоге, мы можем получить множество пар с одним и тем же коэффициентом (1). В данном случае была использована следующая функция для получения наилучшей пары плоскостей, которая называется опорной плоскостью. Предположим, что на предыдущем шаге обучения определяется P пар плоскостей  с таким же значением коэффициента ошибок (1). Векторы  сформировали матрицы  и  соответственно. Показатели сопряженности эталонных плоскостей для каждого вектора ,  были рассчитаны на предыдущем шаге обучения.

В этих обозначениях функция для получения наилучшей пары запишется как:

Описанный выше способ может быть расширен на случай множественной классификации. Например, алгоритм нахождения опорной плоскости разработан на основе подхода «каждый против каждого».

2. МОДЕЛИРОВАНИЕ РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ

В работе использовался алгоритм трассировки лучей с открытым исходным кодом Embree 2.6.1 [4]. Алгоритм был модифицирован, добавлен блок радиометрических вычислений для моделирования радиолокационных изображений. Это эффективный и быстрый способ получить сигналы обратного рассеяния от детального крупного объекта. В сценариях распознавания объекта в режиме реального времени это большое преимущество. Таким образом, для высокого качества распознавания более предпочтительно создание некоторого числа изображений объекта в различных направлениях наблюдения. Моделирование радиолокационных изображений может быть очень полезным в случаях распознавания объекта с использованием реальных изображений. К сожалению, существуют такие проблемы, как создание 3D-модели объекта, установка электромагнитных параметров моделирования, создание геометрии плоскости земли и т. д.

Алгоритм формирования радиолокационных изображений состоит из нескольких этапов: трассировка, радиометрический расчет (отражение света, расчет тени), формирование изображения (интерполяция нерегулярной сетки на регулярной сетке, моделирование радиолокационного шума).

В ряде статей [7; 8; 1; 3;9; 10] авторы обсуждали методы моделирования изображений РСА. Рассматриваемая модель не включает в себя генерацию синтезированной апертуры, но имеет аналогичную технику расчета радиолокационных характеристик. 3D модель находится в модельной сцене и все координаты модели имеют, как правило, положительные значения. 3D-ось соответствует координатам сцены РСА: X – диапазон, Y – боковая дальность или азимут, Z – высота. Радиолокационное изображение имеет координаты X и Y. Датчик РСА излучает и принимает лучи (сигналы) по дальности с различными углами падения  (радар в моностатическом режиме). Лучи падают на препятствие, например, землю или объект и производят сигнал обратного рассеяния в направлении радиолокатора. Интенсивность рассеянного сигнала оценивается с помощью диффузной и зеркальной модели.

Диффузное отражение вычисляется с использованием выражения:

,

где:  диффузный коэффициент отражения,  нормированный вектор фацета и  направление падающего луча.

Зеркальное отражение вычисляется с использованием следующего выражения:

,

где:  представляет собой коэффициент отражения фацета,  – нормированный вектор фацета,  является вектором между вектором, указывающим направление между датчиком и направлением вектора отраженного сигнала.

Когда все лучи радара трассированы по дальности, радар перемещается в следующую позицию по азимуту. В итоге, получается сетка интенсивности отражения с координатами дальности и азимута. Если луч отразился от объекта, то на сетке интенсивности отражения имеются нерегулярные образования. Таким образом, для создания радиолокационного изображения необходимо интерполировать сетку интенсивности отражения регулярной сеткой.

3.  АНАЛИЗ РЕЗУЛЬТАТОВ.

Исследования проводились с использованием трёх различных 3D моделей: танк, бмп, бтр, загруженных с сайта [6]. Для обучения и тестирования алгоритма распознавания были получены 50 изображений каждой из моделей. На каждом изображении модель имеет свой угол рыскания, который изменялся в диапазоне  с шагом . На рисунке 1 показан результат моделирования радиолокационных изображений. Использовался метод моделирования спекл-шума [5] для моделирования радиолокационных помех. Спекл-шум моделировался с помощью распределения Рэлея.

Рисунок 1. Радиолокационные изображения с наложенным шумом

В эксперименте по распознаванию объектов, мы пытались выяснить, сколько правильных классификаций делает алгоритм, если набор данных для обучения и тестирования состоит из изображений цели в разных положениях (с разными углами рыскания). В такой постановке задачи полный комплект изображений (50 изображений) объекта был разделен на два набора (обучение – 40 изображений, тестирование – 10 изображений). Изображения в учебных и контрольных наборах случайно выбирались из общего набора. Соответственно, эксперименты были проведены несколько раз, а затем усреднены.

Были получены следующие результаты экспериментов: без подклассов – 74 %, два подкласса – 84 %, четыре подкласса 81 %. Приведены результаты правильного распознавания с различным числом подклассов в одном классе (один объект). Кроме того, проводилась кластеризация с использованием показателя сопряженности, которая обсуждалась в работе [12]. Вместе с предыдущей работой текущие результаты распознавания объектов с использованием метода опорной плоскости показывают высокое качество и эффективность метода.

ЗАКЛЮЧЕНИЕ.

В данной работе было рассмотрено моделирование радиолокационных изображений, а также дальнейшее распознавание объектов по изображениям. Представленный метод моделирования является эффективным прежде всего при работе в реальном времени. В результате исследований, смоделированы радиолокационные изображения трех типов различных объектов. Проведены эксперименты распознавания объектов различного типа с помощью смоделированных радиолокационных изображений. В данной работе при реализации алгоритма распознавания был использован метод опорных плоскостей, который показал хорошее качество распознавания.

Список литературы:
1. Auer S., Hinz S., Bamler R. Ray-tracing simulation techniques for understanding high-resolution SAR images // Proc. IEEE Geoscience and Remote Sensing. 2010. V. 48. i. 3. P. 1445–1456.
2. Bolter R., Gelautz M., Leberl F. SAR Speckle Simulation // Int. Archives of Photogrammetry and Remote Sensing. 1996. Vol. 31. i. IV. P. 283–287.
3. Brunner D., Lemoine G., Greidanus G., Bruzzone L. Radar imaging simulation for urban structures // Proc. IEEE Geoscience and Remote Sensing Letters. 2011. V. 8. i. 1. P. 68–72.
4. Embree. High Performance Ray Tracing Kernel – [Electronic resource]. – http://embree.github.io/index.html.
5. Fursov V.A., Bibikov S.A., Bajda O.A. Thematic classification of hyperspectral images using conjugacy indicator // Computer Optics. 2014. Vol. 38. i. 1. P. 154–158.
6. TF3DM – 3D Models for free – [Electronic resurce]. – http://tf3dm.com/.
7. Tang K., Sun X., Sun H., Wang H. A geometrical-based simulator for target recognition in high-resolution SAR images // Proc. IEEE Geoscience and Remote Sensing Letters. 2012. Vol. 9. i. 5. P. 958–962.
8. Tang K., Chen K., Wang L., Xiong W., Jiang M., Wang W. A knowledge-based 3-D building reconstruction from single very high resolution SAR images // Proc. IEEE Geoscience and Remote Sensing Symposium (IGARSS). 2012. P. 3604–3607.
9. Tang K., Zhang Y., Chen H., Xiong W., Wang H. Radar image simulation of complex targets // Proc. IEEE CIE International Conference 2. 2011. P. 1319–1322.
10. Wang G., Zhang F., Zi W., Shao Y. High resolution SAR image simulation for buildings based on ray tracing algorithm // Proc. SPIE 8006. Remote Sensing Image Processing. 2011. P. 1–7.
11. Zherdev D.A., Fursov V.A. Pattern recognition of electromagnetic field scattering from anthropogenic objects on underlying surface // Proc. SPIE 9216. 2014. P. 1–11.