(39-2) 16 * << * >> * Русский * English * Содержание * Все выпуски

Распознавание объектов на радиолокационных изображениях c использованием показателей сопряжённости и опорных подпространств
Жердев Д.А., Казанский Н.Л., Фурсов В.А.

Институт систем обработки изображений РАН,
Самарский государственный аэрокосмический университет имени академика С.П. Королёва
(национальный исследовательский университет) (СГАУ)

 

DOI: 10.18287/0134-2452-2015-39-2-255-264

  PDF

Аннотация:
В работе предлагается метод распознавания объектов по изображениям радиолокатора с синтезированной апертурой (РСА). В качестве меры близости используется так называемый показатель сопряжённости распознаваемого вектора с подпространством, образованным векторами класса из обучающего множества. Процедура распознавания при разбиении классов на подклассы строится на основе опорных подпространств. Рассматриваются различные процедуры «прореживания» обучающих классов путём исключения из них малоинформативных векторов с использованием показателя сопряжённости. Исследуется зависимость качества распознавания от размерности опорных подпространств. Приводятся результаты экспериментов, показывающие, что предлагаемый метод обеспечивает более высокое качество распознавания объектов по сравнению с методом опорных векторов.

Ключевые слова:
цифровая обработка изображений, радиолокационное изображение, MSTAR, распознавание, SVM.

Цитированиe:
Жердев, Д.А. Распознавание объектов на радиолокационных изображениях c использованием показателей сопряжённости и опорных подпространств / Д.А. Жердев, Н.Л. Казанский, В.А. Фурсов // Компьютерная оптика. – 2015. – Т. 39, № 2. – С. 255-264. - DOI: 10.18287/0134-2452-2015-39-2-255-264.

Citation: Zherdev DA, Kazanskiy NL, Fursov VA. Object recognition in radar images using conjugation indices and support subspaces. Computer Optics 2015; 39(2): 255-264. DOI: 10.18287/0134-2452-2015-39-2-255-264.

Литература:

  1. Moving and Stationary Target Acquisition and Recognition (MSTAR) Public Dataset [Электронный ресурс]. – URL: https://www.sdms.afrl.af.mil/index.php?collection=mstar (дата обращения 01.03.2015).
  2. Zhao, Q. Synthetic aperture radar automatic target recognition with three strategies of learning and representation / Q. Zhao, J.C. Principe, V.L. Brennan, D. Xu, Zh. Wang // Optical Engineering. – 2000. – Vol. 39(5). – P. 1230-1244.
  3. Diemunsch, J.R. MSTAR model-based automatic target recognition: search technology for a robust ATR / J.R. Diemunsch, J. Wissinger // Proceedings of SPIE 3370, Algorithms for Synthetic Aperture Radar Imagery V. – 1998. – P. 481-492.
  4. Gallant, J.F. Automatic Target Recognition for Synthetic Aperture Radar / J.F. Gallant // The Royal Canadian Air Force Journal. – 2013. – Vol. 2. – P. 8-18.
  5. Amoon, M. Automatic target recognition of synthetic aperture radar (SAR) images based on optimal selection of Zernike moments features / M. Amoon, G. Rezairad // IET Computer Vision. – 2013. – Vol. 8(2). – P. 77-85.
  6. Novak, L.M. The Automatic Target-Recognition System in SAIP / L.M. Novak, G.J. Owirka, W.S. Brower, A.L. Wea­ver // Lincoln Laboratory Journal. – 1997. – Vol. 10(2). – P. 187-202.
  7. Fulgham, D.A. DARPA Looks Anew at Hidden Targets / D.A. Fulgham // Aviation Week and Space Technology. – 1997. – Vol. 146(1). – P. 56-57.
  8. Ross, T.D. Standard SAR ATR Evaluation Experiments using the MSTAR Public Release Data Set / T.D. Ross, S.W. Worrell, V.J. Velten, J.C. Mossing, M.L. Bryant // Proceedings of SPIE 3370, Algorithms for Synthetic Aperture Radar Imagery V. – 1998. – P. 566-573.
  9. Mossing, J.C. An Evaluation of SAR ATR Algorithm Performance Sensitivity to MSTAR Extended Operating Conditions / J.C. Mossing, T.D. Ross // Proceedings of SPIE 3370, Algorithms for Synthetic Aperture Radar Imagery V. – 1998. – P. 554-565.
  10. Keydel, E.R. MSTAR Extended Operating Conditions a Tutorial / E.R. Keydel, S.W. Lee, J.T. Moore // Proceedings of SPIE 2757, Algorithms for Synthetic Aperture Radar Imagery III. – 1996. – P. 228-242.
  11. Sun, Y. Adaptive Boosting for Synthetic Aperture Radar Automatic Target Recognition / Y. Sun, Z. Liu, S. Todorovic, J. Li // Aerospace and Electronic Systems, IEEE Transactions on. – 2007. – Vol. 43(1). – P. 112-125.
  12. Фурсов В.А. Тематическая классификация гиперспек-тральных изображений по показателю сопряжённости / В.А. Фурсов, С.А. Бибиков, О.А. Байда // Компьютерная оптика. – 2014. – Т. 38, № 1. – С. 154-158. – ISSN 0134-2452.
  13. Жердев, Д.А. Распознавание объектов по диаграммам рассеяния электромагнитного излучения на основе метода опорных подпространств / Д.А. Жердев, Н.Л. Казанский, В.А. Фурсов // Компьютерная оптика. – 2014. – Т. 38, № 3. – С. 503-510. – ISSN 0134-2452.
  14. Kottke, D.P. A Design for HMM-Based SAR ATR / D.P. Kottke, P.D. Fiore, K.L. Brown, J.K. Fwu // Proceedings of SPIE 3370, Algorithms for Synthetic Aperture Radar Imagery V. – 1998. – P. 541-551.
  15. Rosin, P.L. Unimodal thresholding / P.L. Rosin // Pattern Recognition. – 2001. – Vol. 34(11). – P. 2083-2096.
  16. Bishop, Ch.M. Pattern Recognition and Machine Learning / Ch.M. Bishop. – New York: Springer, 2006. – 738 p.
© 2009, ИСОИ РАН
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20