张 梅
(中国人民武装警察部队学院边防系 廊坊 065000)
基于合成孔径雷达的海警舰船检测与监视*
张 梅
(中国人民武装警察部队学院边防系 廊坊 065000)
我国四面海域资源丰富,周边海上邻国不断挑起争端,激化矛盾,冲突频发,给我国的海洋安全带来了前所未有的严峻威胁和挑战。论文介绍合成孔径雷达(SAR)原理算法、图像理解、目标识别等理论,指出SAR图像是进行海上舰船目标检测、监视和定位的最有效手段之一;进而研究经典的检测算法,并对它们进行比较;最后搭建出一个基于SAR的舰船检测和监视系统的初步框架。论文旨在为维护海洋合法利益提供有效的科技支撑。
SAR图像; 海警; 舰船检测与监视; 系统框架
Class Number E255
中国拥有2万多公里海岸线,7千多个岛屿,近300万平方公里的海洋国土,新形势下,国际政治外交形势多变,中国海洋权益不断受到威胁,围绕着资源争夺、岛礁主权、海域划分以及通道安全等争端频发发生,给我国的海洋安全带来了前所未有的威胁和挑战[1]。十八大报告提出建设“海洋强国”的目标,与之相称的首先应从保卫东海、南海、黄海的海疆主权问题,继而促进海洋资源开发,海洋经济发展以及海洋生态文明建设等各项基础性建设完善,最终实现海洋事业的全面和谐发展。
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率成像传感器,具有全天时全天候观测能力,能够长期、动态、实时地进行观测[2]。民用领域主要应用于对自然目标进行测绘和灾情勘察,军事领域则应用于如何从包含大量杂波背景的SAR图像中检测和识别军事目标。在海洋应用中,多变的天气使得光学手段受到极大限制,SAR成像机理使得其能够实现海浪、内波、海底地形、浅海水深、舰船目标、油膜污染以及海岸线变迁的检测[3],因此具有巨大的潜力。舰船是一切海面活动的载体,自1978年在SEASAT的SAR图像上,人们第一次发现海洋表面延伸20公里的舰船尾迹,便逐渐展开对SAR图像中舰船的关注和深入研究,成为各国研究的热点。本文介绍SAR的原理算法、图像理解、目标识别等理论,进而研究了经典的检测算法,并对它们进行比较,最后搭建出一个基于SAR的舰船检测和监视系统的初步框架。本文旨在为维护海洋合法利益提供有效的技术支撑。
SAR是一种高分辨率微波成像雷达体制,能提供远距离、大面积分布目标、远距离机动目标、一定覆盖物下的隐蔽目标的多维高分辨率图像。
2.1 SAR系统
SAR成像结果是地面场景的二维图像(距离向和方位向),图像上的灰度值表示场景中相应位置的后向散射系数。将飞机和卫星作为SAR天线的运载平台,分别构成了机载SAR系统和星载SAR系统。目前包含舰船检测功能的SAR系统主要有:美国的SEASAT系统,加拿大的RADA-RAST海洋监视工作站,Alaska-SAR演示系统,英国的MaST系统,法国的SAR-tool系统等。通过联合使用侦察机、船载GPS、VTS(海岸警卫队的舰船交通服务雷达)、AIS(自动识别系统)可以辅助获取舰船实际位置,从而实现舰船的监控。
2.2 成像技术和运动补偿
高质量SAR图像的获取是准确检测舰船的关键,各成像算法就是在不同假设条件下求解地面目标二维散射系数。首先SAR回波信号的获取过程等效为一个两维卷积过程,如式(1):
r(t,τ)=σ(t,τ)⊗h(t,τ)
(1)
其中r(t,τ)表示雷达的回波信号,t、τ分别表示距离向和方位向时间,σ(t,τ)表示目标的散射系数,h(t,τ)表示点目标的响应信号。SAR的成像处理过程则可以等效为一个重建地面目标散射系数的二维反卷积过程,如式(2):
(2)
平台运动形成“合成孔径”提高方位向分辨率,但是运动也是一切问题的根源,由于距离方程与方位向时间有关,所以产生距离迁移,使得某一点的雷达回波信号跨越了多个距离门,产生了方位向和距离向的耦合,使得方位处理变成了复杂的二维处理问题。如何处理距离迁移问题也就成为每个不同成像算法的核心所在。经典成像算法有RD(Range Doppler)算法、CS(Chirp Scaling)算法、ωK算法。
在实际机载SAR系统中,由于平台轨迹非理想化、运动测量中的误差、成像算法上的近似、硬件性能的限制以及大气传输效应等诸多因素的影响,SAR方位向回波不再满足理想线性调频信号的条件,与此同时,为了获得与距离向高分辨率相比拟的方位分辨率,必须尽可能地延长合成孔径长度,这更加会导致比较严重的运动误差积累,从而使方位向分辨率更加恶化。运动误差会导致SAR图像出现几何失真、分辨率变差、对比度下降、图像质量下降和出现虚假目标等现象。
为了获得高分辨率SAR图像,必须消除运动误差带来的影响,而高分辨率SAR系统由于宽波束,长孔径等特点使得运动补偿更为复杂。目前用于运动补偿的方法主要是基于飞机或卫星的GPS数据的补偿方法和基于雷达回波数据补偿的方法[5~6]。经过运动补偿后的SAR图像可以视为分辨率满足需要的雷达数据,从而可以进行舰船检测算法的执行。
舰船检测属于模式识别和人工智能的范畴,在研究SAR图像上舰船检测之前,必须首先研究SAR图像理解和舰船检测目标分类的问题。
3.1 图像理解
图像理解是指为完成某一任务,需要从图像中获取哪些信息,以及如何利用这些信息获得必要的解释[7]。图像理解两项最基本的任务是: 1) 从输入图像中提取与模型相适应的图像结构或线索, 2) 完成输入图像中图像结构与模型中目标的正确映射。因而,图像理解是基于目标或场景的模型,形成对输入图像的解释。
SAR图像由于其特殊的成像机理,与光学图像不同,在SAR图像中,阴影与太阳光照无关,其总是背向雷达照射方向的一面。SAR图像反映的所照射区域目标与背景散射回波的空间分布,与雷达工作状态、波长、入射角、极化方式、目标结构、目标所处环境等因素密切相关,从而导致同样的目标形成不同的SAR图像。同时SAR图像所特有的几何特点,例如:透视、倒置、迭掩等,也加大了SAR图像理解的难度。另外,SAR图像固有的相干斑噪声,使得边缘目标模糊,清晰度下降,这些都为SAR图像解释带来困难。
SAR图像理解需要大量的先验知识,需要熟悉SAR图像解释标志和主要地物图像特征,一些人工和天然目标所特有的形状构成它们特有的标志,从而易于在SAR图像上识别。比如,机场多呈现黑色的彼此相交的条带,农田多呈规则的方块状,飞机呈现为近十字状,舰船表现为梭形等。
3.2 舰船检测目标分类
SAR图像上的目标通常分为点目标、线目标、面目标和硬目标。首先要确定它们属于哪类目标类型。针对检测对象不同,舰船检测分为舰船自身检测和舰船尾迹检测。
舰船主要由金属制成,在其上构成众多角反射器,使得其成为一种极强的雷达反射目标,在SAR图像上形成非常亮的目标。同时,由于海杂波在SAR图像上通常呈现出暗黑色,因而舰船检测就是暗背景下亮目标检测问题。通过总结分析认为,舰船目标在低分辨率SAR图像上呈现为点目标,在高分辨率SAR图像上为硬目标,因此针对不同分辨率的SAR图像,检测方法也必然不同。
SAR图像中有时也会观测到运动舰船的尾迹,由于尾迹比舰船本身大得多,在低分辨率图像上,更容易辨别,同时由于运动舰船的距离向速度分量会引起回波信号的多普勒频移,所以SAR图像上运动舰船的位置并不代表其实际位置,而对舰船尾迹的检测却也有助于估计运动舰船的实际位置、航速和航向。
本文接下来只研究舰船本身的检测算法,不涉及尾迹检测算法的讨论。
4.1 基于阈值的检测算法
基于阈值的检测算法中又分成两种[8~9]:全局阈值和局部阈值。式(3)给出了阈值检测算法的基本形式:
(3)
其中f(m,n)表示SAR图像中像素的灰度值,F表示阈值,p(m,n)为判断函数,当p(m,n)=1时的像素即认定为舰船目标。
全局阈值是最简单的一种检测算法,它采取一个固定的阈值对图像进行分割,将高于阈值的像素认定为舰船目标。优点是计算简单,便于实施,缺点是无法根据图像中局部场景的变化实时调整阈值,因此会在检测结果中引入大量的漏检和虚警情况。
典型的局部阈值算法是基于滑动窗口的自适应阈值检测算法,它利用窗口滤波技术对舰船进行检测。其优点是考虑了海洋局部环境变化,从而所设定的阈值能更好地符合检测局部区域的统计特性。缺点是运算量大,不能够满足实时检测的要求,并且在噪声斑较多、海面风浪较大的情况下,容易造成大量的虚警。
4.2 基于恒虚警率的检测算法
由于海况变化复杂,海面上背景信息与舰船目标的对比度不断变化,甚至在有些图像区域,背景与舰船有相同的反射强度,所以不能简单的用常数阈值来检测,需要具有自适应能力的检测算法,同时保持一定的虚警率,恒虚警率(Constant False Alarm Rate,CFAR)检测算法[10]就是在这种情况下产生的。它是基于分布模型的算法,是雷达信号检测领域中最常用和最有效的一类检测算法。实验表明,CFAR算法具有很好的稳健性,即使在恶劣的情况下,仍然能够取得较好的检测结果。
CFAR算法首先对杂波的统计特性进行研究,选择一个合理的数学模型表示杂波幅度的概率分布特性,并根据恒定的虚警率估计出杂波概率密度函数中的参数,然后计算得出舰船检测的阈值。由此可以看出,如果假设不同的海洋杂波模型,将得到不同形式和检测效果的CFAR检测器。
根据背景杂波的模型不同,CFAR算法进一步细分,当背景杂波满足高斯分布时,得到双参数CFAR检测算法,式(4)给出了高斯分布概率密度函数:
(4)
(5)
当p=1时,即认定为舰船目标。Kcfar称为标称化因子,通常为常数,控制虚警概率。为了获得更好的检测效果,通常取目标窗口的尺寸是小船目标的2倍,保护窗口的尺寸是大船目标的3倍,背景窗口尺寸为保护窗口尺寸+2n,通常n取3。
双参数CFAR算法是基于背景杂波满足高斯分布的假设,滑动窗口使得算法能够适应局部背景杂波的变化,缺点是该算法需要对图像中的每个点进行统计,计算量大,运行时间与窗口尺寸的设定有关,该算法无法检测图像边缘处目标,并且当背景窗口中出现不需要的目标或背景分布不连续时,算法不稳定。
当背景杂波满足K分布时,得到K分布CFAR检测算法。相比于双参数算法中高斯分布的假设,K分布能够更好的描述海洋杂波,从而被广泛接受。通过对背景区域内的像素观测强度进行统计计算,结合虚警概率,求出检测阈值,最后根据阈值对图像进行分割。由于是全局阈值,所以不是每个像素都参与统计计算,所以比双参数CFAR算法的速度快,其缺点是形状参数可能为负值,计算修正的Bessel函数会占用大量运算时间。一般认为,在海面比较平静的情况下,认为海面杂波服从瑞利分布,大多数海面情况满足K分布,更复杂的情况服从复杂分布,比如K分布和其它分布的集合。
除了上述两类检测算法外,还有基于小波分析的多尺度检测算法以及基于多极化数据的多极化检测算法等,每种算法各有优劣,适用于不同的场合,本文不再加以赘述。
在上述研究SAR成像、舰船检测算法的基础上,本文接下来从工程实现出发,探讨一种基于SAR的舰船检测和监视系统框架,给出设计方案,并讨论其中的关键技术。
基于SAR的舰船检测和监视系统功能模块包括:成像和运动补偿、图像预处理、数据库管理、舰船目标识别、敏感区域动态监视、图像输出六个模块。系统输入为雷达回波信号,输出为海域舰船信息,系统框架如图1所示,分别介绍各模块功能和关键技术。
图1 基于SAR的海面舰船检测和监视系统框架
1) 成像和运动补偿模块
该模块输入回波信号,经过成像和运动补偿处理,输出符合检测要求的SAR图像。其能力大小直接影响舰船检测的准确性。
2) 图像预处理模块
研究表明,单纯依靠检测算法并不能获得令人满意的检测结果,为提高检测效率,减少虚警,在使用检测算法检测之前要对遥感图像进行预处理,同时对检测结果也要进行后续处理,在该系统中,将其统称为预处理。主要包括陆地掩模、几何矫正和辐射矫正、相干斑抑制滤波、直方图均衡、图像增强、图像分割、虚警剔除等功能。伴随着遥感图像与光学图像的融合,通常也包括图像融合的预处理功能,以增强舰船检测成功率。
3) 数据库管理模块
该模块包含系统所涉及到的数据的管理操作。主要有地理信息系统(GIS)数据库、舰船特征数据库、光学图像数据库等,主要为系统内其它模块提供基准数据和辅助资料。比如:海洋GIS数据库为目标监视提供目标地理位置、地理位置变化监视、检测目标活动范围变化监视等;检测特征数据库提供舰船特征参数、雷达后向散射特性和光谱特性等参数,以丰富的经验性降低舰船目标识别中的不确定性;光学图像数据库为图像融合提供相应的光学影响。有时还需要提供SAR平台飞行GPS数据,为运动补偿和目标定位提供参考数据。
4) 舰船目标识别模块
该模块进行舰船识别,同时提取舰船特征,包括舰船几何特征、运动参数、地理位置等信息。由于目前自动识别技术尚未成熟,所以可以通过人机交互的方式进行目标识别,使计算机解释与人工目视解释相辅相成,通过友好的工作界面、方便的人工干预手段,达到计算机辅助识别的目的。
5) 敏感地区动态监视模块
该模块对指定的敏感地区进行动态监视,并测量其变化。在技术上,其主要基于变化检测技术,比如:图像插值法、图像比值法、分类结果比较法、图像回归法、植被索引插值法等,通过对多时相SAR图像进行比对和分析,发现并监视敏感区域内目标的变化情况。
6) 图像输出模块
根据实际需求,输出各阶段图像信息或者检测报告。
由此可见,舰船识别和监视系统是一个庞大的硬件和软件系统,包含图像处理、人工智能、数据库和计算机网络等技术。既保证有强大的计算能力,又要有高度的稳定性和可扩展性,最终成为一个高效和安全的工程系统。伴随着遥感技术逐渐向高分辨率、多极化、多波段、重复观测周期短等方向发展,海域舰船目标监视需要综合利用光学、遥感成像等信息,根据不同分辨率的图像对目标做到检测识别,提高目标监视的可靠性、实效性、有效性。
舰船是一切海面活动的载体,研究舰船目标的检测和监视在舰船搜救、非法移民、领土保卫、反毒反私、情报获取等方面有着重要的意义。本文从SAR回波数据出发,介绍SAR理论,研究了经典的检测算法,搭建出一个基于SAR的舰船检测和监视系统的初步框架,并且介绍该系统的组成和功能,具备一定的实际意义和参考价值。
[1] 张耀.中国海洋安全观的历史分析[J].新疆师范大学学报(哲学社会科学版),2015,36(2):79-86.
[2] C. A. Wiley. Synthetic Aperture Radars[J]. IEEE Transactions on Aerospace and Electronic Systems,1985,21(3):440-443.
[3] 黄韦艮,周长宝,厉冬玲.我国星载SAR海洋应用的现状与需求[J].中国航天,1997,12:5-9.
[4] 刘永坦.雷达成像技术[M].哈尔滨:哈尔滨工业大学出版社,1999:48.
[5] 张梅,刘畅,王岩飞.频带合成超高分辨率机载SAR系统的相位误差校正[J].电子与信息学报,2011,33(12):2813-2818.
[6] 张梅,刘畅,王岩飞.频带合成机载SAR的运动补偿[J].电子与信息学报,2011,9(33):2114-2119.
[7] S. R. Schurmann. Radar Characterization of Ship Wake Signatures and Ambient Ocean Clutter Features[J]. IEEE Trans. On AESM,1989,4(8):3-8.
[8] Lin I I, Khoo V. Computer-based Algorithm for Ship Detection from ERS-X SAR Imagery[C]//Proc. of the 3rdERS Scientific Symposium,1997.
[9] Eldhuset K. An Automatic Ship and Ship Wake Detection System for Spaceborne SAR Images in Coastal Regions[J]. IEEE Trans. On GRS,1996,34(4):1010-1019.
[10] WAKERMAN C C, FRIENDMAN K S, PICHEL W G, et al. Automatic ship detection of ships in Radarsat SAR imagery[J]. Canadian Journal of Remote Sensing,2001,27(5):371-378.
Marine Police Ship Detection and Surveillance Technology Based on the SAR
ZHANG Mei
(Border Control Department, The Chinese People’s Armed Police Academy, Langfang 065000)
Currently, owing to the vast ocean resources of our country, maritime neighbors provoke disputes and aggravate contradictions frequently. The continual conflicts bring grave threat and challenge, which endanger our marine safety greatly. This paper introduces the theory of SAR algorithm, image understanding, target recognition, and points out that SAR image is an effective way in ship target detection, surveillance and location. And then, the classical detection methods are studied and compared. Finally, a frame of the ship detection and surveillance system based on the SAR is designed to provide technology support for the protection of the legitimate rights of the ocean.
SAR image, marine police, ship detection and surveillance, system frame
2015年6月3日,
2015年7月28日
武警学院博士科研创新计划(编号:BSKY201510)资助。
张梅,女,博士,讲师,研究方向:遥感信息处理、边检信息技术和智能化管控研究、出入境证件防伪与鉴别。
E255
10.3969/j.issn.1672-9730.2015.12.020