卷第１期 杨露菁等：基于静态模型的多视角 ＳＡＲ 图像目标识别方法图３　原始数据集及映射后的数据集Ｆｉｇ．３　Ｉｎｉｔｉａｌ　Ｄａｔａｓｅｔ　ａｎｄ　Ｍａｐｐｅｄ　Ｄａｔａｓｅｔ图４　Ｔ７２目标的静态模型图像Ｆｉｇ．４　Ｓｔａｔｉｃ　Ｍｏｄｅｌｉｎｇ　Ｉｍａｇｅ　ｏｆ　Ｔ７２Ｔａｒｇｅｔ　　对于传统模型，每个目标模板的方位角间隔分别取 １°、２°和 ５°，因 此，模 板 数 量 分 别 为 ２３３（２３２）、１１６、４６，记 为 模 板 Ｔ１、Ｔ２、Ｔ３；对 于 静 态模型，每 个 目 标 的 静 态 模 板 取α＝０．２，０．４，０．６，表１　仿真数据集Ｔａｂ．１　Ｓｉｍｕｌａｔｉｏｎ　Ｄａｔａ　Ｓｅｔ训练样本 样本数 测试样本 样本数ＢＭＰ２＿ｃ２１　 ２３３ ＢＭＰ２＿ｃ２１　 １９６ＢＭＰ２＿９５６８　 １９５ＢＭＰ２＿９５６６　 １９６ＢＴＲ７０＿ｃ７１　 ２３３ ＢＴＲ７０＿ｃ７１　 １９６Ｔ７２＿１３２　 ２３２　 Ｔ７２＿１３２　 １９６Ｔ７２＿８１２　 １９５Ｔ７２＿ｓ７　 １９１０．８，１ 等５幅图像。表２所示为３个目标在静态模型与传统模型下，在不同模板数量下的分类结果。表２　静态模型与传统模型下不同模板数量的识别率／％Ｔａｂ．２　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｒａｔｅ　Ｕｎｄｅｒ　Ｓｔａｔｉｃ　Ｍｏｄｅｌ　ａｎｄ　Ｔｒａｄｉｔｉｏｎａｌ　ＭｏｄｅｌＴ１（模板数量２３２） Ｔ２（模板数量１１６） Ｔ３（模板数量４６）传统模型 静态模型 传统模型 静态模型 传统模型 静态模型ＢＭＰ２　 ９１．７７　 ８７．９４　 ８７．３７　 ８６．３４　 ７０．３４　 ８３．３９ＢＴＲ７０　 ９２．３２　 ８９．３０　 ８８．７８　 ８７．９２　 ７１．２５　 ８４．３７Ｔ７２　 ９３．４５　 ９０．１２　 ８９．２３　 ８８．９１　 ７３．３１　 ８５．８２　　由表２可见，在 Ｔ１情形下，即目标模板较为完整时，静态模板不如传 统模板；在 Ｔ２情形下，传统模板与静态模板识别率接近；而在 Ｔ３情形下，目标模板减少较多，使得传统模板的识别率下降十分明显。而对于静态模板，尽管初始的分类率较低，但是模板数量减少对其影响不大。从理论上分析，这是因为在传统的角度相关模板匹配中，只有少量的图像（集中在该方位上）与测试图像精确匹配，因此，需要在模板中放入所有方位角的图像，才能得到较高的识别率。而静态模型中包含了目标在所有方位角下的特性，即使部分视角的信息有缺失也不会对识别率有太大的影响。参　考　文　献［１］　Ｓｃｈｕｍａｃｈｅｒ　Ｒ，Ｓｃｈｉｌｌｅｒ　Ｊ．Ｎｏｎ－ｃｏｏｐｅｒａｔｉｖｅ　ＴａｒｇｅｔＩｄｅｎｔｉｆｉｃａｔｉｏｎ　ｏｆ　Ｂａｔｔｌｅｆｉｅｌｄ　Ｔａｒｇｅｔｓ　ＣｌａｓｓｉｆｉｃａｔｉｏｎＲｅｓｕｌｔｓ　Ｂａｓｅｄ　ｏｎ　ＳＡＲ　Ｉｍａｇｅｓ［Ｃ］．ＩＥＥＥ　Ｉｎｔｅｒｎａ－ｔｉｏｎａｌ　Ｒａｄａｒ　Ｃｏｎｆｅｒｅｎｃｅ，ＵＳＡ，２００５［２］　Ｎｏｖａｋ　Ｌ　Ｍ．Ｓｔａｔｅ－ｏｆ－ｔｈｅ－ａｒｔ　ｏｆ　ＳＡＲ　Ａｕｔｏｍａｔｉｃ　Ｔａｒ－ｇｅｔ　Ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］．ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｒａｄａｒ　Ｃｏｎ－ｆｅｒｅｎｃｅ，Ａｌｅｘａｎｄｒｉａ，ＶＡ，ＵＳＡ，２０００［３］　Ｒｏｓｓ　Ｔ　Ｄ，Ｍｏｓｓｉｎｇ　Ｊ　Ｃ．Ｔｈｅ　ＭＳＴＡＲ　ＥｖａｌｕａｔｉｏｎＭｅｔｈｏｄｏｌｏｇｙ［Ｃ］．ＳＰＩＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｌｇｏｒｉｔｈｍｓｆｏｒ　Ｓｙｎｔｈｅｔｉｃ　Ａｐｅｒｔｕｒｅ　Ｒａｄａｒ　Ｉｍａｇｅｒｙ，Ｏｒｌａｎｄｏ，Ｆｌｏｒｉｄａ，１９９９［４］　Ｓａｎｄｉｒａｓｅｇａｒａｍ　Ｎ，Ｅｎｇｌｉｓｔｈ　Ｒ．Ｃｏｍｐａｒａｔｉｖｅ　Ａｎａｌｙ－ｓｉｓ　ｏｆ　Ｆｅａｔｕｒｅ　Ｅｘｔｒａｃｔｉｏｎ（２ＤＦＦＴ　ａｎｄ　Ｗａｖｅｌｅｔ）ａｎｄＣｌａｓｓｉｆｉｃａｔｉｏｎ（Ｌｐ　Ｍｅｔｒｉｃ　Ｄｉｓｔａｎｃｅｓ，ＭＬＰ　ＮＮ，ａｎｄＨＮｅＴ）Ａｌｇｏｒｉｔｈｍｓ　ｆｏｒ　ＳＡＲ　Ｉｍａｇｅｒｙ ［Ｊ］．ＰｒｏｃＳＰＩＥ，２００５，５　８０８：３１４－３２５［５］　Ｙａｎｇ　Ｙｉｎａｎ，Ｑｉｕ　Ｙｕｘｉａ，Ｌｕ　Ｃｈａｏ．Ａｕｔｏｍａｔｉｃ　ＴａｒｇｅｔＣｌａｓｓｉｆｉｃａｔｉｏｎ———Ｅｘｐｅｒｉｍｅｎｔｓ　ｏｎ　ｔｈｅ　ＭＳＴＡＲ　ＳＡＲＩｍａｇｅｓ［Ｃ］．Ｔｈｅ　Ｓｉｘｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎＳｏｆｔｗａｒｅ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，Ｎｅｔ－９２武 汉 大 学 学 报 · 信 息 科 学 版 ２０１２年１月ｙ）为基准图像；Ｓｕｖｋ（ｘ′，ｙ′）为非基准图像；Ｋ 为区间中非基准图像数。静态模型的模板构建过程是将对应于每个目标的所有姿态角的训练图像进行静态建模后，每个目标生成一组静态模板（对应于不同的α）。生成模板后，就可对待识别图像与模板进行匹配，即在所有模板中选择与待测图像最接近的模板，作为目标类型和姿态角判断结果。这里模板匹配过程可以表示为：（ｕｏｐｔ，ｖｏｐｔ）＝ａｒｇ　ｍｉｎｕ，ｖ‖Ｔｕｖ（ｘ′，ｙ′）·ΛＳｕｖ０（ｘ，ｙ）－Ｒｕｖ（ｘ，ｙ）‖ （７）式中，ｕｏｐｔ为目标所属类别；ｖｏｐｔ为目标所处角度区间；Ｔｕｖ（ｘ′，ｙ′）为 测 试 图 像；Ｓｕｖ０（ｘ，ｙ）为 基 准 图像；Ｒｕｖ（ｘ，ｙ）为平均模板；Λ 为对准过程；‖‖表示某种模板匹配的准则。目标的正确分类率随测试目标与模板目标的位置偏移增大而降低，因此，在目标分类时，首先需要进行目标对准，即两幅图像的目标相互移动到某一位置时，目标匹配值达到最大。　　本文选取互相关匹配算法（ｎｏｒｍａｌｉｚｅｄ　ｃｏｒｒｅ－ｌａｔｉｏｎ，ＮＣ）作为模板匹配准则，这种算法的基本思想是在观测图像Ｆ（ｘ，ｙ）中定义一个 Ｎ×Ｎ 的搜索窗口，在模板图像 Ｇ（ｘ，ｙ）中选择一个相应的 Ｍ×Ｍ 搜索面积，其中 Ｍ＞Ｎ，然后对窗口与搜索面积之间全部 可能的偏移 位置进行 相关运算。可见匹配过程就是搜索窗口在搜索面积上按照某一顺序滑动，每滑动１次进行１次互相关值计算，以此来判断当前的搜索窗口是否匹配。互相关的定义一般有如下两种形式［１６］：ＮＣ（ｘｓ，ｙｓ）＝∑ｘ∑ｙＦ（ｘ，ｙ）Ｇ（ｘ－ｘｓ，ｙ－ｙｓ）∑ｘ∑ｙＦ２（ｘ，ｙ）∑ｘ∑ｙＧ２（ｘ－ｘｓ，ｙ－ｙｓ槡）（８）式中，（ｘｓ，ｙｓ）表示平移量。如果待识别图像平移（ｘｉ，ｙｉ）后与模板图像完全匹 配，则 相 关 函 数 将 在 （ｘｉ，ｙｉ）达 到 峰 值。式（８）可归一化为相关系数：ＮＣ（ｘｓ，ｙｓ）＝∑ｘ∑ｙ（Ｆ（ｘ，ｙ）－μＦ）（Ｇ（ｘ－ｘｓ，ｙ－ｙｓ）－μＧ）∑ｘ∑ｙ（Ｆ（ｘ，ｙ）－μＦ）２∑ｘ∑ｙ（Ｇ（ｘ－ｘｓ，ｙ－ｙｓ）－μＧ）槡２（９）式中，μＧ、μＦ分别表示模板图像与待识别图像的均值。为了避免由于搜索面积内平均灰度级的变化而产生假相关峰值，采用归一化的相关系数。由于要遍历整幅图像，因此基于模板匹配的计算量很大。传统的模板匹配方法需要在模板中保存目标在所有姿态角下的图像信息，因此速度很慢。相比较而言，静态模型的模板数很少，不需要对目标的每个姿态角构建模板，因此，大大减少了匹配运算量。４　仿真结果与分析本文采用美国 ＭＳＴＡＲ 项目组公布的 ＳＡＲ地面静止军用目标成像切片数据进行仿真实验，ＭＳＴＡＲ数据是目前公认的对目标识别算法进行测试的较完备的 数据集。ＭＳＴＡＲ　ＳＡＲ 目标图像是 Ｘ 波段，０．３ｍ 分辨率，单视单极化的，每个图像切片的大小为１２８像素×１２８像素。本文选取其中的 ３ 个目标：ＢＭＰ２（坦克）、ＢＴＲ７０（装甲运兵车）和 Ｔ７２（坦克）。４．１　原始数据集及映射后的数据集显示选择 ＭＳＴＡＲ 中 Ｔ７２目标共２５幅不同方位角的原始ＳＡＲ 图像，以第一幅图像为基准进行配准，为减少数据量，取中间区域进行图像剪切，得到７２×７２的配准图像。将上述２５幅随方位角变化的原始ＳＡＲ 图像构成原始 数据集，其 中每 幅 图 像 包 含 ７２×７２＝５　１８４个像素，并按照静态建模流程进行数据集映射，图３为原始数据集及映射后的数据集。从左至右依次为原始数据集、视角向量映射 ΘΘ′后的数据集、像素映射Ｉｌｎ珘Ｉｌｎ后的数据集。从原始数据集图像中显然可以看出方位依赖性，即同一个像素在不同方位角上的强度值不同，即同一列上的显示强度不同。对于中间区域即目标散射区的某些像素点，由于遮挡效应，从某些方位上无法看到，因此会产生阴影。经过重排序以后，显然位于散射中心的像素是最强的。４．２　静态图像图４为上述 Ｔ７２目标在 ２５ 个方位角下，取不同α值所构成的 ４ 幅静态图像。显然，随着 α的增加，显示的目标特征越来越清晰全面。４．３　分类结果将静态模型与传统模型应用于模板匹配分类结构中，并对其分类效果作一个比较。所用训练样本及测试样本如表１所示。８２卷第１期 杨露菁等：基于静态模型的多视角 ＳＡＲ 图像目标识别方法　　序列Θ＝｛ｌ０ｏ，ｌΔｏ，…，ｌ（Ｌ－１）Δｏ｝是对一定的角度依赖特征建模，序列Θ′＝｛ｌｎΔｏ，…，ｌΔｏ，…，ｌｍΔｏ｝则是鲁棒的、可靠的目标静态模型，与目标姿态角无关。根据上 述 原 理，ＳＡＲ 图 像 静 态 建 模 过 程 如下［１３］。１）输入数据结构为：Ｄ ＝Ｉｌ０°ＩｌΔ°Ｉｌ（Ｌ－１）Δ熿燀燄燅°＝ｘｌ０°１ｘｌ０°２… ｘｌ０°ＭＮｘｌΔ°１ｘｌΔ°２ｘｌΔ°ＭＮ ｘｌ（Ｌ－１）Δ°１ｘｌ（Ｌ－１）Δ°２… ｘｌ（Ｌ－１）Δ°熿燀燄ＭＮ燅（３）　　它表示Ｌ 维视角空间，其中每一行代表单视空间中的一幅图像，如图１所示。图１　Ｌ 维视角空间数据结构图Ｆｉｇ．１　Ｌ－ｄｉｍｅｎｓｉｏｎ　Ａｓｐｅｃｔ　Ｓｐａｃｅ　Ｄａｔａ　Ｓｔｒｕｃｔｕｒｅ２）对上述数据结构进行重新排列组织，使其与目标散射中心有关而与角度无关。经过视角向量映射ΘΘ′后，式（３）变成：Ｄ′ ＝ＩｌｎΔ°ＩｌｍΔ熿燀燄燅°＝ｘｌｎΔ°１ｘｌｎΔ°２… ｘｌｎΔ°ＭＮ ｘｌｍΔ°１ｘｌｍΔ°２… ｘｌｍΔ°熿燀燄ＭＮ燅（４）再经过像素映射Ｉｌｎ珘Ｉｌｎ后，则式（４）变成：Ｄ″ ＝珘ＩｌｎΔ°珘ＩｌｍΔ熿燀燄燅°＝ｘｌｎΔ°ｎ′… ｘｌｎΔ°ｍ′ ｘｌｍΔ°ｎ′… ｘｌｍΔ°熿燀燄ｍ′燅（５）　　３）从映射函数输出静态图像，每一行即为一幅静态图像。定义一个参数α＝ ０，（ １］，用以反映图像的静态特性。当α＝１／Ｌ 时，在所有姿态角下都可见的显著特征会显示出来；随着α的增加，部分姿态角下可见的特征逐渐出现；而当α＝１时，在少数姿态角下可见的特征也会出现。２　基于静态模型的多视 角 ＳＡＲ 图像识别系统　　基于上述静态模型，笔者构建了一个多视角ＳＡＲ 图像目标识别系统。其结构如图２所示。图２　基于静态模型的多视角 ＳＡＲ 图像识别系统Ｆｉｇ．２　Ｍｕｌｔｉ－ａｓｐｅｃｔ　ＳＡＲ　Ｉｍａｇｅ　Ｒｅｃｏｇｎｉｔｉｏｎ　ＳｙｓｔｅｍＢａｓｅｄ　ｏｎ　Ｓｔａｔｉｃ　Ｍｏｄｅｌ具体步骤如下。１）图像预处理。输入待识别目标在若干个视角下的ＳＡＲ 图像，进行图像分割和配准。２）按照上述静态建模步骤对这些图像进行静态建模。３）将待识别目标的静态模型与模板进行匹配，从而完成目标识别过程。静态模板是预先利用每个目标的大量训练样本（可能为不完全姿态角的数据）进行静态建模后构造而成的。３　利用静态模板实现模板匹配的方法　　模板匹配分类结构是在模板中保存目标在所有姿态角下的图像信息，分类时在所有模板中选择与待测图像最接近（根据不同的判断准则定义，如距离最近、相关性最强等）的模板，从而得到目标类型和姿态角判断结果。在一般的角度依赖的 ＳＡＲ 图像模板匹配识别方法中，模板生成过程是将对应于每个目标的所有姿态角的训练图像划分为 Ｌ 个视角窗口，然后以角度居中的图像为基准，该视角区间内其他图像与基准图像的目标间配准后，再相加取平均，生成该视角区间的平均模板，每个目标的模板数目为３６０／Ｌ 个。模板构建过程如下［１４］：Ｒｕｖ（ｘ，ｙ）＝１Ｋ ＋１·Ｓｕｖ０（ｘ，ｙ）＋∑Ｋｋ＝１Ｓｕｖｋ（ｘ′，ｙ′）ΛＳｕｖ０［（ｘ，ｙ ］） （６）式中，ｕ 为 目 标 所 属 类 别；ｖ 为 目 标 所 处 视 角 区间；Λ 为配准过程；Ｒｕｖ（ｘ，ｙ）为平均模板；Ｓｕｖ０（ｘ，７２日期：２０１１－０９－２０。项目来源：“十一五”国防预研基金资助项目（１０１０３０６０１０３）。武 汉 大 学 学 报 · 信 息 科 学 版 ２０１２年１月ｗｏｒｋｉｎｇ　ａｎｄ　Ｐａｒａｌｌｅｌ／Ｄｉｓｔｒｉｂｕｔｅｄ　Ｃｏｍｐｕｔｉｎｇ，ａｎｄＦｉｒｓｔ　ＡＣＩＳ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｓｅｌｆ－Ａｓｓｅｍｂ－ｌｉｎｇ　Ｗｉｒｅｌｅｓｓ　Ｎｅｔｗｏｒｋｓ，Ｍａｒｙｌａｎｄ，ＵＳＡ，２００５［６］　Ｈｕａｎ　Ｒｕｏｈｏｎｇ，Ｙａｎｇ　Ｒｕｌｉａｎｇ．Ｓｙｎｔｈｅｔｉｃ　ＡｐｅｒｔｕｒｅＲａｄａｒ　Ｉｍａｇｅ　Ｔａｒｇｅｔ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｍｕｌｔｉ－Ｉｍ－ａｇｅｓ　ｏｆ　ｔｈｅ　Ｓａｍｅ　Ｔａｒｇｅｔ　ａｎｄ　Ｈｉｄｄｅｎ　Ｍａｒｋｏｖ　Ｍｏｄｅｌｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃｓ　＆Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｅｃｈｎｏｌｏ－ｇｙ，２００８，３０（９）：２　０５１－２　０５４［７］　宦若虹，杨汝良，岳晋．一种合成孔径雷达图像特征提取与 目 标 识 别 的 新 方 法 ［Ｊ］．电 子 与 信 息 学 报，２００８，３０（３）：５５４－５５８［８］　余瑞星，朱冰，张科，等．基于小波的ＩＣＭ 不变特征在图像匹配识别中的应用［Ｊ］．武汉大学学报·信息科学版，２００８，３３（１２）：１　２２５－１　２２８［９］　尹淑玲，舒宁，刘新华．基于自适应遗传算法和改进ＢＰ算法的遥感影像分类［Ｊ］．武汉大学学报·信息科学版，２００７，３２（３）：２０１－２０４［１０］Ｂａｋｅｒ　Ｃ　Ｊ，Ｇｒｉｆｆｉｔｈｓ　Ｈ　Ｄ，Ｖｅｓｐｅ　Ｍ．Ｍｕｌｔｉ－ｐｅｒｓｐｅｃ－ｔｉｖｅ　Ｉｍａｇｉｎｇ　ａｎｄ　Ｉｍａｇｅ　Ｉｎｔｅｒｐｒｅｔａｔｉｏｎ［Ｒ］．ＮＡＴＯＡｄｖａｎｃｅｄ　Ｓｔｕｄｙ　Ｉｎｓｔｉｔｕｔｅ’ｓ　Ｉｍａｇｉｎｇ　ｆｏｒ　Ｄｅｔｅｃｔｉｏｎａｎｄ　Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ＵＳＡ，２００６［１１］ Ｍｏｓｅｓ　Ｒ　Ｌ，Ｅｒｔｉｎ　Ｅ，Ａｕｓｔｉｎ　Ｃ．Ｓｙｎｔｈｅｔｉｃ　ＡｐｅｒｔｕｒｅＲａｄａｒ　Ｖｉｓｕａｌｉｚａｔｉｏｎ［Ｃ］．Ｔｈｉｒｔｙ－Ｅｉｇｈｔｈ　ＡｓｉｌｏｍａｒＣｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｓｉｇｎａｌｓ，Ｓｙｓｔｅｍｓ　ａｎｄ　Ｃｏｍｐｕｔｅｒｓ，Ｐａ－ｃｉｆｉｃ　Ｇｒｏｖｅ，ＣＡ，ＵＳＡ，２００４［１２］Ｐａｐｓｏｎ　Ｓ．Ｔｈｅ　Ｅｘｐｌｏｉｔａｔｉｏｎ　ｏｆ　Ｍｕｌｔｉ－ｌｏｏｋ　ＳｙｎｔｈｅｔｉｃＡｐｅｒｔｕｒｅ　Ｒａｄａｒ　ａｎｄ　Ｉｎｖｅｒｓｅ　Ｓｙｎｔｈｅｔｉｃ　Ａｐｅｒｔｕｒｅ　Ｒａ－ｄａｒ　Ｉｍａｇｅｓ　ｆｏｒ　Ｎｏｎ－ｃｏｏｐｅｒａｔｉｖｅ　Ｔａｒｇｅｔ　Ｒｅｃｏｇｎｉｔｉｏｎ［Ｄ］．Ｐｅｎｎｓｙｌｖａｎｉａ：Ｔｈｅ　Ｐｅｎｎｓｙｌｖａｎｉａ　Ｓｔａｔｅ　Ｕｎｉｖｅｒ－ｓｉｔｙ，２００７［１３］杨露菁，王德石，李煜．多视角 ＳＡＲ 图像的静态建模与 显 示 仿 真 ［Ｊ］．系 统 仿 真 学 报，２０１０，２２（２）：５０６－５０９［１４］ 成 功，崔 凯．基 于 峰 值 点 的 目 标 对 准 在 ＭＳＴＡＲＳＡＲ 图 像 分 类 中 的 应 用 ［Ｊ］．遥 测 遥 控，２００６，２７（５）：２５－２９［１５］张红源，陈 自 力．图 像 匹 配 经 典 算 法 及 其 改 进 方 法研究［Ｊ］．兵工自动化，２００８，２７（９）：９１－９４第一作者简介：杨露菁，副教授，博士。主要研究方向为信息融合和目标识别。Ｅ－ｍａｉｌ：ＹＬＪ１９６６＠１６３．ｃｏｍＡ　Ｍｅｔｈｏｄ　ｏｆ　Ｍｕｌｔｉ－ｌｏｏｋ　ＳＡＲ　Ｉｍａｇｅ　Ｔａｒｇｅｔ　ＲｅｃｏｇｎｉｔｉｏｎＢａｓｅｄ　ｏｎ　Ｓｔａｔｉｃ　ＭｏｄｅｌＹＡＮＧ　Ｌｕｊｉｎｇ１　ＨＡＯ　Ｗｅｉ１　ＷＡＮＧ　Ｄｅｓｈｉ１（１　Ｃｏｌｌｅｇｅ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｖａｌ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｅｎｇｉｎｅｅｒｉｎｇ，７１７Ｊｉｅｆａｎｇ　Ｓｔｒｅｅｔ，Ｗｕｈａｎ　４３００３３，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｒａｄｉｔｉｏｎａｌ　ｍｕｌｔｉ－ｌｏｏｋ　ＳＡＲ　ｉｍａｇｅｓ　ａｒｅ　ｈｉｇｈｌｙ　ｓｅｎｓｉｔｉｖｅ　ｔｏ　ｔａｒｇｅｔ　ａｓｐｅｃｔ　ａｎｇｌｅ，ｗｈｉｃｈ　ｉｓ　ｕｎｆａｖｏｒａｂｌｅ　ｔｏ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ．Ｔｏ　ｓｏｌｖｅ　ｔｈｅ　ｐｒｏｂｌｅｍ，ａ　ｓｔａｔｉｃ　ｍｏｄｅｌｉｎｇ　ｍｅｔｈｏｄｆｏｒ　ｍｕｌｔｉ－ｌｏｏｋ　ＳＡＲ　ｉｍａｇｅｓ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｔｈｅ　ｍｅｔｈｏｄ　ｉｎｔｅｇｒａｔｅｓ　ｉｍａｇｅｓ　ｆｒｏｍ　ｍｕｌｔｉｐｌｅ　ａｓｐｅｃｔｓｉｎｔｏ　ａ　ｃｏｍｐｏｓｉｔｅ　ｄａｔａ　ｓｔｒｕｃｔｕｒｅ．Ｔｈｅ　ｄａｔａ　ｓｔｒｕｃｔｕｒｅ　ｉｓ　ｒｅｏｒｇａｎｉｚｅｄ　ｓｏ　ａｓ　ｔｏ　ｂｅ　ｆｕｎｃｔｉｏｎ　ｏｆ　ｔａｒ－ｇｅｔ　ｓｃａｔｔｅｒ　ｃｅｎｔｅｒｓ，ｎｏｔ　ｏｆ　ａｓｐｅｃｔｓ．Ｔｈｅｎ　ｔｈｅ　ｓｔａｔｉｃ　ｍｏｄｅｌ　ｉｓ　ｕｓｅｄ　ｔｏ　ｍｏｄｅｌｉｎｇ　ｔｈｅ　ｔａｒｇｅｔ　ｄａｔａｏｆ　ｉｎｃｏｍｐｌｅｔｅ　ａｓｐｅｃｔｓ，ａｎｄ　ｆｏｒｍ　ｔｈｅ　ｔｅｍｐｌａｔｅ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　ｔａｒｇｅｔｓ．Ｔｈｅ　ｉｎｐｕｔ　ｍｕｌｔｉ－ｌｏｏｋ　ＳＡＲｉｍａｇｅｓ　ａｒｅ　ｃｌａｓｓｉｆｉｅｄ　ｕｓｉｎｇ　ｔｅｍｐｌａｔｅ　ｍａｔｃｈｉｎｇ　ａｌｇｏｒｉｔｈｍ．Ｔｈｅ　ｔｈｅｏｒｙ　ａｎａｌｙｓｉｓ　ａｎｄ　ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｅｘｃｅｌｓ　ｔｒａｄｉｔｉｏｎａｌ　ｍｏｄｅｌ　ｗｈｅｎ　ａ　ｓｍａｌｌ　ｑｕａｎｔｉｔｙ　ｏｆ　ＳＡＲ　ｉｍａｇｅｓ　ｏｆｄｉｆｆｅｒｅｎｔ　ａｓｐｅｃｔｓ　ａｒｅ　ｆｅａｓｉｂｌｅ．Ｋｅｙ　ｗｏｒｄｓ：ＳＡＲ　ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ；ｓａｔｉｃ　ｍｏｄｅｌ；ｔｅｍｐｌａｔｅ　ｍａｔｃｈｉｎｇ；ｍｕｌｔｉ－ｌｏｏｋＡｂｏｕｔ　ｔｈｅ　ｆｉｒｓｔ　ａｕｔｈｏｒ：ＹＡＮＧ　Ｌｕｊｉｎｇ，ａｓｓｏｃｉａｔｅ　ｐｒｏｆｅｓｓｏｒ，Ｐｈ．Ｄ，ｈｅｒ　ｒｅｓｅａｒｃｈ　ｆｏｃｕｓｅｓ　ｏｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｕｓｉｏｎ　ａｎｄ　ａｕｔｏｍａｔｉｃ　ｔａｒｇｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ．Ｅ－ｍａｉｌ：ＹＬＪ１９６６＠１６３．ｃｏｍ０３