Treatement and sparse classification of radar images for automatic target recognition

La reconnaissance automatique de cibles est toujours une problématique d’intérêt dans différents domaines d’application (sécurité, surveillance, automobile, environnement, médecine, …). Dans le cadre du travail réalisé, nous nous sommes intéressés au développement d’une méthodologie dédiée à la reconnaissance de cibles à partir des images radar à synthèse d’ouverture (directe ou inverse). Dans ce contexte, différentes techniques développées dans la littérature souffrent de certaines lacunes selon la nature des données traitées (hétérogènes, multimodales, …), la précision, la robustesse vis-à-vis du bruit et le temps de calcul. Dans ce travail, l’objectif principal porte sur le développement d’outils pour l’aide à la reconnaissance de cibles à partir des images radar. Ainsi, deux bases de données d’images ont été considérées. D’une part des images ISAR (Inverse Synthetic Aperture Radar), récoltées dans la chambre anéchoïque de l’ENSTA Bretagne. Et d’autre part des images SAR (Synthetic Aperture Radar) de la base de données MSTAR. Pour atteindre l’objectif d’amélioration du processus de reconnaissance étudié et développé, et en dehors des méthodes proposées au niveau du traitement et d’extraction de caractéristiques, nous nous sommes intéressés tout au long de la phase de reconnaissance à l’apport de la classification parcimonieuse des images radar. Dans ce sens, la première contribution porte sur la proposition d’un dictionnaire formé par les descripteurs SIFT (Scale Invariant Feature Transform) filtrés par la méthode de la saillance visuelle. Ensuite, en utilisant ce dictionnaire, une classification parcimonieuse multitâche est appliquée dans la phase de reconnaissance. Quant à la seconde contribution, elle intègre la modélisation statistique des images radar considérées dans le domaine des ondelettes complexe. Les paramètres statistiques résultants (univariés ou multivariés) ont été mis à profit pour construire un dictionnaire statistique. Ce dictionnaire est pondéré par la suite en utilisant une mesure de similarité qui intègre la KLD (Kullbak-Leibler Divergence) entre les paramètres statistiques. Les performances des deux contributions ont été évaluées empiriquement sur les deux bases de données distinctes d’images radar (ISAR et SAR).Automatic target recognition has become a flourishing research topic in remote sensing. This problematic is of paramount importance in several military and civilian applications (security, surveillance, automobile, environment, medicine, ...). In this work, we focus on the development of new methodology dedicated to the target recognition from synthetic aperture radar images (inverse or direct). In this context, the different methods proposed in the literature have several drawbacks according to the type of used data (heterogeneous, multimodal, …), the accuracy, the robustness to noise and the computation time. In this work, we aim to propose new methods for targets recognition from radar images. Thus, two different databases are considered. On the one hand, we use the ISAR (Inverse Synthetic Aperture Radar) images acquired from the anechoic chamber of ENSTA Bretagne. On the other hand, we exploit the SAR (Synthetic Aperture Radar) images of MSTAR database. To achieve the goal of the amelioration of the recognition process studied and developed, we give a special interest to the SRC (Sparse Representation-based Classification) method to recognize the radar images. This method includes also the processing and feature extraction steps to build the dictionary. In this optic, the first contribution consists on constructing a new dictionary composed by the SIFT (Scale Invariant Feature Transform) descriptors filtered by the saliency attention method. After that, this dictionary is exploited by a multitask sparse classifier to achieve the recognition step. In the second contribution, we statistically model the radar images in the complex wavelet domain. The resulting statistical parameters (univariate or multivariate) are stacked together to construct the statistical dictionary. Afterwards, this dictionary is weighted by using a similarity measure that includes the KLD (Kullbak-Leibler Divergence) between the statistical parameters. The performances of the two proposed methods have been evaluated empirically on two different databases of radar images (ISAR and SAR)