基于散射點匹配的雷達高分辨距離像識別方法
【專利摘要】本發明公開了一種基于散射點匹配的雷達高分辨距離像識別方法。主要解決現有技術識別效果不穩定的問題。其實現步驟為：1)獲取已知目標各幀訓練模板點集；2)獲取目標測試樣本并估計信噪比；3)根據信噪比確定能量比；4)利用能量比確定已知目標各幀最終訓練模板點集、幅度方差和位置方差；5)根據信噪比和能量比確定測試樣本散射點集；6)利用幅度方差和位置方差計算測試樣本散射點集與各幀最終訓練模板點集間的局部Hausdorff距離；7)判定測試樣本類別。本發明可提取樣本的散射點集達到穩定且較好的匹配識別效果，并且為利用距離像的散射點進行識別提供了可行性，可用于對飛機、汽車等目標的識別。
【專利說明】基于散射點匹配的雷達高分辨距離像識別方法
【技術領域】
[0001] 本發明屬于雷達信號處理【技術領域】，涉及高分辨距離像及散射點匹配的目標識別 方法，可用于飛機目標的識別分類。
【背景技術】
[0002] 高分辨雷達通常工作在光學區，在這種情況下，距離分辨單元遠小于目標尺寸，故 可將目標看作多個散射點的集合。而高分辨距離像是在寬帶雷達信號下目標散射點回波在 雷達射線方向上投影的向量和，可以提供目標散射點回波沿距離方向的分布情況。其中目 標散射點對應于高分辨距離像中的強散射點，而弱散射點對應噪聲分量，如果能將距離像 中的強散射點提取出來，對目標的識別分類將很有利，而且當前利用距離像散射點進行識 別分類的方法較少。
[0003] 基于統計模型的識別方法，一直是雷達高分辨距離像識別中的重要方面，其中文 獻[Jacobs S. P. . Automatic target recognition using high-resolution radar range profiles. Ph. D. Dissertation. Washington University. 1999.]較早的提出 了傳統自適應 高斯AGC統計模型，它是在Bayes框架下令風險函數最小化的二次型分類器。傳統AGC的處 理步驟是：假設高分辨距離像中各個距離單元相互獨立且服從高斯分布，通過對訓練樣本 進行合理的劃分，求出平均像和方差像并建立統計模型，根據測試樣本在各類別下的類后 驗概率的大小確定最終目標類別。該方法的不足之處在于：訓練樣本是在高信噪比下獲得， 而實際中信噪比往往較低，此時利用傳統AGC進行識別會導致測試樣本和訓練樣本失配情 況較為嚴重，對結果產生較大影響。
[0004] 文獻[杜蘭，劉宏偉，保錚，張軍英.一種利用目標雷達高分辨距離像幅度起伏特 性的特征提取新方法.電子學報.2006, Vol. 33 (3). 411-415]中涉及了另一種統計識別方 法：最大相關系數MCC。MCC是包含了平移補償的模板匹配方法，求出距離像分幀后各幀的 平均像，通過計算測試樣本和訓練樣本之間的相關系數大小來確定目標類別。該方法的不 足之處在于：MCC利用了距離像的一階統計量，其識別效果并不理想。
【發明內容】
[0005] 本發明的目的在于針對上述現有技術的不足，提出一種基于散射點匹配的雷達高 分辨距離像識別方法，以有效提取距離像的強散射點進行匹配識別，提高識別效果。
[0006] 實現本發明目的的技術方案是：基于寬帶雷達目標散射點模型，利用正交傅里葉 基下的匹配追蹤算法對距離像信號進行稀疏分解，提取多個強散射點的位置和幅度信息， 并根據目標信號的信噪比確定訓練和測試樣本的強散射點集，通過局部HausdorfT距離度 量兩個散射點集之間的相似性來判定測試樣本類別。其具體步驟包括如下：
[0007] (1)獲取距離像的原始訓練樣本集，根據原始訓練樣本集獲取訓練模板點集：
[0008] la)獲取高信噪比下多個已知目標的雷達寬帶時域回波數據，對該回波數據依次 進行脈沖壓縮、歸一化、分幀和對齊，得到原始訓練樣本集? …不其中，& 為第C類目標的樣本集且
【權利要求】
1. 一種基于散射點匹配的雷達高分辨距離像識別方法，包括以下步驟： (1) 獲取距離像的原始訓練樣本集，根據原始訓練樣本集獲取訓練模板點集： la) 獲取高信噪比下多個已知目標的雷達寬帶時域回波數據，對該回波數據依次進行 脈沖壓縮、歸一化、分幀和對齊，得到原始訓練樣本集…，\丨，其中，I為第 c類目標的樣本集且…具z}，c = 1，2,…，T，T為類別總數，I為I的 第k幀樣本集，k = 1，2,…，Z，Z為樣本幀數； lb) 在正交傅里葉基下，利用匹配追蹤算法提取各幀訓練樣本的散射點幅度和位置信 息，并對散射點中幅度求模值，得到I*中第1個樣本的散射點集： Pckl 一 { (Ackll，I ckli)，（Ackl2，Ickl2)，…，（Ackli，Ickli)，…，（A cklN， IckiN)}，i = 1，2, ...，N， 其中，為第1個樣本中的第i個散射點的幅度，1#,為第1個樣本的第i個散射點 的位置，N為單個復距離像的樣本長度； lc) 對一幀內相同位置上的散射點的幅度求均值，并按均值的幅度大小對散射點降序 排序，得到的訓練模板點集Pdt為： Pck - {(Ackl, Ickl), (Ack2, Ick2), --?, (Acki, Icki), --?, (AckN, IckN)}, i - 1, 2,…，N， 其中，A&為第i個散射點的幅度，I&為第i個散射點的位置； (2) 將雷達開機時不含目標的信號平均功率作為噪聲功率〇n2,并將獲取到的含未知 目標的復距離像作為測試樣本y，估計該測試樣本y的信噪比SNR，并對測試樣本y采用 2-范數強度歸一化，得到歸一化后的測試樣本f; (3) 根據信噪比SNR確定用于修正訓練模板點集的能量比r ; ⑷根據能量比r和已知目標訓練模板點集P。,確定最終的訓練模板點集色、幅度方 差和位置方差： 4a)根據能量比r按幅度從大到小依次提取訓練模板P。，中前I個散射點； 4b)對前個散射點采用重心對齊法進行對齊，得到最終訓練模板點集^ ; 4c)根據所有目標的最終訓練模板點集求出幅度方差^和位置方差; (5) 提取目標測試樣本.f的測試樣本散射點集G : 5a)在正交傅里葉基下，根據信噪比SNR，利用匹配追蹤算法對測試樣本F去噪并提取 散射點集4*并對巧中散射點的幅度求模值； 5b)根據能量比r，按幅度從大到小的順序依次提取散射點集g中前個散射點； 5c)對前My個散射點采用重心對齊法進行對齊，得到測試樣本散射點集焉； (6) 利用幅度方差^和位置方差計算測試樣本散射點集g與各幀最終訓練模板 點集之間的局部Hausdorff距離，得到T*Z個局部Hausdorff距離： (7) 搜索T*Z個局部Hausdorff距離中的最小值，則對應的訓練樣本類別即為測試樣本 的判決類別。
2. 根據權利要求1所述的基于散射點匹配的雷達高分辨距離像識別方法，其中所述步 驟（la)中對回波數據的歸一化，是對脈沖壓縮后產生的距離像，采用2-范數強度歸一化， 使單個樣本的模值為1，得到歸一化后的距離像樣本集。
3. 根據權利要求1所述的基于散射點匹配的雷達高分辨距離像識別方法，其中所述步 驟（la)中對回波數據的分幀，是對歸一化后的距離像樣本集采用均勻劃分方式劃分為多 個幀，使每一幀都包含相同個數的同一目標下的樣本，得到分幀后的距離像樣本集。
4. 根據權利要求1所述的基于散射點匹配的雷達高分辨距離像識別方法，其中所述步 驟（la)中對回波數據的對齊，是對分幀后的距離像樣本集采用滑動相關對齊法進行對齊， 即先選取幀內某一樣本作為基準樣本，滑動幀內的其它樣本，令它們與基準樣本的相關系 數達到最大為止，然后將滑動后的其它樣本與基準樣本一起存儲，從而得到原始訓練樣本 集 ^ = {1^%,……，frh
5. 根據權利要求1所述的基于散射點匹配的雷達高分辨距離像識別方法，其中所述步 驟（lb)中在正交傅里葉基下，利用匹配追蹤算法提取各幀訓練樣本的散射點幅度和位置 信息，按如下步驟進行： lbl)將距離像中噪聲能量作為終止門限th ; lb2)初始化序號值i和殘余信號R，令i = 1，且R = D'U，其中，U為、中第1個 樣本的頻域信號，D為正交傅里葉基，D中第m行第n列的元素為：，1彡m彡N， 1彡n彡N，D_i為D的逆矩陣； lb3)計算殘余信號R中模值最大的元素，將該元素作為第i個散射點的幅度A#,，將該 元素在殘余信號R中的位置作為第i個散射點的位置1。!^ ; lb4)更新殘余信號：K
為D中第個列向 量； lb5)比較殘余信號能量||R|與終止門限th大小：若||R|大于終止門限th,則i值加1 后跳轉到lb3)繼續執行，反之，計算結束。
6. 根據權利要求1所述的基于散射點匹配的雷達高分辨距離像識別方法，其中所述步 驟（6)中計算測試樣本散射點集專與各幀最終訓練模板點集之間的局部Hausdorff距離， 通過如下公式計算：
//(色,4)為訓練模板點集I和測試樣本散射點集4之間的局部Hausdorff距離， (? )H表示共軛轉置，？.⑴為訓練摁板點集&中第t個散射點，專(II)為測試樣本散射點集
4中的第u個散射點： KK1彡1, My為點集與中的散射點個數,Mek為點集色 中散射點的個數。
【文檔編號】G01S7/41GK104280724SQ201410570804
【公開日】2015年1月14日 申請日期:2014年10月23日 優先權日:2014年10月23日
【發明者】杜蘭, 趙樂, 和華, 王鵬輝 申請人:西安電子科技大學
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
