低分辨機(jī)載雷達(dá)空地運(yùn)動目標(biāo)的分類識別算法

王福友 羅 釘 劉宏偉(中國航空工業(yè)集團(tuán)公司雷華電子技術(shù)研究所 無錫 214063)>(西安電子科技大學(xué)雷達(dá)信號處理國家重點(diǎn)實(shí)驗(yàn)室 西安 710071)

低分辨機(jī)載雷達(dá)空地運(yùn)動目標(biāo)的分類識別算法

王福友*①②羅 釘①劉宏偉②
①(中國航空工業(yè)集團(tuán)公司雷華電子技術(shù)研究所 無錫 214063)>
②(西安電子科技大學(xué)雷達(dá)信號處理國家重點(diǎn)實(shí)驗(yàn)室 西安 710071)

分類識別技術(shù)是雷達(dá)當(dāng)今和未來發(fā)展的重要需求，也是雷達(dá)的關(guān)鍵技術(shù)之一。目前研究較多的是基于寬帶信號的目標(biāo)識別，對雷達(dá)系統(tǒng)和目標(biāo)信噪比具有較高的要求，且對角度非常敏感。針對低分辨機(jī)載雷達(dá)工作在下視模式下，慢速飛行目標(biāo)和地面運(yùn)動目標(biāo)由于具有相似的多普勒速度和雷達(dá)散射截面(RCS)，使得其對機(jī)載雷達(dá)慢速飛行目標(biāo)檢測、跟蹤和識別形成干擾，該文提出了一種基于窄帶分形和相位調(diào)制特征的機(jī)載雷達(dá)空地運(yùn)動目標(biāo)分類識別算法。文中以實(shí)測試飛數(shù)據(jù)進(jìn)行分析驗(yàn)證，以支持向量機(jī)(SVM)為分類器，試驗(yàn)結(jié)果表明，該方法能對機(jī)載雷達(dá)直升機(jī)、汽車運(yùn)動目標(biāo)進(jìn)行有效分類識別，當(dāng)SNR≥15 dB時(shí)，平均分類識別率在89%以上。

低分辨機(jī)載雷達(dá)；空地運(yùn)動目標(biāo)分類識別；分形特征；相位調(diào)制特征；支持向量機(jī)(SVM)

1 引言

機(jī)載監(jiān)視雷達(dá)大多具有良好的低空探測性能[1,2]，特別進(jìn)入21世紀(jì)后，低空飛行的巡航導(dǎo)彈、直升機(jī)、無人機(jī)的普遍使用使得機(jī)載監(jiān)視雷達(dá)在防低空突防等領(lǐng)域有廣泛的應(yīng)用前景[3]。

但當(dāng)機(jī)載監(jiān)視雷達(dá)工作在下視模式來監(jiān)視低空飛行器時(shí)，會檢測出大量的地面運(yùn)動目標(biāo)信息，同時(shí)檢測到的低空目標(biāo)如直升機(jī)、無人機(jī)和地面汽車具有相似的多普勒速度和雷達(dá)散射截面(RCS)，容易誤判，因此作為機(jī)載監(jiān)視雷達(dá)應(yīng)該具有對空中和地面運(yùn)動目標(biāo)分類識別的能力，才能更好地發(fā)揮監(jiān)視作用。

近幾年來，關(guān)于機(jī)載雷達(dá)空地運(yùn)動目標(biāo)分類識別技術(shù)的研究，國內(nèi)外公開的文獻(xiàn)僅有為數(shù)不多的幾篇，從文獻(xiàn)可以看出，國內(nèi)外學(xué)者已開展了一些研究[4－9]。文獻(xiàn)[4]提出基于利用道路信息的機(jī)載雷達(dá)空地目標(biāo)分類方法，利用航跡信息和地面道路信息，往往對系統(tǒng)要求較高，這往往要對道路具有精確的先驗(yàn)信息，要存儲海量的矢量地圖，達(dá)到精確地形匹配，此外，無人機(jī)和直升機(jī)也可能在道路上空飛行，因此存在一定的局限性。文獻(xiàn)[5,6]提出基于距離-多普勒域的幅度調(diào)制特征(非主雜波)的差異進(jìn)行空地目標(biāo)分類識別，但這往往對信噪比要求較高。文獻(xiàn)[7]提出利用多路徑信號進(jìn)行空地動目標(biāo)分類，但由于低空飛行目標(biāo)和地面運(yùn)動目標(biāo)具有相似的速度，在頻域往往很難辨別出是否為多徑信號，需要高精度譜估計(jì)，且需要系統(tǒng)工作在寬帶模式，同時(shí)由于強(qiáng)地雜波的影響，該方法的效果不是很理想。對于應(yīng)用方面，文獻(xiàn)[8]披露美國E-8C監(jiān)視雷達(dá)、E-2C預(yù)警機(jī)監(jiān)視雷達(dá)、E-3預(yù)警機(jī)監(jiān)視雷達(dá)、英國的機(jī)載防區(qū)外雷達(dá)ASTOR都具有戰(zhàn)場空地運(yùn)動目標(biāo)分類識別能力，具體采用何分類識別技術(shù)沒有報(bào)道。

從公開的文獻(xiàn)可知，現(xiàn)有算法具有一定的局限性。而文獻(xiàn)[10]研究表明，機(jī)載雷達(dá)的運(yùn)動目標(biāo)回波信號含有非線性非平穩(wěn)調(diào)制成分，而分形是近些年來非線性科學(xué)的一個重要分支，對于分析雷達(dá)目標(biāo)回波信號特征具有潛力，分形的物理含義是描述物體表面的粗糙程度和不規(guī)則程度[11]，多位學(xué)者研究表明基于分形可很好地對雷達(dá)電磁散射場進(jìn)行數(shù)學(xué)建模[12－15]、雷達(dá)目標(biāo)回波信號重構(gòu)[16]、強(qiáng)地海雜波背景下的目標(biāo)檢測[17,18]以及自然界目標(biāo)幾何外形描述和目標(biāo)分類[19－21]。

由于分形特征能在強(qiáng)地、海雜波背景下進(jìn)行雷達(dá)目標(biāo)信號建模、重構(gòu)和目標(biāo)檢測，且分形特征較穩(wěn)定，不同目標(biāo)的分形特征存在差異性，因此使得其在分類識別方面具有潛力，此外文獻(xiàn)[16, 22]研究表明，分形不受噪聲的影響，這對于實(shí)際目標(biāo)在噪聲環(huán)境下目標(biāo)分類識別具有現(xiàn)實(shí)意義。

同時(shí)由于空地動目標(biāo)相對機(jī)載雷達(dá)都含有相對運(yùn)動，而相對運(yùn)動對雷達(dá)的回波的相位具有調(diào)制作用，因此本文也將提取空地動目標(biāo)的相位調(diào)制特征。

針對上述問題，考慮到識別效果的穩(wěn)健性，以及現(xiàn)有機(jī)載雷達(dá)普遍具有窄帶跟蹤模式條件下，本文提出了一種基于窄帶分形特征和相位調(diào)制特征的機(jī)載雷達(dá)空地運(yùn)動目標(biāo)分類識別算法，給出了分形的基本原理，在分析目標(biāo)旋轉(zhuǎn)部件的電磁散射機(jī)理基礎(chǔ)上得出了相位調(diào)制特征提取算法，在實(shí)測試驗(yàn)數(shù)據(jù)基礎(chǔ)上給出了空地運(yùn)動目標(biāo)的分形特征，相位調(diào)制特征和分類識別結(jié)果，實(shí)測試飛數(shù)據(jù)驗(yàn)證表明本文在小樣本條件下具有較好的分類識別效果。

2 識別基本原理

2.1 分形特征識別原理

分形是描述物體表面的粗糙程度和不規(guī)則程度，分形的一個重要特征為計(jì)算的分維數(shù)是一種非整數(shù)的形式，稱為分形維數(shù)，描述分形特征的參數(shù)叫分形維數(shù)。而常規(guī)的人造物體如飛機(jī)通常具有相對規(guī)則的幾何形體，且目標(biāo)的分形維數(shù)相對穩(wěn)定，而不同目標(biāo)的外形和規(guī)則程度存在差異，導(dǎo)致不同目標(biāo)的分形特征也存在差異，這就為基于分形特征來進(jìn)行目標(biāo)分類識別奠定基礎(chǔ)。

由于時(shí)間資源對目標(biāo)分類識別至關(guān)重要，本文擬定采用盒維數(shù)(Box dimension)法來提取分形特征，盒維數(shù)法被認(rèn)為是計(jì)算分形維數(shù)最快和實(shí)用的方法[23]。

設(shè)D是Rn上任意非空的有界子集，Nδ(D)是直徑最大為δ并能覆蓋D的集的最小個數(shù)，則D的下、上限的盒維數(shù)分別定義為：

如果式(1)和式(2)兩個值相等，則稱為盒維數(shù)，記為：

基于盒維數(shù)對于實(shí)際雷達(dá)目標(biāo)的分形特征提取步驟如下：

(1) 取一個長度為N的目標(biāo)信號F (目標(biāo)所在某一距離單元多脈沖數(shù)據(jù))，將它的幅度和時(shí)間軸歸一化后放入一正方形，如圖1所示。

(2) 選取一些邊長為δm(m=1,2,… ,M)的方格網(wǎng)，每個小正方為盒子，用盒子去覆蓋單位正方形。然后計(jì)算每一種尺寸的δm盒子與 F相交的個數(shù)Nδ(F)。

(3) 盒維數(shù)為：

式中：δm為盒子尺寸，Nδ(F)為每一種尺寸的δm盒子與F相交的個數(shù)。

由式(4)即可計(jì)算出盒維數(shù)。圖1給出的是基于盒維數(shù)法計(jì)算分形維數(shù)的算例，用δ=1/10的小盒子把序列所在單位正方形分成100個小方格，覆蓋分形曲線帶陰影的小盒數(shù) N(ε)=58，則盒維數(shù)為：

圖 1 盒維數(shù)計(jì)算示例Fig. 1 An example of box dimension

2.2 相位調(diào)制特征識別原理

由于空地運(yùn)動目標(biāo)的機(jī)械振動或者目標(biāo)上一些旋轉(zhuǎn)部件(如直升機(jī)的槳葉和地面汽車的輪胎)的轉(zhuǎn)動會對回波信號產(chǎn)生頻率調(diào)制，表現(xiàn)之一即為雷達(dá)目標(biāo)回波的相位調(diào)制，該調(diào)制也是微多普勒現(xiàn)象的一種特殊形式[24]，而不同目標(biāo)的相位調(diào)制特征存在差異，這就為目標(biāo)識別奠定基礎(chǔ)。

對于低分辨雷達(dá)，目標(biāo)的旋轉(zhuǎn)部件回波通常由多個散射中心構(gòu)成，則目標(biāo)旋轉(zhuǎn)部件的雷達(dá)散射回波復(fù)矢量為：

式中，f0, λ為雷達(dá)發(fā)射頻率和波長，Rn(t)為第n個散射中心和雷達(dá)之間的徑向距離，N為目標(biāo)旋轉(zhuǎn)部件的散射中心的總數(shù)。

由于雷達(dá)發(fā)射窄帶相參信號，適用于用“點(diǎn)”目標(biāo)模型，其回波為：

式中：A(t)是幅度調(diào)制函數(shù)，?(t)是相位調(diào)制函數(shù)，s(t) exp(j2πf0t)是回波的復(fù)包絡(luò)，f0為雷達(dá)發(fā)射頻率。

由式(6)，式(7)可得目標(biāo)回波復(fù)包絡(luò)與各旋轉(zhuǎn)部件回波復(fù)包絡(luò)的關(guān)系：

為第n個散射中心的相位函數(shù)，由式(9)可知目標(biāo)旋轉(zhuǎn)部件的任一散射中心的微小相對運(yùn)動，都能造成相位函數(shù)θn(t)的波動。例如，若λ=3 cm,rn(t)變化1.5 cm，則θn(t)就會相對變化2π。

由式(8)，式(9)可得目標(biāo)的幅度調(diào)制和相位調(diào)制函數(shù)如式(10)和式(11)所示：

由式(10)，式(11)可知，散射中心的相位變化會引起多個散射中心合成回波復(fù)包絡(luò)幅、相分量的變化。這就是目標(biāo)旋轉(zhuǎn)部件相對運(yùn)動使回波復(fù)包絡(luò)產(chǎn)生幅、相波動的物理機(jī)理。

通過這一機(jī)理可以得出，通過脈間相位變化量來估計(jì)相位調(diào)制特征是一個很好的思路，定義相位調(diào)制特征：

式中，M為單幀積累的脈沖數(shù)，Δ?i為第i+1個與第i個脈沖間相位差，kp表征的是目標(biāo)旋轉(zhuǎn)部件多個散射中心的相位變化統(tǒng)計(jì)量。由于是低分辨雷達(dá)，目標(biāo)通常占據(jù)一個距離門，因此計(jì)算某一距離門多個點(diǎn)數(shù)，即可統(tǒng)計(jì)出目標(biāo)的相位調(diào)制特征。

3 實(shí)驗(yàn)結(jié)果和分析

3.1 實(shí)驗(yàn)數(shù)據(jù)說明

為了驗(yàn)證本文算法的有效性，本文基于某機(jī)載雷達(dá)實(shí)測同一場景下的不同時(shí)間段多個試飛架次數(shù)據(jù)進(jìn)行驗(yàn)證，試飛目標(biāo)為直升機(jī)、汽車兩類目標(biāo)，直升機(jī)目標(biāo)高度為800 m。目標(biāo)均為雷達(dá)迎頭方向的目標(biāo)，因?yàn)闄C(jī)載雷達(dá)更加關(guān)注迎頭威脅目標(biāo)。提取的是目標(biāo)跟蹤過門限檢測到的目標(biāo)點(diǎn)，目標(biāo)跟蹤外推的點(diǎn)(非檢測點(diǎn))將不予考慮，當(dāng)跟蹤門中沒有目標(biāo)點(diǎn)將不提取任何信息，當(dāng)跟蹤門中過門限的檢測點(diǎn)是幾個目標(biāo)點(diǎn)(存在虛警)時(shí)，將這幾個點(diǎn)都提取特征，由于本文方法是在多幀跟蹤過門限檢測到的目標(biāo)點(diǎn)特征基礎(chǔ)上進(jìn)行統(tǒng)計(jì)的，偶爾存在的虛警對目標(biāo)分類識別結(jié)果的影響較小。本文共提取 200幀數(shù)據(jù)，200幀數(shù)據(jù)對應(yīng)于200個特征點(diǎn)，其中100點(diǎn)用于訓(xùn)練，另100點(diǎn)用于測試，提取的目標(biāo)點(diǎn)的SNR在15 dB以上，對應(yīng)的距離為100～140 km。

3.2 兩類目標(biāo)的歸一化RCS

RCS是描述目標(biāo)物理特性之一，RCS在一定程度上能夠描述目標(biāo)雷達(dá)回波的大小，但RCS對目標(biāo)姿態(tài)角非常敏感性，存在一定范圍波動，因此也不是很準(zhǔn)確。

圖 2給出的是直升機(jī)和汽車的歸一化 RCS (Normalized Radar Cross Section, NRCS)，是基于兩類目標(biāo)統(tǒng)計(jì)的RCS最大值點(diǎn)進(jìn)行歸一化，這樣便于比較，如式(14)所示：

由圖2(a)和圖2(b)可知，兩類目標(biāo)的NRCS起伏相似，大多數(shù)點(diǎn) NRCS∈(0 .75,1)，多點(diǎn)NRCS的統(tǒng)計(jì)均值和標(biāo)準(zhǔn)標(biāo)準(zhǔn)偏差如式(15)，式(16)所示：

由式(14)，式(15)可知，直升機(jī)的 NRCS的均值和標(biāo)準(zhǔn)偏差相當(dāng)，因此基于RCS很難將汽車和直升機(jī)進(jìn)行分類識別。

3.3 分形和相位調(diào)制特征提取

圖3給出的是基于分形和相位調(diào)制特征提取和分類識別流程圖，由流程圖可知，基于窄帶“和通道”數(shù)據(jù)，進(jìn)行脈沖壓縮和相參積累，提取目標(biāo)的過門限檢測點(diǎn)，然后進(jìn)行分形特征和相位調(diào)制特征提取。

圖4分別給出了基于實(shí)測數(shù)據(jù)分析的直升機(jī)和汽車的分形特征。由圖4可知直升機(jī)和汽車分形特征具有差異性，直升機(jī)的分形特征起伏范圍fd(he)∈(1.38,1.71)，而汽車的分形特征起伏范圍fd(tr)∈(1.21,1.56)，兩類目標(biāo)分形特征的均值和標(biāo)準(zhǔn)偏差統(tǒng)計(jì)特性如式(17)，式(18)所示，直升機(jī)的分形特征的均值大于汽車的分形特征的均值，兩者特征的標(biāo)準(zhǔn)偏差相似，直升機(jī)略大于汽車。

雖然直升機(jī)和汽車的分形特征存在差異性，但也存在混疊區(qū)，因此為了提高分類識別置信度，本文加入了相位調(diào)制特征。圖5給出的是基于實(shí)測數(shù)據(jù)分析的直升機(jī)和汽車的相位調(diào)制特征，可以看出兩類目標(biāo)的相位調(diào)制特征差異性比較明顯，如直升機(jī)相位調(diào)制特征起伏范圍較大，kp(he)∈(0.51,1.10)，貌似周期性存在峰值，而汽車的相位調(diào)制特征相對起伏比較小 kp(tr)∈(0.16,0.45)，因此特征差異性較明顯，兩類目標(biāo)相位調(diào)制特征的統(tǒng)計(jì)均值和標(biāo)準(zhǔn)偏差均存在較明顯的差異性，直升機(jī)的相位調(diào)制特征的均值和標(biāo)準(zhǔn)偏差均明顯大于汽車的，如式(19)，式(20)所示。

圖2 兩類目標(biāo)的NRCSFig. 2 NRCS of two kinds of targets

圖3 基于分形和相位調(diào)制特征的機(jī)載雷達(dá)飛機(jī)目標(biāo)分類識別流程圖Fig. 3 Airborne radar aircraft target classification based on fractal and phase modulation features

圖6給出兩類目標(biāo)的分形和相位調(diào)制特征聯(lián)合特征分布，由圖6可知，直升機(jī)和汽車的2維特征分布差異性比較明顯，這就為目標(biāo)分類識別奠定基礎(chǔ)。

3.4 分類識別

在以上試驗(yàn)數(shù)據(jù)的目標(biāo)特征提取基礎(chǔ)上進(jìn)行分類識別，采用100個聯(lián)合2維分形和相位調(diào)制特征點(diǎn)為訓(xùn)練樣本，得出分類識別閾值線(classification threshold)，另100個2維特征點(diǎn)為測試樣本點(diǎn)。

圖4 兩類目標(biāo)的分形特征Fig. 4 Fractal features of two kinds of targets

圖5 兩類目標(biāo)的相位調(diào)制特征Fig. 5 Phase modulation features of two kinds of targets

圖6 兩類目標(biāo)的特征分布Fig. 6 Feature distribution of two kinds of targets

圖7給出基于SVM的直升機(jī)和汽車兩類目標(biāo)的分類識別結(jié)果，得到直升機(jī)的分類識別率為85%，汽車的分類識別率為94%，平均分類識別率為89.5%，圖8給出的是兩類目標(biāo)的平均分類識別率和SNR的關(guān)系曲線，由于實(shí)測數(shù)據(jù)都是CFAR過門限檢測目標(biāo)點(diǎn)(SNR＞12 dB)，對SNR在0 dB, 5 dB, 10 dB的情況是在原始數(shù)據(jù)基礎(chǔ)上添加的白噪聲。

3.5 分析和討論

以上基于實(shí)測數(shù)據(jù)對直升機(jī)和汽車兩類空地運(yùn)動目標(biāo)進(jìn)行了歸一化RCS分析，分形和相位調(diào)制特征提取，基于支持向量機(jī)(SVM)分類識別。

由圖2和式(15)，式(16)可知，兩類目標(biāo)的NRCS分布、均值和標(biāo)準(zhǔn)偏差均相當(dāng)，Mean(N RCShe)= 0.890,Mean(NRCStr)=0.879,Std(N RCShe)=0.05, Std(NRCStr)=0.060，因此基于NRCS對于直升機(jī)和汽車是無效的，究其原因，是因?yàn)镽CS隨著目標(biāo)和雷達(dá)之間的角度較敏感且存在閃爍。

圖7 兩類目標(biāo)分類識別結(jié)果Fig. 7 Classification of two kinds of targets

圖8 兩類目標(biāo)平均分類識別率與SNR的關(guān)系Fig. 8 Average classification rate with SNR of targets

圖4給出了直升機(jī)和汽車的分形特征，由圖4和式(17)，式(18)可知，兩類目標(biāo)的分形特征的統(tǒng)計(jì)分布、均值都存在差異性，直升機(jī)的分形特征的均值大于汽車分形特征統(tǒng)計(jì)均值，均值分別為1.580和1.410，兩類目標(biāo)分形特征的統(tǒng)計(jì)標(biāo)準(zhǔn)偏差相當(dāng)，追究于其物理機(jī)制：分形特征是描述物體表面粗糙程度和不規(guī)則程度，這說明直升機(jī)的不規(guī)則程度大于汽車，這與實(shí)際相符。

由圖5和式(19)，式(20)可知，直升機(jī)和汽車兩類目標(biāo)的相位調(diào)制特征分布、均值和標(biāo)準(zhǔn)偏差存在較明顯的差異性，相位調(diào)制特征的統(tǒng)計(jì)均值分別為Mean(kp(he))=0.430,Mean(kp(tr))=0.210，前者約是后者的2倍；而相位調(diào)制特征的標(biāo)準(zhǔn)偏差分別為Std(kp(he))=0.260,Std(kp(tr))=0.070，直升機(jī)是汽車的3倍。這是由于相位調(diào)制特征描述的是目標(biāo)等效散射中心的相鄰重復(fù)周期回波的相位變化，而實(shí)際上直升機(jī)和汽車相比有較大的槳葉等旋轉(zhuǎn)部件(等效散射中心)，汽車的旋轉(zhuǎn)部件主要是輪胎的車盤，有較大的相位變化導(dǎo)致直升機(jī)的相位調(diào)制特征明顯大于汽車的相位調(diào)制特征，這與實(shí)際相符。

由圖4和圖5可知，單一分形特征或相位調(diào)制特征的分布都存在混疊區(qū)，因此為了提高分類識別置信度，基于聯(lián)合2維特征進(jìn)行分類識別，能夠使得特征優(yōu)勢互補(bǔ)，由圖6可知直升機(jī)和汽車的兩類目標(biāo)的分形和相位調(diào)制特征分布差異性較明顯，圖7給出了兩類目標(biāo)較好的分類識別結(jié)果。圖8給出了兩類目標(biāo)的分類識別率和SNR的關(guān)系曲線，由圖8可知，當(dāng)SNR在0～10 dB時(shí)平均識別率在36%～77%，這在工程上一般不可用；當(dāng)目標(biāo)SNR在15 dB時(shí)，平均識別率為89.5%；而當(dāng)SNR為20～35 dB時(shí)，識別率分別在91%～94%，即在此條件下本文的方法識別率變化不大，綜上可知，本文的方法在SNR≥15 dB條件下，具有較好的分類識別結(jié)果。

4 結(jié)論

本文在機(jī)載雷達(dá)空地動目標(biāo)分類識別需求牽引下，同時(shí)考慮到當(dāng)前機(jī)載雷達(dá)普遍具有窄帶跟蹤模式，提出了基于窄帶分形和相位調(diào)制特征的機(jī)載雷達(dá)空地運(yùn)動目標(biāo)分類識別技術(shù)。在試飛數(shù)據(jù)基礎(chǔ)上進(jìn)行分析驗(yàn)證，試驗(yàn)結(jié)果驗(yàn)證了本文算法的有效性和穩(wěn)健性，當(dāng)SNR≥15 dB時(shí)直升機(jī)和汽車的平均分類識別率在89.5%以上，同時(shí)論文還得出以下結(jié)論：

(1) 直升機(jī)和汽車的歸一化RCS的起伏范圍、均值和標(biāo)準(zhǔn)偏差相當(dāng)，因此基于RCS對這兩類目標(biāo)進(jìn)行分類識別是無效的；

(2) 直升機(jī)和汽車的分形特征和相位調(diào)制存在較明顯的差異性，特征有效，且具有較明確的物理含義。直升機(jī)分形維數(shù)均值比汽車的分形維數(shù)均值大12%，兩類目標(biāo)的分形特征的統(tǒng)計(jì)標(biāo)準(zhǔn)偏差相當(dāng)。直升機(jī)和汽車的相位調(diào)制特征分布具有差異，直升機(jī)相位調(diào)制特征分布存在類似于周期性峰值，而汽車的相位調(diào)制特征起伏相對平緩，直升機(jī)的統(tǒng)計(jì)均值和標(biāo)準(zhǔn)偏差都比汽車大，均值前者是后者的2倍，標(biāo)準(zhǔn)偏差前者是后者3倍；

(3) 計(jì)算量較小，耗費(fèi)雷達(dá)資源少，便于實(shí)現(xiàn)，計(jì)算200幀窄帶數(shù)據(jù)即可統(tǒng)計(jì)出特征，分類識別結(jié)果在0.5 s內(nèi)即可給出。

致謝 非常感謝王德奇副總師、吳良斌總工程師在本論文研究過程中給出的寶貴建議。

[1]賁德, 韋傳安, 林有權(quán). 機(jī)載雷達(dá)技術(shù)[M]. 北京: 電子工業(yè)出版社, 2006: 6-9.

Ben D. Wei C A, and Lin Y Q. Airborne Radar Technology[M]. Beijing: Publishing House of Electronics Industry, 2006: 6-9.

[2] Wintenby J and Krisnamuthy V. Hierarchical resource management in adaptive airborne surveillance radars[J]. IEEE Transactions on Aerospace and Electronic Systems, 2006, 42(2): 401-420.

[3]林幼權(quán). 球載雷達(dá)目標(biāo)分類與識別技術(shù)研究[J]. 現(xiàn)代雷達(dá), 2011, 33(7): 1-4.

Lin Y Q. Analysis of target classification and recognition technology for aerostar radars[J]. Modern Radar, 2011, 33(7): 1-4.

[4]韓偉, 湯子躍, 朱振波. 利用道路信息的機(jī)載預(yù)警雷達(dá)空地目標(biāo)分類[J]. 電光與控制, 2013, 20(6): 45-50.

Han H, Tang Z Y, and Zhu Z B. Road information based air/ground target classification for airborne early warning radar[J]. Elecronics Optics & Control, 2013, 20(6): 45-50.

[5] Nagel I D and Smith S. Creating a likelihood vector for ground moving targets in the exo-clutter region of airborne radar signals[C]. 2012 Workshop on Sensor Data Fusion: Trends, Solutions, Application, Bonn, 2012: 49-54.

[6] Nagel I D, Neumann P C, and Smith S. Classification of ground moving targets in the exo-clutter region of airborne radar signals[C]. International Radar Symposium, Wroclaw, 2008: 1-5.

[7] Zhang X B and Li M. Discrimination of low-flying vehicle from ground moving targets using multi-path[C]. The 3rd IEEE International Symposium on Microwave, Antenna, Propagation and EMC Technologies for Wireless Communications, 2009: 721-725.

[8]Tait P. Introduction to Radar Target Recognition[M]. UK: the Institution of Electrical Engineers, 2005: 8-10.

[9]王福友, 羅釘, 劉宏偉. 低分辨機(jī)載雷達(dá)飛機(jī)目標(biāo)分類識別技術(shù)研究[J]. 雷達(dá)學(xué)報(bào), 2014, 3(4): 444-449.

Wang Fu-you, Luo Ding, and Liu Hong-wei. Low-resolution airborne radar aircraft target classification[J]. Journal of Radars, 2014, 3(4): 444-449.

[10]Astola J T, Egiazarian K O, Khlopov G I, et al.. Application of bispectrum estimation for time-frequency analysis of ground surveillance doppler radar echo signals[J]. IEEE Transactions on Instrumentation and Measurement, 2008, 57(9): 1949-1957.

[11]汪慰軍, 陳歷喜, 曹麟祥. 表面形貌的分形描述及其評定[J].航空學(xué)報(bào), 1997, 18(3): 336-340.

Wang W J, Chen L X, and Cao L X. A fractal characterization of surface topography and its evaluation[J]. Acta Aeronautica et Astronautica Sinica, 1997, 18(3): 336-340.

[12]Iodice A, Natale A, and Riccio D. Kirchhoff scattering from fractal and classical rough surfaces: physical interpretation[J]. IEEE Transactions on Antennas and Propagation, 2013, 61(4): 2156-2163.

[13]Perna S and Iodice A. An algorithm for efficient and effective evaluation of scattering from fractal surfaces[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(9): 3554-3566.

[14]Evans R, Bennett J G, and Jones J. The evaluation of fractal surfaces for modeling radar backgrounds[R]. AD, 2007, 7(ADA457965/XAB): 1-27.

[15]Li Q S and Xie W X. Multifractal modeling of aircraft echoes from low-resolution radars[C]. IET International Radar Conference, Xi’an, 2013, 2: 941-946.

[16]Potapov A A, German V A, and Grachev V I. “Nano -” and radar signal processing: fractal reconstruction complicated images, signals and radar backgrounds based on fractal labyrinths[C]. International Radar Symposium, German, 2013, 2: 941-946.

[17]王福友, 郭汝江, 郝明, 等. 基于分形特征的地雜波背景下的球載雷達(dá)目標(biāo)檢測方法[P]. 國防發(fā)明專利, 授理號: 201110015890. X.

Wang F Y, Guo R J, Hao M, et al.. Balloon borne radar target detection within ground clutter based on fractal character[P]. National Defense Invention Patent, Accepted no. 201110015890. X.

[18]王福友, 羅釘, 季亞新, 等. 海雜波多分形特性分析及小目標(biāo)檢測技術(shù)研究[J]. 信號處理, 2013, 29(2): 239-248.

Wang F Y, Luo D, Ji Y X, et al.. Multifractal analysis of sea clutter and small target detection[J]. Journal of Signal Processing, 2013, 29(2): 239-248.

[19]Potlapalli H and Luo R C. Fractal-based classification of natural textures[J]. IEEE Transactions on Industrial Electronics, 1998, 45(1): 142-150.

[20]Popescu A L, Popescu D, and Ionescu R T. Efficient fractal method for texture classification[C]. International Conference on Systems and Computer Science, Kansas City, USA, 2013, 2: 44-49.

[21]Mishra A K, Feng H, and Mulgrew B. Fractal feature based radar signal classification[C]. IET International Conference on Radar Systems, Edinburgh, UK, 2007, 2: 1-4.

[22]Salmasi M and Hashemi M M. Design and analysis of fractal detector for high resolution radars[J]. Chaos, Solitons and Fractals, 2009, 40(5): 2133-2145.

[23]Zlatintsi A and Maragos P. Multiscale fractal analysis of musical instrument signals with application to recognition[J]. IEEE Transactions on Audio, Speech, and Language Processing, 2013, 21(4): 737-748.

[24]Chen V C, Li F, Ho S S, et al.. Micro Doppler effect in radar phenomenon, model and simulation study[J]. IEEE Transactions on Aerospace and Electronic Systems, 2006, 42(1): 2-21.

王福友(1983-)，男，山東諸城人，2009年獲得哈爾濱工程大學(xué)導(dǎo)航、制導(dǎo)與控制專業(yè)博士學(xué)位，2009～2012年期間在中國電子科技集團(tuán)公司第十四研究所從事雷達(dá)目標(biāo)分類識別技術(shù)研究，現(xiàn)為中國航空工業(yè)集團(tuán)雷華電子技術(shù)研究所和西安電子科技大學(xué)雷達(dá)信號處理國家重點(diǎn)實(shí)驗(yàn)室聯(lián)合培養(yǎng)博士后，研究方向?yàn)闄C(jī)載雷達(dá)目標(biāo)識別、機(jī)載雷達(dá)總體技術(shù)、極化目標(biāo)檢測和極化抗干擾技術(shù)。

E-mail: hellofew@163.com

羅 釘(1969-)，男，四川威遠(yuǎn)人，研究員，副總師，中國航空工業(yè)集團(tuán)首席專家。研究方向?yàn)闄C(jī)載雷達(dá)總體技術(shù)。

E-mail: lding380@126.com

劉宏偉(1971-)，男，河南省孟津縣人，教授，博士生導(dǎo)師，雷達(dá)信號處理國家重點(diǎn)實(shí)驗(yàn)室主任。研究方向?yàn)樽赃m應(yīng)信號處理、雷達(dá)信號處理、雷達(dá)目標(biāo)識別等。

E-mail: hwliu@xidian.edu.cn

Low-resolution Airborne Radar Air/ground Moving Target Classification and Recognition

Wang Fu-you①②Luo Ding①Liu Hong-wei②①(AVIC LEIHUA Electronic Technology Research Institute, Wuxi 214063, China)
②(National Laboratory of Radar Signal Processing, Xidian University, Xi’an 710071, China)

Radar Target Recognition (RTR) is one of the most important needs of modern and future airborne surveillance radars, and it is still one of the key technologies of radar. The majority of present algorithms are based on wide-band radar signal, which not only needs high performance radar system and high target Signal-to-Noise Ratio (SNR), but also is sensitive to angle between radar and target. Low-Resolution Airborne Surveillance Radar (LRASR) in downward-looking mode, slow flying aircraft and ground moving truck have similar Doppler velocity and Radar Cross Section (RCS), leading to the problem that LRASR air/ground moving targets can not be distinguished, which also disturbs detection, tracking, and classification of low altitude slow flying aircraft to solve these issues, an algorithm based on narrowband fractal feature and phase modulation feature is presented for LRASR air/ground moving targets classification. Real measured data is applied to verify the algorithm, the classification results validate the proposed method, helicopters and truck can be well classified, the average discrimination rate is more than 89% when SNR≥15 dB.

Low-resolution airborne radar; Air/ground moving target classification; Fractal feature; Phase modulation feature; Support Vector Machine (SVM)

TN957.51

A

2095-283X(2014)05-0497-08

10.3724/SP.J.1300.2014.14092

2014-06-11收到，2014-07-08改回；2014-07-14網(wǎng)絡(luò)優(yōu)先出版

國家部委基金，中航工業(yè)雷華電子技術(shù)研究所和西電雷達(dá)信號處理國家重點(diǎn)實(shí)驗(yàn)室聯(lián)合培養(yǎng)博士后基金(20120928001)資助課題

*通信作者： 王福友 hellofew@163.com