基于時頻圖的飛機目標特征提取算法

姜 悅，范菊平，郭樂田，鄧廣健

(西北核技術(shù)研究所 高功率微波重點實驗室, 西安 710024)

·信號處理·

基于時頻圖的飛機目標特征提取算法

姜 悅，范菊平，郭樂田，鄧廣健

(西北核技術(shù)研究所 高功率微波重點實驗室, 西安 710024)

研究了兩種基于時頻分析的飛機目標特征提取算法。首先，介紹利用短時傅里葉變換獲得目標二維時頻圖信息，然后，分析飛機目標回波時頻圖的圖像熵特征和平均時頻譜特征，給出了這兩種特征的提取算法，仿真得到利用這些特征對三類飛機的分類識別結(jié)果，分析了其目標分類識別性能以及適用情況。在研究時頻圖平均時頻譜特征提取算法時，發(fā)現(xiàn)單獨使用此特征在飛機目標分類識別中存在的問題，加入基于平均時頻譜的方差特征，綜合兩種特征實現(xiàn)了對三類飛機目標的的分類識別。仿真結(jié)果表明，這兩種特征的目標識別正確率都能達到94%以上。

特征提取；微多普勒；短時傅里葉變換；時頻圖

0 引 言

空間目標探測、識別和監(jiān)視能力體現(xiàn)了一個國家的空間力量和空間戰(zhàn)略，是國家戰(zhàn)略力量的重要組成部分。近幾年來的多場局部戰(zhàn)爭表明，空間已經(jīng)成為戰(zhàn)場整體形勢感知和信息奪取優(yōu)勢的“制高點”。能夠準確檢測、識別空間飛機目標，提早進行規(guī)避或打擊，全面掌握制空權(quán)，這些對于現(xiàn)代戰(zhàn)爭來說至關(guān)重要。

目標回波的時頻圖包含了大量的目標物理信息，針對如何利用其提取目標有效特征進行分類識別分別在文獻[1-4]中有所描述。就時頻圖區(qū)別于目標回波信號的二維性而言，僅從時頻圖圖像域的角度考慮，就存在著不同的目標特征提取方法。本文提出的兩種基于時頻圖的飛機目標特征提取算法，分別從時頻熵角度和圖像維角度，對三類飛機目標進行特征提取和分類。

1 短時傅里葉變換時頻圖

本文給出的兩種目標特征提取算法均是基于目標時頻圖信息的，因此，應用這兩種算法的首要條件就是獲得合適的時頻圖。

飛機目標旋轉(zhuǎn)部件對雷達信號的響應相當于一個非線性系統(tǒng)，其雷達回波信號具有非線性和非平穩(wěn)的特點。簡單的傅里葉變換無法對雷達回波信號進行全面的分析，為了獲取更多信號相關(guān)信息，需要將一維信號映射到二維時頻平面，因此引入了短時傅里葉變換(STFT)[4]對信號進行時頻域處理，得到目標時頻圖信息。

STFT的基本思想是利用窗函數(shù)來截取信號，并假定信號在截取窗內(nèi)是平穩(wěn)的，再采用傅里葉變換分析窗內(nèi)信號，然后沿著信號時間方向移動窗函數(shù)，得到整個信號頻率隨時間的變換關(guān)系，即所需要的時頻信號x(t)的短時傅里葉變換可以表示為

(1)

式中：x(t)為被分析信號；g(t)為窗函數(shù)。

反變換為

(2)

信號的短時傅里葉變換在很大程度上受窗函數(shù)的影響。窗函數(shù)的選擇一般需要考慮兩個因素：第一是信號泄漏，窗函數(shù)選擇的越短，信號泄漏就越嚴重；第二是窗函數(shù)的窗口特性，不同的窗函數(shù)擁有不同的窗口特性，而高斯窗函數(shù)則具有最好的時頻特性。

短時傅里葉變換在一定程度上彌補了常規(guī)傅里葉變換不具有局部分析能力的不足，但同時也存在一些自身無法克服的缺陷。當窗函數(shù)確定之后，時頻窗的形狀和大小就確定了，其時頻分辨率也確定了，分辨精度在整個相平面內(nèi)都是一致的，不具有隨著信號頻率變化的自適應能力。因此，選擇合適的時頻窗函數(shù)長度十分重要，太短的時頻窗函數(shù)長度會造成出現(xiàn)高頻假象，而太長的時頻窗函數(shù)長度則會造成不同時刻頻率的重疊出現(xiàn)混頻現(xiàn)象，達不到時頻分析的目的。

2 圖像熵特征提取算法

2.1 時頻圖的熵特征

直升機、螺旋槳飛機和噴氣式飛機三類目標空間微動部件回波經(jīng)短時傅里葉變換得到的時頻圖在圖像域上存在明顯差異。圖1繪制了三類飛機實測數(shù)據(jù)的時頻圖。

圖1 三類飛機實測數(shù)據(jù)時頻圖

對目標的時頻圖而言，不同亮度的像素點代表了不同的信號幅度，不同的目標就會表現(xiàn)出不同的形狀，而這些圖像所包含的信息量是不同的。按照統(tǒng)計學的觀點，由于圖像分布具有塊狀結(jié)構(gòu)，因此，各像素點具有位置上的相關(guān)性，可以用信息熵來描述圖像形狀。時頻圖屬于二維數(shù)據(jù)，并且時頻圖圖像數(shù)據(jù)具有非負性，即f(x,y)≥0，對于M×N維的時頻圖，定義圖像熵[5]H(f)為

(3)

圖像熵H(f)反映了時頻圖信息量的大小，可以描述其幅度分布信息。當圖像比較尖銳、清晰時，時頻圖中頻點幅度會有劇烈變化，此時圖像包含的信息量多，圖像熵值小；當圖像比較模糊時，圖像灰度值變化比較平滑，時頻圖中各頻點幅度變化緩和，圖像信息量少，圖像熵值大。因此，可以根據(jù)三類飛機目標圖像熵的差異，作為對目標進行分類識別。

2.2 仿真分析

根據(jù)時頻圖圖像熵的定義計算得到直升機、螺旋槳飛機和噴氣式飛機的圖像熵值分布，如圖2所示。

圖2 仿真三類飛機目標圖像熵散布圖

可以發(fā)現(xiàn)三類飛機圖像熵值的分布區(qū)域化明顯，不同目標之間存在明顯的分類界面。直升機與噴氣式飛機的圖像熵值區(qū)別較大，它們之間不存在共用熵值區(qū)間的情況。螺旋槳飛機的圖像熵值處在另外兩類飛機目標之間，在某些飛行姿態(tài)和旋翼轉(zhuǎn)速下存在錯分的情況。仿真產(chǎn)生雷達重頻為4 kHz，駐留時間0.15 s的訓練數(shù)據(jù)共630組，測試數(shù)據(jù)為三類飛機各100組。SVM分類器對上述飛機目標的分類識別結(jié)果如表1所示。

表1 仿真數(shù)據(jù)分類結(jié)果的混淆矩陣

3 平均時頻譜特征提取算法

3.1 時頻圖的平均時頻譜特征

目標回波的時頻圖M(t,f)，反映了任意時刻目標各散射點的瞬時多普勒頻率。由于目標上存在多個散射點，其時頻譜是所有散射點時頻譜的線性疊加，所以可以通過以下函數(shù)表征其瞬時頻率的平均值

(4)

對于離散信號，可以直接將上式離散化，得

(5)

式中：f(t)表征了目標各散射點瞬時多普勒頻率的期望，是各散射點瞬時多普勒頻率的線性組合。對f(t)做傅里葉變換[6]，得到的頻譜包含了目標回波瞬時多普勒頻率所有的頻率分量。這里把f(t)經(jīng)過傅里葉變換得到的頻譜稱為平均時頻譜。圖3分別描述了三類飛機目標的典型平均瞬時多普勒頻率f(t)，以及f(t)經(jīng)過傅里葉變換后的平均時頻譜。

圖3 仿真三類飛機平均瞬時頻率和平均時頻譜

飛機目標的平均時頻譜在處理過程中涉及兩次傅里葉積累。第一次是為了得到目標回波時頻圖，第二次則是為了得到目標的平均時頻譜，所以飛機目標平均時頻圖對噪聲并不敏感。

觀察圖3可以發(fā)現(xiàn)，直升飛機平均時頻譜譜線峰值最多，峰值分布密集；螺旋槳飛機的譜線明顯峰值較少，并且峰值分布較為稀疏；噴氣式飛機的僅在零頻處存在明顯峰值，其余譜線都很小。根據(jù)以上特點可以提取了兩種散布特征，一種是f(t)的頻譜部分區(qū)間的熵值，稱之為平均時頻譜的波形熵特征；另一種是f(t)的頻譜譜線的方差，稱之為平均時頻譜方差特征。兩種特征的數(shù)學表達式如下：

特征一：平均時頻譜波形熵[7]

(6)

式中：pi表示所選f(t)的頻譜區(qū)間內(nèi)頻點i的歸一化能量；

特征二：平均時頻譜方差

(7)

3.2 仿真分析

平均時頻譜的波形熵特征已經(jīng)能夠較為明確地描述三類不同飛機目標之間的差異，但是在實際分類識別中發(fā)現(xiàn)，在某些飛機飛行姿態(tài)和旋翼轉(zhuǎn)速下噴氣式飛機的平均時頻譜的波形熵特征會與其他兩類飛機產(chǎn)生混淆，造成識別錯誤。圖4為三類飛機目標平均時頻譜特征的散布圖，可以發(fā)現(xiàn)其中有部分噴氣式飛機的熵值跳動明顯。

圖4 仿真三類飛機目標平均時頻譜波形熵特征散布圖

為了分析噴氣式飛機平均時頻譜波形熵值差異明顯的原因，選取具有代表性的三組數(shù)據(jù)：第10組、第79組、第99組，觀察其時頻圖以及平均時頻譜的特點。分析發(fā)現(xiàn)，噴氣式飛機由于其旋翼處于涵洞內(nèi)并且尺寸較小，目標回波中飛機機身分量能量較強，在某些飛機飛行姿態(tài)下更是無法得到明顯的旋翼回波，造成這類回波數(shù)據(jù)與能夠明顯觀察到旋翼回波的數(shù)據(jù)在時頻圖以及平均時頻譜上都存在明顯不同，最終導致平均時頻譜波形熵特征在識別此類數(shù)據(jù)上的“失靈”。圖5描述了平均時頻譜波形熵差異明顯的三組噴氣式飛機數(shù)據(jù)的時頻圖和平均時頻譜，其中第10組數(shù)據(jù)肖似螺旋槳飛機，第99組數(shù)據(jù)肖似噴氣式飛機。因此，為了能夠區(qū)分上述噴氣式飛機數(shù)據(jù)，引入了平均時頻譜方差特征，使用這兩類特征同時對飛機目標進行分類識別。

圖5 噴氣式飛機典型數(shù)據(jù)的時頻圖及平均時頻譜

圖6構(gòu)建了以平均時頻譜波形熵特征及其方差特征為坐標的特征平面[8]，畫出了仿真三類飛機目標數(shù)據(jù)的特征分布情況。加入了平均時頻譜方差的二維特征能夠更好的區(qū)分三類飛機。

圖6 仿真三類飛機平均時頻譜波形熵、方差二維特征散布圖

表2為三類飛機仿真數(shù)據(jù)，利用SVM分類器的分類結(jié)果，可見分類識別效果明顯。

表2 仿真數(shù)據(jù)分類結(jié)果的混淆矩陣

4 結(jié)束語

針對目前窄帶雷達接收到的目標回波，為了得到更多的信息，從目標回波時頻圖中提取目標特征對目標識別研究有重要價值和意義。本文所述的兩種特征提取方法，分別從目標回波時頻圖的圖像角度和信號角度處理了目標微多普勒回波數(shù)據(jù)，表明時頻圖在提取目標特征時存在多種選擇。

[1] BOASHASH B. Time-frequency siganl analysis and processing[M]. Amsterdam: Elsevier Ltd. 2003.

[2] 崔 瑞，薛 磊. 基于圖像熵的逆合成孔徑雷達干擾效果評估方法[J]. 現(xiàn)代防御技術(shù)，2009,37(1): 94-97. CUI Rui, XUE Lei. Evaluation method of jamming effect on ISAR based on image entropy[J]. Modern Defence Technology, 2009, 37(1): 94-97.

[3] 王 璐. 微動目標的運動參數(shù)估計和識別方法研究[D]. 西安：西安電子科技大學，2010. WANG Lu. Research on parameter extraction and recognition of target with micro-motion[D]. Xi′an: Xidian University, 2010.

[4] PETERSSON H, BJORKLUND S, KARLSSON M, et al. Towards surveillance using micro-Doppler radar[C]// International Radar Symposium. Hamburg, Germany: IEEE Press, 2009: 9-11.

[5] 劉志成，何佳洲. 多普勒頻譜及JEM效應在空中目標識別中的應用分析[J]. 指揮控制與仿真, 2009, 31(1): 38-41. LIU Zhicheng, HE Jiazhou. Analysis of Doppler spectrum and JEM effect in air target recognition[J]. Command Control & Simulation, 2009, 31(1): 38-41.

[6] BJORKLUND S, JOHANSSON T, PETERSSON H. Evaluation of a micro-Doppler classification method on mm-wave data[C]// IEEE Antennas and Propagation Society International Symposium. [S.l.]: IEEE Press, 2012.

[7] 王盛利. 雷達信號處理的新方法——匹配傅里葉變換研究[D]. 西安：西安電子科技大學，2003. WANG Shengli. Study on new radar signal processing——matched Fourier transform[D]. Xi′an: Xidian University, 2003.

[8] CAI Chengjie, LIU Weixian, FU J S, et al. Empirical mode decomposition of micro-Doppler signature[C]// Proceedings of International Conference on Radar. Washington, USA: IEEE Press, 2005: 895-899.

姜 悅 女，1989年生，碩士研究生。研究空間微動目標識別和目標微多普勒特征提取方法。

Feature-extraction Algorithm of Airplane Targets Based on Time-Frequency Diagram

JIANG Yue，F(xiàn)AN Juping，GUO Letian, DENG Guangjian

(Northwest Institute of Nuclear Technology, the Science and Technology on High Power Microwave Laboratory, Xi′an 710024, China)

Two target feature extraction of airplane is mainly studied by time-frequency diagram(TFD). The first part based on airplane backscatter TFD , which comes from STFT, two algorithms for airplane are proposed and studied, one of them using target image entropy characteristics, anther using average time-frequency entropy and variance characteristics. As the same time, the merits and drawbacks of this method has been simulated and explained. This two feature have effective detection performance, the correctly rate all above 94 percent.

feature extraction; micro-Doppler; STFT; time-frequency diagram

10.16592/ j.cnki.1004-7859.2016.04.009

姜悅 Email：jwjbetty2008@163.com

2015-11-02

2016-01-12

TN911.7

A

1004-7859(2016)04-0038-04