基于LPC技術的運動車輛目標分類研究*

丁帥帥，張群，張亮，李開明，王愷

(空軍工程大學a.信息與導航學院，陜西 西安　710077)

?

探測跟蹤技術

基于LPC技術的運動車輛目標分類研究*

丁帥帥a，張群a，張亮a，李開明a，王愷

(空軍工程大學a.信息與導航學院，陜西 西安710077)

摘要：將線性預測編碼(LPC)技術應用于運動車輛目標的多普勒特征提取中。首先，基于微多普勒原理建立了車輛目標雷達回波模型，分析了履帶式車輛和輪式車輛各自回波的特點。其次，針對雜波干擾問題，采用CLEAN算法對其進行抑制。在此基礎上，利用實測數(shù)據(jù)，提取了不同車輛目標多普勒的LPC系數(shù)，給出了預測誤差和計算時間在不同LPC階數(shù)條件下的變化趨勢。最后利用學習向量量子化(LVQ)方法對提取的LPC系數(shù)進行分類，實驗結果證明了LPC技術在車輛目標分類中的有效性。

關鍵詞：線性預測編碼；運動車輛；微多普勒；CLEAN算法；學習向量量子化(LVQ)；目標分類

0引言

運動車輛目標主要包括輪式車輛和履帶式車輛。輪式車輛重量輕，機動性好，適合平坦路面的運輸與作戰(zhàn)任務。履帶式車輛載重大，防護性好，適合復雜地形條件下的作戰(zhàn)任務[1]。輪式車輛與履帶式車輛基于其各自特點，在現(xiàn)代戰(zhàn)場中通常承擔不同的作戰(zhàn)任務，決定了其威脅程度不同。因此，如何對輪式車輛、履帶式車輛進行分類，對現(xiàn)代戰(zhàn)爭中的地面?zhèn)刹?、?zhàn)場態(tài)勢感知、威脅評估、指揮決策及精確打擊具有重要價值[2]。

目前對運動車輛目標的分類研究已經(jīng)較為廣泛和深入。其中主要有基于高分辨率一維距離像的識別方法[3]，基于目標雷達圖像的識別方法[4]，但算法復雜且嚴重依賴于圖像質(zhì)量。對于低分辨率雷達，目標的距離像僅占一個或若干個距離單元，且受雜波影響，從中難以得到識別信息。特別是輪式車輛與履帶式車輛具有相近的外形特征，這使得依靠雷達圖像的識別方法難以有效勝任。而微動特性是目標的特有屬性[5-7]，如輪式車輛的車輪旋轉，履帶式車輛的履帶運動等引起的微多普勒效應，為雷達目標分類、識別提供了新途徑[5,8]。

在目標識別領域，文獻[9]將DTW(dynamic time wraping)技術運用到微多普勒特征提取中，基于模板庫實現(xiàn)了輪式車、履帶式車和行人的識別。加拿大渥太華防御技術研發(fā)中心的T. Thayaparan建議研制單兵便攜式微多普勒雷達(man-portable “micro-Doppler radar”)，以用于戰(zhàn)場監(jiān)控和災難救援[10]。英國Thales公司的基于微多普勒特征的單兵便攜式監(jiān)測跟蹤雷達(MSTAR)，對行人、輪式車和履帶車3類目標分類的正確率超過了80%[11]。文獻[11]利用主分量分析(PCA)法，并結合線性判決分析(LDA)對車輛目標進行分類識別?？紤]到速度變化對目標多普勒譜位置的影響，文章增加了對目標速度進行對齊的預處理過程。但由速度變化引起的多普勒譜寬變化問題并未得到解決，這會對分類結果產(chǎn)生影響。文獻[12]利用線性預測編碼(LPC)技術提取了7種不同姿態(tài)人體目標的LPC系數(shù)，將提取的LPC系數(shù)作為支持向量機(SVM)的輸出參數(shù)，對其進行分類，取得了較好的分類結果。

基于上述研究背景，本文將LPC技術應用到地面車輛目標的分類研究中。第2節(jié)建立了車輛目標的回波模型，分析了輪式車輛和履帶式車輛的多普勒特征，并結合雷達實測數(shù)據(jù)，驗證了模型分析的正確性。第3節(jié)以實測數(shù)據(jù)為基礎，針對雜波干擾問題，利用CLEAN算法對其進行抑制。在雜波抑制的基礎上，提取了不同車輛目標的LPC系數(shù)，給出了均方誤差和運算時間隨LPC階數(shù)的變化趨勢。最后結合學習向量量子化(LVQ)分類方法對提取出的LPC系數(shù)進行分類，分類結果表明本文所提方法具有較好的識別性能。

1車輛目標雷達回波建模

運動車輛目標的運動狀態(tài)可分解為2部分，一部分是車輛目標的主體平動，另一部分是車輪或者履帶的轉動。前者產(chǎn)生多普勒效應，后者產(chǎn)生微多普勒效應。

R0=(R0cosαcosβ,R0sinαcosβ,R0sinβ)，

(1)

于是，雷達視線的單位矢量變?yōu)?/p>

n=(cosαcosβ,sinαcosβ,sinβ)T.

(2)

圖1　輪式車輛運動示意圖Fig.1　Motion diagram of wheeled vehicles

圖2　履帶式車輛運動示意圖Fig.2　Motion diagram of tracked vehicles

作為第一個打擊網(wǎng)絡犯罪的國際性公約，《公約》在第二章第二條至第十條中制定了簽署國需要對九類網(wǎng)絡犯罪行為以刑法處罰。其中非法侵入計算機信息系統(tǒng)罪、干擾計算機系統(tǒng)罪、非法干擾計算機數(shù)據(jù)罪、非法攔截計算機數(shù)據(jù)罪和濫用計算機設備罪的規(guī)定同我國刑法的規(guī)定相類似。但是，《公約》的相關規(guī)定卻相對完善，值得我國在完善網(wǎng)絡犯罪的立法上借鑒。

(3)

RP=R0+vt+rt.

(4)

散射點P在雷達視線方向上的投影距離為

RP=RP·n≈

(5)

以線性調(diào)頻信號為例，t時刻雷達基帶回波信號為

(6)

履帶運動如圖2所示。上履帶AD長度為2L1，下履帶BC長度為2L2，前端履帶傾斜角為γ，車輪半徑為r，車輪邊緣間距為Δd。

散射點P在雷達視線方向上的投影距離分別為

vtsinαcosβ，

(7)

vtsinαcosβ，

(8)

vtsinαcosβ，

(9)

vtsinαcosβ，

(10)

式中：y1，y2，y3，y4分別表示散射點在AB，BC，CD，AD段的初始位置。

雷達基帶回波信號為各部分回波信號之和：

(11)

通過式(11)可以看出，當平動速度為v時，履帶BC段和AD段分別在0和2fd處產(chǎn)生多普勒調(diào)制，AB段和CD段在0至2fd范圍內(nèi)產(chǎn)生微多普勒調(diào)制。

圖3，4分別給出了輪式車輛和履帶式車輛未進行雜波抑制的實測單幀雷達回波。雷達參數(shù)如表1所示。

表1　雷達參數(shù)

雷達目標包括一種輪式車輛和一種履帶式車輛，車輛運動速度4～8 m/s，雷達距車輛目標1.5 km，每個雷達脈沖信號采一個點，每64個脈沖回波做MTD積累。

圖3　輪式車輛單幀回波信號Fig.3　Echo signal of wheeled vehicles

圖4　履帶式車輛單幀回波信號Fig.4　Echo signal of tracked vehicles

2基于LPC技術的實測數(shù)據(jù)分析

車輛目標的雷達回波主要受以下2個因素的影響：第1,車輛目標的雷達回波中包含了大量的地雜波。雜波一般是由靜止或者低速目標引起，通常位于微多普勒譜中的零頻附近。第2，車輛目標在行駛過程中速度通常變化，這將導致同一目標在不同的速度條件下，由車身平動分量引起的多普勒出現(xiàn)在不同的頻率位置。

雜波并不包含目標信息，因此對雷達回波進行分析時，需要對雜波進行抑制。文獻[13]介紹了CLEAN算法可以去除特定的單頻成分。圖5， 6為利用CLEAN算法去除雜波后的車輛目標雷達回波，可以看出，CLEAN算法可以有效抑制車輛目標多普勒中的雜波成分。

圖5　輪式車輛多普勒去雜波Fig.5　Clutter suppression in Doppler of wheeled vehicles

圖6　履帶式車輛多普勒去雜波Fig.6　Clutter suppression in Doppler of tracked vehicles

輪式車輛與履帶式車輛由于其結構和材質(zhì)不同，使得兩者的雷達回波具有各自特點。具體表現(xiàn)為：輪式車輛主要為車身平動分量；履帶式車輛除車身平動分量外，還包括2v分量及微多普勒成分。速度的變化會使車身分量的峰值位置發(fā)生移動，也會導致多普勒譜展寬發(fā)生變化，但并不能改變車輛目標的多普勒成分。LPC技術的應用，正是基于多普勒成分提取LPC系數(shù)，多普勒成分的不同使得提取出的LPC系數(shù)也具有不同特點，正是基于此，得以實現(xiàn)不同車輛目標的分類，這在文獻[13]的實驗結果中得到了證明。由于速度的變化不會對LPC系數(shù)的提取產(chǎn)生影響，與文獻[11]相比，LPC技術的應用減少了速度預處理的過程。

基于以上背景，本文將LPC技術引入到車輛目標的分類識別中，提取出的不同LPC系數(shù)表征了不同的多普勒特征，進而可以將LPC系數(shù)作為車輛目標的分類依據(jù)。其算法流程圖如圖7所示。

圖7　基于LPC技術的車輛目標分類流程圖Fig.7　Flow chart of vehicle targets classification based on LPC

LPC技術的基本原理為[14]：

(12)

式中：a1,a2,…,ap稱為線性預測系數(shù)。

(13)

可見，預測誤差e(n)是信號s(n)通過具有如下傳遞函數(shù)的系統(tǒng)輸出

(14)

圖8　LPC誤差濾波器Fig.8　Error filter of LPC

圖9～12給出了使用CLEAN算法對車輛目標原始雷達回波進行雜波抑制的效果對比。比較可以看出，CLEAN算法在抑制雜波的同時，很好的保存了原始信號中的多普勒和微多普勒成分，這使得后續(xù)工作可以利用LPC技術對其進行分類和識別。

圖9　輪式車輛原始雷達回波Fig.9　Original radar echo of wheeled vehicles

圖10　履帶式車輛原始雷達回波Fig.10　Original radar echo of tracked vehicles

圖11　輪式車輛去雜波Fig.11　Clutter suppression of wheeled vehicles

圖12　履帶式車輛去雜波Fig.12　Clutter suppression of tracked vehicles

由于履帶式車輛結構的特殊性，在特定的雷達視線方向上可以觀測到由上履帶產(chǎn)生的2v分量，而2v分量是履帶式車輛所特有的。因此在對履帶式車輛雷達回波進行處理時，選取了雜波抑制后的含有2v分量的0～400幀雷達回波，如圖13所示。

圖13　含2v分量的履帶式車輛雷達回波Fig.13　Radar echo of tracked vehicles with 2v components

為了保證實驗數(shù)據(jù)的客觀真實性，隨機抽取了雜波抑制后的100幀雷達回波，對其做LPC處理，運行環(huán)境為Core-i5 3.2 GBZ處理器，4 GB內(nèi)存，Matlab7.1。對100幀數(shù)據(jù)的實驗結果取平均值，得到了不同LPC階數(shù)條件下的均方誤差和運算時間的變化趨勢，如圖14，15所示。

圖14　均方誤差隨LPC階數(shù)的變化趨勢Fig.14　MSE depending on the number of LP coefficients

圖15　運算時間隨LPC階數(shù)的變化趨勢Fig.15　Computational time depending on the number of LP coefficients

通過圖14，15可以看出，隨著LPC階數(shù)的增加，均方誤差逐漸減小并趨于穩(wěn)定，運算時間不斷增大。這是因為階數(shù)的增加使得預測精度得以提高，但LPC濾波器模型變得更復雜。

車輛目標雷達回波經(jīng)過上述處理后，選用學習向量量子化(LVQ)方法對提取的LPC系數(shù)進行分類。

圖16為利用LVQ對提取出的LPC系數(shù)進行分類的實驗結果。結果表明，對于輪式車輛和履帶式車輛都存在一個最優(yōu)LPC階數(shù)，使得識別率最高。理論上，LPC系數(shù)的增加有助于識別率的提高，這是因為高階LPC系數(shù)可以獲取更多的目標信息。但是，由于學習樣本有限，不斷增加的高階系數(shù)會使訓練誤差過小，反而導致泛化能力下降，產(chǎn)生過度擬合(過學習)問題。因此，目標識別率并不隨著LPC階數(shù)的增加而無限提高。

圖16　LVQ分類結果Fig.16　Accuracy of classification by LVQ

圖17，18分別為在4階、5階LPC系數(shù)條件下重構的輪式車輛與履帶式車輛雷達回波信號與原始信號的比對。LPC重構信號與原始信號相比，具有很高的相似度，可以較好地還原出原始雷達回波的信號特點，這與圖16的分類結果吻合。

圖17　輪式車輛的LPC重構信號與原始信號對比Fig.17　LPC estimate vs original signal of wheeled vehicle

圖18　履帶式車輛LPC重構信號與原始信號對比Fig.18　LPC estimate vs original signal of tracked vehicle

同時，給出了文獻[15]所提方法在相同實測數(shù)據(jù)上的分類結果作為比對。比對結果由表2給出。可以看出，本文方法在識別率上優(yōu)于文獻[15]所提方法，另外與文獻[15]相比，本文方法減少了速度歸一化過程，更加有利于雷達數(shù)據(jù)的實時處理。

表2　實測數(shù)據(jù)分類結果

3結束語

本文推導并分析了履帶式車輛和輪式車輛的多普勒特征，使用CLEAN算法對多普勒中的雜波成分進行了抑制?；趯崪y數(shù)據(jù)，利用LPC技術，提取了車輛目標多普勒特征的LPC系數(shù)，并針對不同階數(shù)條件下的LPC系數(shù)，給出了均方誤差和計算時間的變化趨勢。利用提取出的LPC系數(shù)，結合LVQ，實現(xiàn)了車輛目標的分類。

理論和實驗結果表明，輪式車輛和履帶式車輛的多普勒具有不同特點，在雜波抑制的基礎上，不同車輛目標多普勒的LPC系數(shù)不同，據(jù)此可將2種目標區(qū)分開?；贚PC技術的車輛目標分類研究，對雷達地面目標的分類與識別具有參考作用。

參考文獻：

[1]李彥兵. 基于微多普勒效應的運動車輛目標分類研究[D]. 西安: 西安電子科技大學, 2012.

LI Yan-bing. Study on Classification of Moving Vehicles Based on Micro-Doppler Effect [D]. Xi’an: Xidian University, 2012.

[2]Nipon Theera-Umpon, Mohamed A Khabou. Detection and Classification of MSTAR Objects Via Morphological Dhared-Weight Neural Networks [C]∥Proceedings of SPIE on Algorithms for Synthetic Aperture Radar Imagery，Orlando, USA: SPIE, 1998: 530-540.

[3]LI Y, LIU H, BAO Z. Radar HRRP Recognition Based on the Minimum Kullback Leibler Distance Oriterion [J]. Journal of Electronics (China), 2007, 24(2): 199-203.

[4]GUO W, QI Q, JIANG L L, et al. A New Method of SAR Image Target Recognition Based on AdaBoost Algorithm [C]∥IEEE International Geoscience and Remote Sensing Symposium, IGARSS, Boston, Massachusetts, July, 2008, Ⅲ: 1194-1197.

[5]章捷, 童寧寧, 馮存前, 等. 基于Hough變換撤票策略的目標微多普勒提取[J].現(xiàn)代防御技術, 2013, 41(3): 133-143.

ZHANG Jie, TONG Ning-ning, FENG Cun-qian, et al. Micro-Doppler Extraction of the Withdrawal Vote Strategy of Hough Transform [J]. Modern Defence Technology, 2013, 41(3): 133-143.

[6]CHEN V C, LI F,HO S S, et al. Analysis of Micro-Doppler Signatures [J]. IEEE Proceedings Radar, Sonar & Navigation, 2003(4): 271-276.

[7]CHEN V C, LI F, HO S S, et al. Micro-Doppler Effect in Radar: Phenomenon, Model, and Simulation Study [J]. IEEE Transaction on Aerospace and Electronic System, 2006, 42(1):2-21.

[8]LI Y, LIU H,BAO Z. Radar HRRP Recognition Based on the Minimum Kullback Leibler Distance Oriterion [J]. Journal of Electronics (China), 2007, 24(2): 199-203.

[9]SMITH G E, WOODBRIDGE K, BAKER C J. Template Based Micro-Doppler Signature Classification [C]∥Radar Conference, Manchester, UK. 3rd European, Sept., 2006: 158-161.

[10]THAYAPARAN T, ABROL S, RISEBOROUGH E. Micro-Doppler Radar Signatures for Intelligent Target Recognition [J]. Technical Memorandum, DRDC Ottawa, TM 2004-170, September 2004.

[11]STOVE A G， SYKES S R. A Doppler-Based Automatic Target Classifier for a Battlefield Surverllance Radar [C]∥2002 International Radar Conference, Edinburgh, UK, Oct 15-17, 2002: 419-423.

[12]Rios Jesus Javier， Youngwook Kim. Application of Linear Predictive Coding for Human Activity Classification Based on Micro-Doppler Signatures [J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(10): 1831-1834.

[13]TSAO J, STEINBER G B D. Reduction of Sidelobe and Speckle Artifacts in Microwave Imaging: the CLEAN Technique [J]. IEEE Transactions on Antennas and Propagation, 1988, 36(4): 543-556.

[14]張雪英. 數(shù)字語音處理及MATLAB仿真[M]. 北京: 電子工業(yè)出版社, 2010.

ZHANG Xue-ying. Digital Audio Processing and MATLAB Simulation[M]. Beijing: Electronic Industry Press, 2010.

[15]李彥兵, 杜蘭, 劉宏偉. 基于微多普勒效應和多級小波分解的輪式履帶式車輛分類研究[J]. 電子與信息學報, 2013, 35(4): 894-900.

LI Yan-bin, DU Lan, LIU Hong-wei. Study on Classification of Wheeled and Tracked Vehicles Based on Micro-Doppler Effect and Multilevel Wavelet Decomposition [J]. Journal of Electronics & Information Technology, 2013, 35(4): 894-900.

Classification of Moving Vehicles Based on Linear Predictive Coding

DING Shuai-shuaia, ZHANG Quna, ZHANG Lianga, LI Kai-minga, WANG Kai

(AFEU,a. Information and Navigation College,Shaanxi Xi’an 710077, China)

Abstract:Linear predictive coding (LPC) is utilized to the Doppler feature extraction of moving vehicles. Firstly, radar returned echoes model of moving vehicles is established based on micro-Doppler effect. The echo characteristics of moving wheeled and tracked vehicle are analyzed. Then, according to the clutter jamming, CLEAN algorithm is used to restrain it. On this basis, the coefficients from a linear predictive model are extracted as Doppler features of different vehicles by radar measured date. The changing trends of forecast error and operation time are given with different numbers of LPC coefficients. Finally, learning vector quantity (LVQ) is used for classification. The experimental results validate the effectiveness of LPC method in the classification of vehicles.

Key words:linear predictive coding (LPC); moving vehicles; micro-Doppler; CLEAN algorithm; learning vector quantity (LVQ); target classification

*收稿日期：2015-04-23；修回日期：2015-07-07

基金項目：基于圖像稀疏分解理論的空間群目標分辨與微動特征提取(61471386);陜西省統(tǒng)籌創(chuàng)新工程-特色產(chǎn)業(yè)創(chuàng)新鏈項目(S2015TDGY0045)

作者簡介：丁帥帥(1992-)，男，山東棗莊人。碩士生，主要研究方向為空天目標探測與識別。

通信地址：710077陜西省西安市蓮湖區(qū)豐鎬東路1號E-mail：dingdds@163.com

doi:10.3969/j.issn.1009-086x.2016.02.028

中圖分類號：TN957.51

文獻標志碼：A

文章編號：1009-086X(2016)-02-0177-08