基于時(shí)頻圖像紋理特征的雷達(dá)輻射源信號(hào)識(shí)別*

孟凡杰, 唐 宏, 王義哲, 劉俊杰

(空軍工程大學(xué)防空反導(dǎo)學(xué)院, 西安 710051)

基于時(shí)頻圖像紋理特征的雷達(dá)輻射源信號(hào)識(shí)別*

孟凡杰, 唐 宏, 王義哲, 劉俊杰

(空軍工程大學(xué)防空反導(dǎo)學(xué)院, 西安 710051)

為了解決低信噪比條件下雷達(dá)輻射源信號(hào)識(shí)別率低的問(wèn)題,提出了一種提取時(shí)頻圖像紋理特征的脈內(nèi)調(diào)制方式識(shí)別方法。該算法首先對(duì)信號(hào)進(jìn)行Choi-Williams變換,在對(duì)時(shí)頻圖進(jìn)行預(yù)處理后提取其改進(jìn)的局部二值模式紋理特征(LBPV),并用支持向量機(jī)進(jìn)行分類判別。使用6種典型雷達(dá)信號(hào)進(jìn)行仿真實(shí)驗(yàn),仿真結(jié)果表明在-2 dB的低信噪比條件下該方法的平均識(shí)別率可達(dá)95%以上,局部二值模式算子在低信噪比下的識(shí)別能力得到大的提高。

雷達(dá)輻射源信號(hào)識(shí)別;Choi-Williams分布;局部二值模式;紋理特征

0 引言

雷達(dá)輻射源信號(hào)識(shí)別是電子偵察和對(duì)抗領(lǐng)域的重要內(nèi)容。脈內(nèi)調(diào)制特征可以有效拓展信號(hào)識(shí)別的參數(shù)空間,有助于降低特征交疊概率,使復(fù)雜體制雷達(dá)信號(hào)的識(shí)別成為可能,因而成為雷達(dá)輻射源信號(hào)識(shí)別領(lǐng)域的重要研究方向。時(shí)頻分析法是研究脈內(nèi)調(diào)制特征的重要方法,它突破了單時(shí)域分析和單頻域分析的局限性,能夠以時(shí)頻分布圖的形式刻畫(huà)信號(hào)的實(shí)時(shí)頻率特征。近年來(lái),許多學(xué)者利用圖像處理技術(shù)從時(shí)頻分布圖中提取脈內(nèi)調(diào)制特征,并取得了一些成果[1-3]。文獻(xiàn)[1]利用主分量分析法提取時(shí)頻圖像的代數(shù)特征,在中等以上信噪比時(shí)取得了較好的識(shí)別效果,但在低信噪比條件下識(shí)別效果不太理想。文獻(xiàn)[2]提取灰度圖像的偽Zernike矩陣特征進(jìn)行識(shí)別,分類器結(jié)構(gòu)簡(jiǎn)單,抗噪能力強(qiáng),但其對(duì)相位編碼信號(hào)的識(shí)別率仍有待提高。文獻(xiàn)[3]利用圖像處理的方法實(shí)現(xiàn)對(duì)多種LPI雷達(dá)信號(hào)的準(zhǔn)確識(shí)別,但亦存在數(shù)據(jù)維數(shù)高、計(jì)算量大的問(wèn)題。

紋理特征可以反映圖像的灰度統(tǒng)計(jì)信息和空間結(jié)構(gòu)分布信息,具有良好的抗噪性和魯棒性,是圖像識(shí)別領(lǐng)域的重要研究方向。局部二值模式(LBP)算法是一種常用的紋理特征提取方法。該算法首先提取圖像的局部空間模式,再通過(guò)統(tǒng)計(jì)分析作整體的特征提取,具有尺度不變性、旋轉(zhuǎn)不變性和運(yùn)算速度快等優(yōu)點(diǎn)。但傳統(tǒng)的LBP算法只關(guān)注圖像局部灰度差,忽略了對(duì)比度信息,對(duì)圖像紋理特征的描述是不充分的[4]。

文中首先利用Choi-Williams變換得到6種典型雷達(dá)輻射源信號(hào)的時(shí)頻分布圖,再利用改進(jìn)的局部二值模式算法(LBPV)提取包含在時(shí)頻分布圖中的信號(hào)脈內(nèi)調(diào)制特征。由于支持向量機(jī)分類器結(jié)構(gòu)簡(jiǎn)單、泛化能力強(qiáng),在解決小樣本、非線性以及高維特征識(shí)別問(wèn)題時(shí)具有獨(dú)特優(yōu)勢(shì),文中采用支持向量機(jī)實(shí)現(xiàn)最終的分類識(shí)別。

1 時(shí)頻圖獲取

雷達(dá)輻射源信號(hào)是非平穩(wěn)信號(hào),時(shí)頻分析方法則是處理非平穩(wěn)信號(hào)的重要方法。Wigner-Ville分布是當(dāng)前廣泛使用的一種時(shí)頻分布。信號(hào)s(t)的Wigner-Ville分布定義為:

(1)

Wigner-Ville分布中會(huì)不可避免地出現(xiàn)交叉干擾項(xiàng),在實(shí)際運(yùn)用中往往對(duì)其進(jìn)行改進(jìn)[5]。

Cohen類時(shí)頻分布是將Wigner-Ville分布與一個(gè)二維平滑函數(shù)φ(τ,v)卷積,φ(τ,v)是核函數(shù),決定了干擾項(xiàng)抑制的效果。Cohen類時(shí)頻分布可表示為:

φ(τ,v)e-j2π(vt+τf-uv)dudτdv

(2)

在Cohen類時(shí)頻分析表達(dá)式中,如果取核函數(shù)為指數(shù)函數(shù),即:

φ(τ,v)=e-τ2v2/σ

(3)

則可得到Choi-Williams分布,即:

(4)

式中：σ(σ>0)是縮放因子,它的大小與交叉項(xiàng)幅值成正比例關(guān)系。選擇合適的σ可以有效的抑制交叉干擾項(xiàng),同時(shí)又較少的犧牲時(shí)頻聚集性。研究表明,在[0.1 10]之間選擇σ比較合適[6],文中選定σ=1。作為Wigner-Ville分布的加窗平滑定義,Choi-Williams分布具有良好的交叉干擾項(xiàng)抑制效果,具備較好的抗噪能力,是一種有效的高分辨時(shí)頻分析方法。圖1是6種典型雷達(dá)輻射源信號(hào)在信噪比為5 dB時(shí)的Choi-Williams時(shí)頻分布圖。Choi-Williams分布時(shí)頻圖直觀反映了信號(hào)的脈內(nèi)調(diào)制信息,因而可以利用圖像處理方法從中提取信號(hào)脈內(nèi)調(diào)制特征。

2 LBPV算子

LBP是一種簡(jiǎn)單高效的紋理特征描述算法,其主要思想是將局部圖像中心像素點(diǎn)與其鄰域內(nèi)其他像素點(diǎn)灰度值的差異模式化,并通過(guò)統(tǒng)計(jì)各種模式出現(xiàn)的頻次規(guī)律來(lái)描述圖像中所包含的紋理信息。由于LBP及其改進(jìn)算法具有運(yùn)算量小、對(duì)旋轉(zhuǎn)、光照不敏感等特點(diǎn),因此在人臉識(shí)別、醫(yī)學(xué)圖像檢測(cè)和工業(yè)視覺(jué)檢測(cè)等領(lǐng)域廣泛應(yīng)用。

如圖2所示,定義灰度圖的局部窗口為一個(gè)半徑為R、鄰域點(diǎn)數(shù)為P的圓環(huán)形區(qū)域(圖中R=2.5,P=12),中心像素點(diǎn)在圓心位置,坐標(biāo)為(a,b),灰度值用gc表示。鄰域內(nèi)P個(gè)鄰域點(diǎn)均勻分布于圓周,坐標(biāo)為(a+Rcos(2πi/P),b+Rsin(2πi/P)),灰度值用gi(i=0,…,P-1)表示,當(dāng)鄰域點(diǎn)不是位于整數(shù)坐標(biāo)位置時(shí),用雙線性內(nèi)插法計(jì)算其灰度值。以gc為閾值,將鄰域點(diǎn)的像素值二值化。當(dāng)鄰域點(diǎn)灰度值小于gc時(shí)將該點(diǎn)賦值為0,當(dāng)大于或等于gc時(shí)則賦值為1。然后根據(jù)鄰域點(diǎn)的位置不同進(jìn)行加權(quán)求和,便可得到該局部鄰域窗口的LBP值。即:

(5)

當(dāng)圖像旋轉(zhuǎn)時(shí),由于鄰域點(diǎn)沿著圓周移動(dòng)導(dǎo)致LBP模式可能會(huì)發(fā)生變化(全0或全1時(shí)不變),因此Timo Ojala等提出旋不變LBP[7]:

(6)

式中：ROR(x,i)代表旋轉(zhuǎn)函數(shù),表示將x向右旋轉(zhuǎn)i(|i|

(7)

式中:

U(LBPP,R)=|s(gP-1-gc)-s(g0-gc)|+

(8)

uniform模式指的是所有LBP二值序列中至多包含兩個(gè)從0到1或從1到0跳變的模式,在全部2P種LBP模式中,共有P(P-1)+3屬于均勻模式。當(dāng)圓域半徑為2.5、采樣點(diǎn)數(shù)為12時(shí),uniform模式可以將LBP算子個(gè)數(shù)由原先的256種減少至135種,具有旋轉(zhuǎn)不變性的uniform模式LBP個(gè)數(shù)則可進(jìn)一步減少至14種。盡管類別數(shù)量占比不高,但其出現(xiàn)概率卻占所有模式的90%以上。因此uniform模式相對(duì)普通LBP而言不僅大大減少了特征維數(shù),而且仍能較好保留其局部紋理特性,使高效準(zhǔn)確的機(jī)器自動(dòng)識(shí)別成為可能。

盡管LBP算子具有很多優(yōu)點(diǎn),但由于LBP算子僅描述局部紋理的空間結(jié)構(gòu),不考慮圖像對(duì)比度信息,每種LBP模式無(wú)論其灰度值大小在統(tǒng)計(jì)直方圖時(shí)都具有相同的權(quán)重,因此對(duì)圖像紋理特征的描述是不充分的,對(duì)于模式相同,灰度強(qiáng)度不同的LBP模式可能會(huì)出現(xiàn)大量錯(cuò)分的現(xiàn)象。

方差VARP,R可以描述圖像的對(duì)比度信息,同時(shí)也具有旋轉(zhuǎn)不變性的優(yōu)點(diǎn),可以和LBP算子實(shí)現(xiàn)特征互補(bǔ),提高分類的準(zhǔn)確率。以gc為中心的局部方差可定義為:

(9)

式中:

(10)

當(dāng)考慮對(duì)比度信息時(shí),通常利用LBP與VAR的聯(lián)合算子(LBPP,R/VARP,R)對(duì)圖像紋理特征進(jìn)行描述。VAR是一個(gè)連續(xù)值,轉(zhuǎn)換成識(shí)別特征時(shí)必須進(jìn)行量化處理,量化過(guò)程的閾值選擇十分依賴樣本,量化過(guò)程難以把握,容易產(chǎn)生比較大的量化誤差,而且聯(lián)合算子的特征維數(shù)大,影響分類效率。因此文中引入LBPV算子[3]用于時(shí)頻圖像紋理特征的識(shí)別。LBPV算子改進(jìn)了傳統(tǒng)LBP直方圖中各LBP模式等權(quán)值的缺陷,將VAR作為各LBP模式的權(quán)值,即:

(11)

(12)

式中k∈[0,K]。方差表征的是灰度變化的強(qiáng)度,方差較大的局部區(qū)域更有利于識(shí)別,對(duì)識(shí)別的貢獻(xiàn)更大,因此需要分配比較高的權(quán)重值。利用VAR對(duì)各LBP模式權(quán)值進(jìn)行再分配避免了VAR的量化過(guò)程,減少計(jì)算量的同時(shí)提高了特征的區(qū)分度,因此識(shí)別效率優(yōu)于普通LBP。為驗(yàn)證LBPV的優(yōu)越性,提取圖1中CW、BPSK和LFM 3種信號(hào)識(shí)別圖的圓域旋不變uniform模式,共14種模式,利用普通LBP和LBPV兩種不同方法加權(quán)后統(tǒng)計(jì)其直方圖,結(jié)果如圖3所示。

由圖3可知,傳統(tǒng)LBP中各模式直方圖雖然存在一定差異,但總體來(lái)看比較接近,不同信號(hào)之間差異較小,不利于后續(xù)的識(shí)別。與之相反,利用方差加權(quán)后的LBPV特征更好地體現(xiàn)了類間差異。基于以上優(yōu)點(diǎn),文中采用圓域旋不變uniform模式的LBPV算子作為特征進(jìn)行時(shí)頻圖像的識(shí)別。

3 分類器設(shè)計(jì)和算法流程

3.1 分類器設(shè)計(jì)

雷達(dá)輻射源識(shí)別屬于小樣本、高實(shí)時(shí)的智能識(shí)別,因此文中選用支持向量機(jī)(support vector machines,SVM)作為分類器[8]。

SVM是一種建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的機(jī)器學(xué)習(xí)方法。統(tǒng)計(jì)學(xué)習(xí)理論采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則,在實(shí)現(xiàn)樣本點(diǎn)誤差最小化的同時(shí),也可以將結(jié)構(gòu)風(fēng)險(xiǎn)最小化,從而使模型的泛化能力得到提高。使用時(shí)靈活、方便,不易陷入局部最小值,且不受數(shù)據(jù)維數(shù)的限制。在解決小樣本、非線性、高維數(shù)問(wèn)題時(shí)比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法具有突出的優(yōu)勢(shì)。支持向量機(jī)分類器性能的發(fā)揮與其核函數(shù)選擇和參數(shù)尋優(yōu)策略緊密相關(guān)。由于徑向基核函數(shù)(RBF)收斂域?qū)?、適用范圍廣,是較為理想的分類依據(jù)函數(shù),因而目前應(yīng)用最多。在徑向基核函數(shù)SVM中,主要考慮誤差懲罰因子C和核函數(shù)方差σ兩個(gè)參數(shù)。參數(shù)C主要用來(lái)平衡算法復(fù)雜度和逼近誤差,C越大則對(duì)數(shù)據(jù)的擬合程度越高,但泛化能力降低。σ主要用來(lái)控制樣本數(shù)據(jù)在高維特征空間中分布的復(fù)雜程度,進(jìn)而影響運(yùn)算的效率。因此在進(jìn)行參數(shù)選擇時(shí)必須同時(shí)兼顧C(jī)和σ,文中選用網(wǎng)格搜索法[9]對(duì)(C,σ)兩個(gè)參數(shù)尋優(yōu)。

3.2 算法流程

文中算法主要立足于雷達(dá)輻射源信號(hào)時(shí)頻變換和時(shí)頻圖像紋理特征的提取和識(shí)別,其基本流程如下:

1)對(duì)信號(hào)進(jìn)行Choi-Williams變換,并將其轉(zhuǎn)化為灰度圖像。

2)利用圖像處理技術(shù),對(duì)時(shí)頻灰度圖進(jìn)行裁剪和歸一化,為減少噪聲的影響,再對(duì)圖像進(jìn)行自適應(yīng)維納濾波。

3)提取圖像的圓域旋不變uniform模式的LBPV算子作為識(shí)別特征

4)利用RBF支持向量機(jī)對(duì)輸入的特征進(jìn)行學(xué)習(xí),并進(jìn)行測(cè)試,得到算法的識(shí)別率結(jié)果。

4 仿真分析

仿真實(shí)驗(yàn)采用6種常規(guī)雷達(dá)輻射源信號(hào)用于分類識(shí)別,它們分別是常規(guī)脈沖信號(hào)(CW),線性調(diào)頻信號(hào)(LFM),二相編碼信號(hào)(BPSK),四相編碼信號(hào)(QPSK),頻率編碼信號(hào)(FSK),偶二次調(diào)頻信號(hào)(EQFM)。其中,BPSK采用13位巴克碼,QPSK采用16位FRANK碼,FSK采用COSTAS碼。LFM調(diào)頻帶寬設(shè)為5 MHz,信號(hào)載頻設(shè)為20 MHz,采樣頻率為100 MHz,脈沖寬度為16 μs,噪聲為零均值的高斯白噪聲。信號(hào)的初始相位在0到2π之間隨機(jī)產(chǎn)生。信噪比設(shè)置為從-4 dB到10 dB,每隔兩個(gè)信噪比產(chǎn)生50個(gè)樣本,6種信號(hào)共計(jì)產(chǎn)生2 400個(gè)樣本信號(hào),每個(gè)樣本信號(hào)依次進(jìn)行CWD獲得其時(shí)頻分布,利用960個(gè)樣本用于訓(xùn)練,另外1 440個(gè)用于測(cè)試。為對(duì)比說(shuō)明LBPV算子識(shí)別性能的提高,文中還對(duì)LBP算子的識(shí)別性能進(jìn)行仿真分析,并記錄了特征提取時(shí)間。仿真實(shí)驗(yàn)平臺(tái)為基于聯(lián)想PC的MATLAB軟件,PC機(jī)的CPU主頻為3.10 GHz,運(yùn)行內(nèi)存為4 GB。

表1 LBP和LBPV算法對(duì)比

表1是在不同信噪比下LBP和LBPV兩種算子的6種信號(hào)的平均識(shí)別率和平均特征提取時(shí)間對(duì)比。由圖可知,隨著信噪比的改善,兩種信號(hào)都能取得較好的識(shí)別效果,但LBPV算子的識(shí)別效果明顯優(yōu)于LBP算子,檢測(cè)性能相對(duì)穩(wěn)定,在-2 dB便可取得平均95%以上的識(shí)別概率。當(dāng)用LBP算子作為識(shí)別特征時(shí),各類信號(hào)特征差別相對(duì)較小,信噪比降低時(shí)圖像成像質(zhì)量下降,識(shí)別率受此影響顯著。由于在提取LBPV特征時(shí)需要對(duì)每個(gè)局部單元重新進(jìn)行一次賦值,因此計(jì)算量稍大于LBP特征,實(shí)時(shí)性有一定程度的降低。但從仿真結(jié)果來(lái)看,二者差別不大。融入了方差特征的LBPV算子可以很好的兼顧局部和全局信息,可以提取更加全面的紋理特征用于識(shí)別。仿真說(shuō)明LBPV算子具備良好的抗噪能力,可在較低信噪比條件下完成分選識(shí)別。

LFM的時(shí)頻曲線為一條直線,當(dāng)調(diào)制參數(shù)不同時(shí),其時(shí)頻曲線的變化表現(xiàn)為直線的旋轉(zhuǎn)即斜率的改變。LBP算子具有旋轉(zhuǎn)不變性,對(duì)相同調(diào)制方式但調(diào)制參數(shù)不同的信號(hào),尤其是對(duì)LFM而言,理論上可能出現(xiàn)錯(cuò)分現(xiàn)象[10]。為考察LBPV算子在這種情況下的識(shí)別能力,設(shè)置6組LFM信號(hào),其頻偏分別為3 MHz、4 MHz、5 MHz、6 MHz、7 MHz、8 MHz,其他參數(shù)設(shè)置同上。計(jì)算機(jī)仿真結(jié)果如圖4所示。

從圖4可以看出,LFM參數(shù)的改變雖然會(huì)使LBPV算子的識(shí)別率有一定程度的下降,但總的來(lái)看影響不大,正確識(shí)別率仍然處于90%以上的高值區(qū)間。對(duì)于Choi-Williams變換而言,不同調(diào)制參數(shù)的LFM時(shí)頻圖像不僅斜率不同,直線的時(shí)頻聚集程度和灰度分布等特征也會(huì)發(fā)生改變,而融合了局部方差的LBPV算子恰好可以利用這種變化,取得了比較理想的識(shí)別效果,因此可以認(rèn)為L(zhǎng)BPV算子不僅可以較好的識(shí)別不同調(diào)制類型信號(hào),對(duì)調(diào)制類型形同但參數(shù)不同的信號(hào)亦可準(zhǔn)確識(shí)別。

5 結(jié)論

針對(duì)低信噪比條件下雷達(dá)輻射源信號(hào)脈內(nèi)調(diào)制方式的識(shí)別問(wèn)題,文中提出了一種基于LBPV算子的時(shí)頻圖像紋理特征識(shí)別方法,該算法從信號(hào)的時(shí)頻圖像出發(fā),充分利用灰度圖像的紋理特征,實(shí)現(xiàn)了利用較少的特征維數(shù)取得較好的脈內(nèi)調(diào)制方式識(shí)別效果。由LBPV算子構(gòu)成的分類器結(jié)構(gòu)簡(jiǎn)單,運(yùn)算效率高,對(duì)輻射源信號(hào)參數(shù)的變化具備較好的適應(yīng)能力,具有一定的工程運(yùn)用研究?jī)r(jià)值。

[1] GULUM T O. Autonomous non-linear classification of LPI radar signal modulation: ADA 473944 [R]. Monterey: Naval Postgraduate School, 2007.

[2] 張立東, 呂濤, 王東風(fēng), 等. 一種基于Zernike矩雙譜的雷達(dá)信號(hào)特征提取新算法 [J]. 艦船電子對(duì)抗, 2012, 35(6): 43-47.

[3] 熊坤來(lái), 羅景青, 吳世龍. 基于時(shí)頻圖像和神經(jīng)網(wǎng)絡(luò)的LPI雷達(dá)信號(hào)調(diào)制識(shí)別 [J]. 彈箭與制導(dǎo)學(xué)報(bào), 2011, 31(5): 230-233.

[4] GUO Zhenhua, ZHANG Lei, ZHANG D. Rotation invariant texture classification using LBP variance (LBPV) with global matching [J]. Pattern Recognition, 2010, 43(3): 706-719.

[5] 李秀梅, 楊國(guó)青, 高廣春. 基于LPFT時(shí)域?yàn)V波器的WVD交叉項(xiàng)抑制方法 [J]. 電路與系統(tǒng)學(xué)報(bào), 2013, 18(1): 122-126.

[6] PLESSIS M C, OLIVIER J C. Radar transmitter classification using a non-stationary signal classifier [C]// Proceedings of the 2009 International Conference on Wavelet Analysis and Pattern Recognition. Pretoria. South Africa: IEEEPress, 2009: 482-485.

[7] OJALA T, PIETIKAINEN M, MAENPAA T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(7): 971-987.

[8] 張葛祥, 榮海娜, 金煒東. 支持向量機(jī)在雷達(dá)輻射源信號(hào)識(shí)別中的應(yīng)用 [J]. 西南交通大學(xué)學(xué)報(bào), 2006, 41(1): 25-30.

[9] 李琳. 基于RBF核的SVM學(xué)習(xí)算法優(yōu)化及其在蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)中的應(yīng)用 [D]. 武漢: 武漢科技大學(xué), 2006.

[10] 白航, 趙擁軍, 胡德秀. 時(shí)頻圖像局部二值模式特征在雷達(dá)分類識(shí)別中的應(yīng)用 [J]. 宇航學(xué)報(bào), 2013, 34(1): 139-146.

RadarEmitterSignalRecognitionBasedonTextureFeatureofTime-FrequencyImage

MENG Fanjie, TANG Hong, WANG Yizhe, LIU Junjie

(Air and Missile Defense College, Air Force Engineering University, Xi’an 710051, China)

To solve the problem of low rate in radar emitter signal recognition under low SNR, a new approach using texture feature of time-frequency image for recognition of intra-pulse modulation is proposed. At first, the time-frequency images of radar emitter signals are obtained by Choi-Williams transform, and then the noise reduction and normalization of these images are processed. After that, the improved arithmetic of LBPV is used to extract the features of time-frequency images. At last, the support vector machine is used for classification and discrimination. In this paper, six kinds of common radar signals are used in simulation experiments. The results show that the average recognition rate can reach 95% when the SNR is as low as -2 dB.

radar emitter signal recognition; CWD; LBP; texture features

TN974

A

2016-06-07

孟凡杰(1992-),男,河南洛陽(yáng)人,碩士研究生,研究方向:雷達(dá)信號(hào)處理。