一種基于雷達(dá)HRRP的艦船目標(biāo)識別方法

魏存?zhèn)ィ瑒⑾瓤?，孫 菲，徐冰超

(中國人民解放軍海軍701工廠 研發(fā)部,北京 100015)

一種基于雷達(dá)HRRP的艦船目標(biāo)識別方法

魏存?zhèn)ィ瑒⑾瓤?，孫 菲，徐冰超

(中國人民解放軍海軍701工廠 研發(fā)部,北京 100015)

針對高分辨雷達(dá)一維距離像的艦船目標(biāo)識別問題，提出了一種基于多特征提取、最近鄰模糊分類器的目標(biāo)識別方法。該方法首先對海上艦船目標(biāo)進(jìn)行姿態(tài)角估計(jì)，然后對一維距離像進(jìn)行預(yù)處理，提取出徑向長度、中心矩、散射中心特征，并采用最近鄰模糊分類器進(jìn)行識別匹配。通過4類軍民船數(shù)據(jù)進(jìn)行測試，驗(yàn)證結(jié)果表明，該方法在艦船目標(biāo)識別領(lǐng)域具有良好的應(yīng)用前景。

一維距離像；Relax算法；最近鄰模糊分類器；姿態(tài)角估計(jì)

雷達(dá)高分辨艦船目標(biāo)一維距離像(High Resolution Range Profile，HRRP)[1-5]是用寬帶雷達(dá)信號獲取的散射點(diǎn)子回波在雷達(dá)視線上投影的向量和，顯示了目標(biāo)的結(jié)構(gòu)分布和幾何形狀，表明了目標(biāo)散射點(diǎn)沿距離方向的分布，對識別提供了重要的信息，因此成為識別領(lǐng)域的熱點(diǎn)之一[6-13]。從文獻(xiàn)[5]中可以看出，一維像目標(biāo)識別主要面臨3個方面的問題，分別為姿態(tài)敏感性、平移敏感性、幅度敏感性，其中影響最大的是姿態(tài)敏感性，即艦船所成像隨著姿態(tài)的變化導(dǎo)致目標(biāo)區(qū)域變短，造成一維像類似于壓縮效果，通過雷達(dá)提供的航跡進(jìn)行姿態(tài)估計(jì)，可以降低姿態(tài)敏感性。本文重點(diǎn)研究了基于航跡的姿態(tài)角估計(jì)、多特征提取和最近鄰模糊分類器[6],以及應(yīng)用在艦船目標(biāo)高分辨一維像識別領(lǐng)域。

1 艦船目標(biāo)姿態(tài)角估計(jì)

艦船目標(biāo)的姿態(tài)可簡化為目標(biāo)運(yùn)動方向與雷達(dá)視線的夾角[4]。對雷達(dá)艦船目標(biāo)航跡數(shù)據(jù)進(jìn)行曲線擬合，在少量測量周期范圍內(nèi)，可采用二次曲線表示

y=ax2+bx+c

(1)

(2)

(3)

其中，A為方位角，所以實(shí)際的姿態(tài)角θ(θ∈[0,90°])為

(4)

2 特征提取

2.1 預(yù)處理

在實(shí)際工程應(yīng)用中，提高艦船目標(biāo)一維像信噪比的一種方法為非相干積累，對艦船目標(biāo)一維像非相干平均也可以降低目標(biāo)的姿態(tài)敏感性。

圖1 非相干平均降噪后的圖示

圖1(a)為原始一維像，顯示有很多雜波、噪聲等引起局部高低起伏不穩(wěn)定現(xiàn)象，這種現(xiàn)象降低了目標(biāo)的數(shù)據(jù)質(zhì)量，不利于識別。而如圖1(b)所示，采用非相干積累后，抑制了大部分的噪聲使數(shù)據(jù)質(zhì)量得到了提升。

2.2 特征提取

2.2.1 徑向長度

徑向長度L為目標(biāo)所占分辨單元的總長，它是識別目標(biāo)時最直觀的集合形狀特征，不同姿態(tài)角下的徑向長度也不同。

2.2.2 強(qiáng)散射點(diǎn)特征

Relax算法[7-8]通過建立目標(biāo)的強(qiáng)散射點(diǎn)模型，然后提取出散射點(diǎn)的參數(shù)，由于Relax算法提取參數(shù)的精度高，且對設(shè)定的散射點(diǎn)個數(shù)較穩(wěn)健，采用參數(shù)化的特征可以很好地度量一維像，設(shè)提取的參數(shù)為{Si,Ri},i=1,2,…,k。

2.2.3 中心矩特征

(5)

其中，i0(k)為艦船目標(biāo)一維距離像的散射重心。根據(jù)公式可以看出，m0(k)=1,m1(k)=1，所以不能作為特征向量。由2～Pmax階中心矩生成的特征矢量為R(k)，可表示為

R(k)=[m2(k),m3(k),…,mPmax(k)]T

(6)

Pmax為中心矩的最高階數(shù)，中心矩所包含信息的冗余性隨著階數(shù)的增大而變大，最高階數(shù)一般根據(jù)經(jīng)驗(yàn)選取。

由艦船目標(biāo)的徑向長度、目標(biāo)強(qiáng)散射中心參數(shù)、中心距特征組成的特征矢量，用F(k)表示為

F(k)=[L,S1,R1,…,SK,RK,m2,…,mpmax]T

(7)

由式(7)可看出，特征矢量各維特征的權(quán)重不同，會影響分類的效果。為消除特征量綱對識別的影響，本文根據(jù)不同特征的重要性、穩(wěn)定性，設(shè)計(jì)一種最近鄰模糊分類器。

3 最近鄰模糊分類器設(shè)計(jì)

3.1 特征差矩陣

用矩陣F來表示由徑向長度、強(qiáng)散射點(diǎn)、中心矩構(gòu)成的訓(xùn)練模板[10]

(8)

(9)

其中，dfiq=|fi-fiq|,i=1,2,…,M,q=1,2,…,Q。

3.2 隸屬度矩陣構(gòu)造

樣本的相似度大小取決于特征差的大小，特征差越大則相似度越小，特征差越小相似度越高，本文中采用特征差為自變量，為了度量相似性，可以采用降嶺形分布[10]來計(jì)算。計(jì)算目標(biāo)中第i個特征的隸屬度μiq，可表示為

(10)

隸屬度的計(jì)算決定了識別效果的好壞，因此，本文設(shè)定了一定的規(guī)則計(jì)算隸屬度，對于特征差異常的現(xiàn)象可以強(qiáng)制為0，認(rèn)為該維特征矢量存在提取錯誤，可以認(rèn)為是虛假的強(qiáng)散射中心或中心矩特征。隸屬度矩陣的計(jì)算為

(10)

3.3 分類規(guī)則

(12)

通過式(12)可以看出，測試樣本判別為第q0個模板樣本的類別。

4 實(shí)驗(yàn)結(jié)果

為驗(yàn)證本文算法特征提取的有效性及設(shè)計(jì)分類器的效果，實(shí)驗(yàn)采用數(shù)據(jù)是某型雷達(dá)的實(shí)測一維像，采用線性調(diào)頻信號形式，采用軍船和民船各兩類數(shù)據(jù)，艦船目標(biāo)的基本尺寸參數(shù)，測試樣本和訓(xùn)練樣本數(shù)量如表1所示。

表1 艦船尺寸參數(shù)

本文主要目的為工程應(yīng)用，為了驗(yàn)證識別效果，提高工程實(shí)踐中的效率，分別對測試樣本、訓(xùn)練樣本提取了20維強(qiáng)散射點(diǎn)的參數(shù)信息和10維中心矩特征。為降低姿態(tài)敏感性，采用分類器前，預(yù)先用計(jì)算的測試樣本姿態(tài)角篩選出訓(xùn)練樣本中臨近的姿態(tài)角來，本文門限值設(shè)定為5°。實(shí)驗(yàn)結(jié)果表明4型艦船的平均識別率為92.1%，基本能夠反映出提取的姿態(tài)角度特征、徑向長度、散射點(diǎn)、中心距特征及設(shè)計(jì)分類器的有效性，其中艦船1,2存在一定的誤識別，這是因?yàn)槊翊陂L度、結(jié)構(gòu)分布上存在一定的相似性。在實(shí)際工程應(yīng)用中，模板庫中訓(xùn)練樣本是否建立完備決定了識別效果的好壞，由于數(shù)據(jù)的復(fù)雜性，建立模板庫工作是個長期的過程，應(yīng)該注意姿態(tài)、距離、山高等問題。

表2 目標(biāo)識別結(jié)果

5 結(jié)束語

本文提出了一種基于雷達(dá)高分辨一維距離像的艦船目標(biāo)識別方法，該方法首先基于航跡計(jì)算出目標(biāo)的姿態(tài)角來，然后提取出高分辨一維距離像的徑向長度、中心矩、強(qiáng)散射點(diǎn)多個特征信息，設(shè)計(jì)了一種最近鄰分類器對目標(biāo)識別分類，實(shí)測數(shù)據(jù)驗(yàn)證結(jié)果表明，該方法在雷達(dá)高分辨艦船目標(biāo)識別中有一定的應(yīng)用前景。

[1] Kim K T,Seo D K,Kim H T.Efficient radar target recognition using the Music algorithm and invariant features[J].IEEE Transactions on Application Physics,2002,50(3):325-337.

[2] 劉宏偉,杜蘭.雷達(dá)高分辨距離像目標(biāo)識別研究[J].電子與信息學(xué)報,2005,27(8):1328-1334.

[3] 閆錦,黃培康.高距離分辨像雷達(dá)目標(biāo)識別[J].航天電子對抗,2004(2):36-41.

[4] 魏存?zhèn)?梁菁,任杰,等.基于航跡信息的艦船目標(biāo)姿態(tài)角魯棒估計(jì)[J].艦船科學(xué)技術(shù),2010,32(2):32-35.

[5] 袁莉.基于高分辨距離像的雷達(dá)目標(biāo)識別方法研究[D].西安:西安電子科技大學(xué),2007.

[6] Liu Xiankang,Gao Meiguo,Fu Xiongjun.A nearest neighbor fuzzy classifier for radar target recognition using the combined features[C].Beijing:IEEE Proceedings of the Eighth International Conference on Signal Processing,2006.

[7] 付耀文,賈宇平,莊釗文.基于一維散射中心匹配的雷達(dá)目標(biāo)識別[J].電子學(xué)報,2006,34(3):404-408.

[8] Mao Jianchang.Information fusion by combining multiple features and classifiers[C].Shanghai:SPIE,1998.

[9] 王錦章,魏存?zhèn)?基于Relax散射點(diǎn)特征提取的艦船目標(biāo)識別方法[J].電子科技,2011,24(4):8-11.

[10] 劉先康,梁菁.修正最近鄰模糊分類算法在艦船目標(biāo)識別中的作用[C].昆明:全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議,2010.

[11] 王錦章,宮汝江.一種提高雷達(dá)HRRP識別和拒判性能的新方法[J].電子科技,2014,27(12):150-154.

[12] 王曉丹,王積勤.基于SVM的雷達(dá)目標(biāo)高分辨距離像識別研究[C].西安:全國信號處理學(xué)術(shù)年會,2003.

[13] 廖學(xué)軍.基于高分辨距離像的雷達(dá)目標(biāo)識別[D].西安:西安電子科技大學(xué),1999.

A Method of Ship Target Recognition Based on HRRP

WEI Cunwei，LIU Xiankang，SUN Fei，XU Bingchao

(Research Department,No.701 Factory of PLA(N),Beijing 100015,China)

A method based on feature extracted and nearest neighbor fuzzy classification algorithm is proposed for ship target recognition. Firstly,attitude angle is estimated,data is preprocessed. Then,features are extracted from high resolution range profile. Finally,the targets are recognized by nearest neighbor fuzzy classification. The result of experiment with the simulation data of 4 ship targets indicates that the proposed method is efficient and very useful in ship target classification.

HRRP;Relax algorithm;nearest neighbor fuzzy classification;attitude angle

TN957.51

A

1007-7820(2017)11-013-04

2017- 01- 13

國防預(yù)研基金

魏存?zhèn)?1983-)，男，工程師。研究方向：雷達(dá)目標(biāo)識別等。劉先康(1979-)，男，博士后，高級工程師。研究方向：雷達(dá)目標(biāo)識別等。

10.16180/j.cnki.issn1007-7820.2017.11.004