基于多视角下一维像决策层融合的雷达目标识别方法与流程

本发明是一种用于基于协同体系下常规宽带相参警戒雷达系统，实现多视角一维像下雷达目标识别方法，实现雷达目标的粗分类。

背景技术：

在多视角下一维像的基础上，通过决策层融合等实现雷达目标识别，利用雷达目标识别信息可以实现雷达目标的分类。配合现有探测设备的改造，可以在现有探测设备的基础上大力提升协同目标识别能力。

目前很多一维像的技术研究是基于单视角下一维像进行的，如在2013年4月西安电子科技大学学位论文《雷达高分辨距离像目标识别技术研究》中提出的一种基于时域特征的截断过程隐马尔科夫模型，并建立了基于TSB-HMM模型的分层识别方法，利用TSB-HMM模型结合时域特征和功率谱特征对一维像进行识别，实现单视角下的雷达目标识别。

与其他文献中提出的方法不同，本发明针对在基于多视角下一维像的基础上，通过决策层融合的雷达目标识别方法，实现雷达目标的分类。

技术实现要素：

本发明的目的在于提供一种解决协同体系下的多视角下一维像决策层融合的雷达目标识别方法，有效地实现雷达目标的分类。通过本发明，能够实现海上舰艇编队对视距内各种运动状态下的雷达目标进行有效的分类，并且多视角一维像下的雷达目标识别正确率在单视角一维像下的雷达目标识别正确率基础上提高10％。

实现本发明的技术解决方案为：

首先对各视角下的一维像数据进行剔除坏像、非相干积累等预处理；对非相干积累后的目标一维像设置目标一维像能量聚集区提取门限；提取各视角下目标一维像能量聚集区距离单元前后沿，标定目标一维像能量聚集区；利用雷达目标的航向和方位信息计算雷达目标各视角下的姿态角；计算各视角下目标一维像能量聚集区的中心距，利用目标姿态信息和中心距结合最大相关系数法进行中心距模板匹配，利用目标姿态信息和目标一维像能量聚集区结合最大相关系数法进行能量聚集区模板匹配，对各视角下的中心距模板匹配和能量聚集区模板匹配进行决策层融合判定，输出各视角下模板匹配结果；在各视角下模板匹配输出结果的基础上，结合各视角下目标的姿态信息和目标一维像信噪比信息进行基于改进D-S证据理论的各视角下目标一维像模板匹配融合判决；最后根据最大相关判决准则进行雷达目标识别。

本发明与现有技术相比，其显著优点为：

采用决策层融合判定法对各视角下的中心距模板匹配和能量聚集区模板匹配进行综合判定的方法，能够快速、有效地进行各视角下的目标一维像模板匹配，该方法具有自适应好，计算量小，运行效率高等特点。基于改进D-S证据理论的各视角下目标一维像模板匹配融合判决方法，能够准确、有效地消除不用视角下不同探测距离、不同姿态造成的一维像姿态敏感性、平移敏感性和强度敏感性的影响。本发明的提出和工程实现在雷达目标识别领域具有很高的推广应用价值。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明的数据流程图。

图2是本发明的中心距模板匹配结果输出示意图。

图3是本发明的能量聚集区模板匹配结果输出示意图。

图4是本发明的各视角下一维像模板匹配结果输出示意图。

图5是本发明的基于改进D-S证据理论的目标一维像模板匹配示意图。

具体实施方式

本发明基于多视角下一维像决策层融合的雷达目标识别方法具体实施步骤为，参见附图1：

(1)各视角下一维像数据预处理，方法如下：

计算一维像的峰度矩阵K，找到峰度矩阵的最大元素max(K)及其对应的一维像，统计余下一维像集合{xi}和离群峰度集合{ki}：

其中N是一维像的个数，Xi是余下的第i个一维像样本数据，μi是样本均值，σi是样本标准方差，E(Xi-μi)⁴是第i个一维像样本数据的4阶中心距。如果ki非正，则认为第i个一维像为异常一维像，将样本数据置为0。以峰度矩阵最大元素对应的一维像为基像，采用最小熵谱估计准则进行对齐处理，对对齐后的一维像做非相干积累。

I(xk)＝-log pk

其中xk是一维像样本数据，I(xk)是信息量，X是离散随机变量，Pk是事件X＝xk发生的概率，是一维像样本数据集合。

其中si为对齐后的第i个距离单元的非相干积累结果，N是一维像的个数。

(2)设置各视角下目标一维像能量聚集区提取门限，方法如下：

计算(1)中非相干积累后的一维像P(1,n)前八分之一和后八分之一部分的均值和方差，以均值最小值和方差最小值作为非相干积累后一维像的噪声均值和方差，将特征提取门限设置为噪声部分的均值和方差和的形式。

gate＝k*(mean(X)+6*std(X))

其中gate是局部阈值，X是一维距离像中噪声部分数据集合，k是一常值系数。

(3)各视角下目标一维像能量聚集区提取，方法如下：

利用阈值gate对非相干积累后的一维像P(1,n)进行分割，得到分割结果Pg(1,n)：

对分割后的Pg(1,n)区域，提取过提取门限部分的前后沿位置，在前后沿位置按10个距离长度做滑动平均，如果均值小于最大均值的0.3倍，，对该区域单元乘以0.1的加权值，然后再用门限进行目标一维像能量聚集区边界标定，标定目标一维像能量聚集区边界后，从最大值开始，向两个方向进行连同处理，如果连同域间距超过某一范围，则认为不是一个目标，则此方向停止连同处理，最后得到的目标一维像能量聚集区P′g(1,n),目标一维像能量聚集区P′g(1,n)距离单元最小值作为目标一维像能量聚集区前沿，一维像区域P′g(1,n)距离单元最大值作为目标一维像能量聚集区后沿。

(4)各视角下雷达目标姿态解算，方法如下：

其中θ是各视角下雷达目标姿态角，α是各视角下雷达目标航向，β是各视角下雷达目标方位。

(5)各视角下一维像模板匹配，方法如下：

1)中心距模板匹配，输出中心距模板匹配结果，步骤如下：

a计算各视角下目标一维像能量聚集区的中心距：

其中：P′g(1,n)为各视角下目标一维像能量聚集区，N为P′g(1,n)数据长度，μp为P′g(1,n)的p阶中心距。

b对中心距归一化后得到P′g(1,n)的p阶归一化中心距：

c将计算出的目标一维像能量聚集区的归一化中心距作为特征矢量F，因为恒等于1，恒等于0，所以不将和作为特征,本发明中p的最大值为6，因此：

d利用最大相关系数法对目标姿态±15°范围的船只模板归一化中心距特征矢量与目标一维像能量聚集区的归一化中心距特征矢量进行相关计算，按最大相关系数输出3类船只中心距模板匹配结果，如附图2。

2)能量聚集区模板匹配，利用最大相关系数法分别对目标姿态±15°范围的船只模板能量聚集区与目标一维像能量聚集区进行相关计算，按最大相关系数输出3类船只能量聚集区模板匹配结果，如附图3。

3)对各视角下的中心距模板匹配和能量聚集区模板匹配进行决策层融合判定，步骤如下：

a判定中心距模板匹配与能量聚集区模板匹配输出的船只类型是否有一致项，如有一致项则对中心距模板匹配置信度与能量聚集区模板匹配置信度进行加权。

b将一致性判别后的匹配结果按相关系数从大到小进行排序，将最大的3个匹配结果作为决策层融合判定的船只匹配结果。

c将a，b判定后的结果作为各视角下目标一维像模板匹配结果，如附图4。

(6)基于改进D-S证据理论的目标一维像模板匹配，方法如下，如附图4：

1)计算各视角下一维像模板匹配输出类型给定判定的概率赋值{Ai},i＝1,2,…,12

其中θi为姿态信息，Snri为信噪比信息，qi为各视角下一维像模板匹配类型输出的置信度。

2)按照Dempster结合准则对{Ai},i＝1,2,…,12进行融合。

3)对融合后的概率赋值按照最大相关原则进行排序。

4)进行基于改进D-S证据理论的融合判决一维像模板匹配。

(7)雷达目标识别，方法如下：

在(6)的基础上，将排序靠前的3个船只类型和对应的置信度作为雷达目标识别结果。