一种基于点迹数据和频谱特征的地面活动目标分类方法与流程

本发明属于雷达信号处理领域，具体涉及一种基于点迹数据和频谱特征的地面活动目标分类方法，用于窄带雷达战场侦察模式下的地面活动目标分类。

背景技术：

随着地面活动目标的类别多样化和战场环境的复杂化，雷达需要提供和获取更多的地面活动目标特征并提高识别目标类型的概率，以满足作战系统对获取非合作目标属性的需求。目前战场侦查雷达仍然以窄带雷达为主，研究基于窄带雷达数据的目标属性识别更具有实际意义。在窄带雷达探测地面活动目标场景下，非合作的单兵与车辆是战场侦察任务中需要重点探测的两种地面活动目标，传统对于单兵和车辆目标分类识别方法普遍根据两种目标的雷达散射横截面积(rcs)和速度差异作为分类的信息，车辆和单兵目标的rcs起伏一般被认为符合swerlingi模型，然而在1966年swerling本人已指出swerling模型难以详细描述目标的起伏行为，例如人的手臂和大腿的摆动车辆车轮或者履带的转动均会引起更加复杂的rcs起伏变化，而目标径向的速度会随着雷达观测角度的不同和目标自身的路径变化产生变化，例如当车辆在转弯过程中或者掉头时，径向速度有可能与单兵移动速度相同。所以需要从窄带雷达探测数据中提取新的目标特征作为车辆和人体目标分类的信息。文献【冀振元,李晨雷,唐文彦.支持向量机在车辆目标识别中的应用[j].系统工程与电子技术,2010,32(2):284-286.】提出了一种基于支持向量机车辆目标识别方法，将雷达接收的车辆目标回波转换到频域，从频谱中提取待分类目标信号的特征向量，然后采用支持向量机对目标信号进行训练和识别，采用实测数据验证了方法的有效性。文献[g.stoveands.r.sykes.adoppler-basedautomatictargetclassifierforabattlefieldsurveillanceradar[c].radar2002,edinburgh,uk,2002,pp.419-423]提出采用雷达探测的径向速度将部分人与车辆目标分类，再采用归一化多普勒频谱形成特征向量，并利用层次fisher线性判别法来分辨不同的类别，通过实测数据成功分类了轮式车辆、履带式车辆和人。但是上述两种方法都采用频谱幅度的特征向量作为的训练数据，提取的目标特征过于单一。其次层次fisher线性判别法和支持向量机均为在特征空间中寻找最大间隔的监督学习方法，当特征空间的数据离散度较大或者雷达处理的数据出现异常时，此类方法的判决成功概率会降低。

技术实现要素：

要解决的技术问题

为了解决现有目标分类方法中特征向量单一，从而导致其判决概率较低的技术问题。本发明提出了一种基于点迹数据和频谱特征的地面活动目标分类方法，提取车辆回波信号和人体回波信号幅度、径向多普勒和频域维的分形特征，采用软间隔的支持向量机在三维特征空间训练得到超平面分类器，采用核密度方法估计相关当前点迹与上一帧点迹的信息，提高识别和分类的可靠性。

技术方案

一种基于点迹数据和频谱特征的地面活动目标分类方法，其特征在于步骤如下：

步骤1：雷达接收到地面活动目标的时域信号s，根据公式(1)对其做傅里叶变换得到f：

f＝ws(1)

其中w是傅里叶变换的矩阵形式；

根据f计算目标的径向多普勒速度v＝λfind(f＝max(f))/2cpi，其中find(·)是搜索max(f)的频率，λ为雷达载频的波长，cpi为波束驻留时间；

根据f计算回波的幅度a＝max(f)；

步骤2：采用稀疏先验重构频率分布f，优化模型可以被表示为l1正则化模型，如公式(2)所示：

其中||·||1为1范数算子，g＝w^h是傅里叶逆变换的矩阵形式；

采用软阈值迭代算法求解公式(2)，设置软阈值函数门限λ，采用软阈值函数迭代式重构频率分布f，直到本次迭代重构的频率分布与上一次迭代重构的频率分布相对误差小于阈值ξ，则输出本次迭代的频谱分布为去除噪声的目标频谱f⁰；所述的软阈值函数soft(·)如公式(3)所示：

soft(z,λ)＝sign(z)max{0,|z|-λ}(3)

步骤3：采用盒维数法将去除噪声的目标频谱f⁰的幅度划分成m个等级的频谱f¹，如公式(4)所示：

采用公式(5)计算分形特征d：其中l是盒子的边长，用边长为l的盒子覆盖空间以后，有些盒子里面是空的，n(l)是盒子不为空的数量，所以只要计算出不同边长对应盒子不为空的数量，并将logl和logn(l)拟合成一条直线，直线的斜率就是分形特征d：

步骤4：选取若干个训练集，利用步骤1～3得到的回波幅度a、径向多普勒速度v和分形特征d，这3个特征的归一化特征可以由一个三维特征空间表示，采用软间隔的支持向量机训练构造超平面作为分类器，将单兵与车辆目标的频谱实测数据输入到分类器中得到判决目标类型结果；

步骤5：采用核密度方法估计前后两帧点迹之间的相关性qj：

其中，d为当前点迹的径向距离，dj为上一帧点迹的径向距离，v为当前点迹的速度，vj为上一帧点迹的速度，σs、σv分别为速度和距离的标准差；

将相关性qj与判据阈值a进行比较：如果满足qj≥a对应的上一帧点迹的判决目标类型包括当前点迹的目标类型，则认为该判决结果为真；如果满足qj≥a对应的上一帧点迹的判决目标类型不包括当前点迹相同的目标类型，则认为该判决结果为假，选择max(qj)对应的目标类型为当前点迹的判决结果。

本发明技术方案更进一步的说：步骤3中的等级数m为256个。

本发明技术方案更进一步的说：步骤4中所述的若干个为50。

本发明技术方案更进一步的说：步骤5中参数a、的选取与两帧扫描的时间间隔有关，时间间隔越长越大，a越小。

有益效果

本发明提出的一种基于点迹数据和频谱特征的地面活动目标分类方法，将采集的窄带雷达探测的车辆和人体回波信号通过傅里叶变换转换为频率谱，将频域最大点作为目标的幅度特征，并利用频域最大点位置、雷达载频和波束驻留时间计算目标的径向速度，采用软阈值迭代法对频谱去噪和锐化处理，并结合盒维数法计算去噪后频谱的分形特征。采用软间隔的支持向量机构造超平面分类器；最后采用核密度估计方法将当前帧的点迹数据与上一帧的点迹数据做相关处理，将相关值作为判决的辅助信息，提高判决结果的可靠性。

采用软阈值迭代结合盒维数法计算车辆和人体目标频谱回波的分形特征，为目标分类提供了有效的信息。

采用核密度估计方法将当前帧的点迹数据与上一帧的点迹数据做相关处理，将相关值作为判决的辅助信息，提高判决结果的可靠性。

在窄带雷达探测车辆目标作战场景下，利用车辆目标和人体目标的实测信息作为训练和测试数据。结果表明，通过步骤3和步骤4即采用软阈值迭代法和盒维数法提取的人体和车辆目标的去噪频谱分形特征有明显差异(由图4所示)，可以作为人车分类的一种重要特征；其次采用步骤5所述的核密度方法估计两帧点迹信息相关性作为辅助信息可以有效的提高了分类的正确率，相对于不采用辅助信息的原有方法提高了15％的分类正确率。

附图说明

图1是车辆目标频谱图

图2是人体目标频谱图

图3是软阈值迭代算法流程图

图4是车辆和人体目标频谱的分形特征

图5是三维特征空间超平面

图6是超平面分类的结果

图7是结合核密度估计相关的分类结果

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明提出的基于点迹数据和频谱特征的地面活动目标分类方法包括下列步骤：

步骤一：雷达接收到的地面活动目标的时域信号s，由公式(1)所示对其做傅里叶变换得到f，其中w是傅里叶变换的矩阵形式，单兵目标频谱由图1所示，车辆目标频谱由图2所示。由此可以得到目标的径向多普勒速度v＝λfind(f＝max(f))/2cpi，其中find(·)是搜索max(f)的频率，其中λ为雷达载频的波长，cpi为波束驻留时间，回波的幅度为a＝max(f)。

f＝ws(1)

步骤二：采用稀疏先验重构频率分布f，优化模型可以被表示为l1正则化模型，由公式(2)所示。其中||·||1为1范数算子，g＝w^h是傅里叶逆变换的矩阵形式，公式(2)的问题可以被软阈值迭代算法求解，求解流程由图3所示，软阈值函数soft(·)由公式(3)所示，ξ是相对误差阈值，设置软阈值函数门限λ，采用软阈值函数迭代式重构频率分布f，直到本次迭代重构的频率分布与上一次迭代重构的频率分布相对误差小于ξ，则输出本次迭代的频谱分布为去除噪声的目标频谱f⁰，由图1和图2所示。

soft(z,λ)＝sign(z)max{0,|z|-λ}(3)

步骤三：采用盒维数法来提取目标稀疏去除噪声频谱的分形特征，为了便于盒维数的计算，将去除噪声的频谱f⁰的幅度划分成m＝256等级由盒维数法得到，幅度划分成256个等级的频谱f¹由公式(4)求得，其中分形特征d可以由公式(5)所示，其中l是盒子的边长，用边长为l的盒子覆盖空间以后，有些盒子里面是空的，n(l)是盒子不为空的数量，所以只要计算出不同边长对应盒子不为空的数量，并将logl和logn(l)拟合成一条直线，直线的斜率就是分形特征d。由图4所示车辆和单兵目标的频谱目标的分形特征，两种目标的分形特征有明显的差异。

步骤四：选取雷达接收到各50个单兵与车辆目标的频谱实测数据作为训练集，利用步骤一到步骤三得到各频谱的回波幅度a、径向多普勒速度v和分形特征d。50个目标的回波幅度、径向多普勒速度和分形特征的归一化三维特征可以由一个三维特征空间表示，由图5所示，其中·号代表车辆的特征，*号代表人体的特征，车辆的特征和人体的特征在特征空间有明显的差异性，将50个目标的三维特征作为训练数据，采用软间隔的支持向量机训练可以构造一个超平面作为分类器。再将另外50个单兵与车辆目标的频谱实测数据输入到分类器中得到判决目标类型结果如图6所示。通过多次验证得到人体和车辆目标分类正确的平均值在86％。

步骤五：利用两帧点迹信息提高识别概率，采用核密度方法估计前后两帧点迹之间的相关性qj，由公式(6)所示d为当前点迹的径向距离，dj为上一帧点迹的径向距离，v为当前点迹的速度，vj为上一帧点迹的速度，判据阈值为a，如果满足qj≥a对应的上一帧点迹的判决目标类型包括当前点迹的目标类型，则认为该判决结果为真，如果满足qj≥a对应的上一帧点迹的判决目标类型不包括当前点迹相同的目标类型，则认为该判决结果为假，选择max(qj)对应的目标类型为当前点迹的判决结果。其中a、参数的选取与两帧扫描的时间间隔有关，时间间隔越长越大，a越小，采用了该方法的单兵和车辆目标的分类结果如图7所示，结合该方法将部分速度较小的车辆目标正确的识别，提高了识别的可靠性。通过多次验证得到点迹信息相关的人体和车辆目标分类正确的平均值在91％。