CN102184382A - 基于经验模态分解的运动车辆目标分类方法 - Google Patents

Abstract

本发明公开了一种基于经验模态分解的运动车辆目标分类方法，主要解决现有同类方法对目标平动速度变化敏感，需要额外的杂波抑制，且不能利用目标特殊结构信息的问题。其实现过程是：对多普勒回波信号进行经验模态分解；通过舍弃余项完成杂波抑制；利用分解结果定义第一本征模函数多普勒谱和剩余本征模函数多普勒谱；根据定义的谱判断是否存在2倍平动微多普勒成分，初步判别履带式车辆；若未能判别，则对本征模函数以及定义的谱提取特征；对提取的特征使用分类器进行分类。本发明可消除目标平动速度变化对目标多普勒谱位置和谱宽度的影响，自动进行杂波抑制，利用履带特殊结构信息，可用于对具有机动部件的运动车辆目标进行分类。

Description

基于经验模态分解的运动车辆目标分类方法

技术领域

本发明属于雷达技术领域，涉及目标分类方法，可用于对具有机动部件的运动车辆目标进行分类。

背景技术

在雷达目标分类和识别领域中，运动车辆目标所处环境较空中目标复杂，其雷达回波中含有大量地物杂波，从目标的时域信号中难以得到有利于目标分类和识别的准确信息，由于地物大多是静止的，当目标运动起来以后，基于多普勒效应，在多普勒域中目标会在偏离零频率的位置出现，利用这样的特点，可以实现运动目标和静止地物杂波的分离。同时，目标的多普勒谱提供了目标自身的运动信息，利用这些信息可以实现对目标的分类和识别。

物体运动时，除了自身的平动，物体的某些部件通常还会有相对于物体的运动，这样的现象在自然界中普遍存在，如人行走时四肢的摆动，昆虫飞行时翅膀的振动，直升机飞行时螺旋桨的转动等，这种运动称为微运动。美国海军实验室的V.C.CHEN等人分析了这种运动，将微运动产生的雷达回波中的多普勒调制现象命名为微多普勒效应。微多普勒概念提出后，对不同微动形式产生的微多普勒现象的研究，深化了人们对机动部件多普勒谱调制现象的认识，使得从目标回波的多普勒信息中提取有利于分类和识别的特征有了新的途径。

经过对微多普勒现象的研究，使得在运动车辆目标分类领域，有可能取代传统的人工操作模式，实现雷达的自动目标分类。在雷达目标运动时，物体的平动速度在物体运动中往往占主要成分，在多普勒谱中体现为目标的平动多普勒成分较微动多普勒成分强，而目标分类和识别往往依赖于目标的微动信息，因此需要对平动成分进行抑制。同时，对于车辆目标，如履带车的上履带，其运动速度总是平动速度的2倍，多普勒谱中表现为上履带产生的多普勒频率成分总是出现在主峰成分相对于零频率的两倍处。由于存在这样的物理关系，当平动速度变化时，目标多普勒谱的变化不仅体现在主峰位置的平移，同时也体现在目标微动多普勒谱的展宽，这些由目标平动速度的改变所带来的目标多普勒谱的变化，对后续的分类和识别工作是不利的。

在地面运动目标分类领域，目前已有的目标分类方法通常将目标的多普勒谱作为特征，利用多普勒谱的波形熵等方法来描述目标多普勒谱的起伏特性，根据提取的目标多普勒谱的熵值进行分类。由于实际中，目标相对于雷达的运动不会是理想的匀速直线运动，如前文所述，目标平动速度发生变化时，目标的多普勒谱也会有相应改变；另外，在对地面运动目标进行分类时，有用的信息是目标机动部件产生的微多普勒成分，而由地面反射的杂波通常需要抑制，因此需要加入杂波抑制预处理过程。在不经过一定的预处理消除这些因素的影响就直接计算目标多普勒谱的熵值的情况下，即使是同一目标，熵值也会有较大的差异，这样得到的分类结果并不理想。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种基于经验模态分解的运动车辆目标分类方法，以消除目标平动速度变化对目标多普勒谱宽度的影响，自动进行杂波抑制以及利用履带车特有的结构信息进行运动车辆目标分类。

实现本发明目的的技术方案，包括如下步骤：

1)对目标的多普勒回波信号s＝{s₁，s₂，...，s_N}进行经验模态分解，得到一个余项r_L和L个本征模函数m_α，其中s_i为多普勒回波信号s第i点的值，i＝1，2，...，N，N为脉冲积累数，α＝1，2，...，L，L为本征模函数个数；

2)舍弃余项r_L完成杂波抑制功能；

3)定义第一本征模函数多普勒谱：M₁＝|fft[m₁]|和剩余本征模函数多普勒谱：

其中，m₁为第一本征模函数，fft[·]代表快速傅立叶变换，|·|代表取模运算；

4)根据定义的第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r判断多普勒回波信号s中是否存在2倍平动微多普勒成分，当第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r之间同时满足：|position[M₁]-2×position[M_r]|＜ε，energy[M₁]＜energy[M_r]和max[M₁]＜max[M_r]三个条件时，判定在多普勒回波信号s中检测到2倍平动微多普勒成分，且将目标判为履带式车辆，式中position[·]代表取峰值位置运算，ε为一个正数，用于位置误差控制，energy[·]代表取能量运算，max[·]代表取最大值运算；

5)对在多普勒回波信号s中未检测到2倍平动微多普勒成分，根据L个本征模函数m_α，α＝1，2，...，L，以及定义的第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r，提取如下六种特征：

第一本征模函数多普勒谱与剩余本征模函数多普勒谱的峰值比：feature1＝max[M_r]/max[M₁]；

第一本征模函数多普勒谱与剩余本征模函数多普勒谱的能量比：feature2＝energy[M_r]/energy[M₁]；

第一本征模函数多普勒谱熵值：feature3＝entropy[M₁]；

第一本征模函数多普勒谱最大频率分量与次大频率分量幅度比：feature4＝max[clean[M₁]]/max[clean_r[M₁]]；

第一本征模函数多普勒谱最大频率分量与次大频率分量能量比：feature5＝energy[clean[M₁]]/energy[clean_r[M₁]]；

占经验模态分解总能量95％以上的本征模函数个数：

式中entropy[·]代表熵运算，clean[·]与clean_r[·]分别代表使用CLEAN算法提取的幅度最大的单频信号以及剩余信号，arg(·)为取标号运算；

6)将提取的六种特征作为分类器的输入，根据分类器的输出判定车辆类别。

附图说明

图1是本发明的流程图；

图2是用本发明对进行多普勒回波信号经验模态分解得到的各分量的多普勒谱示意图；

图3是本发明对定义的第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r示意图。

具体实施方式

参照图1，本实施例的具体实现步骤如下：

步骤1，对输入的多普勒回波信号进行经验模态分解。

雷达接收到的多普勒回波信号为：s＝{s₁，s₂，...，s_N}，其中s_i为多普勒回波信号s第i点的值，i＝1，2，...，N，N为脉冲积累数，对多普勒回波信号s按如下步骤对其进行经验模态分解：

1a)定义临时信号x＝s；

1b)对临时信号x进行逐点搜索，记录下临时信号x的所有极值点；

1c)对于临时信号x的极小值点和极大值点进行插值，得到临时信号x的下包络e_min和上包络e_max；

1d)计算临时信号x的包络均值：

1e)从临时信号x中减去包络均值，得到新的信号s_new＝x-e_av，并更新临时信号x＝s_new；

重复步骤b)至e)，直到新的信号s_new成为本征模函数，得到第一个本征模函数m₁＝s_new和剩余信号r₁＝s-m₁，并对剩余信号r₁迭代进行经验模态分解，得到分解结果：

$s=\underset{\mathrm{\α}=1}{\overset{L}{\mathrm{\Σ}}}{m}_{\mathrm{\α}}+r_L---\left(1\right)$

式中，L为本征模函数个数，m_α为第α个本征模函数，r_L为经验模态分解后得到的剩余项。

步骤2，杂波抑制。

多普勒回波信号s经过经验模态分解后的结果

中，杂波成分包含在余项r_L中，将余项r_L直接舍弃即可完成杂波抑制功能。

步骤3，定义第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r。

由于经验模态分解的自适应特性，第一本征模函数可以检测履带式车辆的2倍平动微多普勒成分，定义第一本征模函数多普勒谱M₁和剩余本征模函数多普勒M_r谱如下：

M₁＝|fft[m₁]|        (2)

$M_r=\left|\mathrm{fft}\right|\underset{\mathrm{\α}=2}{\overset{L}{\mathrm{\Σ}}}{m}_{\mathrm{\α}}\left]\right|---\left(3\right)$

其中，m₁为第一本征模函数，fft[·]代表快速傅立叶变换，|·|代表取模运算。

步骤4，检测2倍平动微多普勒成分，对履带式车辆进行初步判断。

履带车的上履带，其运动速度总是平动速度的2倍，多普勒谱中表现为上履带产生的多普勒频率成分总是出现在主峰成分相对于零频率的两倍处，这是由履带的特殊结构所决定的，可以作为判定履带式车辆的一个重要依据。根据第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r的关系，给出检测2倍平动微多普勒成分的如下三个条件：

(1)|position[M₁]-2×position[M_r]|＜ε，式中，position[·]代表取峰值位置运算，ε为一个正数，用于位置误差控制；

(2)energy[M₁]＜energy[M_r]，其中energy[·]代表取能量运算；

(3)max[M₁]＜max[M_r]，其中max[·]代表取最大值运算；

当且仅当以上三个条件全部满足时，判定在多普勒回波信号s中检测到2倍平动微多普勒成分，且将目标判为履带式车辆，若没有检测到2倍平动微多普勒成分，则继续进行特征提取。

步骤5，特征提取。

当在多普勒回波信号s中没有检测到2倍平动微多普勒成分时，则需要对L个本征模函数m_α，α＝1，2，...，L，以及第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r提取六种用于分类的特征：

第一种是第一本征模函数多普勒谱与剩余本征模函数多普勒谱的峰值比：

feature1＝max[M_r]/max[M₁]    (4)

第二种是第一本征模函数多普勒谱与剩余本征模函数多普勒谱的能量比：

feature2＝energy[M_r]/energy[M₁]    (5)

第三种是第一本征模函数多普勒谱熵值：

feature3＝entropy[M₁]    (6)

其中entropy[·]代表熵运算。

第四种是第一本征模函数多普勒谱最大频率分量与次大频率分量幅度比：

feature4＝max[clean[M₁]]/max[clean_r[M₁]]    (7)

其中clean[·]与clean_r[·]分别代表使用CLEAN算法提取的一个单频信号以及剩余信号。

第五种是第一本征模函数多普勒谱最大频率分量与次大频率分量能量比：

feature5＝energy[clean[M₁]]/energy[clean_r[M₁]]    (8)

第六种是占经验模态分解总能量95％以上的本征模函数个数：

$\mathrm{feature}6=\underset{\mathrm{\η}}{\arg }\left(\underset{\mathrm{\α}=1}{\overset{\mathrm{\η}}{\mathrm{\Σ}}}\mathrm{energy}\right[m_{\mathrm{\α}}]/\underset{\mathrm{\α}=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{energy}[m_{\mathrm{\α}}]\≥95\%)---\left(9\right)$

其中arg(·)为取标号运算。

步骤6，对训练样本集提取六种特征，并利用六种特征训练分类器。

对训练样本进行特征提取后，得到用于训练的六种特征。将用于训练的六种特征组成一个特征向量：f＝{feature1，feature2，feature3，feature4，feature5，feature6}。选取分类器进行分类器的训练过程，其中，分类器包括：线性判决分析、支持向量机、相关向量机和k近邻分类器，本步骤以支持向量机分类器为例，描述分类器的训练过程步骤如下：使用从训练样本集中提取的六种特征以及样本标号训练支持向量机分类器，得到支持向量机训练得出的作为支持向量的一组特征向量{f₁，f₂，...，f_Q}和相应的权系数{ω₁，ω₂，...，ω_Q}，其中，f_j为第j个由训练得到的作为支持向量的特征，ω_j为相应的第j个权系数，j＝1，2，...，Q，Q为训练得到的支持向量的个数。

步骤7，对测试样本集提取六种特征，并利用训练好的分类器对用于测试的六种特征进行分类。

对于测试样本，利用已经训练好的支持向量机分类器按如下步骤对其进行分类：

7a)对于测试样本进行特征提取，得到用于测试的由所述六种特征构成的特征向量u＝{feature1，feature2，feature3，feature4，feature5，feature6}；

7b)将从测试样本中提取的特征向量u输入到训练好的支持向量机分类器中，按下式得到支持向量机分类器输出：

$y\left(u\right)=\underset{j=1}{\overset{Q}{\mathrm{\Σ}}}{\mathrm{\ω}}_j\exp (-{\left|\right|u-f_j\left|\right|}^2/2{\mathrm{\σ}}^2)---\left(10\right)$

式中，||·||为范数运算，σ为参数，取值33，f_j为第j个由训练过程得到的作为支持向量的特征，ω_j为相应的第j个权系数，j＝1，2，...，Q，Q为训练过程得到的支持向量的个数；

7c)根据支持向量机分类器的输出y(u)确定类别标号，得到车辆目标的分类结果。

上述实例是对提取的特征使用了支持向量机分类器进行目标分类，在实际中，分类器还可以根据实际情况选取如相关向量机，线性判决分析，k近邻分类器等其他分类算法，分类过程与支持向量机类似。

本发明的效果通过以下对实测数据的实验进一步说明：

1.实验场景：

实测数据包含三种车辆目标，分别为卡车，坦克和装甲车。其中，卡车为轮式车辆，坦克和装甲车为履带式车辆。训练样本和测试样本分别选自不同批次录取的数据。车辆的运动包括逼近雷达、远离雷达、掉头转弯和原地转圈等姿态。一个相关处理间隔中的脉冲积累数为64。

2.实验内容：

2.1)对于第i次长度为64点的多普勒回波信号，进行经验模态分解。分解出的各分量的多普勒谱，如图2所示。其中，图2a表示未观测到2倍平动微多普勒成分的履带式车辆的结果，图2b表示观测到2倍平动微多普勒成分的履带式车辆的结果，图2c表示轮式车辆结果。

2.2)对经验模态分解出的各分量，求出第一本征模函数多普勒谱与剩余本征模函数多普勒谱，如图3所示。其中，图3a表示未观测到2倍平动微多普勒成分的履带式车辆的结果，图3b表示观测到2倍平动微多普勒成分的履带式车辆的结果，图3c表示轮式车辆结果。

2.3)以直接从目标的多普勒谱中提取特征进行分类的结果和本发明的分类结果比较如表1所示。

表1常规分类方法结果和本发明的分类结果比较

3.实验结果分析：

从图2中可以看出，对于多普勒回波信号的经验模态分解各分量的多普勒谱，0频率附近的多普勒成分包含在余项中，对于履带式车辆，当2倍平动微多普勒成分不存在时，如图2a，则第一个本征模函数包含平动成分，其他本征模函数包含微动成分；当2倍平动微多普勒成分存在时，如图2b，则第一个本征模函数包含2倍平动微多普勒成分，第二个本征模函数包含平动成分，其他本征模函数包含微动成分；对于轮式车辆，如图2c，则第一个本征模函数包含平动成分，其他本征模函数能量很小。因此，本发明中使用的经验模态分解可以自适应的将多普勒回波信号中各种不同的频率成分分解出来，这使得平动速度的改变导致多普勒谱主峰的移动和多普勒谱宽度的变化对分类的影响不再显著。同时，杂波抑制也可以根据经验模态分解的这种自适应分解特性自动完成，而不需要额外的预处理过程。

从图3中可以看出，对于履带式车辆，当2倍平动微多普勒成分不存在时，如图3a，则第一本征模函数多普勒谱M₁包含平动成分，剩余本征模函数多普勒谱M_r包含微动成分；当2倍平动微多普勒成分存在时，如图3b，则第一本征模函数多普勒谱M₁包含2倍平动微多普勒成分，剩余本征模函数多普勒谱M_r包含平动成分；对于轮式车辆，如图3c，则第一本征模函数多普勒谱M₁包含平动成分，剩余本征模函数多普勒谱M_r能量很小。因此本发明定义的第一本征模函数多普勒谱M₁与剩余本征模函数多普勒谱M_r能够较好的描述出轮式车辆和履带式车辆之间的差异性。

从表1中可以看出，本发明的方法消除了运动车辆目标在不同速度行进时带来的多普勒谱峰值位置和谱宽的变化而对分类结果产生的影响，具有自动杂波抑制功能，并利用了履带车特有的2倍平动微多普勒成分特征，取得了较好的分类效果。

Claims (3)

1.一种基于经验模态分解的运动车辆目标分类方法，包括如下步骤：

1)对目标的多普勒回波信号s＝{s₁，s₂，...，s_N}进行经验模态分解，得到一个余项r_L和L个本征模函数m_α，其中s_i为多普勒回波信号s第i点的值，i＝1，2，...，N，N为脉冲积累数，α＝1，2，...，L，L为本征模函数个数；

2)舍弃余项r_L完成杂波抑制功能；

3)定义第一本征模函数多普勒谱：M₁＝|fft[m₁]|和剩余本征模函数多普勒谱：

其中，m₁为第一本征模函数，fft[·]代表快速傅立叶变换，|·|代表取模运算；

4)根据定义的第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r判断多普勒回波信号s中是否存在2倍平动微多普勒成分，当第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r之间同时满足：|position[M₁]-2×position[M_r]|＜ε，energy[M₁]＜energy[M_r]和max[M₁]＜max[M_r]三个条件时，判定在多普勒回波信号s中检测到2倍平动微多普勒成分，且将目标判为履带式车辆，式中position[·]代表取峰值位置运算，ε为一个正数，用于位置误差控制，energy[·]代表取能量运算，max[·]代表取最大值运算；

5)对在多普勒回波信号s中未检测到2倍平动微多普勒成分，根据L个本征模函数m_α，α＝1，2，...，L，以及定义的第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r，提取如下六种特征：

第一本征模函数多普勒谱与剩余本征模函数多普勒谱的峰值比：

feature1＝max[M_r]/max[M₁]；

第一本征模函数多普勒谱与剩余本征模函数多普勒谱的能量比：feature2＝energy[M_r]/energy[M₁]；

第一本征模函数多普勒谱熵值：feature3＝entropy[M₁]；

第一本征模函数多普勒谱最大频率分量与次大频率分量幅度比：feature4＝max[clean[M₁]]/max[clean_r[M₁]]；

第一本征模函数多普勒谱最大频率分量与次大频率分量能量比：feature5＝energy[clean[M₁]]/energy[clean_r[M₁]]；

占经验模态分解总能量95％以上的本征模函数个数：

式中entropy[·]代表熵运算，clean[·]与clean_r[·]分别代表使用CLEAN算法提取的幅度最大的单频信号以及剩余信号，arg(·)为取标号运算；

6)将提取的六种特征作为分类器的输入，根据分类器的输出判定车辆类别。

2.根据权利要求1所述的运动车辆目标分类方法，其中步骤1)所述的对目标的多普勒回波信号s＝{s₁，s₂，...，s_N}进行经验模态分解，具体步骤如下：

1a)定义临时信号x＝s；

1b)对临时信号x进行逐点搜索，记录下临时信号x的所有极值点；

1c)对于临时信号x的极小值点和极大值点进行插值，得到临时信号x的下包络e_min和上包络e_max；

1d)计算临时信号x的包络均值：

1e)从临时信号x中减去包络均值，得到新的信号s_new＝x-e_av，并更新临时信号x＝s_new；

重复步骤2b)至2e)，直到新的信号s_new成为本征模函数，得到第一个本征模函数m₁＝s_new和剩余信号r₁＝s-m₁，并对剩余信号r₁迭代进行经验模态分解，得到余项r_L和L个本征模函数m_α，α＝1，2，...，L。

3.根据权利要求1所述的运动车辆目标分类方法，其中步骤6)所述的根据分类器的输出判定车辆类别，按如下步骤：

6a)使用从训练样本集中提取的六种特征训练分类器，该分类器包括：线性判决分析，支持向量机，相关向量机和k近邻分类器；

6b)将从测试样本提取的六种特征输入到训练好的分类器中，得到分类器输出；

6c)根据分类器输出的类别标号，得到车辆目标的分类结果。

Images