CN102721952B - 基于超分辨多普勒谱的地面运动目标稳健分类方法 - Google Patents

Abstract

本发明公开了一种基于超分辨多普勒谱的地面运动目标稳健分类方法，主要解决现有同类方法在抑制杂波的同时会影响信号结构，短驻留时间条件下分辨率不高，无法抑制噪声导致的分类性能较差的问题。其实现过程是：计算慢时间回波信号多普勒谱，利用其估计信号中的噪声能量；利用目标临近距离单元估计杂波自相关矩阵；构建傅立叶基字典矩阵，通过求解l1范数优化问题得到目标的超分辨多普勒谱；对目标的超分辨多普勒谱提取特征；对提取的特征使用分类器进行分类。本发明提高了目标多普勒谱的分辨率，能在自适应抑制杂波的同时保留信号结构以及抑制信号中的噪声，在提高分类性能的同时获得噪声稳健性，可用于对具有机动部件的运动车辆目标进行分类。

Description

基于超分辨多普勒谱的地面运动目标稳健分类方法

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，由于轮式和履带式车辆在战场环境下的分工不同，对轮式和履带式车辆进行分类具有重要意义。通常情况下，运动车辆目标的雷达回波中含有大量地物杂波，由于多普勒效应，目标会在多普勒域中偏离零频率的位置出现。由此可以实现运动目标和静止地物杂波的分离。同时，目标的多普勒谱还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。

自微多普勒概念引入雷达后，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。车辆是典型的具有机动部件的目标，且由于车轮和履带具有不同的微运动形式，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。

在车辆目标运动时，目标的平动速度决定了其谱峰位置和谱宽。当平动速度较大时，目标谱峰离0频率较远，且谱宽较宽；当平动速度较小时，目标谱峰靠近0频率，且谱宽较窄。对于车辆目标分类，由于目标具有上述性质，杂波抑制处理不但要求能去除杂波成分，还要求对目标信号尽可能的保留。现有常用的雷达杂波抑制技术为动目标显示，即MTI滤波器。由于MTI滤波器的频率幅度响应是非线性的，因此当目标平动速度变化较大时使用MTI抑制杂波会对信号产生较大影响。其次，现有的地面运动目标分类方法通常只考虑了高信噪比条件下的分类情况，在地面运动目标分类的实际应用中，由于目标距雷达距离通常较远，导致回波信噪比较低。因而现有方法对于低信噪比条件下的分类性能较差。最后，现有的谱分析技术，例如傅立叶变换的分辨率在短驻留时间条件下通常较低。当目标平动速度较低时，目标谱峰接近0频率，大量微多普勒被压缩在0频率和谱峰位置之间。由于分辨率不足，导致现有技术难以将这些微多普勒信息准确表达。由于现有方法在上述杂波和噪声抑制以及低分辨率方面存在的问题，导致现有方法在低信噪比条件下对地面运动目标的分类性能较差。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于超分辨多普勒谱的地面运动目标稳健分类方法，以实现对目标回波信号中的杂波和噪声进行自适应抑制，同时对目标的多普勒谱进行超分辨处理，提高低信噪比条件下对地面运动目标的分类性能。

实现本发明目的的技术方案，包括如下步骤：

1）对地面运动目标的慢时间回波信号s={s₁,s₂,...,s_N}进行傅立叶变换，得到慢时间回波信号s的多普勒谱f={f₁,f₂,...,f_M}，其中s_n为慢时间回波信号s第n点的值，n=1,2,...,N，N为脉冲积累数，f_m为慢时间回波信号的多普勒谱f第m点的值，m=1,2,...,M，M为傅立叶变换点数；

2）在慢时间回波信号的多普勒谱f中搜索峰值位置p，利用峰值位置p确定地面运动目标在慢时间回波信号的多普勒谱f中所占的谱宽为：

利用谱宽之外的频点估计噪声能量ε；

3）从含有地面运动目标的距离单元的邻近距离单元中获取仅含杂波的回波信号，以得到杂波的自相关矩阵的估计值：

其中代表第β次仅含杂波的时域回波信号，L为用于估计杂波的自相关矩阵的信号数，H代表共轭转置运算：

4）利用杂波的自相关矩阵的估计值

对慢时间回波信号s中的杂波成分进行抑制，得到抑制杂波后的信号

5）构造傅立叶基字典：B={B₁,B₂,...,B_M}，其中

代表傅立叶基字典的第m列，式中，exp(·)表示指数函数，j代表虚数单位，n=0,1,...,N-1，m=1,2,...,M；

6）利用傅立叶基字典B对抑制杂波后的信号y进行重构，即在重构误差e=y-Ba的l₂范数小于噪声能量ε的条件下，求解得到具有最小l₁范数的超分辨多普勒谱a；

7）对超分辨多普勒谱a提取以下四种特征：

超分辨多普勒谱a的熵值： $D=-\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{q}_m{\ln q}_m;$

超分辨多普勒谱a的差分模值求和： $G=\underset{m=1}{\overset{M-1}{\mathrm{\Σ}}}|a_{m+1}-a_m|;$

超分辨多普勒谱a的l₁范数：Z=||a||₁；

超分辨多普勒谱a的l₂范数：V=||a||₂；

式中a_m为超分辨多普勒谱a第m点的值，m=1,2,...,M，||·||代表取模运算，||·||₁和||·||₂分别代表l₁和l₂范数；

8）将提取的四种特征作为分类器的输入，根据分类器的输出判定地面运动目标类别。

本发明相对于现有技术的优点

1 本发明具有自适应抑制杂波和较好的保留信号多普勒谱结构的优点。由于本发明利用杂波自相关矩阵的估计值对杂波成分进行抑制，相对于现有的MTI杂波抑制方法，本发明的杂波抑制过程是自适应的。同时相对于现有的MTI杂波抑制方法，本发明在抑制杂波的同时较好的保留了信号的多普勒谱结构。

2 本发明在低信噪比条件下具有较好的地面运动目标分类性能。相对于现有的未考虑噪声抑制的地面运动目标分类方法，本发明利用地面运动目标谱宽之外的噪声信息对信号中的噪声进行抑制，从而有利于改善低信噪比条件下地面运动目标的分类性能。

3 本发明能够更加准确的提取微多普勒信息。相对于现有的利用低分辨多普勒谱的地面运动目标分类方法，本发明从地面运动目标的超分辨多普勒谱中提取特征，从而能更加准确的提取微多普勒信息，有利于提高地面运动目标的分类性能。

附图说明

图1是本发明的流程图；

图2是现有方法得到的多普勒谱与用本发明得到的超分辨多普勒谱的对比；

图3是用本发明对杂波和噪声进行自适应抑制后的超分辨多普勒谱；

图4是现有方法与本发明识别率随信噪比的变化。

具体实施方式

以下结合附图1对本发明内容进行如下进一步说明：

参照图1，本发明的具体实现步骤如下：

实施例1

步骤1，将多普勒回波信号分为训练数据集和测试数据集

为实现地面运动目标分类，需要将雷达采集的多普勒回波信号分为训练数据集和测试数据集，其中训练数据集用于训练分类器，测试数据集用于分类。以下步骤2至步骤7对于训练数据集和测试数据集中的多普勒回波信号有相同的处理方式，因此步骤2至步骤7均以某一次多普勒回波信号s={s₁,s₂,...,s_N}为例，其中s_n为多普勒回波信号s第n点的值，n=1,2,...,N，N为脉冲积累数，其他的多普勒回波信号按相同方式处理。

步骤2，对某一次多普勒回波信号s按(1)式进行傅立叶变换：

$f_m=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{s}_n\exp (-j\frac{2\mathrm{\πm}}{m}(n-1)),m=\mathrm{1,2},...,M---\left(1\right)$

得到慢时间回波信号s的多普勒谱f={f₁,f₂,...,f_M}，其中f_m慢时间回波信号的多普勒谱f第m点的值，m=1,2,...,M，M为傅立叶变换点数，exp(·)表示指数函数。

步骤3，估计噪声能量

在慢时间回波信号s的多普勒谱f={f₁,f₂,...,f_M}中搜索最大值点所在的频点位置p，根据最大值点所在的频点位置p确定目标的谱宽为：

根据确定的目标谱宽，利用目标谱宽之外的频点处估计噪声能量 $\mathrm{\ϵ}=M\left(\underset{i=1}{\overset{2M-2p}{\mathrm{\Σ}}}{d}_i^2\right)/(2M-2p),$ 式中d_i为谱宽之外的第i个频点的幅度值。

步骤4，估计杂波的自相关矩阵，利用杂波的自相关矩阵的估计值抑制杂波

4.1）确定估计杂波自相关矩阵的信号应满足的条件

假设相近距离单元具有相似杂波环境，且杂波性质稳定，为了估计杂波信号的自相关矩阵，应尽可能从目标的相邻距离单元内获取仅含有杂波和噪声的样本信号β=1,2,...,L，其中，L为用于估计杂波信号的自相关矩阵的信号数，从而保证估计出的杂波自相关矩阵与目标所在距离单元内的杂波自相关矩阵性质接近；

4.2）估计杂波的自相关矩阵

当获取了仅含有杂波和噪声的样本信号

β=1,2,...,L后，按照(2)式估计杂波时域回波信号的自相关矩阵：

${\hat{R}}_c=\frac{1}{L}\underset{\mathrm{\β}=1}{\overset{L}{\mathrm{\Σ}}}{\hat{c}}_{\mathrm{\β}}{{\hat{c}}_{\mathrm{\β}}}^H---\left(2\right)$

式中，上标H代表共轭转置，L为用于估计杂波信号的自相关矩阵的信号数，为了保证估计精度，L应该至少保证为信号

长度的4倍，在系统资源允许的情况下，L越大越好。

4.3）杂波抑制

利用杂波的自相关矩阵的估计值

对慢时间回波信号s中的杂波成分进行抑制，得到抑制杂波后的信号

步骤5，构造傅立叶基字典

由傅立叶变换点数M，构造傅立叶基字典：B={B₁,B₂,...,B_M}，

其中，B_m为傅立叶基字典B的第m列，m=1,2,...,M，由(3)式计算：

$B_m=\exp \left(j\frac{2\mathrm{\πn}}{N}m\right),n=\mathrm{0,1},...,N-1---\left(3\right)$

式中，exp(·)表示指数函数，j代表虚数单位，N为脉冲积累数。

步骤6，计算自适应杂波和噪声抑制后的超分辨多普勒谱

利用傅立叶基字典B和估计得到的噪声能量ε对抑制杂波后的信号y进行重构，即在重构误差e=y-Ba的l₂范数小于噪声能量ε的条件下，利用凸优化算法求解得到具有最小l₁范数的超分辨多普勒谱a，具体按如下步骤进行：

6.1）设定min(a₁)为凸优化算法的目标函数，其中min(·)表示取最小值运算，||·||₁代表l₁范数；

6.2）设定||e||₂<ε为凸优化算法的约束条件，其中e为重构误差，ε为噪声能量，||·||₂代表l₂范数；

6.3）由设定的目标函数和约束条件通过凸优化算法，计算得到超分辨多普勒谱a。

步骤7，从自适应杂波和噪声抑制后的超分辨多普勒谱a中，提取用于分类的四种特征：

第一种特征是超分辨多普勒谱a的熵值D：

$D=-\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{q}_m{\ln q}_m---\left(4\right)$

式中

a_m为超分辨多普勒谱a第m点的值，m=1,2,...,M，ln(·)表示对数函数；

第二种特征是超分辨多普勒谱a的差分模值求和G：

$G=\underset{m=1}{\overset{M-1}{\mathrm{\&Sigma;}}}|a_{m+1}-a_m|---\left(5\right)$

式中|·|代表取模运算；

第三种特征是超分辨多普勒谱a的l₁范数Z：

Z=||a||₁    (6)

其中||·||₁代表l₁范数；

第四种特征是超分辨多普勒谱a的l₂范数V：

V=||a||₂    (7)

其中||·||₂代表l₂范数。

当四种特征提取完成后，将由训练数据集提取的四种特征组成训练特征向量集：{h₁,h₂,...,h_J}，其中J代表训练特征向量集中的样本数；由测试数据集提取的四种特征组成测试特征向量集：{u₁,u₂,...,u_X}，其中X代表测试特征向量集中的样本数。

步骤8，利用训练特征向量集训练分类器

利用训练特征向量集{h₁,h₂,...,h_J}进行分类器的训练，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，其对分类器的训练是：使用训练特征向量集{h₁,h₂,...,h_J}以及样本标号训练支持向量机分类器，得出作为支持向量的一组特征向量{g₁,g₂,...,g_Q}和相应的权系数{ω₁,ω₂,...,ω_Q}，其中，g_t为第t个由训练得到的支持向量，ω_t为相应的第t个权系数，t=1,2,...,Q，Q为训练得到的支持向量的个数。

步骤9，利用训练好的分类器和测试特征向量集对地面运动目标进行分类

对于测试特征向量集：{u₁,u₂,...,u_X}，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：

9.1）将测试特征向量集：{u₁,u₂,...,u_X}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：

$\mathrm{\&phi;}\left(u_r\right)=\underset{t=1}{\overset{Q}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_t\exp (-{\left|\right|u_r-g_t\left|\right|}^2/{2\mathrm{\&sigma;}}^2),---\left(8\right)$

式中，||·||为范数运算，exp(·)为指数函数，σ为参数，取值100，u_r为测试特征向量集中的第r个样本，r=1,2,...,X，g_t为第t个由训练过程得到的支持向量，ω_t为相应的第t个权系数，t=1,2,...,Q，Q为训练过程得到的支持向量的个数；

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

实施例2

步骤一，与实施例1中步骤1相同。

步骤二，与实施例1中步骤2相同。

步骤三，与实施例1中步骤3相同。

步骤四，与实施例1中步骤4相同。

步骤五，与实施例1中步骤5相同。

步骤六，计算自适应杂波和噪声抑制后的超分辨多普勒谱

利用傅立叶基字典B和估计得到的噪声能量ε对抑制杂波后的信号y进行重构，利用正交匹配追踪算法求解得到具有最小l₁范数的超分辨多普勒谱a，具体按如下步骤进行：

6a）设定傅立叶基字典B为正交匹配追踪算法的基函数；

6b）设定抑制杂波后的信号y为正交匹配追踪算法的逼近信号；

6c）设定迭代误差小于噪声能量ε为正交匹配追踪算法的终止条件；

6d）由输入的基函数、逼近信号和终止条件采用正交匹配追踪算法计算得到超分辨多普勒谱a。

步骤七，与实施例1中步骤7相同。

步骤八，与实施例1中步骤8相同。

步骤九，与实施例1中步骤9相同。

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：

利用实测条件下的车辆数据进行实验，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时间段录取的数据。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点的慢时间回波信号，进行傅立叶变换以及本发明的超分辨处理。得到的多普勒谱和超分辨多普勒谱，如图2所示。其中，图2a表示履带式车辆的多普勒谱，图2b表示履带式车辆未进行杂波和噪声抑制的超分辨多普勒谱。

2.2）对于第i次长度为64点的慢时间回波信号，利用估计出的杂波自相关矩阵对其进行自适应杂波抑制后，分别进行傅立叶变换以及本发明的超分辨处理。得到的多普勒谱和超分辨多普勒谱，如图3所示。其中，图3a表示履带式车辆自适应杂波抑制后的多普勒谱，图3b表示履带式车辆自适应杂波抑制但未进行噪声抑制的超分辨多普勒谱，图3c表示履带式车辆自适应杂波和噪声抑制后的超分辨多普勒谱。

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

2.4）以直接从目标的多普勒谱中提取特征在不同信噪比条件下进行分类的结果和本发明在不同信噪比条件下进行分类的结果比较如图4所示。

3.实验结果分析：

从图2中可以看出，对于窄带短驻留时间条件下的地面运动车辆分类问题，由传统的傅立叶变换得到的目标多普勒谱具有较低的分辨率，如图2a，许多微多普勒分量与多普勒主峰的旁瓣混叠，难以分辨。相对于传统的傅立叶变换，使用本发明得到的超分辨多普勒谱的分辨率大大提高，使得原来无法分辨的微多普勒频率成分可以被分辨，如图2b。因此，本发明中使用的超分辨方法比传统的傅立叶变换具有更高的频率分辨率，可以观测到更多的微多普勒信息。

从图3中可以看出，利用估计得到的杂波的自相关矩阵对杂波进行抑制，在得到较好的杂波抑制效果的同时能对信号成分得到较好的保留，如图3a所示。同时，将杂波的自相关矩阵信息加入本发明使用的超分辨方法中，如图3b所示，可以在较好的抑制杂波的同时实现履带式车辆多普勒谱的超分辨。相比图3b，将噪声的能量信息加入本发明使用的超分辨方法中，如图3c所示，可以看到履带式车辆超分辨多普勒谱中的噪声成分得到了较好的抑制。

从表1中可以看出，本发明的方法在较好的抑制了杂波的同时保留了车辆目标的信息，同时提高了车辆目标多普勒谱的分辨率，从超分辨多普勒谱中可以提取更多有利于分类的信息，相比传统方法取得了较好的分类效果。

从图4中可以看出，本发明的方法较好的抑制了雷达回波中包含的噪声。特别是在低信噪比条件下的性能远远超出基于多普勒谱的传统方法。

Claims (4)

1.一种基于超分辨多普勒谱的地面运动目标稳健分类方法，包括如下步骤：

1）对地面运动目标的慢时间回波信号s＝{s₁,s₂,...,s_N}进行傅立叶变换，得到慢时间回波信号s的多普勒谱f＝{f₁,f₂,...,f_M}，其中s_n为慢时间回波信号s第n点的值，n＝1,2,...,N，N为脉冲积累数，f_m为慢时间回波信号的多普勒谱f第m点的值，m＝1,2,...,M，M为傅立叶变换点数；

2）在慢时间回波信号的多普勒谱f中搜索峰值位置p，利用峰值位置p确定地面运动目标在慢时间回波信号的多普勒谱f中所占的谱宽为：

利用谱宽之外的频点估计噪声能量ε；

3）从含有地面运动目标的距离单元的邻近距离单元中获取仅含杂波的回波信号，以得到杂波的自相关矩阵的估计值：

其中

代表第β次仅含杂波的时域回波信号，L为用于估计杂波的自相关矩阵的信号数，H代表共轭转置运算；

4）利用杂波的自相关矩阵的估计值

对慢时间回波信号s中的杂波成分进行抑制，得到抑制杂波后的信号

5）构造傅立叶基字典：B＝{B₁,B₂,...,B_M}，其中

代表傅立叶基字典的第m列，式中，exp(·)表示指数函数，j代表虚数单位，n＝0,1,...N,-，1m＝1,2,...,M；

6）利用傅立叶基字典B对抑制杂波后的信号y进行重构，即在重构误差e＝y-Ba的l₂范数小于噪声能量ε的条件下，求解得到具有最小l₁范数的超分辨多普勒谱a;

7）对超分辨多普勒谱a提取以下四种特征：

超分辨多普勒谱a的熵值：

超分辨多普勒谱a的差分模值求和：

超分辨多普勒谱a的l₁范数：Z＝||a||₁；

超分辨多普勒谱a的l₂范数：V＝||a||₂；

式中a_m为超分辨多普勒谱a第m点的值，m＝1,2,...,M，|·|代表取模运算，||·||₁和||·||₂分别代表l₁和l₂范数；

8）将提取的四种特征作为分类器的输入，根据分类器的输出判定地面运动目标类别。

2.根据权利要求1所述基于超分辨多普勒谱的地面运动目标稳健分类方法，其中步骤2）所述的利用谱宽之外的频点估计噪声能量ε，是通过如下公式进行：

式中d_i为谱宽之外的第i个频点的幅度值，其中p为峰值位置，M为傅立叶变换点数。

3.根据权利要求1所述基于超分辨多普勒谱的地面运动目标稳健分类方法，其中步骤6）所述的求解具有最小l₁范数的超分辨多普勒谱a，按如下步骤进行：

3a)设定min(||a||₁)为凸优化算法的目标函数，其中min(·)表示取最小值运算；

3b)设定||e||₂＜ε为凸优化算法的约束条件，其中e为重构误差，ε为噪声能量；

3c)由设定的目标函数和约束条件通过凸优化算法，计算得到超分辨多普勒谱a。

4.根据权利要求1所述基于超分辨多普勒谱的地面运动目标稳健分类方法，其中步骤6）所述的求解具有最小l₁范数的超分辨多普勒谱a，按如下步骤进行：

4a)设定傅立叶基字典B为正交匹配追踪算法的基函数；

4b)设定抑制杂波后的信号y为正交匹配追踪算法的逼近信号；

4c)设定迭代误差小于噪声能量ε为正交匹配追踪算法的终止条件；

4d)由输入的基函数、逼近信号和终止条件采用正交匹配追踪算法计算得到超分辨多普勒谱a。

Images