CN103091679B - 水下运动目标识别方法 - Google Patents
水下运动目标识别方法 Download PDFInfo
- Publication number
- CN103091679B CN103091679B CN201310043595.4A CN201310043595A CN103091679B CN 103091679 B CN103091679 B CN 103091679B CN 201310043595 A CN201310043595 A CN 201310043595A CN 103091679 B CN103091679 B CN 103091679B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- frame
- spectrum
- micro
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000002592 echocardiography Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 210000003746 feather Anatomy 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 241000251468 Actinopterygii Species 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 241000269350 Anura Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000020030 perry Nutrition 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请涉及一种水下运动目标识别方法。所述方法包括:对主动声纳接收的目标信号进行预处理;对进行所述预处理后的目标信号进行SM时频处理,提取出微多普勒谱;根据所述微多普勒谱提取帧内微多普勒特征以及帧间微多普勒特征;基于所述帧内微多普勒特征以及帧间微多普勒特征,对水下目标进行分类。本申请通过对主动式高频声纳的水下运动小目标回波波形,提取微多普勒分布特征,所述SM算法可以产生WD相同的自相关项,但是没有互干扰项,解决了LFM信号模糊度函数制约下微多普勒变化量无法获取的问题,实现了仅利用高频主动声纳单波束回波波形的水下运动小目标分类,利用帧间微多普勒特性具有统计稳定性,能够减小随机信道带来的影响,提高了识别稳定性。
Description
技术领域
本申请涉及水声信号处理领域,具体来说,涉及一种水下运动目标识别方法。
背景技术
冷战结束后,水下潜水技术日趋成熟。由于水下蛙人的水下隐蔽性好,机动灵活的新兴蛙人恐怖袭击攻击方式颇受恐怖主义分子的青睐。国内外都开始重视针对水下蛙人等运动小目标的水下安保系统建设与应用,以弥补以往声纳设备仅能针对大型舰艇、船只进行探测的不足。蛙人与海洋生物等水下运动小目标的探测与识别技术尤其被重视,欧美等国都投入大量的力量研究这类新兴目标探测的专用识别技术。
近些年来国内外相关研究机构开展了一系列关于水下蛙人等水下运动小目标的识别技术,大多是基于亮点特征和功率谱特征。例如,文献“Perry,S.W.and G.Ling.Detection of small man-made objects in sector scan imageryusingneural networks.in OCEANS,2001.MTS/IEEE Conference and Exhibition.2001.”提出了采用静态特征对扇形扫描声纳的水下目标进行分类;文献“
Lane,D.M.and J.P.Stoner,Automatic interpretation of sonar imagery usingqualitative feature matching.1994.19(3):p.391-405.”提出了利用跟踪后的图像瞬态特征进行水下运动目标分类;文献“Jae-Byung Jung,Gerald F.Denny,Broadband Active Sonar Swimmer Detection and Identification.International Joint Conference on Neural Networks.2006.p.2600-2605.”讨论采用超宽带声纳(60kHz~120kHz)利用功率谱特征来实现了水下蛙人,瓶子以及鱼群之间的分类。
现有技术中的水下小目标识别技术存在以下缺陷:LFM信号模糊度函数制约下微多普勒变化量无法获取;需要依靠高频主动声纳多波束回波波形进行水下运动小目标分类;没有利用帧间微多普勒特性,识别稳定性不好。
发明内容
针对现有技术中的缺陷,本申请的目的是,提供一种水下运动目标识别方法,该方法包括以下步骤:对主动声纳接收的目标信号进行预处理;对进行所述预处理后的目标信号进行SM时频处理,提取出微多普勒谱;根据所述微多普勒谱提取帧内微多普勒特征以及帧间微多普勒特征;基于所述帧内微多普勒特征以及帧间微多普勒特征,对水下运动目标进行分类。
优选地,所述预处理包括检波、降采样。
优选地,所述帧内微多普勒特征以及帧间微多普勒特征包括峰值、均值及方差。
本申请通过对主动式高频声纳的水下运动小目标回波波形,提取微多普勒分布特征,所述SM算法可以产生WD相同的自相关项,但是没有互干扰项,解决了LFM信号模糊度函数制约下微多普勒变化量无法获取的问题,实现了仅利用高频主动声纳单波束回波波形的水下运动小目标分类,利用帧间微多普勒特性具有统计稳定性,能够减小随机信道带来的影响,提高了识别稳定性。
附图说明
图1是本发明实施例的信号处理过程示意图;
图2为本发明实施例的水下典型目标微多普勒谱的分布示意图;
图3为本发明实施例的帧内微多普勒特征提取结果示意图;
图4是本发明实施例的帧间微多普勒特征提取结果示意图。
具体实施方式
鉴于现有水下运动小目标识别技术存在的问题,考虑采用微多普勒技术。
下面通过结合附图,通过具体实施例,对本发明的技术方案做进一步的详细描述,以便本领域人员更好地了解本发明的原理和具体实施细节。
总体信号处理流程
本发明针对主动式蛙人探测声纳的目标识别问题,提出了一种利用微多普勒分布特征的水下运动小目标识别技术。本发明的目的是通过对主动式高频声纳的水下运动小目标回波波形,提取微多普勒分布特征,用来进行水下运动小目标识别。为了实现这个目的,本发明首先对主动声纳接收的目标信号进行预处理,包括检波、降采样等;然后,采用SM算法解算主动声纳回波的微多普勒信息,提取帧内、帧间微多普勒分布特征,最后用分类器进行目标识别,其信号处理框图如图1所示。
SM算法提取微多普勒信息
本专利所述的识别方法,是以主动式多波束声纳的回波数据为基础,提取目标的微多普勒信息。
1)计算短时傅立叶变换(STFT)
短时傅立叶变换是时频变换中最常用算法之一,其思想是引入一个窗函数w(t)截断分析信号x(t),然后计算截断信号的瞬时频率。通过滑动窗函数来得到短时傅立叶谱。其数学表示如下式所示:
其中,x(t)是待分析信号,w(t)是窗函数,τ是时延差。
离散表示如下:
2)SM方法
魏格纳分布(WD)常用来分析单成分的LFM信号时频分布,然而当接收信号包含有众多回波分量时,WD由于会产生交叉项干扰,而无法获取时频参数。为了改善交叉项影响,可以采用核函数加权WD,本质上说是一种两维平滑WD。然而,这种处理不但平滑了交叉项,也平滑了WD的自相关项。并且计算复杂度也非常高,需要对待处理解析信号进行过采样。因此,本专利提出了一种简单的计算方法,可以产生WD相同的自相关项,但是没有互干扰项,被称为SM方法。
SM方法的离散表达式如下:
其中,P(i)是窗函数有
微多普勒特征提取
1)帧内特征提取:
每帧计算得到的微多普勒谱SM谱,取模提取最大峰位置及幅度
得到当频率为f=fsm,得到SM谱幅度为Psm。
2)帧间特征提取:
由于海洋环境变化,水声信道具有瞬态特性,因此利用帧间微多普勒特性具有统计稳定性,能够减小随机信道带来的影响,提高识别稳定性。
利用多帧目标回波提取每帧SM谱的最大幅度值序列{Psm(NF)}以及峰值所在频点序列{fsm(NF)},其中NF为帧号。
A.计算SM谱最大幅度统计特性
对提取到的最大幅度值序列{Psm(NF)}求帧间均值,如下所示
其中,n是帧数窗长的一半,Psm(j)是第j帧SM谱提取得到的最大幅值。
则SM谱最大幅度标准差:
B.计算SM谱峰值频点位置统计特性
对提取到的峰值频点序列{fsm(NF)}求帧间均值,如下所示
其中,n是帧数窗长的一半,fsm(j)是第j帧SM谱提取得到的峰值频点。
则SM谱峰值频点标准差:
峰值频点的方差反映离散程度,可以作为分类依据。SM谱最大值幅度(即归一化相关系数)反映了短时谱相关性,其均值反映了归一化短时谱的相关程度,方差反映了稳定程度,均可以作为分类依据。
实现本发明的最佳实施例
下面进一步详细描述本发明最佳实施方案。
实例:主动式蛙人探测声纳采用中心频率70kHz,带宽8kHz,脉冲长度为6ms的线性调频信号LFM信号,对水下蛙人目标和鱼群目标进行探测。
首先,主动式蛙人声纳接收到目标的回波数据进行预处理包括带通滤波、降采样等,然后,采用SM方法分别对水下蛙人和鱼群进行处理,得到每帧回波数据的SM时频分布如图(2)所示。其中(a)为水下闭式呼吸器蛙人微多普勒谱;(b)为水下鱼群微多普勒谱。
再次,在SM谱计算结果的基础上,按照公式(5)计算回波数据的帧内微多普勒特征,图3展示了针对水下蛙人、鱼群目标的帧内微多普勒特征分析结果,其中(a)为峰值频点位置示意图;(b)为SM谱最大幅值(即归一化相关系数)示意图。
最后,在回波数据SM谱的帧内微多普勒特征计算结果的基础上,计算水下蛙人和水下鱼群目标的帧间微多普勒特征,以10帧提取为例,提取结果如图4所示。从图4中可以看出,水下蛙人和水下鱼群目标的帧间微多普勒与帧内微多普勒相比具有更好的目标区分能力,可以作为识别特征用于水下蛙人小目标的主动识别和分类。
综上,本发明具有如下主要优点:
采用SM算法能够解算水下运动目标的微多普勒信息,解决了线性频率调制LFM信号模糊度函数制约下微多普勒变化量无法获取的问题。
通过提取微多普勒特征,不需要利用多波束数据,实现了仅利用高频主动声纳单波束回波波形的水下运动小目标分类;
利用帧间微多普勒特性具有统计稳定性,能够减小随机信道带来的影响,提高了识别稳定性。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施方式而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (2)
1.一种水下运动目标识别方法,其特征在于,所述方法包括:
对主动声纳接收的目标信号进行预处理;
对进行所述预处理后的目标信号进行SM时频处理,提取出微多普勒谱;
根据所述微多普勒谱提取帧内微多普勒特征以及帧间微多普勒特征;
基于所述帧内微多普勒特征以及帧间微多普勒特征,对水下运动目标进行分类;
所述SM时频处理,提取出微多普勒谱具体包括以下步骤:
计算短时傅立叶变换(STFT):引入一个窗函数w(t)截断分析信号x(t),然后计算截断信号的瞬时频率,通过滑动窗函数来得到短时傅立叶谱,其数学表示为:其中,x(t)是待分析信号,w(t)是窗函数,τ是时延差;离散表示为:
所述根据所述微多普勒谱提取帧内微多普勒特征以及帧间微多普勒特征具体包括以下步骤:
帧间特征提取:利用多帧目标回波提取每帧SM谱的最大幅度值序列{Psm(NF)}以及峰值所在频点序列{fsm(NF)},其中NF为帧号;对提取到的最大幅度值序列{Psm(NF)}求帧间均值,如下所示其中,n是帧数窗长的一半,Psm(j)是第j帧SM谱提取得到的最大幅值,则SM谱最大幅度标准差为: 其中,是SM谱最大幅值的帧间平均;对提取到的峰值频点序列{fsm(NF)}求帧间均值,如下所示其中,n是帧数窗长的一半,fsm(j)是第j帧SM谱提取得到的峰值频点,则SM谱峰值频点标准差为:
2.根据权利要求1所述的方法,其特征在于:所述预处理包括检波、降采样。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310043595.4A CN103091679B (zh) | 2013-02-04 | 2013-02-04 | 水下运动目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310043595.4A CN103091679B (zh) | 2013-02-04 | 2013-02-04 | 水下运动目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103091679A CN103091679A (zh) | 2013-05-08 |
CN103091679B true CN103091679B (zh) | 2014-05-28 |
Family
ID=48204481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310043595.4A Active CN103091679B (zh) | 2013-02-04 | 2013-02-04 | 水下运动目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103091679B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245937A (zh) * | 2013-05-27 | 2013-08-14 | 四川大学 | 基于微多普勒效应的微动目标特征提取方法 |
CN103577808A (zh) * | 2013-11-11 | 2014-02-12 | 哈尔滨工程大学 | 一种蛙人识别方法 |
CN104200014B (zh) * | 2014-08-19 | 2017-07-11 | 哈尔滨工程大学 | 一种蛙人仿真信号生成方法 |
CN104237865A (zh) * | 2014-10-07 | 2014-12-24 | 电子科技大学 | 一种基于太赫兹雷达回波的人体目标微动信号时频分析方法 |
CN104777474A (zh) * | 2015-04-29 | 2015-07-15 | 中国科学院声学研究所 | 一种用于水下目标识别的回波相位特征提取方法 |
WO2017044501A1 (en) * | 2015-09-07 | 2017-03-16 | Cohere Technologies | Multiple access using orthogonal time frequency space modulation |
CN105241459B (zh) * | 2015-10-19 | 2018-01-16 | 东南大学 | 一种用于室内水下目标定位的时延估计方法及装置 |
CN107305248A (zh) * | 2016-04-18 | 2017-10-31 | 中国科学院声学研究所 | 一种基于隐马尔科夫模型的超宽频带目标识别方法及装置 |
CN107368841A (zh) * | 2016-05-11 | 2017-11-21 | 中国科学院声学研究所 | 一种基于hht和人工神经网络的水下机动小目标识别方法 |
CN107193009A (zh) * | 2017-05-23 | 2017-09-22 | 西北工业大学 | 一种模糊自适应多交互模型的多uuv协同系统水下目标跟踪算法 |
CN107192995B (zh) * | 2017-05-23 | 2020-11-06 | 西北工业大学 | 一种多层次信息融合的纯方位水下目标跟踪算法 |
CN107886050A (zh) * | 2017-10-16 | 2018-04-06 | 电子科技大学 | 利用时频特征与随机森林的水下目标识别方法 |
CN108255780B (zh) * | 2017-12-20 | 2021-11-16 | 中国人民解放军海军大连舰艇学院 | 一种基于优化目标的舰队防空资源控制参量的求解计算方法 |
CN109959934B (zh) * | 2017-12-26 | 2023-02-17 | 中国船舶重工集团公司七五〇试验场 | 一种多波束高分辨探测水下沉埋目标的方法 |
CN110488301B (zh) * | 2019-07-17 | 2023-01-06 | 中国人民解放军91388部队 | 一种多源信息融合的声纳综合目标识别方法 |
CN111830480B (zh) * | 2020-07-09 | 2023-03-07 | 中国人民解放军海军航空大学 | 一种雷达海杂波短时谱特征参数估计方法及系统 |
CN112528775A (zh) * | 2020-11-28 | 2021-03-19 | 西北工业大学 | 一种水下目标的分类方法 |
CN112836674B (zh) * | 2021-02-28 | 2024-03-26 | 西北工业大学 | 基于微多普勒特征的水下目标识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101369021A (zh) * | 2008-10-09 | 2009-02-18 | 中国人民解放军海军工程大学 | 水下运动目标的二维散射特性测量方法 |
CN102156282A (zh) * | 2011-03-25 | 2011-08-17 | 电子科技大学 | 一种基于微多普勒效应的雷达目标检测方法 |
-
2013
- 2013-02-04 CN CN201310043595.4A patent/CN103091679B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101369021A (zh) * | 2008-10-09 | 2009-02-18 | 中国人民解放军海军工程大学 | 水下运动目标的二维散射特性测量方法 |
CN102156282A (zh) * | 2011-03-25 | 2011-08-17 | 电子科技大学 | 一种基于微多普勒效应的雷达目标检测方法 |
Non-Patent Citations (6)
Title |
---|
Joint time-frequency analysis for radar signal and imaging;Victor C. Chen;《Geoscience and Remote Sensing Symposium, 2007. IGARSS 2007. IEEE International》;20070728;5166-5169 * |
Victor C. Chen.Joint time-frequency analysis for radar signal and imaging.《Geoscience and Remote Sensing Symposium, 2007. IGARSS 2007. IEEE International》.2007,5166-5169. |
基于时频加窗短时傅里叶变换的LFM干扰抑制;张玉恒等;《电子与信息学报》;20070630;第29卷(第6期);1361-1364 * |
张玉恒等.基于时频加窗短时傅里叶变换的LFM干扰抑制.《电子与信息学报》.2007,第29卷(第6期),1361-1364. |
微多普勒特征提取中的时频分布选择;程旭等;《应用科学学报》;20110731;第29卷(第4期);397-404 * |
程旭等.微多普勒特征提取中的时频分布选择.《应用科学学报》.2011,第29卷(第4期),397-404. |
Also Published As
Publication number | Publication date |
---|---|
CN103091679A (zh) | 2013-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103091679B (zh) | 水下运动目标识别方法 | |
CN101470194B (zh) | 一种水雷目标的识别方法 | |
CN107132512B (zh) | 基于多通道hht的uwb雷达人体运动微多普勒特征提取方法 | |
US7821870B2 (en) | Method and system for identifying moving objects using acoustic signals | |
Eryildirim et al. | Pulse Doppler radar target recognition using a two-stage SVM procedure | |
CN106066468B (zh) | 一种基于声压、振速互谱法的矢量阵左右舷分辨方法 | |
CN101587186B (zh) | 一种雷达脉内调制信号的特征提取方法 | |
Wang et al. | ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network. | |
CN103116740B (zh) | 一种水下目标识别方法及其装置 | |
Bilik et al. | Minimum divergence approaches for robust classification of ground moving targets | |
Shuangcai et al. | An algorithm of radar deception jamming suppression based on blind signal separation | |
CN108919241B (zh) | 一种基于恒虚警检测的水下信号时频端点参数估计方法 | |
Karabayır et al. | Synthetic-Range-Profile-Based training library construction for ship target recognition purposes of scanning radar systems | |
Tao et al. | Detection and recognition of LPI radar signals using visibility graphs | |
Chen et al. | Adaptive detection in compound-Gaussian clutter with inverse Gaussian texture | |
KR101813357B1 (ko) | 수중 고정표적과 클러터 식별을 위한 가변 데이터 맵 및 가변 통계적 특징정보를 적용하는 클러터 제거 방법 및 장치 | |
Rosenberg et al. | Sparse signal separation methods for target detection in sea-clutter | |
Murphy et al. | Classifying continuous active sonar echoes for target recognition | |
Duan et al. | Interference countermeasure system based on time–frequency domain characteristics | |
CN106382978A (zh) | 一种对时变舰船激励所产生水声信号自动目标检测方法 | |
Lopez-Risueno et al. | Target detection in sea clutter using convolutional neural networks | |
Zhou et al. | Underwater detection of small-volume weak target echo in harbor scene under multisource interference | |
Zhao et al. | passive acoustic detection of diver based on SVM | |
CN110929694A (zh) | 一种用于分类识别的线谱增强及特征提取方法 | |
Pedro et al. | Machine Learning for Ship Detection with Radar |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |