CN103439696A - 低信噪比条件下的地面运动目标稳健识别方法 - Google Patents
低信噪比条件下的地面运动目标稳健识别方法 Download PDFInfo
- Publication number
- CN103439696A CN103439696A CN2013102771038A CN201310277103A CN103439696A CN 103439696 A CN103439696 A CN 103439696A CN 2013102771038 A CN2013102771038 A CN 2013102771038A CN 201310277103 A CN201310277103 A CN 201310277103A CN 103439696 A CN103439696 A CN 103439696A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- characteristic spectrum
- lambda
- noise
- slow time
- 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.)
- Granted
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种低信噪比条件下的地面运动目标稳健识别方法。主要解决现有识别方法在低信噪比条件下识别性能差的问题。其实现过程是:将录取的高信噪比慢时间信号能量归一;估计自相关阵并对其特征值分解,将特征值按非递增顺序排列成特征谱并提取特征谱散布特征;用特征谱和特征谱散布特征分别训练分类器;估计噪声时域功率并用信号能量将录取的低信噪比慢时间信号归一化;估计自相关阵并对其特征值分解,将特征值按非递增顺序排列成特征谱并去噪;提取特征谱散布特征;将去噪后的特征谱和特征谱散布特征带入训练好的分类器,得到目标的分类结果。本发明具有识别性能稳健的优点,可用于在低信噪比条件下区分轮式车辆和履带式车辆。
Description
技术领域
本发明属于雷达技术领域,涉及目标识别方法,可用于对运动车辆目标进行分类。
背景技术
传统雷达目标识别就是利用目标的高分辨雷达回波信号,实现对目标类型的判定。但高分辨雷达获取数据的代价比较大,并且有些情况下没有必要实现对其型号的准确识别,只需要使用低分辨雷达对不同类的目标进行分类即可。
低分辨雷达对不同类的目标识别,包括对空中目标的识别和对地面运动目标,而地面运动目标识别一般包含对车辆类型的识别和对人体不同姿态的识别。
车辆类型分为履带式车辆和轮式车辆两大类。目前,对于车辆类型的识别方法主要是基于目标的微动信息,包括目标多普勒域的微动信息和反应目标谐波的时域特征值所呈现的微动信息。如Yanbing Li等发表的《Moving vehicle classificationbased on micro-Doppler signature》就是利用多普勒域目标的微动信息进行车辆目标的分类。李彦兵等发表的《基于信号特征谱的地面运动目标分类》文章中指出,目标回波中的谐波数是区分履带式车辆和轮式车辆的一个特征,并证明了特征谱和从特征谱中提出的三维散布特征在区分轮式和履带式车辆中的有效性。
上述这两种基于多普勒微动信息和基于特征谱及特征谱散布特征的方法都是直接对测试数据进行特征提取然后带入分类器分类,没有考虑噪声稳健性问题。但是实际中由于环境复杂,大气条件差、目标距离雷达远等因素都会增加雷达回波中的噪声强度,使目标数据的微动信息受到强噪声的干扰,造成识别率明显下降。
发明内容
本发明的目的在于克服上述已有方法的不足,提出一种低信噪比条件下的地面运动目标稳健识别方法,以在低信噪比条件下,有效的对轮式车辆和履带式车辆进行分类。
为实现上述发明目的,本发明的实现步骤如下:
1.低信噪比条件下的地面运动目标稳健识别方法,包括:
A.训练步骤
(A1)设低分辨雷达录取的高信噪比慢时间信号为: 将其能量归一化为1后,得到归一化后的高信噪比慢时间信号为
其中,sk为第k个归一化前的慢时间信号,为第k个归一化后的慢时间信号,k=1,2…M,M为训练数据的样本数;
(A4)用特征谱矩阵Λ训练其对应的支撑向量机分类器的参数,其中
(A5)从特征谱λk中提取4维特征谱散布特征:
fk2为第二维特征谱散布特征:
fk3为第三维特征谱散布特征:
fk4为第四维特征谱散布特征:
其中,λk1为第k个高信噪比慢时间信号特征谱中的第1个特征值,E为特征谱λk的长度,λkj为第k个高信噪比慢时间信号特征谱中的第j个特征值,j=1,2…u, 表示满足 时u的取值,1≤u≤E,λkt为第k个高信噪比慢时间信号特征谱中的第t个特征值,t=1,2…E;
B.测试步骤
(B1)设低分辨雷达录取的用于测试的低信噪比慢时间信号为
其中,xd为第d个归一化之前的慢时间信号,d=1,2…L,L为测试数据的样本数;
其中,μdh为第d个归一化后的低信噪比慢时间信号特征谱的第h个特征值,
(B8)用上述4维特征谱散布特征构成特征谱散布特征矩阵 再把Γ带入训练步骤(A6)中特征谱散布特征矩阵Ψ训练好参数的支撑向量机分类器中进行分类。
附图说明
图1是本发明的流程图;
图2是现有的两类车辆训练样本特征谱图;
图3是本发明对图2在信噪比为0分贝条件下进行特征谱修正的结果图;
图4是用现有方法特征谱和用本发明方法对噪声进行修正后特征谱的正确识别率随信噪比变化的曲线图;
图5是用现有方法特征谱散布特征和用本发明方法对噪声进行修正后特征谱散布特征的正确识别率随信噪比变化的曲线图。
具体实施方式
参照图1,本发明的实现步骤包括如下:
步骤1,对低分辨雷达录取的高信噪比慢时间信号做归一化。
设低分辨雷达录取的高信噪比慢时间信号为: 将其能量归一化为1后,得到归一化后的高信噪比慢时间信号为
其中,sk为第k个归一化前的慢时间信号,为第k个归一化后的慢时间信号,k=1,2…M,M为训练数据的样本数,<·>表示内积。
轮式车辆目标的特征谱如图2(a)所示,履带式车辆目标的特征谱如图2(b)所示。
步骤4,用特征谱矩阵Λ训练其对应的支撑向量机分类器的参数。
将特征谱矩阵 及样本标号带入支撑向量机分类器,得到支撑向量机训练出的作为支撑向量的一组特征向量和相应的权系数其中,为第g个由特征谱矩阵Λ训练得到的作为支撑向量的特征,为特征向量的第g个权系数,g=1,2…G,G为由特征谱矩阵Λ训练得到的支撑向量的个数。
步骤5,从特征谱λk中提取4维特征谱散布特征
fk2为第二维特征谱散布特征为占总能量98%时的谐波个数:
fk3为第三维特征谱散布特征为用车身能量归一化后的总能量:
fk4为第四维特征谱散布特征为谐波能量的分散程度:
其中,λk1为第k个高信噪比慢时间信号特征谱中的第1个特征值,E为特征谱λk的长度,λkj为第k个高信噪比慢时间信号特征谱中的第j个特征值,j=1,2…u, 表示满足 时u的取值,1≤u≤E,λkt为第k个高信噪比慢时间信号特征谱中的第t个特征值,t=1,2…E。
步骤6,用4维特征谱散布特征矩阵Ψ训练对应的支撑向量机参数。
将特征谱散布特征矩阵及样本标号带入支撑向量机分类器,得到支撑向量机训练出的作为支撑向量的一组特征向量{ρ1,ρ2…ρq…ρQ}和相应的权系数{z1,z2…zq…zQ},其中,ρq为第q个由特征谱散布特征矩阵Ψ训练得到的作为支撑向量的特征,zq为特征向量的第q个权系数,q=1,2…Q,Q为由特征谱散布特征矩阵Ψ训练得到的支撑向量的个数。
步骤7,录取低分辨雷达低信噪比慢时间信号x,并对低信噪比慢时间信号和它含有的噪声的时域平均功率进行归一化。
(7a)录取低分辨雷达用于测试的低信噪比慢时间信号为: 其中,xd为第d个归一化之前的慢时间信号,d=1,2…L,L为测试数据的样本数;
(7b)估计xd所含噪声的时域平均功率σd 2:
(7b1)对第d个归一化前的低分辨雷达慢时间信号xd做离散傅里叶变换,得到它的频谱;
(7b2)设频谱中目标区域外的噪声序列为yd,计算噪声的频域平均功率:其中,abs(yd)表示噪声序列yd的模,||·||为2-范数计算符,η为噪声序列yd的长度;
(7c)根据上述时域平均功率σd 2,由下式得到去噪后的信号能量:Psd=Pxd-σd 2N,其中,Pxd为第d个归一化之前的慢时间信号的能量,Pxd=||(abs(xd))||2,N为第d个归一化前的慢时间信号xd的长度;
步骤8,估计归一化后低信噪比慢时间信号的自相关矩阵。
对和Rl进行特征值分解,并将用分解得到的特征值和特征向量表示为:其中,μdh为第d个归一化后的低信噪比慢时间信号特征谱的第h个特征值,μdh=οdh+v,odh为第d个归一化后的无噪慢时间信号特征谱中的第h个特征值,H表示复共轭,Udh为自相关矩阵的第h个特征向量,Y为无噪慢时间信号特征谱中非零特征值的个数,
由μdh=οdh+v可知,只要精确估计噪声的时域功率,即噪声门限v,就可以通过odh=μdh-v实现对低信噪比慢时间信号特征谱的修正;
(10b)确定噪声门限v:
信噪比为0dB的轮式车辆特征谱的噪声修正结果如图3(a)所示,信噪比为0dB的履带式车辆特征谱的噪声修正结果如图3(b)所示。
将修正后的特征谱矩阵 中的每一个特征谱带入如下表达式:得到支撑向量机分类器的输出用支撑向量机分类器的输出确定类别标号,得到车辆目标的分类结果,其中,||·||为2-范数运算,ε为特征谱矩阵Λ训练支撑向量机分类器过程得到的参数,为第g个特征谱矩阵Λ训练支撑向量机分类器过程得到的作为支撑向量的特征,为相应的第g个权系数,g=1,2…G,G为特征谱矩阵Λ训练支撑向量机分类器过程得到的支撑向量的个数,修正后特征谱矩阵的分类结果如图4所示。
步骤12,从修正后的特征谱中提取4维特征谱散布特征ζd。
βd1为第一维特征谱散布特征为车身能量占总能量的比例:
βd2为第二维特征谱散布特征为占总能量98%时的谐波个数:
βd3为第三维特征谱散布特征为用车身能量归一化后的总能量:
βd4为第四维特征谱散布特征为谐波能量的分散程度:
其中,为第d个低信噪比慢时间信号修正后的特征谱中的第1个特征值,为第d个低信噪比慢时间信号修正后的特征谱中的第τ个特征值,τ=1,2…F, 表示满足 时F的取值,1≤F≤E,为第d个低信噪比慢时间信号修正后的特征谱中的第p个特征值,p=1,2…E,为第d个低信噪比慢时间信号修正后的特征谱中的第h个特征值,h=1,2…E。
步骤13,利用步骤6特征谱散布特征矩阵Ψ训练好的支撑向量机分类器对修正后的特征谱散布特征矩阵Γ进行分类。
(13a)将修正后的特征谱散布特征矩阵 中的每一个特征谱散布特征ζd带入表达式:得到支撑向量机分类器的输出用支撑向量机分类器的输出确定类别标号,得到车辆目标的分类结果,其中,||·||为2-范数运算,为特征谱散布特征矩阵Ψ训练支撑向量机分类器过程得到的参数,ρq为第q个特征谱散布特征矩阵Ψ训练支撑向量机分类器过程得到的作为支撑向量的特征,zq为相应的第q个权系数,q=1,2…Q,Q为特征谱散布特征矩阵Ψ训练支撑向量机分类器过程得到的支撑向量的个数,修正后特征谱散布特征矩阵的分类结果如图5所示。
本发明的效果可以通过以下仿真实验验证:
1.实验场景:
实测数据包含两种车辆目标,分别为卡车,坦克。其中,卡车为轮式车辆,坦克为履带式车辆。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)用现有方法提取训练样本和测试样本的特征谱,并用本发明中的噪声修正方法对测试样本的特征谱进行噪声修正处理,然后用训练样本的特征谱训练支撑向量机分类器,最后将测试样本噪声修正前和噪声修正后的特征谱分别带入训练好的支撑向量机计算识别率,结果如图4。
(2.2)用现有方法提取训练样本和测试样本的特征谱散布特征,并用本发明中的噪声修正方法得到测试样本去噪后的特征谱散布特征,然后用训练样本的特征谱散布特征训练支撑向量机分类器,最后将测试样本噪声修正前和噪声修正后的特征谱散布特征分别带入训练好的支撑向量机计算识别率,结果如图5。
3.实验结果分析:
从图4中可以看出,噪声修正之前,当信噪比降低到10dB时,特征谱的识别率明显下降,当信噪比降低到5dB特征谱就不具有分类能力了。经过噪声修正后,信噪比在0dB-10dB之间的特征谱识别率均有显著提高,尤其在5dB时噪声修正效果最明显,特征谱的识别率提高了32%左右;
从图5中可以看出,噪声修正之前,当信噪比降低到10dB时,特征谱散布特征的识别率明显下降。经过噪声修正后,信噪比在0dB-10dB之间的特征谱散布特征识别率均有显著提高,尤其在5dB时噪声修正效果最明显,特征谱散布特征的识别率提高了23%左右。
Claims (4)
1.一种低信噪比条件下的地面运动目标稳健识别方法,包括:
A.训练步骤
(A2)设低分辨雷达录取的高信噪比慢时间信号为: 将其能量归一化为1后,得到归一化后的高信噪比慢时间信号为
其中,sk为第k个归一化前的慢时间信号,为第k个归一化后的慢时间信号,k=1,2…M,M为训练数据的样本数;
(A4)用特征谱矩阵Λ训练其对应的支撑向量机分类器的参数,其中
fk2为第二维特征谱散布特征:
fk3为第三维特征谱散布特征:
fk4为第四维特征谱散布特征:
其中,λk1为第k个高信噪比慢时间信号特征谱中的第1个特征值,E为特征谱λk的长度,λkj为第k个高信噪比慢时间信号特征谱中的第j个特征值,j=1,2…u, 表示满足 时u的取值,1≤u≤E,λkt为第k个高信噪比慢时间信号特征谱中的第t个特征值,t=1,2…E;
B.测试步骤
(B1)设低分辨雷达录取的用于测试的低信噪比慢时间信号为
其中,xd为第d个归一化之前的慢时间信号,d=1,2…L,L为测试数据的样本数;
(B8)用上述4维特征谱散布特征构成特征谱散布特征矩阵 再把Γ带入训练步骤(A6)中特征谱散布特征矩阵Ψ训练好参数的支撑向量机分类器中进行分类。
3.根据权利要求1所述的低信噪比条件下的地面运动目标稳健识别方法,其中步骤(B2)所述的计算去噪后信号能量Psd,通过如下公式进行:
Psd=Pxd-σd 2N,
其中Pxd=||(abs(xd))||2,abs(xd)表示第d个归一化前的慢时间信号xd的模,||(abs(xd))||表示abs(xd)的2-范数,N为第d个归一化前的慢时间信号xd的长度。
(B51)设噪声表示为:W=W1+iW2,则噪声功率可表示为:W2=W1 2+W2 2,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310277103.8A CN103439696B (zh) | 2013-10-11 | 2013-10-11 | 低信噪比条件下的地面运动目标稳健识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310277103.8A CN103439696B (zh) | 2013-10-11 | 2013-10-11 | 低信噪比条件下的地面运动目标稳健识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103439696A true CN103439696A (zh) | 2013-12-11 |
CN103439696B CN103439696B (zh) | 2015-06-17 |
Family
ID=49693401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310277103.8A Active CN103439696B (zh) | 2013-10-11 | 2013-10-11 | 低信噪比条件下的地面运动目标稳健识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103439696B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105403873A (zh) * | 2015-12-11 | 2016-03-16 | 西安电子科技大学 | 基于分数阶傅里叶变换的目标特征提取方法 |
CN106164698A (zh) * | 2014-03-31 | 2016-11-23 | 三美电机株式会社 | 雷达模块、输送设备以及物体识别方法 |
CN106814351A (zh) * | 2017-01-10 | 2017-06-09 | 西安电子科技大学 | 基于三阶lpc技术的飞机目标分类方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636777A (zh) * | 2012-04-29 | 2012-08-15 | 西安电子科技大学 | 基于噪声先验的概率主成分分析雷达目标稳健识别方法 |
-
2013
- 2013-10-11 CN CN201310277103.8A patent/CN103439696B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102636777A (zh) * | 2012-04-29 | 2012-08-15 | 西安电子科技大学 | 基于噪声先验的概率主成分分析雷达目标稳健识别方法 |
Non-Patent Citations (1)
Title |
---|
侯庆禹等: "一种稳健的雷达高分辨距离像目标识别算法", 《系统工程与电子技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106164698A (zh) * | 2014-03-31 | 2016-11-23 | 三美电机株式会社 | 雷达模块、输送设备以及物体识别方法 |
CN105403873A (zh) * | 2015-12-11 | 2016-03-16 | 西安电子科技大学 | 基于分数阶傅里叶变换的目标特征提取方法 |
CN106814351A (zh) * | 2017-01-10 | 2017-06-09 | 西安电子科技大学 | 基于三阶lpc技术的飞机目标分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103439696B (zh) | 2015-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
CN108108766B (zh) | 基于多传感器数据融合的驾驶行为识别方法及系统 | |
CN102866391B (zh) | 基于短时傅里叶变换和分数阶傅里叶变换的多目标检测方法 | |
US11581967B2 (en) | Wireless channel scenario identification method and system | |
CN104730537B (zh) | 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 | |
CN107358250A (zh) | 基于双波段雷达微多普勒融合的人体步态识别方法及系统 | |
CN111175718B (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN105044701B (zh) | 基于稳健性时频特征的地面目标分类方法 | |
CN107728143A (zh) | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 | |
CN101598783B (zh) | 基于ppca模型的强噪声背景下雷达距离像统计识别方法 | |
CN104459668A (zh) | 基于深度学习网络的雷达目标识别方法 | |
CN102968640B (zh) | 基于Freeman分解和数据分布特征的极化SAR图像分类方法 | |
CN107315996A (zh) | 一种基于imf能量熵与pca的水下船舰噪声特征提取方法 | |
CN103616661B (zh) | 一种稳健的远场窄带信号源个数估计方法 | |
CN103217676B (zh) | 基于双谱去噪的噪声背景下雷达目标识别方法 | |
CN103439696B (zh) | 低信噪比条件下的地面运动目标稳健识别方法 | |
CN101980044A (zh) | 未知测量噪声分布下的多目标跟踪方法 | |
CN105204007A (zh) | 无辅助数据的距离扩展目标极化自适应检测方法 | |
CN103413134A (zh) | 基于稀疏分解的地面移动目标微动信号特征提取 | |
CN104182768A (zh) | 逆合成孔径雷达图像的质量分类方法 | |
CN103235296A (zh) | 基于功率谱特征修正的噪声背景下雷达目标识别方法 | |
Li et al. | Identification and parameter estimation algorithm of radar signal subtle features | |
CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN103698757B (zh) | 低频段雷达目标微动特性估计方法 |
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 |