CN104199007A

CN104199007A - 基于最近邻一类分类器的雷达分布式地面目标鉴别方法

Info

Publication number: CN104199007A
Application number: CN201410453521.2A
Authority: CN
Inventors: 杜兰; 李波; 王斐; 许述文; 和华; 王鹏辉; 刘宏伟
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2014-09-09
Filing date: 2014-09-09
Publication date: 2014-12-10
Anticipated expiration: 2034-09-09
Also published as: CN104199007B

Abstract

本发明公开了一种基于最近邻一类分类器的雷达分布式地面目标鉴别方法，主要解决现有技术中检测后虚警过多的问题。其技术方案是：1)对雷达一维回波信号进行2-范数归一化后进行恒虚警检测；2)对检测结果进行截取和对齐并选取训练样本和测试样本；3)计算训练样本之间的平均Hausdorff距离向量，并确定最近邻一类分类器的判决门限Thr；4)计算测试样本与训练样本之间的平均Hausdorff距离d；5)将平均Hausdorff距离与判决门限进行比较，若d≤Thr，测试样本为目标，否则，测试样本为非目标。本发明较好的去除了非目标虚警，可用于分布式地面目标的鉴别。

Description

基于最近邻一类分类器的雷达分布式地面目标鉴别方法

技术领域

本发明属于雷达技术领域，涉及目标的检测与鉴别方法，可用于基于雷达宽带回波的地面分布式目标鉴别。

背景技术

自二十世纪六十年代以来，随着雷达技术的迅速发展，雷达系统已经被广泛应用于军事和民用等众多领域。按照雷达发射信号瞬时带宽的宽窄，雷达大致可以分为窄带雷达和宽带雷达。通常所说的宽带雷达是指雷达发射信号的绝对带宽较大。传统窄带雷达的主要功能是对目标进行定位和探测，随着雷达技术的应用愈加广泛，人们期望获得更多关于目标的信息。与传统窄带雷达相比，宽带雷达具有以下优势：

一是具有更高的距离分辨率，从而提高了雷达对目标的测量精度；

二是可以获得更加精细的目标结构信息；

三是具有低截获性、抗杂波能力强等优点。

宽带雷达具有较高的距离分辨率，目标在雷达视线方向上的多个散射点分布在不同的距离单元内，形成分布式目标。宽带雷达一维回波可以看作是目标各散射点的子回波在雷达视线上投影的矢量和，可以提供目标散射点沿距离维的分布情况和各散射点的强度信息，对目标的进一步识别具有非常重要的价值。

目标鉴别属于目标检测和目标识别的中间阶段，本质上是一个两类模式识别问题，其主要目的是对回波中检测得到的潜在目标区域进行进一步处理，以去除自然杂波虚警和部分人造杂波虚警，从而减小目标分类识别阶段的代价。作为目标识别过程中承前启后的重要阶段，目标鉴别性能的好坏将直接影响最终目标识别的性能。目前针对宽带雷达一维回波下地面目标识别的研究多集中在检测和识别两个阶段，对鉴别阶段的研究很少有涉及。对于宽带雷达一维回波的目标识别，训练阶段中首先选取多类目标的宽带雷达一维回波样本作为训练样本，然后利用主成分分析PCA、线性判别分析LDA等特征提取方法从训练样本中提取特征向量，接着构造支撑向量机SVM、自适应高斯分类器AGC、贝叶斯分类器等多类分类器对从训练样本中提取的特征向量进行训练；测试阶段中提取测试样本的特征向量后利用多类分类器对目标样本进行分类，得到目标的具体类别信息和其他特性信息，从而达到目标识别的目的。由于虚警导致检测后的结果存在非目标样本，如果检测后直接进行目标识别，一方面训练样本中可能存在非目标样本，降低最终的目标识别性能，另一方面目标识别阶段的运算量很大，存在过多非目标样本会引起大量不必要的运算资源浪费，加大识别阶段所需的代价。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于最近邻一类分类器的雷达分布式地面目标鉴别方法，以在进行目标识别前进行目标鉴别，改善目标识别的性能，减少目标识别阶段不必要的运算。

本发明是这样实现的：

一.技术思路

宽带雷达具有较高的距离分辨率，目标在雷达视线方向上的多个散射点分布在不同的距离单元内，不同目标的散射点的强度与相对位置不同。本发明利用恒虚警检测器提取出雷达宽带回波中较强散射点的强度与相对位置信息，结合可以表示两个点集之间距离的Hausdorff距离，利用最近邻一类分类器区分目标与非目标，从而达到鉴别目标的目的。

二.技术方案

根据上述思路，本发明的实现步骤如下：

(1)训练步骤

(1a)对录取的雷达一维回波信号r_m0进行2-范数归一化，得到归一化后的回波信号其中||||₂表示2-范数，m＝1,…,M，M为回波样本总数；

(1b)对归一化后的回波信号r_m进行恒虚警检测，得到检测后的处理结果r′_m；

(1c)从检测后的处理结果r′_m中截取L个距离单元，并对截取单元进行质心对齐，再从M个对齐后的截取单元中选取含有真实目标的n个截取单元，作为训练样本x_i，其中i＝1,…,n，n为训练样本总数；

(1d)构造与n个训练样本x_i相对应的训练样本散射点矩阵的集合{A₁,A₂,…,A_n}，其中的每一个元素

A_{i} = [\begin{matrix} g_{1} & g_{2} & . . . & g_{k_{i}} \\ x_{g_{1}} & x_{g_{2}} & . . . & x_{g_{k_{i}}} \end{matrix}],

其中，i＝1,…,n，k_i为训练样本x_i中幅值大于0的距离单元的个数，表示训练样本x_i中幅值大于0的k_i个距离单元的位置，表示训练样本x_i中幅值大于0的k_i个距离单元处的幅值；

(1e)计算训练样本散射点矩阵的集合{A₁,A₂,…,A_n}中两两元素之间的Hausdorff距离d_A-ij，其中，i＝1,…,n，j＝1,…,n；

(1f)利用步骤(1e)中得到的n×n个Hausdorff距离d_A-ij构造n×1维训练样本之间的平均Hausdorff距离向量d_A；

(1g)根据预先给定的最大错误概率p和训练样本之间的平均Hausdorff距离向量d_A，给定最近邻一类分类器的判决门限Thr；

(2)测试步骤

(2a)构造测试样本y；

(2b)构造一个与测试样本y相对应的2×s维测试样本散射点矩阵B，其中，s为测试样本y中幅值大于0的距离单元的个数；

(2c)计算测试样本散射点矩阵B与步骤(1d)中得到的训练样本散射点矩阵的集合{A₁,A₂,…,A_n}中每一个元素A_i的Hausdorff距离d_BA-i，其中，i＝1,…,n，n为训练样本总数；

(2d)计算测试样本与训练样本之间的平均Hausdorff距离d；

(2e)将测试样本与训练样本之间的平均Hausdorff距离d与步骤(1g)中得到的最近邻一类分类器的判决门限Thr进行比较，判断测试样本y是否为目标：如果d≤Thr，则测试样本y为目标，否则，测试样本y为非目标。

附图说明

图1是本发明的实现流程图；

图2是本发明中的恒虚警检测示意图；

图3是用本发明对某次宽带雷达一维回波进行恒虚警检测的结果示意图；

图4是用本发明对某次宽带雷达一维回波进行鉴别的结果示意图。

具体实施方式

参照图1，本发明的实现步骤如下：

一、训练阶段

步骤1，对录取的雷达一维回波信号r_m0进行2-范数归一化，得到归一化后的回波信号其中||||₂表示2-范数，m＝1,…,M，M为回波样本总数。

步骤2，对归一化后的回波信号r_m进行恒虚警检测，得到检测后的处理结果r′_m。

参照图2，本步骤的具体实现如下：

(2a)假设目标在雷达视线方向上的最大长度为LT，雷达距离分辨率为ΔR，选取保护单元个数表示向上取整；

(2b)选择参考单元个数N_r，给定虚警概率P_fa；

(2c)选择CA-CFAR检测器作为恒虚警检测器，根据瑞利杂波统计模型计算出标称化因子

K = {(P_{fa})}^{- 1 / N_{r}} - 1;

(2d)对归一化后的回波信号r_m的幅值取平方，选择第D个距离单元作为待检测单元，从待检测距离单元两侧选定N_r个参考单元和N_p个保护单元；

(2e)计算杂波平均功率估计量：其中z_mw为第w个参考单元处幅值的平方值；

(2f)设待检测单元处幅值的平方值为z_mD，判断第D个距离单元处是否存在目标：如果z_mD≥K·z，则第D个距离单元处存在目标，否则，第D个距离单元处不存在目标；

(2g)将归一化回波信号r_m中不存在目标的距离单元处的幅值置0，得到检测后的处理结果r′_m。

步骤3，从检测后的处理结果r′_m中截取L个距离单元，要求截取的单元中至少有1个距离单元处的幅值大于0，并对截取单元进行质心对齐，再从M个对齐后的截取单元中选取含有真实目标的n个截取单元，作为训练样本x_i，其中i＝1,…,n，n为训练样本总数。

步骤4，构造与n个训练样本x_i相对应的训练样本散射点矩阵的集合{A₁,A₂,…,A_n}，其中的每一个元素

A_{i} = [\begin{matrix} g_{1} & g_{2} & . . . & g_{k_{i}} \\ x_{g_{1}} & x_{g_{2}} & . . . & x_{g_{k_{i}}} \end{matrix}],

其中，i＝1,…,n，k_i为训练样本x_i中幅值大于0的距离单元的个数，表示训练样本x_i中幅值大于0的k_i个距离单元的位置，表示训练样本x_i中幅值大于0的k_i个距离单元处的幅值。

步骤5，计算训练样本散射点矩阵的集合{A₁,A₂,…,A_n}中两两元素之间的Hausdorff距离d_A-ij，其中，i＝1,…,n，j＝1,…,n；

本步骤的具体实现如下：

(5a)计算训练样本的协方差矩阵其中

Σ_{v} = [\begin{matrix} σ_{v 1}^{2} & 0 \\ 0 & σ_{v 2}^{2} \end{matrix}],

和分别为训练样本散射点矩阵的集合{A₁,A₂,…,A_n}中第v个元素A_v的第1行元素和第2行元素的方差，v＝1,…,n，n为训练样本总数；

(5b)将训练样本散射点矩阵的集合{A₁,A₂,…,A_n}中第i个元素A_i表示为[a_i1，a_i2，…,a_ip]，第j个元素A_j表示为[a_j1，a_j2，…,a_jq]，其中p和q分别为第i个元素A_i和第j个元素A_j的列数；

(5c)用Hausdorff距离表示两个点集之间的距离，并计算训练样本散射点矩阵的集合中第i个元素A_i与第j个元素A_j之间的Hausdorff距离：

d_A-ij＝max(h(A_i,A_j),h(A_j,A_i))

其中，

h (A_{i}, A_{j}) = \frac{1}{p} Σ_{t = 1}^{p} \min_{u = 1,2, . . . q} (d (a_{it}, a_{ju})),

h (A_{j}, A_{i}) = \frac{1}{q} Σ_{u = 1}^{q} \min_{t = 1,2, . . . p} (d (a_{ju}, a_{it})),

d (a_{it}, a_{ju}) = d (a_{ju}, a_{it}) = \sqrt{{(a_{it} - a_{ju})}^{T} Σ^{- 1} (a_{it} - a_{ju})},

T表示转置，a_it为第i个元素A_i的第t个列向量，a_ju为第j个元素A_j的第u个列向量。

步骤6，利用步骤5中得到的n×n个Hausdorff距离d_A-ij构造n×1维训练样本之间的平均Hausdorff距离向量d_A。

(6a)构造n×n维训练样本之间的Hausdorff距离矩阵：

D_{A} = [\begin{matrix} d_{A - 11} & d_{A - 12} & . . . & d_{A - 1 n} \\ d_{A - 21} & d_{A - 22} & . . . & d_{A - 2 n} \\ . & . & . & . \\ . & . & . & . \\ . & . & . & . \\ d_{A - n 1} & d_{A - n 2} & . . . & d_{A - nn} \end{matrix}];

(6b)计算训练样本之间的Hausdorff距离矩阵D_A每一行中l个最小的非0元素的平均值d_Ai，i＝1,2,…n，l为最小平均距离控制参数；

(6c)对步骤(6b)得到的n个平均值d_Ai由小到大进行排序，得到n×1维训练样本之间的平均Hausdorff距离向量d_A。

步骤7，根据预先给定的最大错误概率p和训练样本之间的平均Hausdorff距离向量d_A给定最近邻一类分类器的判决门限，

Thr = \{\begin{matrix} (d_{A} (num) + d_{A} (num + 1)) / 2, & 1 \leq num < n \\ d_{A} (num), & num = n \end{matrix},

其中，d_A(num)和d_A(num+1)分别表示训练样本之间的平均Hausdorff距离向量d_A的第num个元素和第num+1个元素，为向下取整，n为训练样本总数，预先给定的最大错误概率p满足0≤p＜1。

二、测试阶段

步骤8，构造测试样本y。

(8a)对录取的雷达一维回波信号r_y进行2-范数归一化，然后进行恒虚警检测，得到检测后的处理结果；

(8b)从检测后的处理结果中截取L个距离单元，要求截取的单元中至少有1个距离单元处的幅值大于0，并对截取单元进行质心对齐，得到测试样本y。

步骤9，构造一个与测试样本y相对应的2×s维测试样本散射点矩阵：

B = [\begin{matrix} g_{1} & g_{2} & . . . & g_{s} \\ x_{1} & x_{2} & . . . & x_{s} \end{matrix}]

其中，s为测试样本y中幅值大于0的距离单元的个数，g₁,g₂，…g_s表示测试样本y中幅值大于0的s个距离单元的位置，x₁，x₂…，x_s表示测试样本y中幅值大于0的s个距离单元处的幅值。

步骤10，计算测试样本散射点矩阵B与步骤4中得到的训练样本散射点矩阵的集合{A₁,A₂,…,A_n}中每一个元素A_i的Hausdorff距离d_BA-i，其中i＝1,…,n，n为训练样本总数。

步骤11，计算测试样本与训练样本之间的平均Hausdorff距离d。

本步骤的具体实现如下：

(11a)对步骤10中得到的n个Hausdorff距离d_BA-i由小到大进行排序，得到1×n维测试样本与训练样本之间的Hausdorff距离向量d_BA；

(11b)对测试样本与训练样本之间的Hausdorff距离向量d_BA的前l个元素求平均值，l为最小平均距离控制参数，得到测试样本与训练样本之间的平均Hausdorff距离d。

步骤12，将测试样本与训练样本之间的平均Hausdorff距离d与对步骤7中得到最近邻一类分类器的判决门限Thr进行比较，判断测试样本y是否为目标：如果d≤Thr，则测试样本y为目标，否则，测试样本y为非目标。

本发明的效果可以通过以下仿真实验说明：

1.实验场景：

实验中用到的实测数据包含车辆目标的回波与地物杂波的回波。车辆目标由远及近靠近雷达，雷达发射信号为线性调频步进信号，一个脉冲串的子脉冲数为128，将每一个子脉冲串合成为一幅大带宽高分辨距离像，雷达信号的分辨率为0.293m。

2.实验参数：

试验中保护单元个数N_p＝60，参考单元个数N_r＝100，虚警概率P_fa＝0.001，截取长度L＝64，训练样本数n＝500，最小平均距离控制参数l＝1。

3.实验内容与结果

实验一：从对齐后的截取单元中选取500个包含真实目标的截取单元作为训练样本，再选取1000个包含真实目标的截取单元作为测试样本中的目标样本，最后选取1000个不包含真实目标的截取单元作为测试样本中的非目标样本，最大错误概率p＝0.15和p＝0.1时，分别在以下三种情况下利用最近邻一类分类器进行鉴别：

1)只利用样本中幅值大于0的距离单元的位置信息构造样本散射点矩阵；

2)只利用样本中幅值大于0的距离单元处的幅值信息构造样本散射点矩阵；

3)同时利用样本中幅值大于0的距离单元的位置和幅值信息构造样本散射点矩阵；

计算三种情况下的目标正确鉴别概率和将非目标错误鉴别为目标的概率，结果如表1所示。

表1三种情况下的目标正确鉴别概率和将非目标错误鉴别为目标的概率

从表1中可以看出，本发明中提出的基于最近邻一类分类器的雷达分布式地面目标鉴别方法结合被检测到的距离单元的相对位置和幅值信息，对于目标有较高的正确鉴别率，同时将非目标错误鉴别为目标的错误概率也较低；用来确定最近邻一类分类器门限的参数最大错误概率p对最终的鉴别结果有较大影响，实际应用中可根据实际情况进行选取。

实验二：选择某次宽带雷达一维回波进行2-范数归一化，然后进行恒虚警检测，检测后的结果如图3所示；以每一个检测到的距离单元作为中心分别截取L个距离单元并进行对齐，将对齐后的截取单元作为测试样本进行鉴别，鉴别结果如图4所示，其中，图4(a)为整个雷达一维回波的鉴别结果，图4(b)为雷达一维回波中目标区部分的鉴别结果。

从图3可以看出，恒虚警检测以后，存在其它非目标虚警，从图4可以看出，本发明可以有效去除检测结果中的非目标虚警，实现对目标的鉴别。

Claims

1.一种基于最近邻一类分类器的雷达分布式地面目标鉴别方法，包括：

(1)训练步骤

A_{i} = [\begin{matrix} g_{1} & g_{2} & . . . & g_{k_{i}} \\ x_{g_{1}} & x_{g_{2}} & . . . & x_{g_{k_{i}}} \end{matrix}],

(2)测试步骤

(2a)构造测试样本y；

(2c)计算测试样本散射点矩阵B与步骤(1d)中得到的训练样本散射点矩阵的集合{A₁,A₂,…,A_n}中每一个元素A_i的Hausdorff距离d_BA-i，其中，i＝1,…，n，n为训练样本总数；

(2d)计算测试样本与训练样本之间的平均Hausdorff距离d；

2.根据权利要求1所述的基于最近邻一类分类器的雷达分布式地面目标鉴别方法，其中步骤(1b)所述的对归一化后的回波信号r_m进行恒虚警检测，得到检测后的处理结果r′_m，按如下步骤进行：

(1b1)假设目标在雷达视线方向上的的最大长度为LT，雷达距离分辨率为ΔR，选取保护单元个数表示向上取整；

(1b2)选择参考单元个数N_r，给定虚警概率P_fa；

(1b3)选择CA-CFAR检测器作为恒虚警检测器，根据瑞利杂波统计模型计算出标称化因子

K = {(P_{fa})}^{- 1 / N_{r}} - 1;

(1b4)对归一化后的回波信号r_m的幅值取平方，选择第D个距离单元作为待检测单元，从待检测距离单元两侧选定N_r个参考单元和N_p个保护单元；

(1b5)计算杂波平均功率估计量：其中z_mw为第w个参考单元处幅值的平方值；

(1b6)设待检测单元处幅值的平方值为z_mD，判断第D个距离单元处是否存在目标：如果z_mD≥K·z，则第D个距离单元处存在目标，否则，第D个距离单元处不存在目标；

(1b7)将归一化回波信号r_m中不存在目标的距离单元处的幅值置0，得到检测后的处理结果r′_m。

3.根据权利要求1所述的基于最近邻一类分类器的雷达分布式地面目标鉴别方法，其中所述步骤(1c)中从检测后的处理结果r′_m中截取的L个距离单元，至少有1个距离单元处的幅值大于0。

4.根据权利要求1所述的基于最近邻一类分类器的雷达分布式地面目标鉴别方法，其中步骤(1e)所述的计算训练样本散射点矩阵的集合{A₁,A₂,…,A_n}中两两元素之间的Hausdorff距离d_A-ij，按如下步骤进行：

(1e1)计算训练样本的协方差矩阵其中

Σ_{v} = [\begin{matrix} σ_{v 1}^{2} & 0 \\ 0 & σ_{v 2}^{2} \end{matrix}],

(1e2)将训练样本散射点矩阵的集合{A₁,A₂,…,A_n}中第i个元素A_i表示为[a_i1，a_i2，…,a_ip]，第j个元素A_j表示为[a_j1，a_j2，…,a_jq]，其中p和q分别为元素A_i和元素A_j的列数；

(1e3)计算训练样本散射点矩阵A_i与A_j的Hausdorff距离：

d_A-ij＝max(h(A_i,A_j),h(A_j,A_i))

其中，

h (A_{i}, A_{j}) = \frac{1}{p} Σ_{t = 1}^{p} \min_{u = 1,2, . . . q} (d (a_{it}, a_{ju})),

h (A_{j}, A_{i}) = \frac{1}{q} Σ_{u = 1}^{q} \min_{t = 1,2, . . . p} (d (a_{ju}, a_{it})),

d (a_{it}, a_{ju}) = d (a_{ju}, a_{it}) = \sqrt{{(a_{it} - a_{ju})}^{T} Σ^{- 1} (a_{it} - a_{ju})},

5.根据权利要求1所述的基于最近邻一类分类器的雷达分布式地面目标鉴别方法，其中步骤(1f)所述的构造n×1维训练样本之间的平均Hausdorff距离向量d_A，按如下步骤进行：

(1f1)构造n×n维训练样本之间的Hausdorff距离矩阵：

D_{A} = [\begin{matrix} d_{A - 11} & d_{A - 12} & . . . & d_{A - 1 n} \\ d_{A - 21} & d_{A - 22} & . . . & d_{A - 2 n} \\ . & . & . & . \\ . & . & . & . \\ . & . & . & . \\ d_{A - n 1} & d_{A - n 2} & . . . & d_{A - m} \end{matrix}];

(1f2)计算训练样本之间的Hausdorff距离矩阵D_A每一行中l个最小的非0元素的平均值d_Ai，i＝1,2,…n，l为最小平均距离控制参数；

(1f3)对步骤(1f2)得到的n个平均值d_Ai由小到大进行排序，得到n×1维训练样本之间的平均Hausdorff距离向量d_A。

6.根据权利要求1所述的基于最近邻一类分类器的雷达分布式地面目标鉴别方法，其中步骤(1g)所述的给定最近邻一类分类器的判决门限Thr，按如下公式进行：

Thr = \{\begin{matrix} (d_{A} (num) + d_{A} (num + 1)) / 2, & 1 \leq num < n \\ d_{A} (num), & num = n \end{matrix}

7.根据权利要求1所述的基于最近邻一类分类器的雷达分布式地面目标鉴别方法，其中步骤(2d)所述的计算测试样本与训练样本之间的平均Hausdorff距离d，按如下步骤进行：

(2d1)对步骤(2c)中得到的n个Hausdorff距离d_BA-i由小到大进行排序，得到1×n维测试样本与训练样本之间的Hausdorff距离向量d_BA；

(2d2)对测试样本与训练样本之间的Hausdorff距离向量d_BA的前l个元素求平均值，l为最小平均距离控制参数，得到测试样本与训练样本之间的平均Hausdorff距离d。