CN104459663B - 基于高分辨一维距离像的舰艇与货船分类方法 - Google Patents

Abstract

本发明涉及一种基于常规警戒雷达高分辨一维距离像下舰艇与货船分类的实现方法。该方法主要适用于常规宽带相参警戒雷达的舰艇与货船的分类。其主要流程是：首先对接收到的一维距离像做预处理；然后从一维距离像中提取目标区域；通过熵‑峰法进行目标区域强散射点提取；通过变异偏度法统计目标区域强散射点分布特征；最后进行舰艇和货船分类。本发明所提供的方法具有工程实现简单、强散射点提取效果好、所用方法理论依据充分等特点，并且舰艇和货船分类的正确率在80％以上。

Description

基于高分辨一维距离像的舰艇与货船分类方法

技术领域

本发明是一种用于基于警戒雷达系统，实现高分辨一维距离像下舰艇与货船分类。

背景技术

雷达目标的高分辨距离像是用宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和的幅度波形。高分辨距离像样本反映了在一定雷达视角时，雷达目标上散射体的雷达散射截面积沿雷达视线的分布情况，体现了散射点的相对几何关系，因此高分辨一维距离像能够反映出雷达目标在雷达视线上精细的几何结构特征。

对货船结构分析发现，货船上有一座带烟囱的领航船桥（通常在船尾部）。船桥下有发动机和住舱区。货船的一维距离像船尾部分的回波幅度很强，并偏向于一侧，其他部分也有较强的回波幅度出现，但其回波幅度不如船尾部分强，如附图2。相对于货船，舰艇的上层建筑比较多，并且多分布在舰的中心位置附近，舰头和舰尾的上层建筑较少。舰艇的一维距离像回波幅度较强部分位于中心，两侧回波幅度分布较均匀，也比较密集，呈现对称状态，如附图3。通过统计强散射点的相对分布关系和一维距离像波形特征实现舰艇与货船的分类。

目前很多高分辨一维距离像的技术研究是基于分类器设计的，如在2007年4月西安电子科技大学学位论文《雷达高分辨距离像目标识别方法研究》中提出的基于Fisher判决率的加权特征选择方法和一种改进的基于子空间近似的统计识别方法。

与其他文献中提出的方法不同，本发明针对雷达目标的一维距离像散射点分布和波形结构，通过统计一维距离像强散射点的相对分布关系和波形特征，实现舰艇与货船的分类。

发明内容

本发明的目的在于提供一种解决预警雷达系统的高分辨一维距离像下舰艇与货船的分类方法。通过本发明，能够在预警雷达系统中实现在视距内对各种运动状态下的舰艇和货船进行有效的分类，并且分类正确率在80%以上。

实现本发明的技术解决方案为：首先对接收到的一维距离像进行归一化、峰度法进行坏像剔除、零相位法进行对齐和非相干积累等预处理；计算非相干积累后一维距离像前八分之一部分和后八分之一部分的均值，统计均值较小部分的方差，以较小均值和方差和的形式设置雷达目标一维距离像阈值，从一维距离像中提取目标区域；计算目标区域的最小熵、峰度和二阶中心距，利用熵-峰法，通过判断熵-峰集合元素正负提取目标区域强散射点；计算目标区域强散射点的一阶中心距和偏度，利用变异偏度法统计目标区域强散射点分布特征；计算目标区域强散射点的变异偏度与姿态角余弦函数的积，通过判断积的正负进行舰艇与货船的分类。

本发明与现有技术相比，其显著优点为：采用熵-峰法提取目标区域强散射点的方法，能够准确、有效地提取目标区域的强散射点，该方法具有自适应性好，提取概率高的特点。采用变异偏度法统计目标区域强散射点分布特征的方法，能够准确、有效的表述目标区域强散射点的分布特征，而且其实现方法简单。本发明的提出和工程实现在雷达目标检测和识别领域具有很高的推广应用价值。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明的数据流程图。

图2是典型货船一维距离像示意图。

图3是典型舰艇一维距离像示意图。

图4是本发明的雷达目标一维距离像提取示意图。

图5是本发明的目标区域强散射点提取示意图。

具体实施方式

本发明高分辨一维距离像下舰艇和货船的分类方法具体实施步骤参见附图1。

(1) 一维距离像的预处理，方法如下。

计算一维距离像的全局极大值和全局极小值，计算样本数据与全局极小值的差值和全局极大值与全局极小值差值的比值。

其中是一维距离像样本数据，是样本数据的全局极大值，是样本数据的全局极小值，是归一初始化处理后的样本数据。

计算一维距离像的峰度集合

，

其中N是一维距离像的个数，X_i是第i个一维距离像样本数据，是样本均值，是样本标准方差，E(X_i－μ_i)⁴是第i个一维距离像样本数据的4阶中心距。找到峰度集合的最大元素max({k_i})，如果或者k_i＜8，则认为第i个一维距离像为异常一维距离像，将样本数据置为0。

以峰度矩阵最大元素对应的一维距离像为基像，采用零相位准则对非异常一维距离像进行对齐处理，对对齐后的一维距离像做非相干积累。

(2)目标区域提取，方法如下。

分别计算非相干积累后一维距离像前八分之一部分和后八分之一部分的均值，统计均值较小部分的方差，以较小均值和方差和的形式设置阈值，提取目标区域。

gate=mean(X）+std(X)

其中gate是阈值，X是均值较小部分的数据集合，mean(X)是均值，std(X)是方差。

(3)熵-峰提取法进行目标区域强散射点提取，方法如下。

统计目标区域一维距离像的最小熵、峰度、二阶中心距,计算熵-峰目标区域集合{k_i} ：

其中X是目标区域样本数据，N是样本数据长度，K(X)是样本数据峰度，H(X)是样本数据最小熵。如果k_i为正，则认为第i个样本数据为强散射点，如果k_i非正，将第i个样本数据置为0。

I(x_k)=－log p_k

其中x_k是一维距离像样本数据，I(x_k)是信息量，X是离散随机变量，p_k是事件X=x_k发生的概率， 是一维距离像样本数据集合。

其中X是目标区域样本数据， μ 是样本均值，σ是样本标准方差， 是样本数据的4阶中心距。

(4)计算目标区域强散射点的变异偏度，方法如下。

其中 是目标区域强散射点的一阶中心距， 是目标区域强散射点的偏度，y目标区域强散射点的变异偏度。

(5)舰艇和货船分类，方法如下。

计算目标区域强散射点的变异偏度与姿态角余弦函数的积：

l = y cos(θ)

其中y是目标区域强散射点的变异偏度， θ是姿态角，l是变异偏度与姿态角余弦函数的积。如果l为正，则为舰艇，如果l为非正，则为货船。

Claims (3)

1.基于高分辨一维距离像的舰艇与货船分类方法，其特征在于：计算一维距离像的峰度集合{k_i},i＝1,2,…,N，其中N是一维距离像的个数，X_i是第i个一维距离像样本数据，μ_i是样本均值，σ_i是样本标准方差，E(X_i-μ_i)⁴是第i个一维距离像样本数据的4阶中心距，找到峰度集合的最大元素max({k_i})，通过判断或者k_i<8的方法剔除异常一维距离像；然后以峰度集合最大元素对应的一维距离像为基像，采用零相位准则对非异常一维距离像进行对齐处理，对对齐后的一维距离像做非相干积累；计算非相干积累后一维距离像前八分之一部分和后八分之一部分的均值，统计均值较小部分的方差，按较小均值和方差和的形式设置阈值，提取目标区域；计算熵-峰目标区域集合{k_i}， i＝1,2,…,N，其中X是目标区域样本数据，N是样本数据长度，K(X)是样本数据峰度，H(X)是样本数据最小熵，通过以判断熵-峰目标区域集合元素正负确定强散射点的熵-峰法提取目标区域强散射点；计算目标区域强散射点的变异偏度y，其中E(X-μ)是目标区域强散射点的一阶中心距，是目标区域强散射点的偏度，μ是样本均值，σ是样本标准方差；通过以目标区域强散射点的变异偏度描述目标区域强散射点的分布特征的变异偏度法统计目标区域强散射点的分布特征；最后计算目标区域强散射点的变异偏度与姿态角余弦函数的积l＝y cos(θ)，其中y是目标区域强散射点的变异偏度，θ是姿态角，通过l的值进行舰艇和货船分类；通过该方法进行舰艇和货船分类的正确率在80％以上。

2.如权利要求1所述的基于高分辨一维距离像的舰艇与货船分类方法，其特征在于所述熵-峰法提取目标区域强散射点：该方法统计目标区域的最小熵、峰度和二阶中心距，通过统计熵-峰集合自适应的提取目标区域的强散射点，降低目标区域弱散射点对舰艇和货船分类结果的影响。

3.如权利要求1所述的基于高分辨一维距离像的舰艇与货船分类方法，其特征在于所述变异偏度法统计目标区域强散射点分布特征：该方法通过统计目标区域强散射点的一阶中心距和偏度积的形式表述目标区域强散射点分布特征，降低目标区域强散射点相对位置关系对舰艇和货船分类结果的影响。