CN105223561B

CN105223561B - 基于空间分布的雷达地面目标鉴别器设计方法

Info

Publication number: CN105223561B
Application number: CN201510697093.2A
Authority: CN
Inventors: 刘峥; 李龙; 谢荣; 李焘; 王晶晶
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2015-10-23
Filing date: 2015-10-23
Publication date: 2017-10-24
Anticipated expiration: 2035-10-23
Also published as: CN105223561A

Abstract

本发明公开了一种基于空间分布的雷达地面目标鉴别器设计方法，解决了复杂环境下无法对地面目标进行准确的实时鉴别的问题。其实现过程是：1)构建雷达目标鉴别器训练模板库特征空间；2)对训练模板库特征空间进行区域划分；3)利用基于加权优化的支持向量域模型生成区域的边界与支持向量；4)根据测试目标特征与区域的边界和支持向量的位置关系对测试目标类别进行鉴别。本发明通过对训练模板库特征空间进行区域划分，大幅提高了运算速度，同时采用精细化区域描述的方法，有效地保证了目标鉴别的准确性，提高了复杂环境下地面目标的鉴别性能，同时使目标鉴别器具备了实时处理能力。可用于复杂环境下雷达系统对地面目标的有效鉴别。

Description

基于空间分布的雷达地面目标鉴别器设计方法

技术领域

本发明属于雷达目标识别领域，涉及一种基于空间分布的雷达地面目标鉴别器设计方法，可用于复杂环境下雷达系统实现对地面目标的鉴别。

背景技术

雷达目标识别技术是在雷达对目标进行探测与定位的基础上，提取目标的特征信息，实现对目标属性与类型的判断。针对雷达系统的特定应用背景，采用合成宽带雷达体制生成地面场景高分辨一维距离像HRRP，场景中包括待攻击目标与假目标干扰，如铁塔、民用车辆、路牌，该类假目标散射特性与待攻击目标类似，利用目标检测技术无法进行区分，需采用目标鉴别技术进行辨别与剔除，即雷达地面目标识别系统主要面临的问题是复杂环境下对特定目标的实时鉴别。

假目标种类繁多，几何尺寸与物理形状各异，无法通过实际测量与建模仿真的方式建立相应的模板库。针对这种模板库非完备问题，常规最大相关系数分类器与支持向量机分类器均基于二分类构架设计，由于严重的模板规模不均衡，生成的分类边界无法准确对样本空间进行划分。在模式识别理论中针对模板库非完备的问题，常采用单类分类器OCC加以解决，如支撑向量域描述SVDD分类器与K近邻KNN分类器。SVDD是一种典型的OCC分类器，该分类器通过寻找支撑向量确定模板库样本特征区域边界，利用该边界与待测样本之间的位置关系确定测试样本类别，其缺点是当模板库样本特征区域呈现多区域聚合性时，所确定的特征区域边界中将包含大片非样本目标特征空间区域，导致性能的严重下降。KNN分类器基于模板匹配构架，需要遍历所有模板库样本特征，计算复杂度高，无法达到雷达信号实时处理的要求。

发明内容

本发明的目的在于针对上述已有技术的不足，在考虑雷达目标识别系统在复杂环境下的实际应用情况，提出一种基于空间分布的雷达地面目标鉴别器设计方法，以提高鉴别性能，减少运算量，实现对雷达信号的实时处理。

实现本发明的技术思路是：利用基于相关系数预处理的K-Means聚类方法对雷达目标鉴别器模板库中的目标特征行区域划分，利用基于空间分布的SVDD模型确定区域边界，在此基础上以K近邻准则为基础，计算测试样本特征与各个特征区域的位置关系，从而得到最终判决结果。其实现步骤包括如下：

1)构建雷达目标鉴别器训练模板库特征空间：

(1a)对M类典型目标进行雷达回波仿真，生成第m类第n个典型目标高分辨一维距离像h_m,n，提取该h_m,n的长度特征l_m,n与散射点个数特征t_m,n，将第m类目标的共N_m个长度特征集合表示为散射点个数特征集合表示为其中，m＝1,...,M，n代表第m类目标高分辨一维距离像数目，即n＝1,...,N_m；

(1b)建立M类典型目标的训练模板库特征空间B：

B＝{X_m,n＝(l_m,n,t_m,n)}

其中，X_m,n表示第m类目标的第n个特征向量，l_m,n∈L_m，t_m,n∈T_m。

2)对训练模板库特征空间B进行区域划分：

(2a)计算特征空间B中所有特征之间的相关性ρ(X_m,n,X_m',n')，基于最大相关系数准则获取K-Means算法的区域划分数目Q和初始区域中心ψ_q，其中q表示区域数目，q＝1,...,Q；

(2b)利用K-Means聚类算法对特征空间B进行精细化区域划分，生成Q块特征空间子区域，将第q块特征空间子区域表示为F_q＝(θ_q,η_q,ψ_q)，其中θ_q表示第q块子区域中目标特征个数，η_q表示第q块子区域目标特征集合，η_q＝{ε_v,q＝X_m,n}，ε_v,q表示η_q中的目标特征，v＝1,...,θ_q。

3)根据第q块特征空间子区域中目标特征的空间分布生成密度中心偏离权值ρ(ε_v,q)与区域密度权值δ(ε_v,q)，利用这两个权值对支持向量域描述模型进行加权优化，得到目标鉴别器训练集Y＝{J_q＝(O_q,S_q,R_q)}，其中J_q表示第q块特征空间子区域，O_q表示第q块特征空间子区域支持向量个数，S_q表示第q块特征空间子区域支持向量集合，即S_q＝{s_i,q}，s_i,q表示该区域的支持向量，i＝1,...,O_q，R_q表示第q块特征空间子区域的半径；

4)根据测试目标特征与训练模板库特征空间子区域的位置关系对测试目标类别进行判决：

(4a)对测试目标雷达回波e_z进行如步骤1的高分辨一维距离成像与特征提取，生成测试目标特征Z；

(4b)利用支持向量域描述模型对测试目标进行第一次判决：

分别判断测试目标特征Z与Q块特征空间子区域J_q的位置关系，q＝1,...,Q，当测试目标特征Z位于第q块特征空间子区域J_q中时，则得到最终判决结果为库内目标；当测试目标特征Z不在任何一块特征空间子区域中时执行步骤(4c)；

(4c)基于K近邻准则对测试目标进行第二次判决：

(4c1)计算测试目标特征Z与特征空间子区域支持向量s_i,q之间的距离d(s_i,q,Z)，对该距离进行从小到大的排序，根据K近邻准则选择前Ω个距离所对应的支持向量作为近邻向量s_k，k＝1,...,Ω；

(4c2)根据支持向量密度分布计算近邻向量s_k所对应的权值w_k：

其中d(s_k,Z)表示近邻向量s_k与测试目标特征Z的距离，d(s_k,ψ_q)表示近邻向量s_k与第q块特征空间子区域中心ψ_q的距离，Q表示特征空间子区域数目，R_q表示第q块特征空间子区域的半径；

(4c3)计算Ω个近邻向量的加权均值向量计算测试目标特征Z与s_mean的距离d(Z,s_mean)；

(4c4)设定近邻阈值ζ∈[0,1]，利用近邻阈值ζ对测试样本Z进行第二次判决：若d(Z,s_mean)≤ζ，则最终判决结果为库内目标；否则，最终判决结果为库外目标。

本发明与现有技术相比具有以下优点：

1)提高了雷达系统对复杂地面环境的目标鉴别能力。

本发明在训练阶段利用K-Means聚类算法对训练模板库特征空间进行区域划分，并利用支撑向量域描述模型确定子区域的特征边界与支持向量，从而对训练模板库特征空间进行准确描述；同时在测试阶段采取两次判决的方法，对测试数据进行更细致的判决，提高了雷达系统的目标鉴别性能。

2)具有实时处理能力。

本发明通过对训练模板库进行划分处理，使其具有多区域结构，且各子区域仅由区域边界与支持向量表示，其有效的减少了系统的存储空间并且减少了判决过程所需要的计算量，实现了雷达系统的实时处理，使其更适应于实际的工程应用。

附图说明

图1是本发明的实现流程图；

图2是本发明仿真的坦克目标与雷达站目标模板库特征空间分布图；

图3是本发明仿真的坦克目标与雷达站目标训练模板库特征空间区域划分图；

图4是本发明仿真的坦克目标与雷达站目标训练模板库特征空间各子区域特征边界与支持向量图；

图5是本发明仿真的基于接收机特性ROC曲线的鉴别性能对比图；

图6是本发明仿真的基于时间曲线的实时性对比图。

具体实施方式

参照图1，发明的实现步骤如下：

步骤1，构建雷达目标鉴别器训练模板库特征空间。

(1a)对典型目标高分辨一维距离像进行雷达回波仿真：

(1a1)本发明中采用步进频率雷达合成宽带体制，对M类典型目标雷达回波进行仿真，得到第m类目标的共N_m帧回波：其中e_m,n表示第m类典型目标的第n帧雷达回波，其信号模型表示为：

其中rect(t/τ)表示脉冲调制，具体公式为：

t表示时间采样，A_m,n表示第m类目标第n帧雷达回波幅度，f_c表示雷达载频，Tr表示脉冲重复周期，τ表示脉冲宽度，Δf表示脉冲步进频率，K_f表示脉冲步进频率数，f_s表示采样频率，采样间隔表示为T_s＝1/f_s；

(1a2)对第m类典型目标的第n帧雷达回波e_m,n进行逆傅里叶变换与像拼接处理，得到第m类第n个典型目标的高分辨一维距离像h_m,n；

(1a3)对第m类目标的共N_m帧回波进行如步骤(1a2)的处理，得到第m类目标的N_m个高分辨一维距离像集合其中，m＝1,...,M，n代表第m类目标高分辨一维距离像数目，n＝1,...,N_m；

(1b)对典型目标高分辨一维距离像进行特征提取：

(1b1)提取第m类第n个典型目标高分辨一维距离像h_m,n的长度特征l_m,n：

对目标高分辨一维距离像h_m,n进行傅里叶变换，得到其频谱计算该的长度W；

设定长度为W₀＝W/16的滑动窗口，对目标高分辨一维距离像频谱进行滑窗处理，计算每个滑窗位置窗内所有点的均值与标准差的乘积即其中表示滑窗位置，即

根据的最大值确定滑窗阈值将第一个时的滑窗位置确定为目标的起点L_s，最后一个时的划窗位置确定为目标的终点L_f，并计算二者差值，得到高分辨一维距离像h_m,n的长度特征：l_m,n＝|L_s-L_f|；

(1b2)提取第m类第n个典型目标高分辨一维距离像h_m,n的散射点个数特征t_m,n：

计算目标高分辨一维距离像h_m,n的最大值max(h_m,n)，并用其确定峰值阈值Th_m,n＝0.6·max(h_m,n)；

判断h_m,n中的第p个点h_m,n(p)是否同时满足以下三个条件：

h_m,n(p)＞Th_m,n

h_m,n(p)＞h_m,n(p-1)

h_m,n(p)＞h_m,n(p+1)

若满足，则得到目标高分辨一维距离像h_m,n在第p个点的散射点符号函数：β(p)＝1；

若不满足其中任意一个条件，则β(p)＝0，其中p＝1,...,W_h，W_h表示目标高分辨一维距离像h_m,n的长度；

根据散射点符号函数β(p)，计算目标高分辨一维距离像h_m,n的散射点个数特征：

(1c)建立典型目标的训练模板库特征空间：

将第m类目标的共N_m个长度特征集合表示为散射点个数特征集合表示为建立M类典型目标的训练模板库特征空间B：

B＝{X_m,n＝(l_m,n,t_m,n)}，

其中，X_m,n表示第m类目标的第n个特征向量，第m类第n个典型目标高分辨一维距离像h_m,n的长度特征l_m,n属于第m类目标长度特征集合L_m，即l_m,n∈L_m，第m类第n个典型目标高分辨一维距离像h_m,n的散射点个数特征t_m,n属于第m类目标长度特征集合T_m，即t_m,n∈T_m。

需要说明的是，由于训练模板库特征空间呈现非均匀多区域聚合性分布，且特征空间区域数目随机，常规K-Means聚类算法无法对训练模板库特征空间进行区域划分，需要首先获取K-Means算法的区域划分数目和初始区域中心，在此基础上再利用K-Means算法对训练模板库特征空间进行区域划分。

步骤2，对训练模板库特征空间进行区域划分。

(2a)基于最大相关系数准则获取K-Means算法的区域划分数目和初始区域中心：

(2a1)计算训练模板库特征空间B中特征X_m,n与X_m',n'的相关系数ρ(X_m,n,X_m',n')：

其中cov(X_m,n,X_m',n')表示特征X_m,n与特征X_m',n'的协方差，D(X_m,n)表示特征X_m,n的方差，D(X_m',n')表示特征X_m',n'的方差；

(2a2)根据最大相关系数准则确定相关系数阈值τ∈[0,1]，并将相关系数ρ(X_m,n,X_m',n')与相关系数阈值τ进行比较：若ρ(X_m,n,X_m',n')≥τ，则合并特征X_m,n与X_m',n'，合并后的均值为(X_m,n+X_m',n')/2；否则，返回步骤(2a1)，直至所有ρ(X_m,n,X_m',n')全部小于相关系数阈值τ时停止；

(2a3)经过特征合并最终得到Q_k个均值特征其中q'＝1,...,Q_k，将均值特征的数目Q_k作为K-Means算法的区域划分数目Q，即Q＝Q_k，将Q_k个均值特征作为K-Means算法的Q个初始区域中心ψ_q，即其中q＝1,...,Q；

(2b)利用K-Means聚类算法对训练模板库特征空间B进行精细化区域划分：

(2b1)计算目标特征X_m,n与第q个特征空间区域中心ψ_q之间的距离：

d(X_m,n,ψ_q)＝||X_m,n,ψ_q||₁

其中||X_m,n,ψ_q||₁表示X_m,n与ψ_q的L1范数距离，q＝1,...,Q。当d(X_m,n,ψ_q)最小时，特征向量X_m,n与区域中心ψ_q距离最小，即将特征X_m,n归类到区域中心ψ_q所对应的区域，对特征空间子区域中心ψ_q的值进行更新，更新值为特征X_m,n与原区域中心ψ_q的均值ψ'_q＝(X_m,n+ψ_q)/2，并统计区域中心ψ_q所对应的区域中特征的个数θ_q；

(2b2)返回步骤(2b1)，直至区域中心ψ_q与其对应区域中的特征个数θ_q不再变化时为止，完成对特征空间B精细化区域划分，生成Q块特征空间子区域集合表示为Φ＝{F_q}，q＝1,...,Q，其中第q块特征空间子区域表示为F_q＝(θ_q,η_q,ψ_q)，θ_q表示第q块特征空间子区域中目标特征个数，η_q表示第q块子区域目标特征集合，η_q＝{ε_v,q＝X_m,n}，ε_v,q表示属于集合η_q的目标特征，ψ_q表示第q块特征空间子区域中心，v＝1,...,θ_q。

步骤3，基于加权优化的支持向量域模型得到目标鉴别器训练集。

传统支持向量域描述SVDD模型仅考虑特征间的距离关系，而未考虑特征在特征空间的分布情况。在实际问题中，特征在特征空间的分布密度与特征偏离特征空间中心的程度对于描述特征分布更加重要。本发明利用特征空间子区域中特征的密度中心偏离权值与区域特征密度权值，对传统SVDD模型进行加权优化，使其更准确的对特征空间子区域进行描述。

(3a1)根据第q块特征空间子区域中目标特征分布情况，基于支持向量域描述模型，构建一个半径最小且包含该特征空间子区域全部特征的超球体对该特征空间子区域进行描述，具体公式为：

其中，||·||₁表示L1范数距离，ε_v,q为第q块特征空间子区域中的第v个特征，θ_q为第q个特征空间子区域的特征数目，R_q表示第q块特征空间子区域超球体半径，C表示权重因子，ξ表示松弛向量，a_q表示第q块特征空间子区域超球体的球心，ρ(ε_v,q)与δ(ε_v,q)是对特征空间子区域分布情况进行描述的权值，ρ(ε_v,q)表示第q块特征空间子区域中的第v个特征的密度中心偏离度权值，δ(ε_v,q)表示第q块特征空间子区域中的第v个特征的特征密度权值，其具体定义如下：

其中，d(ε_v,q,ε_j,q)＝||ε_v,q,ε_j,q||₁，表示特征ε_v,q与特征ε_j,q的L1范数距离，d(ε_v,q,ψ_q)＝||ε_v,q,ψ_q||₁，表示特征ε_v,q与特征ψ_q的L1范数距离，d(ε_v,q,ε_i,q)＝||ε_v,q,ε_i,q||₁，表示特征ε_v,q与特征ε_i,q的L1范数距离，ε_j,q为第q块特征空间子区域中的第j个特征，ε_i,q为第q块特征空间子区域中的第i个特征，Q表示特征空间子区域数目，θ_q表示第q块特征空间子区域中目标特征个数；

(3a2)利用拉格朗日算子法对公式<1>进行重构，得：

其中χ∈[0,1]，α_i,q表示第q块特征空间子区域的第i个拉格朗日算子，α_j,q表示第q块特征空间子区域的第j个拉格朗日算子；

(3b)计算公式<2>所述优化问题，得到目标鉴别器训练集Y＝{J_q＝(O_q,S_q,R_q)}，其中J_q表示第q块特征空间子区域，O_q表示第q块特征空间子区域支持向量个数，S_q表示第q块特征空间子区域支持向量集合，即S_q＝{s_i,q}，s_i,q表示第q块子区域的第i个支持向量，i＝1,...,O_q，R_q表示第q块特征空间子区域的半径。

步骤4，根据测试目标特征与训练模板库特征空间子区域的位置关系对测试目标类别进行判决。

(4b)利用支持向量域描述模型对测试目标进行第一次判决：

(4b1)利用第q块特征空间子区域J_q的子区域支持向量个数O_q和子区域支持向量集合S_q确定测试目标特征Z与支持向量s_i,q之间的距离d_q(Z)：

其中，ρ(s_i,q)表示第q块特征空间子区域的第i个支持向量的密度中心偏离度权值，ρ(s_j,q)表示第q块特征空间子区域的第j个支持向量的密度中心偏离度权值，α_i,q表示第q块特征空间子区域的第i个拉格朗日算子，α_j,q表示第q块特征空间子区域的第j个拉格朗日算子，s_i,q表示第q块特征空间子区域的第i个支持向量，s_j,q表示第q块特征空间子区域的第j个支持向量，其中s_i,q∈S_q，s_j,q∈S_q，i＝1,...,O_q，j＝1,...,O_q，q＝1,...,Q；

(4b2)将上述距离d_q(Z)与特征空间子区域半径R_q进行比较：

若d_q(Z)≤R_q，则测试目标特征Z位于第q块特征空间子区域J_q中，得到最终判决结果为库内目标；

若d_q(Z)＞R_q，则测试目标特征Z位于第q块特征空间子区域J_q外，得到判决结果为疑似库外目标，执行步骤(4c)进行第二次判决；

需要说明的是，由于训练模板库的非完备性造成的支持向量域描述目标特征区域紧缩，在第一次判决后，大量的库内目标会被判决为库外目标，所以在本发明中，基于K近邻准则，利用特征区域的支持向量对疑似库外目标进行第二次判决。

(4c)基于K近邻准则对测试目标进行第二次判决：

(4c3)计算Ω个近邻向量的加权均值向量计算测试目标特征Z与s_mean的距离d(Z,s_mean)＝||Z,s_mean||₁，||·||₁表示L1范数距离；

本发明的效果通过以下仿真试验进一步说明：

1.仿真条件：

设雷达发射信号采用简单脉冲步进频率体制，其载频为f_c＝34GHz，信号脉冲宽度为τ＝100ns，脉冲重复周期为T_r＝32μs，时域采样频率f_s＝40MHz，脉冲步进频率个数N＝128，脉冲步进频率Δf＝4MHz，由此参数可得雷达发射信号合成带宽为B＝512MHz，其对应的距离分辨率为Δr＝c/2B＝0.293m。

2.仿真内容与结果：

仿真1，利用坦克目标与雷达站目标实际测量数据建立训练模板库特征空间。

采集360°下的坦克目标与雷达站目标雷达回波数据，对坦克目标与雷达站目标的雷达回波数据进行处理，生成高分辨一维距离像，并提取该高分辨一维距离像的长度特征与散射点个数特征，组成坦克目标与雷达站目标训练模板库特征空间，实验结果如图2所示。

从图2可见，本发明利用K-Means聚类算法进行特征空间区域划分，并通过支持向量域描述模型对特征空间子区域进行准确的描述。

仿真2，生成坦克目标与雷达站目标的鉴别器训练集。

利用基于相关系数预处理的K-Means聚类算法对模板库特征空间进行区域划分，结果如图3所示。在此基础上，利用基于加权优化的支持向量域描述SVDD模型确定各个特征空间子区域的支持向量与区域边界，结果如图4所示。

从图3可见，通过K-Means聚类算法处理，可将图2中的特征空间分为三块特征区域。

从图4可见利用支持向量域描述算法处理，可确定图3中的特征空间子区域的区域边界与支持向量，以此作为鉴别器的训练集。

仿真3，本发明鉴别器与常规鉴别器的鉴别性能对比。

衡量鉴别器性能的通用评估准则是接收机工作特性ROC曲线，ROC曲线为二维曲线，鉴别器的ROC曲线下方的积分面积越大，鉴别性能越好，ROC曲线的横轴表示负样本被错分为正目标的比率，用P_f+表示；纵轴表示正样本被正确分为正目标的比率，用P_t+表示；

为保证鉴别性能对比的公平性，进行对比的三类鉴别器的训练模板库均采用仿真的300组坦克目标高分辨一维距离像与300组雷达站目标的高分辨一维距离像；

测试数据均采用400组运动小车的高分辨一维距离像、300组静止坦克高分辨一维距离像与100组运动坦克高分辨一维距离像；

分别利用本发明鉴别器和现有的K近邻分类器、支持向量域模型鉴别器对测试数据进行鉴别，调整近邻阈值ζ∈[0,1]，绘制的ROC曲线，如图5所示。

从图5可见，K近邻分类器和支持向量域模型鉴别器在P_f+＝0.1时，P_t+仅为0.7，本发明鉴别器在P_f+＝0.1时，P_t+为0.9，该结果体现了本发明鉴别器在低P_f+时，仍具有良好的鉴别性能，并且本发明鉴别器的ROC曲线下面积明显大于两类现有鉴别器的ROC曲线下面积，说明其鉴别性能稳定性明显优于两类现有鉴别器。

仿真4，本发明鉴别器与常规鉴别器的实时性能对比。

为保证实时性能对比的公平性，进行对比的三类鉴别器的测试数据采用400组运动小车的高分辨一维距离像、300组静止坦克高分辨一维距离像与100组运动坦克高分辨一维距离像；

调整训练模板库的规模，绘制本发明鉴别器和现有的K近邻分类器、支持向量域模型鉴别器的实时性能曲线，如图6所示。

从图6可见，由于K近邻分类器和支持向量域模型鉴别器需要对训练模板库中的特征进行遍历，随着模板库规模的增大，其运行时间呈现指数形式的增加，这说明现有鉴别器在大规模模板库的情况下，无法实现雷达信号的实时处理，本发明鉴别器采用区域划分方法，有效地减少了模板库规模，当模板库规模增大时，运行时间平稳且小于1s，可见在实际应用中本发明鉴别器不受模板库规模影响，可有效实现雷达信号的实时处理。

综上所述，本发明鉴别器对训练模板库特征空间进行区域划分操作，有效的减少了训练模版库规模，大幅提高了运算速度，同时采用精细化区域描述的方法，有效地保证了目标鉴别的准确性，从实验结果可以看出本发明鉴别器相比于现有鉴别器具有更好的鉴别性能，且具备雷达信号实时处理的能力。

Claims

1.基于空间分布的雷达地面目标鉴别器设计方法，包括如下步骤：

1)构建雷达目标鉴别器训练模板库特征空间：

(1b)建立M类典型目标的训练模板库特征空间B：

B＝{X_m,n＝(l_m,n,t_m,n)}

其中，X_m,n表示第m类第n个目标的特征向量，l_m,n∈L_m，t_m,n∈T_m；

2)对训练模板库特征空间B进行区域划分：

(2b)利用K-Means聚类算法对特征空间B进行精细化区域划分，生成Q块特征空间子区域，将第q块特征空间子区域表示为F_q＝(θ_q,η_q,ψ_q)，其中θ_q表示第q块子区域中目标特征个数，η_q表示第q块子区域目标特征集合，η_q＝{ε_v,q＝X_m,n}，ε_v,q表示η_q中的目标特征，v＝1,...,θ_q；

(4a)对测试目标雷达回波e_z进行如步骤1)的高分辨一维距离成像与特征提取，生成测试目标特征Z；

(4b)利用支持向量域描述模型对测试目标进行第一次判决：

(4c)基于K近邻准则对测试目标进行第二次判决：

<mrow> <msub> <mi>w</mi> <mi>k</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>exp</mi> <mo>&lsqb;</mo> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>k</mi> </msub> <mo>,</mo> <mi>Z</mi> <mo>)</mo> </mrow> <mo>&CenterDot;</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>q</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Q</mi> </munderover> <mo>|</mo> <msub> <mi>R</mi> <mi>q</mi> </msub> <mo>-</mo> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&psi;</mi> <mi>q</mi> </msub> <mo>)</mo> </mrow> <mo>|</mo> <mo>/</mo> <mi>Q</mi> <mo>&rsqb;</mo> </mrow> </mfrac> </mrow>

2.根据权利要求1所述的方法，其中步骤(1a)中提取目标高分辨一维距离像h_m,n的长度特征l_m,n，步骤如下：

根据的最大值确定滑窗阈值将第一个时的滑窗位置确定为目标的起点L_s，最后一个时的划窗位置确定为目标的终点L_f，并计算二者差值，得高分辨一维距离像h_m,n的长度特征：l_m,n＝|L_s-L_f|。

3.根据权利要求1所述的方法，其中步骤(1a)中提取目标高分辨一维距离像h_m,n的散射点个数特征t_m,n，步骤如下：

判断h_m,n中的第p个点h_m,n(p)是否同时满足以下三个条件：

h_m,n(p)＞Th_m,n

h_m,n(p)＞h_m,n(p-1)

h_m,n(p)＞h_m,n(p+1)

根据散射点符号函数β(p)，则计算目标高分辨一维距离像h_m,n的散射点个数特征：

4.根据权利要求1所述的方法，其中步骤3)中利用两个权值对支持向量域描述模型进行加权优化，步骤如下：

(3a)根据第q块特征空间子区域中目标特征分布情况，基于支持向量域描述模型，构建一个半径最小且包含该特征空间子区域全部特征的超球体对该特征空间子区域进行描述，具体公式为：

<mrow> <mtable> <mtr> <mtd> <mrow> <mi>min</mi> <mi> </mi> <msubsup> <mi>R</mi> <mi>q</mi> <mn>2</mn> </msubsup> <mo>+</mo> <mi>C</mi> <munderover> <mo>&Sigma;</mo> <mrow> <mi>v</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>&theta;</mi> <mi>p</mi> </msub> </munderover> <mi>&rho;</mi> <mrow> <mo>(</mo> <msub> <mi>&epsiv;</mi> <mrow> <mi>v</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>&xi;</mi> <mi>v</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <mi>&delta;</mi> <mrow> <mo>(</mo> <msub> <mi>&epsiv;</mi> <mrow> <mi>v</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&CenterDot;</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>&epsiv;</mi> <mrow> <mi>v</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>a</mi> <mi>q</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>&le;</mo> <msubsup> <mi>R</mi> <mi>q</mi> <mn>2</mn> </msubsup> <mo>+</mo> <msub> <mi>&xi;</mi> <mi>v</mi> </msub> <mo>,</mo> <msub> <mi>&xi;</mi> <mi>v</mi> </msub> <mo>&GreaterEqual;</mo> <mn>0</mn> </mrow> </mtd> <mtd> <mrow> <mo>&ForAll;</mo> <mi>v</mi> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mo><</mo> <mn>1</mn> <mo>></mo> </mrow>

其中，ε_v,q为第q块特征空间子区域中的第v个特征，θ_q为第q个特征空间子区域的特征数目，R_q表示第q块特征空间子区域超球体半径，C表示权重因子，ξ_v表示松弛向量，a_q表示第q块特征空间子区域超球体的球心，ρ(ε_v,q)与δ(ε_v,q)是对特征空间子区域分布情况进行描述的权值，ρ(ε_v,q)表示特征空间子区域的密度中心偏离度权值，δ(ε_v,q)表示特征空间子区域的密度权值，其具体定义如下：

<mrow> <mi>&rho;</mi> <mrow> <mo>(</mo> <msub> <mi>&epsiv;</mi> <mrow> <mi>v</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Q</mi> </munderover> <mfrac> <mrow> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>&epsiv;</mi> <mrow> <mi>v</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>&epsiv;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>&epsiv;</mi> <mrow> <mi>v</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>&psi;</mi> <mi>q</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow> <mi>K</mi> </mfrac> </mrow>

<mrow> <mi>&delta;</mi> <mrow> <mo>(</mo> <msub> <mi>&epsiv;</mi> <mrow> <mi>v</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <mfrac> <mn>1</mn> <mi>Q</mi> </mfrac> <mo>&CenterDot;</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>Q</mi> </munderover> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>&epsiv;</mi> <mrow> <mi>v</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>&epsiv;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mfrac> <mn>1</mn> <msub> <mi>&theta;</mi> <mi>q</mi> </msub> </mfrac> <mo>&CenterDot;</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>&theta;</mi> <mi>q</mi> </msub> </munderover> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>&epsiv;</mi> <mrow> <mi>v</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>&epsiv;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

其中d(ε_v,q,ε_j,q)＝||ε_v,q,ε_j,q||₁，表示特征ε_v,q与特征ε_j,q的L1范数距离；d(ε_v,q,ψ_q)＝||ε_v,q,ψ_q||₁，表示特征ε_v,q与特征ψ_q的L1范数距离；d(ε_v,q,ε_i,q)＝||ε_v,q,ε_i,q||₁，表示特征ε_v,q与特征ε_i,q的L1范数距离；

(3b)计算公式<1>所述优化问题，得到目标鉴别器训练集Y＝{J_q＝(O_q,S_q,R_q)}，其中J_q表示第q块特征空间子区域，O_q表示第q块特征空间子区域支持向量个数，S_q表示第q块特征空间子区域支持向量集合，即S_q＝{s_i,q}，s_i,q表示第q块子区域的第i个支持向量，i＝1,...,O_q，R_q表示第q块特征空间子区域的半径。

5.根据权利要求1所述的方法，其中步骤(4b)中判断测试目标特征Z与第q块特征空间子区域J_q的位置关系，具体步骤如下：

<mrow> <msub> <mi>d</mi> <mi>q</mi> </msub> <mrow> <mo>(</mo> <mi>Z</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mi>Z</mi> <mo>&CenterDot;</mo> <mi>Z</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mn>3</mn> </msup> <mo>-</mo> <mn>2</mn> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>O</mi> <mi>q</mi> </msub> </munderover> <mi>&rho;</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>&alpha;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>&CenterDot;</mo> <msup> <mrow> <mo>(</mo> <mi>Z</mi> <mo>&CenterDot;</mo> <msub> <mi>s</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mn>3</mn> </msup> <mo>+</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>O</mi> <mi>q</mi> </msub> </munderover> <mi>&rho;</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>)</mo> </mrow> <mi>&rho;</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>&alpha;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <msub> <mi>&alpha;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>&CenterDot;</mo> <msup> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>&CenterDot;</mo> <msub> <mi>s</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mn>3</mn> </msup> </mrow>

其中，ρ(s_i,q)表示第q块特征空间子区域的第i个支持向量的密度中心偏离度权值，ρ(s_j,q)表示第q块特征空间子区域的第j个支持向量的密度中心偏离度权值，α_i,q表示第q块特征空间子区域的第i个拉格朗日算子，α_j,q表示第q块特征空间子区域的第j个拉格朗日算子，s_i,q表示第q块特征空间子区域的第i个支持向量，s_j,q表示第q块特征空间子区域的第j个支持向量，其中s_i,q∈S_q，s_j,q∈S_q，i＝1,...,O_q，j＝1,...,O_q；

(4b2)将上述距离d_q(Z)与特征空间子区域半径R_q进行比较：

若d_q(Z)≤R_q，则测试目标特征Z位于第q块特征空间子区域J_q中；

若d_q(Z)＞R_q，则测试目标特征Z位于第q块特征空间子区域J_q外。