CN105242254A - 一种基于数据质量评估的对空目标识别方法 - Google Patents

Abstract

本发明涉及一种基于数据质量评估的对空目标识别方法，其主要流程是：首先通过对雷达回波检测、点迹凝聚处理，找到目标回波的中心点，提取目标回波数据；通过提取杂波占比因子、目标完整度因子、信噪比，形成目标数据质量评估因子；然后利用目标数据质量评估因子对目标数据进行预处理；最后利用数据质量因子及预处理后的目标回波数据，提取目标调制谱特征，判断目标是喷气式飞机、螺旋桨飞机或是直升机。本发明所提供的方法主要针对工程应用实现，能够很好的剔除杂波干扰、雷达副瓣干扰的影响，识别正确率达到85％以上，并具有很好的稳健性和适应性。

Description

一种基于数据质量评估的对空目标识别方法

技术领域

本发明属于雷达目标信号分类识别技术，特别是一种用于常规警戒雷达系统中，能够实现将空中目标分类识别为喷气式飞机、螺旋桨飞机和直升机的分类识别方法。

背景技术

空中飞机目标主要分为喷气式飞机、螺旋桨飞机和直升机三类。这三类飞机上都存在旋转部件，如直升机的主旋翼和尾旋翼，螺旋桨飞机的螺旋桨叶片和喷气式飞机发动机的压缩叶片，它们在飞机飞行的同时，自身也存在周期性的旋转运动。目标的微动会对雷达回波产生附加的调制，使得目标回波多普勒是时变的，表现在频谱上式存在频谱旁瓣或多普勒频率展宽，折算目标结构部件与目标主体之间相互作用的结果。微动产生的微多普勒特征，即调制谱特征，是目标独特的特征，它反映了目标的几何结构和运动特征，可以用来确定目标的性质，为雷达目标识别提供了新的途径，具有重要的研究价值和意义。

基于微多普勒特征的技术研究是雷达目标识别领域的研究热点之一。如在加拿大DefenceR&DCanada公司在研究报告《Micro-Dopplerradarsignaturesforintelligenttargetrecognition》中，对直升机叶片的频域特征进行分析，并且提出了相应的叶片频谱提取方法；在2009年2月的《指挥控制与仿真》中《多普勒频谱及JEM效应在空中目标识别中的应用分析》提出利用相位和幅度综合的方法试图对三类目标进行分类识别；在2006年《现代雷达》中《基于微多普勒特征的空中目标识别》提出利用多普勒频谱能量的不对称性和能量对比实现了固定翼飞机和直升机的分类识别。

与其他文献中提出的方法不同，本发明针对实际雷达的数据特点，通过对目标回波的数据质量进行评估，自适应调整数据预处理和特征提取策略和参数，有效提取目标的调制谱特征，能够有效降低因杂波干扰、副瓣干扰而产生的识别错误，具有更为稳健、抗干扰能力更强的分类识别能力。

发明内容

本发明的目的在于提供一种解决常规相参体制警戒雷达系统的空目标识别方法。通过本发明，能够在警戒雷达系统中实现喷气式飞机、螺旋桨飞机和直升机的分类识别能力，识别正确率达到85％以上。

实现本发明的技术解决方案为：

首先通过对雷达回波检测、点迹凝聚处理，找到目标回波的中心点，提取若干能够用于处理的目标回波数据；通过提取杂波占比因子、目标完整度因子、信噪比，形成目标数据质量评估因子；然后利用目标数据质量评估因子对目标数据进行预处理；最后利用数据质量评估因子及预处理后的目标数据，提取目标调制谱特征，判断目标是喷气式飞机、螺旋桨飞机或是直升机。本发明所提供的方法主要针对工程应用实现，具有很好的抗干扰、抗杂波的特点，并且直升机正确率达到85％以上。

本发明与现有技术相比，其显著优点为：

通过本发明的基于数据质量评估因子的数据预处理方法，能够有效抑制背景杂波、目标副瓣等因素产生的干扰，能准确、有效地提取出目标回波中存在的真实调制谱特征信息，该方法与现有调制谱特征识别处理方法相比，对杂波干扰、副瓣干扰、噪声干扰的抑制能力更好，预处理后的目标数据用于特征提取和分类识别的准确率更高；

采用基于数据质量评估因子进行调制谱特征提取和分类器设计，能够有效对空目标进行分类识别。该方法具有实时性好、检测概率高的特点，更为重要的是，该分类识别方法的适应性更强，能够适应各种强度杂波环境及噪声环境，并且能够适应不同型号雷达，它的提出及工程实现在雷达目标检测与识别领域具有很高的推广应用价值。用本发明的方法，经实际测试，其中螺旋桨类246个批次、喷气式飞机900个批次，直升机480个批次，测试结果如表1所示。

表1现场测试结果表

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明的工作流程图。

图2是背景杂波剔除处理流程。

图3是背景杂波剔除处理效果1。

图4是背景杂波剔除处理效果2。

图5是副瓣抑制方法处理流程图。

图6是副瓣抑制处理效果1。

图7是副瓣抑制处理效果2。

具体实施方式

本发明实现方法具体实施步骤为，参见附图1：

(1)根据位置信息提取目标粗略范围Θ。根据已经建立的目标航迹信息，得到目标的方位α_c和距离d_c，利用方位α_c和距离d_c，从接收机的回波IQ数据截取目标区域的波门数据Θ(二维数组，其大小为M×N，其中M为所取的方位脉冲个数，N为所取的距离单元个数，一般M可取150，N取40)。

(2)目标位置检测。利用MTD检测方法，获得目标所在的距离单元，得到目标回波数据f_Target。

(3)目标距离单元FFT处理。对目标回波数据f_Target进行FFT处理，得到目标回波频谱数据F_Target。

(4)数据质量评估。利用目标波门数据Θ和FFT处理后的数据F_Target进行数据质量评估，计算杂波占比因子、目标完整度因子、信噪比，具体计算方法如下：

杂波占比因子(SCR)计算方法：

$SCR={F_c}^{\max }/f_{Noise}^{mean}$

其中是目标回波频谱F_Target的低频背景杂波区域的最大值，是波门数据Θ中背景噪声均值。

目标完整度因子(TAR)计算方法：

$TAR=\frac{N\·{f_t}^{\max }/2}{|\arg \left({f_t}^{\max }\right)-N/2|\·\left(f_t\right(1)+f_t(N\left)\right)}$

其中是目标回波数据f_Target中同一距离单元的最大幅度，是最大幅度所在的脉冲序号，f_t(1)、f_t(N)分别是目标回波数据f_Target中同一距离单元的第一个幅度值和最后一个脉冲幅度值。完整系数(TAR)越大，说明所采集的目标区域越完整。

信噪比(SNR)估计方法：

$SNR={F_t}^{\max }/f_{Noise}^{mean}$

其中是经过目标回波频谱F_Target中非背景杂波区频谱的最大值，是背景噪声均值。

(5)背景杂波剔除。利用杂波占比因子、信噪比，从0频率开始判断当前频率是否属于杂波成分，逐步剔除目标回波频谱数据F_Target中的背景杂波成分，得到背景剔除后的目标频谱F′_Target，具体流程如图2所示，分别是对目标频谱F′_Target进行正频率方向和负频率方向的背景杂波剔除处理，具体流程说明如下：

●正频率方向背景杂波剔除处理

a)对目标回波频谱数据F_Target，从0频率开始，向正频率方向开始，判定当前频率点i的幅度F_Target(i)与噪声均值比值，得到频点幅度比k_Target(i)；

$k_{T\arg et}\left(i\right)=F_{T\arg et}\left(i\right)/f_{Noise}^{mean}$

b)如果k_Target(i)<K(K为常数，一般取2)，则判定当前频率点i符合噪声特性，则认为当前频率点i即为背景杂波的截止频率，则正频率方向杂波抑制结束；

c)如果k_Target(i)≥K，则计算该频率点的导数F′_Target(i)；如果导数F′_Target(i)＜0，则认为当前频率点i属于背景杂波，将i加1，跳转到步骤a)；

d)如果导数F′_Target(i)≥0，则计算F_Target(i)与F_Target(0)比值，即频率点i幅度与频率点0幅度的比值是否大于K_Sobel(K_Sobel一般取0.1)，判定是否是副瓣；

e)如果判定是副瓣，则将i加1(i＝i+1)，跳转回步骤a)；否则认为当前频率点i即为背景杂波的截止频率，则正频率方向杂波抑制结束。

●负频率方向背景杂波剔除处理

a)对目标回波频谱数据F_Target，从0频率开始，向负频率方向开始，判定当前频率点i的幅度F_Target(i)与噪声均值比值，得到频点幅度比k_Target(i)；

$k_{T\arg et}\left(i\right)=F_{T\arg et}\left(i\right)/f_{Noise}^{mean}$

b)如果k_Target(i)<K(K为常数，一般取2)，则判定当前频率点i符合噪声特性，则认为当前频率点i即为背景杂波的截止频率，则负频率方向杂波抑制结束；

c)如果k_Target(i)≥K，则计算该频率点的导数F′_Target(i)，如果导数F′_Target(i)>0，则认为当前频率点i属于背景杂波，将i加1，跳转到步骤a)；

d)如果导数F′_Target(i)≤0，则计算F_Target(i)与F_Target(0)比值，即频率点i幅度与频率点0幅度的比值是否大于K_Sobel(K_Sobel一般取0.1)，判定是否是副瓣；

e)如果判定是副瓣，则将i减1(i＝i-1)，跳转到步骤a)；否则认为当前频率点i即为背景杂波的截止频率，则负频率方向杂波抑制结束。

经过背景杂波剔除前后的对比如图3、图4所示，可见该方法能够非常完整的剔除不同杂波谱宽的背景杂波，而不影响目标频谱；

(6)多普勒速度补偿。根据目标航迹的历史航迹点，用最小二乘法进行直线拟合，估计目标的运动航向和航速信息，进而得到目标的径向速度(目标沿雷达射线方向运动速度)v_d，并估计目标自身的多普勒频率f_d，其中：

f_d＝2·v_d/λ，λ为雷达发射波长

利用多普勒频率f_d对F′_Target进行多普勒速度补偿，将F′_Target进行-f_d的圆周平移，得到F″_Target。

(7)副瓣抑制处理。利用目标完整度因子(TAR)对F″_Target进行副瓣抑制，得到预处理结果具体处理流程如图5所示，具体流程说明如下：

a)估计当前频率点的副瓣幅度，初始i＝-N/2(N是FFT后的数据长度)，对副瓣抑制处理后数据F″_Target，利用当前频率点i附近频率点的幅度估计当前频率点i的副瓣幅度F_Sobel：

$F_{Sobel}\left(i\right)=\frac{\frac{1}{N}max\left(\underset{k=1}{\overset{M}{\&Sigma;}}{F}_{T\arg et}^{\&prime;\&prime;}\left(i-3-M\right),\underset{k=1}{\overset{M}{\&Sigma;}}{F}_{T\arg et}^{\&prime;\&prime;}\left(i+3+k\right)\right)g\left(N-\max index\left(F^{\&prime;\&prime;}\left(i-M:i+M\right)\right)\right)}{K_1}$

其中，maxindex(·)为计算向量最大值的坐标，K₁为常数，M一般取5-7。

b)比较估计的频率点i副瓣幅度F_Sobel(i)与实际的F_Target(i)大小，如果F_Sobel(i)≤F_Target(i)，则跳转到步骤c；否则，根据对当前频率点i进行副瓣衰减处理，衰减方法为：

$F_{T\arg et}^R\left(i\right)=F_{T\arg et}^{\&prime;\&prime;}\left(i\right)k\&CenterDot;\underset{j=i-L}{\overset{j=i+L}{\&Sigma;}}{e}^{F_{Sobel}\left(j\right)\&CenterDot;F_{T\arg et}^{\&prime;\&prime;}(2L-j)},i=1,2...N$

其中，F″_Target为目标频谱经过背景杂波剔除、多普勒速度补偿后的结果。

c)i＝i+1，跳转到步骤a，直到完成所有频率点副瓣抑制。

经过副瓣抑制前后的对比如图6、图7所示，可见目标频谱的副瓣都得到了很好的抑制，对后面分割处理不再会产生影响；

(8)门限分割处理。对副瓣抑制后的数据，需要通过设定一定的门限，判定具体哪些是噪声点和调制谱，采用数据质量评估结果动态调整分割门限，以能对各种条件下有效的提取目标调制谱。主要处理流程如下：

a)首先根据完整系数(TAR)，选择门限计算策略，预估基础门限；

${\mathrm{Thr}}_{base}=\left\{\begin{array}{cc}{f}_{TNoise}^{mean}+n_1\&CenterDot;f_{TNoise}^{std}& TAR<T_1\\ f_{Noise}^{mean}+n_2\&CenterDot;f_{Noise}^{std}& TAR\&GreaterEqual;T_1\end{array}\right.$

分别是用目标回波距离单元数据估计出的噪声均值和方差；分别是用背景噪声估计出的噪声均值和方差，n₁、n₂为常数。

b)根据杂波占比因子(SCR)的大小，对门限再次进行调整。

${\mathrm{Thr}}_1=\left\{\begin{array}{cc}{\mathrm{Thr}}_{base}\&CenterDot;k_1^{SCR/k_2}& SCR>{\mathrm{SC}}_1\\ {\mathrm{Thr}}_{base}& else\end{array}\right.$

k₁、k₂为常数。

c)根据目标的信噪比(SNR)大小，对门限进行调整；

${\mathrm{Thr}}_1=\left\{\begin{array}{cc}{\mathrm{Thr}}_{base}\&CenterDot;\exp (SNR-S_1)& SNR>S_1\\ {\mathrm{Thr}}_{base}\&CenterDot;h_1^{(S_1-SNR)/h_2}& SNR\&le;S_1\end{array}\right.$

h₁、h₂为常数。

(9)调制特征提取。经过门限分割后，剩余的频谱主要是目标机身产生的主频和由旋转部件运动产生的调制谱，针对飞机的调制谱特征分布，主要提取7种特征，主要包括：调制谱个数、最小谱间隔、最大谱间隔、平均谱间隔、邻域内积累谱数量、对称调制谱个数，去对称性最小谱间隔。

(10)分类识别。通过所提取的调制谱特征，设计对3类目标适用的分类器，主要分类准侧如下表所示：

表2不同类型目标特征分布特点

Claims (2)

1.一种基于数据质量评估的对空目标识别方法，其特征在于，包括以下步骤：

步骤一、通过检测、凝聚方法，找到目标回波的中心点，提取能够用于处理的目标回波数据；

步骤二、对目标数据进行质量评估，计算数据质量评估因子，包括杂波占比因子、目标完整度因子、信噪比，根据数据质量评估因子，对目标数据进行预处理，包括背景杂波剔除、多普勒频率补偿和副瓣抑制；

步骤三、依据数据质量评估因子，对预处理后的目标数据进行自适应门限分割，提取目标调制谱特征和分类处理，判断目标是喷气式飞机、螺旋桨飞机或是直升机；

通过该方法识别正确率达到85％以上。

2.根据权利要求1所述的基于数据质量评估的对空目标识别方法，其特征在于步骤二中所述的预处理方法具体为：

第一步、对目标数据进行质量评估，计算数据质量评估因子，包括杂波占比因子、目标完整度因子、信噪比；

第二步、利用数据质量评估因子，对目标数据进行预处理，包括背景杂波剔除、多普勒频率补偿和副瓣抑制。