CN105469060A - 一种基于紧致性测度加权的舰船类型识别方法 - Google Patents

Abstract

本发明公开了一种基于紧致性测度加权的舰船类型识别方法。传统上基于一维距离像进行目标识别时，大多是只对一维距离像特征进行提取，没有根据特征的紧致性测度对特征进行直接加权处理。首先对原始HRRP数据进行降噪、归一化，解决了HRRP对幅度的敏感性问题；通过估计船的起始点与终止点提取目标区域，对HRRP数据进行预处理，解决了HRRP的平移问题；通过提取姿态不变特征，从一定程度上也解决了HRRP姿态敏感性问题。由于所提取的各个特征紧致性测度不同，因此本发明根据样本特征的紧致性测度，将所提取的特征乘以样本各特征的紧凑度，体现不同特征在分类识别过程中所占的权重不同，再用最近邻法对测试样本进行分类识别。

Description

一种基于紧致性测度加权的舰船类型识别方法

技术领域

本发明属于雷达一维距离像目标识别领域，涉及一种基于紧致性测度加权的舰船类型识别方法，适用于基于雷达一维距离像的舰船目标识别应用技术研究。

背景技术

当雷达径向距离分辨力远小于目标尺寸时，目标回波在距离方向上占据多个距离像单元，在一维距离像(HRRP)上各距离单元的幅度大小等于来自该距离单元内所有散射中心回波的相干求和，而散射中心反映了目标的大小、几何形状、材料结构等信息。因此，雷达高分辨一维距离像能够反映目标精细的结构信息。雷达一维距离像目标识别技术主要分为特征的提取与分类器的设计。

一种最简单的HRRP识别方法是直接根据HRRP进行识别，但是由于HRRP数据维数过高，这将导致计算量大。且因为HRRP具有姿态敏感性、平移敏感性以及幅度敏感性的特点，所以直接根据HRRP原始数据进行识别的效果很差。另外，HRRP对姿态敏感以及平移敏感问题也正是舰船HRRP目标识别技术的难点所在。再者，传统的HRRP舰船目标识别都是针对军船或民船中某几种类型的舰船进行细分类，如对军船中的巡洋舰、驱逐舰两类军船进行分类识别，分类的测试数据往往也都是来自于同一目标个体不同姿态角下所测试的的雷达回波。但是，实际上由于军船和民船的种类繁多、同一类型不同目标个体之间无论形状、尺寸还是材料结构之间都有很大的差别，不可能对诸多舰船目标一一进行样本数据采集，因此这种针对个体目标的细分类适用性不大。在实际应用中，往往需要对军船和民船两种类型的舰船首先进行粗分类，即只需判为军船或民船，再判断是否需要进一步的跟踪、识别。

对于HRRP幅度敏感性问题一般采取对原始一维距离像进行归一化来解决。同时，为了解决HRRP的姿态敏感性以及平移敏感性的问题，一般通过提取对姿态及平移不敏感的各类目标所固有的、稳定的特征来解决HRRP的平移敏感性和姿态敏感性问题。对雷达一维距离像的识别过程中，要求从目标回波数据中提取出对分类识别最有效的目标特征信息，剔除各类目标中共有的特征、噪声及其他冗余信息，使同类样本尽可能聚集，不同类样本之间尽可能的分开。一般来说，从舰船目标的雷达回波中所提取的单一特征用于分类识别的效果并不是很理想，往往需要提取多个特征来进行综合识别，以达到更好的识别效果。传统的HRRP特征融合技术主要有：基于D-S证据理论判据法、主成分分析法、基于Fisher准则的加权融合。常用的HRRP目标分类方法有：基于贝叶斯理论分类器、最近邻法、相关匹配法、神经网络法以及支持向量机法。

发明内容

本发明的目的是为了解决对军船和民船一维距离像两类舰船进行粗分类的问题，提出了一种基于紧致性测度加权的舰船类型识别方法。

本发明方法流程图如图1所示，包括以下步骤：

1)HRRP数据预处理

a.对HRRP原始数据进行低通滤波，去除由于海杂波背景及雷达成像设备本身产生的噪声干扰。

b.为了解决HRRP对幅度的敏感性问题，需要对HRRP数据进行归一化处理。

c.由于HRRP数据中舰船目标区域只占据整个HRRP的一部分，因此还需要通过估计船的起始点与终止点来提取目标区域，提取HRRP中舰船目标区域的目的是为了解决HRRP的平移敏感性问题，原始的HRRP波形图如图2所示，预处理后的HRRP波形图如图3所示。

2)特征的提取

针对HRRP数据具有平移敏感性以及姿态敏感性的问题，本算法提取了HRRP的10个有效特征，设{x(n)|n＝1,2,3,...,N}为HRRP序列，N为HRRP序列的维数。以下为10个特征的计算方法：

(1)平均值特征

$T_1=\frac{1}{N}\underset{n=0}{\overset{n=N-1}{\Σ}}x\left(n\right)$

(2)方差特征

$T_2=\frac{1}{N+1}\underset{n=0}{\overset{n=N-1}{\Σ}}{(x\left(n\right)-E\left(x\right))}^2.$

(3)波峰数目特征

若一维距离像的最大峰值X_m为，波峰的个数为，其中λ₁取0.5：

T₃＝length{n|x(n)≥λ₁X_m,x(n)＞x(n-1),x(n)＞x(n+1)}

(4)波峰宽度特征

T₄＝{n|x(n)≥λ₁X_m}

(5)平均起伏性特征

$T_5=\underset{n=0}{\overset{n=N-1}{\Σ}}{|x\left(n\right)-E\left(x\right)|}^2/\underset{n=0}{\overset{n=N-1}{\Σ}}{\left|x\left(n\right)\right|}^2$

式中， $E\left(x\right)=\frac{1}{N}\underset{n=0}{\overset{n=N-1}{\Σ}}x\left(n\right).$

(6)差分起伏性特征

$T_6=\underset{n=0}{\overset{n=N-1}{\Σ}}{|x\left(n\right)-x(n-1)|}^2/\underset{n=0}{\overset{n=N-1}{\Σ}}{\left|x\left(n\right)\right|}^2$

(7)对称性特征

假设含有目标的一维距离像序列的起始点为k_s，终止点为k_e，则中间点为k_m＝(k_s+k_e)/2，则对称性特征为：

$T_7=\underset{n=0}{\overset{k_m}{\Σ}}x\left(n\right)/\underset{n=k_m+1}{\overset{n=N-1}{\Σ}}x\left(n\right)$

(8)径向能量特征

径向能量特征反应的是目标整体的散射能力的强弱，径向能量特征为：

$T_8=\underset{n=0}{\overset{n=N-1}{\Σ}}{\left|x\left(n\right)\right|}^2$

(9)二阶中心矩特征

中心矩特征具有平移不变性及尺度不变性，中心矩特征为：

$T_9=\underset{n=0}{\overset{n=N-1}{\Σ}}{(n-m_1)}^2\×x\left(n\right)$

其中， $m_1=\underset{n=0}{\overset{n=N-1}{\Σ}}n\×x\left(n\right),$ 为一阶中心矩。

(10)散射中心分布熵特征

散射中心分布熵反应的是一维散射中心的分布情况，揭示了散射中心在径向尺度内的离散程度。散射中心分布熵特征公式如下：

$T_{10}=-\underset{n=0}{\overset{n=N-1}{\Σ}}x\left(n\right)\×\log \left(x\left(n\right)\right)$

3)数据准备

本实验采用的是一组不同目标不同姿态角下的雷达一维距离像实测据，5个民船目标在不同姿态角下的HRRP，5个军船目标在不同姿态角下的HRRP。在军船和民船的不同目标的HRRP实测数据中，随机的从每个目标的HRRP数据中选取一定比例(取50％)的训练样本，剩下的作为测试样本。

表1为军船和民船训练测试数据统计表

4)紧致性测度加权识别方法

由于单个特征的识别效果不理想，为了得到更好的分类效果，往往选择对多个特征进行综合识别。但是传统的对多特征进行综合识别的算法中，并没有对所提取的特征根据其紧致性测度进行直接的加权融合，以体现不同特征在分类识别中权重的不同。而且，传统的舰船目标识别也只是对不同类型的目标个体之间进行细分类，各类舰船的测试数据来自同一个体不同姿态角的HRRP。而本算法则是针对军船和民船两类舰船的HRRP粗分类问题，测试数据来自不同的目标个体。因此本发明针对民船和军船两类舰船目标识别问题，提出了一种基于紧致性测度的特征加权融合准则，并以不加权的原始特征以及Fisher特征加权融合识别方法作对比，以证明本发明的优越性。

(1)对每个训练和测试样本，采用步骤2)的方法提取出10个特征组成一个10维的特征向量。可组成训练样本集：

T_l＝{X₁,X₂,...,X_i,...,X₁₀},X_i∈Rⁿ,l＝1,2

其中X_i为n维的输入向量X_i＝{x₁,x₂,...,x_n}，即n维训练样本，n为训练样本的个数，l为军船和民船所代表的类别标签，X_i表示第i个特征值。

同样，测试样本为：

S_l＝{X₁,X₂,..,X_i,..,X₁₀},X_i∈Rⁿ,l＝1,2

其中n为测试样本的个数，l为测试样本实际所属的类别标签。

(2)计算训练样本各特征的紧凑度：

${\mathrm{\ω}}_s\left(i\right)=1/\sqrt{{{\mathrm{\σ}}_1}^2+{{\mathrm{\σ}}_2}^2},i=1,2,...,10$

其中， ${{\mathrm{\σ}}_l}^2=\frac{\underset{j=1}{\overset{j=n}{\Σ}}{(x_j-E\left(X\right))}^2}{n-1},l=1,2,E\left(X\right)=\underset{j=1}{\overset{j=n}{\Σ}}{x}_j/n,$ σ_l ²表示第l类样本中第i个特征的方差，n表示训练样本的个数。其中ω_s(i)值越大，说明同类型目标之间的特征越紧凑，特征可分性测度越高。

(3)以各特征的紧凑度组成1×10的紧凑度权矩阵：

W_s＝[ω_s(1),ω_s(2),ω_s(3),ω_s(4),ω_s(5),ω_s(6),ω_s(7),ω_s(8),ω_s(9),ω_s(10)]

用训练样本矩阵T_l的第i列的每个特征元素，乘以紧凑度权矩阵W_s中的第i列元素ω_s(i)，进行特征加权。

(4)再对加权后的矩阵矩阵T_l的第i列元素求均值，可得：

U_l＝[u₁,u₂,...,u₁₀]

(5)同样，对测试样本矩阵S_l的第i列的每个特征元素乘以紧致度权矩阵W_s中的第i列元素ω_s(i)，得到经紧凑度加权后测试矩阵的第k行测试数据为：

R_k＝[r₁,r₂,...,r₁₀],k＝1,2,..,n

(6)计算第k个测试样本R_k与U_l两个向量之间的欧式距离，并以欧式距离来判别样本所属的类型，判别准则如下：

$M_{l,k}=\underset{l}{\min }\left|\right|U_l-R_{l,k}|{|}^2,l=1,2;k=1,2,...,n$

U_l表示第l类训练样本的均值，R_l,k表示实际所属类型为l的第k个测试样本，M_l,k表示将第k个测试样本判为第l类。

(7)以Fisher特征加权融合作为对比，重复步骤(2)-(6)，只需替换加权矩阵W_s，Fisher判别准则系数为：

${\mathrm{\ω}}_s\left(i\right)=(u_1-u_2)/\sqrt{{{\mathrm{\σ}}_1}^2+{{\mathrm{\σ}}_2}^2},i=1,2,3,...,10$

其中， ${{\mathrm{\σ}}_l}^2=\frac{\underset{j=1}{\overset{j=n}{\Σ}}{(x_j-E\left(X\right))}^2}{n-1},l=1,2;u_i\left(X\right)=\underset{j=1}{\overset{j=n}{\Σ}}{x}_j/n.$

(8)若判别结果l与测试样本实际所属类型一样则识别正确，否则识别错误。以不加权的原始特征作对比，将W_s矩阵元素值全部替换1，重复步骤(3)-(6)。

本发明针对军船和民船一维距离像两类目标进行粗分类的问题，首先根据HRRP波形数据提取10个固有特征来作为实验数据，为了体现不同特征的好坏，采用本发明提出的一种基于紧致性测度加权的舰船类型识别方法，将所提取的特征乘以紧凑度，以体现不同特征在分类识别过程中所占的权重不同，再用最近邻法对测试样本进行分类。此方法能有效的解决基于雷达一维距离像的军船和民船两类目标的分类问题。通过对原始HRRP数据降噪、归一化，解决了HRRP对幅度的敏感性问题；通过估计船的起始点与终止点对HRRP数据预处理，解决了HRRP的平移问题；通过提取姿态不变特征，从一定程度上也解决了HRRP姿态敏感性问题。

附图说明

图1为本发明方法流程图。

图2为原始的HRRP波形图。

图3为预处理后的HRRP波形图。

具体实施方式

实验中采用的是一组不同目标以及不同姿态角下的雷达一维距离像实测数据，5个民船目标不同姿态角下的HRRP，5个军船目标不同姿态角下的HRRP。传统的分类方法只是对这10个目标根据HRRP进行分类识别，判别的结果是这10个目标。而在实际应用中军船和民船的种类却远不止这10种，因此传统的分类方法有很大的局限性。所以本实验只对军船和民船两类目标进行识别，但是由于同一类型不同目标个体中不管是船的外形、尺寸以及结构上都相差较大，这将导致同类军船或民船的HRRP数据有很大的差别，而不同类型中不同个体之间的HRRP又有很大的相似性，这给分类识别带来极大的挑战。因此整体的识别效果并不是太高，但是通过与Fisher特征加权融合准则以及传统的用不加权的原始特征直接进行分类识别作对比，相对而言，本发明提出的基于紧致性测度的特征加权方法的识别效果比不加权的传统方法的识别效果更好。

为了体现本发明的优越性，本实验对比了用不加权的原始特征作分类识别、用Fisher特征加权融合准则以及本发明提出来的基于紧凑度的特征加权识别方法，对两种识别方法的测试数据进行统计，统计结果如表2所示。

表2军船和民船测试数据统计表

由实验结果可知，用本发明提出的紧致性测度加权特征，对军船和民船两类舰船进行分类识别，比用Fisher测度加权特征进行识别的所得的识别率高出13个百分点，而比用不加权的原始特征直接进行分类识别算法所得的识别率高出17个百分点。实验结果表明，本发明对不同目标下所测得的HRRP数据进行军船和民船两类舰船识别问题有明显的优越性。

Claims (1)

1.一种基于紧致性测度加权的舰船类型识别方法，其特征在于该方法包括以下步骤：

一、数据准备

获取一组不同目标不同姿态角下的雷达一维距离像实测数据，5个民船目标在不同姿态角下的HRRP实测数据，5个军船目标在不同姿态角下的HRRP实测数据；在军船和民船的不同目标的HRRP实测数据中，随机的从每个目标的HRRP实测数据中选取50％作为训练样本，剩下的作为测试样本；

二、HRRP数据预处理

a.对HRRP实测数据进行低通滤波；

b.对经步骤a处理的实测数据进行归一化处理；

c.提取经步骤b处理后的舰船目标区域HRRP数据；

三、特征的提取

提取经步骤二处理后的HRRP数据的10个有效特征，设N为HRRP序列的维数，{x(n)|n＝0,2,3,...,N-1}为HRRP序列，以下为10个特征的计算方法：

(1)平均值特征

$T_1=\frac{l}{N}\underset{n=0}{\overset{n=N-1}{\Σ}}x\left(n\right)$

式中，T₁为平均值特征，N为HRRP序列的维数；

(2)方差特征

$T_2=\frac{1}{N+1}\underset{n=0}{\overset{n=N-1}{\Σ}}\left(x\right(n)-E(x\left)\right)2$

式中，T₂为方差特征，N为HRRP序列的维数，为{x(n)|n＝0,2,3,...,N-1}的平均值；

(3)波峰数目特征

T₃＝length{n|x(n)≥λ₁X_m,x(n)＞x(n-1),x(n)＞x(n+1)},n＝0,1,...,N-1

式中，T₃为波峰数目特征，X_m表示最大的峰值，λ₁为阈值系数取0.5，length表示求满足上式条件的n的个数；

(4)波峰宽度特征

T₄＝length{n|x(n)≥λ₁X_m}

式中，T₄为波峰宽度特征，X_m表示最大的峰值，λ₁为阈值系数取0.5，length表示求满足上式条件的n的个数；

(5)平均起伏性特征

$T_5=\underset{n=0}{\overset{n=N-1}{\Σ}}|x\left(n\right)-E\left(x\right){|}^2/\underset{n=0}{\overset{n=N-1}{\Σ}}|x\left(n\right){|}^2$

式中，T₅为平均起伏性特征，N为HRRP序列的维数，为{x(n)|n＝0,2,3,...,N-1}的平均值；

(6)差分起伏性特征

$T_6=\underset{n=0}{\overset{n=N-1}{\Σ}}|x\left(n\right)-x(n-1){|}^2/\underset{n=0}{\overset{n=N-1}{\Σ}}|x\left(n\right){|}^2$

式中，T₆为差分起伏性特征，N为HRRP序列的维数；

(7)对称性特征

$T_7=\underset{n=0}{\overset{k_m-1}{\Σ}}x\left(n\right)/\underset{n=k_m}{\overset{n=N-1}{\Σ}}x\left(n\right)$

式中，T₇为对称性特征，N为HRRP序列的维数，k_s为含有目标的一维距离像序列的起始点，k_e为终止点，k_m＝(k_s+k_e)/2为中点；

(8)径向能量特征

$T_8=\underset{n=0}{\overset{n=N-1}{\Σ}}|x\left(n\right){|}^2$

式中，T₈为径向能量特征，N为HRRP序列的维数；

(9)二阶中心矩特征

$T_9=\underset{n=0}{\overset{n=N-1}{\Σ}}{(n-m_1)}^2\×x\left(n\right)$

式中，T₉为二阶中心矩特征，N为HRRP序列的维数，m₁为一阶中心矩，其中 $m_1=\underset{n=0}{\overset{n=N-1}{\Σ}}n\×x\left(n\right);$

(10)散射中心分布熵特征

$T_{10}=-\underset{n=0}{\overset{n=N-1}{\Σ}}x\left(n\right)\×log\left(x\right(n\left)\right)$

式中，T₁₀为散射中心分布熵特征，N为HRRP序列的维数；

四、紧致性测度加权识别方法

A、对每个训练样本和测试样本，采用步骤三的方法提取出10个特征组成一个10维的特征向量，可组成训练样本集：

T_l＝{X₁,X₂,...,X_i,...,X₁₀},X_i∈Rⁿ,l＝1,2

其中，T_l为所属类别为l的训练样本集，X_i为n维的输入向量X_i＝{x₁,x₂,...,x_n}，即n维训练样本，n为训练样本的个数，l为军船和民船所代表的类别标签，1表示军船，2表示民船，i表示第i个特征值；

同样，测试样本为：

S_l＝{X₁,X₂,..,X_i,..,X₁₀},X_i∈Rⁿ,l＝1,2

其中，S_l为实际所属类别标签为l的测试样本集，X_i为n维的输入向量X_i＝{x₁,x₂,...,x_n}，即n维测试样本，n为测试样本的个数，l为测试样本实际所属的类别标签；

B、计算训练样本10个特征的紧凑度：

$\mathrm{\ω}\left(i\right)=1/\sqrt{{{\mathrm{\σ}}_1}^2+{{\mathrm{\σ}}_2}^2},i=1,2,...,10$

其中，ω(i)为训练样本第i个特征的紧凑度，

${{\mathrm{\σ}}_l}^2=\frac{\underset{j=1}{\overset{j=n}{\Σ}}{(x_j-E(X\left)\right)}^2}{n-1},l=1,2,E\left(X\right)=\underset{j=1}{\overset{j=n}{\Σ}}{x}_j/n,$ σ_l ²表示第l类样本矩阵中第i个特征的方差，n表示训练样本的个数；

C、以各特征的紧凑度组成1×10的紧凑度权矩阵：

W＝[ω(1),ω(2),ω(3),...,ω(i),..,ω(10)],i＝1,2,...10

其中，W表示紧凑度权矩阵，ω(i)为训练样本第i个特征的紧凑度；用训练样本矩阵T_l的第i列的每个特征元素，乘以紧凑度权矩阵W中的第i列元素ω(i)，进行特征加权；

D、再对步骤C加权后的训练样本矩阵T_l的第i列元素求均值，可得：

U_l＝[u₁,u₂,...u_i,...,u₁₀],i＝1,2,...,10；

式中，l表示训练样本的类别标签，U_l表示特征加权后的l类训练样本的均值向量，u_i为特征加权后的第l类训练样本矩阵T_l的第i列元素求均值；

E、同样，对测试样本矩阵S_l的第i列的每个特征元素乘以紧致度权矩阵W中的第i列元素ω(i)，得到经紧凑度加权后测试矩阵的第k行测试数据为：

R_k＝[r₁,r₂,...,r_i,...,r₁₀],i＝1,2,...,10；k＝1,2,..,n；

式中，R_k为测试矩阵加权后的第k行测试数据，r_i为测试矩阵加权后的第k行第i列的特征值；

F、计算第k个测试样本R_k与U_l两个向量之间的欧式距离，并以最小欧式距离来判别样本所属的类型，判别准则如下：

$M_{l,k}=\underset{l}{min}\left|\right|U_l-R_{l,k}|{|}^2,l=1,2;k=1,2,...,n;$

式中，U_l表示特征加权后的第l类训练样本的均值向量，R_l,k表示实际所属类型为l的第k个测试样本，M_l,k表示根据最小距离准则将第k个测试样本决策为第l类，即若||U₁-R_l,k||²＜||U₂-R_l,k||²则R_l,k判为第1类即军船，||U₁-R_l,k||²＞||U₂-R_l,k||²判为第2类即民船；

G、以Fisher特征加权融合作为对比，重复步骤B～F，只需替换步骤C中的加权矩阵W，Fisher判别准则系数为：

$\mathrm{\ω}\left(i\right)=(u_1-u_2)/\sqrt{{{\mathrm{\σ}}_1}^2+{{\mathrm{\σ}}_2}^2},i=1,2,3,...,10;$

其中， ${{\mathrm{\σ}}_l}^2=\frac{\underset{j=1}{\overset{j=n}{\Σ}}{(x_j-E(X\left)\right)}^2}{n-1},l=1,2;u_i=E\left(X\right)=\underset{j=1}{\overset{j=n}{\Σ}}{x}_j/n,$ ω(i)为第l类训练样本矩阵的第i个特征的权系数，σ_l ²为第l类训练样本矩阵的第i个特征的方差，u_i为第l类训练样本矩阵的第i个特征的平均值；

H、以不加权的原始特征作对比，将步骤C中的W矩阵元素值全部替换1，即W＝[1,1,1,1,1,1,1,1,1,1]，重复步骤C～F；

I、若步骤F中判别结果M_l,k与测试样本实际所属类型一样，则识别正确，否则识别错误。