CN106443625B - 基于高分辨一维像信息融合的目标识别方法 - Google Patents

基于高分辨一维像信息融合的目标识别方法 Download PDF

Info

Publication number
CN106443625B
CN106443625B CN201610829717.6A CN201610829717A CN106443625B CN 106443625 B CN106443625 B CN 106443625B CN 201610829717 A CN201610829717 A CN 201610829717A CN 106443625 B CN106443625 B CN 106443625B
Authority
CN
China
Prior art keywords
resolution
dimensional
target
obtains
target identification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610829717.6A
Other languages
English (en)
Other versions
CN106443625A (zh
Inventor
梁菁
张洋
刘晓旭
余萧峰
段珍珍
张健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201610829717.6A priority Critical patent/CN106443625B/zh
Publication of CN106443625A publication Critical patent/CN106443625A/zh
Application granted granted Critical
Publication of CN106443625B publication Critical patent/CN106443625B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

基于高分辨一维像信息融合的目标识别方法，目的在于解决如何把网络中不同雷达的观测结果进行信息融合,进而达到提高分辨率。其包括以下步骤：步骤1、利用BSS产生波形不同的两种雷达，对两飞行器进行探测，得到两个不同雷达的回波数据；步骤2、将回波数据进行脉冲压缩，得到目标的两组高分辨一维像；步骤3、两组高分辨一维像采用加权平均法进行数据融合，得到一组新的一维像，其中融合权值在0到1之间任取；步骤4、将新的高分辨一维像通过一设定门限，得到采样点数目；步骤5、将得到的新的高分辨一维像的采样点个数与预设的距离分辨率(两采样点间的实际距离)相乘，得到目标的长度；步骤6、采用贝叶斯分类进行目标识别。

Description

基于高分辨一维像信息融合的目标识别方法
技术领域
本发明涉及一种基于高分辨一维像信息融合的目标识别方法，用于雷达目标识别，旨在提高雷达目标识别率，属于雷达目标识别领域。
背景技术
随着雷达技术的快速发展和军事应用的迫切需求，目标识别问题日益受到重视。采用高分辨一维像进行目标识别成为了雷达和信号处理领域的一个研究热点。
当雷达带宽足够宽时，目标径向距离占据多个雷达距离分辨单元，使得高分辨雷达回波呈现连续起伏特性，通常称为一维距离像。H.J.Li和S.H.Yang提出了一种直接利用高分辨目标一维距离像作为特征矢量用于空中目标识别的方法。这种方法的最大优点是算法简单，在一定范围内识别对方位角不敏感，适用性非常强。但是，当姿态角变化超过10°时，目标的一维距离像变化很大，因此，在该中情况下，直接利用高分辨一维像进行识别的方法无法提供合格的识别率。此后，直接识别开始转化为通过从一维像中提取的不敏感特征来进行识别，相继诞生了平移不变特征的提取，时频变化特征的提取，积谱特征的提取等多种特征提取方法。有效地提高了目标识别率。
当今，雷达组网是提升雷达系统性能的发展趋势之一。通过雷达组网，可以进一个提高基于高分辨一维像的目标识别率。国内外学术界掀起了对分布式雷达网络信号处理的研究热潮，主要有基于多径接收的目标探测性能分析和针对特定环境的目标检测等。然而当前研究的分布式雷达网络主要采用同类型雷达,而未来的组网探测系统将采用多频段、多制式、多波形的异类雷达,因此如何把网络中不同雷达的观测结果进行信息融合成为了待解决的问题。
发明内容
本发明的目的在于解决如何把网络中不同雷达的观测结果进行信息融合,进而达到提高分辨率。
本发明为了实现上述目的采用以下技术方案：
基于高分辨一维像信息融合的目标识别方法，包括以下步骤：
步骤1、利用BSS产生波形不同的两种雷达，对两飞行器进行探测，得到两个不同雷达的回波数据；
步骤2、将回波数据进行脉冲压缩，得到目标的两组高分辨一维像；
步骤3、两组高分辨一维像采用加权平均法进行数据融合，得到一组新的一维像，其中融合权值在0到1之间任取；
步骤4、将新的高分辨一维像通过一设定门限，得到采样点数目；
步骤5、将得到的新的高分辨一维像的采样点个数与预设的距离分辨率(两采样点间的实际距离)相乘，得到目标的长度；
步骤6、采用贝叶斯分类进行目标识别。
上述技术方案中，让步骤3中的融合权值从0到1以0.01的步长变化，分别计算对两种飞行器的识别率，并选出识别率最高时的权值作为融合权值。
上述技术方案中，两种雷达产生的波形为线性调频信号。
两种雷达产生的波形为线性调频信号。为了得到高距离分辨率，我们采取的是脉冲压缩的方法，而对于脉冲压缩，最常用最有效的就是线性调频信号。其他信号不利于脉冲压缩，得不到高的距离分辨率。
如果不采用线性调频信号则无法完成融合，比如一个信号线性调频信号A，另一个不是线性调频B，A测得的目标距离分辨力比B高很多，这时候融合后的情况就是融合后的识别率低于A雷达单雷达的识别率。只有权值全部加在A雷达上时融合结果才能跟A单雷达测量相同。这样融合是多此一举
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.相比于单雷达系统，该发明的创新点在于增加了雷达的数量，将不同的雷达对同一目标的高分辨一维像进行融合，再进行特征提取以及目标识别。这样融合了几种雷达的性能长度，提高了目标识别率。
2.相比于同雷达的雷达组网，该发明相当于不同雷达的雷达组网。同种雷达的融合减少雷达的偶然误差，但是不同雷达的组网可以将多源信息融合，以此来得到更高的识别率。
3.本发明将不同雷达对同一目标所得的高分辨一维像一次进行融合和特征提取(长度特征)，最后在进行目标识别。此时的识别率将高于单雷达，而且不同种雷达组网可将多源信息进行融合，性能超过了同种雷达的雷达组网。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1 AH-64的高分辨一维像；
图2 F-15的高分辨一维像；
图3两种飞行器目标长度的概率；
图4两种单雷达的目标识别率与HRRP通过加权平均融合后识别率的比较。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
下面对本发明的具体实施方式作进一步的描述。
实验仪器：本方采用了BSS雷达仿真软件生成目标回波；用Mathworks公司的MATLAB R2014b进行数据融合、目标长度计算以及目标识别。
步骤一、进行雷达仿真参数设置：
波形：高斯型、方波形；
脉宽：50us；
带宽：200MHz；
极化：水平极化；
波长：5cm；
脉冲重复频率：20Hz；
飞行器长度：F-15(19.43m)，AH-64(15.3m)；
作用距离：100km；
俯仰角：3°；
翻滚角：0°；
虚警概率：0.000001；
姿态角：0～3°。
步骤二、利用BSS产生波形不同的两种雷达，并对设定好的两飞行器(AH-64，F-15)进行探测，得到回波数据(每种飞行器300组数据)。
步骤三、将回波数据进行正交解调，把载频信号搬至零频，然后将解调信号通过匹配滤波器进行脉冲压缩。假设没有目标时噪声信号服从瑞利分布，通过噪声的平均功率以及虚警概率进行恒虚警门限设置。
式(1)中，Pn噪声平均功率，Pfa为虚警概率，A自适应门限值。将压缩后将信号组再进行虚警门限处理。至此，我们从数据中得到了高分辨距离像。
步骤四、得到高分辨距离像后，采用加权平均的方式来进行一维像的融合。加权平均法是最简单，最直观的方法，无论是统计，金融还是工程上都有广泛的应用和较好的效果。该方法是将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。加权平均法可以表示为：
其中k1+k2+...+kn＝n，ki被称为权，n为项数。算术平均法是加权平均法的特殊情况，而加权平均则是算术平均法的优化，通过改变权值来进行更加有利的融合。权值的优化则可用蒙特卡洛法进行训练，得到对于多种飞行器识别率最高的权值。
将两个不同雷达对同一目标所得的高分辨一维像采用加权平均的方法进行融合，得到：
x(i)＝kx1(i)+(1-k)x2(i) (3)
式中x1(i)，x2(i)为第i个采样点的不同一维像幅度，i为采样点数，k为权值。
步骤五、计算目标的长度，将采样点数与两采样点之间的距离相乘得到目标长度。(长度为300组数据的平均值)。
步骤六、采用贝叶斯分类的方法进行目标识别。对于测得的长度L，根据这一特征值确定目标可能是类型A或B的概率分别为P(L|A)和P(L|B)。
这些概率意味着如果真正的目标身份已知，那么测得长度的长度特征也具有这一概率分布。目标可能是A类型或者B类型，分别定义为P(A|L)和P(B|L)。应用贝叶斯公式，并假设雷达探测到目标A和目标B的可能性相同，那么目标属于类型A和B的实际概率为
目标属于类型A或B的概率直接与类型A或B测量得长度L的概率成正比。对于不同的目标，如果对应特征的概率密度函数已知，那么通过测量出对应特征的值，就可以确定目标属于某一类的概率。
采用贝叶斯分类进行目标识别，AH-64和F-15长度概率密度函数满足高斯分布分别满足xA～N(15.3,1)、xF～N(19.43,1)，其中识别率为600次平均的结果。
步骤七、优化权值，让权值从0到1以0.01的步长变化，分别计算对两种飞行器的识别率，并选出识别率最高时的权值。
本发明仿真了波形不同雷达对两种飞行器(AH-64，F-15)所呈的高分辨一维像的融合结果，并得到了比单雷达更高的目标识别率。

Claims (3)

1.基于高分辨一维像信息融合的目标识别方法，包括以下步骤：
步骤1、利用BSS产生波形不同的两种雷达，对两飞行器进行探测，得到两个不同雷达的回波数据；
步骤2、将回波数据进行脉冲压缩，得到目标的两组高分辨一维像；
步骤3、两组高分辨一维像采用加权平均法进行数据融合，得到一组新的一维像，其中融合权值在0到1之间任取；
步骤4、将新的高分辨一维像通过一设定门限，得到采样点数目；
步骤5、将得到的新的高分辨一维像的采样点个数与预设的距离分辨率相乘，得到目标的长度；
步骤6、采用贝叶斯分类进行目标识别。
2.根据权利要求1所述的基于高分辨一维像信息融合的目标识别方法，其特征在于，让步骤3中的融合权值从0到1以0.01的步长变化，分别计算对两飞行器的识别率，并选出识别率最高时的权值作为融合权值。
3.根据权利要求1所述的基于高分辨一维像信息融合的目标识别方法，其特征在于，两种雷达产生的波形为线性调频信号。
CN201610829717.6A 2016-09-19 2016-09-19 基于高分辨一维像信息融合的目标识别方法 Active CN106443625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610829717.6A CN106443625B (zh) 2016-09-19 2016-09-19 基于高分辨一维像信息融合的目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610829717.6A CN106443625B (zh) 2016-09-19 2016-09-19 基于高分辨一维像信息融合的目标识别方法

Publications (2)

Publication Number Publication Date
CN106443625A CN106443625A (zh) 2017-02-22
CN106443625B true CN106443625B (zh) 2018-10-12

Family

ID=58169142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610829717.6A Active CN106443625B (zh) 2016-09-19 2016-09-19 基于高分辨一维像信息融合的目标识别方法

Country Status (1)

Country Link
CN (1) CN106443625B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109375175B (zh) * 2018-10-23 2020-11-10 航天恒星科技有限公司 一种支持多波形的雷达信号发射与接收系统及方法
CN110967678A (zh) * 2019-12-20 2020-04-07 安徽博微长安电子有限公司 一种多波段雷达目标识别的数据融合算法及系统
CN111551931B (zh) * 2020-05-18 2023-03-10 西安电子科技大学 基于极化高分辨距离像的目标长度特征提取方法
CN113960580B (zh) * 2021-10-14 2023-04-07 电子科技大学 一种真假目标一维距离像的变换域不变特征提取方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0099832A1 (fr) * 1982-07-20 1984-02-01 Thomson-Csf Procédé de traitement des signaux vidéo dans un transformateur numérique d'images, et dispositif de mise en oeuvre de ce procédé
CN102928822A (zh) * 2012-11-02 2013-02-13 中国船舶重工集团公司第七二四研究所 基于高分辨一维距离像的雷达目标长度计算方法
CN103954962A (zh) * 2014-02-28 2014-07-30 西安电子科技大学 一种基于压缩感知的isar成像脉冲估计算法
CN104122540A (zh) * 2014-07-31 2014-10-29 电子科技大学 基于匹配字典和压缩感知的雷达一维距离像目标识别方法
CN104459663A (zh) * 2014-11-27 2015-03-25 中国船舶重工集团公司第七二四研究所 基于高分辨一维距离像的舰艇与货船分类方法
CN105223561A (zh) * 2015-10-23 2016-01-06 西安电子科技大学 基于空间分布的雷达地面目标鉴别器设计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0099832A1 (fr) * 1982-07-20 1984-02-01 Thomson-Csf Procédé de traitement des signaux vidéo dans un transformateur numérique d'images, et dispositif de mise en oeuvre de ce procédé
CN102928822A (zh) * 2012-11-02 2013-02-13 中国船舶重工集团公司第七二四研究所 基于高分辨一维距离像的雷达目标长度计算方法
CN103954962A (zh) * 2014-02-28 2014-07-30 西安电子科技大学 一种基于压缩感知的isar成像脉冲估计算法
CN104122540A (zh) * 2014-07-31 2014-10-29 电子科技大学 基于匹配字典和压缩感知的雷达一维距离像目标识别方法
CN104459663A (zh) * 2014-11-27 2015-03-25 中国船舶重工集团公司第七二四研究所 基于高分辨一维距离像的舰艇与货船分类方法
CN105223561A (zh) * 2015-10-23 2016-01-06 西安电子科技大学 基于空间分布的雷达地面目标鉴别器设计方法

Also Published As

Publication number Publication date
CN106443625A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN106443625B (zh) 基于高分辨一维像信息融合的目标识别方法
Yang et al. Dense people counting using IR-UWB radar with a hybrid feature extraction method
Hu et al. Detection of low observable targets within sea clutter by structure function based multifractal analysis
CN108802722B (zh) 一种基于虚拟谱的弱目标检测前跟踪方法
CN109088869B (zh) Apt攻击检测方法及装置
CN107301381A (zh) 基于深度学习和多任务学习策略的雷达辐射源识别方法
Zhong et al. Impact of seasonal variations on foliage penetration experiment: A WSN-based device-free sensing approach
CN112147601B (zh) 一种基于随机森林的海面小目标检测方法
CN112213697B (zh) 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法
CN110705387A (zh) 一种基于云模型的通信信号特征提取方法及信号识别方法
Li et al. Adaptive real‐time recursive radial distance‐time plane Hough transform track‐before‐detect algorithm for hypersonic target
Zhang et al. A dynamic hand gesture recognition algorithm based on CSI and YOLOv3
CN107247933A (zh) 一种烟雾环境中fmcw激光定距系统差频信号提取方法
CN107526064A (zh) 基于二维特征的自适应lfm信号参数估计方法
CN113567931A (zh) 一种训练样本不足时的双子空间信号检测方法与系统
CN103605120A (zh) 距离扩展目标内禀模态局部奇异值有序融合检测方法
Maherin et al. Radar sensor network for target detection using Chernoff information and relative entropy
Onumanyi et al. A discriminant analysis-based automatic ordered statistics scheme for radar systems
CN110632592B (zh) 一种手持式穿墙雷达的虚警消除方法
CN115345216A (zh) 一种融合先验信息的fmcw雷达干扰消除方法
Tien et al. An adaptive 2D-OS-CFAR thresholding in clutter environments: Test with real data
Liang et al. Sorting radar signal based on wavelet characteristics of wigner-ville distribution
Xu et al. Patient behavior detection based on time-frequency fusion of FMCW radar
Rahman et al. Machine learning‐based approach for maritime target classification and anomaly detection using millimetre wave radar Doppler signatures
CN106802407A (zh) 一种信源数估计方法及其应用

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant