CN107192993A - 基于图像熵特征的调频连续波雷达飞机目标分类方法 - Google Patents

Abstract

本发明公开了一种基于图像熵特征的调频连续波雷达飞机目标分类方法，主要解决现有方法中只提取机身目标所在距离单元的回波进行处理，会损失大量微动信息，降低识别性能的问题。其实现过程是：通过雷达进行多个调频周期的观测，接收得到飞机目标的回波差频信号；将每个周期的时域回波差频信号进行多倍于原信号长度的快速傅里叶变换处理；提取样本的四个图像熵特征；利用训练样本的图像熵特征训练分类器；将测试样本图像熵特征输入到分类器中，得到三类飞机目标的分类结果。本发明具有识别性能高的优点，可用于调频连续波雷达体制下的目标识别。

Description

基于图像熵特征的调频连续波雷达飞机目标分类方法

技术领域

本发明属于雷达技术领域，特别涉及一种空中运动目标的分类方法，可用于调频连续波雷达体制下，将分散在多个距离单元的回波信息综合处理后进行分类识别。

背景技术

近年来，微动特性在雷达目标识别中受到广泛关注。微动是指雷达目标除质心平动以外的振动或转动。2000年美国海军研究实验室的Victor C.Chen最早发表了微波雷达中微多普勒效应分析实验结果。实验表明不同的微运动会产生不同的微多普勒调制，微多普勒效应可以反映目标结构部件的几何构成和运动特性，此外由微动所产生的时域特性同样能够作为目标独一无二的特征。因此，通过目标微动差异可以提取具有良好分类性能的特征，从而实现对目标的分类和识别。

对于空中目标分为喷气式飞机，螺旋桨飞机和直升机三类，其转动的旋翼产生微多普勒效应和时域特性，现今，国内外主要在脉冲多普勒PD体制下，基于窄带雷达回波的喷气发动机调制JEM特征对空中三类飞机目标的分类方法进行研究。

陈凤，刘宏伟等2010年发表的文章《基于特征谱散布特征的低分辨雷达目标识别方法》，就是根据螺旋桨飞机、喷气式飞机和直升机三类飞机JEM调制谱对应谱线条数的差别来提取分类特征，从而区分螺旋桨飞机、喷气式飞机和直升机。

赵越，纠博等2017年发表的文章《一种基于时频分析的窄带雷达飞机目标分类特征提取方法》，是根据喷气式飞机、螺旋桨飞机和直升机三类目标调制周期的差异，提取时频谱域的熵值变化特性，并给出了时频分析中窗函数长度的优化选择方法，在低信噪比条件下提高了识别率。

上述方法均在脉冲多普勒雷达体制下进行研究，该体制下目标微动信息可以近似看作处于一个距离单元上，因此只利用机身所在单个距离单元的回波来提取特征就可以得到有效的分类效果。

在调频连续波雷达体制下，由于高速运动的旋翼部件存在，飞机目标回波会发生明显的谱峰分裂现象，微动分量分布在不同的距离单元上，无法满足上述目标处于单一距离单元的近似条件，现有方法中只提取机身目标所在距离单元的回波进行处理，会损失大量微动信息，降低识别性能。

发明内容

为了克服现有方法的缺点，本发明提出了一种基于图像熵特征的调频连续波雷达飞机目标分类方法，以在调频连续波雷达体制下实现对飞机目标的有效分类，并提高分类性能。

为实现上述目的，本发明的技术方案包括如下：

1)雷达进行m个调频周期的观测，接收飞机目标的回波差频信号，得到时域回波矩阵s＝[s₁,s₂,…,s_i,…,s_m]^T，其中s_i是第i个调频周期的列向量回波，i＝1,2,…,m；

2)将每个周期的时域回波差频信号s_i进行D倍于原信号长度的快速傅里叶变换，得到新的时域回波矩阵：s′＝[s₁′,s₂′,…,s_i′,…,s_m′]^T，其中表示新的时域回波矩阵s′的第i个行向量，表示D倍于原信号长度的快速傅里叶变换，|·|表示取模运算；

3)根据2)中得到的新的时域回波矩阵s′中处于L个距离单元上飞机目标信息，得到图像熵特征：

3a)假设目标所在距离单元时域信息矩阵表示为A＝[a₁,a₂,…,a_j,…,a_L]，其中a_j为新的时域回波矩阵s′中包含目标信息的第j列，j＝1,2,…,L，L是包含目标信息的距离单元数；

3b)求得目标所在距离单元频域信息矩阵其中表示矩阵的第j个列向量；

3c)分别求取目标所在距离单元时域信息矩阵A的时域灰度二值矩阵R_A和目标所在距离单元频域信息矩阵的频域灰度二值矩阵

3d)根据时域灰度二值矩阵R_A分别提取时域中心图像熵T1和时域邻接图像熵T2，根据频域灰度二值矩阵分别提取频域中心图像熵T3和频域邻接图像熵T4；

4)重复步骤1)到3)，得到多组样本下的图像熵特征，将得到的多组样本下的特征等分作为训练样本提取的特征和测试样本提取的特征；

5)根据4)中提取的训练样本的图像熵特征训练分类器，将测试样本的图像熵特征分别输入训练好的分类器，根据分类器的输出得到目标类别。

本发明由于在调频连续波雷达体制下，利用目标所在多个距离单元的回波信号提取图像熵特征，使飞机上高速运动的旋翼部件产生的微动能量聚合在一起，提高了目标微动信息的利用率，进而提高了分类性能。

附图说明

图1是本发明的实现流程图；

图2是用本发明方法对不同信噪比下三类分机目标提取图像熵特征的散布图；

图3是用本发明提取的图像熵特征与现有单个距离单元提取的波形熵特征在不同信噪比下的识别率对比图。

具体实施方式

参照图1，本发明实例的具体实现步骤如下：

步骤1，观测得到飞机目标的时域回波差频信号。

雷达进行m个调频周期的观测，接收飞机目标的回波差频信号，得到时域回波矩阵s＝[s₁,s₂,…,s_i,…,s_m]^T，其中s_i是第i个调频周期的列向量回波，i＝1,2,…,m。

需要说明的是，时域回波矩阵s的每一行代表着一个调制周期的时域回波差频信号，调频连续波时域信号脉压之后反映的是不同距离单元的信息，等效于时域回波矩阵s的每一列都代表不同的距离单元的信息。

步骤2，将每个周期的时域回波差频信号做D倍于原信号点数的FFT。

将每个周期的时域回波差频信号s_i进行D倍于原信号长度的快速傅里叶变换，得到新的时域回波矩阵：s′＝[s₁′,s₂′,…,s_i′,…,s_m′]^T，其中表示新的时域回波矩阵s′的第i个行向量，表示D倍于原信号长度的快速傅里叶变换，|·|表示取模运算；

步骤3，根据步骤2中得到的新的时域回波矩阵s′中处于L个距离单元上飞机目标信息，得到图像熵特征。

3a)假设目标所在距离单元时域信息矩阵表示为A＝[a₁,a₂,…,a_j,…,a_L]，其中a_j为新的时域回波矩阵s′中包含目标信息的第j列，j＝1,2,…,L，L是包含目标信息的距离单元数；

3b)求得目标所在距离单元频域信息矩阵其中表示矩阵的第j个列向量；

3c)分别求取目标所在距离单元时域信息矩阵A的时域灰度二值矩阵R_A和目标所在距离单元频域信息矩阵的频域灰度二值矩阵

3c1)将目标距离单元时域信息矩阵A转化为取值范围为0～255的时域灰度矩阵

3c2)构造初始每一个元素均为0的时域灰度二值矩阵R_A；

3c3)计算时域灰度矩阵中首行首列元素的灰度值w₀和其邻域的平均灰度值v₀并取整，将R_A(w₀,v₀)的值加1，其中R_A(w₀,v₀)是时域灰度二值矩阵R_A第w₀行v₀列的值，0≤w₀,v₀≤255且为整数；

3c4)重复3c3)遍历计算时域灰度矩阵中每一个元素的灰度值和其邻域的平均灰度值，完成时域灰度二值矩阵R_A的更新；

3c5)重复3c1)到3c4)步，计算得到目标所在距离单元频域信息矩阵的频域灰度二值矩阵

3d)根据时域灰度二值矩阵R_A分别提取时域中心图像熵T1和时域邻接图像熵T2：

其中R_A(x,y)是时域灰度二值矩阵R_A第x行y列的值；

3e)根据频域灰度二值矩阵分别提取频域中心图像熵T3和频域邻接图像熵T4：

其中是频域灰度二值矩阵第x行y列的值。

步骤4，重复步骤1到步骤3，得到多组样本下的图像熵特征，将得到的多组样本下的特征等分作为训练样本提取的特征和测试样本提取的特征。

步骤5，根据训练样本提取的四种图像熵特征，训练得到分类器。

将训练样本得到的四种图像熵特征组成一个特征向量：T＝{T1,T2,T3,T4}，利用训练样本的特征向量T做训练得到分类器，其中，分类器包括：线性判决分析分类器、支持向量机分类器、相关向量机分类器和k近邻分类器，本实例采用支持向量机分类器，使用从训练样本中提取的四种图像熵特征以及样本标号对该支持向量机分类器进行训练，得到一组支持向量{f₁,f₂,...,f_Q}和相应的权系数{ω₁,ω₂,...,ω_Q}，其中，f_j为第j个由训练得到的支持向量，ω_j为相应的第j个权系数，j＝1,2,...,Q，Q为训练得到的支持向量的个数。

步骤6，将测试样本得到的图像熵特征输入训练好的分类器，根据分类器的输出得到目标类别。

对于测试样本的图像熵特征，利用已经训练好的支持向量机分类器按如下步骤对其进行分类：

6a)将由测试样本集中提取的四种图像熵特征构成特征向量u＝{T1,T2,T3,T4}；

6b)将从测试样本中提取的特征向量u输入到训练好的支持向量机分类器中，按下式得到支持向量机分类器输出：

式中，||·||为范数运算，δ为参数，取值10，f_j为第j个由训练过程得到的作为支持向量，ω_j为相应的第j个权系数，j＝1,2,...,Q，Q为训练过程得到的支持向量的个数；

6c)根据支持向量机分类器的输出y(u)确定类别标号，得到飞机目标的分类结果。

上述实例是对提取的图像熵特征使用了支持向量机分类器进行目标分类，在实际中，分类器还可以根据实际情况选取如相关向量机分类器，线性判决分析分类器，k近邻分类器等其他分类算法，分类过程与支持向量机分类器类似。

本发明的效果通过以下仿真实验验证：

1.实验条件：

设定雷达参数：调频周期初始频率10GHz，重频8KHz，驻留时间0.1s，调频带宽10MHz，采样频率20MHz。

实验数据包含三类目标，分别为喷气式飞机，螺旋桨飞机和直升机。

2.实验内容与结果：

实验1，上述实验条件下，利用本发明方法得到不同信噪比下三类飞机目标时域中心图像熵特征和频域中心图像熵特征散布情况如图2所示，其中图2(a)为信噪比-10dB情况下三类飞机目标的图像熵特征散布图，图2(b)为信噪比0dB情况下三类飞机目标的图像熵特征散布图，图2(c)为信噪比10dB情况下三类飞机目标的图像熵特征散布图。

从图2可见，三类飞机目标的图像熵特征散布情况与信噪比有关，信噪比越高三类飞机目标的图像熵特征可分性越好。

实验2，在信噪比-30dB～30dB范围条件下，利用本发明方法和现有方法对实验1得到的图像熵特征进行分类器训练和目标识别，其中现有方法提取的特征为机身所在距离单元的波形熵特征，识别结果如图3所示。

从图3可见，相较于现有波形熵特征的识别结果，本发明图像熵特征识别结果在信噪比-2dB～15dB范围内识别率有明显提升，识别率提升5％～10％左右。

将信噪比为8dB情况下利用现有波形熵特征和本发明图像熵特征得到的三类飞机目标的识别结果进行对比，结果如表1所示。

表1信噪比8dB时波形熵特征和图像熵特征识别结果对比

从表1可以看出，在信噪比8dB时本发明方法将识别率提高了10％。

综上，本发明方法能够对调频连续波雷达体制下的飞机目标进行有效的分类。

Claims (5)

1.一种基于图像熵特征的调频连续波雷达飞机目标分类方法，包括：

1)雷达进行m个调频周期的观测，接收飞机目标的回波差频信号，得到时域回波矩阵s＝[s₁,s₂,…,s_i,…,s_m]^T，其中s_i是第i个调频周期的列向量回波，i＝1,2,…,m；

2)将每个周期的时域回波差频信号s_i进行D倍于原信号长度的快速傅里叶变换，得到新的时域回波矩阵：s′＝[s′₁,s′₂,…,s′_i,…,s′_m]^T，其中表示新的时域回波矩阵s′的第i个行向量，表示D倍于原信号长度的快速傅里叶变换，|·|表示取模运算；

3)根据2)中得到的新的时域回波矩阵s′中处于L个距离单元上飞机目标信息，得到图像熵特征：

3a)假设目标所在距离单元时域信息矩阵表示为A＝[a₁,a₂,…,a_j,…,a_L]，其中a_j为新的时域回波矩阵s′中包含目标信息的第j列，j＝1,2,…,L，L是包含目标信息的距离单元数；

3b)求得目标所在距离单元频域信息矩阵其中表示矩阵的第j个列向量；

3c)分别求取目标所在距离单元时域信息矩阵A的时域灰度二值矩阵R_A和目标所在距离单元频域信息矩阵的频域灰度二值矩阵

3d)根据时域灰度二值矩阵R_A分别提取时域中心图像熵T1和时域邻接图像熵T2，根据频域灰度二值矩阵分别提取频域中心图像熵T3和频域邻接图像熵T4；

4)重复步骤1)到3)，得到多组样本下的图像熵特征，将得到的多组样本下的特征等分作为训练样本提取的特征和测试样本提取的特征；

5)根据4)中提取的训练样本的图像熵特征训练分类器，将测试样本的图像熵特征输入训练好的分类器，根据分类器的输出得到目标类别。

2.根据权利要求1所述的方法，其中步骤3c)中分别求取目标所在距离单元时域信息矩阵A的时域灰度二值矩阵R_A和目标所在距离单元频域信息矩阵的频域灰度二值矩阵按如下步骤进行：

3c1)将目标距离单元时域信息矩阵A转化为取值范围为0～255的时域灰度矩阵

3c2)构造初始每一个元素均为0的时域灰度二值矩阵R_A；

3c3)计算时域灰度矩阵中首行首列元素的灰度值w₀和其邻域的平均灰度值v₀并取整，将R_A(w₀,v₀)的值加1，其中R_A(w₀,v₀)是时域灰度二值矩阵R_A第w₀行v₀列的值，0≤w₀,v₀≤255且为整数；

3c4)重复3c3)遍历计算时域灰度矩阵中每一个元素的灰度值和其邻域的平均灰度值，完成时域灰度二值矩阵R_A的更新；

3c5)重复3c1)到3c4)步，计算得到目标所在距离单元频域信息矩阵的频域灰度二值矩阵

3.根据权利要求1所述的方法，其中步骤3d)中根据时域灰度二值矩阵R_A分别提取时域中心图像熵T1和时域邻接图像熵T2，按如下公式进行：

其中R_A(x,y)是时域灰度二值矩阵R_A第x行y列的值。

4.根据权利要求1所述的方法，其中步骤3d)中根据频域灰度二值矩阵分别提取频域中心图像熵T3和频域邻接图像熵T4，按如下公式进行：

其中是频域灰度二值矩阵第x行y列的值。

5.根据权利要求1所述的方法，其中步骤5)中的分类器，包括：线性判决分析分类器，支持向量机分类器，相关向量机分类器和k近邻分类器。