CN107728115B - 一种雷达目标成像后基于svm的背景干扰抑制方法 - Google Patents

Abstract

本发明提供一种雷达目标成像后基于SVM的背景干扰抑制方法，首先对雷达回波信号通过动目标显示(MTI)和去均值的方法进行信号预处理；然后对预处理后的回波数据做二维的傅里叶变换，并得到雷达目标成像后的RD(距离多普勒)图；接着利用生成的RD图作为训练样本和测试样本用于训练SVM分类模型；最后利用生成的SVM分类模型分离出样本图像中的多个目标和背景干扰，实现背景干扰抑制。本发明适用于多种雷达成像场景，能够对有效目标和背景干扰实现有效的分离，在保留目标的同时能够有效地将目标凝聚，同时能够抑制背景干扰，有广泛的应用前景。

Description

一种雷达目标成像后基于SVM的背景干扰抑制方法

技术领域

本发明涉及雷达成像技术领域，特别是雷达目标成像后的多目标背景干扰的抑制方法。

背景技术

雷达成像技术在许多探测系统中都有着重要的应用。例如在穿墙雷达领域，雷达成像可以对密闭建筑物内隐藏目标进行检测、定位和识别，同时对建筑物布局进行成像，在反恐、公安执法、灾难救援等领域具有重大的应用价值。然而，雷达成像时，由于背景噪声、杂波等各种因素的干扰，雷达目标的成像质量将会受到干扰，从而使得后续的目标检测、识别等处理过程受到影响。因此雷达目标成像时的背景干扰抑制有着十分重要的意义。

国内外许多研究机构开展了雷达目标成像背景干扰抑制方法的研究。南京理工大学提出了一种基于隐马尔可夫的背景干扰抑制方法(Q.Y,Tan,Y.L Song.A New Methodfor Multipath Interference Suppression in through-the-wall UWB Radar Imaging[C].International Conference on Advanced Computer Control.2010.)，它把多径假目标对方向依赖的特性，采用基于HMM的图像生成算法，提高真实目标和背景假目标的峰值比，从而实现背景干扰的抑制。电子科技大学提出了一种基于子孔径成像的多径背景干扰的抑制方法(Z.X.Li,Y.Jia,et al,“A novel approach of multi-path suppressionbased on sub-aperture imaging in through-wall-radar imaging”, IEEE RadarConference,2013.)，它利用多径的位置随着雷达位置的改变而改变这个特性，选取不同位置的子孔径进行成像，最后将这些子孔径图像融合在一起达到多径抑制的目的。

上述方法背景适应性不高，不能完全消除背景干扰的存在，容易出现漏检并且处理流程复杂。因此，研究适用于多种雷达成像场景，能够对有效目标和背景干扰实现有效的分离的背景干扰抑制方法在雷达目标成像领域具有重要的价值。

发明内容

本发明提供一种适用于雷达目标成像的多目标背景干扰抑制方法，首先对雷达回波信号通过动目标显示(MTI)和去均值的方法进行信号预处理；然后对预处理后的回波数据做二维的傅里叶变换，并得到雷达目标成像后的RD(距离多普勒)图；接着按照前两步 的方法生成大量RD图作为训练样本和测试样本用于训练SVM(支持向量机)分类模型；最后利用生成的 SVM分类模型分离出样本图像中的多个目标和背景干扰，实现背景干扰抑制。

本发明技术方案如下：

一种雷达目标成像后基于SVM的多目标背景干扰抑制方法，该方法包括：

步骤1：雷达信号预处理

首先对雷达接收机接收到的回波矩阵A，A∈N×L维,N为回波信号一次成像时所处理的回波数，L为每个回波信号的采样点数，在慢时间上按行进行去均值处理和MTI滤波，得到去除了零频杂波的距离-脉冲域矩阵D；

步骤2：生成距离多普勒图

将上述得到的距离-脉冲域矩阵D在距离维上按行加窗处理，并且做二倍插值傅里叶变换，使每个周期的回波信号压缩成时域辛格(sinc)脉冲信号，得到带有目标的距离信息的sinc波形；采用相同得方法将N个扫频周期进行计算得到的N个信号组合在一起，得到探测目标对应的距离-脉冲域矩阵Z；再将Z在多普勒维按列加窗处理并进行二倍插值FFT，得到对应的距离-多普勒矩阵V∈2N×2L；对距离-多普勒矩阵V进行成像处理得到目标对应的距离-多普勒图；

步骤3：SVM模型训练及预测

将步骤2中的RD图以jpg格式存储，读取RD图并保存图像数据为三维矩阵P， P∈2N×2L×3，其中3对应像素点的RGB值，分别选取图像中的k个目标和l个背景干扰样本点对应的RGB值从而确定训练集；利用上述选取的样本点作为训练样本，将背景干扰对应样本点的标签设置为0，目标对应样本点的标签设置为1；采用一次多项式核函数建立支持向量机，输入训练样本和相应的样本标签进行SVM模型训练；将图像数据三维矩阵P转换成二维矩阵P₂，P₂∈2N×2L×3，其中2N×2L对应图像中的所有像素点的个数，将P₂作为测试数据集输入到训练好的SVM模型中进行预测，读取预测后的分类标签向量F∈2N×2L×1，根据每个像素点的分类标签，对三维矩阵P中的所有像素点进行分类，将分类标签为0的所有像素点的RGB值置0，从而实现背景干扰的抑制，对有效目标和背景干扰实现有效的分离。

进一步的，所述SVM模型为：

其中，sgn表示符号函数，将分类器的计算结果转化至区间[0,1]，i表示第i个输入样本，其中i＝1,2,...,n；b为偏置项，W_i表示第i个支持向量样本所占的权重，K x,x_i为多项式核函数，其表达式为：

K x,x_i＝γx^Tx_i+r^p

其中，γ和r分别表示核函数的权重系数和偏置量，p为阶数；在SVM模型训练过程中，将训练样本输入后，SVM模型对应的参数分别为:W_i初始值为1；偏置项b初始值为0；核函数权重系数γ初始值为0.5；r初始值为0；阶数p＝1，SVM工具箱自动检测出支持向量及其个数，并自动校正偏置项和权重因子，从而得到训练后的SVM模型。

本发明的有益效果是：

本发明提出了一种适用于雷达目标成像的多目标背景干扰抑制方法，该方法能够有效识别雷达图像中的真实目标和背景干扰，在抑制背景干扰的同时不会造成真实目标的丢失。相比于技术背景中提到的背景抑制方法，本发明能够防止正常信噪比条件下目标的丢失，形成高质量的雷达图像，适用于多种雷达成像场景，能够对有效目标和背景干扰实现有效的分离，在保留目标的同时能够有效地将目标凝聚，同时能够抑制背景干扰，有广泛的应用前景。

附图说明

图1为多目标背景抑制方法处理流程图。

图2为室内实测数据场景示意图。

图3为目标实际位置示意图。

图4为原始的多目标成像RD图。

图5为SVM处理后的多目标成像RD图。

具体实施方式

下面根据一个MATLAB实测数据例子给出本发明的具体实施方式。

对多个运动目标的雷达成像和背景干扰抑制，其室内实测数据场景示意图如图2所示，坐标系零点位于发射天线位置，4个接收天线沿x轴等间隔放置，相邻两个接收天线之间的水平间隔为半波长d＝λ/2，雷达的发射信号为中心频率24GHz、带宽500MHz的线性调频信号，信号时宽为300us。实验中，三个人体目标分别位于不同的位置，实际位置示意图如图3所示。

根据本发明的处理步骤：

步骤1：雷达信号预处理

首先对雷达接收机接收到的回波矩阵A(A∈N×L维,N为回波信号一次成像时所处理的回波数N＝128，L为每个回波信号的采样点数L＝128)在慢时间上(按行)进行去均值处理和MTI滤波，得到去除了静止背景等零频杂波的距离-脉冲域矩阵D。

步骤2：RD图生成

将上述得到的距离-脉冲域矩阵D在距离维上(按行)加窗处理，并且做二倍插值FFT(傅里叶变换)，使每个周期的回波信号压缩成sinc时域脉冲信号，sinc带有了目标的距离信息；再将N＝128个扫频周期上进行的上述操作得到的N＝128个sinc信号组合在一起，得到探测目标对应的距离-脉冲域矩阵Z；再将Z在多普勒维(按列)加窗处理并进二倍插值FFT，得到对应的距离-多普勒矩阵V∈256×256；对距离-多普勒矩阵V进行成像处理得到目标对应的距离-多普勒图(RD图)，原始多目标成像RD图如图4所示。

步骤3：SVM模型训练及预测

将步骤2中的RD图存成jpg格式用于后续调用。读取RD图并保存图像数据为三维矩阵P (P∈2N×2L×3，其中3对应像素点的RGB值)后，分别选取图像中的k＝10个目标和l＝6个背景干扰样本点对应的RGB值从而确定训练集；利用上述选取的样本点作为训练样本，将背景干扰对应样本点的标签设置为0，目标对应样本点的标签设置为1。采用一次多项式核函数建立支持向量机，输入训练样本和相应的样本标签进行SVM模型训练；将图像数据三维矩阵 P转换成二维矩阵P₂(P₂∈2N×2L×3，其中2N×2L对应图像中的所有像素点的个数)后，将P₂作为测试数据集输入到训练好的SVM模型中进行预测，读取预测后的分类标签向量F∈2N×2L×1，根据每个像素点的分类标签，对三维矩阵P中的所有像素点进行分类，将分类标签为0的所有像素点的RGB值置0，从而实现背景干扰的抑制，并且对有效目标和背景干扰实现有效的分离。SVM处理后的多目标成像RD图如图5所示。

由上述实测结果可知，本发明提供的适用于雷达目标成像的多目标背景干扰抑制方法不仅能够有效剔除背景干扰，而且不会造成目标的丢失，验证了本发明的正确性和有效性。

Claims (2)

1.一种雷达目标成像后基于SVM的多目标背景干扰抑制方法，该方法包括：

步骤1：雷达信号预处理

首先对雷达接收机接收到的回波矩阵A，A∈N×L维,N为回波信号一次成像时所处理的回波数，L为每个回波信号的采样点数，在慢时间上按行进行去均值处理和MTI滤波，得到去除了零频杂波的距离-脉冲域矩阵D；

步骤2：生成距离多普勒图

将上述得到的距离-脉冲域矩阵D在距离维上按行加窗处理，并且做二倍插值傅里叶变换，使每个周期的回波信号压缩成时域辛格(sinc)脉冲信号，得到带有目标的距离信息的sinc波形；采用相同得方法将N个扫频周期进行计算得到的N个信号组合在一起，得到探测目标对应的距离-脉冲域矩阵Z；再将Z在多普勒维按列加窗处理并进行二倍插值FFT，得到对应的距离-多普勒矩阵V∈2N×2L；对距离-多普勒矩阵V进行成像处理得到目标对应的距离-多普勒图；

步骤3：SVM模型训练及预测

将步骤2中的RD图以jpg格式存储，读取RD图并保存图像数据为三维矩阵P，P∈2N×2L×3，其中3对应像素点的RGB值，分别选取图像中的k个目标和l个背景干扰样本点对应的RGB值从而确定训练集；利用上述选取的样本点作为训练样本，将背景干扰对应样本点的标签设置为0，目标对应样本点的标签设置为1；采用一次多项式核函数建立支持向量机，输入训练样本和相应的样本标签进行SVM模型训练；将图像数据三维矩阵P转换成二维矩阵P₂，P₂∈2N×2L×3，其中2N×2L对应图像中的所有像素点的个数，将P₂作为测试数据集输入到训练好的SVM模型中进行预测，读取预测后的分类标签向量F∈2N×2L×1，根据每个像素点的分类标签，对三维矩阵P中的所有像素点进行分类，将分类标签为0的所有像素点的RGB值置0，从而实现背景干扰的抑制，对有效目标和背景干扰实现有效的分离。

2.如权利要求1所述的一种雷达目标成像后基于SVM的多目标背景干扰抑制方法，其特征在于所述步骤3中的SVM模型为：

其中，sgn表示符号函数，将分类器的计算结果转化至区间[0,1]，i表示第i个输入样本，其中i＝1,2,...,n；b为偏置项，W_i表示第i个支持向量样本所占的权重，K x,x_i为多项式核函数，其表达式为：

K x,x_i＝γx^Tx_i+r^p

其中，γ和r分别表示核函数的权重系数和偏置量，p为阶数；在SVM模型训练过程中，将训练样本输入后，SVM模型对应的参数分别为:W_i初始值为1；偏置项b初始值为0；核函数权重系数γ初始值为0.5；r初始值为0；阶数p＝1，SVM工具箱自动检测出支持向量及其个数，并自动校正偏置项和权重因子，从而得到训练后的SVM模型。

Images