CN108872960A - 用于hrrp目标识别的滑动分帧方法 - Google Patents
用于hrrp目标识别的滑动分帧方法 Download PDFInfo
- Publication number
- CN108872960A CN108872960A CN201810434980.4A CN201810434980A CN108872960A CN 108872960 A CN108872960 A CN 108872960A CN 201810434980 A CN201810434980 A CN 201810434980A CN 108872960 A CN108872960 A CN 108872960A
- Authority
- CN
- China
- Prior art keywords
- data
- hrrp
- sliding
- frame
- framing
- 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.)
- Pending
Links
- 238000009432 framing Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 13
- 238000010606 normalization Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种用于HRRP目标识别的滑动分帧方法,属于雷达一维距离像自动目标识别领域。滑动分帧方法包括以下步骤:步骤(1):选取一组包含N个HRRP的数据,每一帧的长度L和滑动窗宽度H满足:步骤(2):分帧时,取第一帧数据的长度为L,向该组数据尾端滑动取下一帧数据,下一帧数据的起始位置与前一帧数据的起始位置间相距一个滑动窗H的距离;步骤(3):重复步骤(2),直到完成整组数据的滑动分帧,帧数M需满足:M×L‑(M‑1)×(L‑H)=N。与现有技术相比,本发明既能松弛HRRP的方位敏感性问题,又与实际中目标方位角的变化和分布有更好的相符性,确保之后提取的帧中心能够很好反应某一方位角域内所有的数据。
Description
技术领域
本发明涉及雷达一维距离像自动目标识别领域,尤其涉及用于HRRP(高分辨距离像)目标识别的滑动分帧方法。
背景技术
随着高分辨雷达的出现和广泛应用,基于高分辨雷达信号的雷达自动目标识别技术成为雷达信号处理研究领域的热点。高分辨距离像(HRRP)、合成孔径雷达图像(SAR)和逆合成孔径雷达图像(ISAR)是使用最为广泛的三种高分辨雷达信号,其中高分辨距离像因其一维信号的优势以及易于获取及处理的特点,成为首选的高分辨雷达信号的研究对象。
目前,基于雷达高分辨距离像的雷达自动目标识别技术面临的主要困难在于高分辨距离像的方位敏感性、强度敏感性、平移敏感性等问题,其中通过采用能量归一化的方法可以有效缓解高分辨距离像的强度敏感性,通过提取平移不变特征或者相关对齐的方法有效缓解高分辨距离像的平移敏感性。雷达高分辨距离像的几何结构特征能够直接反映目标的物理结构,在对原始HRRP信号进行l2范数归一化后提取的几何结构特征,能够有效消除平移敏感性和强度敏感性。
但是,如何有效缓解高分辨距离像的方位敏感性,从而提取出有效稳健的高分辨距离像的特征是实现有效的基于HRRP的雷达自动目标识别技术的关键。通常,基于雷达高分辨率距离像的目标识别算法会将目标整个方位角域划分为若干小的姿态角域来松弛方位敏感性,使得某一帧内的HRRP样本受方位变化的影响足够小并提取各帧的帧中心作为模板信号进行雷达自动目标识别。然而经过这样的方位角域划分后所提取出一帧的帧中心是否能有效代表这一整个小方位角域所有的HRRP信号,尤其是边界处的几个HRRP信号,又是一个关键问题。
目前在基于高分辨距离像的雷达自动目标识别中,采用最多的分帧方法是均匀分帧方法。该方法的提出是以目标方位角的统计分布为均匀随机分布作为依据的,但是目标方位角的变化是缓慢的,两个方位角域并没有明确的界限,均匀分帧对方位角域边界采取“一刀切”的方法,与实际情况有较大差异。因此,在使用均匀分帧方法后提取某一帧内高分辨距离像的帧中心时,并没有完全利用某个方位角域内的全部数据,特别是边界处的数据。因而,提取的帧中心往往不能很好的代表方位角域边界处的HRRP信号,与该方位角域边界处的HRRP信号的相似性并不大。
发明内容
发明目的:本发明的目的是提供一种用于HRRP目标识别的滑动分帧方法,以确保提取的帧中心能够很好反应某一方位角域内所有的数据,该方法相比于现有技术中的均匀分帧方法具有更好的识别效果。
技术方案:用于HRRP目标识别的滑动分帧方法的步骤如下:
步骤1:一组HRRP数据内包含N个HRRP,选取每一帧的长度L和滑动窗的宽度H,满足:
步骤2:分帧时,每一帧的数据长度相同,从一组HRRP数据的第一个开始,取第一帧数据的长度为L,向该组数据尾端滑动取下一帧数据,下一帧数据的起始位置与前一帧数据的起始位置间相距一个滑动窗H的距离;
步骤3:重复步骤2,直到完成整组数据的滑动分帧,帧数M需满足:
M×L-(M-1)×(L-H)=N
步骤2中,相邻帧之间的数据相互之间有重叠,并从边界处的HRRP信号出发,对方位角域进行划分,反应某一方位角域内所有的数据。
工作原理:本发明中的滑动分帧方法,采用滑动的方式对方位角域进行划分,分帧后每帧数据长度相同但是相互之间有所重叠,实现了高分辨距离像的稳健帧中心对该方位角域内所有数据具有较强的代表性,同时与实际中目标方位角的变化和分布有更好的相符性。滑动分帧的分帧方法,从同一帧内的所有HRRP整体,特别是边界处的HRRP信号出发,每帧数据有所重叠,这样在帧中心提取时可以充分利用到某方位角域边界处的几个HRRP信号,利用实测HRRP信号进行实验;与均匀分帧方法相比,此方法既能松弛HRRP的方位敏感性问题,又与实际中目标方位角的变化和分布有更好的相符性,确保之后提取的帧中心能够很好反应某一方位角域内所有的数据。因此,在利用HRRP几何结构特征进行雷达自动目标识别时,采用滑动分帧的分帧方法具有更好的识别效果。同时以基于目标高阶中心矩特征的雷达HRRP目标识别为例,验证滑动分帧方法的有效性和优越性。
有益效果:与现有技术相比,本发明具有以下优点:(1)在基于目标几何结构特征的雷达HRRP目标识别中,利用滑动分帧方法所提取的帧中心能更好的反应位于该方位角域边界处的数据;(2)该方法更符合实际方位角的分布情况,同时每帧的数据量增加,所提取的帧中心更具代表性;(3)具有更好的识别效果,最终平均识别精度相较于均匀分帧方法提高4个百分点,误判率下降2个百分点;(4)既能松弛HRRP的方位敏感性问题,又与实际中目标方位角的变化和分布有更好的相符性,确保之后提取的帧中心能够很好反应某一方位角域内所有的数据。
附图说明
图1为三类舰船目标的HRRP信号;
图2为均匀分帧方法示意图;
图3为滑动分帧方法示意图。
具体实施方式
本实施例以三类舰船目标的实测HRRP信号为例,如图1所示,现有三个型号舰船目标的一维距离像实信号回波数据,a、b和c分别表示舰船目标V1、V2和V3三类数据,分为训练数据和测试数据;每类目标各有训练样本1280个、测试样本320个,数据维数均为700维。其中横坐标表示距离单元数,纵坐标表示信号强度,通过这三类目标的HRRP来进行目标分类识别,从而验证滑动分帧方法。
同时采用识别率和误判率评价识别效果的好坏。识别率为某一类目标的测试样本识别为该类的数目占该类目标测试样本总数的比例;误判率为其他类目标的测试样本识别为该类的数目占其他类目标测试样本总数的比例。
均匀分帧方法是将HRRP训练数据均匀分成几个等数据长度帧,如图2所示,将HRRP训练数据均匀分成20个等数据长度帧,代表20个方位角域,图2中每个带标号的矩形框代表一帧数据,共二十帧,省略号代表中间几帧。
如图3所示,滑动分帧是按照下面的步骤同样将HRRP训练数据分成20个等数据长度帧,代表20个方位角域,图3中每个带标号的矩形框代表一帧数据,阴影部分为每帧的重叠部分,共二十帧,省略号代表中间几帧。滑动分帧方法的具体步骤如下:
步骤1:一组HRRP数据内包含N个HRRP,选取每一帧的长度L和滑动窗的宽度H,满足:
步骤2:分帧时,每一帧的数据长度相同,从一组HRRP数据的第一个开始,取第一帧数据的长度为L,向该组数据尾端滑动取下一帧数据,下一帧数据的起始位置与前一帧数据的起始位置间相距一个滑动窗H的距离;
步骤3:重复步骤2,直到完成整组数据的滑动分帧,帧数M需满足:
M×L-(M-1)×(L-H)=N
下面以基于目标高阶中心矩特征的雷达HRRP目标识别为例,验证滑动分帧方法的有效性和优越性,其中反映目标物理结构的高阶中心矩为:雷达某一时刻观测到的目标的HRRP信号是一个空间上的采样序列,可以表示为y(n),n=1,2,···,N:,其中N为采样点数。基于统计的方法,定义高阶中心矩特征:对某一帧内的全部HRRPy(n),n=1,2,···,N按照公式(1)作l2范数归一化,得到该帧内的全部归一化HRRP从而消除HRRP的强度敏感性;
那么HRRP的p阶中心矩定义为:
其中
式中,为某一帧内的全部归一化HRRP,σp为HRRP的p阶中心矩,μ0为HRRP的一阶原点矩,为某一帧内的第i个归一化HRRP。
基于HRRP的高阶中心矩特征的雷达目标识别方法主要包括:(1)分类器的训练阶段;(2)分类器识别效果的测试阶段。
训练阶段
步骤1:对全部HRRP训练数据按照公式(1)进行l2范数归一化操作,以消除HRRP信号的强度敏感性;
步骤2:对全部归一化训练HRRP样本按前述方法进行均匀分帧和滑动分帧,并提取训练样本帧中心,以缓和HRRP信号的方位敏感性;
步骤3:对步骤2中所得的帧中心利用式(2)-(3)提取训练样本帧中心的高阶中心距特征,组成训练样本特征向量;
利用训练样本数据对分类及算法进行训练,以得到一个可用的分类器。
测试阶段
步骤1:对全部HRRP测试数据按照公式(1)进行l2范数归一化,之后利用公式(2)和(3)提取归一化测试样本的高阶中心矩特征,组成测试样本特征向量;
步骤2:将步骤1中得到的测试样本特征向量和训练阶段产生的训练样本特征向量,采用模板匹配的方法进行测试样本的识别分类,得到不同分帧方法下的识别效果。
利用测试样本数据对训练阶段得到的分类进行测试以得到识别率和误判率。
下面是利用均匀分帧方法和滑动分帧方法下基于高阶中心矩特征的目标识别率和误判率。其中,Acc(V1)、Acc(V2)、Acc(V3)和Acc_ave分别表示三类舰船目标V1,V2和V3的识别率以及三类目标的平均识别率;Err(D507)、Err(D715)、Err(D910)和Err_ave分别表示三类舰船目标V1、V2和V3的误判率以及三类目标的平均误判率。
表1不同分帧方法下基于高阶中心矩特征的目标识别率
表2不同分帧方法下基于高阶中心矩特征的目标误判率
从表1和表2中可以看出,利用滑动分帧方法时,三类目标的正确识别均较使用均匀分帧方法时有所提高,平均识别率也可以提高4分百分点。而误判率方面,虽然利用滑动分帧方法时第一类目标的误判率有所上升,但是三类目标的平均误判率仍旧是利用滑动分帧方法时低于利用均匀分帧方法。
因此,本发明提出的滑动分帧的分帧方法相比于均匀分帧的分帧方法,在基于HRRP的雷达目标识别中具有更好的稳健性。尤其是在基于目标高阶中心矩特征的雷达HRRP目标识别中,相比于均匀分帧的分帧方法,采用滑动分帧的分帧方法可以进一步提高识别率,降低误判率,具有较大的实际应用价值。
Claims (5)
1.一种用于HRRP目标识别的滑动分帧方法,其特征在于:包括以下步骤:
步骤(1):选取一组包含N个HRRP的数据,每一帧的长度(L)和滑动窗的宽度(H)满足:
步骤(2):分帧时,取第一帧数据的长度为L,向该组数据尾端滑动取下一帧数据,下一帧数据的起始位置与前一帧数据的起始位置间相距一个滑动窗(H)的距离;
步骤(3):重复步骤(2),直到完成整组数据的滑动分帧,帧数M满足:
M×L-(M-1)×(L-H)=N
2.根据权利要求1所述的用于HRRP目标识别的滑动分帧方法,其特征在于:步骤(2)中,所述每一帧的数据长度相同。
3.根据权利要求1或2所述的用于HRRP目标识别的滑动分帧方法,其特征在于:步骤(2)中,从所述第一个HRRP数据开始取第一帧数据。
4.根据权利要求1或2所述的用于HRRP目标识别的滑动分帧方法,其特征在于:步骤(2)中,所述相邻帧间的数据相互之间有重叠。
5.根据权利要求1或2所述的用于HRRP目标识别的滑动分帧方法,其特征在于:步骤(2)中,从边界处的HRRP信号出发,对方位角域进行划分,反应某一方位角域内所有的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810434980.4A CN108872960A (zh) | 2018-05-09 | 2018-05-09 | 用于hrrp目标识别的滑动分帧方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810434980.4A CN108872960A (zh) | 2018-05-09 | 2018-05-09 | 用于hrrp目标识别的滑动分帧方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108872960A true CN108872960A (zh) | 2018-11-23 |
Family
ID=64332868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810434980.4A Pending CN108872960A (zh) | 2018-05-09 | 2018-05-09 | 用于hrrp目标识别的滑动分帧方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108872960A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112259124A (zh) * | 2020-10-21 | 2021-01-22 | 交互未来(北京)科技有限公司 | 基于音频频域特征的对话过程捂嘴手势识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030044826A1 (en) * | 2001-08-21 | 2003-03-06 | Lesley Ward | Automatic threshold setting for quantitative polymerase chain reaction |
EP2523016A2 (en) * | 2011-05-10 | 2012-11-14 | Raytheon Company | Target Identification for a Radar Image |
US20140142800A1 (en) * | 2012-11-16 | 2014-05-22 | GM Global Technology Operations LLC | Method and apparatus for state of health estimation of object sensing fusion system |
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 |
CN105469060A (zh) * | 2015-12-02 | 2016-04-06 | 杭州电子科技大学 | 一种基于紧致性测度加权的舰船类型识别方法 |
CN106297770A (zh) * | 2016-08-04 | 2017-01-04 | 杭州电子科技大学 | 基于时频域统计特征提取的自然环境声音识别方法 |
CN107013449A (zh) * | 2017-04-18 | 2017-08-04 | 山东万腾电子科技有限公司 | 基于深度学习的声音信号识别压缩机故障的方法及系统 |
CN107045120A (zh) * | 2017-01-20 | 2017-08-15 | 南京航空航天大学 | 一种基于因子分析模型的一维距离像自适应分帧方法 |
-
2018
- 2018-05-09 CN CN201810434980.4A patent/CN108872960A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030044826A1 (en) * | 2001-08-21 | 2003-03-06 | Lesley Ward | Automatic threshold setting for quantitative polymerase chain reaction |
EP2523016A2 (en) * | 2011-05-10 | 2012-11-14 | Raytheon Company | Target Identification for a Radar Image |
US20140142800A1 (en) * | 2012-11-16 | 2014-05-22 | GM Global Technology Operations LLC | Method and apparatus for state of health estimation of object sensing fusion system |
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 |
CN105469060A (zh) * | 2015-12-02 | 2016-04-06 | 杭州电子科技大学 | 一种基于紧致性测度加权的舰船类型识别方法 |
CN106297770A (zh) * | 2016-08-04 | 2017-01-04 | 杭州电子科技大学 | 基于时频域统计特征提取的自然环境声音识别方法 |
CN107045120A (zh) * | 2017-01-20 | 2017-08-15 | 南京航空航天大学 | 一种基于因子分析模型的一维距离像自适应分帧方法 |
CN107013449A (zh) * | 2017-04-18 | 2017-08-04 | 山东万腾电子科技有限公司 | 基于深度学习的声音信号识别压缩机故障的方法及系统 |
Non-Patent Citations (5)
Title |
---|
陈凤等: "一种新的雷达HRRP自适应划分角域建模方法", 《西安电子科技大学学报》 * |
陈宏昆等: "舰船目标一维距离像特性分析", 《电子科技》 * |
陈涛: "基于机器人听觉系统的声源目标定位研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
雷鸣等: "低空目标被动声识别关键技术研究", 《计算机与数字工程》 * |
黄强 等: "《国土安全—理念·政策·技术·装备及系统》", 31 December 2013, 东南大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112259124A (zh) * | 2020-10-21 | 2021-01-22 | 交互未来(北京)科技有限公司 | 基于音频频域特征的对话过程捂嘴手势识别方法 |
CN112259124B (zh) * | 2020-10-21 | 2021-06-15 | 交互未来(北京)科技有限公司 | 基于音频频域特征的对话过程捂嘴手势识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Solberg et al. | A large-scale evaluation of features for automatic detection of oil spills in ERS SAR images | |
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
US6437728B1 (en) | A-scan ISAR target recognition system and method | |
CN107977642B (zh) | 一种核自适应均值判别分析的高分辨距离像目标识别方法 | |
Zhou et al. | Multiple kernelized correlation filters (MKCF) for extended object tracking using X-band marine radar data | |
CN103064071B (zh) | 基于稀疏分解的雷达目标属性散射中心特征提取方法 | |
CN107728143B (zh) | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 | |
US6897802B1 (en) | Fusion of shape and multiscale features for unknown target rejection | |
CN109284704A (zh) | 基于cnn的复杂背景sar车辆目标检测方法 | |
CN102129573A (zh) | 基于字典学习和稀疏表示的sar图像分割方法 | |
CN107329137B (zh) | 基于box样条小波框架的探地雷达地下目标定位方法及系统 | |
CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN108805028A (zh) | 基于电磁强散射点的sar图像地面目标检测与定位方法 | |
CN103886337A (zh) | 基于多稀疏描述的最近邻子空间sar目标识别方法 | |
CN106557740A (zh) | 一种遥感图像中油库目标的识别方法 | |
CN106874841A (zh) | 基于正则化局部保持投影的sar变形目标识别方法 | |
CN110865340B (zh) | 一种基于极化特性辅助的海面角反射器干扰对抗方法 | |
CN108872960A (zh) | 用于hrrp目标识别的滑动分帧方法 | |
CN110458019A (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN106897730A (zh) | 基于融合类别信息与局部保持投影的sar目标型号识别方法 | |
CN109343043A (zh) | 一种基于选择主成分分析的雷达hrrp目标识别方法 | |
Li et al. | Multi-scale ships detection in high-resolution remote sensing image via saliency-based region convolutional neural network | |
Yuankui et al. | Automatic target recognition of ISAR images based on Hausdorff distance | |
CN115205602A (zh) | 基于最优传输距离函数的零样本sar目标识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |