CN109597045B - 一种基于两次杂波抑制的静目标稳健识别方法 - Google Patents
一种基于两次杂波抑制的静目标稳健识别方法 Download PDFInfo
- Publication number
- CN109597045B CN109597045B CN201811424825.0A CN201811424825A CN109597045B CN 109597045 B CN109597045 B CN 109597045B CN 201811424825 A CN201811424825 A CN 201811424825A CN 109597045 B CN109597045 B CN 109597045B
- Authority
- CN
- China
- Prior art keywords
- clutter
- point
- target
- scattering
- scattering point
- 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
Links
Images
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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
-
- 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
- G01S7/418—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于两次杂波抑制的静目标稳健识别方法。本发明首先根据“径向距离‑角误差”平面得到“径向距离‑方位向距离”二维平面,然后在新的二维平面进行二次杂波剔除,第一次采用物理空间划分法聚类剔除远区小簇杂波,第二次采用局部异常因子(LOF)法剔除近区点杂波。通过两次处理,有效地减少了远区小簇杂波和近区点杂波对对静目标高分辨距离像的影响,使得基于高分辨距离像的特征提取更加稳健,提升了杂波背景下静目标的识别率。且由于第一次空间隔离法剔除了部分杂波,有效地减少了LOF的输入样本量,从而降低了整体运算量,可以满足工程使用需求。
Description
技术领域
本发明涉及雷达目标识别领域,特别涉及基于高分辨距离像的单脉冲雷达目标识别技术,提出了一种基于两次杂波抑制的静目标稳健识别方法,可在杂波背景下相对传统静目标识别方法有较大的识别性能改善。
背景技术
雷达目标识别是在雷达目标检测的基础上,结合战场感知情况,根据目标的雷达回波信号,基于空域、时域、频域、极化域等多维信息,提取可以反映目标特性的特征,实现目标类别或类型的自动判定。雷达目标识别技术是集传感器、目标、环境和信息处理技术于一体的复杂系统工程,对于提高军队的指挥自动化水平、攻防能力、国土防空反导能力以及战略预警能力都具有十分重要的作用。
高分辨距离像是目标在雷达视线方向的投影,反映了目标的结构和散射特征,且易于获取,在雷达目标识别领域得到了广泛的应用。单脉冲雷达由于其测角跟踪精度高、抗干扰能力强,且数据率高等优点而得到普遍应用。大部分目标识别文献都假设训练样本和测试样本都具有较高的信杂噪比,实际应用中,特别是空对地雷达,杂波或者噪声不可避免会污染目标高分辨距离像,从测试样本提取的特征会发生改变,特征的统计特性与高信杂噪比下训练的统计模型也会产生失配,这些会导致识别系统性能恶化,所以研究杂波/噪声稳健的识别方法是雷达目标识别系统实用化进程中必须解决的一个问题。
针对噪声背景下的稳健识别方法,目前已有一些国内外文献进行相关研究,这些工作大致可以分为两类:1.提取噪声稳健特征。例如可将含噪HRRP样本映射到一个稀疏的特征空间。映射后的特征只保留能量较强的距离单元,因此噪声分量得到抑制。2.模型自适应修正。这类方法在训练阶段利用高信噪比的样本学习统计模型,并存储模型参数作为模板;在测试阶段首先估计含噪测试样本中的噪声水平,然后对相关模型参数做出修正后,使用Bayes分类器进行识别。修正后的模型在低信噪比条件下的识别性能都有了明显改善。
针对杂波背景下的稳健目标识别方法,目前公开文献主要针对动目标,其基本思想都是在时域或者多普勒域直接将杂波去除,但是对于静止目标,由于目标和杂波相对静止,时域或多普勒维都无法分离,因此杂波背景下对静目标的可靠识别将会非常困难。
发明内容
要解决的技术问题
针对传统的目标识别方法在杂波背景下,不能对静目标稳健识别的问题,提出了一种基于两次杂波抑制的静目标稳健识别方法。
技术方案
一种基于两次杂波抑制的静目标稳健识别方法,输入为经过恒虚警率检测CFAR后的回波的高分辨距离像HRRP各个散射点的幅度、距离、方位角误差,记为(Ai,Ri,θi),其中,Ai为目标第i个散射点的幅度,Ri为目标第i个散射点的距离,θi为目标第i个散射点的方位角误差,i=1...N,N为散射点的个数;其特征在于步骤如下:
步骤1:利用公式(1)计算每个散射点的方位向距离xi2,从而得到了径向距离-方位向距离二维平面,第i个散射点样本记为xi=(xi1;xi2),其中:
xi1=Ri
xi2=Ri·θi/57.3 i=1,2,...,...N (1)
步骤2:利用公式(2)和(3)计算得到圆心位置c0=(c1,c2):
步骤3:对每个散射点进行一次杂波判决,方法为利用公式(4)计算每个散射点与圆心的欧式距离disted(xi,c0);若disted(xi,c0)>r,则将此散射点判决为杂波点,否则,此散射点判决为非杂波点,其中r为预设值,为目标的物理尺寸:
对每个散射点,用label1的值0/1分别表征一次判决后的杂波点/非杂波点,即:
步骤4:将一次检测中被判为非杂波点的i定义为集合W,二次杂波剔除的计算都在满足i∈W的xi中进行,方法是利用公式(5)(6)(7)计算每个散射点的局部异常因子LOFk(xi),即:
RDk(xi,xj)=max(||xi-xi (k)||2,||xi-xj||2) (5)
其中,xi (k)表示所有散射点中距离散射点xi第k近的散射点,k=4;
步骤5:对一次杂波判决中的非杂波散射点进行二次判决,准则为如果LOFk(xi)>4,则此散射点判决为杂波点,否则此散射点为非杂波点;对每个散射点,label的值为0/1分别表征二次判决后该点为杂波点/目标散射点,即:
步骤6:特征提取,计算目标极化二阶矩m2及径向尺寸LEN:
先用公式(9)对经过二次杂波判决后的非杂波点进行归一化,结果记作pdf,即:
pdf(i)=label(i).*Ai/max(label(i).*Ai) (9)
再应用公式(10)计算极化二阶矩:
用公式(11)计算目标的径向尺寸LEN,即:
LEN=max[label(i)*Ri]-min[label(i)*Ri],i=1,2,...,N (11)
其中min(*)为最小值;
步骤7:目标分类识别
对步骤6中计算的m2和LEN按照公式(12)进行逻辑判断:
(m2≥1.2)&&(1≤LEN≤7.5) (12)
其中“&&”为逻辑与运算;
若结果为“1”,则目标为军事目标,输出1;
若结果为“0”,目标为非军事目标,输出0。
有益效果
本发明针对传统的目标识别方法在杂波背景下,不能对静目标稳健识别的问题,提出了一种基于两次杂波抑制的静目标稳健识别方法。本发明首先根据“径向距离-角误差”平面得到“径向距离-方位向距离”二维平面,然后在新的二维平面进行二次杂波剔除,第一次采用物理空间划分法聚类剔除远区小簇杂波,第二次采用局部异常因子(LOF)法剔除近区点杂波。通过两次处理,有效地减少了远区小簇杂波和近区点杂波对对静目标高分辨距离像的影响,使得基于高分辨距离像的特征提取更加稳健,提升了杂波背景下静目标的识别率。且由于第一次空间隔离法剔除了部分杂波,有效地减少了LOF的输入样本量,从而降低了整体运算量,可以满足工程使用需求。
本发明与常规目标识别方法相比较,具有的有益效果是:
提升了杂波背景下的静目标识别稳健性。常规目标识别方法在多普勒将杂波进行剔除,其要求目标与杂波有相对运动,对地探测的杂波一般都是静止杂波,因此传统方法局限于运动目标的稳健识别。
既可以检测并剔除点杂波,也可以检测并剔除小簇的面杂波。在人工智能领域,常常采用局部异常因子LOF进行异常检测,如果直接将此算法移植到杂波剔除中,可以剔除点杂波但不能剔除小簇的面杂波。
运算量较小。直接使用局部异常因子LOF进行异常检测,运算复杂度较大,为O(N2),其中N为样本量,即散射点数量,本发明通过第一次空间隔离法杂波剔除,有效地减少了LOF的输入样本量,从而降低了整体运算量,达到了工程使用的实时性要求。
附图说明
图1典型的雷达目标识别流程图
图2本发明的雷达目标识别流程图
图3杂波剔除的流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
本发明解决技术问题的方案是:首先根据单脉冲雷达得到的根据“径向距离-角误差”平面转换为“径向距离-方位向距离”二维平面;然后进行利用物理空间隔离法进行第一次杂波剔除,以一个圆作为物理空间的隔离边界,圆心利用二维平面所有散射点幅度加权得到,半径为目标的最大物理尺寸,圆形外的散射点判定为杂波并进行剔除;第三,在第一次物理空间隔离法剔除杂波的基础上,求取剩余散射点的局部异常因子,并与预设的阈值进行比较,局部异常因子大于阈值的散射点则判定为杂波并进行剔除,否则判定为目标散射点;最后基于目标散射点完成特征提取和目标识别。
利用两种算法依次进行杂波剔除,两种算法分别为物理空间隔离法和局部异常因子法。先使用物理空间隔离法去杂波,再使用局部异常因子法去杂波,结合了两种算法的优势,物理空间隔离法主要针对目标较远的小簇杂波,局部异常因子主要针对目标较近的点杂波。且由于经过物理空间隔离法剔除部分杂波后,有效地减少了局部异常因子法的输入样本量,降低了运算量;物理空间隔离法的隔离边界为一圆形,圆心通过幅度加权法计算得到,半径为目标的物理尺寸。
本发明的输入为经过恒虚警率检测(CFAR)后的回波的高分辨距离像(HRRP)各个散射点的幅度、距离、方位角误差,输出为目标类型,即0/1,0代表非军事目标,1代表军事目标。回波高分辨距离像各个散射点的幅度、距离、方位角误差,记为(Ai,Ri,θi),其中,Ai为目标第i个散射点的幅度,Ri为目标第i个散射点的距离,θi为目标第i个散射点的方位角误差,i=1...N,N为散射点的个数。
1)利用公式(1)计算每个散射点的方位向距离xi2,从而得到了“径向距离-方位向距离”二维平面,第i个散射点样本记为xi=(xi1;xi2),其中:
xi1=Ri
xi2=Ri·θi/57.3 i=1,2,...,...N (1)
2)利用公式(2)和(3)计算得到圆心位置c0=(c1,c2)。
3)对每个散射点进行一次杂波判决。方法为利用公式(4)计算每个散射点与圆心的欧式距离disted(xi,c0)。若disted(xi,c0)>r,则将此散射点判决为杂波点,否则,此散射点判决为非杂波点,其中r为预设值,为目标的物理尺寸。
对每个散射点,用label1的值0/1分别表征一次判决后的杂波点/非杂波点,即:
4)将一次检测中被判为非杂波点的i定义为集合W,二次杂波剔除的计算都在满足i∈W的xi中进行,方法是利用公式(5)(6)(7)计算每个散射点的局部异常因子LOFk(xi),即:
RDk(xi,xj)=max(||xi-xi (k)||2,||xi-xj||2) (5)
其中,xi (k)表示所有散射点中距离散射点xi第k近的散射点,k=4。
对一次杂波判决中的非杂波散射点进行二次判决,准则为如果LOFk(xi)>4,则此散射点判决为杂波点,否则此散射点为非杂波点。对每个散射点,label的值为0/1分别表征二次判决后该点为杂波点/目标散射点,即:
6)特征提取,计算目标极化二阶矩m2及径向尺寸LEN。
先用公式(9)对经过二次杂波判决后的非杂波点进行归一化,结果记作pdf,即:
pdf(i)=label(i).*Ai/max(label(i).*Ai) (9)
再应用公式(10)计算极化二阶矩:
用公式(11)计算目标的径向尺寸LEN,即:
LEN=max[label(i)*Ri]-min[label(i)*Ri],i=1,2,...,N (11)
其中min(*)为最小值。
7)目标分类识别
对6)中计算的m2和LEN按照公式(12)进行逻辑判断,
(m2≥1.2)&&(1≤LEN≤7.5) (12)
其中“&&”为逻辑与运算;
若结果为“1”,则目标为军事目标,输出1;
若结果为“0”,目标为非军事目标,输出0。
Claims (1)
1.一种基于两次杂波抑制的静目标稳健识别方法,输入为经过恒虚警率检测CFAR后的回波的高分辨距离像HRRP各个散射点的幅度、距离、方位角误差,记为(Ai,Ri,θi),其中,Ai为目标第i个散射点的幅度,Ri为目标第i个散射点的距离,θi为目标第i个散射点的方位角误差,i=1...N,N为散射点的个数;其特征在于步骤如下:
步骤1:利用公式(1)计算每个散射点的方位向距离xi2,从而得到了径向距离-方位向距离二维平面,第i个散射点样本记为xi=(xi1;xi2),其中:
xi1=Ri
xi2=Ri·θi/57.3 i=1,2,...,...N (1)
步骤2:利用公式(2)和(3)计算得到圆心位置c0=(c1,c2):
步骤3:对每个散射点进行一次杂波判决,方法为利用公式(4)计算每个散射点与圆心的欧式距离disted(xi,c0);若disted(xi,c0)>r,则将此散射点判决为杂波点,否则,此散射点判决为非杂波点,其中r为预设值,为目标的物理尺寸:
对每个散射点,用label1的值0/1分别表征一次判决后的杂波点/非杂波点,即:
步骤4:将一次检测中被判为非杂波点的i定义为集合W,二次杂波剔除的计算都在满足i∈W的xi中进行,方法是利用公式(5)(6)(7)计算每个散射点的局部异常因子LOFk(xi),即:
RDk(xi,xj)=max(||xi-xi (k)||2,||xi-xj||2) (5)
其中,xi (k)表示所有散射点中距离散射点xi第k近的散射点,k=4;
步骤5:对一次杂波判决中的非杂波散射点进行二次判决,准则为如果LOFk(xi)>4,则此散射点判决为杂波点,否则此散射点为非杂波点;对每个散射点,label的值为0/1分别表征二次判决后该点为杂波点/目标散射点,即:
步骤6:特征提取,计算目标极化二阶矩m2及径向尺寸LEN:
先用公式(9)对经过二次杂波判决后的非杂波点进行归一化,结果记作pdf,即:
pdf(i)=label(i).*Ai/max(label(i).*Ai) (9)
再应用公式(10)计算极化二阶矩:
用公式(11)计算目标的径向尺寸LEN,即:
LEN=max[label(i)*Ri]-min[label(i)*Ri],i=1,2,...,N (11)
其中min(*)为最小值;
步骤7:目标分类识别
对步骤6中计算的m2和LEN按照公式(12)进行逻辑判断:
(m2≥1.2)&&(1≤LEN≤7.5) (12)
其中“&&”为逻辑与运算;
若结果为“1”,则目标为军事目标,输出1;
若结果为“0”,目标为非军事目标,输出0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811424825.0A CN109597045B (zh) | 2018-11-27 | 2018-11-27 | 一种基于两次杂波抑制的静目标稳健识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811424825.0A CN109597045B (zh) | 2018-11-27 | 2018-11-27 | 一种基于两次杂波抑制的静目标稳健识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109597045A CN109597045A (zh) | 2019-04-09 |
CN109597045B true CN109597045B (zh) | 2023-02-10 |
Family
ID=65960361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811424825.0A Active CN109597045B (zh) | 2018-11-27 | 2018-11-27 | 一种基于两次杂波抑制的静目标稳健识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109597045B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018461B (zh) * | 2019-04-16 | 2023-03-24 | 西安电子工程研究所 | 基于高分辨距离像和单脉冲测角的群目标识别方法 |
CN110261828B (zh) * | 2019-07-22 | 2022-12-06 | 西安电子工程研究所 | 基于距离-角误差二维聚类的横向干扰判定方法 |
RU2734071C1 (ru) * | 2020-04-16 | 2020-10-12 | Акционерное общество «Всероссийский научно-исследовательский институт радиотехники» (АО «ВНИИРТ») | Межобзорное устройство картографирования пассивных помех для импульсно-доплеровских радиолокационных станций и способ его осуществления |
CN115166649B (zh) * | 2022-09-08 | 2023-04-11 | 北京理工大学 | 一种极窄脉冲雷达散射点特征聚合目标极化检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5748140A (en) * | 1996-03-28 | 1998-05-05 | Hughes Electronics | System for tracking radar targets in background clutter |
CN101509972A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9857455B2 (en) * | 2015-07-20 | 2018-01-02 | The United States Of America As Represented By The Secretary Of The Navy | Radar filter process using antenna patterns |
-
2018
- 2018-11-27 CN CN201811424825.0A patent/CN109597045B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5748140A (en) * | 1996-03-28 | 1998-05-05 | Hughes Electronics | System for tracking radar targets in background clutter |
CN101509972A (zh) * | 2009-03-30 | 2009-08-19 | 西安电子科技大学 | 基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法 |
Non-Patent Citations (3)
Title |
---|
"Clutter suppression and moving target imaging approach for multichannel hypersonic vehicle borne radar";Yu Wang et al.;《Digital Signal Processing》;20170930;第68卷;全文 * |
基于一维距离像的雷达目标识别;李飞;《舰船电子工程》;20150520(第05期);全文 * |
距离扩展目标的双门限恒虚警检测器及性能分析;顾新锋等;《电子与信息学报》;20120615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109597045A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109597045B (zh) | 一种基于两次杂波抑制的静目标稳健识别方法 | |
CN108490410B (zh) | 一种两坐标雷达对海目标联合检测跟踪方法 | |
Eryildirim et al. | Pulse Doppler radar target recognition using a two-stage SVM procedure | |
WO2010039303A2 (en) | Inverse synthetic aperture radar image processing | |
CN103995259A (zh) | 密集干扰环境下雷达目标自适应滤波融合检测方法 | |
CN114997326B (zh) | 一种基于多特征融合的机载雷达工作模式识别方法 | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
Benedetto et al. | Automatic aircraft target recognition by ISAR image processing based on neural classifier | |
Zhou et al. | Multiple-kernelized-correlation-filter-based track-before-detect algorithm for tracking weak and extended target in marine radar systems | |
Du et al. | Hrrp clutter rejection via one-class classifier with hausdorff distance | |
Gupta et al. | A GUI based application for low intensity object classification & count using SVM approach | |
CN109031221A (zh) | 数据层基于多维度特征提取的雷达抗密集假目标干扰方法 | |
CN113177097A (zh) | 一种基于属性聚类与时空约束的航迹起始判别方法 | |
Bi et al. | Improved multi-target radar TBD algorithm | |
Kong et al. | Automatic detection technology of sonar image target based on the three‐dimensional imaging | |
Joshi et al. | Sea clutter model comparison for ship detection using single channel airborne raw SAR data | |
KR101813357B1 (ko) | 수중 고정표적과 클러터 식별을 위한 가변 데이터 맵 및 가변 통계적 특징정보를 적용하는 클러터 제거 방법 및 장치 | |
CN110660028B (zh) | 一种基于联合边缘滤波形态学的小目标检测方法 | |
CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
Ristic et al. | Bernoulli multi-target track-before-detect for maritime radar | |
CN113625266A (zh) | 应用雷达检测低速目标的方法、装置、存储介质和设备 | |
Faramarzi et al. | Infrared dim and small targets detection based on multi-scale local contrast measure utilizing efficient spatial filters | |
CN116224280B (zh) | 雷达目标检测方法、装置、雷达设备及存储介质 | |
Yao et al. | An integration method for detection and classification of sea surface targets | |
Zhou et al. | Underwater detection of small-volume weak target echo in harbor scene under multisource interference |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |