CN110554368B - 一种基于四维信息权重的人车识别方法 - Google Patents

Abstract

本发明涉及一种基于四维信息权重的人车识别方法，属于雷达目标识别技术领域。包括：1、缓存X次目标的跟踪数据；2、计算X个归一化RCS值；3、分析雷达目标回波进行MTD后的谱，找到目标的最大谱峰位置，并在该位置±N点内计算该目标回波的其他谱峰数目；4、计算归一化RCS一阶矩M_σ以及归一化RCS二阶矩υ_σ；5、将权重H₁、H₂、H₃及H₄分别乘以归一化RCS一阶矩、二阶矩、谱峰数和速度，再计算得到当前X次跟踪数据判断为人的概率P_人和判断为车的概率P_车；6、判断若P_人值大于P_车值，则判定该目标为人；否则判定该目标为车，输出判定结果。所述识别方法只要雷达架设姿态正确且目标与雷达间没有遮挡，就能实现高识别概率，可实现稳定而可靠的识别。

Description

一种基于四维信息权重的人车识别方法

技术领域

本发明涉及一种基于四维信息权重的人车识别方法，属于雷达目标识别技术领域。

背景技术

雷达进行目标识别时，常规识别方式是：(1)利用目标的幅度和速度信息，当目标低速运动时，基本靠幅度信息来区分人和车，而幅度的起伏会导致识别结果特别不稳定。而本发明正是对这些方法的缺陷进行改进，采用多维信息来提高识别概率和稳定性，主要利用目标的四个维度信息，分别为归一化RCS一阶矩、归一化RCS二阶矩、谱峰数和速度。(2)采用小波变换、微多普勒、基于极化等先进方法进行目标识别，这些方法识别概率较高，但是运算量大。

经过仿真及实测，发现1：统计目标的归一化RCS一阶矩的值后，发现人正常情况下比车小；2：统计归一化RCS二阶矩的值，发现人正常情况下比车小；3：速度大于8m/s，发现目标是车的概率较大；4：统计后发现人的谱峰数正常情况下比车多；但是这些信息都没有绝对的分界线，如何利用好这四个维度信息并使识别概率达到最佳成为本申请的目标。

本申请拟基于雷达方程和目标的多普勒频谱信息，利用多维信息联合进而分别计算目标判为人和车的概率值，然后去比较这两个值得出最终的识别结果。

发明内容

本发明的目的是针对当前目标识别利用目标信息不全面导致目标识别概率不理想的情况，提出了一种基于四维信息权重的人车识别方法。

一种基于四维信息权重的人车识别方法，包括如下步骤：

步骤一、目标进入跟踪模式下，缓存X次目标的跟踪数据；

其中，X的取值范围为大于10小于等于50；每次缓存的目标跟踪数据中均包含如下信息：目标幅度A、距离D、谱峰数P以及速度V；

其中，目标幅度为回波做完MTD后的模值，速度为估计的目标运动实际速度；

步骤二、根据公式(1)计算步骤一中的每一次目标跟踪数据的归一化RCS值σ，得出X个归一化RCS值：

其中，σ为当前跟踪数据的归一化RCS值；K为系数；A为当前跟踪数据的幅度，D为当前跟踪数据的距离，A₀为人在距离D₀处多次测量统计的幅度值，距离D₀的单位为米；α为幂次，取值介于2到4之间；

步骤三、分析雷达目标回波进行MTD后的谱，找到目标的最大谱峰位置，在目标最大谱峰值位置±N点内计算该目标回波的其他谱峰数目；

其中，N对应速度范围为1.5m/s～3m/s；

统计的谱峰数目，记为P；

步骤四、对步骤二算出的X个归一化RCS值求一阶矩，得到归一化RCS一阶矩M_σ，再对步骤二算出的X个归一化RCS值中的取最后Y个归一化RCS值求二阶矩，得到归一化RCS二阶矩υ_σ；

其中，Y的取值范围为大于8小于等于X；

其中，X的取值范围为大于10小于等于50；

步骤五、将权重H₁、H₂、H₃以及H₄分别乘以归一化RCS一阶矩、归一化RCS二阶矩、谱峰数和速度，再带入下列公式(2)和公式(3)，计算得到当前缓存的X次跟踪数据判断为人的概率和判断为车的概率:

其中，权重H₁、H₂、H₃以及H₄满足如下a)和b)条件：

a)H₁＞0、H₂＞0、H₃＞0以及H₄＞0；

b)H₁+H₂+H₃+H₄＝1；

其中，函数f₁、f₂、f₃以及f₄分别定义如下：

其中，M₀为统计出人的归一化RCS一阶矩最大值；υ₀为统计出人的归一化RCS二阶矩最大值；P₀为统计出车的谱峰数最大值；V₀为人可以达到的最大速度；

步骤六、判断步骤五算出的P_人和P_车的大小，若P_人值大于P_车值，则判定该目标为人；否则判定该目标为车，输出判定结果；

步骤七、对步骤六输出的判定结果继续进行M/N准则处理，具体操作如下：

若M次跟踪数据识别结果中有N次及以上判定结果为人，则第M次跟踪数据识别结果修订为人；同理若M次跟踪数据识别结果中有N次及以上判定结果为车，则第M次跟踪数据识别结果修订为车；

其中，M取值介于3和20之间且小于X，N取值介于M/2和M之间。

有益效果

本发明一种基于四维信息权重的人车识别方法，与常规的人车识别方法相比，具有如下有益效果：

1、常规的目标识别方法利用目标信息不全面，导致识别概率不高且不稳定，而本发明所述方法克服了传统方法基于信息不全的缺陷，只要雷达架设姿态正确且目标与雷达间没有遮挡，就能实现高识别概率；

2、本发明所述方法在具体识别过程中，除了使用雷达回波现有数据外，基于所述步骤，只需要调整权重参数即可实现稳定而可靠的识别；

3、本发明所采用方法具有代码运算量小以及实现简单的优势，可用于窄带雷达人车识别。

附图说明

图1为本发明一种基于四维信息权重的人车识别方法的实施流程图。

实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。

实施例1

本实施例阐述了采用本发明所述基于四维信息权重的人车识别方法的具体实施，如图1所示，为本发明的实施流程图的实施流程。

步骤1、积累40次目标的跟踪数据；

步骤2、根据公式(1)计算步骤1中40个点目标跟踪数据的归一化RCS值，其中，K为100，A₀为152，D₀为10000，α为2.4，得出40个归一化RCS值；

步骤3、分析雷达回波进行MTD后的谱，找到目标的谱峰位置，在目标谱峰值位置左右范围16点内统计谱峰数目；

步骤4、对当前跟踪数据及之前39个跟踪数据根据步骤2算出的40个归一化RCS值求一阶矩得到归一化RCS一阶矩M_σ，对当前需要目标识别的跟踪数据及之前7个跟踪数据根据步骤2算出的8个归一化RCS值求二阶矩得到归一化RCS二阶矩V_σ；

步骤5、将权重0.21、0.22、0.24和0.33分别分配给归一化RCS一阶矩、归一化RCS二阶矩、谱峰数和速度，再基于(2)和(3)加权求和，计算得到当前积累的X次跟踪数据判断为人的概率和判断为车的概率:

在公式(2)和(3)计算过程中，H1为200，H2为86，H3为5，H4为10；

步骤6、比较步骤5算出的P_人和P_车大小，若P_人值大则认为当前跟踪的目标是人，若P_车值大则认为当前跟踪的目标是车，若相等，则把Y加1跳至步骤4继续执行。

步骤7、对步骤6输出的判定结果继续进行M/N准则处理，具体操作如下：若7次跟踪数据识别结果中有4次及以上判定结果为人，则第7次跟踪数据识别结果修订为人；同理若7次跟踪数据识别结果中有4次及以上判定结果为车，则第7次跟踪数据识别结果修订为车；

采用所述方法进行实验。基于某型号地面侦查雷达检测到的目标特征信息做测试。即根据目标的距离、幅度信息计算出归一化RCS的一阶矩、二阶矩、频谱和速度信息计算判别最终的识别结果。下表1展示了具体实施时识别的效果。

具体实测时，我们选取的合作目标为低速运行的全顺车和正常行走的人，表1中，为了与常规目标识别方法进行对比，车辆运行速度仅为10km/h；因为，常规识别方法中认为车和人的速度有显著区别；往往通过速度本身来识别目标；这种常规方法是有应用局限的，本发明克服了仅依据速度对目标进行识别的技术缺陷。表1中列出了在某外场4个不同距离段的人和全顺车识别概率。

表1本发明与常规目标识别方法概率对比

从表1可以看出本发明所采用的方法比常规方法的识别结果高出许多，而且本发明采用方法比较可靠，识别结果都在90％以上，本发明采用方法通过修改权重参数系数，可以应用到所有距离段的目标识别。

以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (8)

1.一种基于四维信息权重的人车识别方法，其特征在于：包括如下步骤：

步骤一、目标进入跟踪模式下，缓存X次目标的跟踪数据；

其中，每次缓存的目标跟踪数据中均包含如下信息：目标幅度A、距离D、谱峰数P以及速度V；

其中，目标幅度A为回波做完MTD后的模值，速度V为估计的目标运动实际速度；

步骤二、根据公式(1)计算步骤一中的每一次目标跟踪数据的归一化RCS值σ，得出X个归一化RCS值：

其中，σ为当前跟踪数据的归一化RCS值；K为系数，A为当前跟踪数据的幅度，D为当前跟踪数据的距离，A₀为人在距离D₀处多次测量统计的幅度值；α为幂次；

步骤三、分析雷达目标回波进行MTD后的谱，找到目标的最大谱峰位置，在目标最大谱峰值位置±N点内计算该目标回波的其他谱峰数目；

其中，统计的谱峰数目，记为P；

步骤四、对步骤二算出的X个归一化RCS值求一阶矩，得到归一化RCS一阶矩M_σ，再对步骤二算出的X个归一化RCS值中的后Y个归一化RCS值求二阶矩，得到归一化RCS二阶矩υ_σ；

步骤五、将权重H₁、H₂、H₃以及H₄分别乘以归一化RCS一阶矩、归一化RCS二阶矩、谱峰数和速度，再带入下列公式(2)和公式(3)，计算得到当前缓存的X次跟踪数据判断为人的概率和判断为车的概率:

其中，权重H₁、H₂、H₃以及H₄满足如下a)和b)条件：

a)H₁＞0、H₂＞0、H₃＞0以及H₄＞0；

b)H₁+H₂+H₃+H₄＝1；

其中，函数f₁、f₂、f₃以及f₄分别定义如下：

其中，M₀为统计出人的归一化RCS一阶矩最大值；υ₀为统计出人的归一化RCS二阶矩最大值；P₀为统计出车的谱峰数最大值；V₀为人可以达到的最大速度；

步骤六、判断步骤五算出的P_人和P_车的大小，若P_人值大于P_车值，则判定该目标为人；否则判定该目标为车，输出判定结果；

步骤七、对步骤六输出的判定结果继续进行M/N准则处理，具体操作如下：

若M次跟踪数据识别结果中有N次及以上判定结果为人，则第M次跟踪数据识别结果修订为人；同理若M次跟踪数据识别结果中有N次及以上判定结果为车，则第M次跟踪数据识别结果修订为车。

2.根据权利要求1所述的一种基于四维信息权重的人车识别方法，其特征在于：步骤一中，X的取值范围为大于10小于等于50。

3.根据权利要求2所述的一种基于四维信息权重的人车识别方法，其特征在于：步骤二中，α的取值介于2到4之间。

4.根据权利要求3所述的一种基于四维信息权重的人车识别方法，其特征在于：步骤三中，N对应速度范围为1.5m/s～3m/s。

5.根据权利要求4所述的一种基于四维信息权重的人车识别方法，其特征在于：步骤四中，X的取值范围为大于10小于等于50。

6.根据权利要求5所述的一种基于四维信息权重的人车识别方法，其特征在于：步骤四中，Y的取值范围为大于8小于等于X。

7.根据权利要求6所述的一种基于四维信息权重的人车识别方法，其特征在于：步骤七中，M取值介于3和20之间且小于X。

8.根据权利要求7所述的一种基于四维信息权重的人车识别方法，其特征在于：步骤七中，N取值介于M/2和M之间。

Images