CN110703221A - 基于极化特征的城市低空小目标分类识别系统 - Google Patents
基于极化特征的城市低空小目标分类识别系统 Download PDFInfo
- Publication number
- CN110703221A CN110703221A CN201910981997.6A CN201910981997A CN110703221A CN 110703221 A CN110703221 A CN 110703221A CN 201910981997 A CN201910981997 A CN 201910981997A CN 110703221 A CN110703221 A CN 110703221A
- Authority
- CN
- China
- Prior art keywords
- polarization
- scattering
- matrix
- target
- targets
- 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
- 230000010287 polarization Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 71
- 230000001427 coherent effect Effects 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000002592 echocardiography Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 11
- 239000000284 extract Substances 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了基于极化特征的城市低空小目标分类识别系统,包括:获取模块,用于获取雷达全极化回波数据;处理模块,所述处理模块用于极化散射特征参数的提取;所述处理模块根据不同目标的极化散射特征参数,采用模糊支持向量机的分类方法进行目标分类。本发明对城市低空各类目标检测以及特征提取的基础上,根据目标和环境的雷达回波信号,结合各类目标的电磁散射机理,提取低空目标的有用信息标志和稳定特征,进而判断目标的属性、类别或类型。
Description
技术领域
本发明涉及监控领域,尤其涉及基于极化特征的城市低空小目标分类识别系统。
背景技术
以微型民用无人机为代表的低空目标具有体积小、机动灵活、数量众多等特点,导致其难以探测,不易发现。目前由于这类目标造成的各种事故已经酿成了严重的安全问题,造成了巨大的经济损失,但由于可靠的探测手段缺乏,导致对这类目标的管制措施并不健全。
使用光学、声音等传感器无法对微型无人机取得良好的探测效果,这类传感器普遍存在漏警率高、虚警率高、探测盲区大、环境适应性差等种种问题;雷达可以在一定程度上解决声光传感器的一些问题,但现役大型雷达普遍针对中高空大目标,对这类“低、慢、小”目标探测效果较差,且一般都有体积大、重量大、功耗大、成本高的缺点,需要专门人员进行的运行维护,电磁辐射密度也十分高,因此并不适合在人口密集、环境复杂的城市地区使用。
由于城市环境具有一定的复杂性和不确定性,导致雷达探测系统可以检测到很多目标,但是对于检测到的目标,可能是关注的旋翼类无人机、也有可能是其他干扰目标,比如空中飞行的鸟群、地面行走的人或是车。如果无法分辨出雷达检测到的目标到底是旋翼类目标还是干扰目标,需要对所有雷达检测到的目标进行逐一人工确认,进而人工识别出是旋翼类无人机还是干扰类目标,否则将干扰类目标不经确认就进行实时干扰或是捕获操作,会导致干扰或是捕获的失败,给实际确认目标的人员,以及实施干扰和捕获人员。增加更多的工作量。因此在确定对无人机干扰或是捕获前一定要将检测到的旋翼无人机目标和其他干扰目标进行分类识别,提高基于民用设施的低空小目标雷达探测系统的高可靠性。
发明内容
本发明的目的在于基于极化特征的城市低空小目标分类识别系统,解决城市环境中针对旋翼无人机等低空小目标的探测、高精度跟踪,无人机识别以及无人机干扰或是捕获。
本发明对城市低空各类目标检测以及特征提取的基础上,根据目标和环境的雷达回波信号,结合各类目标的电磁散射机理,提取低空目标的有用信息标志和稳定特征,进而判断目标的属性、类别或类型。
为实现上述目的,本发明提供了基于极化特征的城市低空小目标分类识别系统,包括:
获取模块,用于获取雷达全极化回波数据;
处理模块,所述处理模块用于极化散射特征参数的提取;
根据获取到的雷达全极化的回波数据建立极化散射矩阵S,所述极化散射矩阵能反应城市低空小目标在特定姿态和观测频率下全部极化特征信息;
针对所述极化散射矩阵S进行矢量化处理,以获得散射矢量k3p,并进一步得到极化相干矩阵T;对所述矢量化处理的极化相干矩阵T的分解,得到表征目标散射极化程度的提取出散射熵H、平均散射角α、反熵A和主导散射角α1和主导散射机制的能量λ1,以提取不同目标的极化特征参数,用于目标分类识别的基本特征参数;
所述处理模块根据不同目标的极化散射特征参数,采用模糊支持向量机的分类方法进行目标分类。
作为本发明的进一步改进,上述获得雷达全极化回波数据具体包括:
接收四种全极化目标回波数据,Shh、Shv、Svh和Svv,
其中Shh表示雷达以水平方向发射电磁波,并以水平方向接收雷达回波的电磁波值;
Shv表示雷达以垂直方向发射电磁波,并以水平方向接收雷达回波的电磁波值;
Svh表示雷达以水平方向发射电磁波,并以垂直方向接收雷达回波的电磁波值;
Svv表示雷达以垂直方向发射电磁波,并以垂直方向接收雷达回波的电磁波值。
作为本发明的进一步改进,所述极化散射矩阵S,可用一个2×2的矩阵表示,即
S称为城市低空小目标的极化散射矩阵,其中S矩阵中元素的第一个下标代表接收电磁波的极化方式,第二个下标表示发送的极化方式。
具体解释为
Shh表示雷达以水平方向发射电磁波,并以水平方向接收雷达回波的电磁波值;
Shv表示雷达以垂直方向发射电磁波,并以水平方向接收雷达回波的电磁波值;
Svh表示雷达以水平方向发射电磁波,并以垂直方向接收雷达回波的电磁波值;
Svv表示雷达以垂直方向发射电磁波,并以垂直方向接收雷达回波的电磁波值。
作为本发明的进一步改进,所述极化散射矩阵S矢量化为
其中,V(·)为矩阵矢量化算子,Trace(·)为求矩阵逆的运算符,Ψ为一组2×2的复基矩阵集,这些基矩阵在Hermite内积空间是正交的。
其中,2×2复基矩阵集Ψ可以为
城市低空小目标的极化相干矩阵可以定义为T=<kpkp H>
在互易条件下,kp可以蜕变为
并得到极化相干矩阵:
由于极化相干矩阵T是Hermite半正定的,对T进行特征值分解,可以得到
其中λi为矩阵T的第i个特征值,并且λ1>λ2>λ3,ui为归一化的第i个特征矢量:
公式中,αi∈(0°,90°)表征了目标的散射类型,βi∈(0°,180°)表示目标的方向角,为Shh+Svv的相位,δi为Shh+Svv和Shh-Svv之间的相位差,γi为Shh+Svv与Shv之间的相位差。
作为本发明的进一步改进,通过对T进行分解,从而提取出下面几个关于城市低空小目标的基本极化特征量,散射熵H、平均散射角α、反熵A和主导散射角α1和主导散射机制的能量λ1,即五个特征值,H/α/A/α1/λ1。
散射熵H的计算公式为:
平均散射角α的公式为
α=P1α1+P2α2+P3α3
α介于0°和90°之间,反映了目标的主要散射机理;
反熵A的公式为
此外还可以定义参数P,它主要反映主散射分量能量与次散射分量的比值:
A、P分别反映了第二散射分量和第三散射分量、第一散射分量和第二散射分量的比值,体现了各散射分量之间的相对关系,是对利用熵值H描述目标极化散射特性的有效补充;
设极化相干矩阵T的最大特征值对应的特征向量为μ1=[μ10,μ11,μ12],则主导散射角为μ1对应的目标散射角α1,为
α1=cos-1(μ10)
主导散射机制的能量,也就是最大特征值λ1。
作为本发明的进一步改进,根据不同目标的极化散射特征参数构建若干训练样本,并通过OAA算法产生OAA分类器;
根据获得的OAA分类器进行对应的目标分类。
作为本发明的进一步改进,所述目标分别包括至少三类:一类是旋翼无人机目标、一类为空中鸟群,一类为地面上的行人和车。
与现有技术相比,本发明的有益效果是:
本发明对低空目标检测以及特征提取的基础上,根据目标和环境的雷达回波信号,基于电磁散射机理,提取目标有用信息标志和稳定特征,进而判断目标属性、类别或类型,根据提取出的这些特征,采用模糊支持向量机的方式对低空小目标实现分类识别。
本发明所提出的针对城市低空小目标的分类识别技术,可以很好的区分空中旋翼类无分机、地面上运动的行人和车辆,以及空中的鸟群目标,所提取的作为目标分类的特征变量具有很强的特征性和稳定特征,同时采用的模糊支持向量机的分类方法也具有一定的稳健性,避免系统的误判等,同时SVM技术,也可以在今后的城市低空下目标系统的在线学习能力以及区分更多目标分类应用过程中,提供更好的平台和基础。
附图说明
图1为本发明的城市低空小目标极化散射特征的提取流程图。
图2为本发明的城市低空小目标识别分类的流程图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
基于极化特征的城市低空小目标分类识别系统,包括:获取模块,用于获取雷达全极化回波数据;
处理模块,所述处理模块用于极化散射特征参数的提取;根据获取到的雷达全极化的回波数据建立极化散射矩阵S,所述极化散射矩阵能反应城市低空小目标在特定姿态和观测频率下全部极化特征信息;
针对所述极化散射矩阵S进行矢量化处理,以获得散射矢量k3p,并进一步得到极化相干矩阵T;对所述矢量化处理的极化相干矩阵T的分解,得到表征目标散射极化程度的提取出散射熵H、平均散射角α、反熵A和主导散射角α1和主导散射机制的能量λ1,以提取不同目标的极化特征参数,用于目标分类识别的基本特征参数;
所述处理模块根据不同目标的极化散射特征参数,采用模糊支持向量机的分类方法进行目标分类。
针对上述的技术方案,可以分为两个层面进行描述,主要包含基于极化特征分解的城市低空小目标的特征提取技术的研究,以及采用基于模糊支持向量机对提取的城市低空小目标特征信息进行目标综合分类识别技术的研究。
在本实施方式中,请参图1所示,图1为本发明城市低空小目标极化散射特征的提取流程。
1.1、获取雷达全极化回波数据
接收来自于基于民用设施的低空小目标雷达探测系统的雷达回波中的四种全极化目标回波数据,Shh、Shv、Svh和Svv,
其中Shh表示雷达以水平方向发射电磁波,并以水平方向接收雷达回波的电磁波值;
Shv表示雷达以垂直方向发射电磁波,并以水平方向接收雷达回波的电磁波值;
Svh表示雷达以水平方向发射电磁波,并以垂直方向接收雷达回波的电磁波值;
Svv表示雷达以垂直方向发射电磁波,并以垂直方向接收雷达回波的电磁波值。
1.2、计算极化散射矩阵
根据第一步中获取到的雷达四种全极化的回波数据,Shh、Shv、Svh和Svv,从而获得S矩阵,即Sinclair极化散射矩阵,进而得出后向散射坐标系中,雷达发射、接收的电磁波之间的矢量关系可用一个2×2的矩阵表示,即
S称为城市低空小目标的极化散射矩阵,其中S矩阵中元素的第一个下标代表接收电磁波的极化方式,第二个下标表示发送的极化方式。
具体解释为
Shh表示雷达以水平方向发射电磁波,并以水平方向接收雷达回波的电磁波值;
Shv表示雷达以垂直方向发射电磁波,并以水平方向接收雷达回波的电磁波值;
Svh表示雷达以水平方向发射电磁波,并以垂直方向接收雷达回波的电磁波值;
Svv表示雷达以垂直方向发射电磁波,并以垂直方向接收雷达回波的电磁波值。
由于极化散射矩阵(S矩阵)代表了城市低空小目标在特定姿态和观测频率下全部极化特征信息,因此可以通过研究城市低空小目标的各极化散射矩阵来提取不同目标的特征值。
1.3、计算极化相干矩阵
在对低空目标极化数据的分析过程中,为了进一步表述方便,通常需要将低空目标的极化散射矩阵进行矢量化,从而得到散射矢量,并进一步得到极化相干矩阵和极化协方差矩阵,它们中都包含了雷达测量的全部极化信息,是多种极化信息处理技术的基础。、
根据数学法则,城市低空小目标的极化散射矩阵S可以矢量化为
其中,V(·)为矩阵矢量化算子,Trace(·)为求矩阵逆的运算符,Ψ为一组2×2的复基矩阵集,这些基矩阵在Hermite内积空间是正交的。
其中,2×2复基矩阵集Ψ可以为
城市低空小目标的极化相干矩阵可以定义为
T=<kpkp H>
在互易条件下,kp可以蜕变为
1.4、目标极化极化分解方法
低空目标的极化分解的主要思想是将低空目标的雷达回波数据与该低空目标的散射机理联系起来,根据低空目标的回波数据对低空目标的结构进行物理描述和刻画。
具体地说,低空目标的极化分解是将一个随机媒质散射问题的各种矩阵表现形式(极化散射矩阵、极化协方差矩阵、极化相干矩阵等)描述为一系列独立成分之和,并把每一种成分与相应的物理散射机理联系起来,从而对低空目标的回波数据进行目标分类识别。
由于低空各类目标具有着各自不同的极化特征,其散射特性是时变的,且其本身是由一组独立的子散射体所构成的目标,因此,对低空目标的极化分解主要是采用非相干分解方式。
非相干方法中,Cloude和Pottier极化分解方法采用“熵”的概念,提出了对目标散射矩阵T进行分解的分解理论,通过对极化相干矩阵的分解,得到表征目标散射极化程度的极化熵参数H和表征目标散射平均散射机理的角度d及其它参数。从而提取不同目标的极化特征参数,用于目标分类识别的基本特征参数。英国学者Cloude提出了一种对目标极化相干矩阵进行特征值分解的极化目标分解方法。在满足互易性和后向散射的条件下,目标的极化相干矩阵T如下所示。
由于极化相干矩阵T是Hermite半正定的,对T进行特征值分解,可以得到
其中λi为矩阵T的第i个特征值,并且λ1>λ2>λ3,ui为归一化的第i个特征矢量:
公式中,αi∈(0°,90°)表征了目标的散射类型,βi∈(0°,180°)表示目标的方向角,为Shh+Svv的相位,δi为Shh+Svv和Shh-Svv之间的相位差,γi为Shh+Svv与Shv之间的相位差。
1.5提取极化特增量
通过Cloude分解可以提取出几个关于城市低空小目标的基本极化特征量。
散射熵H
散射熵的定义为
1)当H=0时,极化相干矩阵只有一个特征值不为0,说明目标只有一种主要的散射机理,此时系统处于完全极化状态,对应纯目标;
2)H值较低时,3个特征值中有1个较大,其余2个很小以致可以忽略,目标接近完全极化;
3)随着H的增大,散射的随机性增加,说明目标散射由几种散射过程组成,不再认为仅存在一个占主要地位的散射机理;
4)当H值较高时,3个特征值较为接近,目标接近完全非极化;
5)在H=1的极限情况下,极化相干矩阵的3个特征值相等,目标的散射完全随机,处于完全非极化状态,此时无法获得目标的极化信息。
平均散射角α
平均散射角的定义为
α=P1α1+P2α2+P3α3
α介于0°和90°之间,反映了目标的主要散射机理。
1)当α=0°时,表示目标的主要散射机理是各向同性的表面散射,如平静水面或者均匀导体球的散射;
2)随着α角度的增加,反映出的散射机理变为各向异性的表面散射,如布拉格表面散射;
3)当α=45°时,表示偶极子散射模型,如来自一片各向异性微粒的散射;
4)在α=90°的极限时,表示二面角散射。
反熵A
反熵A的定义为
此外还可以定义参数P,它主要反映主散射分量能量与次散射分量的比值:
A、P分别反映了第二散射分量和第三散射分量、第一散射分量和第二散射分量的比值,体现了各散射分量之间的相对关系,是对利用熵值H描述目标极化散射特性的有效补充。
主导散射角α1
设极化相干矩阵T的最大特征值对应的特征向量为μ1=[μ10,μ11,μ12],则主导散射角为μ1对应的目标散射角α1,为
α1=cos-1(μ10)
主导散射机制的能量λ1
主导散射机制的能量,也就是最大特征值λ1。
如图2所示,下面介绍的是目标分类技术,根据对上一步提取出的不同目标的极化散射特征参数,进行目标分类。该分类方法采用的是模糊支持向量机的方法对城市低空小目标进行识别分类。SVM的输入参数为H/α/A/α1/λ1,这五个目标极化散射特征参数,输入有三类目标,即一类是旋翼无人机目标、一类为空中鸟群,一类为地面上的行人和车三大类。本专利分类采用“一对多”(one-against-all,OAA)的分类原则对上述三类目标进行分类。模糊支持向量机(FSVM)对城市环境中的目标分类的具体实现方式如下:
2.1、基于模糊支持向量机(FSVM)的目标识别算法
SVM是一种两类分类器,在实际应用中,必须将多类目标识别问题转换成为多个两类目标分类问题才能使用SVM。
本专利,主要采用广泛使用的“一对多”(one-against-all,OAA)的方法来辨识空中旋翼类无分机、地面上运动的行人和车辆,以及空中的鸟群目标,从而能够更好的分类出空中旋翼类无分机还是环境中的其他干扰物体,比如城市环境中的鸟群目标、地面的行人、车辆等活动目标。OAA算法中,将H/α/A/α1/λ1五个特征值作为SVM分类器的输入值,按照OAA多目标分类原则进行三大类目标的分类。
由于OAA算法中,如果测试样本x满足多个fk(x)>0,(fk(x)第为k类的样本x的分类决策函数值),那么分类器就会把x判决为属于满足条件的多个类别,这就是多目标识别中的错分问题;
如果测试样本x对于所有fk(x)>0都小于0,那么又存在分类器判决x不属于任何一类,这就是多目标识别中的拒分问题。这样就会导致城市低空小目标的分类中,出现一个目标不属于这三种分类。导致分类出现不完全的情况,或是无法正确分类的情况。
针对上述OAA算法总对城市低空小目标识别中存在的误判问题,根据样本点的决策函数定义样本类别的模糊隶属度函数,把城市低空小目标特征向量经非线性变换到支持向量机特征空间中的模糊隶属度函数,再根据隶属度函数的大小对样本进行分类。
所以本专利采用的是基于模糊支持向量机(FSVM)的多目标识别方法对城市低空目标进行分类。
FSVM的具体算法流程如下,具体算法流程如下:
(1)根据OAA训练算法分别对城市低空小目标的训练样本集进行训练,分别得到一组分类器;
城市低空小目标的训练样本集可以根据第一章中针对城市低空小目标中建立训练样本集,该训练样本集主要是旋翼无人机的目标极化参数H/α/A/α1/λ1五个特征值的样本、空中鸟群的目标极化参数H/α/A/α1/λ1五个特征值的样本和地面人和车的目标极化参数H/α/A/α1/λ1五个特征值的样本。不同目标具有着各自特点的极化特征值。
大量的城市低空小目标分类识别仿真实验结果表明,能够被正确判别为第k类的样本x的分类决策函数值fk(x)都是大于等于0的,而且该样本x与其他类样本的特征矢量相差越大,那么距离最优分类超平面的距离也越大(即fk(x)的值也越大);于此想类似,被判决为非第k类的样本x的分类决策函数值都小于0的,而且非第k类的样本x与第k类样本特征矢量的差别越大,同样,距离最优分类超平面的距离也就越大(即fk(x)的值也就越小)。
其公式fk(x)计算公式如下,
其中,Ns表示第K类SVM的SV数量,αi *和b*分别表示第k类SVM的SV系数和分类阈值,K(xi·x)为核函数。
第k次学习机器训练得到的决策函数是fk(x),那么训练过程中把第k类训练样本标示为+1类,非第k类训练样本标记为-1类,则+1类训练样本决策函数数值的均值是:
-1类训练样本决策函数值的均值是:
(2)采用OAA算法得到的分类器对城市低空小目标测试样本进行识别后产生的错分或拒分样本x,通过公式
和公式
计算样本x属于各个类别的模糊隶属度mkj(x),取隶属度最大值对应的类别,即判定样本x属于该类别。
(3)持续上述步骤,直到所有城市低空小目标测试样本所属的类别判定完毕。
采用模糊支持向量机多目标识别方法,较传统的SVM多目标识别方法,可以有效的提高多目标的正确识别率。
综上所述,本发明通过对城市低空小目标特性的分析和理解,提取一种可以区别城市低空小目标的特征参数集或是一组物理量,即提取城市低空小目标中的空中旋翼类无分机、地面上运动的行人和车辆,以及空中的鸟群目标具有不同的特征值以及选取合适的特征数据,用于作为低空目标分类识别的依据。
为了保证城市低空小目标识别系统能够保证低的虚警率有效地运行,识别结果要具有的一定的稳健性,即保证低空目标分类识别系统的推广能力和稳定的问题,因此采用基于模糊支持向量机的方法来实现对低空目标的分类识别技术。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.基于极化特征的城市低空小目标分类识别系统,其特征在于,包括:
获取模块,用于获取雷达全极化回波数据;
处理模块,所述处理模块用于极化散射特征参数的提取;
根据获取到的雷达全极化的回波数据建立极化散射矩阵S,所述极化散射矩阵能反应城市低空小目标在特定姿态和观测频率下全部极化特征信息;
针对所述极化散射矩阵S进行矢量化处理,以获得散射矢量,并进一步得到极化相干矩阵T;
对所述矢量化处理的极化相干矩阵的分解,得到表征目标散射极化程度的提取出散射熵H、平均散射角α、反熵A和主导散射角α1和主导散射机制的能量λ1,以提取不同目标的极化特征参数,用于目标分类识别的基本特征参数;
所述处理模块根据不同目标的极化散射特征参数,采用模糊支持向量机的分类方法进行目标分类。
2.根据权利要求1所述的基于极化特征的城市低空小目标分类识别系统,其特征在于,上述获得雷达全极化回波数据具体包括:
接收四种全极化目标回波数据,Shh、Shv、Svh和Svv,
其中Shh表示雷达以水平方向发射电磁波,并以水平方向接收雷达回波的电磁波值;
Shv表示雷达以垂直方向发射电磁波,并以水平方向接收雷达回波的电磁波值;
Svh表示雷达以水平方向发射电磁波,并以垂直方向接收雷达回波的电磁波值;
Svv表示雷达以垂直方向发射电磁波,并以垂直方向接收雷达回波的电磁波值。
3.根据权利要求2所述的基于极化特征的城市低空小目标分类识别系统,其特征在于,所述极化散射矩阵S,可用一个2×2的矩阵表示,即
4.根据权利要求1所述的基于极化特征的城市低空小目标分类识别系统,其特征在于,所述极化散射矩阵S矢量化为
其中,V(·)为矩阵矢量化算子,Trace(·)为求矩阵逆的运算符,Ψ为一组2×2的复基矩阵集,这些基矩阵在Hermite内积空间是正交的;
其中,2×2复基矩阵集Ψ可以为
城市低空小目标的极化相干矩阵可以定义为
T=<kpkp H>
在互易条件下,kp可以蜕变为
并得到极化相干矩阵:
由于极化相干矩阵T是Hermite半正定的,对T进行特征值分解,可以得到
其中λi为矩阵T的第i个特征值,并且λ1>λ2>λ3,ui为归一化的第i个特征矢量:
5.根据权利要求4所述的基于极化特征的城市低空小目标分类识别系统,其特征在于,对T矩阵进行分解后,可以提取出下面几个关于城市低空小目标的基本极化特征量,散射熵H、平均散射角α、反熵A和主导散射角α1和主导散射机制的能量λ1,即五个特征值,H/α/A/α1/λ1:
散射熵H的计算公式为:
平均散射角α的公式为
α=P1α1+P2α2+P3α3
α介于0°和90°之间,反映了目标的主要散射机理;
反熵A的公式为
此外还可以定义参数P,它主要反映主散射分量能量与次散射分量的比值:
A、P分别反映了第二散射分量和第三散射分量、第一散射分量和第二散射分量的比值,体现了各散射分量之间的相对关系,是对利用熵值H描述目标极化散射特性的有效补充;
设极化相干矩阵T的最大特征值对应的特征向量为μ1=[μ10,μ11,μ12],则主导散射角为μ1对应的目标散射角α1,为
α1=cos-1(μ10)
主导散射机制的能量,也就是最大特征值λ1。
6.根据权利要求1所述的基于极化特征的城市低空小目标分类识别系统,其特征在于,根据不同目标的极化散射特征参数构建若干训练样本,并通过OAA算法产生OAA分类器;
根据获得的OAA分类器进行对应的目标分类。
7.根据权利要求1-6之一所述的基于极化特征的城市低空小目标分类识别系统,其特征在于,所述目标分别包括至少三类:一类是旋翼无人机目标、一类为空中鸟群,一类为地面上的行人和车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981997.6A CN110703221A (zh) | 2019-10-16 | 2019-10-16 | 基于极化特征的城市低空小目标分类识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981997.6A CN110703221A (zh) | 2019-10-16 | 2019-10-16 | 基于极化特征的城市低空小目标分类识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110703221A true CN110703221A (zh) | 2020-01-17 |
Family
ID=69199936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910981997.6A Pending CN110703221A (zh) | 2019-10-16 | 2019-10-16 | 基于极化特征的城市低空小目标分类识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110703221A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112114295A (zh) * | 2020-07-29 | 2020-12-22 | 中国人民解放军海军航空大学 | 一种全极化雷达目标识别方法及系统 |
CN112882019A (zh) * | 2021-01-14 | 2021-06-01 | 长春工程学院 | 基于旋转式单极化探地雷达的全极化目标辨识分类方法 |
CN113587941A (zh) * | 2020-05-01 | 2021-11-02 | 华为技术有限公司 | 高精度地图的生成方法、定位方法及装置 |
CN114637001A (zh) * | 2022-05-17 | 2022-06-17 | 艾索信息股份有限公司 | 雷达的目标检测方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010038744A (ja) * | 2008-08-06 | 2010-02-18 | Mitsubishi Electric Corp | 目標識別用レーダ装置 |
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
CN102156883A (zh) * | 2011-04-22 | 2011-08-17 | 北京航空航天大学 | 一种利用两种不同频率下的极化sar图像进行分类的方法 |
CN103413296A (zh) * | 2013-07-13 | 2013-11-27 | 西安电子科技大学 | 在特征域内对极化sar目标的检测方法 |
CN103901415A (zh) * | 2014-02-28 | 2014-07-02 | 西安电子科技大学 | 极化相似度匹配下的极化相干矩阵散射能量分解方法 |
CN104331707A (zh) * | 2014-11-02 | 2015-02-04 | 西安电子科技大学 | 基于深度pca网络和svm的极化sar图像分类方法 |
CN104331706A (zh) * | 2014-10-29 | 2015-02-04 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
CN105608465A (zh) * | 2015-12-15 | 2016-05-25 | 西安电子科技大学 | 全极化sar海岸线地物分类方法 |
CN105894018A (zh) * | 2016-03-29 | 2016-08-24 | 西安电子科技大学 | 基于深度多示例学习的极化sar图像分类方法 |
CN107145860A (zh) * | 2017-05-05 | 2017-09-08 | 西安电子科技大学 | 基于空间信息和深度学习的极化sar图像分类方法 |
-
2019
- 2019-10-16 CN CN201910981997.6A patent/CN110703221A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010038744A (ja) * | 2008-08-06 | 2010-02-18 | Mitsubishi Electric Corp | 目標識別用レーダ装置 |
CN101699513A (zh) * | 2009-10-29 | 2010-04-28 | 电子科技大学 | 一种基于极化特征分解的水平集极化sar图像分割方法 |
CN102156883A (zh) * | 2011-04-22 | 2011-08-17 | 北京航空航天大学 | 一种利用两种不同频率下的极化sar图像进行分类的方法 |
CN103413296A (zh) * | 2013-07-13 | 2013-11-27 | 西安电子科技大学 | 在特征域内对极化sar目标的检测方法 |
CN103901415A (zh) * | 2014-02-28 | 2014-07-02 | 西安电子科技大学 | 极化相似度匹配下的极化相干矩阵散射能量分解方法 |
CN104331706A (zh) * | 2014-10-29 | 2015-02-04 | 西安电子科技大学 | 基于rbm和svm的极化sar图像分类 |
CN104331707A (zh) * | 2014-11-02 | 2015-02-04 | 西安电子科技大学 | 基于深度pca网络和svm的极化sar图像分类方法 |
CN105608465A (zh) * | 2015-12-15 | 2016-05-25 | 西安电子科技大学 | 全极化sar海岸线地物分类方法 |
CN105894018A (zh) * | 2016-03-29 | 2016-08-24 | 西安电子科技大学 | 基于深度多示例学习的极化sar图像分类方法 |
CN107145860A (zh) * | 2017-05-05 | 2017-09-08 | 西安电子科技大学 | 基于空间信息和深度学习的极化sar图像分类方法 |
Non-Patent Citations (2)
Title |
---|
郭雷: "宽带雷达目标极化特征提取与核方法识别研究", 《国博士学位论文全文数据库信息科技辑》 * |
闫昆: "全极化雷达高分辨距离像目标识别方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113587941A (zh) * | 2020-05-01 | 2021-11-02 | 华为技术有限公司 | 高精度地图的生成方法、定位方法及装置 |
CN112114295A (zh) * | 2020-07-29 | 2020-12-22 | 中国人民解放军海军航空大学 | 一种全极化雷达目标识别方法及系统 |
CN112114295B (zh) * | 2020-07-29 | 2023-12-22 | 中国人民解放军海军航空大学 | 一种全极化雷达目标识别方法及系统 |
CN112882019A (zh) * | 2021-01-14 | 2021-06-01 | 长春工程学院 | 基于旋转式单极化探地雷达的全极化目标辨识分类方法 |
CN112882019B (zh) * | 2021-01-14 | 2024-03-26 | 长春工程学院 | 基于旋转式单极化探地雷达的全极化目标辨识分类方法 |
CN114637001A (zh) * | 2022-05-17 | 2022-06-17 | 艾索信息股份有限公司 | 雷达的目标检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703221A (zh) | 基于极化特征的城市低空小目标分类识别系统 | |
El-Darymli et al. | Automatic target recognition in synthetic aperture radar imagery: A state-of-the-art review | |
Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
Guo et al. | Scattering enhanced attention pyramid network for aircraft detection in SAR images | |
CN103413146B (zh) | 基于Freeman熵和自学习的极化SAR图像精细分类方法 | |
CN115063884B (zh) | 基于多域融合深度学习的毫米波雷达头部动作识别方法 | |
CN105160353B (zh) | 基于多特征集的极化sar数据地物分类方法 | |
CN109901130A (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
Camilo et al. | A large comparison of feature-based approaches for buried target classification in forward-looking ground-penetrating radar | |
CN107358252A (zh) | 一种无人机分类方法及装置 | |
CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
Sehgal et al. | Automatic target recognition using recurrent neural networks | |
Rizvi et al. | Deep learning approach for fixed and rotary-wing target detection and classification in radars | |
CN114137518B (zh) | 一种雷达高分辨距离像开集识别方法及装置 | |
Saeed | Unmanned aerial vehicle for automatic detection of concrete crack using deep learning | |
Kawaguchi et al. | Evaluation on a drone classification method using UWB radar image recognition with deep learning | |
Cromwell et al. | Lidar cloud detection with fully convolutional networks | |
CN117665807A (zh) | 基于毫米波多人零样本的人脸识别方法 | |
Xia et al. | Target detection in sea clutter via contrastive learning | |
Akter et al. | Doppler radar-based real-time drone surveillance system using convolution neural network | |
Wei et al. | Research on Information Fusion of Computer Vision and Radar Signals in UAV Target Identification | |
Mansukhani et al. | Rcs based target classification using deep learning methods | |
Liu et al. | UWB vital sign signal recognition method based on SVM | |
Martinez et al. | Convolutional neural network assisted detection and localization of UAVs with a narrowband multi-site radar |
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: 20200117 |