CN111539488B - 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法 - Google Patents

Abstract

本发明公开了复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法，对不同程度的畸变图像具有普适性，提高了在图像畸变情况下的目标鉴别的鲁棒性。包括畸变图像生成流程以及目标分类鉴别流程。畸变图像生成流程具体为：采用回波生成软件，改变雷达飞行平台飞行过程中的运动参数，对原雷达图像进行回波生成和成像处理得到畸变图像。目标分类鉴别流程中，在构造训练数据集时按照得到的统计分布模型来设计不同畸变程度畸变图像的数量分布，根据统计分布模型来设计存在畸变图像的训练集，完成鉴别分类任务。本发明解决了对畸变图像鉴别能力差的问题，提高了鉴别算法对畸变图像的鲁棒性，提高了本方法在实际应用中的应用价值。

Description

复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法

技术领域

本发明涉及雷达成像技术领域，具体涉及复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法。

背景技术

雷达具有全天候、全天时等特点，它在地质、海洋、农业、森林、气象、资源调查及监测等众多领域得到了越来越广泛的应用。致力于从复杂的地物场景中有效的检测到目标，并对检测到的目标进行鉴别的雷达目标鉴别技术，是指在雷达对目标进行检测和定位的基础上，根据目标和背景的雷达回波信号，提取出目标的特征，最终实现目标的属性、类型或型号的判定。

在实际的雷达成像过程中，由于大气干扰等原因，雷达平台很难按照理想航迹飞行，成像传感器的高度及搭载平台姿态的变化、地形地貌等很多客观因素都会导致雷达图像中像素相对于地面目标的实际位置发生扭曲、拉伸、偏移等几何畸变，直接使用这些畸变图像往往不能满足实际应用的要求。对于雷达飞行平台的复杂动态轨迹，其飞行过程所沿轨迹和飞行速度均为不确定值，发生畸变的可能性更高。

在应对图像畸变时，大多数人都是采用对畸变图像进行几何校正，根据成像特点和辅助数据选择几何校正模型；之后根据校正模型特点求取模型参数；然后按照求取的校正模型依次确定校正后图像的行列数值，并对每一像素点坐标从原图像进行重采样。其基本任务是实现失真图像和校正后图像间的几何变换。而几何校正的难点是校正模型的选择和参数的求取，面对非常多的不同畸变程度的图像，往往得不到很好的效果。

如何在存在图像畸变情况下提高目标鉴别的鲁棒性，其关键在于目标分类方法对不同程度畸变图像的普适性，这是目前已有的目标分类方法无法解决的问题。

发明内容

有鉴于此，本发明提供了复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法，对不同程度的畸变图像具有普适性，提高了在图像畸变情况下的目标鉴别的鲁棒性。

为达到上述目的，本发明的技术方案为：复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法，包括畸变图像生成流程以及目标分类鉴别流程。

畸变图像生成流程具体为：采用回波生成软件，改变雷达飞行平台飞行过程中的运动参数，对原雷达图像进行回波生成和成像处理得到畸变图像。

目标分类鉴别流程具体为：

步骤1、构建关于同一雷达飞行平台产生的畸变图像的畸变程度及其对应数量的统计分布模型，根据所构建的统计分布模型的方差与平均值计算训练集中畸变图像的不同畸变程度对应的数量。

采用畸变图像生成流程生成对应数量的不同畸变程度的畸变图像，作为训练样本图像，组成训练集。

步骤2，采用畸变图像生成流程生成畸变程度随机分布的畸变图像，作为测试样本图像，组成测试集。

步骤3，对每一幅训练样本图像特征提取，得到训练样本特征向量集合X；对每一幅测试样本图像进行特征提取，得到测试样本特征向量集合Y。

步骤4，采用训练样本特征向量集合X训练分类器，将测试样本特征向量集合Y输入训练好的分类器中，训练好的分类器自动输出测试样本图像中的待鉴别目标所属样本类别，得到最终的鉴别结果。

进一步地，采用回波生成软件，改变雷达飞行平台飞行过程中的运动参数，对原雷达图像进行回波生成和成像处理得到畸变图像，具体包括如下步骤：

S001、取原雷达图像作为实际的大地场景和雷达飞行平台的照射位置。

S002、设置回波生成软件，用于模拟地面实际情况、传感器轨道参数和雷达成像参数。

S003、将原雷达图像输入到回波生成软件，模拟雷达采集数据的工作过程，使得雷达飞行平台沿预先设定的轨迹飞行。

S004、采用回波生成软件改变雷达飞行平台飞行过程中的运动参数，运动参数包括高度、速度和加速度，对原雷达图像进行回波生成，获得回波数据。

S005、使用距离-多普勒成像算法对得到的回波数据进行成像处理，生成畸变图像，每个畸变图像的畸变程度与运动参数的改变量相对应。

进一步地，构建关于同一雷达飞行平台产生的畸变图像的畸变程度及其对应数量的统计分布模型，具体为：

所构建的统计分布模型为正态分布模型等。

进一步地，根据所构建的统计分布模型的方差与平均值计算训练集中畸变图像的不同畸变程度对应的数量，具体为：

所构建的统计分布模型中P为连续型随机变量，Q为概率密度函数，σ为方差以及μ为均值。

区间(P-μ-(1+0.2n)σ，P-μ-(1+0.2(n-1))σ)以及区间

(P-μ+(1+0.2(n-1))σ，P-μ+(1+0.2n)σ)中统计分布模型的概率和，作为训练集中畸变程度为5％×n的畸变图像所占比例。

其中n取值为[0,20]区间内的整数。

进一步地，采用畸变图像生成流程生成数量随机分布的不同畸变程度的畸变图像，具体为：

根据随机数模型，生成关于畸变程度的随机数序列，以随机数序列中的随机数作为畸变程度数值，采用畸变图像生成流程生成对应每个畸变程度数值的畸变图像，作为测试样本图像，组成测试集。

进一步地，步骤3之前还包括，对训练样本图像和测试样本图像进行预处理，具体为：

取训练样本图像或测试样本图像为当前预处理图像。

针对当前预处理图像，以当前预处理图像的几何中心为基准，在当前预处理图像上截取包含整个目标的图像，即包含目标所有信息的图像，作为子图像。

将子图像中的每一个像素值除以该子图像中所有像素值的最大值，得到归一化后的子图像，即为预处理后的图像。

有益效果：

本发明利用运行在计算机上的回波生成软件在现有图像数据基础上模拟各种畸变特性，来产生不同畸变程度畸变图像，并以此为基础构建训练集，在构造训练数据集时按照得到的统计分布模型来设计不同畸变程度畸变图像的数量分布。因此本发明所构建的训练集，与没有畸变图像的训练集相比，这种具有不同程度畸变图像的训练集，在用于目标分类鉴别时，目标鉴别准确率取得了很大的提高，能够解决存在图像畸变时的鉴别分类问题。本发明所构建的训练集其中图像畸变程度和发生的概率符合统计分布模型，这种畸变程度分布与实际中存在的畸变情况是一致的，符合实际情况，从而在很大程度上解决了对畸变图像鉴别能力差的问题，提高了鉴别算法对畸变图像的鲁棒性，提高了本方法在实际应用中的应用价值，尤其适用于极窄脉冲雷达的抗畸变分类鉴别。

附图说明

图1为本发明实施例提供的复杂动态轨迹下极窄脉冲雷达抗成像畸变分类方法流程原理图；

图2为本发明实施例提供的畸变图像生成流程示意图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明通过多方面调研和实验验证，发现在训练集中加入不同程度不同数量的畸变图像来训练模型可以取得很好的效果，在实际存在图像畸变时具有更好的鉴别效果。通过直接摄取的方法来获取大量所需要的畸变图像非常困难，因此本发明利用运行在计算机上的回波生成软件在现有图像数据基础上模拟各种畸变特性，来产生不同畸变程度畸变图像，其原理是根据雷达成像过程，通过改变雷达飞行平台飞行过程中的高度、速度和加速度等运动参数，对原图像进行回波生成，使用距离-多普勒成像算法得到畸变图像，根据统计分布模型来设计存在畸变图像的训练集，完成鉴别分类任务。

本发明实施例中针对复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法，其流程原理如图1所示，主要包括畸变图像生成流程以及目标分类鉴别流程；

畸变图像生成流程具体为：采用回波生成软件，改变雷达飞行平台飞行过程中的运动参数，对原雷达图像进行回波生成和成像处理得到畸变图像。

该流程的具体步骤如图2所示：

S001、取原雷达图像作为实际的大地场景和雷达飞行平台的照射位置。

S002、设置回波生成软件，用于模拟地面实际情况、传感器轨道参数和雷达成像参数。

S003、将原雷达图像输入到回波生成软件，模拟雷达采集数据的工作过程，使得雷达飞行平台沿预先设定的轨迹飞行。

S004、采用回波生成软件改变雷达飞行平台飞行过程中的运动参数，运动参数包括高度、速度和加速度，对原雷达图像进行回波生成，获得回波数据。

S005、使用距离-多普勒成像算法对得到的回波数据进行成像处理，生成畸变图像，每个畸变图像的畸变程度与运动参数的改变量相对应。

本发明利用运行在计算机上的回波生成软件在现有图像数据基础上模拟各种畸变特性，来产生不同畸变程度畸变图像以构成训练集，在用于目标分类鉴别时，目标鉴别准确率取得了很大的提高，能够解决存在图像畸变时的鉴别分类问题。这种畸变图像生成方法尤其适用于速度和运动轨迹均有不确定性的雷达复杂动态轨迹。

目标分类鉴别流程具体为：

步骤1、构建关于同一雷达飞行平台产生的畸变图像的畸变程度及其对应数量的统计分布模型，根据所构建的统计分布模型的方差与平均值计算训练集中畸变图像的不同畸变程度对应的数量。本发明实施例中，所构建的统计分布模型为正态分布模型等。

采用畸变图像生成流程生成对应数量的不同畸变程度的畸变图像，作为训练样本图像，组成训练集。

所构建的统计分布模型中P为连续型随机变量，Q为概率密度函数，σ为方差以及μ为均值；如表1所示为畸变图像的畸变程度和概率所占区间的对应关系。

表1

区间(P-μ-σ，P-μ+σ)中统计分布模型的概率，作为训练集中畸变程度为0的畸变图像所占比例；

区间(P-μ-1.2σ，P-μ-σ)以及区间(P-μ+σ，P-μ+1.2σ)中统计分布模型的概率和，作为训练集中畸变程度为5％的畸变图像所占比例；

区间(P-μ-1.4σ，P-μ-1.2σ)以及区间(P-μ+1.2σ，P-μ+1.4σ)中统计分布模型的概率和，作为训练集中畸变程度为10％的畸变图像所占比例；

区间(P-μ-1.6σ，P-μ-1.4σ)以及区间(P-μ+1.4σ，P-μ+1.6σ)中统计分布模型的概率和，作为训练集中畸变程度为15％的畸变图像所占比例；

以此类推；

区间(P-μ-(1+0.2n)σ，P-μ-(1+0.2(n-1))σ)以及区间

(P-μ+(1+0.2(n-1))σ，P-μ+(1+0.2n)σ)中统计分布模型的概率和，作为训练集中畸变程度为5％×n的畸变图像所占比例；

其中n取值为[0,20]区间内的整数。

步骤2，采用畸变图像生成流程生成畸变程度随机分布的畸变图像，作为测试样本图像，组成测试集。

本发明实施例中，根据随机数模型，生成关于畸变程度的随机数序列，以随机数序列中的随机数作为畸变程度数值，采用畸变图像生成流程生成对应每个畸变程度数值的畸变图像，作为测试样本图像，组成测试集。

步骤3，对每一幅训练样本图像特征提取，得到训练样本特征向量集合X；对每一幅测试样本图像进行特征提取，得到测试样本特征向量集合Y。提取出的训练样本的特征向量集合X具有不同程度的畸变图像所具有的特征，可以很好的同时应对实际中的无畸变图像和有畸变图像的情况。本发明采用方向梯度直方图(HOG)方法对构造的训练集提取特征，提取图像的梯度信息。

步骤3之前还包括，对训练样本图像和测试样本图像进行预处理，具体为：

取训练样本图像或测试样本图像为当前预处理图像。

针对当前预处理图像，以当前预处理图像的几何中心为基准，在当前预处理图像上截取包含整个目标的图像，即包含目标所有信息的图像，作为子图像；一般截取的子图像的大小为64×64像素。

将子图像中的每一个像素值除以该子图像中所有像素值的最大值，得到归一化后的子图像，即为预处理后的图像。

步骤4，采用训练样本特征向量集合X训练分类器，将测试样本特征向量集合Y输入训练好的分类器中，训练好的分类器自动输出测试样本图像中的待鉴别目标所属样本类别，得到最终的鉴别结果。

对于极窄脉冲雷达，其中极窄脉冲持续时间短，一般为ns级别，导致信号带宽较大，带宽达到GHz。本发明实施例提供的复杂动态轨迹下极窄脉冲雷达抗成像畸变分类方法尤其适用于极窄脉冲雷达。

本发明仿真实验环境为：MATLAB R2018a，Intel(R)Core(TM)2Duo CPU 2.53GHz，Window 7专业版。

本发明的实验数据，采用美国“运动和静止目标获取与鉴别”项目组，在互联网上所公开的实测数据。

选取T72主战坦克、BTR70装甲车和BMP2步兵战车三类目标。其中T72选取型号为sn-132，BTR70选取型号为sn-c71，BMP2选取型号为sn-9563。所有图像的大小均为128像素×128像素，聚束模式下获得的雷达图像的距离分辨率和方位分辨率为0.3米×0.3米，图像的方位覆盖范围为0°～360°，采用雷达在俯仰角为17°时的成像数据处理之后的畸变图像作为训练样本，雷达在俯仰角为15°时的成像数据处理之后的畸变图像作为测试样本。

训练样本和测试样本的型号和样本个数如表2所示。

表2

仿真结果：

采用本发明对三类目标进行鉴别，结果如表3所示。采用没有畸变图像的训练集(对比1)和图像畸变程度不同但均匀分布的训练集(对比2)作为对比实验。由表3可见，采用本发明可以取得最高的正确鉴别率，平均鉴别率比对比1和对比2的鉴别率分别高出37.82％、31.86％。

表3

以上为提高目标鉴别中应对存在图像畸变时的鲁棒性的方法，它结合了统计分布模型和雷达的成像过程，使得该方法在应对畸变图像时具有比较高的鲁棒性，从而能够获得比较高的鉴别率，使得该方法能够很好的应用在实时处理系统和存在图像畸变的情况下。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法，其特征在于，包括畸变图像生成流程以及目标分类鉴别流程；

所述畸变图像生成流程具体为：

S001、取原雷达图像作为实际的大地场景和雷达飞行平台的照射位置；

S002、设置回波生成软件，用于模拟地面实际情况、传感器轨道参数和雷达成像参数；

S003、将所述原雷达图像输入到所述回波生成软件，模拟雷达采集数据的工作过程，使得雷达飞行平台沿预先设定的轨迹飞行；

S004、采用所述回波生成软件改变雷达飞行平台飞行过程中的运动参数，所述运动参数包括高度、速度和加速度，对原雷达图像进行回波生成，获得回波数据；

S005、使用距离-多普勒成像算法对得到的回波数据进行成像处理，生成畸变图像，其中每个畸变图像的畸变程度与运动参数的改变量相对应；

所述目标分类鉴别流程具体为：

步骤1、构建关于同一雷达飞行平台产生的畸变图像的畸变程度及其对应数量的统计分布模型，根据所构建的统计分布模型的方差与平均值计算训练集中畸变图像的不同畸变程度对应的数量；

采用所述畸变图像生成流程生成对应数量的不同畸变程度的畸变图像，作为训练样本图像，组成训练集；

步骤2，采用所述畸变图像生成流程生成畸变程度随机分布的畸变图像，作为测试样本图像，组成测试集；

步骤3，对每一幅训练样本图像特征提取，得到训练样本特征向量集合X；对每一幅测试样本图像进行特征提取，得到测试样本特征向量集合Y；

步骤4，采用训练样本特征向量集合X训练分类器，将测试样本特征向量集合Y输入训练好的分类器中，训练好的分类器自动输出测试样本图像中的待鉴别目标所属样本类别，得到最终的鉴别结果。

2.如权利要求1所述的方法，其特征在于，所述构建关于同一雷达飞行平台产生的畸变图像的畸变程度及其对应数量的统计分布模型，具体为：

所构建的统计分布模型为正态分布模型。

3.如权利要求2所述的方法，其特征在于，所述根据所构建的统计分布模型的方差与平均值计算训练集中畸变图像的不同畸变程度对应的数量，具体为：

所构建的统计分布模型中P为连续型随机变量，Q为概率密度函数，σ为方差以及μ为均值；

区间(P-μ-(1+0.2n)σ，P-μ-(1+0.2(n-1))σ)以及区间

(P-μ+(1+0.2(n-1))σ，P-μ+(1+0.2n)σ)中统计分布模型的概率和，作为训练集中畸变程度为5％×n的畸变图像所占比例；

其中n取值为[0,20]区间内的整数。

4.如权利要求1或3任一所述的方法，其特征在于，所述采用所述畸变图像生成流程生成数量随机分布的不同畸变程度的畸变图像，具体为：

根据随机数模型，生成关于畸变程度的随机数序列，以随机数序列中的随机数作为畸变程度数值，采用所述畸变图像生成流程生成对应每个畸变程度数值的畸变图像，作为测试样本图像，组成测试集。

5.如权利要求1或3任一所述的方法，其特征在于，所述步骤3之前还包括，对训练样本图像和测试样本图像进行预处理，具体为：

取训练样本图像或测试样本图像为当前预处理图像；

针对所述当前预处理图像，以所述当前预处理图像的几何中心为基准，在所述当前预处理图像上截取包含整个目标的图像，即包含目标所有信息的图像，作为子图像；

将子图像中的每一个像素值除以该子图像中所有像素值的最大值，得到归一化后的子图像，即为预处理后的图像。

Images