CN112130142B - 一种复杂运动目标微多普勒特征提取方法及系统 - Google Patents
一种复杂运动目标微多普勒特征提取方法及系统 Download PDFInfo
- Publication number
- CN112130142B CN112130142B CN202011027374.4A CN202011027374A CN112130142B CN 112130142 B CN112130142 B CN 112130142B CN 202011027374 A CN202011027374 A CN 202011027374A CN 112130142 B CN112130142 B CN 112130142B
- Authority
- CN
- China
- Prior art keywords
- curve
- value
- curves
- overlapping
- column
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种复杂运动目标微多普勒特征提取方法,步骤包括:S1.获取对运动目标检测的雷达回波信号并转化为二维的时频图像;S2.对时频图像进行骨架提取,得到目标不同散射点的微多普勒曲线;步骤S3.对目标不同散射点的微多普勒曲线进行曲线估计,逐条分离出各单个散射点的微多普勒曲线,其中对于存在交叠区间的曲线估计时,根据交叠区间附近的曲线变化趋势判断出端点,并使用插值算法估计交叠区间内值;步骤S4.分别对步骤S3得到的各单个散射点的微多普勒曲线进行模态分解,提取出目标各散射点的微动特征。本发明能够实现复杂运动目标的微动普勒曲线分离与特征提取,且具有实现方法简单、提取精度及效率高且灵活性强等优点。
Description
技术领域
本发明涉及雷达目标特性检测技术领域,尤其涉及一种复杂运动目标微多普勒特征提取方法及系统。
背景技术
雷达微多普勒是由目标微动引起的多普勒调制。目标微动包括目标的进动、章动,以及目标结构部件的旋转、摆动等。作为一种重要的目标特性,微动特征在目标识别领域有着很重要的军用和民用价值,可有效提取海、陆、空三栖目标特征。随着现代雷达(如SAR合成孔径、ISAR逆向合成孔径雷达等)的快速发展,雷达所能探测到的目标信息越来越多,雷达回波中包含的信息越来越繁杂,提取和辨识雷达回波中包含的目标信息成为了研究热点。复杂微动目标的微多普勒分离与特征提取目前仍旧是一个重要且复杂的前沿研究问题,这其中的关键亟待解决的问题即是实现微多普勒曲线的分离问题。
针对目标微多普勒曲线的分离,目前常用方法主要有最近邻原则法、峰值法、维特比算法等,但是各类方法均有一定的缺陷,具体如:
1、最近邻原则方法:该方法针对进动目标,首先通过Hough变换找出锥顶散射点对应的正弦微多普勒曲线,剔除该微多普勒曲线;再利用同一条微多普勒曲线上相邻两点之间的距离是最小的这一原则提取分离不同的锥底散射点微多普勒曲线。但是由于该方法根据当前曲线当前值与后续相邻所有曲线值的距离大小进行曲线提取和分离,在曲线交叠处后续相邻各曲线的值十分接近,其与前面已获取的曲线值的距离十分接近,容易误判而提取出错误的曲线。
2、峰值法:该方法是利用微多普勒曲线在时频谱图中能量较其他的区域大,通过判断能量的峰值,可以确定所有微多普勒曲线的位置,再通过各曲线能量的大小范围,分离出各散射中心微多普勒曲线。但是该方法对微多普勒曲线的能量有较大依赖,曲线交叠处一般都无法正确分离。
3、维特比算法:该方法作为一种寻找序列隐状态的动态规划估计算法,可以从时频图中估计出各分量信号的瞬时频率。对于锥形目标,锥顶散射中心的微多普勒满足正弦规律,锥底散射中心微多普勒虽不满足正弦规律,但满足相同的变化周期,利用Viterbi算法可实现不同微多普勒曲线的分离。但是该方法对于交叠严重的曲线分离效果很差,且每次都需要检测所有曲线,计算量较大。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种有实现方法简单、提取精度及效率高且灵活性强的复杂运动目标微多普勒特征提取方法及系统。
为解决上述技术问题,本发明提出的技术方案为:
一种复杂运动目标微多普勒特征提取方法,步骤包括:
步骤S1.雷达信号处理:获取对运动目标检测的雷达回波信号并转化为二维的时频图像;
步骤S2.骨架提取:对所述时频图像进行骨架提取以将微多普勒曲线进行二值化处理,得到目标不同散射点的微多普勒曲线;
步骤S3.曲线估计:对步骤S2得到的目标不同散射点的微多普勒曲线进行曲线估计,逐条分离出各单个散射点的微多普勒曲线,其中对于存在交叠区间的曲线估计时,根据所述交叠区间附近的曲线变化趋势判断出端点,并使用插值算法估计所述交叠区间内值;
步骤S4.特征提取:分别对步骤S3得到的各单个散射点的微多普勒曲线进行模态分解,提取出目标各散射点的微动特征。
进一步的,所述步骤S3的步骤包括:
S301.曲线数量计算:根据所述目标不同散射点的微多普勒曲线的数据中每列极值点数量出现的概率,计算需分离微多普勒曲线的曲线数量c_n;
S302.交叠区间判断:按列遍历所有数据,根据每列数据中极值点的数量与所述曲线数量c_n之间的大小关系以及相邻曲线间的距离,判断出所有的交叠区间以及非交叠区间;
S303.曲线判断估计:按列遍历所有数据,若为所述非交叠区间,根据曲线光滑状态进行判断估计,若为交叠区间,根据当前交叠区间附近的曲线变化趋势判断当前交叠区间后一列的值,当判断出当前交叠区间的右端点时使用插值算法估计当前交叠区间内的值。
进一步的,所述步骤S302中按列遍历所有数据时,具体计算每列数据中极值点的数量并判断与所述曲线数量c_n之间的大小,当目标列中极值点的数量小于所述曲线数量c_n时,判定目标列为所述交叠区间,并清除目标列数据;当目标列中极值点的数量大于所述曲线数量c_n时,剔除目标列中多余极值点;当目标列中极值点的数量等于所述曲线数量c_n时,判断相邻两条曲线之间的距离,若小于预设阈值ΔmD,则判定目标列为所述交叠区间,并清除目标列数据,将所述交叠区间的左、右端点对应列数分别存储。
进一步的,所述步骤S303中对非交叠区间的曲线进行估计时,具体对第一列数据逐个提取极值点对应的行序号;对于第二列数据,计算该列所有极值点行序号与第一列点的差值,最小差值对应的极值点即为当前列曲线的点,记录该点行序号,即提取出当前曲线值;对于第三列到第i0列数据,其中i0为固定区间的长度以用于表征曲线在该区间内的光滑程度,计算当前列所有极值点行序号和前一列提取出的曲线值的差值,以及当前列与第一列之间所有相邻两点差值平均值,并比较两者的大小,绝对值最小值所对应的极值点为当前列曲线的点,记录行序号,即提取出当前曲线值;对于第i0列至最后一列数据,计算当前列所有极值点行序号和前一列提取出的曲线值的差值,以及从当前列到之前距离为i0的列之间所有相邻两点之间差值的平均值,并比较两者大小,绝对值最小值所对应的极值点为当前列曲线的点,记录行序号的值,即提取出当前曲线值。
进一步的,所述步骤S303中对交叠区间的曲线进行估计时,具体若交叠区间前与交叠区间长度相同的区间内曲线是呈递增趋势,则判定交叠区间右端点的值与左端点的值之差大于等于零,计算右端点所有值与左端点值的差,并与交叠区间前区间的曲线变化值进行比较,绝对值最小对应的极值点即为交叠区间右端点的值,若交叠区间前对应区间内曲线是呈递减趋势,则判定右端点与左端点值的差小于等于零,确定出右端点的值;当获得交叠区间右端点的值后,利用左右端点值进行插值运算,估计出交叠区间内曲线的值。
进一步的,当所述交叠区间为部分相邻曲线差值小于阈值ΔmD时,即存在曲线在当前区间内无交叠情况,采用最近邻原则判断对应交叠区间的右端点值以及采用线性插值估计区间内部值,当分离到最后一条微多普勒曲线时,则直接提取非交叠区间每列极值点的行序号,交叠区间内使用最近邻原则法估计右端点的值以及利用插值进行估计。
进一步的,所述步骤S1的步骤包括:
步骤S101.对接收到的回波信号做dechirp处理生成参考信号;
步骤S102.将接收到的回波信号与生成的所述参考信号在频域做脉冲压缩处理,形成目标一维距离像;
步骤S103.对目标进行连续观测,将得到的一系列一维目标距离像按时间顺序排列,形成所述二维时频图像。
进一步的,所述步骤S4中使用变分模态分解方法进行模态分解,具体步骤为:
步骤S401:对每一条微多普勒曲线数据进行希尔伯特变换,计算每一个模态的解析信号;
步骤S402:计算所述解析信号的中心频率;
步骤S403:使用H高斯平滑对所述解析信号的带宽进行估计,得到对应的目标函数,并计算出所有的模态;
步骤S404:根据每一模态的频率状态、章动目标微多普勒分解后出现每一模态频率的出现方式和分解后得到的模态频率,反推出目标的微动特征。
一种复杂运动目标微多普勒特征提取系统,包括:
雷达信号处理模块,用于获取接收到的雷达回波信号并转化为二维的时频图像;
骨架提取模块,用于对所述时频图像进行骨架提取以将微多普勒曲线进行二值化处理,得到目标不同散射点的微多普勒曲线;
曲线估计模块,用于对所述骨架提取模块得到的目标不同散射点的微多普勒曲线进行曲线估计,逐条分离出各单个散射点的微多普勒曲线,其中对于存在交叠区间的曲线,根据所述交叠区间附近的曲线变化趋势判断出端点,并使用插值算法估计所述交叠区间内值,分离出各单个散射点的微多普勒曲线;
特征提取模块,用于分别对所述曲线分离模块得到的各单个散射点的微多普勒曲线进行模态分解,提取出目标各散射点的微动特征。
一种复杂运动目标微多普勒特征提取系统,包括处理器以及存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,其特征在于,所述处理器用于执行所述计算机程序,以执行上述方法。
与现有技术相比,本发明的优点在于:
1、本发明针对复杂运动目标,通过将雷达回波信号转换为二维时频图像后进行骨架提取,利用骨架提取算法对获得的微多普勒曲线进行二值化处理,再对目标不同散射点的微多普勒曲线进行分离,分离时利用曲线变化趋势以及插值算法对交叠区间进行曲线估计,可以有效实现复杂运动目标微多普勒曲线的分离,由于在曲线交叠处进行了预处理,能够保证交叠处后续相邻各曲线值差别相对较大,曲线分离时在该处的处理正确性更高,因而可以有效实现微多普勒曲线解交叠,提高曲线分离的效果,解决最近邻原则法、峰值法等微多普勒曲线提取方法曲线交叠处分离效果差、数据维度单一化等问题,从而有效提高复杂运动目标微多普勒特征提取的精度。
2、本发明曲线分离操作是在骨架提取较好的基础上进行的,而骨架提取对曲线能量的依赖性相对较小,因此实现复杂运动目标微多普勒特征提取时对曲线能量的依赖很小。
3、本发明进一步通过遍历数据,根据需分离微多普勒曲线的曲线数量以及相邻微多普勒曲线的距离判断出交叠区间,无需计算所有两两曲线的距离,可以快速、准确的判别出交叠区间,有效减少计算量,同时对非交叠区间的曲线根据曲线光滑状态进行估计,对于交叠区间根据曲线变化趋势以及插值算法进行估计,可以实现曲线逐条分离,且在曲线交叠处不必考虑交叠程度,只需考虑交叠区间右端点的匹配情况,可以进一步减少计算量。
附图说明
图1是本实施例复杂运动目标微多普勒特征提取方法的实现流程示意图。
图2是本实施例实现复杂运动目标微多普勒特征提取的原理示意图。
图3是本发明具体应用实施例中实现复杂运动目标微多普勒特征提取的详细流程示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1、2所示,本实施例复杂运动目标微多普勒特征提取方法的步骤包括:
步骤S1.雷达信号处理:获取对运动目标检测的雷达回波信号并转化为二维的时频图像;
步骤S2.骨架提取:对时频图像进行骨架提取以将微多普勒曲线进行二值化处理,得到目标不同散射点的微多普勒曲线;
步骤S3.曲线估计:对步骤S2得到的目标不同散射点的微多普勒曲线进行曲线估计,逐条分离出各单个散射点的微多普勒曲线,其中对于存在交叠区间的曲线估计时,根据交叠区间附近的曲线变化趋势判断出端点,并使用插值算法估计交叠区间内值;
步骤S4.特征提取:分别对步骤S3得到的各单个散射点的微多普勒曲线进行模态分解,提取出目标各散射点的微动特征。
本实施例针对复杂运动目标,通过将雷达回波信号转换为二维时频图像后进行骨架提取,利用骨架提取算法对获得的微多普勒曲线进行二值化处理,再对目标不同散射点的微多普勒曲线进行分离,分离时利用曲线变化趋势以及插值算法对交叠区间进行曲线估计,可以有效实现复杂运动目标微多普勒曲线的分离,由于在曲线交叠处进行了预处理,能够保证交叠处后续相邻各曲线值差别相对较大,曲线分离时在该处的处理正确性更高,因而可以有效实现微多普勒曲线解交叠,提高曲线分离的效果,解决最近邻原则法、峰值法等微多普勒曲线提取方法曲线交叠处分离效果差、数据维度单一化等问题,从而有效提高杂运动目标微多普勒特征提取的精度。
本实施例上述曲线分离操作是在骨架提取较好的基础上进行的,而骨架提取对曲线能量的依赖性相对较小,因此实现复杂运动目标微多普勒特征提取时对曲线能量的依赖很小。
本实施例具体使用脉冲雷达发射线性调频信号,接收到来自目标的回波信号后转换为时频数据,首先对接收到的回波信号做dechirp(去调频)处理生成参考信号,然后将接收信号与参考信号在频域做脉冲压缩处理,形成目标一维距离像,最后对目标进行连续观测,将得到的一系列一维目标距离像按时间顺序排列,最终形成所需的二维时频图像,具体步骤为:
步骤S101:设置参数范围,生成对应的雷达回波数据,其中参数包括雷达电磁参数(如雷达载频、采样频率、脉冲重复频率、带宽等)、目标运动参数(如目标初始方位角、俯仰角、章动角等)、目标结构参数(散射点个数、散射点位置)、目标微动参数(自旋频率、进动频率、章动频率);
步骤S102:对生成的回波数据做快时间域dechirp处理生成参考信号,再将接收信号与参考信号在频域做脉冲压缩处理,形成当前慢时间的目标一维距离像;
步骤S103:对目标进行连续观测,将得到的一系列一维目标距离像按慢时间顺序排列,形成二维时频图像;
本实施例中实现数据获取时还包括目标微动回波模型构建,微动回波模型主要采用欧拉旋转公式和坐标旋转矩阵进行构建,构建的目标微动回波模型具体为章动回波模型。
本实施例步骤S2中进行骨架提取时,具体对时频图像进行腐蚀运算和开运算,直至遍历图像的每一个区域。本实施例骨架提取类型具体采用移除边界像素的方法,参数n=Inf,代表进行无穷次操作,直至不变。通过骨架提取对获得的微多普勒曲线进行二值化处理,在骨架提取的基础上再进行曲线分离,使得可以减小特征提取时对曲线能量的依赖性。
本实施例中,步骤S3的步骤包括:
S301.曲线数量计算:根据所述目标不同散射点的微多普勒曲线的数据中每列极值点数量出现的概率,计算需分离微多普勒曲线的曲线数量c_n;
S302.交叠区间判断:按列遍历所有数据,根据每列数据中极值点的数量与曲线数量c_n之间的大小关系以及相邻曲线间的距离,判断出所有的交叠区间以及非交叠区间;
S303.曲线判断估计:按列遍历所有数据,若为所述非交叠区间,根据曲线光滑状态进行判断估计,若为交叠区间,根据当前交叠区间附近的曲线变化趋势判断当前交叠区间右端点的值,当判断出当前交叠区间的右端点时使用插值算法估计当前交叠区间内的值。
本实施例通过遍历数据,根据需分离微多普勒曲线的曲线数量c_n以及相邻微多普勒曲线的距离判断出交叠区间,无需计算所有两两曲线的距离,可以快速、准确的判别出交叠区间,有效减少计算量,同时对非交叠区间的曲线根据曲线光滑状态进行估计,对于交叠区间根据曲线变化趋势以及插值算法进行估计,可以实现曲线逐条分离,由于在曲线交叠处,不必考虑交叠程度,只需考虑交叠区间右端点的匹配情况,且一旦满足匹配条件,可以立即停止后续判断,进一步减少计算量。
上述插值算法具体可采用线性或三次样条等插值算法,具体可根据实际需求配置。
本实施例步骤S301中,具体按列遍历数据(大小为Nr*Na),提取每列中极值点的行序号,即数据中数值为1的行序号,记录在列向量rm中;计算所有列向量rm的长度,根据概率最大得出需分离微多普勒曲线的曲线数量c_n。
本实施例中,步骤S302中按列遍历所有数据时,具体计算每列数据中极值点的数量并判断与曲线数量c_n之间的大小,当目标列中极值点的数量小于曲线数量c_n时,判定目标列为交叠区间,并清除目标列数据;当目标列中极值点的数量大于曲线数量c_n时,剔除目标列中多余极值点;当目标列中极值点的数量等于曲线数量c_n时,判断相邻两条曲线之间的距离,若小于预设阈值ΔmD,则判定目标列为交叠区间,并清除目标列数据,将交叠区间的左、右端点对应列数分别存储在qd和hd两个行向量中。
本实施例中,步骤S303中根据曲线光滑状态对非交叠区间的曲线进行估计时,具体对第一列数据逐个提取极值点对应的行序号,由于第一列数据是确定当前提取微多普勒曲线起始值,逐个提取极值点对应的行序号即可;对于第二列数据,计算该列所有极值点行序号与第一列点的差值(即两点之间的距离),最小差值对应的极值点就是当前列曲线的点,记录该点行序号,即提取出当前曲线值;对于第三列到第i0列数据,其中i0为固定区间的长度以用于表征曲线在该区间内的光滑程度,计算当前列所有极值点行序号和前一列提取出的曲线值(即行序号值)的差值,以及当前列与第一列之间所有相邻两点(即两两相邻曲线值)差值平均值,并比较两者的大小,绝对值最小值所对应的极值点就是当前列曲线的点,记录行序号,即提取出当前曲线值;对于第i0列至最后一列数据,计算当前列所有极值点行序号和前一列提取出的曲线值(即行序号值)的差值,以及从当前列到之前距离为i0的列之间所有相邻两点(即两两相邻曲线值)之间差值的平均值,并比较两者大小,绝对值最小值所对应的极值点就是当前列曲线的点,记录行序号的值。
本实施例中,步骤S303中根据曲线变化趋势和插值算法对交叠区间的曲线进行估计时,具体若交叠区间前与交叠区间长度相同的区间内曲线是呈递增趋势,则判定交叠区间右端点的值(极值点行序号)与左端点的值之差必须大于等于零,在满足相同变化趋势的条件下,计算右端点所有值与左端点值(已提取)的差,与前述交叠区间前区间的曲线变化值进行比较,绝对值最小对应的极值点即为交叠区间右端点的值,记录行序号的值,即提取出当前曲线值;若前述交叠区间前对应区间内曲线是呈递减趋势,则判定右端点与左端点值的差必须是小于等于零的,再利用与上述递增情况下相同的判断计算方式,确定出右端点的值;当获得交叠区间右端点的值后,利用左右端点值进行插值运算,估计交叠区间内曲线的值。
进一步的,由于上述交叠区间的判定是由相邻曲线的距离与预设阈值ΔmD的大小来确定的,存在某列部分曲线距离小于预设阈值而其他曲线距离大于预设阈值的情况,即判定为交叠区间的部分存在非交叠曲线,为减少计算量,本实施例在判断交叠区间内非交叠曲线的值时,使用最近邻原则法估计交叠区间右端点的值,即只需计算左右端点值的差再进行大小比较即可,可进一步减少计算量。当分离到最后一条微多普勒曲线时,则直接提取非交叠区间每列极值点的行序号,交叠区间内使用最近邻原则法估计右端点的值以及利用插值进行估计。
本实施例中,步骤S302中还包括将距离小于预设阈值的相邻交叠区间进行合并步骤,以进一步减少计算量,合并后同时更新行向量qd和hd。进一步还可以对数据进行截取,避免边缘处数据异常引起后续估计错误,一般可按列截取数据中间95%-97%。
如图3所示,在具体应用实施例中,对雷达回波转换得到的时频数据进行骨架提取后,实现曲线分离的详细步骤为:
步骤1:遍历数据(大小为Nr*Na),提取每列中极值点的行序号,即数据中数值为1的行序号,记录在列向量rm中;计算所有rm长度,根据概率最大得出所需分离曲线数量c_n;
步骤2:截取部分数据进行分离操作(如选择原始数据的中间95%左右),第一列记为ii,即开始列为ii;
步骤3:查找出所有的交叠区间:遍历计算rm中相邻两行序号的差值,即相邻曲线间的距离,判断所有差值与阈值ΔmD的大小关系,当所在列差值存在小于ΔmD的值,判断为交叠区间,反之为非交叠区间;所有交叠区间的左右端点值分别存储进qd和hd两个行向量中;
步骤4:从第ii列开始,逐条提取微多普勒曲线,其中当在非交叠区间内,根据曲线光滑状态以及连续状态进行曲线分离;当在交叠区间内,根据曲线交叠区间附近的变化趋势判断交叠区间右端点值,再利用交叠区间左右端点的值进行插值运算,估计交叠区间内的值;每提取一条微多普勒曲线,数据存入矩阵C中,并清除数据中当前曲线值,矩阵C的大小为Na*c_n,对于最后一条曲线,则直接提取每列中极值点所在列数。
本实施例中,对于不存在相邻曲线的距离大于预设阈值时(即一般情况),需要计算右端点所有值和左端点的差以及交叠区间前同等长度的区间内曲线的变化值,再进行变化趋势以及大小的比较;而对于存在相邻曲线距离大于预设阈值的情况,意味着交叠区间内是部分曲线有交叠,其他曲线没有交叠,对于无交叠曲线,本实施例直接利用最近邻原则估计交叠区间右端点的值,即只需计算左右端点值的差再进行大小比较即可,可以进一步减少计算量。
本实施例中,步骤S4中使用变分模态分解方法进行模态分解,包括在傅里叶域中使用已调谐到当前中心频率的滤波器实现模态更新,使用当前模态功率谱的重心实现中心频率的更新,以及使用对偶上升法更新协态变量,得到目标每个散射点包含的微动特征,反推计算出目标的所有微动特征,具体步骤为:
步骤S401:对每一条微多普勒曲线数据进行希尔伯特变换,计算每一个模态的解析信号;
步骤S402:计算解析信号的中心频率;
步骤S403:使用H高斯平滑对所述解析信号的带宽进行估计,得到对应的目标函数,并计算出所有的模态;
步骤S404:根据每一模态的频率状态、章动目标微多普勒分解后出现每一模态频率的出现方式和分解后得到的模态频率,反推出目标的微动特征(如自旋、进动、章动频率等)。
本实施例还提供一种复杂运动目标微多普勒特征提取系统,包括:
雷达信号处理模块,用于获取接收到的雷达回波信号并转化为二维的时频图像;
骨架提取模块,用于对时频图像进行骨架提取以将微多普勒曲线进行二值化处理,得到目标不同散射点的微多普勒曲线;
曲线分离模块,用于对骨架提取模块得到的目标不同散射点的微多普勒曲线进行曲线估计,逐条分离出各单个散射点的微多普勒曲线,其中对于存在交叠区间的曲线,根据交叠区间附近的曲线变化趋势判断出端点,并使用插值算法估计交叠区间内值,分离出各单个散射点的微多普勒曲线;
特征提取模块,用于分别对曲线分离模块得到的各单个散射点的微多普勒曲线进行模态分解,提取出目标各散射点的微动特征。
本实施例中,曲线分离模块包括:
曲线数量计算单元,用于根据所述目标不同散射点的微多普勒曲线的数据中每列极值点数量出现的概率,计算需分离微多普勒曲线的曲线数量c_n;
交叠区间判断单元,用于按列遍历所有数据,根据每列数据中极值点的数量与所述曲线数量c_n之间的大小关系以及相邻曲线间的距离,判断曲线的交叠区间以及非交叠区间;
曲线判断估计单元,用于按列遍历所有数据,根据曲线光滑状态对所述非交叠区间的曲线进行判断估计,以及根据交叠区间附近的曲线变化趋势,使用插值算法对所述交叠区间进行判断估计。
本实施例复杂运动目标微多普勒特征提取系统与上述复杂运动目标微多普勒特征提取方法为一一对应,在此不再一一赘述。
在另一实施例中,本发明复杂运动目标微多普勒特征提取系统还可以为:包括处理器以及存储器,存储器用于存储计算机程序,处理器用于执行计算机程序,处理器用于执行计算机程序,以执行如上述复杂运动目标微多普勒特征提取方法。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (8)
1.一种复杂运动目标微多普勒特征提取方法,其特征在于,步骤包括:
步骤S1.雷达信号处理:获取对运动目标检测的雷达回波信号并转化为二维的时频图像;
步骤S2.骨架提取:对所述时频图像进行骨架提取以将微多普勒曲线进行二值化处理,得到目标不同散射点的微多普勒曲线;
步骤S3.曲线估计:对步骤S2得到的目标不同散射点的微多普勒曲线进行曲线估计,逐条分离出各单个散射点的微多普勒曲线,其中对于存在交叠区间的曲线估计时,根据所述交叠区间附近的曲线变化趋势判断出端点,并使用插值算法估计所述交叠区间内值;
步骤S4.特征提取:分别对步骤S3得到的各单个散射点的微多普勒曲线进行模态分解,提取出目标各散射点的微动特征;
所述步骤S3的步骤包括:
S301.曲线数量计算:根据所述目标不同散射点的微多普勒曲线的数据中每列极值点数量出现的概率,计算需分离微多普勒曲线的曲线数量c_n;
S302.交叠区间判断:按列遍历所有数据,根据每列数据中极值点的数量与所述曲线数量c_n之间的大小关系以及相邻曲线间的距离,判断出所有的交叠区间以及非交叠区间;
S303.曲线判断估计:按列遍历所有数据,若为所述非交叠区间,根据曲线光滑状态进行判断估计,若为交叠区间,根据当前交叠区间附近的曲线变化趋势判断当前交叠区间右端点的值,当判断出当前交叠区间的右端点时使用插值算法估计当前交叠区间内的值;
所述步骤S303中对交叠区间的曲线进行估计时,具体若交叠区间前与交叠区间长度相同的区间内曲线是呈递增趋势,则判定交叠区间右端点的值与左端点的值之差大于等于零,计算右端点所有值与左端点值的差,并与交叠区间前区间的曲线变化值进行比较,绝对值最小对应的极值点即为交叠区间右端点的值,若交叠区间前对应区间内曲线是呈递减趋势,则判定右端点与左端点值的差小于等于零,确定出右端点的值;当获得交叠区间右端点的值后,利用左右端点值进行插值运算,估计出交叠区间内曲线的值。
2.根据权利要求1所述的复杂运动目标微多普勒特征提取方法,其特征在于,所述步骤S302中按列遍历所有数据时,具体计算每列数据中极值点的数量并判断与所述曲线数量c_n之间的大小,当目标列中极值点的数量小于所述曲线数量c_n时,判定目标列为所述交叠区间,并清除目标列数据;当目标列中极值点的数量大于所述曲线数量c_n时,剔除目标列中多余极值点;当目标列中极值点的数量等于所述曲线数量c_n时,判断相邻两条曲线之间的距离,若小于预设阈值ΔmD,则判定目标列为所述交叠区间,并清除目标列数据,将所述交叠区间的左、右端点对应列数分别存储。
3.根据权利要求1所述的复杂运动目标微多普勒特征提取方法,其特征在于,所述步骤S303中对非交叠区间的曲线进行估计时,具体对第一列数据逐个提取极值点对应的行序号;对于第二列数据,计算该列所有极值点行序号与第一列点的差值,最小差值对应的极值点即为当前列曲线的点,记录该点行序号,即提取出当前曲线值;对于第三列到第i0列数据,其中i0为固定区间的长度以用于表征曲线在该区间内的光滑程度,计算当前列所有极值点行序号和前一列提取出的曲线值的差值,以及当前列与第一列之间所有相邻两点差值平均值,并比较两者的大小,绝对值最小值所对应的极值点为当前列曲线的点,记录行序号,即提取出当前曲线值;对于第i0列至最后一列数据,计算当前列所有极值点行序号和前一列提取出的曲线值的差值,以及从当前列到之前距离为i0的列之间所有相邻两点之间差值的平均值,并比较两者大小,绝对值最小值所对应的极值点为当前列曲线的点,记录行序号的值,即提取出当前曲线值。
4.根据权利要求1所述的复杂运动目标微多普勒特征提取方法,其特征在于,所述步骤S303中,当所述交叠区间为部分相邻曲线差值小于阈值ΔmD时,即存在曲线在当前区间内无交叠情况,采用最近邻原则判断对应区间的右端点值以及采用线性插值估计区间内部值,当分离到最后一条微多普勒曲线时,则直接提取非交叠区间每列极值点的行序号,交叠区间内使用最近邻原则法估计右端点的值以及利用插值进行估计。
5.根据权利要求1~4中任意一项所述的复杂运动目标微多普勒特征提取方法,其特征在于,所述步骤S1的步骤包括:
步骤S101.对接收到的回波信号做dechirp处理生成参考信号;
步骤S102.将接收到的回波信号与生成的所述参考信号在频域做脉冲压缩处理,形成目标一维距离像;
步骤S103.对目标进行连续观测,将得到的一系列一维目标距离像按时间顺序排列,形成所述二维时频图像。
6.根据权利要求1~4中任意一项所述的复杂运动目标微多普勒特征提取方法,其特征在于,所述步骤S4中使用变分模态分解方法进行模态分解,具体步骤为:
步骤S401:对每一条微多普勒曲线数据进行希尔伯特变换,计算每一个模态的解析信号;
步骤S402:计算所述解析信号的中心频率;
步骤S403:使用H高斯平滑对所述解析信号的带宽进行估计,得到对应的目标函数,并计算出所有的模态;
步骤S404:根据每一模态的频率状态、章动目标微多普勒分解后出现每一模态频率的出现方式和分解后得到的模态频率,反推出目标的微动特征。
7.一种复杂运动目标微多普勒特征提取系统,其特征在于,包括:
雷达信号处理模块,用于获取接收到的雷达回波信号并转化为二维的时频图像;
骨架提取模块,用于对所述时频图像进行骨架提取以将微多普勒曲线进行二值化处理,得到目标不同散射点的微多普勒曲线;
曲线估计模块,用于对所述骨架提取模块得到的目标不同散射点的微多普勒曲线进行曲线估计,逐条分离出各单个散射点的微多普勒曲线,其中对于存在交叠区间的曲线,根据所述交叠区间附近的曲线变化趋势判断出端点,并使用插值算法估计所述交叠区间内值,分离出各单个散射点的微多普勒曲线;
特征提取模块,用于分别对所述曲线分离模块得到的各单个散射点的微多普勒曲线进行模态分解,提取出目标各散射点的微动特征;
所述曲线估计模块包括:
曲线数量计算:根据所述目标不同散射点的微多普勒曲线的数据中每列极值点数量出现的概率,计算需分离微多普勒曲线的曲线数量c_n;
交叠区间判断:按列遍历所有数据,根据每列数据中极值点的数量与所述曲线数量c_n之间的大小关系以及相邻曲线间的距离,判断出所有的交叠区间以及非交叠区间;
曲线判断估计:按列遍历所有数据,若为所述非交叠区间,根据曲线光滑状态进行判断估计,若为交叠区间,根据当前交叠区间附近的曲线变化趋势判断当前交叠区间右端点的值,当判断出当前交叠区间的右端点时使用插值算法估计当前交叠区间内的值;
所述曲线判断估计中对交叠区间的曲线进行估计时,具体若交叠区间前与交叠区间长度相同的区间内曲线是呈递增趋势,则判定交叠区间右端点的值与左端点的值之差大于等于零,计算右端点所有值与左端点值的差,并与交叠区间前区间的曲线变化值进行比较,绝对值最小对应的极值点即为交叠区间右端点的值,若交叠区间前对应区间内曲线是呈递减趋势,则判定右端点与左端点值的差小于等于零,确定出右端点的值;当获得交叠区间右端点的值后,利用左右端点值进行插值运算,估计出交叠区间内曲线的值。
8.一种复杂运动目标微多普勒特征提取系统,包括处理器以及存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,其特征在于,所述处理器用于执行所述计算机程序,以执行如权利要求1~6中任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011027374.4A CN112130142B (zh) | 2020-09-25 | 2020-09-25 | 一种复杂运动目标微多普勒特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011027374.4A CN112130142B (zh) | 2020-09-25 | 2020-09-25 | 一种复杂运动目标微多普勒特征提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112130142A CN112130142A (zh) | 2020-12-25 |
CN112130142B true CN112130142B (zh) | 2023-04-21 |
Family
ID=73840395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011027374.4A Active CN112130142B (zh) | 2020-09-25 | 2020-09-25 | 一种复杂运动目标微多普勒特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112130142B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113281776A (zh) * | 2021-01-08 | 2021-08-20 | 浙江大学 | 针对复杂水下动态目标的激光雷达目标智能检测仪 |
CN113009446B (zh) * | 2021-03-02 | 2022-05-03 | 中国科学院空天信息创新研究院 | 一种基于最佳解调算子的悬停低慢小目标检测方法及装置 |
CN113191451B (zh) * | 2021-05-21 | 2024-04-09 | 北京文安智能技术股份有限公司 | 图像数据集处理方法和目标检测模型训练方法 |
CN114002658B (zh) * | 2021-12-28 | 2022-05-24 | 中南大学 | 基于点迹曲线关联曲线分离的雷达目标微动特征提取方法 |
CN115113164B (zh) * | 2022-06-28 | 2024-04-19 | 中南大学 | 基于cvm-svd的旋翼目标微多普勒参数估计方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7079072B1 (en) * | 1987-01-23 | 2006-07-18 | Raytheon Company | Helicopter recognition radar processor |
CN105259553B (zh) * | 2015-11-11 | 2017-10-24 | 西安电子科技大学 | 基于距离‑瞬时多普勒像的微动目标散射点航迹关联方法 |
CN107134143A (zh) * | 2016-02-26 | 2017-09-05 | 南京航空航天大学 | 一种基于连续波雷达的车流量统计与车型判别的方法 |
CN107526079B (zh) * | 2016-06-22 | 2020-07-31 | 中国解放军空军工程大学 | 一种基于l型三天线干涉处理的空间自旋目标宽带雷达三维成像方法 |
CN106842181A (zh) * | 2017-03-15 | 2017-06-13 | 西安电子科技大学 | 基于经验模态分解的空间锥体目标微动特征提取方法 |
CN107884760A (zh) * | 2017-11-10 | 2018-04-06 | 北京电子工程总体研究所 | 一种空间自由飞行目标的惯量比提取方法 |
CN109738887B (zh) * | 2018-12-17 | 2023-01-17 | 武汉理工大学 | 一种适用于微动干扰场景的目标人体运动状态识别方法 |
CN111693954B (zh) * | 2020-05-08 | 2023-02-28 | 中国人民解放军空军工程大学 | 空间旋转群目标微多普勒分离方法 |
-
2020
- 2020-09-25 CN CN202011027374.4A patent/CN112130142B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112130142A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112130142B (zh) | 一种复杂运动目标微多普勒特征提取方法及系统 | |
CN106778610B (zh) | 一种基于时频图像特征的脉内调制识别方法 | |
CN103885057B (zh) | 自适应变滑窗多目标跟踪方法 | |
US7898457B2 (en) | System and method for processing imagery from synthetic aperture systems | |
CN101738614B (zh) | 基于时空图像序列的isar目标转动估计方法 | |
JP6415288B2 (ja) | レーダ装置 | |
CN107356922B (zh) | 一种扩表辅助法解模糊的多重频雷达目标检测前跟踪方法 | |
CN107576959B (zh) | 一种基于区域映射解模糊的高重频雷达目标检测前跟踪方法 | |
Wei et al. | A tbd algorithm based on improved randomized hough transform for dim target detection | |
CN110018461B (zh) | 基于高分辨距离像和单脉冲测角的群目标识别方法 | |
CN112731307A (zh) | 基于距离-角度联合估计的ratm-cfar检测器及检测方法 | |
CN114418953A (zh) | 一种基于时间历程累计图像的声呐目标检测方法和系统 | |
CN106707278B (zh) | 一种基于稀疏表示的多普勒波束锐化成像方法及装置 | |
JP2009236720A (ja) | 移動目標検出装置 | |
CN113702940B (zh) | 基于多元特征信息分层融合空间集群目标分辨方法及应用 | |
Pengcheng et al. | Radar group target recognition based on HRRPs and weighted mean shift clustering | |
CN113570632B (zh) | 基于高时相星载sar序贯图像的运动小目标检测方法 | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
CN116430344A (zh) | 一种基于改进相位特征的海面慢速小目标检测方法 | |
CN113192110A (zh) | 多目标跟踪方法、装置、设备及存储介质 | |
Xiao et al. | Multi-target ISAR imaging based on image segmentation and short-time Fourier transform | |
CN112166341B (zh) | 速度确定方法、设备和存储介质 | |
CN106707276B (zh) | 一种基于滑窗eht的进动目标雷达三维成像方法 | |
Li et al. | Shape-driven multiple extended target tracking and classification based on B-Spline and PHD filter | |
CN113009470B (zh) | 一种目标态势特征数据的处理方法、系统、装置及介质 |
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 |