CN112147592A - 多视目标识别方法、装置、控制设备及存储介质 - Google Patents

多视目标识别方法、装置、控制设备及存储介质 Download PDF

Info

Publication number
CN112147592A
CN112147592A CN202010893006.1A CN202010893006A CN112147592A CN 112147592 A CN112147592 A CN 112147592A CN 202010893006 A CN202010893006 A CN 202010893006A CN 112147592 A CN112147592 A CN 112147592A
Authority
CN
China
Prior art keywords
target
data
echo data
view
group
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
Application number
CN202010893006.1A
Other languages
English (en)
Inventor
刘凯
马梦媛
罗喜伶
张涛
曹先彬
谢晋东
蒋淑园
许乙付
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Beihang University
Hangzhou Innovation Research Institute of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University, Hangzhou Innovation Research Institute of Beihang University filed Critical Beihang University
Priority to CN202010893006.1A priority Critical patent/CN112147592A/zh
Publication of CN112147592A publication Critical patent/CN112147592A/zh
Pending legal-status Critical Current

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
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种多视目标识别方法，方法包括：获取极化雷达采集的目标的多组回波数据；对每组回波数据进行特征提取，得到每组回波数据的特征数据；使用已训练后的识别模型对每组回波数据的特征数据进行处理，得到目标的识别结果。采集了全方位的雷达回波数据，提取了数据中更能反应目标本质属性的特征，去除了回波数据中的冗余信息，提高了目标识别准确率。

Description

多视目标识别方法、装置、控制设备及存储介质
技术领域
本申请涉及雷达目标识别技术领域，尤其涉及一种多视目标识别方法、装置、控制设备及存储介质。
背景技术
多极化雷达通过发射不同极化方式的电磁波，得到包含不同极化信息的目标散射回波，这些回波是电磁波与地物目标相互作用的结果，通过对回波进行处理，可以同时获得地物目标的结构、材质和三维分布等信息。
现有技术在对回波进行识别处理时，直接对采集得到回波进行识别处理，或者对回波的一维或二维成像的结果进行分类识别。然而，多极化雷达采集到的回波中具有较多无关信息，直接对回波信息进行分类识别会引入过多冗余信息，导致所得到的识别结果准确度不高。
发明内容
本申请提供一种多视目标识别方法、装置、控制设备及存储介质，用以解决雷达采集的回波信号中具有很多冗余信息导致所得到的识别结果准确度不高的问题。
第一方面，本发明提供一种目标识别方法，方法包括：
获取极化雷达采集的目标的多组回波数据；
对每组回波数据进行特征提取，得到每组回波数据的特征数据；
使用已训练后的识别模型对每组回波数据的特征数据进行处理，得到目标的识别结果。
可选地，每组回波数据是极化雷达在向多个方位角发射信号后遇到目标而返回的数据，多个方位角位于目标方位角邻域内。
可选地，任意两个相邻方位角的角度间隔相等。
可选地，对每组回波数据进行特征提取，得到回波数据的特征数据，具体包括：
对每组回波数据进行成像处理，得到多视距离像；
确定多视距离像的至少一个强散射中心；
提取多视距离像的至少一个强散射中心的特征数据，作为回波数据的特征数据。
可选地，提取多视距离像的强散射中心的特征数据，作为回波数据的特征数据，具体包括：
提取每个强散射中心的散射强度、奇次散射分量占比以及偶次散射分量占比；
将散射强度、奇次散射分量占比以及偶次散射分量占比作为回波数据的特征数据。
可选地，多视目标识别方法还包括：
获取极化雷达采集的目标的多组训练回波数据和目标类型；
对每组训练回波数据进行特征提取，得到每组训练回波数据的特征数据；
使用训练回波数据的特征数据和目标类型对识别模型进行训练，其中，训练回波数据的特征数据作为识别模型的输入数据，目标类型作为识别模型的输出数据。
第二方面，本发明提供一种多视目标识别装置，装置包括：
获取模块，用于获取极化雷达采集的目标的多组回波数据；
处理模块，用于对每组回波数据进行特征提取，得到每组回波数据的特征数据；
处理模块还用于使用已训练后的识别模型对每组回波数据的特征数据进行处理，得到目标的识别结果。
可选地，获取模块具体用于：
将极化雷达在向多个方位角发射信号后遇到目标而返回的数据作为单组回波数据，其中，多个方位角位于目标方位角邻域内。
第三方面，本发明提供一种控制设备，包括：存储器和处理器；
存储器；用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行第一方面及可选方案涉及的多视目标识别方法。
第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现第一方面及可选方案涉及的多视目标识别方法。
本申请提供一种多视目标识别方法、装置、控制设备及存储介质，获取极化雷达采集的目标的多组回波数据；对每组回波数据进行特征提取，得到每组回波数据的特征数据；使用已训练后的识别模型对每组回波数据的特征数据进行处理，得到目标的识别结果。通过提取回波数据的特征数据，去除雷达回波数据中的冗余信息，进而可以根据特征数据得到准确度更高的识别结果。另外，数据采集过程，采集某一方位角向左和向右多个小方位角的雷达信号，也就是方位角邻域内的雷达信号，得到更全面的多视角回波数据。特征提取过程，提取多视距离像的强散射中心的特征数据，保留目标信息，去除了雷达回波数据中的冗余信息，提高了目标识别准确率。
附图说明
图1为本申请提供的目标识别系统组成示意图；
图2为本发明根据一示例性实施例示出的多视目标识别方法的流程示意图；
图3为本发明根据一示例性实施例示出的计算HRRP的方法示意图；
图4为本发明根据另一示例性实施例示出的多视目标识别方法的流程示意图；
图5为本发明根据一示例性实施例示出的多视目标识别装置40的结构示意图；
图6为本发明根据一示例性实施例示出的控制设备的硬件结构示意图；
图7(a)为本发明根据一示例性实施例示出的HH极化组态下，各个距离单元内目标散射点的归一化幅度的示意图；
图7(b)为本发明根据一示例性实施例示出的HV极化组态下，各个距离单元内目标散射点的归一化幅度的示意图；
图7(c)为本发明根据一示例性实施例示出的VV极化组态下，各个距离单元内目标散射点的归一化幅度的示意图；
图8为本发明根据一示例性实施例示出的方位角邻域内，各个距离单元内HRRP强度的示意图；
图9为本发明根据一示例性实施例示出的多视距离极化矩阵特征张量的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
雷达是一种利用无线电进行探测与测距的电子设备。多极化雷达通过发射不同极化方式的电磁波，得到包含不同极化信息的目标散射回波，这些回波是电磁波与地物目标相互作用的结果，通过对回波进行处理，可以同时获得地物目标的结构、材质和三维分布等信息。
雷达目标识别是通过对雷达截取的目标回波信息进行再挖掘，从而完成对目标的分类识别任务。现有技术在对回波进行识别处理时，直接对采集得到回波进行识别处理，或者对回波的一维或二维成像的结果进行分类识别。然而，多极化雷达采集到的回波中具有较多无关信息，直接对回波信息进行分类识别会引入过多冗余信息，此外，极化信息的不充分利用也会导致所得到的识别结果准确度不高。因此，本申请提供一种多视目标识别方法、装置、控制设备及存储介质，采集多视回波数据，结合高分辨距离像(High ResolutionRange Profile，HRRP)技术与极化技术，得到多视距离极化特征。利用多视距离极化特征训练卷积神经网络(Convolutional Neural Networks，CNN)模型，得到雷达目标识别模型。使用识别模型对目标进行识别，得到目标的识别结果。通过以上发明构思，本方法能够去除雷达回波数据中的冗余信息，提取代表目标本质的属性作为特征数据，充分利用极化信息，以提高目标识别模型的识别准确度。下面对本方法详细说明。
图1为本申请提供的目标识别系统组成示意图。如图1所示，系统涉及雷达发射装置、雷达接收装置、天线、信号处理器、存储器、电源、显示器等设备。雷达发射装置用于发射水平和垂直极化雷达波。雷达接收装置用于接收不同极化方式的雷达波。信号处理器用于处理雷达接收装置收到的回波。存储器用于进行信号存储并对目标分类，储存识别模型。显示器用于显示发射信号和回波信号，以及输出目标类别。
图2为本发明根据一示例性实施例示出的多视目标识别方法的流程示意图。如图2所示，多视目标识别方法包括如下步骤：
S101、获取极化雷达采集的目标的多组回波数据。
其中，每组回波数据是极化雷达在向多个方位角发射信号后遇到目标而返回的数据，多个方位角位于目标方位角邻域内，目标方位角邻域是以目标方位角θ为中心，半径为δ的区间，记为(θ-δ，θ+δ)。
极化雷达装置的俯仰角固定，取某一方位角θ邻域内的N个小方位角位置的数据。可选地，任意两个相邻方位角的角度间隔相等。所取方位角为：
Figure BDA0002657483360000051
其中，Δθ为相邻视角间隔，其值约为0.1°，由此得到此方位角邻域内的多视回波数据。方位角θ的取值范围为0≤θ≤359°，即在同一俯仰角下，对目标在360°方位角下(每隔1°方位角)的极化回波信号进行获取，可以得到多组多视回波数据。
数据采集是雷达目标识别系统不可缺少的部分，提取目标特征首先涉及到数据采集问题。关于雷达目标的情况都反映在目标回波中，如何高效和保真地采集原始目标回波数据就显得尤为重要。多视回波信号的采集是多视目标识别方法的重要组成部分。本发明通过固定俯仰角，获取某一方位角向左和向右N个小方位角位置的雷达信号，得到全方位的多视回波信号，为之后的特征提取提供了更全面的数据。
S102、对每组回波数据进行特征提取，得到每组回波数据的特征数据。
可选地，对每组回波数据进行特征提取，得到回波数据的特征数据，具体包括：对每组回波数据进行成像处理，得到多视距离像。确定多视距离像的至少一个强散射中心。提取多视距离像的至少一个强散射中心的特征数据，作为回波数据的特征数据。
在本实施例中，对每组多视回波数据进行HRRP成像处理，如匹配滤波和脉冲压缩，得到多视距离像。多视距离像可以根据某一方位角θ邻域内的N个小方位角位置的回波数据计算得到。多视距离像由多个单视距离像组成。
其中，方位角可取
Figure BDA0002657483360000061
中的一个，并根据该方位角计算单视距离像y。
例如，方位角取
Figure BDA0002657483360000062
时，该方位角的单视距离像y的具体计算过程如下：
雷达工作在高频区77GHz频段，雷达信号的带宽B为500MHz，雷达发射机发射线性调频信号可以表示为：
Figure BDA0002657483360000063
其中，rect函数表示矩形函数，A表示脉冲幅度，τ表示脉冲宽度，t表示雷达发射时间，f0表示雷达中心频率，u表示调频系数，j表示线性调频信号的虚部单位。假设目标由L个强散射中心组成，则可得到目标的散射回波信号为：
Figure BDA0002657483360000064
其中，Cm表示第m个散射中心的反射性大小，Rm表示第m个散射中心的距离，c表示光速，u表示调频系数，j表示线性调频信号的虚部单位。
将与发射信号相同的信号作为参考信号，将参考信号与回波信号混频并进行低通滤波后得到待处理回波信号x(t)：
Figure BDA0002657483360000065
图3为本发明根据一示例性实施例示出的计算HRRP的方法示意图。如图3所示，系统使用匹配滤波器接收机，通过频域分析方法快速获取脉冲压缩后的输出。
其中，进行脉冲压缩的具体流程为：
首先，对待处理回波信号x(t)进行快速傅里叶变换(fast Fourier Transform，FFT)操作，得到X(jw)。其中，FFT的频率分辨率为
Figure BDA0002657483360000066
采样频率fs＞2B，FFT所需点数
Figure BDA0002657483360000067
然后，对预先保存的匹配滤波器冲激响应进行N点FFT，得到H(jw)，将二者在频域进行乘法运算。
最后，将得到的结果进行逆傅里叶变换：
y＝IFFT{X(jw)×H(jw)}
通过上述公式可以得到该方位角在时域上的脉冲压缩，即该方位角的单视距离像y。另外，对于其他N-1个方位角，也可以通过上述方式进行计算，以得到其他N-1个方位角的单视距离像。如此，得到极化雷达装置各个方位角的单视距离像，以此完成雷达目标多视距离像数据录取。
宽带多极化雷达可以获得目标4种极化组态(HH、HV、VH、VV)下的HRRP，其中H表示水平极化，V表示垂直极化。在目标满足互易性的条件下，HV和VH提取出的散射矩阵近似，因此，本发明仅考虑一种交叉极化的情况。目标不同极化方式的HRRP成像表示为：
xPQ(i)＝{xPQ(i,j),j＝1,2,…,n}
其中，P表示发射极化方式，即水平极化和垂直极化，Q表示接收极化方式，即水平极化和垂直极化。
对多视回波数据进行HRRP成像处理，得到多视回波数据的多视距离像。其中，多视距离像用多视距离矩阵表示，矩阵的维度为I1×I2，其中，I1为距离单元长度，I2为角度单元个数。
根据HRRP成像处理结果，确定目标的大致长度范围，锁定目标区域，剥离除目标外的特征。在锁定目标区域内设置强度阈值，对目标多视角域范围内的强散射中心进行分辨，确定目标散射中心位置。
可选地，提取多视距离像的强散射中心的特征数据，作为回波数据的特征数据，具体包括：提取每个强散射中心的散射强度、奇次散射分量占比以及偶次散射分量占比。将散射强度、奇次散射分量占比以及偶次散射分量占比作为回波数据的特征数据。
在收发为水平和垂直两种形式的线极化波时，极化雷达传感器获得的四个通道的数据可以由Sinclair散射矩阵S来表示：
Figure BDA0002657483360000071
其中，H，V分别代表水平和垂直极化，S完整地描述了地物目标散射的极化特性、幅度和相位特性。在不添加噪声的情况下，散射矩阵S用最小二乘法求解为：
S＝(AHA)-1AHz
然后使用Cameron平均修正法对散射矩阵进行修正。散射中心强度的计算公式为：
Figure BDA0002657483360000081
在散射矩阵S满足互易性定理条件下，Pauli分解将散射矩阵简化为：
Figure BDA0002657483360000082
求解得到Pauli矢量
Figure BDA0002657483360000083
为：
Figure BDA0002657483360000084
其中，α，β，γ分别代表奇次散射分量、偶次散射分量、45°散射类型的分量。计算得到奇次散射分量α和偶次散射分量β的占比。
在本实施例中，采取特征层融合方式，将得到的散射中心强度、奇次散射分量和偶次散射分量占比作为通道维特征，建立多视距离极化矩阵，矩阵的维度为I1×I2×I3，其中，I1为距离单元长度，I2为角度单元个数，I3为通道维特征数量。因此，得到雷达目标特征张量为
Figure BDA0002657483360000085
本发明中I3＝3，分别是散射中心强度、奇次散射分量占比、偶次散射分量占比。特征维包括但不限于这三种极化特征，可以根据目标类别数量或识别精度需求自定义更改高分辨特征或极化特征类型以及相应的组合，得到适合不同种类目标识别的分类器。
特征提取过程借助宽带波形具有的高分辨力特性，将HRRP技术与极化技术相结合，组成多视距离极化矩阵，在保留原有极化通道时域分布特征的基础上，拟合了多极化特征，能够更好地反映目标的全局特性，降低了计算复杂度。充分利用了极化信息，增加了不同目标间的可分性。去除了雷达回波数据中的冗余信息，提取了更能反应目标本质属性的信息。
S103、使用已训练后的识别模型对每组回波数据的特征数据进行处理，得到目标的识别结果。
更具体地，识别模型可以是卷积神经网络模型。识别模型的识别过程分为训练阶段和识别阶段。设计识别模型，用一定数量的训练样本对识别模型进行训练。用训练后的识别模型对识别样本进行分类，得到目标的识别结果。为保证识别模型的鲁棒性，训练样本和识别样本采用不同方位角下的多视距离极化样本数据。
在本实施例提供的方法中，获取某一方位角向左和向右N个小方位角位置的雷达回波信号，得到全方位的多视回波信号，为之后的特征提取提供更全面的数据。特征提取过程将HRRP技术与极化技术相结合，组成多视距离极化矩阵，在保留原有极化通道时域分布特征的基础上，拟合了多极化特征，能够更好地反映目标的全局特性，降低了计算复杂度。充分利用了极化信息，增加了不同目标间的可分性。去除了雷达回波数据中的冗余信息，提高了目标检测、识别和分类的准确率。
图4为本发明根据另一示例性实施例示出的多视目标识别方法的流程示意图。如图4所示，多视目标识别方法还包括如下步骤：
S201、获取极化雷达采集的目标的多组训练回波数据和目标类型。
具体地，将S101中获取多组回波数据进行分集处理，分为训练样本和识别样本。目标类型可以为飞机、无人机、车辆、船舰等物体。
S202、对每组训练回波数据进行特征提取，得到每组训练回波数据的特征数据。
其中，对训练回波数据进行特征提取方式与图2所示实施例的S102中采集得到多组回拨数据的特征提取方式相同，在此处不再赘述。
S203、使用训练回波数据的特征数据和目标类型对识别模型进行训练。
其中，训练回波数据的特征数据作为识别模型的输入数据，目标类型作为识别模型的输出数据。
具体地，训练回波数据的特征数据为经过特征提取后的多视距离极化矩阵，目标类型可以为飞机、无人机、车辆、船舰等物体。将多组多视距离极化矩阵与对应的目标类型输入到识别模型中，完成对识别模型的训练。将识别样本进行特征提取后输入到已训练的识别模型中，识别模型输出识别样本的目标类型。
例如，设计一个包含2层卷积层，2层最大池化层，1层全连接层和1层分类器层的卷积神经网络模型。将多视距离极化矩阵作为训练数据与对应的目标类型一起输入到CNN模型中，进行雷达目标识别模型的训练。若多视距离极化矩阵维度为33×512×3，代表3个通道的33×512特征，输入第一个卷积层，卷积层深度为16，卷积核大小为5×5，卷积层进行卷积操作后，得到29×508×16的特征矩阵。得到的特征矩阵输入第一个最大池化层进行降维，特征向量维度减半，得到15×254×16的特征矩阵。得到的特征矩阵输入第二个卷积层，卷积层深度为32，卷积核大小为4×4，得到12×251×32的特征矩阵。得到的特征矩阵输入第二个最大池化层进行降维，目标特征向量维度继续减半，得到6×126×32的特征矩阵。将特征矩阵进行扁平(flatten)处理，经过1024点的全连接层。将全连接层数据再送入Softmax层，得到n个大小为1×1的输出节点，对应每个类别的概率，完成n分类问题。其中，使用Adam算法进行权值的优化更新，学习率初始值为0.001，mini-batch为16，迭代30次。在CNN模型基础上加入ReLU激活函数、L2正则化和Dropout技术来抑制模型过拟合。由此，完成对识别模型的训练。将识别样本进行特征提取后输入到已训练的识别模型中，识别模型输出识别样本的目标类型。
在本实施例提供的方法中，将训练样本生成的多视距离极化特征输入到搭建好的模型中，训练得到合适的目标识别模型。将识别样本输入到已训练的识别模型中，识别模型输出识别样本的目标类型。雷达目标数据采集阶段保证了数据的全面性，特征提取阶段去除了回波信号中的冗余信息，保留能够反映目标属性的本质特征。因此，在训练识别模型时，模型收敛速度快，训练过程简单，满足了实时性要求。
图5为本发明根据一示例性实施例示出的多视目标识别装置40的结构示意图。如图5所示，本发明提供一种多视目标识别装置40，装置40包括：
获取模块41，用于获取极化雷达采集的目标的多组回波数据。
处理模块42，用于对每组回波数据进行特征提取，得到每组回波数据的特征数据。
处理模块42还用于使用已训练后的识别模型对每组回波数据的特征数据进行处理，得到目标的识别结果。
可选地，获取模块41具体用于：
将极化雷达在向多个方位角发射信号后遇到目标而返回的数据作为单组回波数据，其中，多个方位角位于目标方位角邻域内。
具体地，本实施例可以参见上述方法实施例，其原理和技术效果类似，不再赘述。
图6为本发明根据一示例性实施例示出的控制设备的硬件结构示意图。如图6所示，本实施例的控制设备50包括：处理器51以及存储器52；其中，
存储器52，用于存储计算机执行指令；
处理器51，用于执行存储器存储的计算机执行指令，以实现上述实施例中接收设备所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地，存储器52既可以是独立的，也可以跟处理器51集成在一起。
当存储器52独立设置时，该控制设备50还包括总线53，用于连接存储器52和处理器51。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现上述的多视目标识别方法。
图7(a)为本发明根据一示例性实施例示出的HH极化组态下，各个距离单元内目标散射点的归一化幅度的示意图。图7(b)为本发明根据一示例性实施例示出的HV极化组态下，各个距离单元内目标散射点的归一化幅度的示意图。图7(c)为本发明根据一示例性实施例示出的VV极化组态下，各个距离单元内目标散射点的归一化幅度的示意图。如图7(a)、图7(b)、图7(c)所示，不同极化组态下的HRRP具有一定相关性，利用HRRP特征能提高目标的识别性能。
图8为本发明根据一示例性实施例示出的方位角邻域内，各个距离单元内HRRP强度的示意图。如图8所示，方位角邻域内的HRRP具有相似性，目标的多视距离矩阵结果包含更加丰富的信息内容。
图9为本发明根据一示例性实施例示出的多视距离极化矩阵特征张量的示意图。如图9所示，首先，图9的上部分表示多视HRRP成像结果，对多视HRRP进行目标范围锁定，剔除不相干波峰。然后，图9的下部分表示根据多视距离极化矩阵建立的雷达目标特征张量
Figure BDA0002657483360000111
若车头设定为方位角0°，图9的上部分中颜色较浅的部分是车辆目标在方位角60°观测下的多视HRRP成像结果，可见目标倾斜角度约为60°。其中，I1为距离单元长度，I2为角度单元个数，I3为特征数量。图9的下部分为选取I3＝3时，散射中心强度、奇次散射分量占比、偶次散射分量占比的特征表示。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种多视目标识别方法，其特征在于，包括：
获取极化雷达采集的目标的多组回波数据；
对每组回波数据进行特征提取，得到所述每组回波数据的特征数据；
使用已训练后的识别模型对所述每组回波数据的特征数据进行处理，得到所述目标的识别结果。
2.根据权利要求1所述的多视目标识别方法，其特征在于，其中，每组回波数据是所述极化雷达在向多个方位角发射信号后遇到所述目标而返回的数据，所述多个方位角位于目标方位角邻域内。
3.根据权利要求2所述的多视目标识别方法，其特征在于，任意两个相邻方位角的角度间隔相等。
4.根据权利要求2所述的多视目标识别方法，其特征在于，对每组回波数据进行特征提取，得到所述回波数据的特征数据，具体包括：
对每组回波数据进行成像处理，得到多视距离像；
确定所述多视距离像的至少一个强散射中心；
提取所述多视距离像的至少一个强散射中心的特征数据，作为所述回波数据的特征数据。
5.根据权利要求4所述的多视目标识别方法，其特征在于，提取所述多视距离像的强散射中心的特征数据，作为所述回波数据的特征数据，具体包括：
提取每个强散射中心的散射强度、奇次散射分量占比以及偶次散射分量占比；
将所述散射强度、所述奇次散射分量占比以及所述偶次散射分量占比作为所述回波数据的特征数据。
6.根据权利要求1至5任意一项所述的多视目标识别方法，其特征在于，所述方法还包括：
获取极化雷达采集的目标的多组训练回波数据和目标类型；
对每组训练回波数据进行特征提取，得到所述每组训练回波数据的特征数据；
使用所述训练回波数据的特征数据和所述目标类型对所述识别模型进行训练，其中，所述训练回波数据的特征数据作为识别模型的输入数据，所述目标类型作为识别模型的输出数据。
7.一种多视目标识别装置，其特征在于，包括：
获取模块，用于获取极化雷达采集的目标的多组回波数据；
处理模块，用于对每组回波数据进行特征提取，得到所述每组回波数据的特征数据；
处理模块还用于使用已训练后的识别模型对所述每组回波数据的特征数据进行处理，得到所述目标的识别结果。
8.根据权利要求7所述的多视目标识别装置，其特征在于，所述获取模块具体用于：
将所述极化雷达在向多个方位角发射信号后遇到所述目标而返回的数据作为单组回波数据，其中，所述多个方位角位于目标方位角邻域内。
9.一种控制设备，其特征在于，包括：存储器和处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行如权利要求1至6中任意一项所述的多视目标识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6中任意一项所述的多视目标识别方法。
CN202010893006.1A 2020-08-31 2020-08-31 多视目标识别方法、装置、控制设备及存储介质 Pending CN112147592A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010893006.1A CN112147592A (zh) 2020-08-31 2020-08-31 多视目标识别方法、装置、控制设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010893006.1A CN112147592A (zh) 2020-08-31 2020-08-31 多视目标识别方法、装置、控制设备及存储介质

Publications (1)

Publication Number Publication Date
CN112147592A true CN112147592A (zh) 2020-12-29

Family

ID=73890914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010893006.1A Pending CN112147592A (zh) 2020-08-31 2020-08-31 多视目标识别方法、装置、控制设备及存储介质

Country Status (1)

Country Link
CN (1) CN112147592A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836029A (zh) * 2021-09-29 2021-12-24 中汽创智科技有限公司 毫米波雷达性能测试的方法、装置、存储介质和终端

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955701A (zh) * 2014-04-15 2014-07-30 浙江工业大学 多层次结合的多视合成孔径雷达图像目标识别方法
CN105512680A (zh) * 2015-12-02 2016-04-20 北京航空航天大学 一种基于深度神经网络的多视sar图像目标识别方法
CN110232371A (zh) * 2019-06-24 2019-09-13 北京理工大学 基于小样本的高精度hrrp雷达多目标识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955701A (zh) * 2014-04-15 2014-07-30 浙江工业大学 多层次结合的多视合成孔径雷达图像目标识别方法
CN105512680A (zh) * 2015-12-02 2016-04-20 北京航空航天大学 一种基于深度神经网络的多视sar图像目标识别方法
CN110232371A (zh) * 2019-06-24 2019-09-13 北京理工大学 基于小样本的高精度hrrp雷达多目标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
盖晴晴: "极化雷达目标识别与多分类器融合研究", 中国优秀硕士学位论文全文数据库-信息科技辑, pages 136 - 677 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836029A (zh) * 2021-09-29 2021-12-24 中汽创智科技有限公司 毫米波雷达性能测试的方法、装置、存储介质和终端

Similar Documents

Publication Publication Date Title
Brodeski et al. Deep radar detector
US10976412B2 (en) Deep learning for super resolution in a radar system
US6337654B1 (en) A-scan ISAR classification system and method therefor
US6943724B1 (en) Identification and tracking of moving objects in detected synthetic aperture imagery
CN109633598B (zh) 基于特征分析的阵列雷达目标检测方法
CN108828593B (zh) 一种随机辐射雷达关联成像方法
CN110346794B (zh) 一种资源优化配置的分布式雷达成像方法
CN106461775A (zh) 用于雷达系统的分区
CN110794471B (zh) 一种毫米波稀疏阵列远程监视成像方法及系统
US11327170B2 (en) Azimuth and elevation radar imaging with single-dimension antenna arrays of radar system
CN109932717B (zh) 基于环境统计建模的isar高分辨成像方法
CN115061113B (zh) 用于雷达的目标检测模型训练方法、装置及存储介质
CN111145337A (zh) 基于分辨率逼近的快速稀疏重构的线阵sar三维成像方法
Li et al. Ship size extraction for Sentinel-1 images based on dual-polarization fusion and nonlinear regression: Push error under one pixel
CN108107427A (zh) 基于超分辨技术的机载/弹载阵列雷达前视成像方法
CN112147592A (zh) 多视目标识别方法、装置、控制设备及存储介质
CN112215832B (zh) Sar尾迹图像质量评估及自适应探测参数调整方法
CN108845318B (zh) 基于Relax算法的星载高分宽幅成像方法
CN110703248A (zh) 一种基于低秩和一维稀疏分解的sar-gmti方法
CN111965617B (zh) 基于gpu的时分mimo雷达信号处理方法
Welsh et al. Laboratory multistatic 3D SAR with polarimetry and sparse aperture sampling
CN116051426B (zh) 一种合成孔径雷达图像处理方法
CN110135280A (zh) 一种基于稀疏表征分类的多视图sar自动目标识别方法
Yi et al. POLSAR Vehicle Target Recognition Based on Complex-Valued Non-local ResNet
CN112183205B (zh) 一种分布式雷达高精度角度测量方法及系统

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