CN113567949A - 一种散射中心关联方法和装置 - Google Patents
一种散射中心关联方法和装置 Download PDFInfo
- Publication number
- CN113567949A CN113567949A CN202111013998.5A CN202111013998A CN113567949A CN 113567949 A CN113567949 A CN 113567949A CN 202111013998 A CN202111013998 A CN 202111013998A CN 113567949 A CN113567949 A CN 113567949A
- Authority
- CN
- China
- Prior art keywords
- scattering
- dimensional
- clustering
- scattering centers
- scattering center
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000000007 visual effect Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013144 data compression Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种散射中心关联方法和装置,涉及雷达技术领域、其中,本发明的散射中心关联方法包括:确定目标在多个视角下的散射中心的第一特征数据;将所述散射中心的第一特征数据映射至高维特征空间,以得到所述散射中心在所述高维特征空间的第二特征数据;基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类,以得到散射中心的聚类结果。通过以上方法,解决了复杂目标的三维散射中心宽视角关联问题,为散射数据压缩与重构、目标特征提取与识别等应用提供技术支撑。
Description
技术领域
本发明涉及雷达技术领域,尤其涉及一种散射中心关联方法和装置。
背景技术
随着宽角SAR(合成孔径雷达)、干涉SAR等新型雷达的不断涌现,雷达获取散射数据的能力显著增强,测量电磁波的视角和空间范围被大大拓宽。宽视角、全空间的目标电磁散射表现出更为复杂的特性,通过宽视角三维散射中心参数化建模不仅可以对其进行表达,还可以表征目标的精细结构信息,有利于新型雷达探测下的数据快速生成与目标识别。
针对目标局部结构的散射机理贡献,各个角度下形成的散射中心特征并不是独立的,通过关联不同角度的散射中心可以实现目标宽视角三维散射中心建模。在现有技术中,已提出的三维散射中心宽视角关联方法包括Hough变换、RANSAC(随机采样一致性算法)、最近邻聚类、OPTICS聚类方法,这些方法对简单组合体目标有一定的效果。但是,Hough变换、RANSAC方法很难解决滑动型和延展型散射中心的关联问题,最近邻聚类方法严重依赖初始距离参数且对噪声点十分敏感,OPTICS聚类方法很难分离相互靠近、甚至相交的宽视角三维散射中心分布。总的来说,由于目标局部结构散射具有较强的姿态敏感性,使得宽视角三维散射中心呈现出复杂的散射特性,现有的宽视角关联方法对复杂目标明显存在精度不高、鲁棒性差等问题,无法满足实际工程需要。
因此,针对以上不足,亟需一种新的散射中心关联方案,以解决复杂目标的三维散射中心宽视角关联问题,为散射数据压缩与重构、目标特征提取与识别等应用提供技术支撑。
发明内容
本发明要解决的技术问题在于,针对现有技术中的缺陷,提供一种散射中心关联方法和装置。
为了解决上述技术问题,一方面,本发明提供了一种散射中心关联方法。
本发明的散射中心关联方法包括:确定目标在多个视角下的散射中心的第一特征数据;将所述散射中心的第一特征数据映射至高维特征空间,以得到所述散射中心在所述高维特征空间的第二特征数据;基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类,以得到散射中心的聚类结果。
可选地,所述基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类,以得到散射中心的聚类结果包括:训练多个混合概率主成分分析器来逼近潜在的散射中心子流形,根据所述混合概率主成分分析器的主子空间估计每个散射中心的局部切空间;基于任意两个散射中心的局部切空间之间的结构相似度以及所述两个散射中心欧式距离关系的局部相似度计算相似度权值,以得到由所述相似度权值构成的相似度矩阵;基于所述相似度矩阵,利用谱方法确定多个视角下散射中心的多流形聚类结果。
可选地,根据如下公式计算相似度权值包括:
其中,pij为任意两个散射中心的局部切空间的结构相似度,qij为所述任意两个散射中心欧式距离关系的局部相似度,d为散射中心子流形的维度,θl为两个局部切空间之间的主角度,o为可调参数。
可选地,基于所述相似度矩阵,利用谱方法确定多个视角下散射中心的多流形聚类结果包括:以相似度矩阵作为约束,在k维欧氏空间中构建多个视角下散射中心的嵌入坐标表示;根据k-means算法对所述多个视角下散射中心的嵌入坐标表示进行聚类,以得到多个视角下散射中心的多流形聚类结果。
可选地,所述确定目标在多个视角下的散射中心的第一特征数据包括:构建目标的几何模型,然后对所述几何模型进行网格剖分,以生成目标的面元模型;确定多个视角下所述目标的面元模型的三维ISAR图像,从所述三维ISAR图像中提取该视角下散射中心的第一特征数据,以得到目标在多个视角下的散射中心的第一特征数据。
可选地,所述确定多个视角下所述目标的面元模型的三维ISAR图像包括:利用弹跳射线技术确定多个视角下雷达电磁波经所述目标的面元模型散射得到的散射场数据;对于多个视角中每个视角下的散射场数据,利用射线积分成像方法生成所述目标的面元模型的三维ISAR图像。
可选地,所述从所述三维ISAR图像中提取该视角下散射中心的第一特征数据包括:采用迭代峰值搜索算法从所述三维ISAR图像中提取该视角下散射中心的第一特征数据。
可选地,所述将所述散射中心的第一特征数据映射至高维特征空间,以得到所述散射中心在所述高维特征空间的第二特征数据包括:对于所述多个视角中每个视角下的散射中心的第一特征数据,将其由三维位置空间(x,y,经波数域映射至六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ),以得到所述散射中心在六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ)中的第二特征数据。
为了解决上述技术问题,另一方面,本发明还提供了一种散射中心关联装置。
本发明的散射中心关联装置包括:确定模块,用于确定目标在多个视角下的散射中心的第一特征数据;映射模块,用于将所述散射中心的第一特征数据映射至高维特征空间,以得到所述散射中心在所述高维特征空间的第二特征数据;聚类模块,用于基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类,以得到散射中心的聚类结果。
可选地,所述聚类模块基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类,以得到散射中心的聚类结果包括:所述聚类模块训练多个混合概率主成分分析器来逼近潜在的散射中心子流形,所述聚类模块根据所述混合概率主成分分析器的主子空间估计每个散射中心的局部切空间;所述聚类模块基于任意两个散射中心的局部切空间之间的结构相似度以及所述两个散射中心欧式距离关系的局部相似度计算相似度权值,以得到由所述相似度权值构成的相似度矩阵;所述聚类模块基于所述相似度矩阵,利用谱方法确定多个视角下散射中心的多流形聚类结果。
实施本发明的散射中心关联方法,具有以下有益效果:通过本发明的散射中心关联方法提高了复杂目标三维散射中心宽视角关联精度和鲁棒性,解决了以往复杂目标三维散射中心宽视角关联精度不高、鲁棒性差的问题,进一步,基于本发明的聚类结果可用于构建任意电大尺寸PEC目标的宽视角三维散射中心模型,精度较高、鲁棒性较好,能够应用于散射数据压缩与重构、目标特征提取与识别等领域。
附图说明
图1是本发明实施例一的散射中心关联方法的主要流程示意图;
图2是本发明实施例二的散射中心关联方法的主要流程示意图;
图3是本发明实施例三的散射中心关联装置的主要结构示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
如图1所示,本发明实施例提供的散射中心关联方法包括:
步骤S101,确定目标在多个视角下的散射中心的第一特征数据。
在一个可选示例中,预先通过实验或仿真手段得到目标在多个视角下的散射中心的第一特征数据,并将第一特征数据存储起来。然后,在步骤S101中,从存储模块读取目标在多个视角下的散射中心的第一特征数据。
在另一个可选示例中,在步骤S101中,通过实验或仿真手段得到目标在多个视角下的散射中心的第一特征数据。
其中,所述视角包括俯仰角和方位角。具体实施时,在给定极化、以及频率等雷达观测条件参数的情况下,可通过实验或仿真手段提取目标在不同视角下散射中心的第一特征数据。例如,假设俯仰角为15°、方位角为20°,可通过实验或仿真手段提取目标在俯仰角为15°、方位角为20°下散射中心的第一特征数据;假设俯仰角为20°、方位角为20°,可通过验或仿真手段提取目标在俯仰角为20°、方位角为20°下散射中心的第一特征数据。其中,所述第一特征数据包括:散射中心的幅度、以及散射中心的三维位置坐标。
步骤S102,将所述散射中心的第一特征数据映射至高维特征空间,以得到所述散射中心在所述高维特征空间的第二特征数据。
宽视角散射中心与目标若干局部结构相关,而与每个结构相关的散射中心实际上分布在一个子流形上。由于不同三维散射中心子流形之间可能相互靠近并交叠,直接聚类的难度较大。将不同视角下的散射中心的第一特征数据映射至高维特征空间,以得到高维特征空间的第二特征数据,便于后续实现更精准的散射中心聚类。
示例性地,在步骤S102中,对于所述多个视角中每个视角下的散射中心的第一特征数据,将其由三维位置空间(x,y,z)经波数域映射至六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ),以得到所述散射中心在六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ中的第二特征数据。其中,θ为俯仰角,φ为方位角。
步骤S103,基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类,以得到散射中心的聚类结果。
谱多流形聚类算法(Spectral Multi-Manifold Clustering,简称为SMMC)是一种混合流形聚类算法,它的基本思想是,从相似性矩阵出发,充分利用流形采样点所含的自然的局部几何结构信息来辅助构造更合适的相似性矩阵进而发现正确的流形聚类。
示例性地,在六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ)中,利用谱多流形聚类算法对不同视角下散射中心的第二特征数据进行聚类,具体包括:训练多个混合概率主成分分析器来逼近潜在的散射中心子流形,根据所述混合概率主成分分析器的主子空间估计每个散射中心的局部切空间;基于任意两个散射中心的局部切空间之间的结构相似度以及所述两个散射中心欧式距离关系的局部相似度计算相似度权值,以得到由所述相似度权值构成的相似度矩阵;基于所述相似度矩阵,利用谱方法确定多个视角下散射中心的多流形聚类结果。
在本发明实施例中,通过以上步骤实现了宽视角下散射中心的精准聚类,从而可以将复杂目标中从属于同一典型结构的宽视角三维散射中心有效关联起来,其中每个散射中心子流形对应目标上特定的散射结构,解决了以往复杂目标三维散射中心宽视角关联精度不高、鲁棒性差的问题。进一步,基于本发明的聚类结果可用于构建任意电大尺寸PEC目标的宽视角三维散射中心模型,精度较高、鲁棒性较好,能够应用于散射数据压缩与重构、目标特征提取与识别等领域。
实施例二
如图2所示,本发明实施例提供的散射中心关联方法包括:
步骤S201,构建目标的几何模型,然后对所述几何模型进行网格剖分,以生成目标的面元模型。
示例性地,在步骤S201中,先利用CAD建模软件构建目标的几何模型。考虑到由建模软件直接构建的目标复杂曲面外形通常需要采用多种曲面进行拟合,这些曲面很难直接用于电磁散射计算,鉴于此,在构建完成目标的几何模型之后,可根据剖分条件将模型表面进行网格剖分,以生成统一的面元模型。具体实施时,可采用诸如三角网格剖分方式,以得到目标的三角面元模型。三角面元模型是一种广泛采用的离散曲面表示形式,理论上可以无限精确地拟合原始曲面模型。
步骤S202,确定多个视角下所述目标的面元模型的三维ISAR图像,从所述三维ISAR图像中提取该视角下散射中心的第一特征数据,以得到目标在多个视角下的散射中心的第一特征数据。
在通过步骤S201生成目标的面元模型之后,给定俯仰角、方位角、极化、频率等雷达观测条件参数,可以通过步骤S202进一步提取目标在不同视角下的三维散射中心。
示例性地,步骤S202具体包括:
步骤a1,首先利用弹跳射线技术计算目标的射线路径及散射场数据。
弹跳射线技术将雷达发射的远场电磁波看作一系列平行射线,利用几何光学原理追踪并计算射线在目标表面弹射的路径以及电磁场传输,并利用物理光学公式计算出射点的散射贡献。
步骤a2,在目标射线路径和散射场数据的基础上,进一步利用射线积分成像方法快速生成目标的三维ISAR像。
通常弹跳射线技术是在频域计算的,对所有射线的散射场求和可得目标的远场散射贡献。而射线积分成像方法通过对每根射线进行积分成像计算,然后在图像域中求和来直接生成目标的三维ISAR(逆合成孔径雷达)图像,ISAR图像的强度I(x,y,z)计算公式为:
式中,下标i为射线的序号;*为卷积运算;δ(·,·,·)为三维狄拉克函数;k0为中心波数;z、x、y为空间三维位置坐标,具体表示径向坐标和两个正交的横向坐标;z'i为每根射线的总距离延迟;横向位置x'i、y'i为第一次和最后一次弹射点横向位置的平均值;αi为每根射线远场散射贡献的复幅度值;h(x,y,z)为射线扩散函数,可表示为:
h(x,y,z)=k0sinc(Δk·z)sinc(k0Δφ·x)sinc(k0Δθ·y)
式中,Δk、Δφ、Δθ为波数宽度和两个横向的角宽度。
步骤a3,采用迭代峰值搜索算法(CLEAN算法)从所述三维ISAR图像中提取该视角下散射中心的第一特征数据。
具体来说,在步骤a3中,针对多个视角中的每个视角下的三维ISAR图像,即针对每个俯仰角和方位角下的三维ISAR图像,先搜索当前ISAR图像中的峰值点,并将其作为此次提取的该视角下相应散射中心的幅度和三维位置坐标,然后从当前ISAR图像中剔除该散射中心的点扩散影响,接下来,再迭代搜索残余ISAR图像中的峰值点,并将其作为此次提取的该视角下相应散射中心的幅度和三维位置坐标,直到残余ISAR像的峰值低于预设的阈值,迭代过程终止。
在第n次迭代时,假设An、z'n、x'n、y'n为此次提取的相应散射中心的幅度、径向和两个横向位置坐标,则残余ISAR图像的计算公式为:
Rn+1=Rn-Anh(x-x'n,y-y'n,z-z'n)
其中,Rn+1为第n次迭代后计算得到的残余ISAR图像,Rn为第n第n次迭代前的残余ISAR图像(若n=1,则Rn为初始的ISAR图像)。
进一步,在步骤S202之后,本发明实施例的方法还可包括以下步骤:利用坐标变换矩阵将雷达坐标系下散射中心的位置坐标(x'n,y'n,z'n)转化为目标坐标系下的位置坐标(xn,yn,zn),以得到最终目标坐标系下的三维散射中心。
步骤S203,将所述散射中心的第一特征数据映射至高维特征空间,以得到所述散射中心在所述高维特征空间的第二特征数据。
黎曼几何中“流形”被定义为一个满足局部欧几里得属性的拓扑空间,通常意义上流形就是各种维数的曲线或曲面等几何对象的总称。而信息科学中广泛采用一种“数据流形”假设,它是指数据整体通常分布在高维特征空间中的一个低维流形上。但目标宽视角三维散射中心通常分布在若干个线性或非线性子流形上,每个散射中心子流形一般对应着特定的局部结构。由于目标局部结构散射具有较强的姿态敏感性,使得宽视角散射中心呈现出复杂的多流形特性。
宽视角散射中心与目标若干局部结构相关,而与每个结构相关的散射中心实际上分布在一个子流形上。由于不同局部结构的散射中心分布对应着多维特征空间中不同的子流形,这些子流形之间可能相互靠近甚至交叠,同时散射结构间的相互遮挡会导致部分子流形在某些视角下存在缺失,直接在三维位置空间聚类的难度较大。鉴于此,本发明的发明人想到,将不同视角下的散射中心的第一特征数据映射至高维特征空间,以得到高维特征空间的第二特征数据,便于后续实现更精准的散射中心聚类。
示例性地,在步骤S203中,对于所述多个视角中每个视角下的散射中心的第一特征数据,将其由三维位置空间(x,y,z)经波数域映射至六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ),以得到所述散射中心在六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ中的第二特征数据。其中,θ为俯仰角,φ为方位角。
步骤S204,基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类,以得到散射中心的聚类结果。
谱多流形聚类算法(Spectral Multi-Manifold Clustering,简称为SMMC)是一种混合流形聚类算法,它的基本思想是,从相似性矩阵出发,充分利用流形采样点所含的自然的局部几何结构信息来辅助构造更合适的相似性矩阵进而发现正确的流形聚类。
示例性地,在六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ)中,利用谱多流形聚类算法对不同视角下散射中心的第二特征数据进行聚类,具体包括:
步骤b1,估计散射中心的局部切空间。
在步骤b1的一种可选实施方式中,训练多个混合概率主成分分析器来逼近潜在的散射中心子流形,根据所述混合概率主成分分析器的主子空间估计每个散射中心的局部切空间。具体来说,可训练M个混合概率主成分分析器来估计局部切空间,其中,每个分析器由模型参数θm刻画,M是用于逼近所有潜在的散射中心子流形的局部线性子模型的个数。
在步骤b1的另一个可选实施方式中,根据如下方式估计散射中心的局部切空间:
假设高维特征空间中散射中心数据集X包含k个平滑的子流形,且所有子流形的维度均为d,首先通过给定样本点附近的局部近邻点来估计每个散射中心数据点的局部切空间。具体来说,给定样本点x和它在欧式空间度量下的m个近邻点N(x)={x1,x2,…xm},则x附近的局部几何信息内涵在该点处的局部采样协方差矩阵中:
样本点x处的局部切空间Θx由∑x的最大d个奇异值对应的左奇异向量给出。假设∑x的奇异值分解为:
则样本点x处的局部切空间Θx是以Ud为基的线性子空间。
步骤b2,基于任意两个散射中心的局部切空间之间的结构相似度以及所述两个散射中心欧式距离关系的局部相似度计算相似度权值,以得到由所述相似度权值构成的相似度矩阵。
假设任意散射中心xi处的局部切空间为Θi,则任意两个散射中心xi与xj的局部切空间之间的结构相似度可通过如下公式计算:
式中,d为散射中心子流形的维度,θl为两个局部切空间之间的主角度;o∈N+为可调参数。
衡量任意两个散射中心xi与xj之间欧氏距离关系的局部相似度可通过如下公式计算:
式中,Knn(xi)为与xi欧式距离最近的K个数据点。
接下来,根据如下公式将结构相似度与局部相似度相融合,可以构造更合适的相似度矩阵,相应的相似度权值wij可表示为:
步骤b3,基于所述相似度矩阵,利用谱方法确定多个视角下散射中心的多流形聚类结果。
在计算得到相似度矩阵后,利用谱方法将整个相似度矩阵分割为多个子矩阵,使得子矩阵内部的数据结点相似而不同子矩阵间的数据节点相异,从而实现高维空间散射中心多流形聚类。具体来说,在保持数据结点间局部近邻关系的情况下,以原始高维空间中的相似度权值为约束,在k维欧氏空间中构造数据的嵌入坐标表示Y。通常在规范分割准则下获取低维表示,即寻找数据集X的一个分割X1,X2,…Xk使下述目标函数最小化:
获取低维表示后,最终利用经典的k-means算法对低维嵌入数据Y进行划分,得到原始数据集X的聚类结果。
在本发明实施例中,通过以上步骤实现了宽视角下散射中心的精准聚类,从而可以将复杂目标中从属于同一典型结构的宽视角三维散射中心有效关联起来,其中每个散射中心子流形对应目标上特定的散射结构,解决了以往复杂目标三维散射中心宽视角关联精度不高、鲁棒性差的问题。进一步,基于本发明的聚类结果可用于构建任意电大尺寸PEC目标的宽视角三维散射中心模型,精度较高、鲁棒性较好,能够应用于散射数据压缩与重构、目标特征提取与识别等领域。
实施例三
如图3所示,本发明实施例提供的散射中心关联装置300包括:确定模块301、映射模块302、聚类模块303。
确定模块301,用于确定目标在多个视角下的散射中心的第一特征数据。
在一个可选示例中,预先通过实验或仿真手段得到目标在多个视角下的散射中心的第一特征数据,并将第一特征数据存储起来。然后,确定模块301从存储模块读取目标在多个视角下的散射中心的第一特征数据。
在另一个可选示例中,确定模块301实时通过实验或仿真手段得到目标在多个视角下的散射中心的第一特征数据。
其中,所述视角包括俯仰角和方位角。具体实施时,在给定极化、以及频率等雷达观测条件参数的情况下,可通过实验或仿真手段提取目标在不同视角下散射中心的第一特征数据。例如,假设俯仰角为15°、方位角为20°,可通过实验或仿真手段提取目标在俯仰角为15°、方位角为20°下散射中心的第一特征数据;假设俯仰角为20°、方位角为20°,可通过验或仿真手段提取目标在俯仰角为20°、方位角为20°下散射中心的第一特征数据。其中,所述第一特征数据包括:散射中心的幅度、以及散射中心的三维位置坐标。
映射模块302,用于将所述散射中心的第一特征数据映射至高维特征空间,以得到所述散射中心在所述高维特征空间的第二特征数据。
宽视角散射中心与目标若干局部结构相关,而与每个结构相关的散射中心实际上分布在一个子流形上。由于不同三维散射中心子流形之间可能相互靠近并交叠,直接聚类的难度较大。将不同视角下的散射中心的第一特征数据映射至高维特征空间,以得到高维特征空间的第二特征数据,便于后续实现更精准的散射中心聚类。
示例性地,对于所述多个视角中每个视角下的散射中心的第一特征数据,映射模块302将其由三维位置空间(x,y,z)经波数域映射至六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ),以得到所述散射中心在六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ)中的第二特征数据。其中,θ为俯仰角,φ为方位角。
聚类模块303,用于基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类,以得到散射中心的聚类结果。
谱多流形聚类算法(Spectral Multi-Manifold Clustering,简称为SMMC)是一种混合流形聚类算法,它的基本思想是,从相似性矩阵出发,充分利用流形采样点所含的自然的局部几何结构信息来辅助构造更合适的相似性矩阵进而发现正确的流形聚类。
示例性地,在六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ)中,聚类模块303利用谱多流形聚类算法对不同视角下散射中心的第二特征数据进行聚类,具体包括:聚类模块303训练多个混合概率主成分分析器来逼近潜在的散射中心子流形,根据所述混合概率主成分分析器的主子空间估计每个散射中心的局部切空间;聚类模块303基于任意两个散射中心的局部切空间之间的结构相似度以及所述两个散射中心欧式距离关系的局部相似度计算相似度权值,以得到由所述相似度权值构成的相似度矩阵;聚类模块303基于所述相似度矩阵,利用谱方法确定多个视角下散射中心的多流形聚类结果。
在本发明实施例中,通过以上装置实现了宽视角下散射中心的精准聚类,从而可以将复杂目标中从属于同一典型结构的宽视角三维散射中心有效关联起来,其中每个散射中心子流形对应目标上特定的散射结构,解决了以往复杂目标三维散射中心宽视角关联精度不高、鲁棒性差的问题。进一步,基于本发明的聚类结果可用于构建任意电大尺寸PEC目标的宽视角三维散射中心模型,精度较高、鲁棒性较好,能够应用于散射数据压缩与重构、目标特征提取与识别等领域。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种散射中心关联方法,其特征在于,所述方法包括:
确定目标在多个视角下的散射中心的第一特征数据;
将所述散射中心的第一特征数据映射至高维特征空间,以得到所述散射中心在所述高维特征空间的第二特征数据;
基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类,以得到散射中心的聚类结果。
2.根据权利要求1所述的方法,其特征在于,所述基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类,以得到散射中心的聚类结果包括:
训练多个混合概率主成分分析器来逼近潜在的散射中心子流形,根据所述混合概率主成分分析器的主子空间估计每个散射中心的局部切空间;基于任意两个散射中心的局部切空间之间的结构相似度以及所述两个散射中心欧式距离关系的局部相似度计算相似度权值,以得到由所述相似度权值构成的相似度矩阵;基于所述相似度矩阵,利用谱方法确定多个视角下散射中心的多流形聚类结果。
4.根据权利要求2所述的方法,其特征在于,基于所述相似度矩阵,利用谱方法确定多个视角下散射中心的多流形聚类结果包括:
以相似度矩阵作为约束,在k维欧氏空间中构建多个视角下散射中心的嵌入坐标表示;根据k-means算法对所述多个视角下散射中心的嵌入坐标表示进行聚类,以得到多个视角下散射中心的多流形聚类结果。
5.根据权利要求1所述的方法,其特征在于,所述确定目标在多个视角下的散射中心的第一特征数据包括:
构建目标的几何模型,然后对所述几何模型进行网格剖分,以生成目标的面元模型;确定多个视角下所述目标的面元模型的三维ISAR图像,从所述三维ISAR图像中提取该视角下散射中心的第一特征数据,以得到目标在多个视角下的散射中心的第一特征数据。
6.根据权利要求5所述的方法,其特征在于,所述确定多个视角下所述目标的面元模型的三维ISAR图像包括:
利用弹跳射线技术确定多个视角下雷达电磁波经所述目标的面元模型散射得到的散射场数据;对于多个视角中每个视角下的散射场数据,利用射线积分成像方法生成所述目标的面元模型的三维ISAR图像。
7.根据权利要求6所述的方法,其特征在于,所述从所述三维ISAR图像中提取该视角下散射中心的第一特征数据包括:
采用迭代峰值搜索算法从所述三维ISAR图像中提取该视角下散射中心的第一特征数据。
8.根据权利要求1所述的方法,其特征在于,所述将所述散射中心的第一特征数据映射至高维特征空间,以得到所述散射中心在所述高维特征空间的第二特征数据包括:
对于所述多个视角中每个视角下的散射中心的第一特征数据,将其由三维位置空间(x,y,z经波数域映射至六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ),以得到所述散射中心在六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ)中的第二特征数据。
9.一种散射中心关联装置,其特征在于,所述装置包括:
确定模块,用于确定目标在多个视角下的散射中心的第一特征数据;
映射模块,用于将所述散射中心的第一特征数据映射至高维特征空间,以得到所述散射中心在所述高维特征空间的第二特征数据;
聚类模块,用于基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类,以得到散射中心的聚类结果。
10.根据权利要求9所述的装置,其特征在于,所述聚类模块基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类,以得到散射中心的聚类结果包括:
所述聚类模块训练多个混合概率主成分分析器来逼近潜在的散射中心子流形,所述聚类模块根据所述混合概率主成分分析器的主子空间估计每个散射中心的局部切空间;所述聚类模块基于任意两个散射中心的局部切空间之间的结构相似度以及所述两个散射中心欧式距离关系的局部相似度计算相似度权值,以得到由所述相似度权值构成的相似度矩阵;所述聚类模块基于所述相似度矩阵,利用谱方法确定多个视角下散射中心的多流形聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111013998.5A CN113567949B (zh) | 2021-08-31 | 2021-08-31 | 一种散射中心关联方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111013998.5A CN113567949B (zh) | 2021-08-31 | 2021-08-31 | 一种散射中心关联方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113567949A true CN113567949A (zh) | 2021-10-29 |
CN113567949B CN113567949B (zh) | 2023-06-20 |
Family
ID=78173304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111013998.5A Active CN113567949B (zh) | 2021-08-31 | 2021-08-31 | 一种散射中心关联方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113567949B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082765A (zh) * | 2019-04-29 | 2019-08-02 | 西安电子科技大学 | 基于三维重构的空间目标姿态外推方法 |
CN112799063A (zh) * | 2020-12-25 | 2021-05-14 | 北京环境特性研究所 | 基于弹跳射线法的双站散射中心建模方法 |
-
2021
- 2021-08-31 CN CN202111013998.5A patent/CN113567949B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082765A (zh) * | 2019-04-29 | 2019-08-02 | 西安电子科技大学 | 基于三维重构的空间目标姿态外推方法 |
CN112799063A (zh) * | 2020-12-25 | 2021-05-14 | 北京环境特性研究所 | 基于弹跳射线法的双站散射中心建模方法 |
Non-Patent Citations (3)
Title |
---|
YONG WANG, ET AL: "Spectral Clustering on Multiple Manifolds", IEEE TRANSACTIONS ON NEURAL NETWORKS, pages 1159 - 1161 * |
张颖康等: "基于散射中心关联的三维成像方法", 系统工程与电子技术, pages 1988 - 1994 * |
陆金文等: "用于三维散射中心 SBR 建模的边缘绕射修正", 西安电子科技大学学报, pages 117 - 123 * |
Also Published As
Publication number | Publication date |
---|---|
CN113567949B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080684B (zh) | 一种点邻域尺度差异描述的点云配准方法 | |
Chen et al. | A local start search algorithm to compute exact Hausdorff Distance for arbitrary point sets | |
Liu et al. | Construction of iso-contours, bisectors, and Voronoi diagrams on triangulated surfaces | |
CN108052942B (zh) | 一种飞机飞行姿态的视觉图像识别方法 | |
CN105654483B (zh) | 三维点云全自动配准方法 | |
CN106886980B (zh) | 一种基于三维激光雷达目标识别的点云密度增强的方法 | |
Cicconet et al. | Finding mirror symmetry via registration and optimal symmetric pairwise assignment of curves: Algorithm and results | |
JP2012168941A (ja) | 記述子を用いて3dオブジェクトまたはオブジェクトを表す方法 | |
CN111008989B (zh) | 一种基于多值体元的机载多光谱lidar三维分割方法 | |
Goli et al. | nerf2nerf: Pairwise registration of neural radiance fields | |
Du et al. | New iterative closest point algorithm for isotropic scaling registration of point sets with noise | |
CN115205354B (zh) | 基于ransac和icp点云配准的相控阵激光雷达成像方法 | |
CN117706490B (zh) | 一种基于单站雷达的金属目标间的耦合散射中心建模方法 | |
CN114494368A (zh) | 一种结合降维投影和特征匹配的低重叠率点云配准方法 | |
Zhang et al. | Large-scale point cloud contour extraction via 3D guided multi-conditional generative adversarial network | |
Qie et al. | Enhanced invariance class partitioning using discrete curvatures and conformal geometry | |
Cai | Robust filtering-based thinning algorithm for pattern recognition | |
CN117274339A (zh) | 一种基于改进的iss-3dsc特征结合icp的点云配准方法 | |
Guo et al. | A point cloud registration method based on multiple-local-feature matching | |
CN115147433A (zh) | 点云配准方法 | |
CN113567949B (zh) | 一种散射中心关联方法和装置 | |
Pfaff et al. | Filtering on the unit sphere using spherical harmonics | |
Zhang et al. | AOMC: an adaptive point cloud clustering approach for feature extraction | |
CN111401385A (zh) | 一种图像局部拓扑结构特征描述符的相似度计算方法 | |
Che | Linear interpolation of shape operators for umbilical points through local parametrization |
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 |