CN115963468A - 雷达目标识别方法、装置及设备 - Google Patents
雷达目标识别方法、装置及设备 Download PDFInfo
- Publication number
- CN115963468A CN115963468A CN202310251471.9A CN202310251471A CN115963468A CN 115963468 A CN115963468 A CN 115963468A CN 202310251471 A CN202310251471 A CN 202310251471A CN 115963468 A CN115963468 A CN 115963468A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- frequency
- normalized
- target
- range
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供了一种雷达目标识别方法、装置及设备,其中,该方法包括:获取待识别对象的雷达回波数据,根据雷达回波数据,获取待识别对象的多个距离像,对每个距离像进行频域变换,得到每个距离像的距离像频谱,根据多个距离像频谱,对待识别对象进行识别。通过将距离像转换到频域,以采用距离像的频谱特征进行目标识别,识别性能好,同时,距离像频谱不受距离像平移影响,具有平移不变性,并且能疏解距离像方位敏感性,计算简单。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种雷达目标识别方法、装置及设备。
背景技术
对于宽带雷达系统,由于目标的尺寸远大于距离分辨率,不同距离单元内目标的结构不同会导致回波在距离维上呈现出随目标结构起伏的形状特征,即为目标的高分辨距离像(high resolution range profile,HRRP),高分辨距离像被广泛的应用于雷达自动目标识别(Radar Automatic Target Recognition,RATR),其中,高分辨距离像特征提取是一个关键的技术环节。
目前,常见的高分辨距离像特征提取方法主要关注距离像的尺度特征、强散射点特征、能量特征等,其中,尺度特征描述距离像在径向上占据的距离单元个数,强散射点特征提取距离像轮廓峰值点的数目、位置以及最大峰值等信息,能量特征描述目标整体散射能力强弱以及起伏特性。
然而,不同视角下距离像的尺度特征、强散射点特征等会发生明显变化,同时受目标回波起伏的影响,距离像能量特征、强散射点特征在短时间内会出现剧烈变化,导致在对目标识别分类时,性能较差。
发明内容
有鉴于此,本申请实施例提供了一种雷达目标识别方法、装置及设备,以解决不同视角下距离像的尺度特征、强散射点特征等会发生明显变化,同时受目标回波起伏的影响,距离像能量特征、强散射点特征在短时间内会出现剧烈变化,导致在对目标识别分类时,性能较差的问题。
第一方面,本申请实施例提供了一种雷达目标识别方法,包括:
获取待识别对象的雷达回波数据;
根据所述雷达回波数据,获取所述待识别对象的多个距离像;
对每个距离像进行频域变换,得到所述每个距离像的距离像频谱;
根据多个距离像频谱,对所述待识别对象进行识别。
在一可选的实施方式中,所述根据多个距离像频谱,对所述待识别对象进行识别,包括:
对所述每个距离像频谱进行归一化处理,得到所述每个距离像频谱的归一化幅度谱;
根据频谱幅度阈值,对所述归一化幅度谱进行搜索,得到所述归一化幅度谱上的目标频点,所述目标频点的幅度大于或等于所述频谱幅度阈值;
根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别。
在一可选的实施方式中,所述根据频谱幅度阈值,对所述归一化幅度谱进行搜索,得到所述归一化幅度谱上的目标频点,包括:
根据所述频谱幅度阈值,从所述归一化幅度谱的两端向中间进行搜索,得到所述归一化幅度谱上的第一目标频点和第二目标频点。
在一可选的实施方式中,所述根据频谱幅度阈值,对所述归一化幅度谱进行搜索,得到所述归一化幅度谱上的目标频点,包括:
根据所述频谱幅度阈值,对所述归一化幅度谱中的所有频点进行搜索,得到所述归一化幅度谱上的目标频点。
在一可选的实施方式中,所述根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别,包括:
根据每个归一化幅度谱上的第一目标频点和第二目标频点,计算所述每个归一化幅度谱的频谱宽度;
根据所述多个归一化幅度谱的频谱宽度,计算距离像频谱宽度;
根据所述距离像频谱宽度,对所述待识别对象进行识别。
在一可选的实施方式中,所述根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别,包括:
根据每个归一化幅度谱上目标频点的幅度,计算所述每个归一化幅度谱的频谱熵;
根据所述多个归一化幅度谱的频谱熵,计算距离像频谱熵;
根据所述距离像频谱熵,对所述待识别对象进行识别。
在一可选的实施方式中,所述根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别,包括:
根据每个归一化幅度谱上目标频点的频率,计算所述每个归一化幅度谱的频谱分布熵;
根据多个归一化幅度谱的频谱分布熵,计算距离像频谱分布熵;
根据所述距离像频谱分布熵,对所述待识别对象进行识别。
在一可选的实施方式中,所述根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别之前,所述方法还包括:
根据所述多个距离像频谱,获取所有频点的脉冲数据;
根据所述所有频点中两两频点的脉冲数据,计算所述两两频点的相关系数;
根据所述两两频点的相关系数,计算所述距离像频谱相关系数;
所述根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别,包括:
根据所述多个归一化幅度谱上的目标频点,和所述距离像频谱相关系数,对所述待识别对象进行识别。
第二方面,本申请实施例还提供了一种雷达目标识别装置,包括:
获取模块,用于获取待识别对象的雷达回波数据;
所述获取模块,还用于根据所述雷达回波数据,获取所述待识别对象的多个距离像;
变换模块,用于对每个距离像进行频域变换,得到所述每个距离像对应的距离像频谱;
识别模块,用于根据多个距离像频谱,对所述待识别对象进行识别。
在一可选的实施方式中,所述识别模块,具体用于:
对所述每个距离像频谱进行归一化处理,得到所述每个距离像频谱的归一化幅度谱;
根据频谱幅度阈值,对所述归一化幅度谱进行搜索,得到所述归一化幅度谱上的目标频点,所述目标频点的幅度大于或等于所述频谱幅度阈值;
根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别。
在一可选的实施方式中,所述识别模块,具体用于:
根据所述频谱幅度阈值,从所述归一化幅度谱的两端向中间进行搜索,得到所述归一化幅度谱上的第一目标频点和第二目标频点。
在一可选的实施方式中,所述识别模块,具体用于:
根据所述频谱幅度阈值,对所述归一化幅度谱中的所有频点进行搜索,得到所述归一化幅度谱上的目标频点。
在一可选的实施方式中,所述识别模块,具体用于:
根据每个归一化幅度谱上的第一目标频点和第二目标频点,计算所述每个归一化幅度谱的频谱宽度;
根据所述多个归一化幅度谱的频谱宽度,计算距离像频谱宽度;
根据所述距离像频谱宽度,对所述待识别对象进行识别。
在一可选的实施方式中,所述识别模块,具体用于:
根据每个归一化幅度谱上目标频点的幅度,计算所述每个归一化幅度谱的频谱熵;
根据所述多个归一化幅度谱的频谱熵,计算距离像频谱熵;
根据所述距离像频谱熵,对所述待识别对象进行识别。
在一可选的实施方式中,所述识别模块,具体用于:
根据每个归一化幅度谱上目标频点的频率,计算所述每个归一化幅度谱的频谱分布熵;
根据多个归一化幅度谱的频谱分布熵,计算距离像频谱分布熵;
根据所述距离像频谱分布熵,对所述待识别对象进行识别。
在一可选的实施方式中,所述获取模块,还用于:
根据所述多个距离像频谱,获取所有频点的脉冲数据;
所述装置还包括:
计算模块,用于根据所述所有频点中两两频点的脉冲数据,计算所述两两频点的相关系数;
所述计算模块,还用于根据所述两两频点的相关系数,计算所述距离像频谱相关系数;
所述识别模块,具体用于:
根据所述多个归一化幅度谱上的目标频点,和所述距离像频谱相关系数,对所述待识别对象进行识别。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行第一方面任一所述的雷达目标识别方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行第一方面任一所述的雷达目标识别方法。
本申请提供了一种雷达目标识别方法、装置及设备,其中,该方法包括:获取待识别对象的雷达回波数据,根据雷达回波数据,获取待识别对象的多个距离像,对每个距离像进行频域变换,得到每个距离像的距离像频谱,根据多个距离像频谱,对待识别对象进行识别。通过将距离像转换到频域,以采用距离像的频谱特征进行目标识别,识别性能好,同时,距离像频谱不受距离像平移影响,具有平移不变性,并且能疏解距离像方位敏感性,计算简单。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的雷达目标识别方法的流程示意图一;
图2为本申请实施例提供的雷达目标识别方法的流程示意图二;
图3为本申请实施例提供的雷达目标识别方法的流程示意图三;
图4为本申请实施例提供的雷达目标识别方法的流程示意图四;
图5为本申请实施例提供的雷达目标识别方法的流程示意图五;
图6为本申请实施例提供的雷达目标识别方法的流程示意图六;
图7为本申请实施例提供的一种具体的雷达目标识别过程的示意图;
图8a为目标1的单个归一化幅度谱的示意图一;
图8b为目标1的单个归一化幅度谱的示意图二;
图8c为目标1在一个波位内的距离像的示意图;
图8d为目标1在一个波位内的距离像频谱的示意图;
图9a为目标2的单个归一化幅度谱的示意图一;
图9b为目标2的单个归一化幅度谱的示意图二;
图9c为目标2在一个波位内的距离像的示意图;
图9d为目标2在一个波位内的距离像频谱的示意图;
图10a为目标3的单个归一化幅度谱的示意图一;
图10b为目标3的单个归一化幅度谱的示意图二;
图10c为目标1在一个波位内的距离像的示意图;
图10d为目标3在一个波位内的距离像频谱的示意图;
图11a为本申请实施例提供的目标1-3的距离像频谱宽度的对比示意图;
图11b为本申请实施例提供的目标1-3的距离像频谱熵的对比示意图;
图11c为本申请实施例提供的目标1-3的距离像频谱分布熵的对比示意图;
图11d为本申请实施例提供的目标1-3的距离像的距离像频谱相关系数对比示意图;
图12为本申请实施例提供的雷达目标识别装置的结构示意图;
图13为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域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,都属于本申请保护的范围。
目前,高分辨距离像具有姿态、幅度以及平移敏感性的特点,不同视角下目标距离像的尺度特征、强散射点等特征会发生明显变化,同时受目标回波起伏的影响,距离像能量、强散射点特征在短时间内会出现剧烈变化,因此,以上特征无法稳定的对目标特征进行描述,特别是在目标回波存在起伏的情况下,在对目标识别分类时,性能较差。
基于此,本申请提供了一种雷达目标识别方法,通过将距离像转换到频域,以采用距离像的频谱特征进行目标识别,识别性能好,同时,具有对噪声稳健性好,冗余度低,并且,距离像频谱不受距离像平移影响,具有平移不变性,并且能疏解距离像方位敏感性,计算简单,能够避免特征提取计算量较大的麻烦。
下面结合几个具体实施例对本申请所提供的雷达目标识别方法进行说明。
图1为本申请实施例提供的雷达目标识别方法的流程示意图一,本实施例的执行主体可以为电子设备,如终端设备、服务器等。
如图1所示,该方法可以包括:
S101、获取待识别对象的雷达回波数据。
在雷达探测中,雷达发射出的电磁波遇到待识别对象后反射、散射,被雷达接收机接收,在雷达显示器上显示出各种回波。
获取雷达接收机接收到针对待识别对象的雷达回波数据,其中,该雷达回波数据可以为一个波位的雷达回波数据,波位可以理解为波束在方位或者俯仰中的某个角度覆盖的位置,也就是说,雷达在一个波位的俯仰角度下向待识别对象发射电磁波经待识别对象反射、散射后,被雷达接收机所接收到的回波信号。
S102、根据雷达回波数据,获取待识别对象的多个距离像。
其中,雷达回波数据中包括连续的多个脉冲信号,对多个脉冲信号进行脉冲压缩处理,得到多个压缩脉冲信号,然后分别从多个压缩脉冲信号中提取一个距离像,从而得到待识别对象的多个距离像。
值得说明的是,距离像可以为高分辨率距离像,距离像指的是用宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和。
例如,脉冲信号的数量为M,对M个脉冲信号进行脉冲压缩处理,得到M个压缩脉冲信号,然后以每个压缩脉冲信号的幅度最大值作为待识别对象所在区域的中心,设置长度为N的距离窗,分别从M个脉冲压缩信号中提取出距离像,即,以每个压缩脉冲信号的幅度最大值为中心,从每个脉冲压缩信号中截取长宽均为N的距离像,多个距离像如下:
其中,表示第一个脉冲的距离像,表示第一个脉冲的距离像的第一元素,表示第一个脉冲的距离像的第N个元素,类似地,表示第M个脉冲的距离像,表示第M个脉冲的距离像的第一个元素,表示第M个脉冲的距离像的第M个元素,表示的复数集合。
S103、对每个距离像进行频域变换,得到每个距离像的距离像频谱。
对每个距离像进行频域变换,以将每个距离像从时域转换到频域,并将多个脉冲的距离像频谱进行拼接,得到距离像脉冲-频谱二维数据,参考如下公式:
其中,]表示第一个脉冲的距离像频谱,N表示第N个频点,表示第M个脉冲的距离像频谱数据。
值得说明的是,可对每个距离像进行傅里叶变换,得到每个距离像的距离像频谱,参考如下公式:
其中,n表示第n个频点,m表示第m个脉冲,n的取值从1到N,m的取值从1到M,k的取值从1到N。
S104、根据多个距离像频谱,对待识别对象进行识别。
将每个距离像转换到频域,得到多个距离像频谱,然后对多个距离像频谱进行频谱特征提取,得到距离像频谱特征,根据距离像频谱特征,对待识别对象进行识别。
在一些实施例中,可以通过机器学习类方法训练得到分类器,然后采用该分类器,根据多个距离像频谱,对待识别对象进行识别。
在本实施例的雷达目标识别方法中,通过将距离像转换到频域,以采用距离像的频谱特征进行目标识别,识别性能好,同时,具有对噪声稳健性好,冗余度低,并且,距离像频谱不受距离像平移影响,具有平移不变性,并且能疏解距离像方位敏感性,计算简单,能够避免特征提取计算量较大的麻烦。
图2为本申请实施例提供的雷达目标识别方法的流程示意图二,如图2所示,在一可选的实施方式中,步骤S104,根据多个距离像频谱,对待识别对象进行识别,可以包括:
S201、对每个距离像频谱进行归一化处理,得到每个距离像频谱的归一化幅度谱。
对每个距离像频谱进行归一化处理,以得到每个距离像频谱的归一化幅度谱,以第m个脉冲的距离像频谱为例:
对第m个脉冲的距离像频谱进行归一化处理,得到归一化幅度谱,表示的实数,表示第一个频点的幅度,表示第N个频点的幅度。
归一化处理公式如下:
其中,表示取变量的模,表示取向量的2范数。
S202、根据频谱幅度阈值,对归一化幅度谱进行搜索,得到归一化幅度谱上的目标频点。
根据频谱幅度阈值,对归一化幅度谱进行搜索,将归一化幅度谱上幅度大于或等于频谱幅度阈值的频点作为目标频点,即,目标频点的幅度大于或等于频谱幅度阈值。
在一可选的实施方式中,步骤S202、根据频谱幅度阈值,对归一化幅度谱进行搜索,得到归一化幅度谱上的目标频点,可以包括:
根据频谱幅度阈值,从归一化幅度谱的两端向中间进行搜索,得到归一化幅度谱上的第一目标频点和第二目标频点。
设定频谱幅度阈值为,从归一化幅度谱的两端向中间搜索,当左右两端分别出现第一个大于的幅度的时候,停止搜索,并记下他们的位置和,其中,表示左边搜索到的第一目标频点的频率,表示右边搜索到的第二目标频点的频率。
在一可选的实施方式中,步骤S202、根据频谱幅度阈值,对归一化幅度谱进行搜索,得到归一化幅度谱上的目标频点,可以包括:
根据频谱幅度阈值,对归一化幅度谱中的所有频点进行搜索,得到归一化幅度谱上的多个目标频点。
根据频谱幅度阈值,对归一化幅度谱中的所有频点进行搜索,确定幅度大于或等于预设幅度阈值的频点为归一化幅度谱上的目标频点,目标频点的数量可以为多个,则有:
其中,表示幅度大于的频点的集合,归一化幅度谱中幅度的为,表示属于第一个频点到第N个频点的频点集合中的频点。
S203、根据多个归一化幅度谱上的目标频点,对待识别对象进行识别。
综合多个归一化幅度谱上的目标频点,将多个归一化幅度谱上的目标频点作为考虑因素,对待识别对象进行识别,以确定待识别对象的类型。
在本实施例的雷达目标识别方法中,通过对距离像频谱进行归一化处理,得到归一化幅度谱,然后根据归一化幅度谱上的目标频点对待识别对象进行识别,从而在频域上进行目标识别,识别性能好,同时,距离像频谱不受距离像平移影响,具有平移不变性,并且能疏解距离像方位敏感性,距离像频谱幅度计算简单。
图3为本申请实施例提供的雷达目标识别方法的流程示意图三,如图3所示,在一可选的实施方式中,步骤S203,根据多个归一化幅度谱上的目标频点,对待识别对象进行识别,可以包括:
S301、根据每个归一化幅度谱上的第一目标频点和第二目标频点,计算每个归一化幅度谱的频谱宽度。
其中,频谱宽度用于反映每个归一化幅度谱在频域上能量聚集区的长度。
根据每个归一化幅度谱上的第一目标频点的频率和第二目标频点的频率,计算每个归一化幅度谱的频谱宽度,其中,该频谱宽度为第二目标频点的频率和第一目标频点的频率的差值与1的相加值,即第m个脉冲对应的频谱宽度为:
S302、根据多个归一化幅度谱的频谱宽度,计算距离像频谱宽度。
其中,距离像频谱宽度用于反映待识别对象的距离像在频域上能量聚集区的长度,距离像频谱宽度可以为多个归一化幅度谱的频谱宽度的平均值,设多个归一化幅度谱的数量为M,则距离像频谱宽度为:
S303、根据距离像频谱宽度,对待识别对象进行识别。
将距离像频谱宽度作为距离像频谱特征,以对待识别对象进行识别,其中,可以将距离像频谱宽度输入到训练好的分类器中,输出为待识别对象的类型。
在本实施例的雷达目标识别方法中,距离像频谱宽度对距离像的特性具有很好的概括意义,不仅能表征能量特征,同时,距离像频谱不受距离像平移影响,具有平移不变性,并且能疏解距离像方位敏感性,计算简单,采用距离像频谱宽度对待识别对象进行识别,识别性能好。
图4为本申请实施例提供的雷达目标识别方法的流程示意图四,如图4所示,在一可选的实施方式中,步骤S203,根据多个归一化幅度谱上的目标频点,对待识别对象进行识别,可以包括:
S401、根据每个归一化幅度谱上目标频点的幅度,计算每个归一化幅度谱的频谱熵。
每个归一化幅度谱上目标频点的数量为多个,根据每个归一化幅度谱上目标频点的幅度,计算每个归一化幅度谱的频谱熵,其中,频谱熵用于反映每个归一化幅度谱中不同频域分量的起伏程度,第m个脉冲的归一化幅度谱的频谱熵为:
其中,表示归一化幅度谱中频点的幅度,表示幅度大于的所有频点的累加幅度。
S402、根据多个归一化幅度谱的频谱熵,计算距离像频谱熵。
其中,距离像频谱熵用于反映待识别对象的距离像在频域上不同频域分量的起伏程度,距离像频谱熵可以为多个归一化幅度谱的频谱熵的平均值,设多个归一化幅度谱的数量为M,则距离像频谱熵为:
S403、根据距离像频谱熵,对待识别对象进行识别。
将距离像频谱熵作为距离像频谱特征,以对待识别对象进行识别,其中,可以将距离像频谱熵输入到训练好的分类器中,输出为待识别对象的类型。
在本实施例的雷达目标识别方法中,距离像频谱熵对距离像的特性具有很好的概括意义,不仅能表征目标起伏程度,并且具有平移不变性,计算简单能够避免特征提取计算量较大的麻烦,采用距离像频谱熵对待识别对象进行识别,识别性能好,同时,具有对噪声稳健性好,冗余度低。
图5为本申请实施例提供的雷达目标识别方法的流程示意图五,如图5所示,在一可选的实施方式中,步骤S203,根据多个归一化幅度谱上的目标频点,对待识别对象进行识别,可以包括:
S501、根据每个归一化幅度谱上目标频点的频率,计算每个归一化幅度谱的频谱分布熵。
每个归一化幅度谱上目标频点的数量为多个,根据每个归一化幅度谱上目标频点的频率,计算每个归一化幅度谱的频谱分布熵,其中,频谱分布熵用于反映每个归一化幅度谱中分量分布是否均匀。
第m个脉冲的归一化幅度谱的频谱分布熵为:
其中,表示个频点,为幅度大于或等于的频点的频率。
S502、根据多个归一化幅度谱的频谱分布熵,计算距离像频谱分布熵。
其中,距离像频谱分布熵用于反映待识别对象的距离像的强能量在频域上分布是否均匀,强能量可以理解为幅度大于或等于频谱幅度阈值的目标频点。
距离像频谱分布熵可以为多个归一化幅度谱的频谱分布熵的平均值,设多个归一化幅度谱的数量为M,则距离像频谱分布熵为:
S503、根据距离像频谱分布熵,对待识别对象进行识别。
将距离像频谱分布熵作为距离像频谱特征,以对待识别对象进行识别,其中,可以将距离像频谱分布熵输入到训练好的分类器中,输出为待识别对象的类型。
在本实施例的雷达目标识别方法中,距离像频谱分布熵对距离像的特性具有很好的概括意义,不仅能表征目标分布特征,并且具有平移不变性,计算简单能够避免特征提取计算量较大的麻烦,采用距离像频谱熵对待识别对象进行识别,识别性能好,同时,具有对噪声稳健性好,冗余度低。
图6为本申请实施例提供的雷达目标识别方法的流程示意图六,如图6所示,在一可选的实施方式中,步骤S203,根据多个归一化幅度谱上的目标频点,对待识别对象进行识别之前,该方法还可以包括:
S601、根据多个距离像频谱,获取所有频点的脉冲数据。
每个距离像频谱分别由多个频点的脉冲数据构成,参见上述步骤S103,每个距离像频谱包括N个频点,则每个频点的脉冲数据为距离像脉冲-频谱二维数据中纵向信号,即、…、。
S602、根据所有频点中两两频点的脉冲数据,计算两两频点的相关系数。
根据提取到的两两频点的脉冲数据,可以计算两两频点的相关系数,该相关系数用于反映该两两频点的稳定性,其中,该相关系数可以为皮尔逊相关系数。
例如,第个频点的脉冲数据为:,第个频点的脉冲数据为:,则和的皮尔逊相关系数为:
其中,表示的装置,表示取向量的2范数,表示取向量的2范数。
S603、根据两两频点的相关系数,计算距离像频谱相关系数。
其中,距离像频谱相关系数用于反映待识别对象的距离像的稳定性。
对多个距离像频谱的两两频点进行组合,有个组合方式,然后将所有组合方式中的两两频点的相关系数累加,得到相关系数累加值,并采用相关系数累加值除以,从而对相关系数累加值求平均值得到距离像频谱相关系数,即:
其中,n1从1到N-1取值,n2从n1+1到N取值。
相应地,步骤S203,根据多个归一化幅度谱上的目标频点,对待识别对象进行识别,可以包括:
S604、根据多个归一化幅度谱上的目标频点,和距离像频谱相关系数,对待识别对象进行识别。
将多个归一化幅度谱上的目标频点和距离像频谱相关系数综合作为考虑因素,对待识别对象进行识别,以确定待识别对象的类型。
在本实施例的雷达目标识别方法中,距离像频谱相关系数对距离像的特性具有很好的概括意义,不仅能表征相关性特征,并且具有平移不变性,计算简单能够避免特征提取计算量较大的麻烦,采用距离像频谱熵对待识别对象进行识别,识别性能好,同时,具有对噪声稳健性好,冗余度低。
图7为本申请实施例提供的一种具体的雷达目标识别过程的示意图,如图7所示,包括如下几个步骤:
步骤一、对一个波位的雷达回波数据的N个脉冲进行脉冲压缩。
步骤二、提取N个压缩脉冲的距离像。
步骤三、傅里叶变换,得到N个脉冲的距离像频谱。
步骤四、设定频谱幅度阈值,计算距离像频谱宽度。
步骤五、设定频谱幅度阈值,计算距离像频谱幅度熵(即上述距离像频谱熵)。
步骤六、设定频谱幅度阈值,计算距离像频谱幅度分布熵(即上述距离像频谱分布熵)。
步骤七、提取脉冲-频谱二维数据,计算距离像频谱相关系数。
步骤八、将距离像频谱宽度、距离像频谱幅度熵、距离像频谱分布熵以及距离像频谱相关系数作为训练好的分类器的输入,输出为待识别对象的目标分类。
以待识别对象为目标1、目标2、目标3为例,图8a为目标1的单个归一化幅度谱的示意图一,图8b为目标1的单个归一化幅度谱的示意图二,图8c为目标1在一个波位内的距离像的示意图,图8d为目标1在一个波位内的距离像频谱的示意图;图9a为目标2的单个归一化幅度谱的示意图一,图9b为目标2的单个归一化幅度谱的示意图二,图9c为目标2在一个波位内的距离像的示意图,图9d为目标2在一个波位内的距离像频谱的示意图;图10a为目标3的单个归一化幅度谱的示意图一,图10b为目标3的单个归一化幅度谱的示意图二,图10c为目标1在一个波位内的距离像的示意图,图10d为目标3在一个波位内的距离像频谱的示意图。
其中,图8a、图9a、图10a中横坐标为距离单元,纵坐标为归一化幅度,图8b、图9b、图10b中横坐标为频点,纵坐标为归一化幅度,图8c、图9c、图10c中三维坐标轴分别为脉冲数、归一化幅度值、距离单元,图8d、图9d、图10d中三维坐标分别为脉冲数、归一化幅度值、频点。
图11a为本申请实施例提供的目标1-3的距离像频谱宽度的对比示意图,图11b为本申请实施例提供的目标1-3的距离像频谱熵的对比示意图,图11c为本申请实施例提供的目标1-3的距离像频谱分布熵的对比示意图,图11d为本申请实施例提供的目标1-3的距离像的距离像频谱相关系数对比示意图。
图11a中横坐标为频谱宽度,图11b中横坐标为频谱熵,图11c中横坐标为频谱分布熵,图11d中横坐标为频谱相关系数,图11a-图11d中纵坐标均为分布概率。
基于同一发明构思,本申请实施例中还提供了与雷达目标识别方法对应的雷达目标识别装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述雷达目标识别方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
图12为本申请实施例提供的雷达目标识别装置的结构示意图,该装置可以集成在电子设备中。如图12所示,该装置可以包括:
获取模块701,用于获取待识别对象的雷达回波数据;
获取模块701,还用于根据雷达回波数据,获取待识别对象的多个距离像;
变换模块702,用于对每个距离像进行频域变换,得到每个距离像对应的距离像频谱;
识别模块703,用于根据多个距离像频谱,对待识别对象进行识别。
在一可选的实施方式中,识别模块703,具体用于:
对每个距离像频谱进行归一化处理,得到每个距离像频谱的归一化幅度谱;
根据频谱幅度阈值,对归一化幅度谱进行搜索,得到归一化幅度谱上的目标频点,目标频点的幅度大于或等于频谱幅度阈值;
根据多个归一化幅度谱上的目标频点,对待识别对象进行识别。
在一可选的实施方式中,识别模块703,具体用于:
根据频谱幅度阈值,从归一化幅度谱的两端向中间进行搜索,得到归一化幅度谱上的第一目标频点和第二目标频点。
在一可选的实施方式中,识别模块703,具体用于:
根据频谱幅度阈值,对归一化幅度谱中的所有频点进行搜索,得到归一化幅度谱上的目标频点。
在一可选的实施方式中,识别模块703,具体用于:
根据每个归一化幅度谱上的第一目标频点和第二目标频点,计算每个归一化幅度谱的频谱宽度;
根据多个归一化幅度谱的频谱宽度,计算距离像频谱宽度;
根据距离像频谱宽度,对待识别对象进行识别。
在一可选的实施方式中,识别模块703,具体用于:
根据每个归一化幅度谱上目标频点的幅度,计算每个归一化幅度谱的频谱熵;
根据多个归一化幅度谱的频谱熵,计算距离像频谱熵;
根据距离像频谱熵,对待识别对象进行识别。
在一可选的实施方式中,识别模块703,具体用于:
根据每个归一化幅度谱上目标频点的频率,计算每个归一化幅度谱的频谱分布熵;
根据多个归一化幅度谱的频谱分布熵,计算距离像频谱分布熵;
根据距离像频谱分布熵,对待识别对象进行识别。
在一可选的实施方式中,获取模块701,还用于:
根据多个距离像频谱,获取所有频点的脉冲数据;
该装置还包括:
计算模块704,用于根据所有频点中两两频点的脉冲数据,计算两两频点的相关系数;
计算模块704,还用于根据两两频点的相关系数,计算距离像频谱相关系数;
识别模块703,具体用于:
根据多个归一化幅度谱上的目标频点,和距离像频谱相关系数,对待识别对象进行识别。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
图13为本申请实施例提供的电子设备的结构示意图,如图13所示,该设备可以包括:处理器801、存储器802和总线803,存储器802存储有处理器801可执行的机器可读指令,当电子设备运行时,处理器801与存储器802之间通过总线803通信,处理器801执行机器可读指令,以执行上述雷达目标识别方法。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行,所述处理器执行上述雷达目标识别方法。
在本申请实施例中,该计算机程序被处理器运行时还可以执行其它机器可读指令,以执行如实施例中其它所述的方法,关于具体执行的方法步骤和原理参见实施例的说明,在此不再详细赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述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:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种雷达目标识别方法,其特征在于,包括:
获取待识别对象的雷达回波数据;
根据所述雷达回波数据,获取所述待识别对象的多个距离像;
对每个距离像进行频域变换,得到所述每个距离像的距离像频谱;
根据多个距离像频谱,对所述待识别对象进行识别。
2.根据权利要求1所述的方法,其特征在于,所述根据多个距离像频谱,对所述待识别对象进行识别,包括:
对所述每个距离像频谱进行归一化处理,得到所述每个距离像频谱的归一化幅度谱;
根据频谱幅度阈值,对所述归一化幅度谱进行搜索,得到所述归一化幅度谱上的目标频点,所述目标频点的幅度大于或等于所述频谱幅度阈值;
根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别。
3.根据权利要求2所述的方法,其特征在于,所述根据频谱幅度阈值,对所述归一化幅度谱进行搜索,得到所述归一化幅度谱上的目标频点,包括:
根据所述频谱幅度阈值,从所述归一化幅度谱的两端向中间进行搜索,得到所述归一化幅度谱上的第一目标频点和第二目标频点。
4.根据权利要求2所述的方法,其特征在于,所述根据频谱幅度阈值,对所述归一化幅度谱进行搜索,得到所述归一化幅度谱上的目标频点,包括:
根据所述频谱幅度阈值,对所述归一化幅度谱中的所有频点进行搜索,得到所述归一化幅度谱上的目标频点。
5.根据权利要求3所述的方法,其特征在于,所述根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别,包括:
根据每个归一化幅度谱上的第一目标频点和第二目标频点,计算所述每个归一化幅度谱的频谱宽度;
根据所述多个归一化幅度谱的频谱宽度,计算距离像频谱宽度;
根据所述距离像频谱宽度,对所述待识别对象进行识别。
6.根据权利要求4所述的方法,其特征在于,所述根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别,包括:
根据每个归一化幅度谱上目标频点的幅度,计算所述每个归一化幅度谱的频谱熵;
根据所述多个归一化幅度谱的频谱熵,计算距离像频谱熵;
根据所述距离像频谱熵,对所述待识别对象进行识别。
7.根据权利要求4所述的方法,其特征在于,所述根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别,包括:
根据每个归一化幅度谱上目标频点的频率,计算所述每个归一化幅度谱的频谱分布熵;
根据多个归一化幅度谱的频谱分布熵,计算距离像频谱分布熵;
根据所述距离像频谱分布熵,对所述待识别对象进行识别。
8.根据权利要求2所述的方法,其特征在于,所述根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别之前,所述方法还包括:
根据所述多个距离像频谱,获取所有频点的脉冲数据;
根据所述所有频点中两两频点的脉冲数据,计算所述两两频点的相关系数;
根据所述两两频点的相关系数,计算所述距离像频谱相关系数;
所述根据多个归一化幅度谱上的目标频点,对所述待识别对象进行识别,包括:
根据所述多个归一化幅度谱上的目标频点,和所述距离像频谱相关系数,对所述待识别对象进行识别。
9.一种雷达目标识别装置,其特征在于,包括:
获取模块,用于获取待识别对象的雷达回波数据;
所述获取模块,还用于根据所述雷达回波数据,获取所述待识别对象的多个距离像;
变换模块,用于对每个距离像进行频域变换,得到所述每个距离像对应的距离像频谱;
识别模块,用于根据多个距离像频谱,对所述待识别对象进行识别。
10.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行权利要求1至8任一所述的雷达目标识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251471.9A CN115963468B (zh) | 2023-03-16 | 2023-03-16 | 雷达目标识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310251471.9A CN115963468B (zh) | 2023-03-16 | 2023-03-16 | 雷达目标识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115963468A true CN115963468A (zh) | 2023-04-14 |
CN115963468B CN115963468B (zh) | 2023-06-06 |
Family
ID=85894778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310251471.9A Active CN115963468B (zh) | 2023-03-16 | 2023-03-16 | 雷达目标识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115963468B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0427975D0 (en) * | 2004-12-21 | 2005-01-26 | Fluency Voice Technology Ltd | Signal processor for robust pattern recognition |
CN102254176A (zh) * | 2011-04-11 | 2011-11-23 | 西安电子科技大学 | 基于状态空间模型的雷达高分辨距离像目标识别方法 |
CN104459628A (zh) * | 2013-09-21 | 2015-03-25 | 杨瑞娟 | 准正交频分复用多载波线性调频雷达信号设计及处理方法 |
CN112764024A (zh) * | 2020-12-29 | 2021-05-07 | 杭州电子科技大学 | 基于卷积神经网络和Bert的雷达目标识别方法 |
WO2022012213A1 (zh) * | 2020-07-13 | 2022-01-20 | 深圳大学 | 一种剔除一比特信号谐波虚假目标的方法及相关组件 |
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 |
-
2023
- 2023-03-16 CN CN202310251471.9A patent/CN115963468B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0427975D0 (en) * | 2004-12-21 | 2005-01-26 | Fluency Voice Technology Ltd | Signal processor for robust pattern recognition |
CN102254176A (zh) * | 2011-04-11 | 2011-11-23 | 西安电子科技大学 | 基于状态空间模型的雷达高分辨距离像目标识别方法 |
CN104459628A (zh) * | 2013-09-21 | 2015-03-25 | 杨瑞娟 | 准正交频分复用多载波线性调频雷达信号设计及处理方法 |
WO2022012213A1 (zh) * | 2020-07-13 | 2022-01-20 | 深圳大学 | 一种剔除一比特信号谐波虚假目标的方法及相关组件 |
CN112764024A (zh) * | 2020-12-29 | 2021-05-07 | 杭州电子科技大学 | 基于卷积神经网络和Bert的雷达目标识别方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115963468B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
El-Mahallawy et al. | Material classification of underground utilities from GPR images using DCT-based SVM approach | |
Ishitsuka et al. | Object Detection in Ground‐Penetrating Radar Images Using a Deep Convolutional Neural Network and Image Set Preparation by Migration | |
Glumov et al. | Detection of objects on the image using a sliding window mode | |
Ghadimi et al. | Deep learning-based approach for low probability of intercept radar signal detection and classification | |
US20230333209A1 (en) | Gesture recognition method and apparatus | |
WO2023029390A1 (zh) | 一种毫米波雷达手势检测识别方法 | |
Zhai et al. | A novel sense-through-foliage target recognition system based on sparse representation and improved particle swarm optimization-based support vector machine | |
CN112684427A (zh) | 基于串行二次强化训练的雷达目标识别方法 | |
CN113625227A (zh) | 基于注意力变换网络的雷达高分辨距离像目标识别方法 | |
CN115311531A (zh) | 一种RefineDet网络模型的探地雷达地下空洞目标自动检测方法 | |
CN106951822B (zh) | 一种基于多尺度稀疏保持投影一维距离像融合识别方法 | |
CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
Konan et al. | Machine learning techniques to detect and characterise whistler radio waves | |
Sandirasegaram et al. | Comparative analysis of feature extraction (2D FFT and wavelet) and classification (Lp metric distances, MLP NN, and HNeT) algorithms for SAR imagery | |
CN113486917B (zh) | 一种基于度量学习的雷达hrrp小样本目标识别方法 | |
CN115963468B (zh) | 雷达目标识别方法、装置及设备 | |
Paulson et al. | Synthetic aperture radar quantized grayscale reference automatic target recognition algorithm | |
Özkaya | Automatic target recognition (ATR) from SAR imaginary by using machine learning techniques | |
Soldin et al. | HySARNet: a hybrid machine learning approach to synthetic aperture radar automatic target recognition | |
CN115616503A (zh) | 一种基于卷积神经网络模型的雷达干扰信号类型识别方法 | |
CN115267713A (zh) | 一种基于语义分割的间歇采样干扰识别和抑制方法 | |
US20210270959A1 (en) | Target recognition from sar data using range profiles and a long short-term memory (lstm) network | |
Gomes et al. | Automatic target recognition in synthetic aperture radar image using multiresolution analysis and classifiers combination | |
CN110135280B (zh) | 一种基于稀疏表征分类的多视图sar自动目标识别方法 | |
CN112329534A (zh) | 基于二维加权残差卷积神经网络的雷达目标识别方法 |
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 |