基于参数化词典的多输入多输出成像雷达目标识别方法

摘要

本发明公开了一种基于参数化词典的多输入多输出成像雷达目标识别方法，该方法包括四个步骤：1)图像方向估计；2)图像几何旋转变换；3)构建参数化词典；4)图像分解与目标识别。相比现有方法，本发明公开方法中所采用的特征可自适应于目标位置参数的变化、图像分解处理能够滤除主散射中心参数位置之外的剩余图像，且识别方法避免了散射中心参数在线提取存在的主散射中心位置参数随方位分辨力的变化而改变这一问题，因此，通过其可实现对非合作目标MIMO雷达图像更为精确的识别。

说明书

技术领域

本发明涉及雷达技术领域，尤其涉及一种多输入多输出(MIMO，Multiple-Input Multiple-0utput)成像雷达目标识别方法。

背景技术

由于目标观测信息的不完整性和目标电磁散射机理的复杂性，非合作雷达目标识别近几十年来一直是雷达技术领域的一个具有挑战性的难题。非合作雷达的二维图像是目标体细节信息在成像平面上的投影，其表征了目标散射中心的二维相对位置信息。相比一维雷达回波信号，目标图像将目标信息的表述扩展至二维，有效增加了信息处理的自由度，这为雷达目标识别提供了更为丰富的电磁信息。

原理上，二维成像就是利用具有二维分辨能力(通常为距离和方位分辨能力)雷达传感器观测数据对目标响应的二维重构。对于宽带成像雷达而言，其对目标的二维分辨可分别由距离维和方位维两个一维分辨来实现。通常，系统的距离维分辨主要通过发射宽带波形来完成，发射波形的带宽完全决定了距离维分辨力的大小；方位维分辨则主要通过一维阵列天线来完成。

对于目前常用的逆合成孔径雷达(ISAR，Inverse SyntheticAperture Radar)，其等效阵列主要利用目标的运动来实现，这就使得利用其所获得二维图像进行目标识别时通常需要解决两个难题。

第一个难题是，合成阵列具有的不确定性会使得非合作机动目标高分辨图像的获得必须依据一定的运动模型进行精确的运动补偿，如文献1：Y.X.Wang，H.Ling and V.C.Chen，“I SAR motioncompensat ion via adapt ive joint t ime-frequency technique，”IEEE Transact ions on Aerospace and Elect ronic Sys tems，1998，vo l.34(2)：670677和文献2：L.P.Du and G.C.Su.“Adaptiveinverse synthetic  aperture  radar  imaging  for  nonuniformlymoving targets，”IEEE Geoscience and remot e s ens ing l etters，2005，vol.2(3)：247-249中公开的成像算法。这就是说，当目标运动方式不满足运动补偿所依据的运动模型时，ISAR成像质量将会因失效的运动补偿而下降，并进而影响基于ISAR图像目标识别方法的效果。

第二个难题是，ISAR图像上目标散射中心方位向位置参数通常用各散射中心的多普勒频率来表示，而多普勒频率的大小则取决于各散射中心相对于雷达的旋转速度。当目标速度发生改变时，ISAR图像上散射中心的位置将会发生缩比变化。这就是说，为了利用ISAR图像进行机动目标的有效识别，识别方法必须能够容忍图像上散射中心位置的缩比变化。

尽管文献3：Y.T Zhu，Y.Su and W.X.Yu，“An I SAR imagingmethod based on  MIMO  technique，”IEEE  Transactions  ongeoscience and remote sens ing，2010，vol.48(8)：3290-3299中公开的ISAR成像方法通过多天线阵列的使用可有效缩短传统ISAR机动目标成像所需的相干积累时间，在一定程度上为ISAR目标识别中的第一个难题的解决提供了契机，但其所成图像仍然存在散射中心位置的缩比变化问题，不能克服ISAR目标识别中的第二个难题。

而与上述ISAR成像系统不同，文献4：H.J.Wang，W.T.Le i，C.L，Huang，et al.“MIMO radar image model and algorithm”，Journal of Elect ronic s(China)，2009，vol.26(5)：577-583，文献5：王怀军，粟毅，朱宇涛，等，“基于空间谱域填充的MIMO雷达成像研究”，电子学报，2009，vol.37(6)：1242-1246以及文献6：D.W.Wang，X.Y.Ma，A.L.Chen，et al，“High-resolutionimaging using a wideband MIMO rada rsys temwith two distributedarrays，”IEEE Transact ions on Image Processing，2010，vol.19(5)：1280-1289中公开了一种基于MIMO雷达的单次快拍成像系统。不同于前述ISAR成像系统，基于MIMO雷达的单次快拍成像系统通过目标信息的空间并行采样取代了ISAR中的串行采样，这使得目标方位成像所采用阵列为确知阵列，阵列特性与目标运动方式无关，因而，基于MIMO雷达图像的目标识别可完全避免基于ISAR图像目标识别中存在的两个难题。然而，需要指出的是，相比ISAR中的自适应阵列孔径，MIMO成像系统阵列的孔径为一固定值，这就是说，MIMO雷达图像的方位分辨力是距离依赖的。目标位置的变化将导致图像方位分辨力的改变，并进而造成图像幅度发生改变，因此，必须结合MIMO雷达图像的特点研究相应的目标识别方法。

事实上，基于二维雷达图像的非合作目标识别并不是一个新问题，文献中已经公开了一种较为有效的基于ISAR图像的目标识别方法。如文献7：K.T.K im，D.K.Seo and H.T.K im，“Eff icientCla s s ificat ion of ISAR Image s，”IEEE Transact ions on Antenna sand Propagat ion，2005，vol.53(5)：16111621中公开的基于对数-极坐标变换与距离和方位投影的目标识别方法。尽管该方法的有效性分别得到了验证，但其常以整幅目标雷达图像为处理对象，并没有考虑MIMO雷达图像的特殊性，这就使得上述方法应用于MIMO雷达图像时存在两个问题。其一，该方法中目标雷达图像的各种变换中既包含了目标图像的幅度信息又包含了目标散射中心的位置信息，两种信息中任何一种改变均会导致所抽取特征的失效。而MIMO雷达图像方位向分辨力的距离依赖特性常会造成MIMO雷达图像幅度的剧烈变化，这就使得上述方法应用于MIMO雷达图像时特征的有效性难以得到保证。其二，该方法中目标的识别完全基于整幅目标图像来完成，目标图像上全部噪声或杂波干扰均被包含在识别处理中，这就得上述方法低信噪比时难以实现目标的高精度识别。

而与上述方法不同，文献8：D.W.Wang，G.Chen，N.Wu，et al，“Efficient target identification for MIMO high-re solut ionimaging radar via plane-rotat ion-invariant feature”，2009IEEEInternational  Symposium on Signal  Processing and IT，2009：350-354中公开了一种针对MIMO雷达图像的目标识别方法。不同于上述基于ISAR图像的识别方法，该方法由两个关键步骤组成。其一就是在线提取目标MIMO雷达图像上主散射中心径向距离，并经排序后作为识别目标的特征。其二就是通过在线提取特征与预存特征集的比对进行目标识别。尽管该方法所采用的特征避免了图像幅度信息的使用，但该方法隐含一个重要条件，即目标不同次观测图像所提取的主散射中心位置参数必须相同。然而，实际系统中MIMO雷达图像常因系统分辨力的距离依赖特性和噪声干扰的存在常使该条件难以满足，这就使得该方法存在在线提取的主散射中心位置参数随方位分辨力的变化而改变并导致目标识别性能下降这一问题。

因此，亟待提供一种新的有效的MIMO成像雷达目标识别方法以克服上述缺陷。

发明内容

本发明的目的是提供一种改进的成像雷达目标识别方法，不仅能克服现有基于ISAR图像识别方法(文献7)不能适应目标位置参数的变化以及不能滤除主散射中心参数位置之外的剩余图像的问题，而且能克服现有基于MIMO雷达图像的目标识别方法(文献8)中散射中心参数在线提取存在的主散射中心位置参数随方位分辨力的变化而改变的问题，进而实现对非合作目标MIMO雷达图像更为精确的识别。

为了实现上述目的，本发明提供了一种基于参数化词典的多输入多输出成像雷达目标识别方法，包括如下步骤：

(1)图像方向估计：利用目标库中预存的各目标的主散射中心参数集分别对当前测量的未知类别目标的MIMO雷达图像进行方向估计，得到未知类别目标的MIMO雷达图像相对于各目标的主散射中心参数集的方向角；

(2)图像几何旋转变换：利用估计的对应各目标主散射中心参数集的方向角对未知类别目标的MIMO雷达图像沿成像平面分别进行几何旋转变换，得到对应各目标的方向归零的MIMO雷达图像；

(3)构建参数化词典：利用MIMO雷达发射波形带宽、当前测量的未知类别目标MIMO雷达回波空间谱带宽以及预存的各目标主散射中心参数集分别在线构造各目标的参数化词典；

(4)图像分解与目标识别：对目标库中的每个目标，均利用在线构造的参数化词典对方向归零的MIMO雷达图像进行分解和目标识别。

在本发明实施例中，所述步骤(1)具体为：

(11)设置一角度间隔Δθ，初始化旋转角θ使其取值为首项是0，公差是Δθ，尾项是2π-Δθ的等差数列，并将目标库中每个目标主散射中心参数集基于上述所有旋转角θ取值进行几何旋转，分别产生相应旋转角θ下的模板，旋转方式为：

其中，为第k个目标的主散射中心参数集s^(k)的第n个散射中心的二维相对坐标，为二维相对坐标旋转旋转角θ后的相对坐标；

(12)利用各目标的主散射中心参数集旋转后产生的模板分别对当前测量的未知类别目标的MIMO雷达图像进行采样，得到对应各目标主散射中心参数集的MIMO雷达采样图像，采样方法为：

${\bar{I}}_{\theta }^{(i,k)}({\bar{x}}_n^{\left(\theta \right)},{\bar{y}}_n^{\left(\theta \right)})=\int \int \delta (x_p-{\bar{x}}_n^{\left(\theta \right)},y_q-{\bar{y}}_n^{\left(\theta \right)})I^{\left(i\right)}(x_p.y_q){\mathrm{dx}}_p{\mathrm{dy}}_q$

其中，δ(·)为幅度为1的二维Dirichlet函数，s^(k)(θ)为第k个目标的主散射中心参数集s^(k)旋转后产生的模板s^(k)(θ)，I⁽ⁱ⁾(x_p，y_q)为当前测量的未知类别目标i的MIMO雷达图像，(x_p，y_q))为MIMO图像I⁽ⁱ⁾(x_p，y_q)上像素的二维坐标，为模板s^(k)(θ)对MIMO雷达图像I⁽ⁱ⁾(x_p，y_q)采样后得到的MIMO雷达采样图像；

(13)计算各目标主散射中心参数集所有旋转角θ对应的MIMO雷达采样图像的能量，将最大能量对应的旋转角作为最佳旋转角，并记录最佳旋转角对应的最佳MIMO雷达采样图像；

(14)根据各目标主散射中心参数集对应的最佳MIMO雷达采样图像的最小惯量分别估计MIMO雷达图像I⁽ⁱ⁾(x_p，y_q)的方向角，并输出方向角。

在本发明实施例中，所述步骤(3)具体为：

对目标库中的每个目标，均利用MIMO雷达发射信号脉宽、当前测量的未知类别目标的MIMO雷达图像空间谱带宽和预存的该目标的主散射中心参数集在线构造该目标的参数化词典，构造公式为：

其中，

${\phi }_n^{\left(k\right)}=(x_p-{\bar{x}}_n,y_q-{\bar{y}}_n)=\mathrm{Agrec}\left[\frac{(x_p-{\bar{x}}_n)}{T}\right]g\sin c\left[\frac{\left|\bar{\Omega }\right|(y_q-{\bar{y}}_n)}{2\pi }\right]$

其中，为第k个目标的主散射中心参数集s^(k)的第n个散射中心的二维相对坐标，(x_p，y_q)为当前测量的未知类别目标i的MIMO雷达图像MIMO图像I⁽ⁱ⁾(x_p，y_q)上像素的二维坐标，为MIMO雷达图像I⁽ⁱ⁾(x_p，y_q)的空间谱带宽，Φ^(k)(x_p，y_q)为在线构造的目标库中第k个目标的参数化词典。特别地，A为能量归一化因子，可使原子满足T为矩形函数的宽度，其值取为系统发射信号带宽的倒数。

在本发明实施例中，所述步骤(4)具体为：

(41)利用目标库中的每个目标在线构造的参数化词典对方向归零的当前测量的未知类别目标i的MIMO雷达图像进行匹配追踪分解，得到分解残差。其中，匹配追踪分解公式为：

$R_N{I}^{(i,k)}=I^{(i,k)}(x_p^{\left({\theta }_0^{(i,k)}\right)},y_q^{\left({\theta }_0^{(i,k)}\right)})-\underset{n=1}{\overset{N}{\Sigma }}<R_n{I}^{(i,k)},{\phi }_n^{\left(k\right)}>{\phi }_n^{\left(k\right)}(x_p-{\bar{x}}_n,y_q-{\bar{y}}_n)$

其中，为对应第k个目标的方向归零的MIMO雷达图像，R_NI^(i，k)为第k个目标对应的分解残差；

(42)对目标库中的每个目标，根据其分解残差计算归一化能量，计算公式为：

$\left|\right|R_N{I}^{(i,k)}{\left|\right|}^2=\frac{1}{E^{(i,k)}}\int \int R_N{I}^{(i,k)}(x_p,y_p){\mathrm{dx}}_p{\mathrm{dy}}_p$

其中，E^(i，k)为方向归零的MIMO雷达图像的能量，||R_NI^(i，k)||²为分解残差R_NI^(i，k)对应的归一化能量；

(43)比较目标库中的各个目标的分解残差对应的归一化能量，选择最小归一化能量对应的目标为当前目标的类别。

由上述技术方案可知，本发明基于参数化词典MIMO雷达图像目标识别方法具有如下有益的效果：

1)与现有基于ISAR图像识别方法(文献7)不同，本发明公开的识别方法步骤(3)中参数化词典的构造仅利用了MIMO雷达发射波形带宽、当前测量的未知类别目标MIMO雷达回波空间谱带宽以及预存的各目标主散射中心的位置参数，而不包含图像的幅度信息。由于所构造的参数化词典可自适应于目标位置参数的变化，因此，较之现有ISAR图像识别方法，本发明公开识别方法中的特征更能够适应MIMO雷达图像方位分辨力距离依赖问题；同时，相比现有基于ISAR图像识别方法，本发明公开识别方法步骤(4)中图像方向估计和分解处理均仅在目标主散射中心位置参数对应的二维空间网格处进行，主散射中心参数位置之外的剩余图像全部被滤除，因此，可实现更低信噪比或信杂比条件下目标的高精度识别；

2)与现有的基于MIMO雷达图像的目标识别方法(文献8)相比，本发明公开的识别方法步骤(3)中所需的散射中心参数可离线提取，因此，可避免散射中心参数在线提取存在的主散射中心位置参数随方位分辨力的变化而改变导致的目标识别性能下降这一问题。

附图说明

图1a-1c分别为本发明基于参数化词典MIMO雷达图像目标识别方法涉及的三种飞机的二维几何模型图。

图2为本发明基于参数化词典MIMO雷达图像目标识别方法的一个实施例流程图。

图3为图2所示识别方法图像方向估计过程示意图。

图4为图2所示识别方法目标识别过程示意图。

图5为采用图2实施例对图1所示目标经不同信噪比下MIMO雷达图像的正确识别率图。

具体实施方式

为了进一步对本发明作详细描述，下面结合附图和实施例，对本发明的实施步骤进行解释。

设目标库中包含K种不同目标(目标为飞机)，且第k个目标在目标库中的索引号记为k。在本实施例中，K的值为3，即目标库中包含三个目标，三个目标的二维几何形状模型分别如图1a、图1b、图1c所示，其中图1a为F18飞机，图1b为F22飞机，图1c为Mig29飞机。

从图1a、图1b、图1c所示三种目标的二维几何形状上各均匀抽取42个坐标数据作为对应目标的散射中心位置参数，并设各散射中心的雷达截面积均为1。同时，为了模拟目标真实环境，本实施例各目标均产生两个不同的数据库：第一个数据库中，对应目标的几何中心位置分别从空间坐标(7.765km，0km，28.978km)以5km的径向距离间隔变化至空间坐标(30km，0km，51.962km)处，且在每个给定的几何中心位置，各散射中心位置参数分别沿成像平面以10°为间隔进行180°几何旋转，共产生18个不同方向的散射中心参数；第二个数据库中，对应目标的几何形状和相应的散射中心位置参数缩小至原始尺寸的1/20，几何中心位置固定在空间坐标(0m，0m，10m)，并将各散射中心位置参数分别沿成像平面以3°为间隔进行180°几何旋转，共产生60个不同方向的散射中心参数。

一旦两个目标数据库产生后，本实施例采用文献6：D.W.Wang，X.Y.Ma，A.L.Chen，et al，“High-re solut ion imaging using awideband MIMO radar system with two distributed arrays，”IEEETransactions on Image Processing，2010，vol.19(5)：1280-1289中公开的成像方法使用载频为11.8GHz、带宽为150MHz、等效阵列的长度为880m的宽带MIMO雷达对各目标的第一个数据库中的数据进行高分辨成像并得到本实施例所用的第一个MIMO雷达图像数据库；同时，使用载频为10GHz，带宽为150MHz，等效阵列的尺寸为10m的宽带MIMO雷达对各目标的第二个数据库中的数据进行高分辨成像并得到本实施例所用的第二个MIMO雷达图像数据库。特别地，对应于第一个MIMO雷达图像数据库，其包含126个MIMO雷达图像，共有7个不同方位分辨力值；对应于第二个MIMO雷达图像数据库，其包含60个MIMO雷达图像，方位分辨力全部相同。此外，为了模拟实际背景干扰，本实施例中分别在第一个MIMO雷达图像数据库的126个MIMO雷达图像上加入一定峰值信噪比的高斯噪声来测试本发明公开识别方法的识别性能。

一旦目标的两个MIMO雷达图像数据库产生后，本实施例分别从各目标的第二个MIMO雷达图像数据库中抽取一幅图像并利用文献8：D.W.Wang，G.Chen，N.Wu，et al，“Efficient targetidentification  for MIMO high-re solution imaging radar viaplane-rotation-invariant feature”，2009IEEE Internat ionalSympos ium on Signal Processing and IT，2009：350-354中公开的方法从抽取的图像上提取82个散射中心的位置参数分别乘以20后再作为预存的主散射中心参数集，这里，将第k个目标预存的主散射中心参数集记为k＝1，2，3，为该散射中心参数集中第n个散射中心的二维相对坐标，n＝1，2，L，82。目标主散射中心参数集产生后，从目标库中等概率(库中三个目标等概率出现)随机选择一个目标作为目标i，并从其第二个MIMO雷达图像数据库中等概率选取一幅MIMO雷达图像进行截取和加入特定信噪比的高斯噪声作为当前测量的未知类别目标i的MIMO雷达图像I⁽¹⁾(x_p，y_q)，其中(x_p，y_q)为未知类别目标i的MIMO图像上像素的二维坐标。本实施例中信噪比取值依次为0dB，4dB直至30dB，x_p和y_q的取值范围均为[-50m，50m]。

结合上述模拟数据，本发明基于参数化词典的多输入多输出成像雷达目标识别方法的处理过程如图2所示，具体包括如下步骤：

S101a：图像方向估计：利用目标库中预存的各目标(共K个目标，本实施例中K＝3)的主散射中心参数集s^(k)(k＝1，2，L，K)分别对当前测量的未知类别目标i的MIMO雷达图像I⁽ⁱ⁾(x_p，y_q)进行方向估计，得到未知类别目标的MIMO雷达图像I⁽ⁱ⁾(x_p，y_q)相对于各目标的主散射中心参数集s^(k)的方向角(k＝1，2，L，K)，其中主散射中心参数集s^(k)具有N个散射中心(本实施例中N＝82)。

如图3，所述方向角的步骤具体为：

(1)设置一角度间隔Δθ(本实施例中)，初始化旋转角θ使其取值为首项是0，公差是Δθ，尾项是2π-Δθ的等差数列(即旋转角θ取值依次为0，Δθ，2Δθ，L，2π-Δθ，本实施例中是L，)，对目标库中预存的每个目标，将其主散射中心参数集基于上述所有旋转角θ进行几何旋转，分别产生相应旋转角θ下的模板，将第k个目标的主散射中心参数集s^(k)旋转θ后产生的模板记为其中第k个目标的主散射中心参数集s^(k)的第n个散射中心的二维相对坐标旋转旋转角θ后的相对坐标为：

$\left(\begin{array}{c}{\bar{x}}_n^{\left(\theta \right)}={\bar{x}}_n\cos \theta -{\bar{y}}_n\sin \theta \\ {\bar{y}}_n^{\left(\theta \right)}={\bar{x}}_n\sin \theta +{\bar{y}}_n\cos \theta \end{array}\right)$

(2)利用各目标的主散射中心参数集旋转后产生的模板分别对当前测量的未知类别目标i的MIMO雷达图像I⁽ⁱ⁾(x_p，y_q)进行采样，得到对应各目标主散射中心参数集的MIMO雷达采样图像，并将第k个目标的主散射中心参数集s^(k)旋转后产生的模板s^(k)(θ)对当前测量的未知类别目标i的MIMO雷达图像I⁽ⁱ⁾(x_p，y_q)采样后得到的MIMO雷达采样图像记为其中，的计算方法为：

${\bar{I}}_{\theta }^{(i,k)}({\bar{x}}_n^{\left(\theta \right)},{\bar{y}}_n^{\left(\theta \right)})=\int \int \delta (x_p-{\bar{x}}_n^{\left(\theta \right)},y_q-{\bar{y}}_n^{\left(\theta \right)})I^{\left(i\right)}(x_p.y_q){\mathrm{dx}}_p{\mathrm{dy}}_q$

其中，δ(·)为幅度为1的二维Dirichlet函数。

(3)对各目标主散射中心参数集对应的MIMO雷达采样图像，均计算所有旋转角θ对应的能量，将最大能量对应的旋转角作为最佳旋转角θ_max，记录最佳旋转角θ_max对应的最佳MIMO雷达采样图像，并将第k个目标的主散射中心参数集s^(k)的最佳旋转角θ_max对应的最佳MIMO雷达采样图像记为其中，计算方法为：

${\bar{I}}_{{\theta }_{\max }}^{(i,k)}({\bar{x}}_n^{\left({\theta }_{\max }\right)},{\bar{y}}_n^{\left({\theta }_{\max }\right)})=\int \int \delta (x_p-{\bar{x}}_n^{\left({\theta }_{\max }\right)},y_q-{\bar{y}}_n^{\left({\theta }_{\max }\right)})I^{\left(i\right)}(x_p,y_q){\mathrm{dx}}_p{\mathrm{dy}}_q$

(4)利用各目标主散射中心参数集对应的最佳MIMO雷达采样图像的最小惯量分别估计当前测量的未知类别目标i的MIMO雷达图像I⁽ⁱ⁾(x_p，y_q)的方向角(利用最佳MIMO雷达采样图像最小惯量估计图像方向的方法见文献9：R.Jain，R.Kasturi，B.G.Schunck，MachineVision，McGraw-Hill，New York，1995中公开的处理步骤)，并输出方向角。这里将第k个目标的主散射中心参数集s^(k)对应的最佳MIMO雷达采样图像的最小惯量估计的方向角记为

S101b：构建参数化词典。本实施例利用MIMO雷达发射波形脉宽T、当前测量的未知类型目标iMIMO雷达回波空间谱带宽(的计算方法见文献6：D.W.Wang，X.Y.Ma，A.L.Chen，et al，“High-resolution imaging using a wideband MIMO radar systemwith two distributed  arrays，”IEEE Transactions on ImageProcessing，2010，vol.19(5)：1280-1289)以及各目标的主散射中心参数集分别在线构造目标库中不同目标的参数化词典，并将在线构造的目标库中第k个目标的参数化词典记为Φ^(k)(x_p，y_q)。特别地，其构造公式为：

其中，

${\phi }_n^{\left(k\right)}=(x_p-{\bar{x}}_n,y_q-{\bar{y}}_n)=\mathrm{Agrect}\left[\frac{(x_p-{\bar{x}}_n)}{T}\right]g\sin c\left[\frac{\left|\bar{\Omega }\right|(y_q-{\bar{y}}_n)}{2\pi }\right]$

其中，系数A为能量归一化因子，可使原子满足T为矩形函数的宽度，本实施例中T等于1。

S102：图像几何旋转变换。利用步骤S101a所估计的对应各目标主散射中心参数集的方向角对当前测量的未知类别目标i的MIMO雷达图像I⁽ⁱ⁾(x_p，y_q)沿成像平面分别进行几何旋转变换，得到对应各目标主散射中心参数集的方向归零的MIMO雷达图像，并将对当前测量的未知类别目标i的MIMO雷达图像I⁽ⁱ⁾(x_p，y_q)经第k个目标的主散射中心参数集s^(k)对应的方向角沿成像平面进行几何旋转变换后得到的方向归零的MIMO雷达图像记为其中所述图像几何旋转变换具体步骤为：

(1)将当前测量的未知类别目标i的MIMO雷达图像I⁽ⁱ⁾(x_p，y_q)转换成极坐标格式，得到极坐标图像I⁽ⁱ⁾(ρ，β)。其变换关系如下

I^(I)(ρ，β)＝I⁽ⁱ⁾(x_p，y_q)

其中，

$\rho =\sqrt{x_p^2+y_q^2}$

$\beta =\left(\begin{array}{c}\arcsin \left(\frac{y_q}{\rho }\right),x_p>0,y_q\ge 0\\ \pi -\arcsin \left(\frac{y_q}{\rho }\right),x_p\le 0,y_q>0\\ \pi -\arcsin \left(\frac{y_q}{\rho }\right),x_p<0,y_q\le 0\\ 2\pi +\arcsin \left(\frac{y_q}{\rho }\right),x_p\ge 0,y_q<0\\ 0,x_p\ge 0,y_q=0\\ \pi ,x_p<0,y_q=0\end{array}\right)$

(2)利用步骤S101a所估计的对应各目标主散射中心参数集对应的方向角对当前测量的未知类别目标i的MIMO雷达极坐标图像I⁽ⁱ⁾(ρ，β)进行几何旋转变换，得到对应各目标主散射中心参数集的方向归零的MIMO雷达图像，并将第k个目标的主散射中心参数集s^(k)对应的方向归零的MIMO雷达图像记为其中，计算方法为：

$I^{(i,k)}(x_p^{\left({\theta }_0^{(i,k)}\right)},y_q^{\left({\theta }_0^{(i,k)}\right)})=I^{\left(i\right)}(x_p,y_q)$

其中，

$\left(\begin{array}{c}{x}_p^{\left({\theta }_0^{(i,k)}\right)}={\rho }^{\left({\theta }_0^{(i,k)}\right)}\sin (\beta +{\theta }_0^{(i,k)})\\ y_q^{\left({\theta }_0^{(i,k)}\right)}={\rho }^{\left({\theta }_0^{(i,k)}\right)}\cos (\beta +{\theta }_0^{(i,k)})\end{array}\right)$

其中，${\rho }^{\left({\theta }_0^{(i,k)}\right)}=\sqrt{{\left[\rho \cos (\beta +{\theta }_0^{(i,k)})\right]}^2+{\left[\rho \sin (\beta +{\theta }_0^{(i,k)})\right]}^2}=\rho .$

S103：图像分解与目标识别。利用在线构造的目标库中每个目标的参数化词典对方向归零的MIMO雷达图像进行分解和目标识别。

如图4，所述分解和目标识别步骤具体为：

(1)利用在线构造的目标库中每个目标参数化词典对方向归零的当前测量的未知类别目标i的MIMO雷达图像进行匹配追踪分解，得到分解残差，并将利用在线构造的对应目标库中的第k个目标的参数化词典Φ^(k)(x_p，y_q)对对应第k个目标的方向归零的MIMO雷达图像进行匹配追踪分解得到分解残差记为R_NI^(i，k)。其中，R_NI^(i，k)的计算式为：

$R_N{I}^{(i,k)}=I^{(i,k)}(x_p^{\left({\theta }_0^{(i,k)}\right)},y_q^{\left({\theta }_0^{(i,k)}\right)})-\underset{n=1}{\overset{N}{\Sigma }}<R_n{I}^{(i,k)},{\phi }_n^{\left(k\right)}>{\phi }_n^{\left(k\right)}(x_p-{\bar{x}}_n,y_q-{\bar{y}}_n)$

$<R_n{I}^{(i,k)},{\phi }_n^{\left(k\right)}>=\int R_n{I}^{(i,k)}(x_p^{\left({\theta }_0^{(i,k)}\right)},y_q^{\left({\theta }_0^{(i,k)}\right)}){\phi }_n^{\left(k\right)}(x_p-{\bar{x}}_n,y_q-{\bar{y}}_n){\mathrm{dy}}_q$

其中，R_nI^(i，k)为经第n次分解后所得残差，特别地，R₁I^(i，k)等于

(2)对应目标库中的每个目标，计算分解残差的归一化能量，并将第k个目标对应的分解残差R_NI^(i，k)的归一化能量记为||R_NI^(i，k)||²其中，||R_NI^(i，k)||²计算式为：

$\left|\right|R_N{I}^{(i,k)}{\left|\right|}^2=\frac{1}{E^{(i,k)}}\int \int R_N{I}^{(i,k)}(x_p,y_p){\mathrm{dx}}_p{\mathrm{dy}}_p$

其中，E^(i，k)为的能量。

(3)比较目标库中的各个目标的分解残差对应的归一化能量，选择最小一化能量对应的目标为当前目标的类别。

如图5给出了采用图2所示方法对图1所示目标不同信噪比下MIMO雷达图像的正确识别率图(其中每个信噪比下分别进行1000次独立的未知类别目标i的MIMO雷达图像I⁽ⁱ⁾(x_p，y_q)生成和图2实施例提供流程的处理)。同时，为了说明本发明公开方法的有效性，图5也分别提供了文献7：K.T.Kim，D.K.Seo and H.T.Kim，“Efficient Classification of ISAR Images，”IEEE Transactionson Antennas and Propagation，2005，vol.53(5)：1611 1621和文献8：D.W.Wang，G.Chen，N.Wu，et al，“Efficient targetidentification for MIMO  high-resolution imaging radar viaplane-rotation-invariant feature”，2009IEEE InternationalSymposium on Signal Processing and IT，2009：350-354所公开方法对上述数据识别的结果。

由图5给出的结果可以看到，在仿真所用的相同信噪比下，本发明基于参数化词典的MIMO成像雷达目标识别方法的正确识别率均明显优于其他两个已有的方法。相比已有的两个方法，本方法能更好的容忍目标MIMO雷达图像方位向分辨力的变化所带来的问题，通过其可实现非合作目标MIMO雷达图像的精确识别。