基于几何结构特征和多特征综合的雷达目标识别方法

摘要

本发明公开了一种基于几何结构特征和多特征综合的雷达目标识别方法，从目标HRRP中提取出8个反映目标几何结构信息的特征属性，包括等效散射中心维数、等效目标尺寸、熵、标准差、偏差、不规则度、回波功率以及前若干个最强散射点的功率和占总功率的比例；将多个特征综合起来，得到7个新的综合特征；分别采用单个特征和综合特征进行雷达目标识别，利用实测HRRP数据对每个特征的有效性进行评估。本发明特征计算简单，容易实现，非常适合于雷达目标识别的工程应用，并且提供了一种简单而有效的多特征综合方法，所得到的综合特征能够在最大程度上将构成它的每个单特征的优势充分发挥出来，因而能够大大提升基于单特征的雷达目标识别正确率。

说明书

技术领域

本发明属于雷达技术领域，具体说是一种雷达目标高分辨距离像的目标识别方法。

背景技术

雷达目标高分辨距离像(HRRP)的时域回波中包含有较丰富的有关目标几何结构信息的特征，如：目标径向尺寸、散射中心位置、强度、分布结构等，从目标HRRP中提取并合理利用这些特征，对于提高雷达目标识别性能乃至辨别目标身份，将是非常有意义和有潜力的。

H.Schimpf和H.H Fuchs在2010年的Proc.Radar Symposium上发表的Analysis of ATR features for non-cooperative ground-based classification of ships一文提出了7个典型的几何结构特征，分析了将它们用于舰船目标HRRP识别的可行性，但没有深入分析哪些特征是最有效的，也没有给出有指导意义的结论。

事实上，某个特征是否有效，与待识别的目标类型有很大的关系。比如，如果待识别的目标在尺寸、结构、形体上都比较相似，它们反映出的几何结构特征也必定会比较接近，反之亦然。然而，不同的目标之间必定有它们的不同之处，它们可能在某个特征上非常接近，但也可能在其它某个特征上有明显的差别。因此，综合利用多个特征是提高雷达目标识别性能的一种简单而有效的解决途径。

发明内容

本发明的目的在于提供一种基于几何结构特征和多特征综合的雷达目标识别方法，旨在从目标HRRP中挖掘出最有效的几何结构特征用于目标识别，更重要的是提供一种简单有效的多特征综合方法以最大程度地提高雷达目标识别的正确率。

为实现上述目的，本发明公开一种基于几何结构特征和多特征综合的雷达目标识别方法，该方法包括以下步骤：

A)采用统计的方法，从目标HRRP中提取出8个能反映目标几何结构信息的特征属性，包括：等效散射中心维数、等效目标尺寸、熵、标准差、偏差、不规则度、回波功率以及前若干个最强散射点的功率和占总功率的比例。

将雷达一次观测到的目标HRRP序列记为：X_k＝[x₁,x₂,…,x_N]，其中，N为采样点数。

上述8个几何结构特征的定义和计算方法具体如下：

a1)等效散射中心维数的定义为：

$N_{scatterer}=\underset{i=1}{\overset{N}{\Sigma }}U(x_i-m_k);$

其中，为目标HRRP的均值，U(·)为单位阶跃函数，即：

$U\left(t\right)=\left(\begin{array}{cc}1,& t\ge 0\\ 0,& t<0\end{array}\right);$

a2)等效目标尺寸的定义为：

Tsize＝L_k(N_scatterer)-L_k(1)；

其中，L_k＝{i|x_i≥m_k,i＝1,2,…,N_scatterer}表示目标HRRP中超过均值的距离单元的位置序列。

a3)熵特征的定义为：

$Entropy=-\underset{i=1}{\overset{N}{\Sigma }}{\bar{x}}_i{\log }_2\left({\bar{x}}_i\right);$

其中，log₂(·)为自然对数；表示将目标HRRP进行幅度归一化的结果，即：

${\bar{x}}_i=\frac{x_i}{{\Sigma }_{j=1}^N{x}_j},i=1,2,...,N;$

a4)标准差的定义为：

$std\left(dB\right)=20{\log }_{10}\left(\sqrt{\frac{\underset{i=1}{\overset{N}{\Sigma }}{(x_i-m_k)}^2}{N-1}}\right);$

a5)偏差的定义为：

$deviation\left(dB\right)=20{\log }_{10}(m_k-\sqrt{\frac{\underset{i=1}{\overset{N}{\Sigma }}{(x_i-m_k)}^2}{N-1}});$

a6)不规则度的定义为：

$Irregularity\left(dB\right)=20{\log }_{10}\left(\underset{i=2}{\overset{N-1}{\Sigma }}\right|x_i-\frac{x_{i-1}+x_i+x_{i+1}}{3}\left|\right);$

a7)回波功率的定义为：

$TP\left(dB\right)=10{\log }_{10}\left(\underset{i=1}{\overset{N}{\Sigma }}{\left(x_i\right)}^2\right);$

a8)将目标HRRP序列按照幅度大小从大到小进行排序，排序后的HRRP序列为：Y_k＝[y₁,y₂,…,y_N]，则前m(m＜＜N)个最强的散射点的功率之和占总功率的比例的定义为：

$P_m=\frac{\underset{i=1}{\overset{m}{\Sigma }}{\left(y_i\right)}^2}{\underset{i=1}{\overset{N}{\Sigma }}{\left(y_i\right)}^2};$

B)按照一定的方式将多个单特征综合起来，得到7个新的综合特征；该步骤具体为：

b1)按照特征之间的互相关性进行综合，选择不相关或者相关性较低的特征构成一个综合特征；

b2)不考虑特征之间的相关性，选择直观上最具有鉴别力的几个特征构成一个综合特征。

C)分别采用单特征和综合特征进行雷达目标识别，利用实测的HRRP数据对每个特征的有效性进行评估。

与现有技术相比，本发明具有如下有益效果：

1.本发明提供了一种基于几何结构特征和多特征综合的雷达目标识别方法，该方法特征计算简单，容易实现，非常适合于雷达目标识别的工程应用。

2.本发明从目标HRRP中提取出了8个有典型物理含义的几何结构特征用于实现目标识别，并通过实测数据实验进行效果评估，表明熵和不规则度是其中两个具有最优鉴别力的单特征属性。

3.本发明提供了一种简单而有效的多特征综合方法，将8个单特征相互组合得到7个新的综合特征，所得到的综合特征能够在最大程度上将构成它的每个单特征的优势充分发挥出来，从而得到相对于任意一个单特征的高得多的识别率。

附图说明

图1是本发明实施例提供的基于几何结构特征和多特征综合的雷达目标识别方法的流程图；

图2是本发明实施例提供的三种飞机各260幅HRRP的8个几何结构特征的分布图；

图中：(a)等效散射中心维数；(b)等效目标尺寸；(c)熵；(d)标准差；(e)偏差；(f)不规则度；(g)总功率；(h)前五个最强散射点的功率和占总功率的比例。

图3是本发明实施例提供的三种飞机各260幅HRRP的8个几何结构特征之间的互相关系数；

图中：(a)An；(b)Cessna；(c)Yak。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

参阅图1，一种基于几何结构特征和多特征综合的雷达目标识别方法，具体按照以下步骤实施：

A)采用统计的方法，从目标HRRP中提取出8个反映目标几何结构信息的特征属性，包括：等效散射中心维数、等效目标尺寸、熵、标准差、偏差、不规则度、回波功率以及前若干个最强散射点的功率和占总功率的比例。

具体实施如下：雷达一次观测到的目标HRRP可以看做是在空间上的一个采样序列，记为：X_k＝[x₁,x₂,…,x_N]，其中，N为采样点数。HRRP的包络随目标散射点的变化而起伏，受目标姿态角变化和外界干扰等因素的影响，每次观测得到的HRRP具有不稳定性。然而，通过大量测量数据研究表明，每次观测到的HRRP的均值服从一定的随机分布。基于这一点，可采用统计的方法，定义并从HRRP中提取以下8个特征属性。

a1)等效散射中心维数

等效散射中心维数的定义如下：

$N_{scatterer}=\underset{i=1}{\overset{N}{\Sigma }}U(x_i-m_k)$

其中，为目标HRRP的均值，U(·)为单位阶跃函数，即：

$U\left(t\right)=\left(\begin{array}{cc}1,& t\ge 0\\ 0,& t<0\end{array}\right)$

由定义可知，等效散射中心维数的物理含义就是：目标HRRP中超过均值的距离单元数目，它与目标散射中心数目有紧密关系，但并不相等。

a2)等效目标尺寸

设L_k＝{i|x_i≥m_k,i＝1,2,…,N_scatterer}表示目标HRRP中超过均值的距离单元的位置序列，则等效目标尺寸的定义为：

Tsize＝L_k(N_scatterer)-L_k(1)

由定义可知，Tsize在很大程度上反映了目标的径向尺寸。由于HRRP随目标姿态角的变化而变化，Tsize必定也是随姿态角变化而起伏的序列。但从统计的角度分析，物理尺寸差别明显的不同目标，其Tsize特征从总的趋势看也会有较大的差异，因此，等效目标尺寸特征在一定程度上对于目标分类是有效的。

a3)熵

熵是信息论中用来度量一个变量的随机性的量，均匀分布的变量的熵最大，而分布比较集中的变量的熵较小。据此可以计算HRRP的熵，以此来反映目标散射中心的分布情况。

将目标HRRP进行幅度归一化：i＝1,2,…,N，则其熵特征按下式计算：

$Entropy=-\underset{i=1}{\overset{N}{\Sigma }}{\bar{x}}_i{\log }_2\left({\bar{x}}_i\right)$

其中，log₂(·)为自然对数。上式定义的Entropy反映了目标散射中心的分布情况或者离散程度。如果熵较大，说明散射中心平均分布的可能性较大；反之，如果熵较小，说明散射中心分布比较集中。可见，熵反映了目标散射体的分布结构或者说相对位置信息。

a4)标准差

目标HRRP的标准差定义如下：

$std\left(dB\right)=20{\log }_{10}\left(\sqrt{\frac{\underset{i=1}{\overset{N}{\Sigma }}{(x_i-m_k)}^2}{N-1}}\right)$

显然，标准差反映了目标散射中心偏离均值的程度，或者说反映了散射中心的相对强度大小。标准差越大，说明散射中心的幅度变化范围较大；反之，标准差越小，说明散射中心的幅度变化较小，或者说散射中心的强度大小较均匀。可以说，标准差反映了目标散射体的相对强度信息。

a5)偏差

目标HRRP的偏差定义为：

$deviation\left(dB\right)=20{\log }_{10}(m_k-\sqrt{\frac{\underset{i=1}{\overset{N}{\Sigma }}{(x_i-m_k)}^2}{N-1}})$

可以看到，偏差与标准差的区别仅在于去除了均值的影响因素。两者反应的物理含义基本上是一致的。

a6)不规则度

目标HRRP的不规则度的定义为：

$Irregularity\left(dB\right)=20{\log }_{10}\left(\underset{i=2}{\overset{N-1}{\Sigma }}\right|x_i-\frac{x_{i-1}+x_i+x_{i+1}}{3}\left|\right)$

可以看到，不规则度反应的其实是一种局部偏差，即：当前散射点与其前后两个散射点之间的相对大小关系。

a7)回波功率

目标HRRP的回波功率定义如下：

$TP\left(dB\right)=10{\log }_{10}\left(\underset{i=1}{\overset{N}{\Sigma }}{\left(x_i\right)}^2\right)$

显然，TP在一定程度上反映了目标RCS的大小。

a8)前若干个最强散射点的功率之和占总功率的比例

将目标HRRP按照幅度大小从大到小进行排序，设排序后的HRRP序列为：Y_k＝[y₁,y₂,…,y_N]。则前m(m＜＜N)个最强的散射点的功率之和占总功率的比例为：

$P_m=\frac{\underset{i=1}{\overset{m}{\Sigma }}{\left(y_i\right)}^2}{\underset{i=1}{\overset{N}{\Sigma }}{\left(y_i\right)}^2}$

如果P_m较大，说明目标主要由少量几个强散射体和多个弱散射体组成；反之，如果P_m较小，则说明目标由许多个强度相对均匀的弱散射体组成。可见，P_m在一定程度上反映了目标散射体的类型信息。

B)按照一定的方式将多个单特征综合起来，得到7个综合特征。

本发明实施例将多个单特征综合起来的具体方法为：

b1)按照特征之间的互相关性进行综合，选择不相关或者相关性较低的特征构成一个综合特征；

b2)不考虑特征之间的相关性，选择直观上最具有鉴别力的几个特征构成一个综合特征。

C)分别采用单特征和综合特征进行雷达目标识别，并利用实测的HRRP数据对每个特征的有效性进行评估。

本发明的效果可以通过以下实测数据实验进行验证。

实测数据实验

实验所用数据为国内某C波段ISAR雷达对三种飞机(An、Cessna、Yak)在外场实验中所采集的HRRP数据，每种飞机包含260个HRRP。实验中，对于每种飞机的数据，采用等间隔抽取的方式划分为10组，即：每组26个样本，然后分别进行10次实验。第1次实验，取每种飞机的第1组，共26×3＝78幅距离像作为模板，其它的9组，共26×9×3＝702幅距离像用于测试，采用最近邻法进行分类；第2次实验，取每种飞机的第2组作为模板，其它的9组用于测试；依次轮推。最后，将10次实验的结果进行平均，得到最终的识别率。

1、特征分析

图2(a)-(g)分别给出了三种飞机各260幅HRRP的上述8个特征的分布图，其中，横轴为HRRP序号，纵轴分别为上述8个特征量。对图中结果分析可知：

1)An和Yak飞机的尺寸相差不太大，所以如图2(a)-(b)所示，它们的等效散射中心维数和等效目标尺寸差别较小，分布曲线有部分重叠，而Cessna飞机在尺寸上与另外两种飞机差别较大，仅从散射中心维数这一特征量就能将其与其它两种飞机区分开来；

2)由于结构上的差异，三种飞机的熵分布应该有较大差别，图2(c)的结果也说明了这一点；

3)标准差、偏差以及不规则度在一定程度上反映了目标的散射体结构，图2(d)-(f)的结果表明，这三种飞机的标准差、偏差以及不规则度之间有较大区别；

4)三种飞机的回波功率特征之间的差别较明显，An飞机的回波功率最大，Cessna飞机次之，Yak飞机的最小，根据该特征可容易区分这三种飞机；

5)Cessna飞机的P5特征值明显大于An飞机和Yak飞机相应的值，根据这个特征可将其与其它两种飞机区分开来；An飞机的P5的值稍大于Yak飞机，但分布曲线重叠较多，不易区分；

6)综合以上各种特征分布，可以粗略推测，Cessna飞机主要由少量几个强散射体和多个弱散射体组成，Yak飞机主要由多个强度相对均匀的弱散射体组成，而An飞机的散射体结构应该介于两者之间。

2、基于单特征的识别结果

表1给了分别单独采用上述8个特征进行目标识别的结果。表中的识别率是10次独立实验平均的结果。可以看到，采用熵作为特征的识别率最高，三种飞机均能得到较好的区分；采用不规则度作为特征的识别率为次最高；其余特征的识别率从高到低依次排序为：总功率>偏差>标准差>等效目标尺寸>等效散射中心维数>P5。

表1基于单个几何结构特征的识别结果(％)

单特征AnCessanYak平均散射中心维数85.2494.2344.4074.96等效目标尺寸81.6781.5470.4777.89熵80.6887.2295.3586.75标准差67.7467.6198.4277.92偏差69.3683.6885.5278.52不规则度85.0575.4795.4784.33总功率70.6468.3398.4679.15P544.4475.4549.5755.82

3、多特征综合

上述8个几何结构特征分别具有不同的物理含义，所反映出的目标结构信息也不尽相同。可以推断：充分发挥每个特征的优势、综合多个特征进行目标识别必将能提升目标识别性能。基于该思想，我们按照一定的方式将以上8个几何结构特征进行综合，得到7个新的综合特征。

首先，按照特征之间的互相关性进行综合，即：选择不相关或者相关性较低的特征构成一个综合特征。评估两个特征之间的互相关性的一个简单有效的方法就是计算它们之间的互相关系数，相关系数越小，说明两个特征之间的相关性越低；反之，说明相关性越高。图3为三种飞机各260幅距离像的8个特征之间的互相关系数，其中，特征编号从1到8分别表示：Nscatterer、Tsize、Entropy、Std、Deviation、Irregularity、TP和P5。设相关系数小于0.55的两个特征满足近似不相关特性。以此为依据，可以得到近似不相关的综合特征Set1～Set5如下：

Set1＝{Nscatterer，Tsize，Std}

Set2＝{Tsize，Entropy，Irregularity}

Set3＝{Tsize，Entropy，Std，TP}

Set4＝{Nscatterer，Tsize，Irregularity，TP}

Set5＝{Nscatterer，Tsize，Deviation}

其次，不考虑特征之间的相关性，选择直观上最具有鉴别力的几个特征综合在一起，得到综合特征Set6和Set7如下：

Set6＝{Tsize，Entropy，Deviation，Irregularity，TP}

Set7＝{Nscatterer，Tsize，Entropy，Deviation，Irregularity，TP}

4、基于综合特征的识别结果

采用得到的7个综合特征进行目标识别的结果如表2所示。与表1中的结果相比，可以看到，基于多特征综合的识别率相对任意一个单特征，均有很大幅度的提高，这充分说明了我们采用的特征综合方式是有效的。对表2的结果进一步分析，可知，对于本实验所用的三种飞机的测试数据，采用综合特征Set1、Set4、Set6和Set7可以得到最优的识别效果。

表2基于综合特征的识别结果(％)

综合特征AnCessanYak平均Set198.8095.3799.8798.35Set295.2191.8498.9795.34Set395.0989.3699.8393.76Se498.9797.2299.9198.70Set584.1993.5085.3887.69Set698.8093.5999.7497.38Set799.5797.0199.9198.83

该实测实验的结果验证了本发明提供的基于几何结构特征和多特征综合的目标识别方法的有效性，一方面，熵和不规则度是两个具有最优鉴别能力的单特征属性；另一方面，基于各种组合方式的综合特征能够在最大程度上将构成它的每个单特征的优势充分发挥出来，因而基于综合特征的识别率相对于任意一个单个特征均有很大幅度的提高。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。