本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，特別涉及一種空中運(yùn)動(dòng)目標(biāo)的分類方法，可用于調(diào)頻連續(xù)波雷達(dá)體制下，將分散在多個(gè)距離單元的回波信息綜合處理后進(jìn)行分類識別。

背景技術(shù)：

近年來，微動(dòng)特性在雷達(dá)目標(biāo)識別中受到廣泛關(guān)注。微動(dòng)是指雷達(dá)目標(biāo)除質(zhì)心平動(dòng)以外的振動(dòng)或轉(zhuǎn)動(dòng)。2000年美國海軍研究實(shí)驗(yàn)室的victorc.chen最早發(fā)表了微波雷達(dá)中微多普勒效應(yīng)分析實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)表明不同的微運(yùn)動(dòng)會產(chǎn)生不同的微多普勒調(diào)制，微多普勒效應(yīng)可以反映目標(biāo)結(jié)構(gòu)部件的幾何構(gòu)成和運(yùn)動(dòng)特性，此外由微動(dòng)所產(chǎn)生的時(shí)域特性同樣能夠作為目標(biāo)獨(dú)一無二的特征。因此，通過目標(biāo)微動(dòng)差異可以提取具有良好分類性能的特征，從而實(shí)現(xiàn)對目標(biāo)的分類和識別。

對于空中目標(biāo)分為噴氣式飛機(jī)，螺旋槳飛機(jī)和直升機(jī)三類，其轉(zhuǎn)動(dòng)的旋翼產(chǎn)生微多普勒效應(yīng)和時(shí)域特性，現(xiàn)今，國內(nèi)外主要在脈沖多普勒pd體制下，基于窄帶雷達(dá)回波的噴氣發(fā)動(dòng)機(jī)調(diào)制jem特征對空中三類飛機(jī)目標(biāo)的分類方法進(jìn)行研究。

陳鳳，劉宏偉等2010年發(fā)表的文章《基于特征譜散布特征的低分辨雷達(dá)目標(biāo)識別方法》，就是根據(jù)螺旋槳飛機(jī)、噴氣式飛機(jī)和直升機(jī)三類飛機(jī)jem調(diào)制譜對應(yīng)譜線條數(shù)的差別來提取分類特征，從而區(qū)分螺旋槳飛機(jī)、噴氣式飛機(jī)和直升機(jī)。

趙越，糾博等2017年發(fā)表的文章《一種基于時(shí)頻分析的窄帶雷達(dá)飛機(jī)目標(biāo)分類特征提取方法》，是根據(jù)噴氣式飛機(jī)、螺旋槳飛機(jī)和直升機(jī)三類目標(biāo)調(diào)制周期的差異，提取時(shí)頻譜域的熵值變化特性，并給出了時(shí)頻分析中窗函數(shù)長度的優(yōu)化選擇方法，在低信噪比條件下提高了識別率。

上述方法均在脈沖多普勒雷達(dá)體制下進(jìn)行研究，該體制下目標(biāo)微動(dòng)信息可以近似看作處于一個(gè)距離單元上，因此只利用機(jī)身所在單個(gè)距離單元的回波來提取特征就可以得到有效的分類效果。

在調(diào)頻連續(xù)波雷達(dá)體制下，由于高速運(yùn)動(dòng)的旋翼部件存在，飛機(jī)目標(biāo)回波會發(fā)生明顯的譜峰分裂現(xiàn)象，微動(dòng)分量分布在不同的距離單元上，無法滿足上述目標(biāo)處于單一距離單元的近似條件，現(xiàn)有方法中只提取機(jī)身目標(biāo)所在距離單元的回波進(jìn)行處理，會損失大量微動(dòng)信息，降低識別性能。

技術(shù)實(shí)現(xiàn)要素：

為了克服現(xiàn)有方法的缺點(diǎn)，本發(fā)明提出了一種基于圖像熵特征的調(diào)頻連續(xù)波雷達(dá)飛機(jī)目標(biāo)分類方法，以在調(diào)頻連續(xù)波雷達(dá)體制下實(shí)現(xiàn)對飛機(jī)目標(biāo)的有效分類，并提高分類性能。

為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案包括如下：

1)雷達(dá)進(jìn)行m個(gè)調(diào)頻周期的觀測，接收飛機(jī)目標(biāo)的回波差頻信號，得到時(shí)域回波矩陣s＝[s1,s2,…,si,…,sm]^t，其中si是第i個(gè)調(diào)頻周期的列向量回波，i＝1,2,…,m；

2)將每個(gè)周期的時(shí)域回波差頻信號si進(jìn)行d倍于原信號長度的快速傅里葉變換，得到新的時(shí)域回波矩陣：s′＝[s1′,s2′,…,si′,…,sm′]^t，其中表示新的時(shí)域回波矩陣s′的第i個(gè)行向量，表示d倍于原信號長度的快速傅里葉變換，|·|表示取模運(yùn)算；

3)根據(jù)2)中得到的新的時(shí)域回波矩陣s′中處于l個(gè)距離單元上飛機(jī)目標(biāo)信息，得到圖像熵特征：

3a)假設(shè)目標(biāo)所在距離單元時(shí)域信息矩陣表示為a＝[a1,a2,…,aj,…,al]，其中aj為新的時(shí)域回波矩陣s′中包含目標(biāo)信息的第j列，j＝1,2,…,l，l是包含目標(biāo)信息的距離單元數(shù)；

3b)求得目標(biāo)所在距離單元頻域信息矩陣其中表示矩陣的第j個(gè)列向量；

3c)分別求取目標(biāo)所在距離單元時(shí)域信息矩陣a的時(shí)域灰度二值矩陣ra和目標(biāo)所在距離單元頻域信息矩陣的頻域灰度二值矩陣

3d)根據(jù)時(shí)域灰度二值矩陣ra分別提取時(shí)域中心圖像熵t1和時(shí)域鄰接圖像熵t2，根據(jù)頻域灰度二值矩陣分別提取頻域中心圖像熵t3和頻域鄰接圖像熵t4；

4)重復(fù)步驟1)到3)，得到多組樣本下的圖像熵特征，將得到的多組樣本下的特征等分作為訓(xùn)練樣本提取的特征和測試樣本提取的特征；

5)根據(jù)4)中提取的訓(xùn)練樣本的圖像熵特征訓(xùn)練分類器，將測試樣本的圖像熵特征分別輸入訓(xùn)練好的分類器，根據(jù)分類器的輸出得到目標(biāo)類別。

本發(fā)明由于在調(diào)頻連續(xù)波雷達(dá)體制下，利用目標(biāo)所在多個(gè)距離單元的回波信號提取圖像熵特征，使飛機(jī)上高速運(yùn)動(dòng)的旋翼部件產(chǎn)生的微動(dòng)能量聚合在一起，提高了目標(biāo)微動(dòng)信息的利用率，進(jìn)而提高了分類性能。

附圖說明

圖1是本發(fā)明的實(shí)現(xiàn)流程圖；

圖2是用本發(fā)明方法對不同信噪比下三類分機(jī)目標(biāo)提取圖像熵特征的散布圖；

圖3是用本發(fā)明提取的圖像熵特征與現(xiàn)有單個(gè)距離單元提取的波形熵特征在不同信噪比下的識別率對比圖。

具體實(shí)施方式

參照圖1，本發(fā)明實(shí)例的具體實(shí)現(xiàn)步驟如下：

步驟1，觀測得到飛機(jī)目標(biāo)的時(shí)域回波差頻信號。

雷達(dá)進(jìn)行m個(gè)調(diào)頻周期的觀測，接收飛機(jī)目標(biāo)的回波差頻信號，得到時(shí)域回波矩陣s＝[s1,s2,…,si,…,sm]^t，其中si是第i個(gè)調(diào)頻周期的列向量回波，i＝1,2,…,m。

需要說明的是，時(shí)域回波矩陣s的每一行代表著一個(gè)調(diào)制周期的時(shí)域回波差頻信號，調(diào)頻連續(xù)波時(shí)域信號脈壓之后反映的是不同距離單元的信息，等效于時(shí)域回波矩陣s的每一列都代表不同的距離單元的信息。

步驟2，將每個(gè)周期的時(shí)域回波差頻信號做d倍于原信號點(diǎn)數(shù)的fft。

將每個(gè)周期的時(shí)域回波差頻信號si進(jìn)行d倍于原信號長度的快速傅里葉變換，得到新的時(shí)域回波矩陣：s′＝[s1′,s2′,…,si′,…,sm′]^t，其中表示新的時(shí)域回波矩陣s′的第i個(gè)行向量，表示d倍于原信號長度的快速傅里葉變換，|·|表示取模運(yùn)算；

步驟3，根據(jù)步驟2中得到的新的時(shí)域回波矩陣s′中處于l個(gè)距離單元上飛機(jī)目標(biāo)信息，得到圖像熵特征。

3a)假設(shè)目標(biāo)所在距離單元時(shí)域信息矩陣表示為a＝[a1,a2,…,aj,…,al]，其中aj為新的時(shí)域回波矩陣s′中包含目標(biāo)信息的第j列，j＝1,2,…,l，l是包含目標(biāo)信息的距離單元數(shù)；

3b)求得目標(biāo)所在距離單元頻域信息矩陣其中表示矩陣的第j個(gè)列向量；

3c)分別求取目標(biāo)所在距離單元時(shí)域信息矩陣a的時(shí)域灰度二值矩陣ra和目標(biāo)所在距離單元頻域信息矩陣的頻域灰度二值矩陣

3c1)將目標(biāo)距離單元時(shí)域信息矩陣a轉(zhuǎn)化為取值范圍為0～255的時(shí)域灰度矩陣

3c2)構(gòu)造初始每一個(gè)元素均為0的時(shí)域灰度二值矩陣ra；

3c3)計(jì)算時(shí)域灰度矩陣中首行首列元素的灰度值w0和其鄰域的平均灰度值v0并取整，將ra(w0,v0)的值加1，其中ra(w0,v0)是時(shí)域灰度二值矩陣ra第w0行v0列的值，0≤w0,v0≤255且為整數(shù)；

3c4)重復(fù)3c3)遍歷計(jì)算時(shí)域灰度矩陣中每一個(gè)元素的灰度值和其鄰域的平均灰度值，完成時(shí)域灰度二值矩陣ra的更新；

3c5)重復(fù)3c1)到3c4)步，計(jì)算得到目標(biāo)所在距離單元頻域信息矩陣的頻域灰度二值矩陣

3d)根據(jù)時(shí)域灰度二值矩陣ra分別提取時(shí)域中心圖像熵t1和時(shí)域鄰接圖像熵t2：

其中ra(x,y)是時(shí)域灰度二值矩陣ra第x行y列的值；

3e)根據(jù)頻域灰度二值矩陣分別提取頻域中心圖像熵t3和頻域鄰接圖像熵t4：

其中是頻域灰度二值矩陣第x行y列的值。

步驟4，重復(fù)步驟1到步驟3，得到多組樣本下的圖像熵特征，將得到的多組樣本下的特征等分作為訓(xùn)練樣本提取的特征和測試樣本提取的特征。

步驟5，根據(jù)訓(xùn)練樣本提取的四種圖像熵特征，訓(xùn)練得到分類器。

將訓(xùn)練樣本得到的四種圖像熵特征組成一個(gè)特征向量：t＝{t1,t2,t3,t4}，利用訓(xùn)練樣本的特征向量t做訓(xùn)練得到分類器，其中，分類器包括：線性判決分析分類器、支持向量機(jī)分類器、相關(guān)向量機(jī)分類器和k近鄰分類器，本實(shí)例采用支持向量機(jī)分類器，使用從訓(xùn)練樣本中提取的四種圖像熵特征以及樣本標(biāo)號對該支持向量機(jī)分類器進(jìn)行訓(xùn)練，得到一組支持向量{f1,f2,...,fq}和相應(yīng)的權(quán)系數(shù){ω1,ω2,...,ωq}，其中，fj為第j個(gè)由訓(xùn)練得到的支持向量，ωj為相應(yīng)的第j個(gè)權(quán)系數(shù)，j＝1,2,...,q，q為訓(xùn)練得到的支持向量的個(gè)數(shù)。

步驟6，將測試樣本得到的圖像熵特征輸入訓(xùn)練好的分類器，根據(jù)分類器的輸出得到目標(biāo)類別。

對于測試樣本的圖像熵特征，利用已經(jīng)訓(xùn)練好的支持向量機(jī)分類器按如下步驟對其進(jìn)行分類：

6a)將由測試樣本集中提取的四種圖像熵特征構(gòu)成特征向量u＝{t1,t2,t3,t4}；

6b)將從測試樣本中提取的特征向量u輸入到訓(xùn)練好的支持向量機(jī)分類器中，按下式得到支持向量機(jī)分類器輸出：

式中，||·||為范數(shù)運(yùn)算，δ為參數(shù)，取值10，fj為第j個(gè)由訓(xùn)練過程得到的作為支持向量，ωj為相應(yīng)的第j個(gè)權(quán)系數(shù)，j＝1,2,...,q，q為訓(xùn)練過程得到的支持向量的個(gè)數(shù)；

6c)根據(jù)支持向量機(jī)分類器的輸出y(u)確定類別標(biāo)號，得到飛機(jī)目標(biāo)的分類結(jié)果。

上述實(shí)例是對提取的圖像熵特征使用了支持向量機(jī)分類器進(jìn)行目標(biāo)分類，在實(shí)際中，分類器還可以根據(jù)實(shí)際情況選取如相關(guān)向量機(jī)分類器，線性判決分析分類器，k近鄰分類器等其他分類算法，分類過程與支持向量機(jī)分類器類似。

本發(fā)明的效果通過以下仿真實(shí)驗(yàn)驗(yàn)證：

1.實(shí)驗(yàn)條件：

設(shè)定雷達(dá)參數(shù)：調(diào)頻周期初始頻率10ghz，重頻8khz，駐留時(shí)間0.1s，調(diào)頻帶寬10mhz，采樣頻率20mhz。

實(shí)驗(yàn)數(shù)據(jù)包含三類目標(biāo)，分別為噴氣式飛機(jī)，螺旋槳飛機(jī)和直升機(jī)。

2.實(shí)驗(yàn)內(nèi)容與結(jié)果：

實(shí)驗(yàn)1，上述實(shí)驗(yàn)條件下，利用本發(fā)明方法得到不同信噪比下三類飛機(jī)目標(biāo)時(shí)域中心圖像熵特征和頻域中心圖像熵特征散布情況如圖2所示，其中圖2(a)為信噪比-10db情況下三類飛機(jī)目標(biāo)的圖像熵特征散布圖，圖2(b)為信噪比0db情況下三類飛機(jī)目標(biāo)的圖像熵特征散布圖，圖2(c)為信噪比10db情況下三類飛機(jī)目標(biāo)的圖像熵特征散布圖。

從圖2可見，三類飛機(jī)目標(biāo)的圖像熵特征散布情況與信噪比有關(guān)，信噪比越高三類飛機(jī)目標(biāo)的圖像熵特征可分性越好。

實(shí)驗(yàn)2，在信噪比-30db～30db范圍條件下，利用本發(fā)明方法和現(xiàn)有方法對實(shí)驗(yàn)1得到的圖像熵特征進(jìn)行分類器訓(xùn)練和目標(biāo)識別，其中現(xiàn)有方法提取的特征為機(jī)身所在距離單元的波形熵特征，識別結(jié)果如圖3所示。

從圖3可見，相較于現(xiàn)有波形熵特征的識別結(jié)果，本發(fā)明圖像熵特征識別結(jié)果在信噪比-2db～15db范圍內(nèi)識別率有明顯提升，識別率提升5％～10％左右。

將信噪比為8db情況下利用現(xiàn)有波形熵特征和本發(fā)明圖像熵特征得到的三類飛機(jī)目標(biāo)的識別結(jié)果進(jìn)行對比，結(jié)果如表1所示。

表1信噪比8db時(shí)波形熵特征和圖像熵特征識別結(jié)果對比

從表1可以看出，在信噪比8db時(shí)本發(fā)明方法將識別率提高了10％。

綜上，本發(fā)明方法能夠?qū)φ{(diào)頻連續(xù)波雷達(dá)體制下的飛機(jī)目標(biāo)進(jìn)行有效的分類。