本發(fā)明涉及計(jì)算機(jī)視覺
技術(shù)領(lǐng)域：
和機(jī)器學(xué)習(xí)領(lǐng)域，尤其是涉及一種對(duì)基于計(jì)算機(jī)視覺提取的短波信號(hào)特征經(jīng)由SVM(SupportVectorMachine)分類進(jìn)而實(shí)現(xiàn)短波信號(hào)定位與常見類型識(shí)別的檢測方法。
背景技術(shù)：
：短波信號(hào)是無線電通信中最為常見的信號(hào)集合之一。按照國際無線電咨詢委員會(huì)(CCIR)的劃分，短波定義為波長在100m～10m，頻率為3MHz～30MHz的電磁波，利用短波進(jìn)行的無線電通信成為短波通信，又稱高頻(HF)通信。在通常使用中，為了充分利用短波近距離通信的優(yōu)點(diǎn)，短波通信實(shí)際使用的頻率范圍為1.5MHz～30MHz。本發(fā)明涉及的技術(shù)是基于計(jì)算機(jī)視覺的短波信號(hào)的檢測識(shí)別。其中，計(jì)算機(jī)視覺的引入尤為重要。計(jì)算機(jī)視覺是指用計(jì)算機(jī)代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤、測量，從而實(shí)現(xiàn)類似于人眼視覺功能的一門計(jì)算機(jī)技術(shù)。其主要包含了圖像處理和模式識(shí)別兩個(gè)方面的內(nèi)容：圖像處理過程即目標(biāo)的定位過程，主要實(shí)現(xiàn)對(duì)輸入計(jì)算機(jī)的視覺信息進(jìn)行目標(biāo)位置分析，常用的方法包括圖像去噪、降維等；模式識(shí)別過程是指對(duì)表征事物或現(xiàn)象的各種形式的(數(shù)值的、文字的和邏輯關(guān)系的)信息進(jìn)行處理和分析，以對(duì)事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類和解釋的過程，是信息科學(xué)和人工智能的重要組成部分。常見的模式識(shí)別過程是基于機(jī)器學(xué)習(xí)的分類器實(shí)現(xiàn)的。其主要包括了數(shù)據(jù)訓(xùn)練集構(gòu)建、訓(xùn)練數(shù)據(jù)的特征提取、分類器的特征訓(xùn)練等步驟，最終通過測試分類器對(duì)于已知和未知數(shù)據(jù)的分類器性能，評(píng)價(jià)分類器的性能優(yōu)劣。目前，短波信號(hào)檢測還主要以人工偵察方式為主，即通過業(yè)務(wù)員人工對(duì)短波接收機(jī)收到的信號(hào)進(jìn)行偵聽。當(dāng)偵聽到某一可疑或者不確定信號(hào)時(shí)，還需要通過儀器對(duì)信號(hào)波形進(jìn)行可視化分析，并根據(jù)所獲取的信號(hào)參數(shù)研制相應(yīng)的接收控守設(shè)備。該過程對(duì)業(yè)務(wù)員的短波信號(hào)偵聽經(jīng)驗(yàn)要求很高，人工培訓(xùn)成本很大。本發(fā)明針對(duì)于傳統(tǒng)的人工短波信號(hào)檢測方法的人工成本高、耗時(shí)高等不足，提出了一種基于計(jì)算機(jī)視覺的短波信號(hào)檢測識(shí)別方法，通過計(jì)算機(jī)對(duì)短波信號(hào)中常見類別信號(hào)進(jìn)行自動(dòng)化的定位和分析，實(shí)現(xiàn)了短波信號(hào)的計(jì)算機(jī)自主類型識(shí)別，有效提高了信號(hào)檢測的時(shí)效性。技術(shù)實(shí)現(xiàn)要素：本發(fā)明所要解決的技術(shù)問題是針對(duì)在含噪通信信道中的短波信號(hào)人工檢測識(shí)別耗時(shí)高、復(fù)雜度高的問題，提供一種由信號(hào)的計(jì)算機(jī)視覺特征建模并通過SVM分類器判定的短波信號(hào)自動(dòng)化檢測與識(shí)別的方法，在保證短波信號(hào)檢測識(shí)別準(zhǔn)確性的情況下有效地提高該過程的時(shí)效性。本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案為：一種基于計(jì)算機(jī)視覺的短波信號(hào)定位檢測與時(shí)頻特征提取，并基于機(jī)器學(xué)習(xí)的SVM分類器，對(duì)信號(hào)的時(shí)頻特征進(jìn)行匹配，最終實(shí)現(xiàn)短波信號(hào)的自動(dòng)化檢測與識(shí)別。本發(fā)明的技術(shù)方案流程如圖1所示。本發(fā)明的方法包含如下步驟：1)對(duì)待檢測的信號(hào)時(shí)頻數(shù)據(jù)矩陣，按照頻率方向每300kHz分塊，得到時(shí)頻時(shí)頻數(shù)據(jù)子矩陣。2)對(duì)各時(shí)頻數(shù)據(jù)子矩陣，進(jìn)行如下信號(hào)定位檢測，具體操作如下：2.1)對(duì)時(shí)頻數(shù)據(jù)子矩陣在頻率軸上投影得到一維行和矢量V，V代表頻率方向上信號(hào)能量的累加，如圖2所示，其中圖2(a)為時(shí)頻數(shù)據(jù)子矩陣圖，圖2(b)為基于一維行和矢量V繪制的投影曲線。2.2)對(duì)V中各元素的分布直方圖進(jìn)行分析。定位閾值T＝(V_med-V_min)+V_med，其中V_med表示V元素的眾數(shù)，V_min表示V中元素的最小值。2.3)結(jié)合上一步中的定位閾值T作為門限，以及2.1)步中的投影曲線，參照投影曲線中高于門限的頻率區(qū)間，對(duì)時(shí)頻矩陣中對(duì)應(yīng)的頻率區(qū)間進(jìn)行截取，得到當(dāng)前處理的時(shí)頻數(shù)據(jù)子矩陣中存在的短波信號(hào)的時(shí)頻信號(hào)子矩陣的集合。3)將前兩步得到的各個(gè)時(shí)頻數(shù)據(jù)子矩陣對(duì)應(yīng)的時(shí)頻信號(hào)子矩陣集合合并，得到作為輸入的待檢測信號(hào)時(shí)頻數(shù)據(jù)矩陣中的包含的全部短波信號(hào)的時(shí)頻信號(hào)矩陣集合。4)對(duì)各個(gè)短波信號(hào)的時(shí)頻信號(hào)矩陣構(gòu)成的集合，逐一進(jìn)行信號(hào)特征提取。4.1)峰度特征對(duì)短波信號(hào)的時(shí)頻信號(hào)矩陣在頻率軸上投影得到一維數(shù)組Y。對(duì)Y進(jìn)行加窗遍歷處理，如圖3所示。分別計(jì)算臨近點(diǎn)對(duì)應(yīng)的數(shù)值之差，并將其代入下面的公式中。將Y中各個(gè)點(diǎn)的值替換為對(duì)應(yīng)的Du，最終得到峰度曲線Y’。將Y中各個(gè)點(diǎn)的值替換為對(duì)應(yīng)的Du，最終得到峰度曲線Y’。隨后進(jìn)行分組排序：以峰度曲線中的零值作為劃分依據(jù)，將峰度曲線劃分為多個(gè)尖峰組，統(tǒng)計(jì)各組對(duì)應(yīng)的峰度曲線區(qū)域最大值，得到尖峰組最大值序列進(jìn)行從大到小的排序。隨后設(shè)定閾值將分組排序中得到的從大到小排序的尖峰組最大值序列分成兩類，閾值為最大尖峰組對(duì)應(yīng)的峰度曲線的最大值除以常量C(經(jīng)驗(yàn)值C＝10^3)，取組序較小部分作為局部尖峰組最大值序列，并對(duì)該部分尖峰組最大值序列。對(duì)尖峰組最大值序列的兩相鄰數(shù)值依次求比值，統(tǒng)計(jì)得到最大比值對(duì)應(yīng)的兩個(gè)最大值位置，將兩最大值作為劃分界限，將尖峰組最大值序列劃分為兩部分，取序列次序較小的部分作為有效尖峰組最大值序列，統(tǒng)計(jì)該部分序列包含的最大值個(gè)數(shù)，作為有效尖峰個(gè)數(shù)，并作為峰度特征的結(jié)果進(jìn)行輸出；4.2)空間分布特征對(duì)短波信號(hào)的時(shí)頻信號(hào)矩陣在頻率軸上投影得到一維數(shù)組Y。求值域區(qū)間|V(i)|∈[a,b]，設(shè)區(qū)間大小為k(k＝b-a)，對(duì)k劃分(通過研究k值與分辨率的關(guān)系，得到對(duì)應(yīng)關(guān)系數(shù)組)，統(tǒng)計(jì)每個(gè)區(qū)間中的散點(diǎn)數(shù)量，計(jì)算出各個(gè)區(qū)間中包含的散點(diǎn)數(shù)占總散點(diǎn)數(shù)的比例。將各個(gè)區(qū)間的散點(diǎn)比例百分比數(shù)組作為空間分布特征輸出。4.3)對(duì)稱性特征對(duì)短波信號(hào)的時(shí)頻信號(hào)矩陣在頻率軸上投影得到一維數(shù)組Y。求值域區(qū)間[a,b]，設(shè)定門限C，曲線中高于C的部分為有效區(qū)域。其中，C＝0.2*(b-a)+a。以曲線最高點(diǎn)為起始點(diǎn)，向兩側(cè)找曲線第一次衰落到C以下時(shí)的位置作為結(jié)束點(diǎn)，分別求起始點(diǎn)與兩側(cè)結(jié)束點(diǎn)的距離d_right和d_left。求d_right和d_left之比，當(dāng)對(duì)稱時(shí)，該結(jié)果接近1。4.4)方差特征對(duì)短波信號(hào)的時(shí)頻信號(hào)矩陣在頻率軸上投影得到一維數(shù)組Y，提取數(shù)組Y中最大值位置對(duì)應(yīng)的頻率行Y(N)，計(jì)算Y(N)行的方差，作為方差特征輸出。4.5)矩形形態(tài)特征對(duì)于各個(gè)短波信號(hào)時(shí)頻數(shù)據(jù)矩陣，計(jì)算平均矩形度Pr。計(jì)算方法為Pr＝As/Ar(As是圖像中連通域S的面積，Ar是包圍該連通域的最小外接矩形面積)。對(duì)單個(gè)短波信號(hào)時(shí)頻數(shù)據(jù)矩陣對(duì)應(yīng)的4.1)至4.5)特征進(jìn)行整合，得到該短波信號(hào)時(shí)頻數(shù)據(jù)矩陣的特征矩陣。5)將4)得到的各個(gè)短波信號(hào)矩陣輸入到預(yù)先訓(xùn)練好的SVM分類器中，得到分類器輸出，按照分類器輸出結(jié)果，對(duì)短波信號(hào)類型進(jìn)行標(biāo)記。所述5)中，使用了已訓(xùn)練的SVM分類器，基于機(jī)器視覺所提取的峰度特征、空間分布特征、對(duì)稱性特征、方差特征、矩形形態(tài)特征，對(duì)短波信號(hào)類型進(jìn)行識(shí)別與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：傳統(tǒng)的短波信號(hào)檢測識(shí)別方法主要依賴手工方式檢測，人工成本高，且用時(shí)長。同時(shí)，已存在的一些涉及計(jì)算機(jī)技術(shù)的短波信號(hào)檢測識(shí)別方法應(yīng)用場景較為苛刻，對(duì)于噪聲的敏感度很高，且識(shí)別類型較為單一。本發(fā)明充分利用短波信號(hào)時(shí)頻矩陣的信息，結(jié)合計(jì)算機(jī)視覺技術(shù)，對(duì)短波信號(hào)時(shí)頻矩陣進(jìn)行多種特征的提取，并選擇高效的機(jī)器學(xué)習(xí)SVM分類器進(jìn)行訓(xùn)練和識(shí)別。整個(gè)過程相比于傳統(tǒng)的短波信號(hào)檢測方法，在保證準(zhǔn)確率的同時(shí)，有效降低了檢測的人工成本和用時(shí)，提高了短波信號(hào)檢測識(shí)別的時(shí)效性。實(shí)驗(yàn)結(jié)果表明，噪聲水平下限為0dB的含噪信道下，短波信號(hào)的平均檢測和識(shí)別正確率可達(dá)90％以上。附圖說明圖1是本發(fā)明方法的流程圖；圖2是時(shí)頻數(shù)據(jù)子矩陣在頻率軸上投影示意圖，其中圖2(a)為時(shí)頻數(shù)據(jù)子矩陣圖，圖2(b)為基于一維行和矢量V繪制的投影曲線。圖3是峰度特征的加窗過程示意圖。具體實(shí)施方式以下結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)闡述。本發(fā)明針對(duì)含噪信道中的短波信號(hào)檢測與識(shí)別設(shè)計(jì)了一種基于機(jī)器視覺的短波信號(hào)自動(dòng)檢測識(shí)別方法。在實(shí)際的使用中，計(jì)算機(jī)將通過本方法來對(duì)輸入的含噪短波信號(hào)進(jìn)行檢測識(shí)別。本發(fā)明的方法步驟如下：第一步：對(duì)待檢測的信號(hào)時(shí)頻數(shù)據(jù)矩陣，按照頻率方向每300kHz分塊，得到時(shí)頻時(shí)頻數(shù)據(jù)子矩陣。第二步：對(duì)各時(shí)頻數(shù)據(jù)子矩陣，進(jìn)行如下信號(hào)定位檢測，具體操作如下：1)對(duì)時(shí)頻數(shù)據(jù)子矩陣在頻率軸上投影得到一維行和矢量V，V代表頻率方向上信號(hào)能量的累加，如圖2所示，其中圖2(a)為時(shí)頻數(shù)據(jù)子矩陣圖，圖2(b)為基于一維行和矢量V繪制的投影曲線。2)對(duì)V中各元素的分布直方圖進(jìn)行分析。定位閾值T＝(V_med-V_min)+V_med，其中V_med表示V元素的眾數(shù)，V_min表示V中元素的最小值。3)結(jié)合上一步中的定位閾值T作為門限，以及2.1)步中的投影曲線，參照投影曲線中高于門限的頻率區(qū)間，對(duì)時(shí)頻矩陣中對(duì)應(yīng)的頻率區(qū)間進(jìn)行截取，得到當(dāng)前處理的時(shí)頻數(shù)據(jù)子矩陣中存在的短波信號(hào)的時(shí)頻信號(hào)子矩陣的集合。第三步：將前兩步得到的各個(gè)時(shí)頻數(shù)據(jù)子矩陣對(duì)應(yīng)的時(shí)頻信號(hào)子矩陣集合合并，得到作為輸入的待檢測信號(hào)時(shí)頻數(shù)據(jù)矩陣中的包含的全部短波信號(hào)的時(shí)頻信號(hào)矩陣集合。第四步：對(duì)各個(gè)短波信號(hào)的時(shí)頻信號(hào)矩陣構(gòu)成的集合，逐一進(jìn)行信號(hào)特征提取。1)峰度特征對(duì)短波信號(hào)的時(shí)頻信號(hào)矩陣在頻率軸上投影得到一維數(shù)組Y。對(duì)Y進(jìn)行加窗遍歷處理，如圖3所示。分別計(jì)算臨近點(diǎn)對(duì)應(yīng)的數(shù)值之差，并將其代入下面的公式中。將Y中各個(gè)點(diǎn)的值替換為對(duì)應(yīng)的Du，最終得到峰度曲線Y’。將Y中各個(gè)點(diǎn)的值替換為對(duì)應(yīng)的Du，最終得到峰度曲線Y’。隨后進(jìn)行分組排序：以峰度曲線中的零值作為劃分依據(jù)，將峰度曲線劃分為多個(gè)尖峰組，統(tǒng)計(jì)各組對(duì)應(yīng)的峰度曲線區(qū)域最大值，得到尖峰組最大值序列進(jìn)行從大到小的排序。隨后設(shè)定閾值將分組排序中得到的從大到小排序的尖峰組最大值序列分成兩類，閾值為最大尖峰組對(duì)應(yīng)的峰度曲線的最大值除以常量C(經(jīng)驗(yàn)值C＝10^3)，取組序較小部分作為局部尖峰組最大值序列，并對(duì)該部分尖峰組最大值序列。對(duì)尖峰組最大值序列的兩相鄰數(shù)值依次求比值，統(tǒng)計(jì)得到最大比值對(duì)應(yīng)的兩個(gè)最大值位置，將兩最大值作為劃分界限，將尖峰組最大值序列劃分為兩部分，取序列次序較小的部分作為有效尖峰組最大值序列，統(tǒng)計(jì)該部分序列包含的最大值個(gè)數(shù)，作為有效尖峰個(gè)數(shù)，并作為峰度特征的結(jié)果進(jìn)行輸出；2)空間分布特征對(duì)短波信號(hào)的時(shí)頻信號(hào)矩陣在頻率軸上投影得到一維數(shù)組Y。求值域區(qū)間|V(i)|∈[a,b]，設(shè)區(qū)間大小為k(k＝b-a)，對(duì)k劃分(通過研究k值與分辨率的關(guān)系，得到對(duì)應(yīng)關(guān)系數(shù)組)，統(tǒng)計(jì)每個(gè)區(qū)間中的散點(diǎn)數(shù)量，計(jì)算出各個(gè)區(qū)間中包含的散點(diǎn)數(shù)占總散點(diǎn)數(shù)的比例。將各個(gè)區(qū)間的散點(diǎn)比例百分比數(shù)組作為空間分布特征輸出。3)對(duì)稱性特征對(duì)短波信號(hào)的時(shí)頻信號(hào)矩陣在頻率軸上投影得到一維數(shù)組Y。求值域區(qū)間[a,b]，設(shè)定門限C，曲線中高于C的部分為有效區(qū)域。其中，C＝0.2*(b-a)+a。以曲線最高點(diǎn)為起始點(diǎn)，向兩側(cè)找曲線第一次衰落到C以下時(shí)的位置作為結(jié)束點(diǎn)，分別求起始點(diǎn)與兩側(cè)結(jié)束點(diǎn)的距離d_right和d_left。求d_right和d_left之比，當(dāng)對(duì)稱時(shí)，該結(jié)果接近1。4)方差特征對(duì)短波信號(hào)的時(shí)頻信號(hào)矩陣在頻率軸上投影得到一維數(shù)組Y，提取數(shù)組Y中最大值位置對(duì)應(yīng)的頻率行Y(N)，計(jì)算Y(N)行的方差，作為方差特征輸出。5)矩形形態(tài)特征對(duì)于各個(gè)短波信號(hào)時(shí)頻數(shù)據(jù)矩陣，計(jì)算平均矩形度Pr。計(jì)算方法為Pr＝As/Ar(As是圖像中連通域S的面積，Ar是包圍該連通域的最小外接矩形面積)。對(duì)單個(gè)短波信號(hào)時(shí)頻數(shù)據(jù)矩陣對(duì)應(yīng)的4.1)至4.5)特征進(jìn)行整合，得到該短波信號(hào)時(shí)頻數(shù)據(jù)矩陣的特征矩陣。第五步：將第四步得到的各個(gè)短波信號(hào)矩陣輸入到預(yù)先訓(xùn)練好的SVM分類器中，得到分類器輸出，按照分類器輸出結(jié)果，對(duì)短波信號(hào)類型進(jìn)行標(biāo)記。為了檢驗(yàn)本發(fā)明所提出的方法的性能，將本發(fā)明的方法對(duì)大量采集的時(shí)頻數(shù)據(jù)進(jìn)行了測試。測試平臺(tái)為visualstudio2010，系統(tǒng)配置為windows10(16G內(nèi)存，CPU為i5)。測試過程為：將實(shí)際采樣得到的短波信號(hào)數(shù)據(jù).dat文件輸入到基于本發(fā)明方法的C語言程序中，按照檢測識(shí)別輸出的短波信號(hào)類型，構(gòu)建該輸入數(shù)據(jù)的短波信號(hào)類型的短波信號(hào)集合，通過人工復(fù)查，統(tǒng)計(jì)短波信號(hào)分類的正確率。經(jīng)過對(duì)本發(fā)明方法進(jìn)行大量的時(shí)頻數(shù)據(jù)測試，驗(yàn)證本發(fā)明算法的實(shí)際性能。測試結(jié)果表明，本發(fā)明算法在含噪信道內(nèi)的信號(hào)檢測抗噪聲能力強(qiáng)，能夠在噪聲水平下限為0dB的含噪信道下對(duì)短波信號(hào)進(jìn)行有效的定位檢測。同時(shí)，本發(fā)明方法的實(shí)際實(shí)施過程基于計(jì)算機(jī)自動(dòng)進(jìn)行，避免了因檢測人員的人為不穩(wěn)定因素導(dǎo)致的檢測識(shí)別準(zhǔn)確率波動(dòng)，本方法的短波信號(hào)的平均檢測識(shí)別正確率可達(dá)90％以上。具有穩(wěn)定的檢測識(shí)別率，時(shí)效性好。表1基于本發(fā)明方法進(jìn)行一次基于實(shí)際信道的測試，得到的按照短波信號(hào)類型分類的短波信號(hào)集合。其中，信號(hào)個(gè)數(shù)對(duì)應(yīng)的數(shù)字為本方法分類得到的信號(hào)數(shù)，括號(hào)中為人工復(fù)查后確定的符合該短波信號(hào)類型的正確信號(hào)數(shù)目。通過統(tǒng)計(jì)，表1所述集合共包含信號(hào)1106個(gè)，其中正確的分類信號(hào)1031個(gè)，正確率為93.21％。表1基于短波信號(hào)類型的短波信號(hào)集合表2對(duì)比了本發(fā)明方法與傳統(tǒng)人工短波檢測識(shí)別方法、現(xiàn)有的時(shí)域短波信號(hào)檢測識(shí)別方法在平均準(zhǔn)確率、準(zhǔn)確率穩(wěn)定性、處理時(shí)間的差異。由于本發(fā)明方法基于計(jì)算機(jī)視覺對(duì)短波信號(hào)時(shí)頻特征進(jìn)行了有效提取，有效去除了冗余的特征信息，因此在準(zhǔn)確率方面較傳統(tǒng)人工檢測方法與現(xiàn)有的時(shí)域檢測識(shí)別方法有較大提升。由于采用了計(jì)算機(jī)自動(dòng)處理，因此準(zhǔn)確率穩(wěn)定性不受時(shí)間與人員疲勞的影響，較傳統(tǒng)的人工檢測識(shí)別方法更為穩(wěn)定。在處理時(shí)間方面，由于是對(duì)已提煉的短波信號(hào)的特征進(jìn)行檢測識(shí)別，因此處理的數(shù)據(jù)量較人工檢測方法與時(shí)域分析方法更少，同時(shí)引入了機(jī)器學(xué)習(xí)的SVM分類器進(jìn)行分類器識(shí)別，處理時(shí)間更短。表2對(duì)比本發(fā)明方法與其他的短波檢測識(shí)別方法方法類型傳統(tǒng)的人工短波檢測識(shí)別時(shí)域短波檢測識(shí)別基于計(jì)算機(jī)視覺的短波檢測識(shí)別平均準(zhǔn)確率60％70％93.21％準(zhǔn)確率穩(wěn)定性±20％±5％±5％處理時(shí)間＞1s＜500ms＜200ms當(dāng)前第1頁1 2 3