基于穩(wěn)健性時頻特征的地面目標分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于雷達技術(shù)領(lǐng)域，涉及目標分類方法，可用于對地面車輛目標和人體目 標的識別。
【背景技術(shù)】
[0002] 在窄帶雷達體制下，對實際目標分類時需要訓練數(shù)據(jù)訓練分類器，訓練數(shù)據(jù)通常 通過合作試驗或仿真實驗獲得，信噪比較高，然而用于測試的數(shù)據(jù)在非合作環(huán)境條件下獲 得，無法保證有較高的信噪比。大多數(shù)現(xiàn)有雷達目標分類方法在信噪比較低的條件下無法 保證有效地實現(xiàn)目標的分類。另外，由于人體目標和車輛目標通常擔任不同的任務，因此， 在低信噪比條件下有效地實現(xiàn)兩類地面目標的分類具有重要意義。
[0003]目前，對于地面目標分類識別，國內(nèi)外文獻提出了多種窄帶雷達體制下基于微 動調(diào)制特征的目標分類識別方法，例如杜蘭等發(fā)表的《Noise-Robust Classification of Ground Moving Targets Based on Time-Frequency Feature From Micro-Doppler signature》，根據(jù)兩類地面運動目標對雷達回波微動調(diào)制的差異提取現(xiàn)有特征，實現(xiàn)了兩 類地面目標的分類。該文章中提出了一種復概率主成分分析CPPCA的去噪方法，在現(xiàn)有特 征的基礎上實現(xiàn)了兩類地面目標的穩(wěn)健性分類。這種方法雖然能在高信噪比條件下有效 實現(xiàn)兩類地面目標的分類，但在低信噪比條件下，為有效實現(xiàn)兩類地面目標的分類，則需要 預先利用CPPCA去噪方法對目標雷達回波先進行去噪處理，而CPPCA去噪方法由于涉及到 矩陣求逆運算和特征值分解運算，因此，增大了兩類地面目標分類時的計算量，影響分類速 度。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于針對上述已有技術(shù)的不足，提出一種基于穩(wěn)健性時頻特征的地 面目標分類方法，以在低信噪比且無需對窄帶雷達回波預先進行去噪處理的條件下，快速 有效地實現(xiàn)車輛目標和人體目標的分類。
[0005] 為實現(xiàn)上述發(fā)明目的，本發(fā)明的包括如下技術(shù)步驟：
[0006] A.訓練步驟：
[0007] (Al)對低分辨雷達錄取的高信噪比慢時間信號進行能量歸一化，獲得訓練信號；
[0008] (A2)對訓練信號進行短時傅里葉變換，獲得訓練信號的時頻譜Y (t，f)，其中，f為 t時刻對應的瞬時頻率；
[0009] (A3)從訓練信號的時頻譜Y(t，f)中提取3維時頻特征，該3維時頻特征包括：訓 練信號時頻譜中目標多普勒調(diào)制的寬度W，訓練信號時頻譜中目標多普勒調(diào)制寬度范圍內(nèi) 的時頻熵C，訓練信號時頻譜中每一時刻最大幅度對應的頻率的方差V ;
[0010] (A4)利用3維時頻特征對支撐向量機分類器的參數(shù)進行訓練，得到訓練好的支撐 向量機分類器；
[0011] B.測試步驟
[0012] (BI)對低分辨雷達錄取的低信噪比慢時間信號進行能量歸一化，獲得測試信號；
[0013] (B2)對測試信號進行短時傅里葉變換，獲得測試信號的時頻譜P(t，f)，其中，f為 t時刻對應的瞬時頻率；
[0014] (B3)從測試信號的時頻譜P (t，f)中提取3維時頻特征，該3維時頻特征包括：測 試信號時頻譜中目標多普勒調(diào)制的寬度R，測試信號時頻譜中目標多普勒調(diào)制寬度范圍內(nèi) 的時頻熵U，測試信號時頻譜中每一時刻最大幅度對應的頻率的方差D ;
[0015] (B4)把步驟（B3)獲得的3維時頻特征送入到訓練好的支撐向量機分類器中，完成 對低信噪比慢時間信號的分類。
[0016] 本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點
[0017] 1、本發(fā)明通過提取訓練數(shù)據(jù)時頻譜中3維時頻特征，提高了對車輛目標和人體目 標的可分性。
[0018] 由于車身對車輪的遮擋嚴重，而人體目標四肢的運動半徑遠大于軀干的運動半 徑，使得車輛目標訓練信號時頻譜中目標多普勒調(diào)制的寬度較窄，而人體目標訓練信號時 頻譜中目標多普勒調(diào)制的寬度較寬，因此，人體目標訓練信號時頻譜中目標多普勒調(diào)制的 寬度與車輛目標訓練信號時頻譜中目標多普勒調(diào)制的寬度有很大的差異性，特征差異性的 大小反映了特征對目標可分性的好壞，所以本發(fā)明中提取的訓練信號時頻譜中目標多普勒 調(diào)制的寬度對車輛目標和人體目標具有很好的可分性；
[0019] 由于車輛目標的結(jié)構(gòu)簡單而人體目標四肢的雷達截面積與軀干的雷達截面積近 似，使得車輛目標訓練信號時頻譜中能量散布較小而人體目標訓練信號時頻譜中能量散布 較大，根據(jù)熵的定義，可得人體目標訓練信號時頻譜中目標多普勒調(diào)制寬度范圍內(nèi)的時頻 熵與車輛目標訓練信號時頻譜中目標多普勒調(diào)制寬度范圍內(nèi)的時頻熵有很大的差異性，因 此，本發(fā)明中提取的訓練信號時頻譜中目標多普勒調(diào)制的寬度范圍內(nèi)的時頻熵對車輛目標 和人體目標具有很好的可分性；
[0020] 由于人體目標訓練信號時頻譜中每一時刻最大幅度對應的頻率波動性遠大于車 輛目標訓練信號時頻譜中每一時刻最大幅度對應的頻率波動性，根據(jù)方差的定義，可得人 體目標訓練信號時頻譜中每一時刻最大幅度對應的頻率的方差遠與車輛目標訓練信號時 頻譜中每一時刻最大幅度對應的頻率的方差有很大的差異性，因此，本發(fā)明中提取的訓練 信號時頻譜中每一時刻最大幅度對應的頻率的方差對車輛目標和人體目標具有很好的可 分性。
[0021] 2、本發(fā)明由于提取了測試數(shù)據(jù)時頻譜中3維時頻特征，對車輛目標和人體目標分 類具有穩(wěn)健性：
[0022] 本發(fā)明從測試信號時頻譜中提取的3維時頻特征利用到測試信號的信噪比，使得 從測試信號時頻譜中提取的3維時頻特征隨信噪比的減小變化較小，對車輛目標和人體目 標分類具有穩(wěn)健性。
[0023] 3、本發(fā)明由于未涉及到復雜的矩陣求逆運算和特征值分解運算，對車輛目標和人 體目標分類時所耗費的時間很小，分類速度快。
【附圖說明】
[0024] 圖1是本發(fā)明的實現(xiàn)流程圖；
[0025] 圖2是用本發(fā)明和現(xiàn)有兩種方法對人體目標和車輛目標的分類正確率對比圖；
【具體實施方式】
[0026] 以下結(jié)合附圖對本發(fā)明的實施例做進一步詳細描述。
[0027] 參照圖1，本發(fā)明的具體實現(xiàn)步驟如下：
[0028] 步驟1，獲得訓練信號。
[0029] 在合作環(huán)境實驗條件下，利用低分辨雷達對人體目標和車輛目標的雷達回波進行 采集，得到人體目標和車輛目標的高信噪比慢時間信號s，對高信噪比慢時間信號能量進行 歸一化，得到訓練信號
，其中，< · >表示內(nèi)積運算。
[0030] 步驟2，獲得訓練信號的時頻譜。
[0031] 利用時頻變換工具箱對訓練信號I進行短時傅里葉變換，獲得訓練信號的時頻譜 ￥(七，〇，其中3=1，2，一，1~為訓練信號的長度3=1，2，一，1，1為短時傅里葉變換中 傅里葉變換的長度；
[0032] 步驟3,從訓練信號的時頻譜Y (t，f)中提取3維時頻特征。
[0033] 該3維時頻特征包括：訓練信號時頻譜中目標多普勒調(diào)制的寬度W，訓練信號時頻 譜中目標多普勒調(diào)制寬度范圍內(nèi)的時頻熵C，訓練信號時頻譜中每一時刻最大幅度對應的 頻率的方差V。
[0034] (3a)從訓練信號的時頻譜Y (t，f)中，求訓練信號時頻譜Y (t，f)的頻率熵E (f):
[0036] 其中，*表示乘法運算，（·）*logl0(( ·))表示求熵運算；
[0037] (3b)從訓練信號的時頻譜Y(t，f)中，求訓練信號時頻熵的均值1;
[0039] (3c)利用步驟（3a)和（3b)，對訓練信號時頻譜Y(t，f)的頻率熵E(f)的頻率f 進行搜索，獲得?(/#妄時的頻率f的集合Fl ;
[0040] (3d)利用步驟（3c)的結(jié)果，得到訓練信號時頻譜中目標多普勒調(diào)制的寬度：
[0041 ] W = max (Fl)-min (Fl)，
[0042] 其中，max和min分別為取最大值運算和取最小值運算；
[0043] (3e)利用步驟（3d)的結(jié)果，從訓練信號的時頻譜Y(t，f)中，求得訓練信號時頻譜 中目標多普勒調(diào)制寬度范圍內(nèi)的時頻熵：
[0045] (3f)從訓練信號的時頻譜Y(t，f)中，求t時刻訓練信號時頻譜Y(t，f)中最大幅 度對應的頻率G (t):
[0047] 其中，arg表示參數(shù)運算；
[0048] (3g)利用步驟（3f)的結(jié)果，得到訓練信號時頻譜中每一時刻最大幅度對應的頻 率的方差：
為所有時刻訓練信號時頻譜Y(t，f)中最大幅度對應的頻率 的均值。
[0051] 步驟4,利用從訓練信號的時頻譜Y(t，f)中提取的3維時頻特征對支撐向量機分 類器的參數(shù)進行訓練，得到訓練好的支撐向量機分類器。
[0052] 把從訓練信號的時頻譜Y(t，f)中提取的3維時頻特征及訓練數(shù)據(jù)的樣本標號送 入帶有高斯核的支撐向量機SVM分類器中，對帶有高斯核的支撐向量機支持向量機SVM分 類器的參數(shù)進行訓練，得到訓練好的作為支撐向量的特征向量和相應的權(quán)系數(shù)，其中，帶有 高斯核的支持向量機SVM分類器的核參數(shù)利用交叉驗證的方法或者最優(yōu)雷達參數(shù)條件下