基于雷達(dá)寬窄帶多特征信息融合的空中目標(biāo)識別

孫 俊，陳亞偉，李崇誼，謝蘇道

(1.中國電子科技集團(tuán)公司智能感知技術(shù)重點(diǎn)實(shí)驗(yàn)室， 南京210039)(2.南京電子技術(shù)研究所， 南京210039)

0 引言

利用雷達(dá)對目標(biāo)的測量信息進(jìn)行自動目標(biāo)識別有多種途徑，根據(jù)雷達(dá)距離分辨率的高低，可以將雷達(dá)自動目標(biāo)識別分為低距離分辨率目標(biāo)識別和高距離分辨率目標(biāo)識別，二者利用不同目標(biāo)特征解決不同層次的目標(biāo)識別問題。目標(biāo)雷達(dá)窄帶信息所攜帶的目標(biāo)特征有限，僅僅依靠目標(biāo)的窄帶回波信息的目標(biāo)識別技術(shù)很難滿足作戰(zhàn)的需求;而寬帶信號具有高的距離分辨率，能夠反映目標(biāo)結(jié)構(gòu)等細(xì)節(jié)信息，目標(biāo)信息量較窄帶信息大得多，對目標(biāo)識別非常有利。

隨著高分辨率雷達(dá)技術(shù)的成熟，目前國內(nèi)學(xué)者對雷達(dá)目標(biāo)識別的研究由八、九十年代以窄帶特征識別為主轉(zhuǎn)變?yōu)橐詫拵卣髂繕?biāo)識別研究為主，這期間以國防科技大學(xué)、西安電子科技大學(xué)等院校的理論科研成果居多。而窄帶信號提取的目標(biāo)雷達(dá)橫截面(RCS)和運(yùn)動特征，如:目標(biāo)的高度、航跡、速度等，反映了目標(biāo)的窄帶電磁散射特性和運(yùn)動性能，對目標(biāo)也是具有區(qū)分力的。高分辨一維距離像(High Resolution Range Profile，HRRP)刻畫目標(biāo)結(jié)構(gòu)細(xì)節(jié)，運(yùn)動特征則反映目標(biāo)作為“點(diǎn)”看待時的運(yùn)動性能。二者具有較好的獨(dú)立性和互補(bǔ)性，將目標(biāo)HRRP與運(yùn)動特征相結(jié)合進(jìn)行目標(biāo)識別，對于提高系統(tǒng)識別性能是很有潛力的。另外，隨著現(xiàn)代雷達(dá)技術(shù)的不斷發(fā)展，當(dāng)前許多雷達(dá)系統(tǒng)都可以提供目標(biāo)所對應(yīng)的寬窄帶回波信息，這也為寬窄帶的融合提供了很好的現(xiàn)實(shí)條件。

由于目標(biāo)的寬帶和窄帶信息有很強(qiáng)的互補(bǔ)性，同時利用雷達(dá)的寬帶和窄帶信息對目標(biāo)識別大有好處，主要體現(xiàn)在以下四個方面:(1)利用窄帶信息估計得到的目標(biāo)姿態(tài)信息可以用于提高識別率、降低運(yùn)算量;(2)目標(biāo)類別數(shù)較多時，先利用窄帶信息對目標(biāo)進(jìn)行分類，再利用寬帶信息識別的策略有利于目標(biāo)識別的實(shí)時處理和實(shí)際工程應(yīng)用;(3)目標(biāo)寬帶特征和RCS(RCS起伏特性)、速度、加速度、運(yùn)動軌跡、微多普勒等窄帶特征有較強(qiáng)的互補(bǔ)性，綜合利用上述特征可以進(jìn)一步提高系統(tǒng)識別的穩(wěn)健性;(4)在復(fù)雜背景下，寬、窄帶多特征的利用可以增加目標(biāo)識別系統(tǒng)識別信息的輸出量，信息融合后的決策準(zhǔn)確性較高。

本文以HRRP進(jìn)行目標(biāo)識別作為基線系統(tǒng)，進(jìn)一步融合目標(biāo)的窄帶運(yùn)動特征，基于DS證據(jù)理論的寬窄帶融合識別方法進(jìn)行研究。在分析以HRRP的功率譜和目標(biāo)速度、高度為識別特征的寬窄帶識別系統(tǒng)特點(diǎn)的基礎(chǔ)上，利用DS證據(jù)理論實(shí)現(xiàn)了基于寬窄帶識別結(jié)果的決策層融合目標(biāo)識別，給出外場實(shí)測數(shù)據(jù)的測試結(jié)果與性能分析，證明了算法的有效性。

1 基于HRRP的寬帶目標(biāo)識別

采用的寬帶識別系統(tǒng)以HRRP的頻譜幅度和目標(biāo)姿態(tài)角為輸入，通過訓(xùn)練得到不同目標(biāo)在各個角域的高斯混合模型，將基于該模型獲得的輸入樣本的類別隸屬度作為寬帶識別系統(tǒng)的輸出，詳細(xì)流程如圖1所示。算法見文獻(xiàn)［1］。由所選擇的寬帶識別特征與識別方法決定該寬帶識別結(jié)果具有以下三個特點(diǎn):

圖1 寬帶識別流程

1)識別性能較好。作為寬帶識別特征基礎(chǔ)的HRRP可以看作是目標(biāo)等效散射點(diǎn)回波沿雷達(dá)視線方向的投影矢量和，它調(diào)制了目標(biāo)的形狀和結(jié)構(gòu)等細(xì)節(jié)信息，對不同目標(biāo)具有較好的區(qū)分能力。由其計算得到的功率譜不僅保留了大量的調(diào)制信息，同時，又很好地克服了平移敏感性，保證了寬帶識別結(jié)果較好的準(zhǔn)確性。

2)姿態(tài)角敏感。雖然寬帶識別率方法中運(yùn)用了分角域處理，提高了單個目標(biāo)在不同角域的識別性能，但是不同目標(biāo)在各個角域的區(qū)分度是有很大差異的，反映在寬帶識別結(jié)果上則表現(xiàn)為識別性能對姿態(tài)角的敏感性。

3)與信噪比有很強(qiáng)的相關(guān)性。信噪比是反映一維距離像質(zhì)量的一個重要指標(biāo)，信噪比越高，可提取的目標(biāo)的調(diào)制信息越明確，對應(yīng)寬帶識別結(jié)果也就越好。

2 窄帶目標(biāo)識別

窄帶特征中的目標(biāo)運(yùn)動特征可以有效反映目標(biāo)的運(yùn)動性能，對目標(biāo)具有一定的區(qū)分力，可以用來進(jìn)行目標(biāo)的粗略識別，特別是對于彈道導(dǎo)彈與普通飛機(jī)目標(biāo)的區(qū)分是十分有效的，依靠目標(biāo)的運(yùn)動軌跡和運(yùn)動速度就可以有效地區(qū)分彈道導(dǎo)彈與飛機(jī)目標(biāo)。雖然運(yùn)動特征不能區(qū)分空中目標(biāo)的具體型號，但區(qū)分直升機(jī)、螺旋槳飛機(jī)和戰(zhàn)斗機(jī)還是可行的。飛機(jī)的飛行高度也是飛行性能的重要指標(biāo)，但通常不單獨(dú)考慮，而是將其與速度聯(lián)合，利用飛行包線來描述目標(biāo)的飛行性能，飛行包線所包圍的區(qū)域越大，飛機(jī)的飛行性能也就越好。雖然基于一般訓(xùn)練集很難得到目標(biāo)精確的飛行包線，但是目標(biāo)的高度-速度聯(lián)合分布情況是大致符合包線的分布范圍的，而且對于目標(biāo)的慣常飛行狀態(tài)情況具有一定的描述能力。目標(biāo)的機(jī)動性在一定程度上可以用加速度來表征，加速度的絕對值越大，說明目標(biāo)運(yùn)動狀態(tài)的改變越快。不同目標(biāo)的機(jī)動性差異也可作為識別特征來提高識別的性能。

彈道導(dǎo)彈的運(yùn)動軌跡一般為拋物線，運(yùn)動速度一般超過2 000 m/s，因此，導(dǎo)彈的運(yùn)動特征與普通飛機(jī)的運(yùn)動特征差別非常明顯，因而對其進(jìn)行區(qū)分的準(zhǔn)確率非常高。而戰(zhàn)斗機(jī)、螺旋槳飛機(jī)和直升機(jī)三類飛機(jī)的運(yùn)動特征(速度、高度、加速度)也有很大的差異性，因此，我們采用如圖2所示的目標(biāo)速度、高度、加速度聯(lián)合組成特征向量［V h a］T來區(qū)分戰(zhàn)斗機(jī)、螺旋槳飛機(jī)和直升機(jī)。

圖2 窄帶目標(biāo)識別算法流程框圖

3 基于多特征DS證據(jù)理論的寬窄帶融合目標(biāo)識別

基于DS證據(jù)理論進(jìn)行寬窄帶的融合目標(biāo)識別主要包括三個方面的內(nèi)容:證據(jù)基本概率的獲得、基于Dempster組合規(guī)則的證據(jù)合成以及融合結(jié)果的決策。

1)證據(jù)基本概率的獲得

在DS證據(jù)理論中，為了對證據(jù)的不確定性進(jìn)行更好地描述，引入了基本概率賦值函數(shù)。基本概率賦值反映證據(jù)對命題的直接支持和信任程度，其可靠性與合理性對于證據(jù)融合的效果具有重要影響［2］。目標(biāo)識別后得到的類別隸屬度表示識別樣本與各目標(biāo)類別的相似程度，根據(jù)對應(yīng)的實(shí)際意義，這里以寬窄帶識別后的類別隸屬度為基礎(chǔ)進(jìn)行證據(jù)的基本概率賦值［3］。

U是一個由十種飛機(jī)構(gòu)成的識別框架，U={P1，P2，…，P10}，其中，P1～P5為戰(zhàn)斗機(jī)，P6為轟炸機(jī)，P7～P9為運(yùn)輸機(jī)，P10為民航。寬帶方面，通過提取HRRP的頻譜幅度和目標(biāo)姿態(tài)角進(jìn)行識別所獲得的目標(biāo)類別隸屬度表示為 DW={Dw(P1)，Dw(P2)，…，Dw(P10)}。窄帶基于目標(biāo)的運(yùn)動特征進(jìn)行識別，獲得窄帶的目標(biāo)隸屬度表示為 DN={Dn(P1)，Dn(P2)，…，Dn(P10)}。寬帶、窄帶的基本概率賦值函數(shù)表示為mW(P)、mN(P)，以窄帶為例，其基本概率賦值mN(P)由式(1)獲得

同樣的方法可以確定寬帶的基本概率賦值mW(P)。在式(1)的基本概率賦值方法中，不確定性元素所對應(yīng)的基本概率賦值主要由兩個因素決定:一是依據(jù)先驗(yàn)知識得到的對所用識別方法的置信度。在基本概率賦值中，反映為μ的大小，置信度越高，不確定性越小，對應(yīng)的μ值也就越小。具體賦值需依據(jù)證據(jù)的可信程度情況恰當(dāng)選擇，本文中寬帶證據(jù)可信度較高，窄帶證據(jù)模糊性較大。因此，應(yīng)以寬帶為主、窄帶為輔進(jìn)行融合，設(shè)置寬帶時μ=0.05，窄帶時μ=0.1。二是單次識別所獲得的類別隸屬度的模糊熵。模糊熵是模糊理論中用來表示模糊集合模糊度的測度［4］，在這里用來表示單次識別類別隸屬度的模糊程度，當(dāng)各類別隸屬度均等時，模糊熵為1;當(dāng)判分結(jié)果完全明確時，模糊熵為0。由此獲得的不確定性賦值不僅考慮了證據(jù)的先驗(yàn)信息，還具有一定的自適應(yīng)性，可以根據(jù)單次識別結(jié)果的模糊度自動調(diào)整不確定性的大小。

2)基于Dempster組合規(guī)則的證據(jù)合成

Dempster組合規(guī)則是DS證據(jù)理論中的經(jīng)典組合方法［5］，通過證據(jù)基本概率賦值的正交和與合理組合集的歸一化來使信任度向不確定性小的元素集中，降低判決的不確定程度。基于Dempster組合規(guī)則得到的合成證據(jù)的基本概率賦值mF(C)可表示為

綜合多特征的融合目標(biāo)識別算法如圖3所示:(1)將基于HRRP識別算法與目標(biāo)長度的限度模型進(jìn)行融合，輸出融合后的評分;(2)使用基于DS證據(jù)理論的融合算法與目標(biāo)的運(yùn)動特征模型評分進(jìn)行融合;(3)不同時刻的特征投票融合;(4)輸出最終識別結(jié)果。

圖3 綜合識別的框圖

4 實(shí)驗(yàn)結(jié)果與討論

4.1 實(shí)驗(yàn)數(shù)據(jù)描述

采用空中目標(biāo)的外場實(shí)測數(shù)據(jù)，10類觀測目標(biāo)，各類目標(biāo)訓(xùn)練數(shù)據(jù)的姿態(tài)角覆蓋全面，目標(biāo)距離分布從近到遠(yuǎn)分布不等，近距離目標(biāo)一維像質(zhì)量相對較好，遠(yuǎn)距離目標(biāo)一維像信噪比較低。

4.2 基于DS證據(jù)理論的融合方法有效性實(shí)驗(yàn)

表1給出了目標(biāo)在融合識別前后系統(tǒng)識別性能的對比情況，從表中可以看出:利用DS證據(jù)進(jìn)行融合后的系統(tǒng)識別性能顯著改善，各類目標(biāo)的識別率均得到了較大提高，充分證明了基于DS證據(jù)的寬窄帶融合識別方法的有效性。另外，基于窄帶運(yùn)動特征的識別可靠性較低，且對于不同目標(biāo)識別率有較大差異，識別的魯棒性較差，而基于寬帶HRRP的識別結(jié)果識別率較高，對于不同目標(biāo)的識別情況相對比較穩(wěn)定，這與特征區(qū)分力的分析情況一致。考慮寬窄帶識別性能的特點(diǎn)，本文中融合識別的性能改善情況利用寬帶HRRP的識別結(jié)果來衡量。

表1 基于DS證據(jù)理論的融合結(jié)果對比 %

1)不同信噪比條件下的融合改善情況

為了獲得融合方法在不同信噪比條件下的改善情況，對不同信噪比區(qū)間的回波識別情況進(jìn)行統(tǒng)計，如圖4所示。可以看到，不同信噪比區(qū)間下，相對于寬帶識別的融合改善結(jié)果具有較好的穩(wěn)定性。同時，在信噪比低于20 dB時，可以明顯看到寬帶識別結(jié)果隨信噪比的提高大幅提升，而窄帶識別結(jié)果僅發(fā)生了小幅波動，這在一定程度上驗(yàn)證了前文關(guān)于寬窄帶識別系統(tǒng)的信噪比敏感性的分析。

2)不同運(yùn)動特征的融合結(jié)果

為了對比速度、高度和加速度在融合中所起的作用，表2給出了利用單個運(yùn)動特征與HRRP進(jìn)行融合的結(jié)果。可以看到，在所采用的運(yùn)動特征中，速度、高度與HRRP融合的改善較大，加速度與HRRP融合的改善情況相對較小，這是由不同目標(biāo)運(yùn)動特征的分布差異情況決定的。

表2 不同運(yùn)動特征與HRRP的融合結(jié)果對比 %

圖4 DS證據(jù)融合在不同信噪比區(qū)間的改善結(jié)果

3)目標(biāo)長度與頻譜幅度融合的有效性

表3給出了頻譜幅度與目標(biāo)長度融合前后的識別結(jié)果，可以看出融合目標(biāo)長度信息后識別系統(tǒng)的結(jié)果得到了較好的改善，對融合的有效性進(jìn)行了驗(yàn)證［8］。另外，通過改善情況可以看到，融合目標(biāo)長度對大目標(biāo)的改善更加明顯，分析其原因主要有兩個:(1)大目標(biāo)的尺寸差異更明顯，可以提供的區(qū)分信息更多，小目標(biāo)長度分布區(qū)域重疊情況相對嚴(yán)重;(2)大目標(biāo)的顯著一般較好，長度的提取準(zhǔn)確性比小目標(biāo)更好。

表3 頻譜幅度與目標(biāo)長度融合前后的識別結(jié)果 %

圖5為基本寬帶HRRP識別系統(tǒng)、融合長度特征系統(tǒng)、融合長度和運(yùn)動特征系統(tǒng)、融合多特征加投票策略系統(tǒng)的識別效果對比圖。從中可以看出，融合識別的方法對于識別系統(tǒng)的穩(wěn)健性是有明顯幫助的。最終融合了HRRP特征、長度特征、運(yùn)動特征和投票策略的系統(tǒng)較僅僅利用HRRP寬帶目標(biāo)識別系統(tǒng)識別率提高了近5個百分點(diǎn)，取得了較好的效果。

圖5 引入多融合后平均識別率的改善情況

5 結(jié)束語

為了有效利用目標(biāo)的寬窄帶識別信息提高系統(tǒng)的目標(biāo)識別性能，本文結(jié)合DS證據(jù)實(shí)現(xiàn)了寬窄信息相結(jié)合的目標(biāo)融合識別。將基本概率復(fù)制的獲得與寬窄帶識別系統(tǒng)的特點(diǎn)相結(jié)合，利用證據(jù)組合，實(shí)現(xiàn)了寬窄帶信息的融合，得到樣本的融合識別結(jié)果。基于實(shí)測數(shù)據(jù)獲得的實(shí)驗(yàn)結(jié)果表明:該方法可以有效提高系統(tǒng)的識別性能，增強(qiáng)系統(tǒng)識別方法的推廣能力，而且在不同信噪比條件下具有很好的穩(wěn)定性。在下一步的研究中，將對寬窄帶的識別特征進(jìn)行豐富，引入目標(biāo)的加速度、回波幅度等特征，提高寬窄帶識別結(jié)果的信息量，以便對基于寬窄帶的融合識別進(jìn)行更好的研究。

［1］ 孫 俊，戴蓓荷，劉 洋.基于聚類中心GDA的一維距離像目標(biāo)識別方法［J］.現(xiàn)代雷達(dá)，2009，31(6):47-50，59.Sun Jun，Dai Beihe，Liu Yang.HRRP target recognition method based on cluster centers for GDA［J］.Modern Radar，2009，31(6):47-50，59.

［2］ 韓崇昭，朱洪艷，段戰(zhàn)勝，等.多源信息融合［M］.北京:清華大學(xué)出版社，2006.Han Chongzhao，Zhu Hongyan，Duan Zhansheng，et al.Multi-source information fusion［M］.Beijing:Tsinghua University Press，2006.

［3］ 付耀文.雷達(dá)目標(biāo)融合識別研究［D］.長沙:國防科技大學(xué)，2003.Fu Yaowen.Research on radar target fusion recognition［D］.Changsha:National University of Defense Technology，2003.

［4］ Liang Z Z，Shi P F.An eficient and effective method to solve kernel Fisher discriminant analysis［J］.Neurocomputing，2004，61(1):485-493.

［5］ Liu Q S，Lu H Q，Ma S D.Improving kernel Fisher discriminant analysis for face recognition［J］.IEEE Transactions on Circuits and Systems for Video Technology，2004，14(1):42-49.

［6］ Baudat G，Anouar F.Kernel-based methods and function approximation［C］//Proceedings of the International Joint Conference on Neural Networks.Washington，DC:IEEE Press，2001:1244-1249.

［7］ 程云鵬.矩陣論［M］.2版.西安:西北工業(yè)大學(xué)出版社，2004.Cheng Yunpeng.Matrix theory［M］.2nd edition.Xi'an:Northwestern Ploytechnical University Press，2004.

［8］ 鄧 泳，王彩云.高分辨雷達(dá)信號參數(shù)對目標(biāo)識別的影響［J］.現(xiàn)代雷達(dá)，2008，30(8):40-45.Deng Yong，Wang Caiyun.Impact of high resolution radar waveform parameters on target classification［J］.Modern Radar，2008，30(8):40-45.