基于雙向滑動(dòng)平均的目標(biāo)長(zhǎng)度特征提取方法

周 云，舒占軍，李華瓊，周洪宇，于雪蓮

(1. 電子科技大學(xué) 電子工程學(xué)院, 成都 611731； 2. 中國(guó)民航局第二研究所， 成都 610041) (3. 南京電子技術(shù)研究所， 南京 210039)

·信號(hào)處理·

基于雙向滑動(dòng)平均的目標(biāo)長(zhǎng)度特征提取方法

周 云1，舒占軍1，李華瓊2，周洪宇3，于雪蓮1

(1. 電子科技大學(xué) 電子工程學(xué)院, 成都 611731； 2. 中國(guó)民航局第二研究所， 成都 610041) (3. 南京電子技術(shù)研究所， 南京 210039)

基于高分辨距離像的雷達(dá)目標(biāo)識(shí)別是該領(lǐng)域的研究熱點(diǎn)，而特征提取是其中的關(guān)鍵環(huán)節(jié)。相對(duì)于散射中心強(qiáng)度和位置特征而言，長(zhǎng)度特征隨目標(biāo)方位角變化的影響較小，是一種相對(duì)穩(wěn)定的特征，而且長(zhǎng)度特征屬于目標(biāo)本身的物理特征，具有實(shí)際的物理意義。文中提出一種基于雙向滑動(dòng)平均的目標(biāo)長(zhǎng)度特征提取方法，并將提取的長(zhǎng)度特征用于目標(biāo)粗分類。該方法首先對(duì)距離像進(jìn)行降噪處理，然后從左右兩端同時(shí)向中間進(jìn)行滑動(dòng)平均處理，當(dāng)滑動(dòng)均值大于預(yù)設(shè)的閾值時(shí)，即可確定目標(biāo)區(qū)域的起始和終止位置，從而得到目標(biāo)的長(zhǎng)度特征。該方法的核心在于分別估計(jì)左右兩端各自的閥值，而不是采用一個(gè)統(tǒng)一的閥值，并且在閥值估計(jì)的過程中同時(shí)考慮了距離像均值和噪聲的影響。因此，該方法對(duì)于距離像突變、非目標(biāo)區(qū)域野值等具有較強(qiáng)的穩(wěn)健性。通過對(duì)五類飛機(jī)的實(shí)測(cè)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，驗(yàn)證了該方法的有效性。

高分辨距離像；特征提取；目標(biāo)長(zhǎng)度；雙向滑動(dòng)平均

0 引 言

多年以來，基于高分辨距離像的雷達(dá)目標(biāo)識(shí)別一直備受關(guān)注，而特征提取方法是研究的焦點(diǎn)所在[1-4]。高分辨距離像可以反映強(qiáng)散射中心在雷達(dá)照射方向上的投影分布情況，而這些強(qiáng)散射中心一般被認(rèn)為與諸如機(jī)頭、機(jī)翼、機(jī)尾等的目標(biāo)的物理特征有關(guān)。因此，從高分辨距離像中提取強(qiáng)散射中心的位置和幅度信息作為特征用于分類是一種常用的做法。然而，無論是強(qiáng)散射中心的位置還是幅度特征，受目標(biāo)方位角變化的影響都非常劇烈，從而大大影響了目標(biāo)識(shí)別的性能[5-6]。

相比之下，目標(biāo)長(zhǎng)度特征隨方位角的變化較緩慢，并且是目標(biāo)本身的物理特征之一。因此，目標(biāo)長(zhǎng)度特征是一種穩(wěn)定、有效的物理特征。僅僅利用目標(biāo)長(zhǎng)度特征可能無法得到良好的識(shí)別效率，但對(duì)于進(jìn)行目標(biāo)粗分類來說卻非常有用[6-8]。

目標(biāo)長(zhǎng)度定義為目標(biāo)在雷達(dá)照射方向上的投影長(zhǎng)度，而估計(jì)目標(biāo)長(zhǎng)度的關(guān)鍵在于確定距離像中目標(biāo)區(qū)域的起始和終止位置。通常采用閥值法進(jìn)行處理，即在距離像中設(shè)置一個(gè)閥值，以超過閥值的部分作為目標(biāo)區(qū)域，用來估計(jì)目標(biāo)長(zhǎng)度。文獻(xiàn)[6]采用噪聲電平乘以一個(gè)門限系數(shù)K作為閥值，噪聲電平利用不包含目標(biāo)回波的噪聲區(qū)域估計(jì)得到，而門限系數(shù)K卻難以確定。文獻(xiàn)[7]以距離像的均值為參考首先確定一個(gè)閥值范圍，然后以一定的步長(zhǎng)進(jìn)行搜索，并通過計(jì)算一定量的距離像在各閥值下投影長(zhǎng)度的方差，最終確定一個(gè)最優(yōu)的閥值。該方法需要搜索，運(yùn)算量較大，且單幅距離像的閥值依賴于多幅距離像的方差，在實(shí)際應(yīng)用中容易受限。

閥值法對(duì)噪聲比較敏感，并且易受距離像的突變、非目標(biāo)部分出現(xiàn)的“野值”等因素的影響。針對(duì)該問題，文獻(xiàn)[8]提出了一種自適應(yīng)差分算子法對(duì)距離像進(jìn)行處理。文中實(shí)驗(yàn)結(jié)果表明，經(jīng)過處理后的距離像變得平滑，受噪聲影響大大減弱，從而使目標(biāo)區(qū)域起始和終止位置的確定變得相對(duì)容易。但文中并沒有給出確定目標(biāo)區(qū)域起始和終止位置的具體方法。文獻(xiàn)[9]提出了一種基于最優(yōu)路徑的目標(biāo)長(zhǎng)度提取方法，并驗(yàn)證了其在強(qiáng)噪聲環(huán)境下的有效性。然而，該方法的有效性僅局限于圓錐形物體，并且文中實(shí)驗(yàn)是在暗室環(huán)境下針對(duì)彈道目標(biāo)模型進(jìn)行的，對(duì)實(shí)測(cè)數(shù)據(jù)的有效性還有待進(jìn)一步驗(yàn)證。

針對(duì)以上問題，本文提出一種基于雙向滑動(dòng)平均的目標(biāo)長(zhǎng)度特征提取方法。該方法首先采用文獻(xiàn)[8]的方法對(duì)距離像進(jìn)行預(yù)處理；然后根據(jù)距離像的均值以及左右兩端的噪聲電平分別估計(jì)出左右兩端的閥值；最后從左右兩端同時(shí)向中間進(jìn)行滑動(dòng)平均處理，當(dāng)左端滑動(dòng)均值大于左端閾值時(shí)，即可確定目標(biāo)區(qū)域的起始位置；同樣地，當(dāng)右端滑動(dòng)均值大于右端閥值時(shí)，即可確定目標(biāo)區(qū)域的終止位置，從而得到目標(biāo)的長(zhǎng)度特征。對(duì)五類飛機(jī)的實(shí)測(cè)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明，該方法受距離像突變、野值等的影響較小，能準(zhǔn)確找到目標(biāo)區(qū)域的起始和終止位置，所提取的目標(biāo)長(zhǎng)度特征較穩(wěn)定，可用于進(jìn)行目標(biāo)粗分類。

1 目標(biāo)長(zhǎng)度特征

圖1為一幅實(shí)測(cè)的高分辨距離像，真實(shí)目標(biāo)的回波只占中間一部分區(qū)域，即為目標(biāo)區(qū)域，而兩端則為噪聲區(qū)域。估計(jì)目標(biāo)長(zhǎng)度的關(guān)鍵就是能否準(zhǔn)確確定目標(biāo)區(qū)域在距離像中的起始位置Pb和終止位置Pe。確定了起始和終止位置以后，目標(biāo)長(zhǎng)度特征便可由公式(1)計(jì)算得到

L=(Pb-Pe)×ΔR

(1)

式中：ΔR為雷達(dá)系統(tǒng)的距離分辨率。

圖1 實(shí)測(cè)距離像

2 目標(biāo)長(zhǎng)度特征提取

2.1 預(yù)處理

采用文獻(xiàn)[8]提出的自適應(yīng)差分算子法對(duì)測(cè)量到的高分辨距離像進(jìn)行預(yù)處理。差分算子的定義如下

(2)

可知，式(2)中所定義的差分算法本質(zhì)上就是一個(gè)寬度為2M、奇對(duì)稱的窗。

設(shè)x=[x1,x2,…,xN]T是一幅高分辨距離像，將差分算子在距離上從左到右逐點(diǎn)滑動(dòng)。每滑動(dòng)一步，就對(duì)差分算子與落入窗內(nèi)的距離像進(jìn)行內(nèi)積運(yùn)算并取絕對(duì)值。該過程可表示為

i=1,2,…,N-2M+1

(3)

經(jīng)過自適應(yīng)差分處理后的距離像為

y=[y1,y2,…,yN-2M+1]T

(4)

對(duì)圖1中的高分辨距離像進(jìn)行上述的自適應(yīng)差分處理，結(jié)果如圖2所示。

圖2 預(yù)處理后的距離像

2.2 雙向滑動(dòng)平均法

由圖2可知，預(yù)處理后的距離像變得光滑，噪聲得到了較好的抑制。然而，一些非目標(biāo)部分的野值并沒有被很好地抑制掉，仍然會(huì)影響目標(biāo)區(qū)域起始和終止位置的確定。為此，本文在確定閥值時(shí)，不僅將距離像的均值電平作為參考，而且考慮噪聲部分的影響，并通過滑動(dòng)平均的方法進(jìn)一步減弱野值的影響。此外，起始位置和終止位置的確定采用各自不同的閥值，從左右兩端同時(shí)向中間滑動(dòng)，故為雙向滑動(dòng)平均法。

采用雙向滑動(dòng)平均方法估計(jì)目標(biāo)長(zhǎng)度的主要步驟如下：

1)采用自適應(yīng)差分法對(duì)高分辨距離像進(jìn)行預(yù)處理。

2)根據(jù)目標(biāo)的真實(shí)長(zhǎng)度，將預(yù)處理后的距離像粗略劃分為中間的目標(biāo)區(qū)域以及左右兩端的噪聲區(qū)域。

3)計(jì)算距離像的均值(meanHRRP)以及左右兩端噪聲區(qū)域的最大值(maxnoiseL，maxnoiseR)，并按式(5)確定左右兩端的閥值TL和TR

(5)

4)確定滑窗寬度m，從左右兩端同時(shí)向中間進(jìn)行滑動(dòng)。

5)每滑動(dòng)一步，分別計(jì)算落入兩個(gè)滑窗內(nèi)的數(shù)據(jù)的均值，記為AL和AR。將AL與TL比較，若AL>TL，則將當(dāng)前左滑窗的位置記為起始點(diǎn)Tb，停止滑動(dòng)；否則，繼續(xù)向中間滑動(dòng)。同理，將AR與TR比較，若AR>TR，則將當(dāng)前右滑窗的位置記為終止點(diǎn)Te；否則，繼續(xù)想中間滑動(dòng)。重復(fù)該過程，直到Tb和Te均確定為止。

6)考慮到差分算子的寬度2M，目標(biāo)長(zhǎng)度的估計(jì)結(jié)果為

L=(Tb-Te-2M+1)×ΔR

(6)

圖3 目標(biāo)區(qū)域起始和終止位置的確定

可以看到，采用文獻(xiàn)[7]中的方法找到的目標(biāo)區(qū)域起始位置和終止位置均向中間偏離，估計(jì)出的目標(biāo)長(zhǎng)度將明顯小于真實(shí)值。其原因在于選取的閥值高于圖中所標(biāo)注的野值的電平。相比之下，本文的雙向滑動(dòng)平均法可以免受圖中標(biāo)注的野值的影響，準(zhǔn)確地找到目標(biāo)區(qū)域的起始和終止位置，從而能得到更精確的目標(biāo)長(zhǎng)度特征。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)說明

本文實(shí)驗(yàn)所用數(shù)據(jù)來源于寬帶雷達(dá)在外場(chǎng)對(duì)五類民航飛機(jī)(A319、A320、B737、B752、E145)所成的高分辨距離像。進(jìn)行外場(chǎng)采集時(shí)，各類飛機(jī)均處于升空階段，姿態(tài)角變化較為劇烈。雷達(dá)信號(hào)帶寬為200 MHz，采樣率為1 GHz。五類飛機(jī)的機(jī)長(zhǎng)和翼展參數(shù)如表1所示[10]。

表1 五類飛機(jī)的機(jī)長(zhǎng)和翼展參數(shù) m

實(shí)測(cè)距離像的原始長(zhǎng)度為1 000點(diǎn)，采用文獻(xiàn)[10]的方法截取400點(diǎn)可滿足對(duì)真實(shí)目標(biāo)回波的完全覆蓋。處理后，五類飛機(jī)的距離像如圖4所示，實(shí)驗(yàn)中每類飛機(jī)的樣本數(shù)量均為160。

圖4 五類飛機(jī)的實(shí)測(cè)離像

3.2 長(zhǎng)度特征提取結(jié)果及分析

采用本文的雙向滑動(dòng)平均法對(duì)上述五類飛機(jī)的實(shí)測(cè)距離像進(jìn)行長(zhǎng)度特征提取實(shí)驗(yàn)，結(jié)果如圖5所示。本文實(shí)驗(yàn)中，雙向滑動(dòng)平均法的滑窗長(zhǎng)度取值為4～8。由圖5中的長(zhǎng)度特征分布圖可見，采用本文方法提取的長(zhǎng)度特征較為穩(wěn)定，可用于目標(biāo)粗分類。

圖5 采用雙向滑動(dòng)平均法提取的長(zhǎng)度特征

對(duì)表1中五類飛機(jī)的實(shí)際物理尺寸進(jìn)行分析可知：

1)飛機(jī)的投影長(zhǎng)度與飛機(jī)實(shí)際的機(jī)長(zhǎng)和翼展均有關(guān)，且隨飛機(jī)方位角的變化緩慢變化。在0°方位角附近，投影長(zhǎng)度主要由機(jī)長(zhǎng)決定；在90°方位角附近，投影長(zhǎng)度主要由翼展決定。

2)B752的機(jī)長(zhǎng)和翼展比其他飛機(jī)的都要大很多，最容易區(qū)分出來；B752的翼展和A320的機(jī)長(zhǎng)接近，只有當(dāng)B752位于90°方位角附近，而A320位于0°方位角附近時(shí)，兩者將難于區(qū)分。

3)A320的機(jī)長(zhǎng)比B752小10m左右，比其他三類飛機(jī)至少大4m左右，單從機(jī)長(zhǎng)來說，容易與其他三類飛機(jī)區(qū)分開來。但A320和A319的翼展長(zhǎng)度非常相似，可以想到，如果這兩類飛機(jī)的方位角都在90°附近時(shí)，它們的投影長(zhǎng)度將非常接近，兩類飛機(jī)將很難區(qū)分。

4)A319和B737的機(jī)長(zhǎng)非常相近，如果兩類飛機(jī)的方位角均在0°附近，將很難區(qū)分；但它們的翼展相差6 m左右，當(dāng)方位角偏離0°，向90°靠近時(shí)，兩類飛機(jī)投影長(zhǎng)度的差別將越來越大，也將容易區(qū)分。

5)A319和E145的機(jī)長(zhǎng)之間、翼展之間以及機(jī)長(zhǎng)-翼展之間的尺寸均相差較大，所以根據(jù)投影長(zhǎng)度，這兩類飛機(jī)應(yīng)該很容易區(qū)分。

6)B737和E145的機(jī)長(zhǎng)之間和翼展之間均相差較大，但B737的翼展與E145的長(zhǎng)接近，當(dāng)B737位于90°方位角附近，而E145位于0°方位角附近時(shí)，二者將難于區(qū)分。

由圖5可知，根據(jù)所提取的長(zhǎng)度特征，可以較容易地將這五類飛機(jī)粗分為四類。B752、A320和A319之間很容易區(qū)分，B737和E145的長(zhǎng)度特征曲線重疊較嚴(yán)重，在沒有其他信息的條件下，無法區(qū)分。

3.3 基于長(zhǎng)度特征的目標(biāo)粗分類實(shí)驗(yàn)

將提取的每類飛機(jī)的目標(biāo)長(zhǎng)度特征分別按隔一取一和隔三取一的抽取方式獲得訓(xùn)練樣本集，剩余樣本構(gòu)成測(cè)試樣本集。采用最小距離分類器進(jìn)行分類，即：將每類飛機(jī)練樣本集的均值作為模板，分類時(shí)，計(jì)算每個(gè)測(cè)試樣本與每類飛機(jī)模板之間的歐式距離，距離最小的一類即為該測(cè)試樣本的類別。粗分類的結(jié)果如表2和表3所示，表中分類結(jié)果以混淆矩陣的形式給出。

表2和表3中粗分類的結(jié)果進(jìn)一步表明，根據(jù)目標(biāo)長(zhǎng)度特征進(jìn)行分類，A319、A320和B752三類飛機(jī)都可以得到良好的識(shí)別效果，而B737和E145兩類飛機(jī)容易混淆，識(shí)別效果不佳。該結(jié)果與圖5中五類飛機(jī)長(zhǎng)度特征的分布圖完全吻合。

表2 粗分類結(jié)果(隔一取一) %

表3 粗分類結(jié)果(隔三取一) %

結(jié)合3.2節(jié)中的分析可以推斷，在外場(chǎng)數(shù)據(jù)采集時(shí)，B737可能位于90°方位角附近，而E145位于0°方位角附近，從而使得兩者的投影長(zhǎng)度接近，難以區(qū)分。如果能得到所采集距離像的方位角信息，根據(jù)長(zhǎng)度特征進(jìn)行目標(biāo)分類將變得更為容易。

4 結(jié)束語

本文提出一種雙向滑動(dòng)平均法從目標(biāo)高分辨距離像中提取目標(biāo)長(zhǎng)度特征，該方法受距離像突變、野值等的影響較小，能準(zhǔn)確找到目標(biāo)區(qū)域的起始和終止位置，所提取的目標(biāo)長(zhǎng)度特征較穩(wěn)定。對(duì)五類民航飛機(jī)的實(shí)測(cè)數(shù)據(jù)進(jìn)行長(zhǎng)度特征提取實(shí)驗(yàn)，并將提取的長(zhǎng)度特征用于目標(biāo)粗分類，取得了較好的效果。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文所提方法的有效性，同時(shí)進(jìn)一步驗(yàn)證了根據(jù)長(zhǎng)度特征進(jìn)行目標(biāo)粗分類的可行性。

[1] JACOBS S P, SULLIVAN J A O. Automatic target recognition using sequences of high resolution radar profiles[J]. IEEE Transactions on AES, 2000, 36 (6): 364-380.

[2] 于雪蓮，汪學(xué)剛，劉本永. 基于KLLE和KNR的雷達(dá)目標(biāo)一維像識(shí)別[J]. 現(xiàn)代雷達(dá), 2008, 30 (10): 39-42. YU Xuelian, WANG Xuegang, LIU Benyong. Radar target recognition using range profiled based on KLLE and KNR[J]. Modern Radar, 2008, 30(10): 39-40.

[3] BLACKNELL D, GRIFFITHS H. Radar automatic target recognition and non-cooperative target recognition[M]. London, UK: The Institute of Engineering and Technology, 2013: 78-80.

[4] 孫 俊，陳亞偉，李崇誼，等. 基于雷達(dá)寬窄帶多特征信息融合的空中目標(biāo)識(shí)別[J]. 現(xiàn)代雷達(dá)，2015, 37(7): 15-19. SUN Jun, CHEN Yawei, LI Chongyi, et al. Fusion recognition of air target based on DS evidence theory with wideband and narrowband characteristics[J]. Modern Radar, 2015, 37(7): 15-19.

[5] DOO S H, SMITH G, BAKER C. Reliable target feature extraction and classification using potential target information[C]// Radar Conference. Arlington, VA: IEEE Press, 2015: 628-633.

[6] XU Xiaotian, WEN Tieniu. Research on air target classification based on extraction of physical features of high-resolution radar range profiles[C]// IEEE CIE International Conference on Radar. Chengdu: IEEE Press, 2011: 1668-1671.

[7] 王 濤, 李士國(guó), 王秀春. 一種基于高分辨距離像的目標(biāo)長(zhǎng)度特征提取算法[J]. 中國(guó)電子科學(xué)研究院學(xué)報(bào), 2006, 1(6): 532-535. WANG Tao, LI Shiguo, WANG Xiuchun. Extraction of target length using high resolution range profiles[J]. Journal of CAEIT, 2006,1(6): 532-535.

[8] LIAO Kuo, YANG Wanlin. Extraction of radar target length based on high resolution range profile[C]// International Conference on Electrical and Control Engineering. Wuhan: IEEE Press, 2010: 956-959.

[9] NING C, HUANG J, GAO C, et al. A new method for estimating radar profile length of a cone target[C]// IEEE International Conference on Green Computing and Communications. [S.l.]: IEEE Press, 2013: 1561-1565.

[10] 廖 闊. 基于高分辨距離像的雷達(dá)自動(dòng)目標(biāo)識(shí)別研究[D]. 成都：電子科技大學(xué)，2006. LIAO Kuo. Automatic target recognition based on high resolution radar profiles[D]. Chengdu ：University of Electronic Science and Technology of China, 2006.

周 云 男，1977年生，副教授。研究方向?yàn)槔走_(dá)信號(hào)處理、雷達(dá)目標(biāo)識(shí)別。

舒占軍 男，1990年生，碩士研究生。研究方向?yàn)槔走_(dá)目標(biāo)識(shí)別與跟蹤。

李華瓊 女，1963年生，高級(jí)工程師。研究方向?yàn)槟繕?biāo)識(shí)別、空中交通信息系統(tǒng)與控制。

周洪宇 女，1973年生，高級(jí)工程師。研究方向?yàn)殡娮訉?duì)抗總體工程。

于雪蓮 女，1980年生，副教授。研究方向?yàn)槔走_(dá)目標(biāo)識(shí)別、檢測(cè)與跟蹤。

A Method of Radar Target Length Feature Extraction Based on Two-way Sliding Average

ZHOU Yun1，SHU Zhanjun1，LI Huaqiong2, ZHOU Hongyu3，YU Xuelian1

(1. School of Electronic Engineering, University of Electronic Science and Technology, Chendu 611731, China) (2. The Second Research Institute of CAAC, Chengdu 610041, China) (3. Nanjing Research Institute of Electronics Technology, Nanjing 210039, China)

Radar automatic target recognition based on high range resolution profile (HRRP) has been subject to intense research and feature extraction is a critically important process. Generally, a number of dominant scatterers are selected from a HRRP and their intensities and locations are used as a target feature. However, both intensity and location are in fast variation with the changes of the target aspect angle and this degrades the classification performance. By contrast, the target length, as an inherent physical feature of target, varies relatively slowly with the aspect angle, thus providing a promising feature for rough classification purpose. In this paper, a two-way sliding average method is proposed to extract the target length feature from a HRRP. The HRRP is firstly pre-processed by using a de-noising method, and then the sliding average method is conducted on the pre-processed HRRP from the left and right side simultaneously. The beginning or ending position of target area is determined and the target length is obtained when the sliding mean goes over the preset threshold. The core of our method lies in that two individual thresholds are estimated for the left and right side respectively rather than one single. Moreover, by taking both the mean of the HRRP and noises into consideration, the method is relatively robust to abrupt changes in the HRRP or outliers in non-target area. Experimental results based on measured data from five airplanes show the effectiveness of the proposed method.

high range resolution profile; feature extraction; target length feature; two-way sliding average

10.16592/ j.cnki.1004-7859.2016.04.006

中國(guó)博士后科學(xué)基金(2014T70858)

于雪蓮 Email：xlyu2012@uestc.edu.cn

2015-11-02

2016-01-26

TN911.7

A

1004-7859(2016)04-0025-05