基于證據理論的車輛微動特征識別技術

(中國航空工業集團公司雷華電子技術研究所， 江蘇無錫 214063)

0 引言

雷達具備目標識別能力對準確判斷敵方作戰意圖、制定正確作戰方案、支持火控打擊等作戰環節十分重要，是高層次態勢評估和威脅估計的主要依據。地面輪式車輛與履帶式車輛往往承擔不同的作戰任務，具有不同的威脅程度，因此，對地面車輛目標進行分類識別具有重要意義。

運動目標微多普勒特征可以從窄帶雷達回波中提取，能夠反映出目標微動部件結構特征，是輪式/履帶式車輛目標具有可區分性的本質特征[1]，故基于微動特征的運動車輛目標識別引起了廣泛關注。文獻[2-3]利用不同方法對車輛回波頻域信號進行分析，通過提取其頻域微動特征實現了車輛目標分類。文獻[4]提取了回波信號進行噪聲抑制后的時頻域特征，并利用SVM分類器完成了目標的分類識別。

在實際對運動目標進行跟蹤識別時，受地雜波以及雷達視線等因素的影響，地面運動目標微多普勒特征很不穩定，給利用單一特征進行識別帶來了難度。因此，采用多域特征融合識別的方法，降低不確定性帶來的影響，提高識別性能[5]。DS證據理論利用兩個或多個不相關的證據信息對辨識框架中的各命題進行獨立判斷，然后通過證據合成法則，將多個證據的判斷結果融合起來，進而獲得識別結果[6]。目前，基于證據理論的融合識別得到廣泛應用，但仍存在如何得到基本概率賦值等問題[7-8]。本文提出了基于DS的地面運動目標多域特征融合識別方法，在提取地面運動目標回波微多普勒特征的基礎上，融合頻域與時頻域微動特征，通過構建多層融合識別網絡完成地面輪式/履帶式車輛目標分類識別。該方法利用微動特征值構建網絡基本概率賦值，充分利用多域微動特征，提高了識別性能。

1 地面運動目標微動特征提取

1.1 輪式/履帶式車輛回波分析

地面目標微動部件相對于雷達視線的運動會產生微多普勒頻率，能夠反映目標微動部件結構特征。對輪式車輛，主要表現為車輪相對車身平動的轉動，對履帶式車輛，除了有車輪的轉動外，還有上履帶和下履帶的平動產生的微動效應。通過對輪式/履帶式車輛典型微動部件建模分析其微動特征[9]。

圖1 地面目標微動結構示意圖

如圖1所示，得到目標微動部件模型。首先對于輪式車輛，假設車身速度與坐標系速度一致，將車輪看作散射點的疊加，對部件上任一散射點P，其回波信號為

s(t)=Aexp[jξsin(ωt+θ0)]

(1)

式中，A為散射點強度，ω為轉動角頻率，ξ=4πd0/λ，d0為轉動半徑，λ為雷達波長。

將式(1)用傅里葉級數展開得到：

(2)

式中，Jn(ξ)為第一類n階貝塞爾函數。

則車輪的回波信號可以表示為

(3)

式中，K為車輪上散射點的個數。車輪轉動的微動調制在頻譜上表現為一系列的離散譜線，其幅度由散射點強度以及貝塞爾函數決定。

類似地，履帶式車輛目標的回波信號可以表示為

s(t)=sAB(t)+sBC(t)+sCD(t)+sDA(t)=

(4)

由輪式與履帶式車輛回波信號對比可知，相比于輪式車輛，履帶式車輛具有明顯的2v分量以及在0～2v之間的微多普勒分量，且由于材質原因，實測中輪式車輛微動效應不明顯，因此，可以從微多普勒特征出發，提取具有可分性的分類特征。

1.2 多域微動特征提取

特征提取是基于微動特征的地面目標分類的重要步驟，由于時域信號受地面雜波干擾較大，信噪比較低，其回波特征不明顯，故主要微動特征差異在頻域或時頻域中顯現。

1) 頻域特征提取

由上節分析可知，輪式/履帶式車輛目標特征差異主要體現在2v分量及在0～2v之間的微多普勒分量，故在頻域直觀地對這兩處差異進行特征提取。

頻譜展寬特征 判斷雜波譜與二倍譜之間是否存在頻譜展寬特征。首先對地面目標回波數據進行傅里葉變換得到目標回波頻譜S(f)，確定地雜波譜線位置nc與目標譜線位置nt，計算得到目標二倍譜線位置nt2，然后提取出0～2fd之間除了雜波譜與目標譜之外的所有頻點分量，并組成頻譜展寬向量S0，獲得當前環境下的平均噪聲值N0，最后計算信噪比向量為

即為頻譜展寬特征值。根據輪式/履帶式車輛回波微動特性可知，履帶式車輛具有明顯的頻譜展寬的特征，因此，其頻譜展寬特征值向量中元素值應較大。

二倍譜特征 判斷目標回波頻譜是否存在2fd分量。分析得到頻譜中二倍譜分量位置nt2，獲得該處譜線幅值并與平均噪聲幅值比較，計算得到:

即為二倍譜特征值。根據輪式/履帶式車輛回波微動特性可知，履帶式車輛在2fd處才會具備明顯的頻域突起特征，因此，其應具備較大的二倍譜特征值。

頻域特征提取示意如圖2所示。

圖2 頻域特征提取示意

2) 時頻域特征提取

時頻分析是一種描述信號的頻率隨時間變化的信號處理方法，它采用時間-頻率聯合來表征信號，通過在時頻域分析信號，以實現全面觀測信號特征的目的。短時傅里葉變換(STFT)是最常用的時頻分析方法，其基本的思想是：用特定的窗函數截取信號，再采用傅里葉變換處理窗內的信號，以得到該信號在那該時刻的頻率，沿著信號移動窗函數，就可以得到信號的頻率隨時間變化的情況。其表達式如下：

(5)

式中，w(t)為窗函數。

平均瞬時多普勒譜的熵 回波信號時頻變換后再進行特征提取。一般而言，輪式車輛的時頻圖較為簡單，只有一條明顯的目標譜，而履帶式車輛由于諧波分量較多，其時頻圖成分較為復雜。平均瞬時多普勒譜的熵計算方法為

(6)

2 DS多域特征融合識別

2.1 證據理論

運用證據理論進行地面運動目標融合識別[10]，假設mi(un)為證據i分配給目標類型un的基本概率賦值，證據理論融合方法可以表示為

(7)

(8)

即能得到融合后的目標類型un的基本概率賦值，之后可根據判定規則進行模式判別。

2.2 基本概率賦值計算

基本概率賦值的確定是D-S證據理論需要解決的關鍵問題。本文對地面運動目標回波微動特征進行融合，通過提取的三類微動特征完成目標識別，故利用提取的特征進行變換獲得融合基本概率賦值。對于本文的分類問題，辨識框架為Θ={?,L1,L2,Ι}，其中，L1代表輪式車輛，L2代表履帶式車輛，mi(?)=0,mi(Ι)=1。對提取的三類特征分別進行概率賦值如下。

m1(un)的表達式為

(9)

式中，num(·)表示向量中元素的個數，即認為在頻域展寬向量中較大值的占比越大，則目標屬于履帶式車輛的概率賦值越大。

m2(un)的表達式為

(10)

式中，η2max,η2min為設定的上下限，W2為設置的權重，保證0

m3(un)的表達式為

(11)

式中，η3為設定的門限，W31,W32為權重參數。由于履帶式車輛包含的瞬時頻率分量比輪式車輛多，因此平均瞬時頻譜的熵較大。故在F3較大時，目標屬于履帶式車輛的概率賦值越大。

2.3 識別結果判定

本文的地面運動目標識別是二分類問題，由于地雜波與雷達視線等的影響，在目標的運動航跡中，識別結果不穩定，故采用點跡特征融合與航跡結果判定的方法，給出目標的識別結果，其判定方法為：

1) 對點跡識別結果，判定的目標類型m(un0)必須為最大值且大于設定的門限，即

m(un0)=max(m(un)),m(un0)>η

2) 對目標連續跟蹤一定數量的點跡后，才進行識別結果的輸出。

3) 航跡的識別結果為當前具有最大識別率的目標類型。

2.4 識別框架

運用證據理論的目標融合識別基本架構如圖3所示。

圖3 融合識別框圖

其基本步驟如下：

Step1 首先計算回波信號頻域微多普勒特征，并轉換成識別框架的基本概率賦值。

Step2 利用D-S證據理論對頻域提取的兩類特征進行融合，獲得頻域特征提取識別后的基本概率賦值。

Step3 提取回波信號時頻域微動特征，并轉換成基本概率賦值。

Step4 再次利用證據理論對頻域與時頻域得到的結果進行融合，通過對輸出的基本概率賦值分析得到當前點跡的識別結果。

Step5 利用航跡識別結果的判定方法得到當前航跡的目標類型。

3 仿真驗證

本文采用雷達實測數據驗證算法的有效性，將測試目標分為輪式車輛和履帶式車輛，回波數據樣本錄取于不同的時間段。

3.1 回波分析

圖4、圖5給出了典型的輪式車輛與履帶式車輛目標的回波信號在頻域與時頻域的表現形式。從圖中可以看出，與理論分析一致，相比于輪式車輛，履帶式車輛的譜線特征更為明顯，且有明顯的二倍譜特征，表現在時頻域上輪式車輛具有明顯的雜波譜和目標譜，而履帶式車輛除了幾條明顯的譜線外，還有許多其他的譜線分量，使得能量較為分散。

圖4 回波頻域信號

圖5 回波時頻域信號

3.2 特征分析

分別對兩類目標的回波信號進行特征提取，圖6、圖7給出了兩類目標頻域特征的基本概率賦值數據分布。

圖6 輪式車輛微動特征數據分布

圖7 履帶式車輛微動特征數據分布

對實驗結果進行分析：從m1(L1)結果可以看出，對輪式車輛和履帶式車輛，從頻域展寬特征提取到的基本概率賦值差異明顯，對輪式車輛，m1(L1)值較大，代表其為輪式車輛的概率較高，對履帶式車輛，m1(L1)值較小，代表其為輪式車輛的概率較低，符合預期結果。

從m2(L1)計算得到的數據分布可以看出，受門限設置影響，大部分特征結果為m2(L1)=0.5，代表二倍譜特征不明顯，對融合結果無影響。對數據進行統計，輪式車輛該值的占比遠大于履帶式車輛，符合理論預期。

對時頻域信號進行特征提取，平均瞬時多普勒的熵均值如表1所示。與理論分析一致，履帶式車輛包含的瞬時頻率分量比輪式車輛多，因此平均瞬時頻譜的熵較大，具有一定的可區分性。

表1 時頻域特征仿真結果

3.3 性能試驗

根據識別框架完成地面運動目標識別算法試驗，首先對任意一條航跡進行實驗分析，其各個點跡的識別結果如圖8所示，該航跡目標為履帶式車輛。

(a) 頻域特征識別結果

(c) 融合識別結果圖8 點跡識別結果

對識別結果進行統計，頻域識別結果正確率為11.89%，時頻域識別結果正確率為52.43%，利用基于證據理論的識別框架后，此段航跡中目標被識別為履帶式車輛的點跡占比為73.37%，大于簡單的將頻域與時頻域識別率累加的結果。由于視線遮擋等原因，部分點跡未能探測到微動特征導致識別率仍然偏低，且點跡識別結果不穩定，故再利用航跡判別方法，得到的航跡識別結果如圖9所示，可見當點跡數累計到一定的數量后，識別系統能夠對目標正確且穩定的識別。

圖9 航跡識別結果

采用多條航跡進行實驗，統計識別結果如表2所示。分別對輪式車輛和履帶式車輛航跡結果進行統計，由識別結果可以看出，本文的方法可以對運動目標進行穩定而準確的識別。

表2 航跡識別結果統計

4 結束語

微動特征是實現地面運動輪式/履帶式車輛目標分類的重要依據，但是使用單一特征識別率低且不穩定，本文研究了基于證據理論的地面運動目標多域特征融合識別，融合頻域與時頻域微動特征實現目標分類。首先，通過微動建模分析了兩類目標在多普勒域上的差異性，提取了回波頻譜展寬、二倍譜以及平均瞬時多普勒譜的熵三類特征，并轉換成目標類型基本概率賦值；然后利用證據理論的融合方法得到基于兩種頻域特征的融合識別結果，接著對頻域與時頻域識別結果進行決策級證據理論融合，得到當前點跡的目標類型，最后根據航跡判別規則完成航跡目標的分類。實測數據試驗結果驗證了本文方法的有效性。