基于功率谱的自适应高分辨距离像数据分割

基于功率谱的自适应高分辨距离像数据分割

0基于等间隔方位帧模型的分帧方法雷达高度色散成像（hrp）是利用雷达信号获得的目标散射点的反射波在雷达视线方向上反射的向量和，反映了目标散射点在距离方向上的分布，对识别和分类目标具有重要意义，但hrp具有方向感、振幅和偏移三个敏感方面。针对方位敏感性,文献采用等间隔角域划分(uniformframesegmentation,UFS)方法来确定整段训练数据的方位帧,并认为在方位帧范围内可以忽略散射点越距离单元徒动(migratethroughresolutioncells,MTRC)效应。但是散射点的MTRC效应是逆合成孔径雷达(inversesyntheticapertureradar,ISAR)成像的条件,保证帧样本统计特性的一致更加重要,因此,采用等间隔方位帧划分训练数据的方法并不合理。许多文献针对这一问题探讨了如何合理地将末制导雷达获得的方位渐变HRRP样本划分为多个角域。其中文献采用联合高斯分布来描述单个角域内目标的统计特性,并基于贝叶斯准则划分了训练数据的边界。但是在每帧样本数目较小的情况下,与等间隔划分模板方法相比,模板数目不会有效减少,因此限制了识别性能的提高。文献基于自适应高斯分类器和高斯过程分类器,从雷达数据中提取连续HRRP序列中包含的非线性结构信息,利用提出的角域边界判定准则自适应地对雷达数据进行角域划分,但是当雷达连续HRRP样本太长时该算法需要根据方位角将样本数据划分为若干段再进行计算,且不能自适应地确定各个目标的帧总数目。文献首次提出基于互相关系数的分帧(correlationcoefficientframesegmentation,CCFS)方法可在一定程度上准确划分HRRP统计特性的变化,为后续分帧方法研究提供了重要启示。但是该方法还存在以下不足:(1)基于原始回波数据,没有突出目标回波中规律性分量的作用,而大功率的规律性分量体现了舰船距离像的主要差异;(2)没有给出定量的确定每帧样本数量的准则,且无法最大限度地利用距离像相对于角度变化的差异对角域进行自适应划分,在“距离像起伏剧烈”时会导致分帧不准确。“距离像起伏剧烈”指的是在小的姿态变化下目标雷达截面积(radarcrosssection,RCS)起伏不大,但距离单元内相位梯度的变化却很大。根据距离单元回波强度是各散射点中心矢量叠加的原理,小角度变化条件下,距离单元内回波强度的起伏可能会明显大于实际RCS变化,也就是距离像起伏比RCS更加剧烈。本文在文献的基础上提出了基于HRRP回波功率谱的顺序判别自适应分帧(sequentialdiscriminateadaptiveframesegmentation,SAFS)算法,通过对全局HRRP样本进行迭代搜索来自适应划分角域。该方法的优点在于:(1)基于回波数据的功率谱,可以突出目标回波中规律性分量的作用;(2)能够自适应地确定各个目标的帧总数目,且在HR-RP样本数量较小的情况下仍可以有效地对样本进行角域划分,同时可以抑制HRRP存在“距离像起伏剧烈”的样本。基于3类舰船目标转台数据的仿真和3类民用船只的外场实测数据仿真结果表明,与UFS方法和CCFS方法相比,本文提出的SAFS方法降低了模板数量,提高了目标的识别率并且减少了识别算法处理时间。1sharp姿态平和ufs方法1.1mtrc与处理工艺距离像是三维散射点在雷达视线上复振幅的垂直投影,某一单元的回波被认为是相应距离单元内所有散射点子回波复振幅的矢量和。目标相对雷达视线发生变化会影响子回波间包络位移和相位差变化。当距离分辨单元小于子回波的位移时将导致散射点的MTRC效应。为了避免MTRC效应,需对转角进行限制,设目标横向长度为L,距离分辨率为ΔR,则不发生越距离单元走动的条件为式中,δφ为雷达相对目标转动角度;(δφ)MTRC为发生散射点越单元走动的临界转动角度。而子回波相位变化不大时满足的条件为式中,λ为波长。由式(1)与式(2)可知,散射点的相对移动会导致相位差发生变化,通常情况下波长较距离单元长度小得多,因此,相同距离单元的散射中心,其子回波相位变化的姿态敏感性比该散射中心距离徙动对姿态的敏感性更严重。1.2mtrc目标特性对于方位敏感性,通常是把目标划分为不同视角下的多个子目标,对每个子目标通过求平均或者其他方法提取特征,建立一个可覆盖目标所有方位角的数据库,以散射点不发生MTRC为限制条件来确定方位角间隔,并采用等方位间隔方法划分训练数据。并把此角域内的一帧距离像近似地认为是同一个散射点模型的矢量平稳过程,因此可以描述目标的局部特性。实际上,散射点MTRC效应的限制条件主要适用于ISAR成像中,所以基于一维距离像的雷达目标识别可不受此条件限制。以舰船类目标为例,当f=1GHz,L=100m,代入式(2)可得不发生MTRC的角度约等于0.043°,但对于大多数散射点来说,这个角度可以放宽。假设训练数据的方位角范围0°~360°,如果按照0.2°对距离像样本进行分帧,则共有1800帧样本,如果单次像距离为0.05°,则每帧有5个样本。即使进一步减小单次距离像的间隔,每帧的样本数依然不多,且划分太细致会影响到系统的识别效率。对方位角0°~360°(0°为正对船头方向),俯仰角5°的濒海战斗舰(littoralcombatship,LCS)进行仿真,设各次回波间隔为0.5°。各次回波功率距离像如图1所示。由图1可以看出,从第1次回波到第4次回波即0°~1.5°范围内,散射点模型基本是一致的。因此,应根据具体的目标特性来自适应划分目标角域。下面提出基于HRRP回波功率谱的SAFS算法,通过对全局HRRP样本进行迭代搜索自适应划分角域。2saf方法2.1自适应角域划分一维距离像可以用列向量来表示,向量聚集越密则信号越相似,因此信号的相似性可以用向量在空间的距离来表示。假设和分别表示连续实信号x1(t)和x2(t)的n阶自相关函数,其内积为进行变量代换,令t+τ=v,u-t=s,t=t′,式(4)可写成由式(5)可以看出,高阶自相关函数的内积是关于平移τ的积分,所以与平移无关。定义高阶谱的互相关系数为文献研究表明功率像可以提高各次回波间的相关系数,用功率距离像计算两向量间的相关系数可以突出回波中规律性分量的作用。同时功率距离像作为高分辨距离像识别特征具有平移不变特征,可以降低特征维数,减少运算量,且功率谱特征在各阶高阶谱中分类性能最好。因此本文通过选择其二阶谱即功率谱来计算其互相关系数,从而对目标进行自适应角域划分。设0和m时刻的功率距离像分别为对式(7)和式(8)两向量取2-范数归一化,得于是式中,为两矢量的相关系数,越大,越小,当时,,表明两个向量相同。由于与成线性关系,因此两向量的相似性可用来表示。2.2散射点方位帧的计算和关键分析相关系数的物理意义明确,其代表了两向量的相似性,方位间隔越小的单次HRRP之间的相关系数越大,反之两次单独HRRP方位间隔越大、间隔的回波次数越多,其相关系数越小。由此可设定一个概率差门限δi(i=1,2,…,M),其中,M为目标类别总数。以第一次回波样本为基准,计算后续样本与基准样本的相关系数变化。同时为了抑制HRRP存在“距离像起伏剧烈”的样本,采用多次回波与基准回波的相关系数值进行平均,以该序列相关系数平均值小于或等于δi为迭代搜索截止条件,将该序列记为1帧,并对其编号。继续以上一帧截止样本的下一次回波作为初始基准样本划分下一帧序列,所有帧划分结束条件是完成对全部样本的全局搜索迭代,可以认为在该算法下划分的每帧样本统计特性是近似一致的。此外,如果可以估计目标的姿态信息,则可利用该信息简化识别运算量,进一步提高识别性能,因此为了保留模板的方位信息,应按照训练数据的序号顺序自适应地划分角域。下面给出SAFS算法步骤:步骤1设定概率差门限δi(i=1,2,…,M),其中,i为目标类别数目,设定每帧最小样本数目αi(i=1,2,…,M)。输入目标的连续变化HRRP序列,并对数据进行类内对齐,得到目标Ti(i=1,2,…,M)的距离像序列为Ti={x1i,x2i,…,xki},式中,k为样本总回波次数。步骤2按式(13)计算目标Ti第2次回波与第1次回波的功率像相关系数ρ=ρ21,如果ρ>δi,则计算第3次回波与第1次回波的功率像相关系数ρ31,更新ρ=(ρ21+ρ31)/2后与δi比较,直到前l(l≥α)次功率像相关系数平均值,则认为前l-1次回波构成的目标散射点模型基本不变,相应的HRRP序列可以构成一个方位帧,对该方位帧编号为p(p=1,2,…,q),其中,q为方位帧的总数。记录其回波样本次数np到数组bi中。步骤3移除已经编号的方位帧回波样本,将后续样本依顺序提到距离像序列的最前端,更新距离像序列为Ti={xl,xl+1,…,xk-l},更新样本总次数为xk-l,按步骤2重新划分新的方位帧。步骤4迭代中止条件。当迭代计算次数l=xk-l,则认为对该序列迭代划分完毕,记最后一帧的样本次数nq=xk-l。门限δi的选择:针对每种目标选择的门限δi一般是不一致的,这里选择的原则是比较如图1所示的功率距离像,以散射点模型不变时回波最大次数间隔的度数来衡量第一帧划分时的数目,以此反推出需要选择的门限,然后利用这个门限对整个HRRP序列进行自适应分帧。每帧最小样本数目αi的选择:为了防止在自适应分帧过程中HRRP存在“距离像起伏剧烈”的样本导致某一分帧样本数目过少而使估计偏差太大的情况出现,可以适当设置每帧最小数目αi。考虑到该样本的采样间隔为0.5°,两个样本间的间隔就是1°,因此可以设置每帧最小样本数为4,这样在1.5°的间隔既能保证该帧样本大致符合统一的散射点模型,又能抑制HRRP存在“距离像起伏剧烈”的样本。在样本间隔较小时,例如采样间隔为0.1°时,可以适当提高αi的数值。可知该算法通过对全局HRRP样本进行迭代搜索来确定数据划分边界,按照目标的统计特性近似一致的范围对目标角域进行自动划分,能够自适应地确定各个目标的帧总数目,且在HRRP样本数量较小的情况下仍可以有效地对样本进行角域划分,同时也可以抑制HRRP存在“距离像起伏剧烈”的样本。另外这里还需要说明两点:(1)如果所使用数据为转台数据,目标与雷达之间没有平动,或提取的是平移不变特征时,平移匹配问题可以回避。但如果使用真实的运动目标数据,可使用ISAR中成熟的包络对齐技术来处理方位帧内的距离像样本,并使用运动补偿技术将真实运动目标转换成转台目标。(2)没有限制每一帧包含样本的最大数目β。假设最后目标划分的帧总数为q,如果β限制到一个比较小的数值,那么q就会相对变大,而q主要是受计算机内存以及实时识别时间限制,一般而言,当训练样本足够多时,q越大,正确识别率越大,但算法计算时间将增加。由于β是根据功率谱互相关系数确定,在识别时测试样本也采用功率距离像,因此不需要限制β,可以通过减少q来提高算法的速度。3实验与分析3.1型舰队目标转台数据本文首先采用某电磁仿真软件利用物理光学法仿真计算了某型濒海战斗舰(littroalcombatship,LCS)、某型护卫舰(frigate)和某型驱逐舰(destroyer)一共3类舰船目标的转台数据,在仿真中没有考虑海面的影响,但在实测实验中考虑了海面存在的情况。其中,LCS长127.5m,宽31.2m,高32.5m;frigate长98.8m,宽9.8m,高27.3m;destroyer长135.8m,宽14.6m,高26.4m。仿真采用的方位角为0°~360°(0°为正对船头方向,顺时针方向为方位角增加方向),掠射角为0°,单次样本按0.5°等方位角间隔产生,雷达参数如表1所示。3.2svm分类器为了比较不同算法的识别性能,采用了支持向量机(supportvectormachine,SVM)识别方法。SVM是Vapnik等人根据统计学习理论中的结构风险最小化原则(structureriskminimization,SRM)提出的,能够提高学习机的推广能力,即可以通过有限的数据得到的判别函数对独立的测试集仍能够得到较小的误差,其中用到的核函数可以将原来的非线性问题转化为髙维特征空间中的线性分类问题。SVM分类器是针对两类问题提出来的,对于多类识别问题本文采用一对多的识别方法,即把某一类和其他类通过一个分类器分开,对于M类目标,则需要建立M个分类器。由于高斯核性能较好,因此本文采用的核函数为高斯核函数。3.3多目标自适应角域划分首先,按照上述3种方法对每类目标进行角域划分,将每类目标帧内功率距离像的平均值作为训练数据。每个目标从第一个回波开始每间隔7个回波取一个样本作为测试数据,共取100个样本,3类目标测试样本总数为300个,这样选取的测试数据包含了目标各种方位角的情况。其次,将得到的特征向量输入SVM训练识别器,其中,核参数ζ经过多次训练选择为0.5。最后,将测试数据也进行归一化放进识别器进行测试。3类目标的平均识别率随训练HRRP分帧总数的变化曲线如图2所示。图2显示,采用UFS方法分帧总数为360时,目标的平均识别率最高达到71%,此时每帧包含6个回波样本。采用CCFS方法分帧总数为270时,目标的平均识别率最高达到81%。而SAFS方法在帧总划分数为220时,目标的平均识别率最高,达到94.67%。此时3类目标设定的门限分别为δ1=0.965,δ2=0.975,δ3=0.98,此时对3类目标各自分帧数目如图3所示。图3所示初始方向为正对船头方向,顺时针方向为方位角增加方向。对3类目标的全方位HRRP序列进行自适应角域划分结果显示,3类目标各帧数据的比例发生变化,由此表明不同方位下目标的姿态稳定性不同。从图3可以看出,3种类型的舰船在两侧翼和船尾属于姿态敏感区,因此在这些部位的角域划分相对细致,较多的帧数可以准确地记录该处距离像的统计特性。而图3(a)所示的LCS在船头的敏感性要较frigate和destroyer强。另外LCS角域整体划分较平均,说明其距离像回波统计特性变化较缓慢,其对应最大分帧的方位角约为17°。而图3(c)所示的frigate在船尾两侧的方位敏感性要较其他两种类型舰船弱,因此角域划分的帧数较少,对应的最大分帧方位角约为30°。同时从图3可知,LCS和frigate的角域划分基本上是以初始方向为轴对称的,尤其以frigate对称性更强,这是因为文中选择的frigate和LCS的模型是以船头方向为轴对称的。而选择的frigate模型则是非对称的,图3角域划分的结果体现了上述分析。由以上分析可知,本文提出的SAFS方法能利用距离像统计特性将目标姿态的变化精细地划分到不同帧内,从而表明SAFS方法与目标姿态的变化相一致。3种方法对3类目标平均识别率最高时各自的识别算法处理时间如表2所示。由于CCFS方法可在一定程度上准确划分HRRP统计特性的变化,因此较UFS方法的最高平均识别率要高10个百分点,分帧总数减少了25%,识别算法处理时间也从1.561s减少到0.903s。而采用本文提出SAFS方法,由于基于回波数据的功率谱,可以突出回波中规律性分量的作用,分帧总数较CCFS方法获得最高平均识别率时的分帧总数进一步减少了18.5%,最高平均识别率提高到94.67%,同时,由于分帧数的减少,识别算法处理时间也从0.903s进一步减少到0.602s。图4显示了SAFS方法中对所有目标采用相同门限进行自适应分帧的目标平均识别率曲线。随着δ的不断提高,分帧数目不断增多,对目标的角域划分更加细致,因此,目标的平均识别率逐渐提高。目标的平均识别率在δ=0.985时达到峰值93.17%,此时分帧数目分别为157、109、94,帧总数为360。随着δ的进一步提高,帧总数变得更多,每帧里包含的样本减少,在识别时对帧内样本的平均距离像将无法消除距离像的自身项,导致目标的平均识别率开始降低。由上可知,在对不同目标进行自适应分帧时不一定要按照统一的门限进行划分,而是应该考虑目标实际特性,这样自适应分帧后的识别效果才能更好。同时,因为文中使用相同的训练和测试数据,因此平均识别率要比未采用同样训练和测试数据的平均识别率高。另外文献分析表明识别时采用来自于同一个方位帧的连续多次HRRP样本可以提高目标平均识别率,文献提到的基于多视角一维距离像序列也可以提高目标平均识别率,本文限于篇幅未进行进一步分析说明。3.4目标距离单元的确定实测数据来源于两种大型客船和一种小型货船的雷达测量数据,雷达测量系统的工作频率为X波段,距离分辨率为7.3m,波形采用线性调频方式,采样频率为40MHz。两种大型客船为非合作目标,小型货船为合作目标。客船1长164m,宽26m,吃水深度6m;客船2长164m,宽25m,吃水深度6m;货船长98m,宽21m,吃水深度3.9m。文中对3种船型数据的数据是分时录入的。对客船1某两次天线扫描图如图5所示。图5中圆圈所示为我们关注的客船1目标,从图5中可以看出,随时间推移目标距离雷达越来越远,方位角也不断发生变化,因此获得的距离像存在距离平移。提取的客船1某两次回波数据按距离对回波幅度归一化后的距离像如图6所示。图6中标记的t1时刻的545、768和951对应的距离单元(转换为距离分别对应为3.99km、5.62km和6.96km)是我们关心的目标范围,分别记为目标A、B和C,t2时刻的546、803和954对应的距离单元(转换为距离分别对应为3.99km、5.62km和6.96km)是我们关心的目标范围。从图6可知,A目标和C目标基本上没有运动,这是我们不关注的干扰目标。而目标B的峰值从768距离单元转移到了803距离单元,这表示导弹与目标距离在不断增加。且从图6中可以看出实测数据的信杂比很高,采用虚警概率10-5的恒虚警检测器对目标回波进行检测,去掉不需要的海杂波,提取我们关心目标占据的距离单元,此时得到的检测结果中目标占据的距离单元长度不一,后期采用功率谱特征进行识别实验需要不同目标的距离单元维数一致。考虑到3种船型的尺寸及具体场景中不同船只距离方向上的间隔,选取每次恒虚警检测后目标回波峰值左右各30个距离单元对目标距离单元进行维数扩展。选取的61个距离单元满足对目标距离方位的覆盖,且在距离维上不会覆盖其他目标。如后期提取中心矩以及雷达视线上目标长度等特征时不用扩展目标距离单元维数,但在提取非平移不变特征时可使用ISAR中成熟的包络对齐技术来处理方位帧内的距离像样本,并使用运动补偿技术将真实运动目标转换成转台目标,因此通过上述处理的实测数据与仿真数据的区别是距离像距离单元的数目不一样,其他特性均是一致的。通过多次测量和处理同型客船进出港后获得的两种客船的数据如下:客船1俯仰角0°,方位角范围0°~4.5°和63°~360°,方位角间隔0.5°;客船2目标俯仰角0°,方位角范围0°~6.3°和55°~360°,方位角间隔0.5°。未能获取全方位数据的原因是目标船只出港时干扰舰船密集,故未采集数据。在船只出港一段时间后船只姿态角相对于导引头已有一定夹角,此时方位角测量值较大,回港时可测得船头及沿船头顺时针方向的部分角度。货船为合作目标,采集的数据为俯仰角0°,方位角0°~360°,方位角间隔0.1°。综合考虑,选取3种船型俯仰角0°、方位角180°~360°为训练数据,客船的方位角间隔0.5°,货船的方位角间隔0.1°,距离单元数均为61。选取的测试数据如下:客船1单次进港时俯仰角0°、方位角180°~240°,方位角间隔为0.5°的数据。客船2单次进港时俯仰角0°、方位角240°~300°,方位角间隔为0.5°的数据。货船俯仰角0°、方位角300°~360°,方位角间隔为0.1°的数据。3类目标测试样本总数为840个,这样选取的测试数据基本包含了目标训练时各种方位角的情况。3.5船港船岸角域划分对第3、4节中3种船型的数据按照第2.2节中提出的SAFS算法进行自适应分帧,核参数ζ为0.5,每帧最小样本数目αi对两类客船均取值为4,对货船取值为8。3类目标在第3.3节提出的实验条件下平均识别率随训练HRRP分帧总数的变化曲线如图7所示。图7显示,采用UFS方法分帧总数为216时,目标的平均识别率最高达到72%,此时客船1和客船2每帧包含5个回波样本,货船每帧包含25个回波样本。采用CCFS方法分帧总数为135时,目标的平均识别率最高达到80.77%。而采用SAFS方法在帧总划分数为85时目标的平均识别率最高,达到90.67%。此时3类目标设定的门限分别为δ1=0.98,δ2=0.965,δ3=0.985,此时对3类目标各自分帧数目如图8所示。从图8可以看出,3种类型的船只在侧翼属于姿态敏感区,因此在这些部位的角域划分相对细致,较多