logo资料库

雷达高分辨距离像目标识别研究进展（绝好的综述）.pdf

发布时间：2022-06-09 发布人：admin 分类：说明书 资料大小：0.65M 资料格式：pdf 举报 版权申诉
第1页 / 共10页
第2页 / 共10页
第3页 / 共10页
第4页 / 共10页
第5页 / 共10页
第6页 / 共10页
第7页 / 共10页
第8页 / 共10页
资料共10页，剩余部分请下载后查看
    第27卷第8期 2005年8月 电子与信息学报 Joumal of Electmnics&Infomation 1’echnolo斟 、b1．27No．8 Aug．2005 雷达高分辨距离像目标识别研究进展 刘宏伟 杜兰 袁莉 保铮 (西安电子科技大学雷达信号处理重点实验室 西安710071) 摘要：雷达高分辨距离像(HRRP)包含了目标的结构信息，在雷达目标识别领域有良好的应用前景。该文详细讨 论了基于HRRP的雷达自动目标识别的关键技术及研究现状，包括雷达HRRP的特性、预处理方法、特征提取方 法及分类器设计方法等。最后讨论了雷达HRRP识别的研究方向。 关键词：雷达高分辨率距离像，雷达自动目标识别，特征提取 中图分类号：TN957．52 文献标识码：A 文章编号：1009．5896(2005)08．1328．07 Progress in Radar Automatic 11arget Recognition Based on High Range Resolution Profile Liu Hong-wei Du Lan Yuan Li Bao Zheng Ⅸey Labom幻秽加r Rndar Signnz Pmcessin晷Xididn unive瑚i饥Xi 3an’10∞l，Ch讯a 1 Abstract Radar High Range Resolution ProfiIes(HRRP)provide potentiaIly discriminative info哪ation on the geomet科 of ta唱et，which haS been shown to be promisjng signatures for radar Automatic Ta唱et Recognitjon(ATR)印p】ication．In this paper'we review the present research status and some key techniques in this field，including the proper哆of HR赋 preprocessing methods，fbature extraction and claSsifier design．SeVeml future research directions in this neld are discussed at the end ofthis paper． Key words Hi曲Range Res01ution Profile(HRRP)，Radar Automatic Taq萨t Recognition(ATR)，Feature extnaction 1 引言 现代战争是以高技术信息战、电子战为中心的战争，对 战场动态信息的实时监测和处理是关系到战争胜败的重要 因素。雷达作为一种探测手段，从其诞生以来就一直在军事 领域起着十分重要的作用。随着现代军事电子技术的发展， 仅能提供目标位置信息的常规雷达已逐渐不能满足现代战 争的需要，人们希望了解关于目标进一步详细的信息。雷达 自动目标识别(ATR)技术这一研究领域也就应运而生。ATR 技术可以提供目标属性、类别，甚至其武器挂载情况等信息， 对于提高军队的指挥自动化水平、攻防能力、国土防空、反 导能力及战略预警能力具有十分重要的作用。随着大规模集 成电路技术及高性能电子器件技术的发展，高距离分辨率雷 达技术、合成孔径雷达(SAR)技术和逆合成孔径雷达(ISAR) 于一般高分辨率雷达，利用目标高分辨距离像(HRRP)来进行 目标识别。我们知道，要获得目标的雷达像，包括SAR及 ISAR像，雷达平台和目标问要有一定的转角以获得相应的 合成孔径，这一要求在某些应用中不可能或较难得到满足， 例如，悬停直升机对地面静止目标观测时，目标相对于雷达 平台径向飞行时，等等。此外，成像雷达系统复杂，不易大 量装备。相对而言，基于雷达HRRP的ATR技术则灵活的 多，既可以应用于成像雷达，也可以应用于一般高分辨率雷 达，且常规的低分辨率雷达也可以通过步进频率信号形式来 获得目标的HRRP用于目标识别。因此，基于H砌冲的ATR 技术受到越来越多的关注【1。81。 本文主要讨论雷达HRRP识别的研究现状及发展趋势。 内容安排如下：第2节介绍了雷达HRRP的物理特性及预处 技术逐渐成熟，它们能获取更多的目标结构信息，为ATR 理方法；第3节综述了雷达HRRP的特征提取技术；第4节 技术的发展提供了强有力的技术支持，使这一领域逐渐成为 综述了雷达HRRP识别的几种主要识别算法：最后讨论了 近年来国际、国内的一个研究热点【1-231。 HRRP识别领域的研究方向。 基于高分辨率雷达体制的ATR技术根据利用的信号形 式不同大致可分为两大类，一类是基于成像雷达体制，例如 SAR和ISAR，利用目标的雷达像来进行识别；另一类是基 2雷达HⅪ心特性及预处理方法 散射点模型是宽带雷达信号处理巾常用的模型，在雷达 光学区内能够较好地描述目标的散射特性，散射点模型的有 2004．03-0l收到，2004，08-04改回 国家自然科学基金(60302009)及国家部级基金资助课题 万方数据
    第8期 刘宏伟等：雷达高分辨距离像目标识别研究进展 1329 效性在sAR及IsAR成像研究领域中也得到了很好的验证。 HRJ冲的绝对对齐，但仅适用于序列测试数据的情形。 基于散射点模型，忽略噪声，雷达HRRP中第f个距离单元 2．3 HRRP的预处理方法 的信号回波可表示为 对H砌冲进行适当的预处理可以提高识别性能。通常的 川)：羔％J(出．f一孕)exp(一／2刀z孕) o n=l o (1) 预处理方法包括降噪处理、非线性预变换及距离超分辨处理 等。在低信噪比情况下，对HRRP进行降噪处理对提高识别 其中Ⅳ为第f个距离单元中散射点的个数，咒为第f个距离 单元中第行个散射点到雷达的径向距离，口。为其幅度，c为 光速，s(f)为发射信号(对调制信号为经匹配滤波后的信号)， 当采样频率大于或等于Nyquist采样率时s(，)可近似为常数， f为信号中心频率。 由于复距离像的相位对目标的姿态和距离变化非常敏 感，具有较大的不确定性，在识别中难以利用，故雷达HRRP 率十分重要，但现有的HRJ冲识别研究大多针对高信噪比情 形，目前对HRRP降噪算法的研究不多。幂变换(Powcr tmsfonll)是一种常用的HRRP非线性预处理方法，对提高识 别率的作用十分明显【241。提出幂变换的理论依据是服从任意 概率分布的随机变量经幂变换后更接近于高斯分布，因而可 以采用经典的基于高斯分布的分类器来进行识别【251。我们认 为，由于HRRP的目标姿态敏感性，HRRP的幅度起伏较大， 识别中通常采用绝对值距离像，定义如下： x=眦1)I№)|．-·陋)|]l 因而散射点的位置信息较其幅度信息对识别的作用更大，通 (2) 过幂变换可以提高识别率的物理机理在于弱散射点经幂变 后文所提的HRRP为由式(2)定义的HRRP。 换后在识别中的作用增加，减弱了强散射点存在时对弱散射 2．1 HRRP的目标姿态敏感性 点的屏蔽作用。而所谓的幂变换的渐近高斯性并不是提高识 由式(1)可知，目标回波是由同一距离单元中多个散射点 别率的根本原因。对原始HluRP进行距离超分辨处理也是 回波相干叠加而成的，而各个散射点回波的相位又由其到雷 HⅪ冲预处理的一种重要方法。距离超分辨处理又分两大类 达的距离决定，因此目标姿态的变化会引起散射点回波相对 方法：一类是结合特征提取的基于RELAx算法的距离超分 相位的变化，从而导致其合成信号的幅度变化，使雷达HItI冲 辨算法【18问，可以提取散射点的位置及幅度特征；另一类是基 随目标姿态的变化而变化，这就是雷达HRRP的目标姿态敏 于MUSIC算法的距离超分辨处理【14】，但需要指出的是， 感性。因此，在训练识别器时，必须考虑到目标姿态的变化 MusIC谱域超分辨像的幅度不能表示散射点的幅度信息， 对识别性能的影响。对一般的模板匹配法，要求有足够多的 其强度和散射点的分布情况及噪声强度有关，对目标姿态变 模板来表征目标不同姿态下的回波，因此，选择对目标姿态 化更为敏感。我们近期的研究发现，文献【14】中利用Muslc 变化稳健的HRRP作为模板可以减少模板的数目，从而降低 谱域像进行识别的方法是有问题的，其推广能力和噪声稳健 识别运算量。研究表明，一定的角域内的平均H砒冲对目标 性都较差。我们认为，采用MUSIC算法可以用来提取散射 姿态变化具有良好的稳健性【13】，可以作为选择模板的一种方 点的位置信息，但其谱峰值不能表征散射点强度，对识别意 式。采用统计识别方法，通过概率模型来描述HⅪ冲随目标 义不大。 姿态的变化特性可以在一定程度上松弛HRRP的目标姿态敏 感性，也是一种有效的方法【10，lI】。此外，在某些应用中，特 别是对动目标的检测及识别中，可以得到目标的航迹信息， 利用目标的航迹信息可以缩小识别算法的搜索空间，从而降 低目标姿态敏感性的影响。 2．2 H鼬心的平移敏感性 在实际应用中，目标出现的空间位置是随机的，因而 HRRP在距离窗中出现的位置也是随机的，这就是所谓的 HRRP的平移敏感性。在识别过程中，必须考虑HRRP距离 平移带来的影响。解决这一问题的方法大致有以下几种：其 一是在识别过程中进行平移配准，最具代表性的是相关 法【2，71．通过求最大相关系数来进行平移补偿：其二是提取平 移不变特征，然后在特征域进行识别‘5’6’16。191，有关的特征提 取方法将在后文详细讨论：其三是对距离像进行平移对齐， 文献【22】提出了一种时间平均零相位表示方法来实现对 万方数据 3 HI沁的特征提取方法 在模式识别领域，要识别的原始样本空间往往维数较 高，不利于识别器设计，而且原始样本不能直接反映识别对 象的本质特性，特征提取通常是指提取能够反映目标本质特 性的信息，将原始样本从高维空问向低维空间的映射过程。 如果从数据降维的角度来看，许多数据压缩算法都可以作为 雷达HRRP的特征提取算法，并可以使压缩后的信号信息损 失尽可能小。但从目标识别的角度来看，对原始信号信息损 失小的特征提取方法并不是最优的，保留不同目标间的共有 信息不仅不会带来好处，而且会增加识别器的负担。对雷达 H刚冲识别，在进行特征提取时既要考虑对原始HI澍降维， 还要考虑前文所提到的H砌姆平移敏感性，要求所提取的特 征最好具有平移不变性，同时还要考虑提取的特征能够反映 不同目标间的差异，有利于提高识别率。下面介绍几种HRRP
    1330 电子与信息学报 第27卷 的平移不变特征提取方法。 3．1频域特征 在某些应用中，识别对象存在尺度的伸缩，例如对ISAR像 的识别，其横向分辨率与目标相对于雷达的转角成反比，此 给定一距离像x(f)，其平移后的像xO一『)的傅里叶变 时，信号尺度的变化在径向积分双谱中表现为幅度的增益， 换为 为了消去信号尺度变化的影响，文献【28】取径向积分双谱的 X’(甜)=X(珊)exp(一，∞f) (3) 相位作为特征，但其识别能力受到影响。除径向积分双谱外， 可以看出，平移后的H砌冲和原始HRRP在频域的区别为一 线性相位因子。很明显，H鼬冲的频谱幅度及功率谱是与平 移无关的，可以作为一种平移不变特征。但由于HRRP的频 谱幅度和功率谱特征丢掉了包括线性相位在内的所有相位 信息，因而使类间HRRP的趋同性增加，其识别性能较差【271。 但是，HRRP的频谱幅度及功率谱特征具有计算简单的特点， 在识别对象较为简单时仍不失为一种较好的选择。 3．2中心矩特征 另外两种双谱降维方法分别为轴向积分双谱【291和圆周积分 双谱【51，其区别在积分路线分别沿频率轴的方向和不同半径 的同心圆的方向。由于圆周积分双谱在具有平移不变性的同 时，保留了信号的尺度信息，因而较轴向积分双谱和径向积 分双谱有更好的识别性能阳71。与通过积分来进行双谱降维 不同，文献【6】提出了一种基于Fisher可分性准则的双谱特征 选择方法，直接在双谱平面上选择不同频率点的信号作为特 征向量，较积分双谱表现出更好的识别性能。 中心矩特征是最早用来描述二维图像信号的特征，具有 3．4散射点特征 平移、旋转及尺度不变性。对一维H心冲，定义其中心矩特 征： 双谱特征和频域特征实际上属于数据驱动类特征，通常 也称之为非参数化特征，缺乏明确的物理意义，且对原始 确=∑印(")，惭=∑(玎一m1)7p(”)， HRRP维数没有降低或降低较少，其主要优点是具有平移不 ，=2，3，…，三√62—4口c (4) 其中嘲为一阶矩，竹为，阶中心矩，p(胛)为归一化的HRRP 波形， 砌卜舂 厶”l“～“， 变性，因而可以直接进行识别处理，易于应用到多种识别器。 从提高识别率的角度来看，希望提取的特征具有明确的物理 意义，能够反映目标的本质特性，同时希望利用尽可能少的 特征维数，以简化识别运算量。 ④ 从几何绕射理论(GTD)出发，如果入射信号的波长相对 显然，一阶矩是与HRRP的平移有关的，二阶及高阶中心矩 于目标尺寸足够小，目标的后向散射场可以表述为多个孤立 是以一阶矩为参考点来补偿HRRP的平移分量的，是与 的散射中心的散射信号之和㈨30]： H鼬冲的平移无关的。中心矩可以粗略描述HRRP的波形分 布特性。从式(4)可以看出，高阶矩对HRRP波形的变化比较 敏感，较小的扰动可能使高阶矩变化较大，特别是离一阶矩 较远的距离单元信号的变化。因此，中心矩特征往往适合于 高信噪比情形或识别对象较简单的情况。 3．3双谱特征 给定一距离像x(f)，其双谱定义为 删，=纠，玎咖c(知卸) _exp(一叱sin妒)．eXpf，墼1 ＼ c ／ (7) 其中甜，皱分别为信号频率和中心频率，％表征散射中心的 表面弯曲程度，三。表示散射中心的长度，妒，纯分别为目标 的方位角和散射点的走向，d。为散射中心的散射强度，兄为 X(劬，％)=X(∞)X(吐)X’(q+吡) (6) 散射中心到雷达的距离。 显然，H砌廿平移后其双谱保持不变。与频谱幅度及功率谱 特征相比，双谱特征保留了除线性相位以外的所有相位信 息，除了位置信息不定外，HRRP波形可以唯一地从其双谱 中恢复出来，故从信息损失的角度来看具有优点。但是，直 接利用双谱特征来进行识别存在另外一个问题，就是双谱特 征不仅没有对原始HRRP降维，而且维数大大增加，因此， 对双谱特征进行降维处理是必须解决的一个问题。文献【28】 提出了双谱平面上沿过原点的直线积分的径向积分双谱方 法，径向积分双谱的维数和原始HRRP维数相同，相对于双 谱域的信号维数大大降低，且对HRRP的平移具有不变性。 万方数据 若散射中心为简单的散射点，则％=厶=托=0，式(7) 等价于式(1)。由以上分析可以看出，由散射点位置和强度信 息可以描述目标的散射特性，且具有明确的物理意义，可以 作为雷达HRRP特征来进行目标识别。Prony方法在早期被 用来作为目标H对冲极点特征(等价于散射中心特征)的提取 方法【31】，可以在一定程度上对原始HRRP降维，但该方法的 缺点是对噪声比较敏感。文献【26】中提出了参数化谱估计方 法——RELAX算法，可以用于提取雷达HRRP的散射点位 置及强度特征，该方法是一种距离超分辨算法，可以分辨在 距离上很接近的散射点，且对原始HRRP可以大幅度降维。 该方法在雷达HRRP识别中有较成功的应用眦261。文献【32】
    第8期 刘宏伟等：雷达高分辨距离像目标识别研究进展 133l 基于超宽带模型和匹配追踪算法给出了一种散射中心特征 目标不同姿态下的回波，因此，选择对目标姿态的变化具有 的提取方法，对计算机仿真产生的飞机目标获得了较好的识 一定的稳健性的模板可以减少识别器的模板数。文献[14】提 别结果。散射中心特征具有明确的物理意义，且可以对原始 出采用在一定角域内的平均HRRP作为模板较采用原始 H鼬冲大幅度降维，在识别运算量、系统存储空间及识别性 HRJ冲可以降低其类内的目标姿态敏感性并分析了其物理机 能方面都有明显的优点。但是，在散射中心特征的提取算法 理。而模板的数量与雷达发射的信号带宽及目标的横向尺寸 中，RELAx算法要求迭代计算，匹配追踪算法虽然不要求 有关，一般情况下，在没有发生散射点越距离单元走动的角 迭代计算，但提取每个散射中心特征都需要与所有的基函数 域内取一个模板，该角度由下式计算： 进行匹配，所以两种算法运算量都比较大。由于散射点特征 册=c／(2启三) (9) 本身不是平移不变的，在进行识别时同样要考虑平移匹配问 题。一种选择是取第一个(距离最近)散射点为参考点，然后 采用相对距离作为特征f32】；另一种选择是类似相关法那样在 特征域作滑动相判18】。由于散射中心特征(幅度和位置)在特 征域的量纲不同，因此在识别时还存在如何对特征进行加权 及选择的问题。 4识别器设计 在得到HRRP特征后，如何最大限度地区分不同目标、 提高识别率则是识别器设计所要解决的问题。对雷达HRJ冲 识别问题，在设计识别器时要考虑以下几个因素：(1)识别性 能。识别性能是目标识别中最重要的一个指标，也是评价一 个识别算法优劣的主要因素。(2)推广能力，也称为稳健性或 泛化能力。如前文所述，雷达HRRP具有目标姿态敏感性， 而我们在训练识别器时往往不可能得到目标所有姿态下的 回波信号，因此要求识别器对没有参加训练的样本同样具有 较好的识别性能。相对于其它应用，雷达HRRP识别对识别 器的推广能力要求更为严格一些。(3)识别运算复杂度。通常 识别运算量会随着要识别的目标类别数的增加而增加，在保 证识别性能和推广能力的前提下，识别器的运算复杂度也是 在设计识别器时要考虑的一个主要因素。(4)拒判能力。通常 需要识别的目标类别数是有限的，它们构成识别系统的目标 集，而在实际应用中，会出现待识别对象不属于系统目标集 的情况，对此类目标的拒判能力也是评估识别系统性能的一 个重要指标。下面我们介绍几种常用的雷达HRRP识别算 法。 4．1最大相关系数法 最大相关系数法‘2，71源于经典的模式识别算法——模板 匹配法，也可以称之为在距离像域包含了平移补偿的模板匹 配法。对测试距离像x(玎)和模板x，(船)，其最大相关系数 可通过频域快速卷积算法计算得到： d(x，曷)=max|Ix(∞)群(∞)exp(业聊)d∞I (8) I■ ． 其中B为信号带宽，￡为目标横向长度。 最大相关系数法直接简单，有较好的识别性能。对空中 目标，目标的姿态变化范围较大，需要足够多的模板来表示 不同姿态下的HRRP，且模板数随目标类别数的增加而增加， 运算量也较大。 4．2核函数类分类器 核函数类分类器可以将输出信号由低维特征空间映射 到高维特征空间，从而可以将一些在低维空间中线性不可分 的问题转变为高维空间中的线性可分问题，表现了良好的分 类能力，因而在模式识别的许多领域都有应用。核函数类分 类器的分类函数的一般形式可表示如下： 卫 ，(x)=∑％K(x，以)+w0 n=l (10) 其中w0，wl，…，wⅣ为权系数，K(x，以)为描述x和以相似 程度的非线性函数，可以有多种定义形式。通常式(10)在学 习过程中要利用到所有训练样本，训练的过程即是选择核函 数和权系数的过程，在训练完成后核函数的数目Ⅳ相对于训 练样本数目会大大减少。 早期具有代表性的核函数分类器是径向基函数(1ⅧF)网 络分类器，顾名思义，其核函数采用RBF。从90年代初发 展起来的支持向量机(SvM)【33'341对有限样本下模式识别的一 些根本问题进行了系统的理论研究，并建立了一种良好的通 用学习算法，成为近年来机器学习算法的热点，在雷达自动 目标识别中也有成功的应用【201。虽然SvM的支持向量数目 (核函数数目)相对于学习样本大大减少，但是会随着学习样 本的增加而增加，在某些应用中需要进行进一步的后处理来 减少支持向量以降低计算量【35】。此外，svM要求核函数满 足Mercer条件。针对SVM的这些缺点，Tipping于2000年 提出了一种基于Bayes框架的学习算法一一相关向量机 (RvM)【35】。相对于svM，RvM在保持几乎相同的识别性能 的条件下其相关向量的数目可以大大减少，因而识别运算量 也大大降低。同时，RVM对核函数的形式没有要求，可以 其中+为共轭算子。 不满足Mercer条件。 采用最大相关系数法时面临的关键问题是如何选择模 相对于最大相关系数法，核函数类分类器的运算量大大 板。由于HRRP的目标敏感性，需要有足够多的模板来描述 降低，且具有较好的识别能力。虽然核函数类分类器具有良 万方数据
    1332 电子与信息学报 第27卷 好的分类学习能力，但应用到雷达HRRP识别时，由于存在 性，具有较好的推广能力和识别性能。但与最大相关系数法 目标姿态敏感性，需要仔细选择分类器参数，保证分类器有 一样，要求有足够多的模板数，当目标类别数较多时其运算 较强的推广能力，以免出现过学习(Overfittin曲现象。将训练 量较大。此外，由于AGC和KulIback．Leibler距离分类器是 数据和测试数据有效分开，即两者对应的目标姿态有一定的 在距离像域进行识别，在识别时还要考虑HRRP的平移匹配 差别，是解决这一问题的有效方法。 4_3基于HRRP统计特性的分类器 问题。为了使HRRP更接近于高斯分布，此类方法通常要进 行幂变换预处型251。 虽然核函数类分类器属于统计学习类分类器，但它与最 4．4序列HⅪ心分类器 大相关系数法一样都是基于确知HRRP模型的分类器，即采 利用目标多个姿态下的HRRP进行识别是提高识别性能 用多个确定的HRRP作为模板，而没有考虑HRRP的统计特 的一条有效途径【36】。虽然上一节介绍的Kullback．Leibler距 性。最大相关系数法是采用一定角域内的平均HIuu作为模 离准则可以用于对HRRP序列的识别，但其假设条件是各个 板，而核函数类分类器是通过学习算法从训练样本中选择一 HRI冲间是统计独立的。实际上，虽然HRRP随目标姿态变 些HRRP作为模板(表现为核函数)。实际上目标H鼬心在一 化有较大的变化，但它是与目标结构相关的一个有序的渐变 定角域内的起伏特性描述了目标的散射点分布情况，也是目 过程，利用序列HRI心问的结构信息可以进一步提高识别率。 标特性的一种表现。基于HRRP统计特性的分类器用一定的 隐马尔可夫过程(HMM)是描述非平稳序列信号的一个有力 概率模型来描述H砌冲的起伏特性，其代表性的算法为自适 工具，可以用来描述HRRP序列随目标姿态变化的统计特性。 应高斯分类器(AGc)【10'11】，其判决准则如下： 目标在一个相对小的角域内的多个HRRP可以认为是平稳的 《Gc=logi∑』+(x一∥)’∑一(x一∥) (“) 随机过程，对应于HMM的一个状态，而不同角域内的HRRP 其中x为测试HRJ冲，∥，∑分别为目标一定角域内的平均 回波序列可以用HMM的状态之间的跳转来描述。基于HMM 像和方差像。其角度范围仍可由式(9)确定。可以看出，AGC 的识别算法既考虑了H砒冲序列的局部平稳特性，又考虑了 与最大相关系数方法不同，其每个模板是由平均像和方差像 其非平稳特性，故较AGC算法有更好的识别性能。HMM在 两部分构成，因而可以更好地描述目标特性。最大相关系数 目标识别中的应用见文献【18，32】。 法实际上是基于欧氏距离，而式(11)右端第二项是马氏距离， HMM算法用于雷达HRRP识别时也存在一些局限性。 因此，距离测度，也可称之为HRRP的相似性测度是HRRP 首先，由于在识别时要搜索最佳路径来计算HRRP序列的最 识别中的～个核心，一种新的HRRP相似性测度方法往往可 大后验概率，当目标的状态数较多时，其运算量较大。文献 以导出一种新的识别算法。 [18】对雷达地面目标识别中，每个目标的HMM状态数多达 AGC算法是针对单个HRRP识别的，在许多应用中， loo多个，计算量是非常可观的。其次，一维HMM只能描 可以获得目标多个HRI冲，此时可以估计出测试HRRP序列 述目标姿态在二维平面上的变化，对空中目标，目标姿态是 的均值像和方差像，得到描述测试HⅪ冲序列的概率模型， 在三维空间变化，此时在HMM训练和识别时都存在着如何 从而可以采用概率距离——Kullback．Leibler距离准则来设 选择HRRP序列的问题。 计分类器，其判决准则为 5 H砌冲识别研究的展望 D(孙昆)=fpo(x)ln旦嘿dx ’ A L工J 雷达目标识别技术的发展已经有近50年的历史，基于 =‰【lnpo(x)卜昂[1npI(x)】 (12) HRI冲的目标识别技术只是在高分辨雷达技术发展以后才发 其中‰@)和p．@)分别为测试样本和模板的概率密度函 展起来的，在这一领域中虽然不断有新的成果问世，但仍有 数，可以由数据估计得到。如果假设测试样本序列和模板均 一些基础问题没有解决，离实用尚有一定距离。我们认为， 服从高斯分布，且各个距离单元信号相互独立，则式(12)可 雷达HRRP识别在下列几个方面需要作进一步的工作： 化为 (1)特征提取问题特征提取是HRRP识别中最为关键 肚争2㈣十薹型考字咝∞， 的问题，直接影响着最终的识别性能。由于雷达H褂冲是目 标电磁散射特性在一维空间上的投影，因此，结合目标电磁 其中Ⅳ为HItI冲的距离单元个数，盯(行)，∥(，1)分别为模板 散射理论来探索雷达HⅪ冲特征提取新方法是一个需要进一 第行个距离单元的方差和均值，毋(门)，p(行)分别为测试序 步研究的问题。 列第盯个距离单元的方差和均值。 (2)分类器设计问题 雷达HRRP识别和其他模式识别 基于HRRP统计特性的分类器考虑了H砌冲的起伏特 领域相比，有其共性，也有其特殊性。如前所述，雷达HRRP 万方数据
    第8期 刘宏伟等：雷达高分辨距离像目标识别研究进展 1333 具有平移敏感性和目标姿态敏感性，即使对同一目标，其 HRRP在特征空间的分布也比较复杂，因此要求的分类超平 面比较复杂，针对这些特点，设计简单有效的分类器对推动 HRRP识别的研究有重要意义。 (3)联合跟踪和识别问题雷达目标识别往往是在检测 到目标以后进行，而利用运动目标的跟踪信息，可以先估计 目标的大致姿态，然后基于此进行识别，可以降低识别算法 的搜索空间，降低运算量。有了目标姿态约束后，等效于简 化了目标的模式复杂度，对识别性能的提高也有明显的好 处【36l。 (4)多特征、多信息融合识别 目标HRRP实际上只是从 一个侧面反映了目标的特性，要从根本上解决雷达目标识别 问题，特别是在目标类别数较多时，需要多种手段综合利用。 例如，可利用目标的速度、Rcs、多谱勒谱特性、低分辨起 伏特性以及极化信息刚等。 6结束语 雷达目标识别技术是一项综合性技术，涉及多方面的理 论和知识，既符合模式识别理论的一般规律，同时又有其特 殊性。随着电子技术的发展和现代信息化战争的要求越来越 高，雷达目标识别技术的研究将会受到越来越多的关注。本 文主要介绍了目前雷达HRRP识别研究的一些进展，包括雷 达HRRP特性、HRRP特征提取方法及分类器设计等，最后讨 论了HRRP识别的研究方向。 参考文献 【l】 【2】 Smjth C R，Goggana P M．Radar ta唱et identmcation．脚 4删它nn∞andP阳p口g口f如n^IrⅡg韶fne，1993，35(2)：27—38． Li H J，Yang S H．Using range pmfiles as features Vectors to objects．，J眦7’．口，I￡ Dn 4疗胞疗，l甜 口行d identi母 aerospace 尸，叩q印ff0”，1993，41(3)：26l一268． [3】Williams R L，Gmss D C，Westerkamp J J，“以．1D HI汛da诅 【4】 【51 analysis and ATR assessment．SPIE Confbrences on Algorithm for SAR ImageⅨOrlando，Florida’l 998，3370：588—596． Shaw A K．Automatic target recognition using high．Tesolution da扭．AFRL Report，1 997． Liao x， Bao z． Circularly bispectra： noVel shiR invariant fbature for high-resolution radar target recognition．脚 E伽frD疗妇￡P№坶，1999，34(19)：1879一1880． integrated 【6】 Zhang X，Shi Y Bao z．A new feature vector using selected bispectra for signal c18ssification with application in radar ta曙et recognjtion．腰E￡7妇触D拧S自即口j mc巴锘f，29'2001，49(9)： 1875一1885． 【7】 L}H J，Wang Y D，、№ng L H．Matching score properties between range pro氍le of high·resolution radar targets．皿陋E乃．口，饿D一 爿月f阴疗口s口门dp，印唧f如门，1996，44(4)：444—452． 万方数据 嘞 网 呻 m m ∞ 畔 吣 m ∽ m ∽ 脚 阱 m 瞄 阱 瞄 Zyweck A，Bogner R E．Radar targPt cl硒s讯cation ofcommercial aircmR．脚E 7k触彻A哦1996，32(2)：598—606． Mitchell R A． RobuSt high rad盯协rget resolution r锄ge identmcation using a stalistic fcature b鹊ed cl硒siner with feature leVeI msion．【Ph．D Dissert砒ion】，Dayton，UniverSity of Dayton， 1997． JacObs S P．Automatic ta唱et recognitiOn using high·resolution rad牡r矾ge pr06les．【Ph．D Dissertation】，W埘1ington，Washing- ton UniverSi吼1999． Jacobs S P’O’solliVan J A．Automatic ta唱et rccognition using sequences 0f high resolution radar range·pmfiles．，巨EE 7)‘口玎．，o玎 A臣S 2000，36(2)：364—380． Mitchell R A，Westerkamp J J．Robust statistical featurc b鹪ed aircraft identmcation．皿您E砌H量D打爿ES l 999，35(3)：l 077 一1094． Xing M，Bao Z，Pei B．The pmpenies of high·rcsolution啪ge pmfiles．鲫^∞，蚴e盯办酶2002，4l(2)：493—504． Kim K T'Seo D K，Kim H T．Efficient radar ta唱et rccognition using the Music algoritllm aIld invariant fcatures．皿汜E乃曰瑚．D疗 彳行幼2，l船口，耐尸凡lP唧f抽一，2002，50(3)l 325—337． Hudson S．Psaltis D．Correlation矧Iters for aircraft identification f曲m radar mnge pmfiles．脚E Z砌玎，o一彳点蕊1993，29(11)： 74I一748． Potter L，Chiang D M．A GTD-based par帅etric model fof rad盯 sca牡ering．上眦乃_口疗f D甩■只1995，42(10)：1058一1067． Shi Y Zh锄g X．A Gabor砒om network for sigIlal cl勰s．ncation w油印plication in radar taFgct recognition．饱EE 7妇，坫．o疗 阮一口，mcB船以g，200l，49(12)：2994—3004． Liao X，Runkle P'Ca^n L．Identification of ground targets行om sequentialhi曲-啪ge·resolution radar signaturcs．，脚丁k船．D，l AES 2002，38(4)：1230—1242． Shao Y．Higher order spectra jnVariants for shape pattem rccognition．【Ph．D Dissertation】，Athens，0hio university'2000． zhao Q，Princ．ple J c． Support vector machines for sAR automatic target recognition．z聊7妇H置册AES 200l，37(2)： 643—654． NoVak L M，0wirka G J，WeaVer A L．Automatic ta唱et recOgnition using enhanced resOlutiOn SAR data．Ⅱ汜E乃．口一，D一 彳￡=：S’1999，35(1)：157一175． Zwart J P'Heiden R，Gelsema S，ef口，一Fast translation inv雏iant class讯cation in a zem ph船e represen诅tion．脚P，Dc只口出，勋M^，口v嘻，2003，150(6)： of HRR range pmfiles 41l一418． Wu R，Gao Q，Liu J，甜耐．．ATR scheme based on l-D HRR proflles．踟加丹妇￡“，邯，2002，38(24)：1 586一l 588． Shaw A， Bhamag盯V Automatic ta唱et recognition using eign-templates．SPIE，1998，3370：448—459． Fukunaga K．Intmduction t0 Statistical Pattem RecogIlition．SaIl Dicgo：Academic Press，1990：104一106．
    1334 电子与信息学报 第27卷 【26】 Li J， Stoica P． E街cient mixed·spectmm estimation with Machines and Other Kemel-Based Leaming MethOds．C姗bridge 印plication to fe砒ure extraction．皿}点压乃．口ns． Dn S辔一口， Cambridge UniVersity Press，2000，Chapter 6． 尸，DcB站棚函1996，42(2)：28I一295． 廖学军．基于高分辨距离像的雷达目标识别，【博士论文】，西 【34】 Bu唱es C J．A tutorial on support vector machines for pattem 嗽o％I砌m，D0|a Mining nnd Knonvledge Discover)，'、998。212、： 安：西安电子科技大学，1999． 12l—167． 【35】 Tipping M E．Sparse Bayesian leaming and reIevance vector machine．如“M口，D厂肘a幽加e￡叩，"以g尺邸棚地疔，200 I，I(3)： 211—244． [36】wIlliams R，wjsterkamp J．Automatic ta喀et recognition of time criticaI moVing taPgets using l D hi曲range resolution(HRR) rad越胧E彳醪拖孵船，2000，15(4)：37—43． 【37】王雪松．宽带极化信息处理研究．【博士论文1，长沙：国防科学 技术大学，1999． 刘宏伟： 男，1971年生，博士，副教授，从事雷达信号处理、雷 达目标识别及自适应信号处理研究． 杜兰： 女，1980年生，博士生。从事雷达目标识别研究． 袁莉： 女，1978年生，博士生，从事雷达目标识别研究． 保铮： 男，1927年生，教授，中国科学院院士，从事雷达信号 【27】 【28】 Chandran V，Elgar S L．Pattem recognition using invari锄ts defined f如m higher order spectra one—dimensionaI inputs．，聊 7．r口触。打S瑶卵口，P，Dc跚f，喀，1993，4l(1)：205—212． 【29】 Tugnait J K．Detection of non-Gaussi孤signals using integrated polyspectrum．厄髓豫孤女册阮嘲，P，础￡，魄；】994，42(11)： 3137—3149． 【30】 Gerry M J，Potcer L C，Gupta I J，“口，．．A p盯ametric model for synthetic aperture radar measurcments．伍EE开罐，琏D，l一只l 999， 47(7)：1179—1 188． [31】 Carriere R，Moses R L．High resolution radar target modeling using a modified Prony estimatoL正眦乃W邶．D门爿P， l 992， 40(1)：13一18． 【32】 Bharadw司P’Runkle P'Carin L，“口，．．Multiaspect classification of airbome ta唱ets via physics．based HMMs∞d matching pursuits．，脚7砌瑚．D胛爿ES 200l，37(2)：595—606． 【33】 Cristianini N，Shawe-Taylof J．An Introduction to Suppon V色ctor 处理领域的研究工作． 万方数据
    雷达高分辨距离像目标识别研究进展 作者： 刘宏伟， 杜兰， 袁莉， 保铮， Liu Hong-wei， DU Lan， Yuan Li， Bao Zheng 作者单位： 刊名： 西安电子科技大学雷达信号处理重点实验室,西安,710071 电子与信息学报 英文刊名： JOURNAL OF ELECTRONICS & INFORMATION TECHNOLOGY 年，卷(期)： 2005，27(8) 15次 被引用次数： 参考文献(37条) 1.Smith C R.Goggana P M Radar target identification 1993 2.LI H J.Yang S H Using range profiles as features vectors to identify aerospace objects 1993(03) 3.Williams R L.Gross D C.Westerkamp J J 1D HRR data analysis and ATR assessment. SPIE Conferences on Algorithm for SAR Imagery 1998 4.Shaw A K Automatic target recognition using high-resolution data 1997 5.Liao X.Bao Z Circularly integrated bispectra: novel shift invariant feature for high-resolution radar target recognition 1999 6.Zhang X.Shi Y.Bao Z A new feature vector using selected bispectra for signal classification with application in radar target recognition 2001(09) 7.LI H J.Wang Y D.Wang L H Matching score properties between range profile of high-resolution radar targets 1996(04) 8.Zyweck A.Bogner R E Radar target classification of commercial aircraft 1996(02) 9.Mitchell R A Robust high range resolution radar target identification using a statistic feature based classifier with feature level fusion 1997 10.Jacobs S P Automatic target recognition using high-resolution radar range profiles 1999 11.Jacobs S P.O'sollivan J A Automatic target recognition using sequences of high resolution radar range-profiles 2000(02) 12.Mitchell R A.Westerkamp J J Robust statistical feature based aircraft identification 1999(03) 13.Xing M.Bao Z.Pei B The properties of high-resolution range profiles 2002(02) 14.Kim K T.Seo D K.Kim H T Efficient radar target recognition using the Music algorithm and invariant features 2002(03) 15.Hudson S.Psaltis D Correlation filters for aircraft identification from radar range profiles 1993(11) 16.Potter L.Chiang D M A GTD-based parametric model for radar scattering 1995 17.Shi Y.Zhang X A Gabor atom network for signal classification with application in radar target recognition 2001(12) 18.Liao X.Runkle P.Carin L Identification of ground targets from sequential high-range-resolution radar signatures 2002(04) 19.Shao Y Higher order spectra invariants for shape pattern recognition 2000 20.Zhao Q.Principle J C Support vector machines for SAR automatic target recognition 2001(02) 21.Novak L M.Owirka G J.Weaver A L Automatic target recognition using enhanced resolution SAR data
    分享到：
    赞 收藏

    相关推荐

    资料库

    课程资源

    共收录17145份资料，累计13个分类，关注成员有19位，主要包括：PHP,网络管理,网页制作,Java,.Net,数据库,3G/移动开发,C/C++,游戏开发,嵌入式,讲义,软件测试,专业指导

    热门标签

    PHP 网络管理 网页制作 Java .Net 数据库 3G/移动开发 C/C++ 游戏开发 嵌入式 讲义 软件测试 专业指导

    最新资料