基于聚类算法的地面目标HRRP分割识别
2015-02-01范颖锐罗小波宋志勇付强
范颖锐,罗小波,宋志勇,付强
(国防科学技术大学电子科学与工程学院ATR重点实验室,长沙 410073)
基于聚类算法的地面目标HRRP分割识别
范颖锐,罗小波,宋志勇,付强
(国防科学技术大学电子科学与工程学院ATR重点实验室,长沙 410073)
摘要：地面目标往往随机排列密集分布,雷达波束内不可避免地存在多个目标,为采用一维距离像进行地面目标识别带来了困扰。本文将波束内多目标距离像的相互关系划分为四种情况,在采用一维距离像进行分割提取的基础上,引入了方位角度信息,仿真结果表明：提出的二维聚类算法有效实现了波束内多目标距离像的分离，同时,本文研究了因这种分割算法造成的距离像残缺率对地面目标识别性能的影响。
关键词：一维距离像；二维聚类；残缺率；地面目标
0引言
近年来,应用高分辨雷达技术的地面目标识别在地表监测、地面巡逻、地下勘探等多个领域取得了广泛应用,依据散射点分布模型理论[1],地面目标在雷达视线方向扩展为包含多个散射点的一维距离像,这些一维图像的各种显著特征为直接采用一维数组进行目标识别带来了方便。然而当使用宽带高分辨雷达对随机排列密集分布的地面目标进行探查观测时,雷达波束内往往不可避免地存在多个目标,从而获得多个目标重叠的距离像,这就给后续的识别带来了巨大的困扰。当获取一幅连续的距离像时,无法确定是单个地面目标的距离像,还是两个地面目标重叠的距离像,当获取一幅间断的距离像时,同样无法确定它来源于两个相分离的目标,还是一个散射点分布稀疏的目标。
要解决这个问题,首先要对地面多目标HRRP的相互关系进行分类和鉴别,针对不同的类别提出不同的聚类算法,最后将算法整合成一个可编程的整体。一个复杂的问题通常可以简化为多个简单的小问题,所以本文针对波束内两目标的情况进行分析和处理。杨陶柳[2]提出了一种滑窗检测的方法,能够比较严谨地检测出一维距离像的前后端点,对波束内单目标距离像的提取具有良好的适应性。本文在一维距离像的基础上,引入角度信息,着重解决波束内多目标距离像的分割问题。
1地面多目标HRRP的相互关系
1.1地面目标一维距离像分离的可行性分析
如图1所示,A、B为x坐标轴上直线距离为D的两个目标,雷达入射波束的轴线方向与x轴正向的夹角为方位角,定义两条射线所夹的锐角为α.在雷达扫描过程中,目标A、B会先后出现在雷达波束中,甚至有一定概率同时出现在雷达波束中,于是要实现雷达对两个目标的分辨,则要保证两个目标在同一时间至少在径向距离维上可分或者在横向方位维上可分,也就是要满足下面的公式:
图1 雷达波束内两目标示意图
资助项目： 国家自然科学基金(批准号:61401475)
联系人： 范颖锐 E-mail: 570324520@qq.com
(1)
式中: dr、dθ分别表示雷达在距离维和方位维的分辨率。假设两目标的直线距离D足够小,且均小于雷达在距离维和方位维的分辨率,即不存在这样的角α1或α2来保证两目标是显著可分的。一般情况,假设D>dr,即存在这样的角α1,当雷达入射波束的轴线方向与x轴所夹锐角α<α1时,这时候可以考虑极端情况,当雷达入射波束的轴线方向与AB重合,根据D>dr,可知目标在距离维可分,与此相反,当α>α1,目标在距离维不可分;相似的推理过程,假设D>dθ,即存在这样的角α2,当α<α2时,同样可以考虑极端情况,当雷达入射波束的轴线方向与AB重合,两目标在横向方位维上重叠在一起,显然目标在方位维不可分,与此相反,当α>α2,目标在方位维可分。综上所述,距离维,α1角内可分,方位维,α2角外可分。由此,可以得出分离概率P(D)与角度之间的相互关系,考虑到一般情况下dr小于dθ,分以下四种情况讨论:
1) D 2) dr≤D (2) 3) dr (3) 4) dr 图2 雷达波束内两目标示意图 分析表示,一旦获取了dr,dθ,D之间的相互关系,就能求出对应的分离概率。对于宽带高分辨雷达,理想情况为dr 然而对于密集分布的多种地面目标,其目标间距D普遍较小,因此这种情况更加符合论述的第② 种情况。与此同时,地面目标的排布复杂多变,目标之间的间距更是具有随机性和不确定性,单纯地考虑雷达视线的入射方向并不能解决波束内多目标的分辨问题。那么,对于距离维不可分的角度入射范围,也就是当A、B的HRRP发生重叠时,不能确定这是一个目标的距离像,还是两个目标的重叠距离像,这时候采用单脉冲测角的方法,引入距离像的方位俯仰信息[3],原本一维的距离像被映射到二维的距离角度空间,一维上重叠在一起的点,在二维空间中聚合在不同的小区域内,实现距离像分离的目的。 1.2地面多目标一维距离像的关系鉴别 按照1.1节中图2所示的几何关系建立仿真场景,用matlab仿真分析当雷达波束内出现两个目标时,获取的各个目标一维距离像的相互关系。建立目标A、B的散射中心模型,分析不同入射角度下,距离像的相互关系。参考文献[3]中的定义,对地面目标距离像的相互关系进行类似的分类。 假设波束内的目标A、B相距200 m,雷达波以10°的俯角入射,雷达视线的轴心方向对准目标A、B的几何质心,当入射方位角为60°时,距离像如图3所示,距离像的间距超过了一个目标的最大宽度,两目标的距离像为完全分离状态,即Q1;当入射方位角为80°时,距离像如图4所示,距离像的间距大于零但小于一个目标的最大宽度,两目标的距离像为相对分离状态,即Q2;值得注意的是,两目标距离像的方位角,明确指示出了两类目标的差异;当入射方位角为83°时,距离像如图5所示,用距离像的间距来分类变得徒劳无益,但是利用方位角进行分类仍然有效,两目标的距离像为低度重叠状态,即Q3;当入射角方位角为87°时,两目标的距离像为深度重叠状态,且重叠部分的方位角显得杂乱无章,即Q4.需要明确指出的是,为了便于观察,以上图片的方位及俯仰幅度被人为放大了5倍。 图3 完全分离(Q1) 图4 相对分离(Q2) 图5 低度重叠(Q3) 这就提示采用一种联合了角度信息的距离聚类算法进行重叠目标距离像的分割提取。按照相同的分析思路,先采用距离像的间距进行大致的分类,Q1会得到很好的解决,对于Q2,增加方位角的辅助信息,通过两个维度的聚类算法也能够得到解决,对于Q3,需要确定重叠部分距离像的长度并予以剔除,在第二节中进行详细分析,对于Q4,由于重叠部分距离像较多,分割后的残存距离像对目标识别没有太大帮助,在第三节中进行说明。 2基于距离和角度的聚类算法 2.1聚类算法的门限设置 假设目标的散射点中心模型分布在一个x×y×z的三维空间内,考虑到距离像为目标各散射点在雷达视线方向的投影、目标自身的方位俯仰角,目标距离像的最大宽度必然大于x、y、z的任何一个值。由于比较的是各点到聚类中心的距离,因此门限的设置实际上是最大宽度的一半。采用折中的办法,这个门限可以采用x、y、z里面的最大值。对于Q1,门限设置为 Thl≤max(x,y,z) (4) 对于Q2,门限设置为 (5) 必须同时满足这两个条件,才能分类为同一目标的距离像。R为雷达与目标A、B几何质心的直线距离。 对于Q3,门限设置为 (6) 必须同时满足这三个条件,才能分类为同一目标的距离像。文献[1]指出,针对任何扩展目标散射中心的测量,都会因为角闪烁噪声产生测角误差[8],这种误差与散射中心之间的间距有关。当波束内存在两个目标时,来自两个目标散射中心之间的间距要比来自同一目标散射中心之间的间距大得多,因此,重叠部分距离像多次测量的方差要远大于非重叠部分距离像多次测量的方差。如图6所示,当距离像发生深度重叠时,相近距离像相同方位角的散射点测得的方位角有较大差异,也就是说对于同一个散射点多次测量获取的方位角序列方差较大。如图7所示,选取发生低度重叠的方位角度85°,获取附近角度下的距离像方位角方差,进行归一化和平移操作,获取它们各自的比值曲线,中间凸起部分为重叠距离像方位角的方差,其比值明显要比非重叠部分方位角方差大,因此这里,选用较小的λ=0.1就能很好地剔除方差较大的点。从而解决了低度重叠情况下距离像的分离。 图6 深度重叠(Q4) 2.2算法流程图 在对一维距离像不同散射点进行聚类的过程中,距离采样单元流水输入,没有先验信息来判断重叠距离像属于哪种情况,进而采用哪种门限来实现距离像的分离。可行的是,采用逐一深入并排除的方法,先采用Q1门限对距离像进行聚类,若成功聚为两类目标,且目标间距大于视野中可能出现的目标的最大长度,则算法结束,否则再采用Q2门限对距离像进行重新聚类,若成功聚为两类或一类目标,则算法结束,否则,使用Q3的方差门限剔除距离像中方位角方差较大的点,然后再采用Q2门限对距离像进行聚类,如此循环往复,直到满足算法结束条件为止。具体的操作步骤,如图8所示。 图7 低度重叠距离像的方位角方差比 图8 聚类算法流程图 需要说明的是,算法有效的前提是,假定距离像只包含最多两个目标。左侧菱形选择框采用的是Q1门限,中间菱形选择框采用的是Q2门限。如果距离像中包含且仅包含两个地面目标,且算法从左侧正常退出,表明距离像处于完全分离状态,若算法不经右侧而从中间部分正常退出,则表明距离像处于相对分离状态,否则表明距离像当前处于低度重叠甚至深度重叠状态。需要明确的是,更新聚类中心的方式是有区别的,以i++的方式更新聚类中心,是将上一个距离单元作为当前类别的一个点来更新的,需要重新计算当前类别的参考中心点,而以j++的方式更新聚类中心,是因为当前距离单元不属于上一个类别,于是作为下一个类别的初始参考中心点。 3仿真实验 3.1距离像的分割提取 图9 四种情况下距离像的分割提取结果 (a)完全分离;(b)相对分离;(c)低度重叠;(d)深度重叠 我们根据1.2节中建立的仿真场景,针对两目标距离像出现的四种情况,采用2.2节中提到的聚类算法,分别对四种情况下的距离像进行分割提取,结果如图9所示。当两个距离像发生深度重叠时,如图9(d)所示,聚类算法舍弃了重叠部分的距离像,仅提取了理论上未发生重叠部分的距离像,很明显,由于丢失了距离像的大部分特征信息,它已经失去了用于匹配识别的价值。虽然算法能够很好地处理Q3、Q4两种情况下的距离像,但是算法未能分辨出是低度重叠还是深度重叠。而且,1.2节中关于距离像关系的鉴别也没有明确两者的界限,考虑到最终的距离像将用于目标识别,做如下定义,对于重叠距离像因分割造成残缺对识别产生显著影响的,视为深度重叠,否则视为低度重叠。 3.2距离像残缺率对识别性能的影响 图10 残缺率对匹配性能的影响 图11 残缺率对识别性能的影响 在第二节中,讨论Q3、Q4两种情况时,并没有明确指出哪种情况属于低度重叠,哪种情况属于深度重叠,通过研究距离像残缺率对识别性能的影响,将有助于划清两者的界限。距离像残缺率定义为丢失距离像占原像长度的百分比。采用matlab仿真出地面目标A的距离像全方位模板库,选取六个方位角的距离像,改变它们的残缺率,然后采用自相关模板匹配的方法研究残缺率对匹配性能和识别性能的影响。 如图10所示,各个方位角下,距离像残缺率对匹配性能的影响曲线,当残缺率小于40%时,残缺的距离像并不能显著地影响匹配值,一旦残缺率超过40%,匹配值出现骤降,这与残缺部分逐渐接近距离像峰峰值有关,随着残缺率的增大,匹配值出现剧烈波动,这与残缺距离像占全像的比重越来越大有关。图11为噪声条件下多次测量,各个方位角的距离像残缺率对识别性能的影响曲线,当残缺率小于20%时,它并不影响使用剩余的80%距离像从模板库中找到它的原像,这个时候,距离像的残缺是可以忽略的。换句话说,当距离像的重叠部分少于原像的20%时,可以认为是低度重叠情况,因截取而残留的80%距离像对于识别仍然是有效的,当距离像的重叠部分高于原像20%,可以认为是深度重叠状态,这时提取的距离像匹配识别的结果是不可信的。据此,可在2.2节中的算法右侧流程图中添加一个一次性判断框图,仅在算法第一次经过时进行判断,如果剔除部分距离像的长度超过左侧距离像或者右侧距离像长度的20%,则算法可从右侧正常退出,视为Q4。 4结束语 本文针对波束内存在双目标的情况,进行了地面目标一维距离像分离的可行性分析,采用四种情况来划分波束内两目标距离像的相互关系,同时以地面目标A的模板库研究了距离像残缺率对匹配结果和识别性能的影响,并以此为依据划分了低度重叠和深度重叠的区分界限,针对完全分离、相对分离和低度重叠三种情况提出了基于距离和角度的二维聚类算法,并用仿真实验证明了算法的有效性,同时依据算法的前提条件,给出了算法的应用范围,即已知波束内最多包含两个地面目标,且波束内两目标相对于雷达视线方向的角度差越大,算法性能越好。 参考文献 [1]刘敬.雷达一维距离像特征提取与识别方法研究[D].西安：西安电子科技大学,2008:8-35. [2]杨陶柳.高分辨雷达多目标识别算法研究[D]. 成都:成都电子科技大学,2013:26-38. [3]罗小波,范红旗,宋志勇,等.基于距离——方位二维聚类的海上编队目标距离像提取[J].系统工程与电子技术,2013,35(7):1353-1361. [4]冷家旭,黄惠明.基于高分辨距离像的目标识别技术发展现状与趋势[J].飞行器测控学报,2010,29(3):79-82. [5]陈凤,杜兰,刘宏伟.一种利用强度信息的雷达HRRP自动目标识别方法[J].电子学报,2009,3(3):460-463. [6]杜兰,刘宏伟.一种利用目标雷达高分辨距离像幅度起伏特性的特征提取新方法[J].电子学报,2005,3(3):411-415. [7]袁祖霞,高贵明.基于高分辨率一维距离像雷达目标识别研究[J].雷达与对抗,2010,3(30):11-14. [8]吴杰.基于高分辨距离像的雷达自动目标识别技术研究[D].南京:南京航空航天大学,2012:12. [9]李阳.基于一维距离像的空间目标识别技术研究[D].长沙:国防科学技术大学，2011:8-38. 范颖锐(1991-),男,硕士生,主要研究方向为雷达信号处理与目标识别技术。 罗小波(1982-),男,博士,主要研究方向为精确制导自动目标识别、目标跟踪。 宋志勇(1983-),男,博士,讲师,主要研究方向为雷达信号处理与抗干扰技术、目标检测跟踪技术。 HRRP Recognition for Ground Targets Based on Clustering Algorithm FAN Yingrui,LUO Xiaobo,SONG Zhiyong,FU Qiang (ATRKeyLaboratory,SchoolofElectronicScienceandEngineering,National UniversityofDefenseTechnology,Changsha410073,China) Abstract:The ground targets are often randomly arranged in dense distribution, inevitably more than one of them appear in the radar beam, so it brings trouble to the ground target recognition for HRRP. In this paper, the relationship between the multi-target HRRP in the rader beam is divided into four cases, the author introduces the azimuth angle information to the HRRP segmentation, The simulation result shows that the proposed 2D clustering algorithm can effectively achieve the separation of the multi-target HRRP in the beam, meanwhile, this paper researches the effect of HRRP loss ratio caused by segmentation algorithm for ground target recognition. Key words:High resolution range profile; 2D clustering algorithm; HRRP loss ratio; ground target 作者简介 收稿日期：2015-09-05 中图分类号：TN957 文献标志码：A 文章编号：1008-9268(2015)06-0058-07 doi:10.13442/j.gnss.1008-9268.2015.06.012
