基于统计特征的水下目标一维距离像识别方法研究

卢建斌，张云雷，席泽敏，张明敏



基于统计特征的水下目标一维距离像识别方法研究

卢建斌，张云雷，席泽敏，张明敏

(海军工程大学电子工程学院，湖北武汉430033)

目标探测与识别是水下预警监视、信息对抗的重要组成部分。针对水下目标一维距离像识别问题，通过提取目标的长度、重心、高阶中心矩等特征，分析了所提取特征的统计分布特性，利用假设检验构建了目标识别特征的统计模型。结合Bayes统计分类器开展了5类水下目标的识别实验，并与基于距离像回波匹配相关的识别方法进行对比分析，对比结果显示所提出的方法在识别率和运算量方面均有明显改善。

水下目标识别；一维距离像；统计特征；贝叶斯分类器

0 引言

随着信息技术的不断发展，水声干扰与水声对抗设备的智能化水平也在不断提高。潜艇和水面舰艇的对抗设备均能够较好地模拟水下被动辐射噪声和主动回波亮点特性，对水下探测、攻击提出了更为严峻的挑战[1]。

现代高分辨技术的出现为目标探测和识别提供了新的途径。水声探测传感器通过发射宽带相干信号，使得回波信号的距离分辨率远小于目标尺寸，目标表现为各自独立的散射中心的集合。这些散射中心在径向距离上的分布情况称为一维距离像，一维距离像包含了目标的形状及结构特征等更多可用于目标识别的信息，并且具有易获取和易处理等优点，十分适合应用于鱼雷探测与制导系统，具有广阔的应用前景[2,3]。本文通过水声测量获取5类目标的一维距离像数据，通过特征提取与统计特性分析，并结合Bayes分类器验证了利用距离像进行目标识别的有效性。

1 距离像的特征提取

关于利用水声测量目标一维距离像的原理和实验方法可参见文献[4]。在获取目标距离像数据后，可以直接利用目标的距离像回波在数据库中进行匹配相关，确定目标的属性，但是这种方法处理起来数据量和运算量均较大。这里提出基于目标特征统计模型的识别方法，以提高目标识别的性能，同时减少识别的运算量和存储量。所提取的特征包括目标长度、重心、二阶矩、三阶矩和四阶矩。

1.1 目标长度特征

与空中目标不同的是水下目标通常为长条形，目标的长度与其类别有着较大的联系，特别是在对目标进行大、中、小的粗分类时，目标长度是十分重要的特征。目标长度估计的核心是对目标距离像长度的估计，其基本算法就是对距离像上每个距离单元进行检测，判断该单元内的回波是目标回波还是杂波或噪声，从而确定距离像的长度。进一步根据目标当前所处的姿态角度(通常由目标连续跟踪所得的航迹估计得到)，就可以计算出当前距离像所对应的目标长度。

因此，上述处理的核心是对距离像内各个单元的检测，这里采用恒虚警检测算法。由于各距离单元均可假设为复高斯分布[5]，即各距离单元回波幅度服从瑞利分布，因此依据白噪声背景下恒虚警检测算法可得出目标距离像的长度。对于某次距离像回波的检测结果如图1所示。从检测结果可以得出距离像长度为49.9 cm，结合目标所处的姿态，估计出目标模型的长度为49.9/cos45o=70.5 cm。

1.2 目标重心特征

如果将目标距离像看作一个二维曲线，那么其所包含区域的重心分别包括横轴(距离轴)、纵轴(幅度轴)两个分量，如图2所示。其中，纵轴上的分量表征了目标距离像的幅度起伏特征。对于连续函数，其重心位置的数学表达式为

(2)

距离像重心的表达式为

1.3 中心矩特征

中心矩特征是最早用来描述二维图像信号的特征，具有平移、旋转及尺度不变性，它反映目标的形状信息。对于水下目标一维距离像，在一个较小的姿态角范围内目标距离像峰值位置的变化是一个缓变的过程，距离像姿态敏感性主要表现为峰值幅度的变化。对距离像的幅度归一化后，则峰值位置相近的距离像具有相近的形状信息。因而可以把中心矩作为距离像识别的特征[6]。

2 距离像特征的统计分析与变换

从上述特征提取过程看，由于原始距离像数据中存在误差，因此基于原始数据所提取的特征也不可避免地存在一定的偏差。以目标长度特征为例，由于目标姿态角的不确定、杂波和噪声的存在、以及对信噪比较低的距离单元进行恒虚警检测可能出现漏警的情况，导致目标长度估计出现一定的随机分布，该分布的模型可以用假设检验来验证，模型分布参数可以通过训练样本数据计算得出。

这里以某目标A的长度特征为例，通过其训练样本数据可得出该目标长度的分布如图3所示，从图中可以看出目标长度绝大多数分布在65~80 cm之间，并且长度特征的统计分布与理想高斯分布十分吻合。进一步利用柯尔莫哥洛夫-斯摩洛夫(Kolmogorov-Smirnov, KS)假设检验，以5%的置信度水平得出该组特征数据符合高斯分布，其K-S检验结果如图4所示。

因此对于该型目标的长度特征可以近似用高斯分布来进行建模，模型分布参数，即高斯分布的均值和方差通过样本数据的计算可得为。

同样目标重心、二阶矩、三阶矩、四阶矩特征的统计分布如图5~8所示，从图中看出虽然各特征量取值的分布范围差别较大，但是特征分布的形状都与高斯分布十分相近，从而验证了所提取的特征量在给定置信度水平下满足高斯分布的假设。在计算得出各特征分布的均值、方差后即可对上述特征量进行高斯模型的统计建模。

需要说明的是，前面所提取的重心、高阶矩特征虽然都是无量纲数据，但其物理含义不同，特别是高阶矩的幅度随着阶数的增加而急剧递增，从而影响各特征量在特征空间中的权重，进而降低分类识别的准确性。因此在进行分类识别之前，还需要将各特征量进行特征变换，保证所有特征量在特征空间中具有相同的权重。

本文采取极差变换的形式将所有特征量统一到[0,1]范围内，假设目标种类有类，每类目标的训练距离像样本数为个，那么距离像总样本数为个。若将第个距离像特征矢量记为

式中的5个特征量分别对应着所提取的目标距离、重心、2阶矩、3阶矩和4阶矩，那么总的特征矢量可写为

(6)

通过极差变换后的特征向量均分布在[0,1]区间内，在特征空间中具有相同的权重，可有效避免特征分布的差异带来的分类器性能的下降。

3 Bayes分类器设计

Bayes分类器是一种利用Bayes规则的最小错误概率分类器，也是一种较为常用的分类器[7]。在Bayes分类过程中，需要计算在给定样本条件下各类别的后验概率，然后选择后验概率最大的类别作为识别的结果。当待识别样本为，目标类别总共有类，分别表示为，那么根据Bayes规则，可得出每一类的后验概率为

(9)

或(10)

(12)

在识别过程中，每一个待识别样本数据通过特征提取后得到特征向量，与每一类别计算得出最大后验概率的类别即为识别的结果。需要说明的是，上述Bayes分类器在特征分布为高斯分布且均值和协方差阵已知的条件下是最优分类器。实际应用中，可能出现数据的特征分布偏离高斯分布，或者从训练数据中估计均值和协方差矩阵存在一定的误差，导致Bayes分类器识别性能的下降。

4 实验结果与分析

选取5类目标(目标模型如图9所示，依次记为目标A~E)进行实验验证和性能分析。距离像测量实验如图10所示，根据测量结果分别提取目标特征，并利用Bayes分类器进行目标识别。最后将本文识别方法的结果与基于原始距离像数据的匹配相关法进行性能对比。

考虑到实际中待识别目标的姿态角可以通过目标运动航迹中估计得出，因此识别过程中只需要在目标航向角估计误差的范围内进行识别，而不需要对目标进行360°的全姿态匹配。因此，实验中每类目标选择7°的方位角范围(对应45°至52°)内距离像样本共有250组，其中随机选取100组作为训练样本，提取目标的识别特征，构建特征模板，剩余的150组作为测试样本。

为检验目标长度特征提取方法的有效性，首先基于5类目标的距离像数据对其长度进行估计，估计的结果如表1所示。从估计的均值看，5类目标长度估计的准确度基本上都在90%以上，目标C的相对误差最大，达到10.09%，从原始距离像数据中发现该目标首尾处回波较弱，在恒虚警检测中很容易被判为杂波。从估计的均方差看，目标E估计的标准差最大，说明杂波环境的不确定性对该目标的影响相对更大。

表1 基于距离像数据的目标长度特征估计

同时从表1中可以明显看出不同类别目标尺寸上的差异，如C目标的尺寸远大于其他4类目标，而B目标和D目标的尺寸较为接近。一般意义上，目标长度信息可以用来大致区分目标的大、中、小类别，实现目标的粗分类，进一步结合其他信息或特征可进行更为精细的分类识别。

表2和表3分别给出了利用距离像匹配相关进行目标识别和本文所提出的基于统计特征的识别结果，从5类目标的识别结果看，两类方法均能够进行有效的目标识别，从而说明利用目标一维距离像进行识别的有效性。

表2 基于距离像数据的匹配相关法识别结果

表3 基于距离像统计特征的Bayes分类器识别结果

进一步对比本文方法与距离像匹配相关法的性能，首先从识别准确率上看，由于目标E在形状和尺寸上与其他目标存在较为明显的差异，因此对于该目标的识别率达到95%以上。从5类目标的平均识别率上看，本文的方法比基于距离像匹配的识别方法有接近3个百分点的改善，同时从整个处理的时间上看(仿真软件环境为Matlab 2009b，硬件为I3 2.1G双核CPU和4G内存)，由于距离像匹配处理需要大量的相关运算，而本文的方法仅仅提取目标的5类特征进行统计分析和识别，从目标识别特征的维数和处理方式上均有利于降低识别处理的时间，因此识别处理时间从原有的8 s降低到0.6 s左右，大幅度提升了识别系统的效率。

5 结论

利用宽带水声信号探测获取目标宽带散射特性是水下目标探测与识别的重要手段，而对目标一维成像因具有单个脉冲成像、成像时间短、数据易于获取与处理等优点成为目标识别的重要手段。本文针对5类水下目标缩比模型，利用一维距离像数据提取目标的长度、重心、中心矩等特征，分析了所提取特征的统计分布特性，通过假设检验确定所提取特征分布近似服从高斯分布，并利用目标距离像计算特征统计参数，进而构建了目标识别的特征统计模型。利用Bayes统计分类器开展的目标识别实验验证了所提出方法的有效性。需要说明的是本文实验是在实验室环境下进行的，后续需要进一步拓展到实测数据，进行方法的验证和完善工作。

[1] 姜永珉, 郝新亚, 冯海泓, 等. 水中目标二维亮点分布研究[J]. 声学学报, 1997, 22(1):79-86.

JIANG Yongmin, HAO Xinya, FENG Haihong, et al. A Study on 2-dimensional Highlight Distribution of Underwater Target[J]. Acta Acustica, 1997, 22(1):79-86.

[2] Groen J, Coiras E, Del Rio J, et al. Model-based Sea Mine Classification with Synthetic Aperture Sonar[J]. IET Radar, Sonar and Navigation, 2010, 4(1): 62-73.

[3] Tait P. Introduction to Radar Target Recognition[M]. London: The Institution of Engineering and Technology, 2005.

[4] 张明敏, 卢建斌, 王薇. 水声模拟测量舰船目标雷达距离像相似性问题[J]. 声学技术, 2010, 29(4): 183-186.

ZHANG Mingmin, LU Jianbin, WANG Wei. Comparability of Underwater Acoustic Simulation to Measure the High Resolution Range Profile for Ship Targets[J]. Technical Acoustics, 2010, 29(4): 183-186.

[5] Pasala K M, Malas J A. HRR Radar Signature Database Validation for ATR - An Information Theoretic Approach[J]. IEEE Trans. AES, 2011, 47(2): 1045-1059.

[6] 袁莉, 刘宏伟, 保铮. 基于中心矩特征的雷达HRRP自动目标识别[J]. 电子学报, 2004, 32(12): 2076-2081.

YUAN Li, LIU Hongwei, BAO Zheng. Automatic Target Recognition of Radar HRRP Based on Central Moments Features[J]. Acta Electronica Sinica, 2004, 32(12): 2076-2081.

[7] 边肇祺, 张学工. 模式识别(第二版)[M]. 北京: 清华大学出版社, 2000.

BIAN Zhaoqi, ZHANG Xuegong. Pattern recognition(Second Edition)[M]. Beijing: Tsinghua University Press, 2000.

Research on underwater target recognition with statistical features of high resolution range profiles

LU Jian-bin, ZHANG Yun-lei, XI Ze-min, ZHANG Ming-min

(Electronic Engineering College, Naval University of Engineering, Wuhan 430033,Hubei, China)

Target detection and recognition is the main issue of the underwater surveillance and information warfare. In this paper, five features, (target length, mass, the second center moment, third center moment and fourth center moment), are extracted for the target recognition application from the original high resolution range profiles. The statistical characteristics of the extracted features are analyzed and the statistical model is built with the method of hypothesis testing. Finally, the recognition experiments of the five difference targets are made with the Bayes statistical classifier. The results compared with the traditional template correlation method for the high resolution range profiles show that the proposed method has the obvious advantage in recognition rate and computational complexity.

underwater target recognition; high resolution range profile; statistical feature; Bayes classifier

P631

A

1000-3630(2015)-02-0121-06

10.16300/j.cnki.1000-3630.2015.02.004

2014-05-01;

2014-08-20

国家自然科学基金(61372165)、中国博士后基金特别资助(2012T50874)

卢建斌(1980－), 男, 河南信阳人, 博士, 讲师, 研究方向为信号处理, 数据融合与目标识别。

卢建斌, E-mail: lu_jian_bin@163.com