APP下载

战场侦察雷达目标识别方法研究

2018-07-12张冠武罗丁利

火控雷达技术 2018年2期
关键词:门限信噪比多普勒

张冠武 罗丁利 李 鹏

(西安电子工程研究所 西安 710100)

0 引言

雷达目标特性是雷达系统探测中的一个重要研究内容。雷达设计者的基本任务,是使雷达从目标回波中获取准确、详细的目标信息。这就要求雷达性能及其设计参数要与雷达目标特性达到最佳匹配[1]。对于地面监视雷达来说,目标的种类多种多样,既包括单兵、车辆等速度单一的目标,也包括炮弹炸点等速度成分复杂的目标。国内外不少文献都对战场侦察雷达目标识别做了探讨,对单兵、车辆的目标识别等都做过一些讨论[2-3],但对于炸点目标的识别则很少见,而且,很多关于目标识别的算法是以SAR(合成孔径)或ISAR(逆合成孔径)为基础的[4],对于低分辨力雷达的目标识别的研究并不多见。为了更好地完成战场侦察任务,必须针对战场侦察雷达的各种战场目标检测提出一套高效的识别方法,使雷达能够在高目标识别概率下工作,这样才能在战场地面目标很多的情况下更好的发挥作战效能。

1 战场侦察雷达目标回波多普勒理论分析

1.1 人和车辆回波对比分析

战场侦察雷达目标识别中最重要的问题,就是识别人和车辆。众所周知,人的速度是有限的,一般最快的速度是5m/s,如果目标的运动速度在5m/s以内,就难以断定是人还是车。此外,雷达探测到的目标速度是多普勒速度,不能完全代表目标的真实运动速度。因此,如果单凭多普勒速度的大小来区分目标,很容易出现错误。必须从两种目标的回波中提取特征信息,来作为二者的分类依据。

对录取的两种目标的回波进行研究和分析后发现,人的多普勒速度呈周期性变化,周期大约为0.5~2Hz;雷达操作员用耳机对人的多普勒音响进行监听是,可以听到“扑”、“扑”的声音,便是这种周期变化引起的。而车的多普勒速度没有这种特性,比较平稳。这一特征便是二者的根本区别,可以利用多普勒的变化快慢程度来区别两种目标。

图1 车的多普勒特征谱

图2 人的多普勒特征谱

1.2 轮式车和履带车回波对比分析

轮式车和履带车的回波信号差别并不明显。雷达操作员用雷达配备的耳机对目标多普勒音响进行监听时,也很难判断出两种目标的区别。因此,不能用1.1中的方法来区别轮式和履带车。

与轮式车相比,履带车的特点是具有一个反射能力很强的履带。若履带车的多普勒为f0,则下部分速度为0,而上部分多普勒速度为2f0,而履带前端的速度介于0~2f0之间,且这是主要反射面。因此,履带车的多普勒频谱在0~2f0的特征区间内之间有分布,而且根据经验,此分布是均匀的。而轮式车的特征,是它除了在f0处的主谱外,在整个多普勒频率上只有噪声分布。

图3 履带车多普勒谱

图4 轮式车多普勒谱

1.3 炸点和普通目标回波对比分析

一般情况下,对于只包含有较少速度分量的目标,如人员、车辆等,其回波谱包含有较少的多普勒频移分量,可以被看作为点频目标。点频目标的多普勒特性如下:

fd=2v/λ

(1)

其中fd表示多普勒频移,v表示目标径向速度,λ表示雷达发射波波长。

其特点是目标速度单一、雷达入射波可认为单色波。

对于受目标速度发散而形成的炸点等宽带目标,根据其多普勒特性得出:

(2)

其中fdi表示第i个子散射体的多普勒频移,vi表示第i个子散射体的径向速度,N为宽带目标包含的子散射体数目。

由于炮弹爆炸时,会在瞬间向各个方向飞扬起大量的弹片、泥土砂石等高速小目标,它们相对于雷达的径向速度成分比较复杂,其回波的多普勒频率成分也比较复杂,是一个典型的宽频目标。对目标回波进行MTD处理之后,炸点目标表现为在多普勒维的多个滤波器通道上都有峰值。

2 实际目标回波分析

2.1 人员和车辆回波分析

图5~12为几种典型的车辆、行人回波多普勒曲线。其中,横轴代表测量的次数,纵轴代表目标的多普勒响应峰值对应的MTD滤波器号,其中采用了64点MTD处理。图5和图9,这两辆车匀速行驶,滤波器号几乎不变,也很少有波动现象,其中大的毛刺是由于瞬间的信噪比低引起的测量错误。图11中两厢车的多普勒曲线,可以发现该车有加速现象,多普勒在加速过程中有上升,但波动现象也很少。图7中的三轮车多普勒有小幅变化,也有一些波动。图6和图8中单个人员的多普勒曲线,可以发现,人员的多普勒波动幅度不大,但波动很快。而图10和图12中所示的两个以上人员的多普勒曲线与单个人员相似,只是波动更快。

图5 匀速中巴车回波

图6 行走人员回波

图7 农用三轮车回波

图8 行走人员回波

图9 匀速中巴车回波

图10 二人行走回波

图11 两厢轿车回波

图12 人群回波

从以上分析可以发现,多普勒的波动是车和人员的多普勒曲线的区别。人员的波动率很高,而车的波动很少,三轮车的波动比其他车多一些,但比人少的多。因此,我们可以利用多普勒的波动率来对这两种目标进行分类识别。

定义波动因子为:

γ=100×波动次数/观测次数

表1中给出了5个车辆和5个人员的目标识别样本的多普勒波动因子统计。由表中可见,车的波动因子在7以下,而人的波动因子在24以上,二者的区别相当大。综合考虑,设定判定准则为波动因子大于15时判定为人,小于15时判定为车。

表1 车、人样本信号多普勒波动统计表

经外场试验和实测数据分析,用该识别方法,对人和车的识别概率达到了90%以上,大于通用的识别概率80%的要求。

2.2 炸点回波分析

2.2.1炸点和普通目标谱特性比较

下文分别对采集到的战车和炸点目标视频回波数据进行了MTD分析,利用GO-CFAR(两边取大恒虚警)处理,研究了判决、识别炸点的方法,并进行了试验检验。

图13(a)、(b)为分别对两个炸点目标的视频回波采样数据进行MTD处理后的矩阵,采用了32点MTD处理其中只显示了4~30号滤波器,距离维上只显示了一部分距离段。可以清晰地看到,目标回波在多普勒滤波器维呈栅栏状分布;几乎在每一个滤波器上,在目标距离处都有峰值响应,相对于其附近距离段噪声的信噪比可以达到25dB以上。

图13 炸点视频回波的MTD

图14中示出了普通运动目标(战车)的MTD处理后的矩阵,可见,只在目标距离处有几个相邻滤波器上有峰值响应。

图14    对普通目标(战车)进行MTD后4~30号滤波器的响应

与普通目标相比,炸点目标的特点是在几乎所有的多普勒滤波器上都有较大幅度响应,形成了一个由各个滤波器上的尖峰组成的栅栏状图象。

2.2.2基于多普勒频率分布差进行炸点目标识别的方法

对于普通窄带目标,由于多普勒展宽等因素,其回波的MTD矩阵在滤波器维有一定展宽,在某些情况下(如目标信号信噪比较低时),占有与宽带目标相近的滤波器通道数目。因此,若仅从过门限滤波器个数来考虑,容易将前者也当成炸点目标。

对炸点目标1和战车目标的多普勒响应,取信噪比门限为25dB,统计过门限的滤波器号及其分布差如表4所示。

表4 两种目标的多普勒滤波器号分布

通过比较,可以发现,炸点几乎在所有的多普勒滤波器上都有较大幅度响应,而装甲车在滤波器维上有一定的展宽,占据了几个滤波器通道。通常情况下,以本文第2.2.1中的方法即可对该两种目标进行识别分类,但在目标强度较弱,回波信噪比较低的情况下,若仅考虑信噪比过门限的滤波器数目,以数目的大小来判断目标的种类,则两种目标的过门限点数可能比较相近(3~4个),容易使识别失败。

考虑滤波器分布情况,由表4易见,炸点信号的分布方差比战车信号的分布差大得多。多次试验观察两种目标的MTD结果,都得到了这样的结论,而且在目标回波较弱时,该特征仍很明显。因此,可以将滤波器号的分布方差作为判断目标是否为炸点的一个依据,设定一个合适的分布差门限,以是否过门限来判定目标的存在。

根据试验统计结果,设分布差门限为4(分布差大于4认为炸点目标存在,否则认为不存在),进行炸点识别。经过实弹检验,该方法能以90%以上的识别概率判定炸点目标的存在与否,且受信噪比影响较小,增强了雷达对炸点目标的识别能力。

3 结束语

本文对战场侦察雷达的典型目标特点和识别方法特点做了探讨,并对人员、车辆、炸点等回波视频信号的处理做了研究。文中对实测目标数据进行了MTD分析,人员的多普勒波动,建立了人员和车辆的目标识别方法,经试验验证可以达到90%以上的识别概率;利用炸点信号的多普勒谱宽度特性,建立了炸点的识别方法,并经试验验证可以达到80%以上的识别概率;利用炸点多普勒分布建立了炸点识别方法,此方法在目标回波较弱时仍有较高的识别概率,并经试验验证对一般炸点的识别概率可以达到90%以上。

猜你喜欢

门限信噪比多普勒
两种64排GE CT冠脉成像信噪比与剂量对比分析研究
基于规则的HEV逻辑门限控制策略
基于经验分布函数快速收敛的信噪比估计器
多路径效应对GPS多普勒测速的影响
超微血流与彩色多普勒半定量分析在慢性肾脏病肾血流灌注中的应用
自跟踪接收机互相关法性能分析
基于方向加权多级门限DP-TBD的目标轨迹检测算法
随机失效门限下指数退化轨道模型的分析与应用
经阴道彩色多普勒超声诊断剖宫产术后瘢痕妊娠21例
基于深度学习的无人机数据链信噪比估计算法