范穎銳,羅小波,宋志勇,付強(qiáng)

(國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院ATR重點實驗室,長沙 410073)

?

基于聚類算法的地面目標(biāo)HRRP分割識別

范穎銳,羅小波,宋志勇,付強(qiáng)

(國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院ATR重點實驗室,長沙 410073)

摘要：地面目標(biāo)往往隨機(jī)排列密集分布,雷達(dá)波束內(nèi)不可避免地存在多個目標(biāo),為采用一維距離像進(jìn)行地面目標(biāo)識別帶來了困擾。本文將波束內(nèi)多目標(biāo)距離像的相互關(guān)系劃分為四種情況,在采用一維距離像進(jìn)行分割提取的基礎(chǔ)上,引入了方位角度信息,仿真結(jié)果表明：提出的二維聚類算法有效實現(xiàn)了波束內(nèi)多目標(biāo)距離像的分離，同時,本文研究了因這種分割算法造成的距離像殘缺率對地面目標(biāo)識別性能的影響。

關(guān)鍵詞：一維距離像；二維聚類；殘缺率；地面目標(biāo)

0引言

近年來,應(yīng)用高分辨雷達(dá)技術(shù)的地面目標(biāo)識別在地表監(jiān)測、地面巡邏、地下勘探等多個領(lǐng)域取得了廣泛應(yīng)用,依據(jù)散射點分布模型理論[1],地面目標(biāo)在雷達(dá)視線方向擴(kuò)展為包含多個散射點的一維距離像,這些一維圖像的各種顯著特征為直接采用一維數(shù)組進(jìn)行目標(biāo)識別帶來了方便。然而當(dāng)使用寬帶高分辨雷達(dá)對隨機(jī)排列密集分布的地面目標(biāo)進(jìn)行探查觀測時,雷達(dá)波束內(nèi)往往不可避免地存在多個目標(biāo),從而獲得多個目標(biāo)重疊的距離像,這就給后續(xù)的識別帶來了巨大的困擾。當(dāng)獲取一幅連續(xù)的距離像時,無法確定是單個地面目標(biāo)的距離像,還是兩個地面目標(biāo)重疊的距離像,當(dāng)獲取一幅間斷的距離像時,同樣無法確定它來源于兩個相分離的目標(biāo),還是一個散射點分布稀疏的目標(biāo)。

要解決這個問題,首先要對地面多目標(biāo)HRRP的相互關(guān)系進(jìn)行分類和鑒別,針對不同的類別提出不同的聚類算法,最后將算法整合成一個可編程的整體。一個復(fù)雜的問題通?？梢院喕癁槎鄠€簡單的小問題,所以本文針對波束內(nèi)兩目標(biāo)的情況進(jìn)行分析和處理。楊陶柳[2]提出了一種滑窗檢測的方法,能夠比較嚴(yán)謹(jǐn)?shù)貦z測出一維距離像的前后端點,對波束內(nèi)單目標(biāo)距離像的提取具有良好的適應(yīng)性。本文在一維距離像的基礎(chǔ)上,引入角度信息,著重解決波束內(nèi)多目標(biāo)距離像的分割問題。

1地面多目標(biāo)HRRP的相互關(guān)系

1.1地面目標(biāo)一維距離像分離的可行性分析

如圖1所示,A、B為x坐標(biāo)軸上直線距離為D的兩個目標(biāo),雷達(dá)入射波束的軸線方向與x軸正向的夾角為方位角,定義兩條射線所夾的銳角為α.在雷達(dá)掃描過程中,目標(biāo)A、B會先后出現(xiàn)在雷達(dá)波束中,甚至有一定概率同時出現(xiàn)在雷達(dá)波束中,于是要實現(xiàn)雷達(dá)對兩個目標(biāo)的分辨,則要保證兩個目標(biāo)在同一時間至少在徑向距離維上可分或者在橫向方位維上可分,也就是要滿足下面的公式:

圖1　雷達(dá)波束內(nèi)兩目標(biāo)示意圖

資助項目： 國家自然科學(xué)基金(批準(zhǔn)號:61401475)

聯(lián)系人： 范穎銳 E-mail: 570324520@qq.com

(1)

式中: dr、dθ分別表示雷達(dá)在距離維和方位維的分辨率。假設(shè)兩目標(biāo)的直線距離D足夠小,且均小于雷達(dá)在距離維和方位維的分辨率,即不存在這樣的角α1或α2來保證兩目標(biāo)是顯著可分的。一般情況,假設(shè)D>dr,即存在這樣的角α1,當(dāng)雷達(dá)入射波束的軸線方向與x軸所夾銳角α<α1時,這時候可以考慮極端情況,當(dāng)雷達(dá)入射波束的軸線方向與AB重合,根據(jù)D>dr,可知目標(biāo)在距離維可分,與此相反,當(dāng)α>α1,目標(biāo)在距離維不可分;相似的推理過程,假設(shè)D>dθ,即存在這樣的角α2,當(dāng)α<α2時,同樣可以考慮極端情況,當(dāng)雷達(dá)入射波束的軸線方向與AB重合,兩目標(biāo)在橫向方位維上重疊在一起,顯然目標(biāo)在方位維不可分,與此相反,當(dāng)α>α2,目標(biāo)在方位維可分。綜上所述,距離維,α1角內(nèi)可分,方位維,α2角外可分。由此,可以得出分離概率P(D)與角度之間的相互關(guān)系,考慮到一般情況下dr小于dθ,分以下四種情況討論:

1) D

2) dr≤D

(2)

3) dr

(3)

4) drα2,P(D)=1.

圖2　雷達(dá)波束內(nèi)兩目標(biāo)示意圖

分析表示,一旦獲取了dr,dθ,D之間的相互關(guān)系,就能求出對應(yīng)的分離概率。對于寬帶高分辨雷達(dá),理想情況為drα2,如圖2所示,即P(D)=1.也就是說,對于波束內(nèi)的可能存在的多個目標(biāo),當(dāng)方位角在0到360°之間任意取值時,多個目標(biāo)的HRRP在距離維和方位維上,至少有一維是明顯幾何可分的。需要注意的是,方位維可分與距離維可分是不同的概念:前者表示,當(dāng)雷達(dá)采用足夠窄的筆形波束進(jìn)行方位掃描時,可以在雷達(dá)波束內(nèi)只包含一個目標(biāo)的情況下,單獨獲取目標(biāo)A、B的HRRP,從而實現(xiàn)對兩個目標(biāo)的分辨;后者表示,當(dāng)雷達(dá)斜視目標(biāo)的時候,雖然雷達(dá)波束內(nèi)存在多個目標(biāo),但是這些目標(biāo)在雷達(dá)視線上產(chǎn)生的投影HRRP是相互分離的,從而實現(xiàn)對兩個目標(biāo)的分辨。

然而對于密集分布的多種地面目標(biāo),其目標(biāo)間距D普遍較小,因此這種情況更加符合論述的第② 種情況。與此同時,地面目標(biāo)的排布復(fù)雜多變,目標(biāo)之間的間距更是具有隨機(jī)性和不確定性,單純地考慮雷達(dá)視線的入射方向并不能解決波束內(nèi)多目標(biāo)的分辨問題。那么,對于距離維不可分的角度入射范圍,也就是當(dāng)A、B的HRRP發(fā)生重疊時,不能確定這是一個目標(biāo)的距離像,還是兩個目標(biāo)的重疊距離像,這時候采用單脈沖測角的方法,引入距離像的方位俯仰信息[3],原本一維的距離像被映射到二維的距離角度空間,一維上重疊在一起的點,在二維空間中聚合在不同的小區(qū)域內(nèi),實現(xiàn)距離像分離的目的。

1.2地面多目標(biāo)一維距離像的關(guān)系鑒別

按照1.1節(jié)中圖2所示的幾何關(guān)系建立仿真場景,用matlab仿真分析當(dāng)雷達(dá)波束內(nèi)出現(xiàn)兩個目標(biāo)時,獲取的各個目標(biāo)一維距離像的相互關(guān)系。建立目標(biāo)A、B的散射中心模型,分析不同入射角度下,距離像的相互關(guān)系。參考文獻(xiàn)[3]中的定義,對地面目標(biāo)距離像的相互關(guān)系進(jìn)行類似的分類。

假設(shè)波束內(nèi)的目標(biāo)A、B相距200 m,雷達(dá)波以10°的俯角入射,雷達(dá)視線的軸心方向?qū)?zhǔn)目標(biāo)A、B的幾何質(zhì)心,當(dāng)入射方位角為60°時,距離像如圖3所示,距離像的間距超過了一個目標(biāo)的最大寬度,兩目標(biāo)的距離像為完全分離狀態(tài),即Q1;當(dāng)入射方位角為80°時,距離像如圖4所示,距離像的間距大于零但小于一個目標(biāo)的最大寬度,兩目標(biāo)的距離像為相對分離狀態(tài),即Q2;值得注意的是,兩目標(biāo)距離像的方位角,明確指示出了兩類目標(biāo)的差異;當(dāng)入射方位角為83°時,距離像如圖5所示,用距離像的間距來分類變得徒勞無益,但是利用方位角進(jìn)行分類仍然有效,兩目標(biāo)的距離像為低度重疊狀態(tài),即Q3;當(dāng)入射角方位角為87°時,兩目標(biāo)的距離像為深度重疊狀態(tài),且重疊部分的方位角顯得雜亂無章,即Q4.需要明確指出的是,為了便于觀察,以上圖片的方位及俯仰幅度被人為放大了5倍。

圖3　完全分離(Q1)

圖4　相對分離(Q2)

圖5　低度重疊(Q3)

這就提示采用一種聯(lián)合了角度信息的距離聚類算法進(jìn)行重疊目標(biāo)距離像的分割提取。按照相同的分析思路,先采用距離像的間距進(jìn)行大致的分類,Q1會得到很好的解決,對于Q2,增加方位角的輔助信息,通過兩個維度的聚類算法也能夠得到解決,對于Q3,需要確定重疊部分距離像的長度并予以剔除,在第二節(jié)中進(jìn)行詳細(xì)分析,對于Q4,由于重疊部分距離像較多,分割后的殘存距離像對目標(biāo)識別沒有太大幫助,在第三節(jié)中進(jìn)行說明。

2基于距離和角度的聚類算法

2.1聚類算法的門限設(shè)置

假設(shè)目標(biāo)的散射點中心模型分布在一個x×y×z的三維空間內(nèi),考慮到距離像為目標(biāo)各散射點在雷達(dá)視線方向的投影、目標(biāo)自身的方位俯仰角,目標(biāo)距離像的最大寬度必然大于x、y、z的任何一個值。由于比較的是各點到聚類中心的距離,因此門限的設(shè)置實際上是最大寬度的一半。采用折中的辦法,這個門限可以采用x、y、z里面的最大值。對于Q1,門限設(shè)置為

Thl≤max(x,y,z)

(4)

對于Q2,門限設(shè)置為

(5)

必須同時滿足這兩個條件,才能分類為同一目標(biāo)的距離像。R為雷達(dá)與目標(biāo)A、B幾何質(zhì)心的直線距離。

對于Q3,門限設(shè)置為

(6)

必須同時滿足這三個條件,才能分類為同一目標(biāo)的距離像。文獻(xiàn)[1]指出,針對任何擴(kuò)展目標(biāo)散射中心的測量,都會因為角閃爍噪聲產(chǎn)生測角誤差[8],這種誤差與散射中心之間的間距有關(guān)。當(dāng)波束內(nèi)存在兩個目標(biāo)時,來自兩個目標(biāo)散射中心之間的間距要比來自同一目標(biāo)散射中心之間的間距大得多,因此,重疊部分距離像多次測量的方差要遠(yuǎn)大于非重疊部分距離像多次測量的方差。如圖6所示,當(dāng)距離像發(fā)生深度重疊時,相近距離像相同方位角的散射點測得的方位角有較大差異,也就是說對于同一個散射點多次測量獲取的方位角序列方差較大。如圖7所示,選取發(fā)生低度重疊的方位角度85°,獲取附近角度下的距離像方位角方差,進(jìn)行歸一化和平移操作,獲取它們各自的比值曲線,中間凸起部分為重疊距離像方位角的方差,其比值明顯要比非重疊部分方位角方差大,因此這里,選用較小的λ=0.1就能很好地剔除方差較大的點。從而解決了低度重疊情況下距離像的分離。

圖6　深度重疊(Q4)

2.2算法流程圖

在對一維距離像不同散射點進(jìn)行聚類的過程中,距離采樣單元流水輸入,沒有先驗信息來判斷重疊距離像屬于哪種情況,進(jìn)而采用哪種門限來實現(xiàn)距離像的分離?？尚械氖?采用逐一深入并排除的方法,先采用Q1門限對距離像進(jìn)行聚類,若成功聚為兩類目標(biāo),且目標(biāo)間距大于視野中可能出現(xiàn)的目標(biāo)的最大長度,則算法結(jié)束,否則再采用Q2門限對距離像進(jìn)行重新聚類,若成功聚為兩類或一類目標(biāo),則算法結(jié)束,否則,使用Q3的方差門限剔除距離像中方位角方差較大的點,然后再采用Q2門限對距離像進(jìn)行聚類,如此循環(huán)往復(fù),直到滿足算法結(jié)束條件為止。具體的操作步驟,如圖8所示。

圖7　低度重疊距離像的方位角方差比

圖8　聚類算法流程圖

需要說明的是,算法有效的前提是,假定距離像只包含最多兩個目標(biāo)。左側(cè)菱形選擇框采用的是Q1門限,中間菱形選擇框采用的是Q2門限。如果距離像中包含且僅包含兩個地面目標(biāo),且算法從左側(cè)正常退出,表明距離像處于完全分離狀態(tài),若算法不經(jīng)右側(cè)而從中間部分正常退出,則表明距離像處于相對分離狀態(tài),否則表明距離像當(dāng)前處于低度重疊甚至深度重疊狀態(tài)。需要明確的是,更新聚類中心的方式是有區(qū)別的,以i++的方式更新聚類中心,是將上一個距離單元作為當(dāng)前類別的一個點來更新的,需要重新計算當(dāng)前類別的參考中心點,而以j++的方式更新聚類中心,是因為當(dāng)前距離單元不屬于上一個類別,于是作為下一個類別的初始參考中心點。

3仿真實驗

3.1距離像的分割提取

圖9　四種情況下距離像的分割提取結(jié)果 (a)完全分離;(b)相對分離;(c)低度重疊;(d)深度重疊

我們根據(jù)1.2節(jié)中建立的仿真場景,針對兩目標(biāo)距離像出現(xiàn)的四種情況,采用2.2節(jié)中提到的聚類算法,分別對四種情況下的距離像進(jìn)行分割提取,結(jié)果如圖9所示。當(dāng)兩個距離像發(fā)生深度重疊時,如圖9(d)所示,聚類算法舍棄了重疊部分的距離像,僅提取了理論上未發(fā)生重疊部分的距離像,很明顯,由于丟失了距離像的大部分特征信息,它已經(jīng)失去了用于匹配識別的價值。雖然算法能夠很好地處理Q3、Q4兩種情況下的距離像,但是算法未能分辨出是低度重疊還是深度重疊。而且,1.2節(jié)中關(guān)于距離像關(guān)系的鑒別也沒有明確兩者的界限,考慮到最終的距離像將用于目標(biāo)識別,做如下定義,對于重疊距離像因分割造成殘缺對識別產(chǎn)生顯著影響的,視為深度重疊,否則視為低度重疊。

3.2距離像殘缺率對識別性能的影響

圖10　殘缺率對匹配性能的影響

圖11　殘缺率對識別性能的影響

在第二節(jié)中,討論Q3、Q4兩種情況時,并沒有明確指出哪種情況屬于低度重疊,哪種情況屬于深度重疊,通過研究距離像殘缺率對識別性能的影響,將有助于劃清兩者的界限。距離像殘缺率定義為丟失距離像占原像長度的百分比。采用matlab仿真出地面目標(biāo)A的距離像全方位模板庫,選取六個方位角的距離像,改變它們的殘缺率,然后采用自相關(guān)模板匹配的方法研究殘缺率對匹配性能和識別性能的影響。

如圖10所示,各個方位角下,距離像殘缺率對匹配性能的影響曲線,當(dāng)殘缺率小于40%時,殘缺的距離像并不能顯著地影響匹配值,一旦殘缺率超過40%,匹配值出現(xiàn)驟降,這與殘缺部分逐漸接近距離像峰峰值有關(guān),隨著殘缺率的增大,匹配值出現(xiàn)劇烈波動,這與殘缺距離像占全像的比重越來越大有關(guān)。圖11為噪聲條件下多次測量,各個方位角的距離像殘缺率對識別性能的影響曲線,當(dāng)殘缺率小于20%時,它并不影響使用剩余的80%距離像從模板庫中找到它的原像,這個時候,距離像的殘缺是可以忽略的。換句話說,當(dāng)距離像的重疊部分少于原像的20%時,可以認(rèn)為是低度重疊情況,因截取而殘留的80%距離像對于識別仍然是有效的,當(dāng)距離像的重疊部分高于原像20%,可以認(rèn)為是深度重疊狀態(tài),這時提取的距離像匹配識別的結(jié)果是不可信的。據(jù)此,可在2.2節(jié)中的算法右側(cè)流程圖中添加一個一次性判斷框圖,僅在算法第一次經(jīng)過時進(jìn)行判斷,如果剔除部分距離像的長度超過左側(cè)距離像或者右側(cè)距離像長度的20%,則算法可從右側(cè)正常退出,視為Q4。

4結(jié)束語

本文針對波束內(nèi)存在雙目標(biāo)的情況,進(jìn)行了地面目標(biāo)一維距離像分離的可行性分析,采用四種情況來劃分波束內(nèi)兩目標(biāo)距離像的相互關(guān)系,同時以地面目標(biāo)A的模板庫研究了距離像殘缺率對匹配結(jié)果和識別性能的影響,并以此為依據(jù)劃分了低度重疊和深度重疊的區(qū)分界限,針對完全分離、相對分離和低度重疊三種情況提出了基于距離和角度的二維聚類算法,并用仿真實驗證明了算法的有效性,同時依據(jù)算法的前提條件,給出了算法的應(yīng)用范圍,即已知波束內(nèi)最多包含兩個地面目標(biāo),且波束內(nèi)兩目標(biāo)相對于雷達(dá)視線方向的角度差越大,算法性能越好。

參考文獻(xiàn)

[1]劉敬.雷達(dá)一維距離像特征提取與識別方法研究[D].西安：西安電子科技大學(xué),2008:8-35.

[2]楊陶柳.高分辨雷達(dá)多目標(biāo)識別算法研究[D]. 成都:成都電子科技大學(xué),2013:26-38.

[3]羅小波,范紅旗,宋志勇,等.基于距離——方位二維聚類的海上編隊目標(biāo)距離像提取[J].系統(tǒng)工程與電子技術(shù),2013,35(7):1353-1361.

[4]冷家旭,黃惠明.基于高分辨距離像的目標(biāo)識別技術(shù)發(fā)展現(xiàn)狀與趨勢[J].飛行器測控學(xué)報,2010,29(3):79-82.

[5]陳鳳,杜蘭,劉宏偉.一種利用強(qiáng)度信息的雷達(dá)HRRP自動目標(biāo)識別方法[J].電子學(xué)報,2009,3(3):460-463.

[6]杜蘭,劉宏偉.一種利用目標(biāo)雷達(dá)高分辨距離像幅度起伏特性的特征提取新方法[J].電子學(xué)報,2005,3(3):411-415.

[7]袁祖霞,高貴明.基于高分辨率一維距離像雷達(dá)目標(biāo)識別研究[J].雷達(dá)與對抗,2010,3(30):11-14.

[8]吳杰.基于高分辨距離像的雷達(dá)自動目標(biāo)識別技術(shù)研究[D].南京:南京航空航天大學(xué),2012:12.

[9]李陽.基于一維距離像的空間目標(biāo)識別技術(shù)研究[D].長沙:國防科學(xué)技術(shù)大學(xué)，2011:8-38.

范穎銳(1991-),男,碩士生,主要研究方向為雷達(dá)信號處理與目標(biāo)識別技術(shù)。

羅小波(1982-),男,博士,主要研究方向為精確制導(dǎo)自動目標(biāo)識別、目標(biāo)跟蹤。

宋志勇(1983-),男,博士,講師,主要研究方向為雷達(dá)信號處理與抗干擾技術(shù)、目標(biāo)檢測跟蹤技術(shù)。

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

作者簡介

收稿日期：2015-09-05

中圖分類號：TN957

文獻(xiàn)標(biāo)志碼：A

文章編號：1008-9268(2015)06-0058-07

doi:10.13442/j.gnss.1008-9268.2015.06.012