吳 淼 湯新民 沈志遠(yuǎn) 高尚峰

（南京航空航天大學(xué)民航學(xué)院 南京210016）

0 引 言

由于機(jī)場(chǎng)飛機(jī)起降架次增多等原因，跑道入侵成為影響飛行安全的重大隱患，預(yù)防跑道入侵成為重要問(wèn)題。目標(biāo)檢測(cè)，通常認(rèn)為是非協(xié)作式機(jī)場(chǎng)場(chǎng)面活動(dòng)目標(biāo)的檢測(cè)和識(shí)別方法，作為跑道入侵防御系統(tǒng)最為基礎(chǔ)的系統(tǒng)監(jiān)視功能部分，能夠?yàn)槟繕?biāo)跟蹤和入侵控制提供信息支持［1］。利用地 磁 傳 感 器 （anisotropic magneto resistance，AMR）作為目標(biāo)檢測(cè)器，通過(guò)其得到場(chǎng)面移動(dòng)目標(biāo)磁信號(hào)，信號(hào)數(shù)據(jù)中含有豐富的目標(biāo)信息，在去除信號(hào)中的噪聲干擾后，如何提取目標(biāo)特征是本文研究的關(guān)鍵。

目前應(yīng)用于機(jī)場(chǎng)場(chǎng)面的目標(biāo)特征提取主要是基于視頻圖像信號(hào)和雷達(dá)信號(hào)［2］，但其處理數(shù)據(jù)復(fù)雜，且視頻圖像的檢測(cè)方式穩(wěn)定性不高，易受天氣影響。在目標(biāo)信號(hào)的特征提取中，多采用時(shí)域特征方法提取目標(biāo)特征。文獻(xiàn)［3］提出利用車(chē)輛檢測(cè)算法獲得車(chē)輛特征向量，并將所有時(shí)域波形歸一化進(jìn)行特征提取，此方法以犧牲目標(biāo)長(zhǎng)度特征信息為代價(jià)，有效地減少了計(jì)算量；文獻(xiàn)［4］根據(jù)不同車(chē)輛地磁擾動(dòng)特性，抽象出了相車(chē)長(zhǎng)、平均能量、歸一化方波的波峰波谷數(shù)目3類時(shí)域信號(hào)特征，信號(hào)的時(shí)域特性雖然能夠直觀反映信號(hào)特征，但是只從信號(hào)外觀描述信號(hào)的特性。而機(jī)場(chǎng)場(chǎng)面移動(dòng)目標(biāo)包含場(chǎng)面上的車(chē)輛和飛機(jī)，場(chǎng)面目標(biāo)種類較多且飛機(jī)磁信號(hào)具有一定的復(fù)雜性，只分析信號(hào)的時(shí)域特征并不能全面展現(xiàn)信號(hào)特性，需要補(bǔ)充信號(hào)的頻域特征。小波分析作為1種信號(hào)的頻域部分特征的提取手段，在聲信號(hào)及振動(dòng)信號(hào)的特征提取中有較好的應(yīng)用。文獻(xiàn)［6］利用小波多變換獲得信號(hào)的頻域特征從而識(shí)別水下目標(biāo)；文獻(xiàn)［7］利用小波分析方法提取人體脈象信號(hào)特征，取得了良好的識(shí)別效果。為此，筆者在前人研究的基礎(chǔ)上，提出了1種結(jié)合時(shí)域特征和基于小波分解的頻域特征的機(jī)場(chǎng)目標(biāo)特征提取方法，以機(jī)場(chǎng)場(chǎng)面部分車(chē)輛和航空器磁信號(hào)為樣本，利用目標(biāo)特征區(qū)分度測(cè)度的方法進(jìn)行了驗(yàn)證。

1 時(shí)域特征提取

1.1 目標(biāo)長(zhǎng)度特征提取

AMR地磁傳感器（霍尼韋爾HM5883）具有體積小、靈敏度高、成本低廉的特點(diǎn)。AMR地磁傳感器的布置方式如圖1所示。在機(jī)場(chǎng)跑道及滑行道中線布置2個(gè)傳感器s1，s2，兩者的距離為l。

圖1 AMR地磁傳感器布置Fig.1 Anisotropic Magneto Resistance layout

目標(biāo)長(zhǎng)度是目標(biāo)的首要特征參數(shù)，要提取目標(biāo)長(zhǎng)度特征，需要獲得目標(biāo)速度。目標(biāo)感知信號(hào)寬度實(shí)際上就是目標(biāo)經(jīng)過(guò)傳感器采樣節(jié)點(diǎn)的時(shí)間寬度［3］。目標(biāo)通過(guò)先后通過(guò)2個(gè)傳感器的時(shí)間間隔很小，因此，可以認(rèn)為其勻速通過(guò)傳感器采樣節(jié)點(diǎn)，有：

式中：v為目標(biāo)速度；t1為目標(biāo)經(jīng)過(guò)s1的時(shí)刻；t2為目標(biāo)經(jīng)過(guò)s2的時(shí)刻。則目標(biāo)長(zhǎng)度L為式中：ts為傳感器采集信號(hào)的時(shí)間寬度。

1.2 感知信號(hào)時(shí)域規(guī)整

同一目標(biāo)以不同速度經(jīng)過(guò)傳感器節(jié)點(diǎn)時(shí)，其感知信號(hào)的時(shí)間軸寬度不同。為了消除速度對(duì)目標(biāo)分類識(shí)別的影響，必須提取與速度無(wú)關(guān)的特征量。本文利用基于目標(biāo)長(zhǎng)度的歸一化方法規(guī)整時(shí)域信號(hào)。根據(jù)目標(biāo)長(zhǎng)度特征對(duì)磁信號(hào)進(jìn)行規(guī)范化處理，將其轉(zhuǎn)換為相應(yīng)固定的長(zhǎng)度的信號(hào)數(shù)組，并保留能夠做進(jìn)一步目標(biāo)特征提取的信息特征。

規(guī)定長(zhǎng)度為L(zhǎng)的目標(biāo)磁信號(hào)的數(shù)據(jù)點(diǎn)個(gè)數(shù)為N，對(duì)相同長(zhǎng)度目標(biāo)的磁信號(hào)向量數(shù)組進(jìn)行歸一化［4］。信號(hào)歸一化的方法為

式中，t（k）為原始的數(shù)據(jù)，k＝1，2，…，Ki，Ki因目標(biāo)長(zhǎng)度的不同而不同；c（i）為信號(hào)歸一化后第i組數(shù)；Δn為歸一化后信號(hào)第1到N－1組中每組的數(shù)據(jù)個(gè)數(shù)；N為原始信號(hào)進(jìn)行歸一化后以時(shí)間戳形式重分的數(shù)據(jù)組個(gè)數(shù)；c（N）歸一化后信號(hào)的第N組數(shù)；Ki－（N－1）·Δn為歸一化信號(hào)后第N組數(shù)的數(shù)據(jù)個(gè)數(shù)。

圖2為根據(jù)目標(biāo)長(zhǎng)度規(guī)整后的食品升降車(chē)，加油車(chē)及機(jī)場(chǎng)引導(dǎo)車(chē)，塞斯納550B，空客320及空客340的時(shí)域信號(hào)，這6種目標(biāo)為機(jī)場(chǎng)場(chǎng)面典型的目標(biāo)類型。食品升降車(chē)與加油車(chē)車(chē)長(zhǎng)相同，其規(guī)整后的時(shí)域信號(hào)數(shù)據(jù)點(diǎn)個(gè)數(shù)也相同，而機(jī)場(chǎng)引導(dǎo)車(chē)及3種不同類型的飛機(jī)的長(zhǎng)度不一，其規(guī)整后的時(shí)域信號(hào)的數(shù)據(jù)點(diǎn)個(gè)數(shù)相應(yīng)的壓縮或擴(kuò)充，規(guī)整后的信號(hào)皆保留了原始信號(hào)特征信息。

圖2 不同車(chē)輛與飛機(jī)的規(guī)整后時(shí)域信號(hào)Fig.2 Structured time domain signals of different vehicles and aircraft

1.3 峰值特征提取

目標(biāo)磁信號(hào)的變化劇烈程度與目標(biāo)自身鐵磁材料的分布密度有關(guān)，盡管不同的移動(dòng)速度會(huì)造成信號(hào)采樣點(diǎn)個(gè)數(shù)或者時(shí)間寬度的差異，但目標(biāo)材料的構(gòu)造及分布卻是目標(biāo)本身屬性。構(gòu)成目標(biāo)的鐵磁性材料的結(jié)構(gòu)越多，磁信號(hào)的擾動(dòng)越強(qiáng)。圖3為波音737-800磁信號(hào)擾動(dòng)峰值特性與機(jī)身的相對(duì)位置，磁信號(hào)變化劇烈的部分表明這些地方的磁性材料的分布相較于整架飛機(jī)較為集中，分別對(duì)應(yīng)于尾翼與機(jī)翼。尾翼結(jié)構(gòu)主要為垂直安定面，方向舵，升降舵等，機(jī)翼部分由發(fā)動(dòng)機(jī)，起落架及油箱等部分構(gòu)成。信號(hào)的峰值反映了磁性材料相對(duì)機(jī)身的位置及其分布的密度［5］。

設(shè)目標(biāo)長(zhǎng)度為L(zhǎng)的感知信號(hào)，規(guī)整后數(shù)據(jù)點(diǎn)個(gè)數(shù)為N，波峰數(shù)為m，最大峰值振幅hmax為信號(hào)的第nmax點(diǎn)，最大峰值的位置比為nmax／N，最小峰值hmin為信號(hào)的第nmin點(diǎn)，最小峰值的位置比為nmin／N。圖3中波音737-800的機(jī)身長(zhǎng)度L＝40m，規(guī)整后時(shí)域信號(hào)的數(shù)據(jù)點(diǎn)個(gè)數(shù)為N＝200，波峰m＝3，最大振幅hmax＝137，最大峰值位置比nmax／N ＝0.72，最小峰值hmin＝31，最小峰值位置比為nmin／N ＝0.52。

圖3 波音737-800信號(hào)擾動(dòng)峰值特性與相對(duì)機(jī)身位置Fig.3 The peak feature of Boeing 737-800signal and its relative position to the plane

2 基于小波變換的頻域特征提取

2.1 小波變換的基本概念

筆者利用小波變換方法對(duì)信號(hào)進(jìn)行時(shí)域分析，與傅里葉變換相比較，小波分析具有多分辨特性和良好的時(shí)頻局部化特性。通過(guò)小波函數(shù)展開(kāi)信號(hào)，可以在不同尺度上對(duì)信號(hào)進(jìn)行分解。

設(shè)ψ（t）∈L2（R），如果滿足＜＋ω則稱ψ（t）為基本小波或母小波，ψ（ω）為ψ（t）的傅里葉變換。將母小波ψ（t）進(jìn)行某種程度的伸縮和平移，即ψa，τ（t）＝），a＞0，τ∈R，ψa，τ（t）稱為小波基函數(shù)。將小波基函數(shù)ψa，τ（t）作用于待測(cè)信號(hào)f（t），與f（t）做內(nèi)積得到WTf（a，τ）＝ ［f（t），ψa，τ（t）］＝稱為連續(xù)小波變換［6］。

在實(shí)際應(yīng)用中，連續(xù)小波變換需要進(jìn)行離散化，二進(jìn)制離散小波取a＝2－j，τ＝2－jk（j＝0，1，2…，k為正整數(shù)）。將信號(hào)進(jìn)行二進(jìn)離散小波變換，可分解成不同尺度下的各個(gè)分量。信號(hào)f（t）向尺度空間Vj投影后得到j(luò)尺度下的近似信號(hào)為（t），式中φj，k（t）為尺度函數(shù)，尺度展開(kāi)系數(shù)cj，k＝ ［f（t），φj，k（t）］。信號(hào)f（t）向小波空間Wj投影后所得到該空間的細(xì)節(jié)信號(hào)為。其中：小波系數(shù)dj，k＝ ［f（t），ψj，k（t）］。

2.2 頻域特征提取

霍尼韋爾HM5883傳感器連續(xù)測(cè)量模式的采樣頻率為75Hz。根據(jù)奈奎斯特采樣定理，感知信號(hào)的頻率范圍為0～37.5Hz。利用Matllat分解算法3層分解信號(hào)，將規(guī)整后的時(shí)域信號(hào)分解成3層細(xì)節(jié)信號(hào)和1個(gè)近似信號(hào)，即將頻率劃分為低頻0～4.687 5Hz，中低頻4.687 5～9.375 Hz，中高頻9.375～18.75Hz，高頻18.75～37.5 Hz 4個(gè)頻帶［7］，見(jiàn)圖4。

圖4 信號(hào)頻帶劃分Fig.4 Division of the frequency band

感知信號(hào)能量的計(jì)算公式為

式中：E0為信號(hào)總能量；ECA3為近似信號(hào)能量值；ECDj為信號(hào)f（t）在第j尺度下的小波能量。不同類型目標(biāo)在各個(gè)尺度下小波能量比是不一樣的，將歸一化后的各階小波能量值與近似信號(hào)能量比作為信號(hào)的頻域特征向量，即Ei＝［ECA3／E0，ECD3／E0...ECD1／E0］。圖5為規(guī)整后波音737-800與空客320磁信號(hào)的db2（Daubechies 2）、db5（Daubechies 5）3層小波分解對(duì)比圖。db5小波不僅在近似信號(hào)和細(xì)節(jié)信號(hào)中具有更高的表現(xiàn)力，且二者的頻域特征的區(qū)分在db5小波分解中比db2更明顯。對(duì)比不同小波的分解結(jié)果，最終選取db5小波分解信號(hào)。

圖5 波音737-800磁信號(hào)db2與db5的3層小波分解Fig.5 3scales wavelet decomposition of Boeing 737-800magnetic signal by db2and db5

圖6 所示為食品升降車(chē)，加油車(chē)及機(jī)場(chǎng)引導(dǎo)車(chē)，塞斯納550B，空客320及空客340的規(guī)整后時(shí)域信號(hào)的db5小波3層分解。從各目標(biāo)類型的頻域信號(hào)分解中可以看出各目標(biāo)類型的頻域信號(hào)在頻帶中的分布情況。加油車(chē)的d1系數(shù)波動(dòng)比食品升降車(chē)更為強(qiáng)烈，而機(jī)場(chǎng)引導(dǎo)車(chē)的d3系數(shù)變化比加油車(chē)和食品升降車(chē)的變化更明顯?？湛?40的d1和d3系數(shù)比空客320及塞斯納550B變化更顯著，塞斯納550B的d2系數(shù)波動(dòng)高于空客320及空客340。

圖6 3種車(chē)輛及飛機(jī)磁信號(hào)的3層小波分解Fig.6 3scales wavelet decomposition of 3vehicles and aircraft

3 不同目標(biāo)特征區(qū)分度的測(cè)度

通過(guò)時(shí)域和頻域特征提取方法一共抽象出10個(gè)特征，x＝｛x1，…，x10｝，分別為目標(biāo)長(zhǎng)度L（x1）、波峰數(shù)m（x2）、最大峰值hmax（x3）、最大峰值的位置比為nmax／N（x4）、最小峰值hmin（x5）、最小峰值的位置比為nmin／N （x6）、近似信號(hào)能量比 ECA3／E0（x7）、三階信號(hào)能量比ECD3／E0（x8）、二階信號(hào)能量比ECD2／E0（x9），以及一階信號(hào)能量比ECD1／E0（x10）。特征提取的目的是保證目標(biāo)特征能夠與其他類別的目標(biāo)特征具有足夠的區(qū)分度從而完成目標(biāo)類型的最終分類［8］。各類型目標(biāo)特征的相對(duì)距離越大，說(shuō)明目標(biāo)特征間的相似度越低，區(qū)分度越明顯。本文利用目標(biāo)特征區(qū)分度測(cè)度方法來(lái)衡量目標(biāo)特征間的相對(duì)距離。

設(shè)目標(biāo)類型的集合為A＝ ｛A1，A2，…，A7｝，目標(biāo)各特征權(quán)重為 w ＝ ｛w1，w2，…，w10｝，第k類目標(biāo)的特征值為xk＝ ｛，，…，｝，第 m類（m ≠k）目標(biāo)的特征值為xm＝ ｛，，…，｝。

式中：xi為所有目標(biāo)的第i個(gè)特征值之和；Dkm為第k類目標(biāo)與第m類目標(biāo)特征值的相對(duì)距離；D為目標(biāo)類型集合中所有目標(biāo)之間相對(duì)距離之和。2個(gè)特征的相似度的度量計(jì)算公式為

式中：Xi為第k類目標(biāo)與第m類目標(biāo)的第i個(gè)特征值之比，為

求得權(quán)重wi從而獲得各類目標(biāo)特征與其他各類型目標(biāo)特征的相對(duì)距離Dkm、距離總和D及相似度Skm，得到各類型目標(biāo)特征的區(qū)分度。

4 實(shí) 驗(yàn)

4.1 實(shí)驗(yàn)步驟

筆者以機(jī)場(chǎng)場(chǎng)面的部分移動(dòng)的飛機(jī)／車(chē)輛磁信號(hào)為樣本，部分飛機(jī)磁信號(hào)數(shù)據(jù)來(lái)自于H.Gao［10］與 K.Dimitropoulos［11］，部分車(chē)輛數(shù)據(jù)于2013年在機(jī)場(chǎng)附近采集，利用霍尼韋爾HM5883L型號(hào)的AMR地磁傳感器作為目標(biāo)檢測(cè)器，采用動(dòng)態(tài)閾值法進(jìn)行濾波。首先利用時(shí)域特征提取方法獲得待測(cè)目標(biāo)的長(zhǎng)度，根據(jù)目標(biāo)長(zhǎng)度規(guī)整時(shí)域信號(hào)，在此基礎(chǔ)上提取時(shí)域部分的峰值特征并利用db5小波3層分解信號(hào)提取信號(hào)頻域特征，將所提取的目標(biāo)時(shí)域特征和頻域特征結(jié)合共同構(gòu)成待測(cè)信號(hào)的全部特征［12］。時(shí)頻域的特征提取方法一共抽象出10個(gè)特征值，根據(jù)目標(biāo)特征區(qū)分度測(cè)度算法獲得各類型間目標(biāo)特征的相對(duì)距離，即依據(jù)目標(biāo)類型建立特征值的分配權(quán)重矩陣及目標(biāo)特征相對(duì)距離的單優(yōu)化模型，計(jì)算出第k類目標(biāo)特征值的分配權(quán)重及其與其他目標(biāo)類型特征的相對(duì)距離總和及相似度。圖7為特征提取方法流程圖。

圖7 特征提取方法Fig.7 Feature extraction method

1）時(shí)域特征提取。首先為目標(biāo)長(zhǎng)度的獲取，以食品升降車(chē)為例。設(shè)定2只AMR地磁傳感器s1，s2之間的距離為l＝5m，目標(biāo)先后經(jīng)過(guò)二者的時(shí)間差為Δt＝0.58s，并且目標(biāo)經(jīng)過(guò)其中1個(gè)AMR地磁傳感器的時(shí)間檢測(cè)域?qū)挾葹閠s＝0.81 s，由此得到目標(biāo)長(zhǎng)度＝7m，依據(jù)目標(biāo)長(zhǎng)度規(guī)整時(shí)域信號(hào)，消除速度對(duì)信號(hào)檢測(cè)寬度的影響。

其次為感知信號(hào)的峰值特征提取，食品升降車(chē)規(guī)整后時(shí)域信號(hào)如圖2（a）。可得到波峰數(shù)m，最大峰值hmax，最大峰值的位置比為nmax／N，最小峰值hmin，最小峰值的位置比為nmin／N分別為4，145，0.27，69，0.11。

2）頻域特征提取。對(duì)規(guī)整后的時(shí)域信號(hào)進(jìn)行頻域特征提取。AMR地磁傳感器的采樣頻率為75Hz，利用db5小波進(jìn)行3層信號(hào)分解，信號(hào)總能量值為E0＝1 548 274.68，近似信號(hào)能量值ECA3＝1 559 189，第1層、第2層、第3層小波能量值ECD1、ECD2、ECD3分別為4 521.65，1 247.35，405.39，歸一化近似信號(hào)能量值及各層小波能量值，即將近似信號(hào)能量值ECA3和3層小波能量值ECD1，ECD2，ECD3分別與信號(hào)總能量E0進(jìn)行比較，得到食品升降車(chē)的磁感知信號(hào)歸一化近似信號(hào)能量比及3層小波能量比為Ei＝ ［ECA3／E0，ECD3／E0，… ，ECD1／E0］＝ ［0.9 9 3，0.0 0 2 9，0.000 8，0.000 26］，將其作為信號(hào)的頻域特征，并結(jié)合時(shí)域特征，得到食品升降車(chē)信號(hào)特征為x＝｛x1，… ，x10｝＝ ｛7，4，1 4 5，0.2 7，6 9，0.1 1，99.3%，0.29%，0.08%，0.026%｝。

4.2 實(shí)驗(yàn)結(jié)果及分析

檢測(cè)樣本的目標(biāo)類型為機(jī)場(chǎng)引導(dǎo)車(chē)，食品升降車(chē)，加油車(chē)，塞斯納550B，波音737-800，空客320，空客340 7 種類型［13］。按照時(shí)域頻域特征結(jié)合的特征提取方法分別對(duì)車(chē)輛及飛機(jī)目標(biāo)磁信號(hào)檢測(cè)樣本進(jìn)行特征提取。表1為7種目標(biāo)的時(shí)域特征及頻域特征。

表1 目標(biāo)類型時(shí)頻域特征Tab.1 The time domain futures and frequency domain features of the targets

以食品升降車(chē)為例，根據(jù)目標(biāo)特征區(qū)分度測(cè)度算法分別計(jì)算食品升降車(chē)時(shí)域、頻域及時(shí)頻域特征與另外6種目標(biāo)時(shí)域特征、頻域特征及時(shí)頻域特征距離［12］。根據(jù)算法獲得食品升降車(chē)時(shí)頻域特征分配權(quán)重為w時(shí)頻＝｛0.15，0.11，0.07，0.05，0.11，0.11，0.01，0.09，0.15，0.15｝，其時(shí)域特征分配權(quán)重w時(shí)域＝｛0.3，0.2，0.1，0.1，0.1，0.2｝，頻域特征分配權(quán)重為w頻域＝｛0.05，0.2，0.35，0.4｝。表2為對(duì)比3種特征提取方法的其他6種目標(biāo)特征與食品升降車(chē)的相對(duì)距離。

表2 其他類型目標(biāo)與食品升降車(chē)的相對(duì)距離Tab.2 The distance between other target and catering truck

對(duì)照表2，在時(shí)域特征提取方法中，食品升降車(chē)與加油車(chē)的目標(biāo)特征距離為0.013，表明其時(shí)域特征極其相似，僅依靠時(shí)域特征方法不能很好的區(qū)分2種目標(biāo)類型，而時(shí)頻域特征提取方法使得其特征距離提高到0.046，2種類型區(qū)分度增大。在頻域特征提取方法中，食品升降車(chē)與波音737及空客320的特征距離分別為0.027，0.026，但在時(shí)頻域結(jié)合的特征提取方法中，食品升降車(chē)與二者的特征距離為0.082，0.083，使得食品升降車(chē)與這2種飛機(jī)有較明顯的區(qū)分度。

圖8為3種特征提取方法的目標(biāo)類型相似度對(duì)比。橫坐標(biāo)目標(biāo)類型對(duì)比中數(shù)字1，2，3，4，5，6，7分別表示機(jī)場(chǎng)引導(dǎo)車(chē)，食品升降車(chē)，加油車(chē)，塞斯納550B，波音737-800，空客320，空客340 7種目標(biāo)類型，1-2即表示機(jī)場(chǎng)引導(dǎo)車(chē)與食品升降車(chē)的對(duì)比。對(duì)照?qǐng)D8，對(duì)7種目標(biāo)間相似度求平均值，目標(biāo)間時(shí)頻特征的平均相似度為0.516，略高于頻域特征的0.489，略低于時(shí)域特征的0.523，但是時(shí)頻域特征提取方法使得目標(biāo)之間的相似度均低于0.79，沒(méi)有出現(xiàn)不同目標(biāo)類之間具有極高相似度的情況。食品升降車(chē)與加油車(chē)時(shí)域特征的相似度為0.937，而時(shí)頻域特征相似度為0.775，加油車(chē)與波音737-800的頻域特征相似度為0.936，而時(shí)頻特征相似度為0.759，時(shí)頻域特征提取方法能夠在時(shí)域特征區(qū)分度不夠時(shí)，補(bǔ)充信號(hào)的頻域特征對(duì)目標(biāo)進(jìn)行分類，反之在時(shí)域特征區(qū)分度不夠的情況下，可補(bǔ)充信號(hào)的時(shí)域特征對(duì)目標(biāo)進(jìn)行分類［14］?？傮w說(shuō)來(lái)，信號(hào)的時(shí)頻域特征綜合時(shí)域特征和頻域特征，其豐富的特征信息能夠更全面的反映信號(hào)特性，能夠有效的平衡及降低各目標(biāo)間的相似度。

圖8 3種特征提取方法的目標(biāo)相似度對(duì)比Fig.8 The comparison of the similarity of 3feature extraction methods between different targets

5 結(jié)束語(yǔ)

考慮機(jī)場(chǎng)場(chǎng)面目標(biāo)類型的復(fù)雜性，并針對(duì)現(xiàn)有目標(biāo)特征提取方式的不足，筆者提出了1種基于機(jī)場(chǎng)場(chǎng)面目標(biāo)識(shí)別的時(shí)頻域結(jié)合的特征提取方法。即首先是時(shí)域特征提取，通過(guò)雙傳感器方式獲得移動(dòng)目標(biāo)長(zhǎng)度，并根據(jù)目標(biāo)長(zhǎng)度規(guī)整時(shí)域信號(hào)，在此基礎(chǔ)上提取信號(hào)的峰值特征并利用小波多尺度變換提取信號(hào)頻域特征，將目標(biāo)信號(hào)的時(shí)域特征和頻域特征結(jié)合起來(lái)共同構(gòu)成待測(cè)信號(hào)的全部特征。本文以場(chǎng)面移動(dòng)車(chē)輛及飛機(jī)磁信號(hào)為樣本，分別利用時(shí)域特征提取方法，頻域特征提取方法及時(shí)頻域特征提取方法提取目標(biāo)特征，并利用目標(biāo)特征區(qū)分度測(cè)度計(jì)算3種特征提取方法的目標(biāo)間特征相對(duì)距離及相似度，驗(yàn)證本文提出的時(shí)頻域方法使得目標(biāo)間具有更好的區(qū)分度。

［1］ 陳平，湯新民，邢健，等.目標(biāo)感知事件驅(qū)動(dòng)的跑道入侵控制策略研究［J］.交通信息與安全，2013，31（6）：125-131.CHEN Ping，TANG Xinmin，XING Jian，et al.Research on the runway inclusion control strategy based on objective perception events driven model［J］.Journal of Transport Information and Safety，2013，31（6）：125-131.（in Chinese）

［2］ 靳俊峰，方青，田明輝.基于隸屬度和貝葉斯分類的機(jī)場(chǎng)目標(biāo)分類研究［J］.雷達(dá)與對(duì)抗，2013，33（1）：23-25.JIN Junfeng，F(xiàn)ANG Qing，TIAN Minghui.Airport target classification based on subjection and Bayes′theorem［J］.Radar＆ECM，2013，33 （1）：23-25.（in Chinese）

［3］ 陳華.基于AMR地磁感應(yīng)檢測(cè)器的車(chē)輛檢測(cè)和分類識(shí)別［D］.天津：天津大學(xué)，2009.CHEN Hua.Vehicle Detection and Classification by AMR Magnetic Sensor［D］.Tianjin：Tianjin University，2009.（in Chinese）

［4］ 雷旭，侯瑩瑩，武奇生.地磁車(chē)輛檢測(cè)器車(chē)型分類算法設(shè)計(jì)［J］.長(zhǎng)安大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，33（5）：120-123.LEI Xu，HOU Yingying，WU Qisheng.Design of classification algorithm on vehicle geomagnetic detecting system［J］.Journal of Chang′an University：Natural Science Edition，2013，33（5）：120-123.（in Chinese）

［5］ LI H，DONG H，JIA L，et al.Vehicle classification with single multi-functional magnetic sensor and optimal MNS-based CART［J］.Measurement，2014（55）：142-152.

［6］ 陳柔伊.水下目標(biāo)識(shí)別中的特征提取與分類研究［D］.廣州：華南理工大學(xué)，2011.CHEN Rouyi.The research on feature extraction of target identification underwater［D］.Guangzhou South China University of Technology，2011.（in Chinese）

［7］ 周紅標(biāo).基于小波變換的脈搏信號(hào)特征提?。跩］.電子測(cè)量技術(shù)，2009，32（9）：77-79.ZHOU Hongbiao.Feature extraction of pulse signal based on wavelet transform［J］.Electronic Measurement Technology，2009，32（9）：77-79.（in Chinese）

［8］ 吳皓.基于地磁的車(chē)輛檢測(cè)系統(tǒng)與識(shí)別算法研究［D］.武漢：華中科技大學(xué)，2007.WU Hao.Investigation of Vehicle Geomagnetic Detecting System and Recognizing Algorithm［D］.Wuhang：Huazhong University of Science and Technology，2007.（in Chinese）

［9］ 朱新平，湯新民，韓松臣.A-SMGCS航空器場(chǎng)面滑行初始路徑規(guī)劃［J］.交通信息與安全，2012，30（5）：27-33.ZHU Xinping，TANG Xinmin，HAN Songchen.Aircraft initial taxi route planning under the control of A-SMGCS［J］.Journal of Transport Information and Safety，2012，30（5）：27-33.（in Chinese）

［10］ GAO H，HEUER T，DIMITROPOULOS K，et al.Safe airport operation based on innovative magnetic detector system［J］.IET Intelligent Transport Systems，2009，3（2）：236-244.

［11］ DIMITROPOULOS K，GRAMMALIDIS N，GRAGOPOULOS I，et al.Detection，tracking and classification of vehicles and aircraft based on magnetic sensing technology［J］.Int.J.Appl.Math.Comput.Sci，2005，1（4）：195-200.

［12］ CHARTIER E，HASHEMI Z.Surface surveillance systems using point sensors and segment-based Tracking［C］.20fh Digital Avionics Systems Conference（DASC 2001），Daytona Beach，F(xiàn)lorida，USA：IEEE，2001：14-18.

［13］ STAUFFER D，F(xiàn)RENCH H，LENZ J，et al.A multi-sensor approach to airport surface traffic tracking［C］.12th Digital Avionics Systems Conference（DASC 1993），Daytona Beach，F(xiàn)lorida，USA：IEEE，1993：430-432.

［14］ SCHONEFELD J，D.MOLLER P.F.Runway incursion prevention systems：A review of runway incursion avoidance and alerting system approaches［J］.Progress in Aerospace Sciences，2012，（51）：31-49.