盧建斌，張云雷，席澤敏，張明敏

?

基于統(tǒng)計特征的水下目標一維距離像識別方法研究

盧建斌，張云雷，席澤敏，張明敏

(海軍工程大學(xué)電子工程學(xué)院，湖北武漢430033)

目標探測與識別是水下預(yù)警監(jiān)視、信息對抗的重要組成部分。針對水下目標一維距離像識別問題，通過提取目標的長度、重心、高階中心矩等特征，分析了所提取特征的統(tǒng)計分布特性，利用假設(shè)檢驗構(gòu)建了目標識別特征的統(tǒng)計模型。結(jié)合Bayes統(tǒng)計分類器開展了5類水下目標的識別實驗，并與基于距離像回波匹配相關(guān)的識別方法進行對比分析，對比結(jié)果顯示所提出的方法在識別率和運算量方面均有明顯改善。

水下目標識別；一維距離像；統(tǒng)計特征；貝葉斯分類器

0 引言

隨著信息技術(shù)的不斷發(fā)展，水聲干擾與水聲對抗設(shè)備的智能化水平也在不斷提高。潛艇和水面艦艇的對抗設(shè)備均能夠較好地模擬水下被動輻射噪聲和主動回波亮點特性，對水下探測、攻擊提出了更為嚴峻的挑戰(zhàn)[1]。

現(xiàn)代高分辨技術(shù)的出現(xiàn)為目標探測和識別提供了新的途徑。水聲探測傳感器通過發(fā)射寬帶相干信號，使得回波信號的距離分辨率遠小于目標尺寸，目標表現(xiàn)為各自獨立的散射中心的集合。這些散射中心在徑向距離上的分布情況稱為一維距離像，一維距離像包含了目標的形狀及結(jié)構(gòu)特征等更多可用于目標識別的信息，并且具有易獲取和易處理等優(yōu)點，十分適合應(yīng)用于魚雷探測與制導(dǎo)系統(tǒng)，具有廣闊的應(yīng)用前景[2,3]。本文通過水聲測量獲取5類目標的一維距離像數(shù)據(jù)，通過特征提取與統(tǒng)計特性分析，并結(jié)合Bayes分類器驗證了利用距離像進行目標識別的有效性。

1 距離像的特征提取

關(guān)于利用水聲測量目標一維距離像的原理和實驗方法可參見文獻[4]。在獲取目標距離像數(shù)據(jù)后，可以直接利用目標的距離像回波在數(shù)據(jù)庫中進行匹配相關(guān)，確定目標的屬性，但是這種方法處理起來數(shù)據(jù)量和運算量均較大。這里提出基于目標特征統(tǒng)計模型的識別方法，以提高目標識別的性能，同時減少識別的運算量和存儲量。所提取的特征包括目標長度、重心、二階矩、三階矩和四階矩。

1.1 目標長度特征

與空中目標不同的是水下目標通常為長條形，目標的長度與其類別有著較大的聯(lián)系，特別是在對目標進行大、中、小的粗分類時，目標長度是十分重要的特征。目標長度估計的核心是對目標距離像長度的估計，其基本算法就是對距離像上每個距離單元進行檢測，判斷該單元內(nèi)的回波是目標回波還是雜波或噪聲，從而確定距離像的長度。進一步根據(jù)目標當前所處的姿態(tài)角度(通常由目標連續(xù)跟蹤所得的航跡估計得到)，就可以計算出當前距離像所對應(yīng)的目標長度。

因此，上述處理的核心是對距離像內(nèi)各個單元的檢測，這里采用恒虛警檢測算法。由于各距離單元均可假設(shè)為復(fù)高斯分布[5]，即各距離單元回波幅度服從瑞利分布，因此依據(jù)白噪聲背景下恒虛警檢測算法可得出目標距離像的長度。對于某次距離像回波的檢測結(jié)果如圖1所示。從檢測結(jié)果可以得出距離像長度為49.9 cm，結(jié)合目標所處的姿態(tài)，估計出目標模型的長度為49.9/cos45o=70.5 cm。

1.2 目標重心特征

如果將目標距離像看作一個二維曲線，那么其所包含區(qū)域的重心分別包括橫軸(距離軸)、縱軸(幅度軸)兩個分量，如圖2所示。其中，縱軸上的分量表征了目標距離像的幅度起伏特征。對于連續(xù)函數(shù)，其重心位置的數(shù)學(xué)表達式為

(2)

距離像重心的表達式為

1.3 中心矩特征

中心矩特征是最早用來描述二維圖像信號的特征，具有平移、旋轉(zhuǎn)及尺度不變性，它反映目標的形狀信息。對于水下目標一維距離像，在一個較小的姿態(tài)角范圍內(nèi)目標距離像峰值位置的變化是一個緩變的過程，距離像姿態(tài)敏感性主要表現(xiàn)為峰值幅度的變化。對距離像的幅度歸一化后，則峰值位置相近的距離像具有相近的形狀信息。因而可以把中心矩作為距離像識別的特征[6]。

2 距離像特征的統(tǒng)計分析與變換

從上述特征提取過程看，由于原始距離像數(shù)據(jù)中存在誤差，因此基于原始數(shù)據(jù)所提取的特征也不可避免地存在一定的偏差。以目標長度特征為例，由于目標姿態(tài)角的不確定、雜波和噪聲的存在、以及對信噪比較低的距離單元進行恒虛警檢測可能出現(xiàn)漏警的情況，導(dǎo)致目標長度估計出現(xiàn)一定的隨機分布，該分布的模型可以用假設(shè)檢驗來驗證，模型分布參數(shù)可以通過訓(xùn)練樣本數(shù)據(jù)計算得出。

這里以某目標A的長度特征為例，通過其訓(xùn)練樣本數(shù)據(jù)可得出該目標長度的分布如圖3所示，從圖中可以看出目標長度絕大多數(shù)分布在65~80 cm之間，并且長度特征的統(tǒng)計分布與理想高斯分布十分吻合。進一步利用柯爾莫哥洛夫-斯摩洛夫(Kolmogorov-Smirnov, KS)假設(shè)檢驗，以5%的置信度水平得出該組特征數(shù)據(jù)符合高斯分布，其K-S檢驗結(jié)果如圖4所示。

因此對于該型目標的長度特征可以近似用高斯分布來進行建模，模型分布參數(shù)，即高斯分布的均值和方差通過樣本數(shù)據(jù)的計算可得為。

同樣目標重心、二階矩、三階矩、四階矩特征的統(tǒng)計分布如圖5~8所示，從圖中看出雖然各特征量取值的分布范圍差別較大，但是特征分布的形狀都與高斯分布十分相近，從而驗證了所提取的特征量在給定置信度水平下滿足高斯分布的假設(shè)。在計算得出各特征分布的均值、方差后即可對上述特征量進行高斯模型的統(tǒng)計建模。

需要說明的是，前面所提取的重心、高階矩特征雖然都是無量綱數(shù)據(jù)，但其物理含義不同，特別是高階矩的幅度隨著階數(shù)的增加而急劇遞增，從而影響各特征量在特征空間中的權(quán)重，進而降低分類識別的準確性。因此在進行分類識別之前，還需要將各特征量進行特征變換，保證所有特征量在特征空間中具有相同的權(quán)重。

本文采取極差變換的形式將所有特征量統(tǒng)一到[0,1]范圍內(nèi)，假設(shè)目標種類有類，每類目標的訓(xùn)練距離像樣本數(shù)為個，那么距離像總樣本數(shù)為個。若將第個距離像特征矢量記為

式中的5個特征量分別對應(yīng)著所提取的目標距離、重心、2階矩、3階矩和4階矩，那么總的特征矢量可寫為

(6)

通過極差變換后的特征向量均分布在[0,1]區(qū)間內(nèi)，在特征空間中具有相同的權(quán)重，可有效避免特征分布的差異帶來的分類器性能的下降。

3 Bayes分類器設(shè)計

Bayes分類器是一種利用Bayes規(guī)則的最小錯誤概率分類器，也是一種較為常用的分類器[7]。在Bayes分類過程中，需要計算在給定樣本條件下各類別的后驗概率，然后選擇后驗概率最大的類別作為識別的結(jié)果。當待識別樣本為，目標類別總共有類，分別表示為，那么根據(jù)Bayes規(guī)則，可得出每一類的后驗概率為

(9)

或(10)

(12)

在識別過程中，每一個待識別樣本數(shù)據(jù)通過特征提取后得到特征向量，與每一類別計算得出最大后驗概率的類別即為識別的結(jié)果。需要說明的是，上述Bayes分類器在特征分布為高斯分布且均值和協(xié)方差陣已知的條件下是最優(yōu)分類器。實際應(yīng)用中，可能出現(xiàn)數(shù)據(jù)的特征分布偏離高斯分布，或者從訓(xùn)練數(shù)據(jù)中估計均值和協(xié)方差矩陣存在一定的誤差，導(dǎo)致Bayes分類器識別性能的下降。

4 實驗結(jié)果與分析

選取5類目標(目標模型如圖9所示，依次記為目標A~E)進行實驗驗證和性能分析。距離像測量實驗如圖10所示，根據(jù)測量結(jié)果分別提取目標特征，并利用Bayes分類器進行目標識別。最后將本文識別方法的結(jié)果與基于原始距離像數(shù)據(jù)的匹配相關(guān)法進行性能對比。

考慮到實際中待識別目標的姿態(tài)角可以通過目標運動航跡中估計得出，因此識別過程中只需要在目標航向角估計誤差的范圍內(nèi)進行識別，而不需要對目標進行360°的全姿態(tài)匹配。因此，實驗中每類目標選擇7°的方位角范圍(對應(yīng)45°至52°)內(nèi)距離像樣本共有250組，其中隨機選取100組作為訓(xùn)練樣本，提取目標的識別特征，構(gòu)建特征模板，剩余的150組作為測試樣本。

為檢驗?zāi)繕碎L度特征提取方法的有效性，首先基于5類目標的距離像數(shù)據(jù)對其長度進行估計，估計的結(jié)果如表1所示。從估計的均值看，5類目標長度估計的準確度基本上都在90%以上，目標C的相對誤差最大，達到10.09%，從原始距離像數(shù)據(jù)中發(fā)現(xiàn)該目標首尾處回波較弱，在恒虛警檢測中很容易被判為雜波。從估計的均方差看，目標E估計的標準差最大，說明雜波環(huán)境的不確定性對該目標的影響相對更大。

表1 基于距離像數(shù)據(jù)的目標長度特征估計

同時從表1中可以明顯看出不同類別目標尺寸上的差異，如C目標的尺寸遠大于其他4類目標，而B目標和D目標的尺寸較為接近。一般意義上，目標長度信息可以用來大致區(qū)分目標的大、中、小類別，實現(xiàn)目標的粗分類，進一步結(jié)合其他信息或特征可進行更為精細的分類識別。

表2和表3分別給出了利用距離像匹配相關(guān)進行目標識別和本文所提出的基于統(tǒng)計特征的識別結(jié)果，從5類目標的識別結(jié)果看，兩類方法均能夠進行有效的目標識別，從而說明利用目標一維距離像進行識別的有效性。

表2 基于距離像數(shù)據(jù)的匹配相關(guān)法識別結(jié)果

表3 基于距離像統(tǒng)計特征的Bayes分類器識別結(jié)果

進一步對比本文方法與距離像匹配相關(guān)法的性能，首先從識別準確率上看，由于目標E在形狀和尺寸上與其他目標存在較為明顯的差異，因此對于該目標的識別率達到95%以上。從5類目標的平均識別率上看，本文的方法比基于距離像匹配的識別方法有接近3個百分點的改善，同時從整個處理的時間上看(仿真軟件環(huán)境為Matlab 2009b，硬件為I3 2.1G雙核CPU和4G內(nèi)存)，由于距離像匹配處理需要大量的相關(guān)運算，而本文的方法僅僅提取目標的5類特征進行統(tǒng)計分析和識別，從目標識別特征的維數(shù)和處理方式上均有利于降低識別處理的時間，因此識別處理時間從原有的8 s降低到0.6 s左右，大幅度提升了識別系統(tǒng)的效率。

5 結(jié)論

利用寬帶水聲信號探測獲取目標寬帶散射特性是水下目標探測與識別的重要手段，而對目標一維成像因具有單個脈沖成像、成像時間短、數(shù)據(jù)易于獲取與處理等優(yōu)點成為目標識別的重要手段。本文針對5類水下目標縮比模型，利用一維距離像數(shù)據(jù)提取目標的長度、重心、中心矩等特征，分析了所提取特征的統(tǒng)計分布特性，通過假設(shè)檢驗確定所提取特征分布近似服從高斯分布，并利用目標距離像計算特征統(tǒng)計參數(shù)，進而構(gòu)建了目標識別的特征統(tǒng)計模型。利用Bayes統(tǒng)計分類器開展的目標識別實驗驗證了所提出方法的有效性。需要說明的是本文實驗是在實驗室環(huán)境下進行的，后續(xù)需要進一步拓展到實測數(shù)據(jù)，進行方法的驗證和完善工作。

[1] 姜永珉, 郝新亞, 馮海泓, 等. 水中目標二維亮點分布研究[J]. 聲學(xué)學(xué)報, 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] 張明敏, 盧建斌, 王薇. 水聲模擬測量艦船目標雷達距離像相似性問題[J]. 聲學(xué)技術(shù), 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, 劉宏偉, 保錚. 基于中心矩特征的雷達HRRP自動目標識別[J]. 電子學(xué)報, 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] 邊肇祺, 張學(xué)工. 模式識別(第二版)[M]. 北京: 清華大學(xué)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

國家自然科學(xué)基金(61372165)、中國博士后基金特別資助(2012T50874)

盧建斌(1980－), 男, 河南信陽人, 博士, 講師, 研究方向為信號處理, 數(shù)據(jù)融合與目標識別。

盧建斌, E-mail: lu_jian_bin@163.com