柴曉飛 羅丁利 徐丹蕾 楊 磊

(西安電子工程研究所 西安 710100)

0 引言

建筑物與植被作為雷達(dá)地雜波背景中的主要組成部分，對(duì)兩者的識(shí)別和分類(lèi)，可以幫助我們建立地區(qū)的場(chǎng)景先驗(yàn)信息，根據(jù)不同的雜波類(lèi)型采用不同的雜波抑制方法，同時(shí)為陣地適配提供參考信息。目前基于合成孔徑雷達(dá)圖像的分割技術(shù)已經(jīng)有較多的研究成果[1-5]，如基于數(shù)據(jù)驅(qū)動(dòng)、模型驅(qū)動(dòng)的SAR圖像分割技術(shù)，這里主要針對(duì)低分辨雷達(dá)的頻譜進(jìn)行研究。

在有風(fēng)的條件下，植被會(huì)出現(xiàn)緩慢的搖擺，由于雜波之間運(yùn)動(dòng)的隨機(jī)性，目標(biāo)頻譜將會(huì)被展寬，即與固定建筑物的頻譜會(huì)產(chǎn)生差異。二者有以下區(qū)別：

1)在同一部雷達(dá)的照射下，雖然影響地雜波的有很多因素，但建筑物的回波強(qiáng)度一般大于植被的回波強(qiáng)度。

2)建筑物的分布范圍獨(dú)立且集中，植被覆蓋率高，分布范圍寬廣。

3)在有風(fēng)條件下，植被受風(fēng)作用擺動(dòng)將產(chǎn)生隨機(jī)多普勒分量，造成雜波譜展寬。而建筑物受風(fēng)的影響小，頻譜寬度小。

4)植被的運(yùn)動(dòng)還有其自身的特點(diǎn)，如雙向交錯(cuò)性，短時(shí)間性，即在小段時(shí)間內(nèi)，植被起伏大，平穩(wěn)性差，而建筑物幾乎沒(méi)有任何波動(dòng)。

該實(shí)驗(yàn)以某雷達(dá)為實(shí)驗(yàn)平臺(tái)，采集雜波數(shù)據(jù)，來(lái)進(jìn)行實(shí)驗(yàn)方法研究以及實(shí)驗(yàn)數(shù)據(jù)的驗(yàn)證。

1 地雜波頻譜

在有風(fēng)條件下，由于樹(shù)木的擺動(dòng)，產(chǎn)生多普勒分布，從而會(huì)展寬雜波譜的譜線，由于雜波源之間運(yùn)動(dòng)的隨機(jī)性，經(jīng)查閱文獻(xiàn)[6]及雷達(dá)實(shí)測(cè)數(shù)據(jù)證明，指數(shù)分布最適合對(duì)風(fēng)吹植被所形成的地雜波進(jìn)行建模。

(1)

3dB譜寬可用標(biāo)準(zhǔn)差表示為：

來(lái)自森林區(qū)域不同風(fēng)速時(shí)地雜波頻譜擴(kuò)展的估計(jì)值見(jiàn)表1[7]。

表1 不同風(fēng)速時(shí)頻譜擴(kuò)展的測(cè)量值

風(fēng)條件風(fēng)速(km/h)風(fēng)速(m/s)指數(shù)ac形狀參數(shù)β(m/s)-1均方根頻譜寬度σv(m/s)典型最壞情況典型最壞情況軟風(fēng)1～70.28～1.9412-0.12-微風(fēng)7～151.94～4.178-0.18-大風(fēng)15～304.17～8.335.75.20.250.27狂風(fēng)30～608.33～16.674.33.80.330.37

本文的所有數(shù)據(jù)來(lái)源于某雷達(dá)實(shí)驗(yàn)平臺(tái)。該雷達(dá)平臺(tái)靜止工作，地雜波分布在零多普勒頻率附近，主要探測(cè)地面活動(dòng)的目標(biāo)，用于警戒、偵察人員、車(chē)輛等動(dòng)目標(biāo)，測(cè)定其方位、距離和活動(dòng)路線。

2 場(chǎng)景分類(lèi)處理流程

處理機(jī)對(duì)接收到的雷達(dá)中頻回波信號(hào)，利用數(shù)字下變頻技術(shù)，將回波信號(hào)中承載的信息變化到基帶，通過(guò)數(shù)字脈沖壓縮技術(shù)，獲得最大信噪比的輸出信號(hào)，然后對(duì)脈壓處理后的每一個(gè)距離單元內(nèi)的慢時(shí)間序列做離散傅里葉變換(DFT)，得到相應(yīng)的脈沖-多普勒平面。由于本文的研究對(duì)象是地雜波，因此可將地雜波視為期望信號(hào)進(jìn)行檢測(cè)，為了在干擾噪聲功率電平變化的條件下保持CFAR，此處在多普勒維采用單元平均CFAR分析，得到檢測(cè)后的數(shù)據(jù)矩陣，根據(jù)風(fēng)速的大小和多普勒分辨率選取雜波單元，提取相應(yīng)雜波單元內(nèi)的頻譜特征，送入訓(xùn)練好的分類(lèi)器模型，進(jìn)行場(chǎng)景分類(lèi)，通過(guò)投票融合方法，進(jìn)一步提高識(shí)別的準(zhǔn)確度。場(chǎng)景分類(lèi)處理流程如圖1所示：

圖1 場(chǎng)景分類(lèi)處理流程圖

2.1 選取雜波單元

地雜波處于零多普勒通道附近，由風(fēng)速等級(jí)及多普勒速度分辨率可對(duì)植被雜波譜的展寬做出估計(jì)，確定所占多普勒通道數(shù)的最大區(qū)間，對(duì)經(jīng)過(guò)恒虛警檢測(cè)后的每個(gè)快時(shí)間-慢時(shí)間矩陣，在慢時(shí)間維截取對(duì)應(yīng)多普勒區(qū)間數(shù)據(jù)，作為雜波單元。

2.2 場(chǎng)景識(shí)別

通過(guò)對(duì)該地區(qū)雷達(dá)掃描范圍內(nèi)的回波數(shù)據(jù)進(jìn)行分析，可得到連續(xù)時(shí)間內(nèi)對(duì)該地區(qū)的多次掃描結(jié)果，即基于不同時(shí)段的該地區(qū)樣本值的強(qiáng)度和頻譜進(jìn)行研究。首先根據(jù)統(tǒng)計(jì)設(shè)定一個(gè)合適的強(qiáng)度閾值，對(duì)低于閾值的距離單元不做識(shí)別，直接判為未知目標(biāo)。然后對(duì)強(qiáng)度高于閾值的距離單元，提取對(duì)應(yīng)的雜波單元內(nèi)的頻譜特征，送入訓(xùn)練好的分類(lèi)器模型，進(jìn)一步對(duì)植被和建筑物進(jìn)行識(shí)別分類(lèi)。得到該地區(qū)不同時(shí)間段的多次識(shí)別分類(lèi)結(jié)果。

2.3 決策融合

(2)

如圖2，基于對(duì)該地區(qū)17次預(yù)測(cè)分類(lèi)的情況下，單次決策結(jié)果錯(cuò)誤率與集成學(xué)習(xí)錯(cuò)誤率的關(guān)系曲線，交點(diǎn)大約位于0.5，即當(dāng)單次決策結(jié)果的錯(cuò)誤率小于0.5時(shí)，集成學(xué)習(xí)的錯(cuò)誤率要低于單次決策結(jié)果；當(dāng)單次決策結(jié)果的錯(cuò)誤率大于等于0.5時(shí)，集成學(xué)習(xí)的錯(cuò)誤率要高于單次決策結(jié)果。

該融合方法的優(yōu)點(diǎn)是：不需要進(jìn)行訓(xùn)練，簡(jiǎn)單有效；但是它也存在一定的局限性，即忽略了每次掃描結(jié)果的差異性，給予它們相同的輸出同等地位；其次，容易出現(xiàn)相同票數(shù)的情況，需要拒判。

圖2 單次決策錯(cuò)誤率與集成學(xué)習(xí)錯(cuò)誤率關(guān)系曲線

3 基于實(shí)測(cè)數(shù)據(jù)的目標(biāo)特性選擇與提取

為了說(shuō)明該方法的可行性，專(zhuān)門(mén)選擇一塊實(shí)驗(yàn)區(qū)域，此處樹(shù)木茂盛，農(nóng)業(yè)主要種植小麥與玉米；建筑物分布范圍小但大多數(shù)集中分布，多是低矮的房屋；且區(qū)域內(nèi)還有部分的裸露地。

數(shù)據(jù)是在微風(fēng)條件下采集的，區(qū)分兩類(lèi)目標(biāo)主要是利用它們?cè)谟酗L(fēng)條件下速度的差別，多普勒存在差異，雜波頻譜展寬程度不同，反映在雷達(dá)距離-多普勒平面上即為兩類(lèi)目標(biāo)占據(jù)多普勒單元的多少。如圖3所示：

圖3 距離多普勒平面

3.1 植被與建筑物頻譜特征

從實(shí)測(cè)回波數(shù)據(jù)中，選取兩類(lèi)樣本在有風(fēng)條件的典型頻譜。由于在有風(fēng)條件下，草木會(huì)隨風(fēng)擺動(dòng)，而且根據(jù)風(fēng)向的不同，風(fēng)速的不同，擺動(dòng)幅度不同，目標(biāo)頻譜也會(huì)產(chǎn)生差異。即植被頻譜相對(duì)于雜波譜中心并不總是對(duì)稱的，頻譜展寬起伏大且平穩(wěn)性差，如圖4所示。在有風(fēng)條件下，建筑物的穩(wěn)定性比較好，不會(huì)隨著風(fēng)速的變化而變化，因此目標(biāo)的頻譜呈箭狀，分布在0多普勒通道兩側(cè)，有固定的雜波譜寬度，頻譜相對(duì)于雜波譜中心對(duì)稱，幾乎沒(méi)有起伏變化，如圖5所示。

3.2 特征提取

由雷達(dá)參數(shù)可知，多普勒分辨單元為0.14m/s，此時(shí)風(fēng)速等級(jí)大致為1～7km/h，對(duì)經(jīng)過(guò)恒虛警檢測(cè)后頻譜所占的多普勒通道數(shù)的最大區(qū)間作出估計(jì)，即取0通道附近左右各10個(gè)作為雜波處理單元。

圖4 植被頻譜

圖5 建筑物頻譜

根據(jù)兩類(lèi)目標(biāo)頻譜特征的明顯差異，對(duì)植被和建筑物各500個(gè)樣本提取二階中心矩、波形熵、頻域歸一化方差3個(gè)特征，并畫(huà)出相應(yīng)的分布直方圖。從圖中可看出兩類(lèi)目標(biāo)有明顯的差異，植被的頻譜特征二階矩大、波形熵大、幅度方差??；建筑物的頻譜特征為二階矩小、波形熵小，能量集中，幅度方差大。因此所提特征能夠很好地區(qū)分植被和建筑物兩類(lèi)目標(biāo)。

目標(biāo)的多普勒譜X=[X(1),X(2),…,X(N)]，其中N為脈沖積累數(shù)。設(shè)X(n)出現(xiàn)的概率為P(n)。

(3)

3.2.1 二階中心矩

二階中心矩(后面簡(jiǎn)稱二階矩)是一種平移、旋轉(zhuǎn)和尺度不變特征，可用來(lái)反映兩類(lèi)目標(biāo)的形狀信息。二階矩計(jì)算公式表示為：

(4)

圖6 二階矩分布直方圖

3.2.2 波形熵

波形熵(后面簡(jiǎn)稱熵)是用來(lái)描述信源的平均不確定性。用頻域波形熵來(lái)表征頻域能量的散布程度，能量越集中，熵值越小。即熵值也用來(lái)作為識(shí)別兩類(lèi)目標(biāo)的特征之一。

(5)

圖7 波形熵分布直方圖

3.2.3 頻域幅度歸一化方差

植被和建筑物兩類(lèi)目標(biāo)頻譜的幅度差異較大，故可提取各自頻譜的方差作為識(shí)別的特征之一。由于存在幅度敏感性，將幅度取模值然后進(jìn)行歸一化處理。方差的一般定義為：

(6)

歸一化方差為：

(7)

圖8 幅度方差分布直方圖

4 決策融合

4.1 支持向量機(jī)

本文通過(guò)對(duì)某地區(qū)有風(fēng)條件下的地雜波譜提取的二階矩、波形熵、幅度方差3個(gè)特征，采用支持向量機(jī)[8]對(duì)植被和建筑物的分布情況進(jìn)行識(shí)別分類(lèi)，驗(yàn)證所提特征都是有效且穩(wěn)健的。

支持向量機(jī)(Support Vector Machine，SVM)是90年代初發(fā)展起來(lái)的一種監(jiān)督學(xué)習(xí)的模式識(shí)別技術(shù)，對(duì)每個(gè)類(lèi)別的已知樣本值進(jìn)行學(xué)習(xí)，進(jìn)而對(duì)未知的樣本進(jìn)行預(yù)測(cè)?；舅枷霝椋和ㄟ^(guò)非線性變換將輸入空間變換到一個(gè)高維空間，在這個(gè)空間里構(gòu)造出不同類(lèi)之間達(dá)到最大分類(lèi)間隔的最優(yōu)超平面即最大間隔分類(lèi)面，而這種非線性變換是通過(guò)定義適當(dāng)?shù)膬?nèi)積核函數(shù)實(shí)現(xiàn)的。在基于低分辨雷達(dá)回波數(shù)據(jù)信噪比低，訓(xùn)練樣本數(shù)較少的情況下，SVM能夠得到比其它算法較好的結(jié)果，是因?yàn)镾VM是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則而不是經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化，這樣就可以避免過(guò)學(xué)習(xí)的問(wèn)題，計(jì)算復(fù)雜度小，泛化能力要比其它算法好。

4.2 場(chǎng)景識(shí)別

選取典型植被頻譜的樣本500個(gè)，建筑物頻譜的樣本500個(gè)，分別提取二階矩、幅度方差、波形熵3類(lèi)特征，送入支持向量機(jī)，圖9給出了兩類(lèi)樣本三個(gè)特征的三維分布圖。隨機(jī)選取700個(gè)作為訓(xùn)練樣本，選取合適的參數(shù)，得到性能良好的分類(lèi)器模型。再將剩余300個(gè)樣本作為測(cè)試樣本，對(duì)識(shí)別結(jié)果做出預(yù)測(cè)，對(duì)分類(lèi)器性能進(jìn)行測(cè)試，利用SVM的總分類(lèi)率為99.5%，植被和建筑物的可分性非常好，支持向量的個(gè)數(shù)為73個(gè)，對(duì)存儲(chǔ)空間的需求比較小。對(duì)整個(gè)地區(qū)進(jìn)行識(shí)別分類(lèi)，首先由統(tǒng)計(jì)值可設(shè)定強(qiáng)度的閾值為65dB，對(duì)雜波強(qiáng)度高于閾值提取相應(yīng)的頻譜特征，送入訓(xùn)練好的分類(lèi)器模型中，可對(duì)不同時(shí)間段該地區(qū)的植被和建筑物的分布情況進(jìn)行預(yù)測(cè)分類(lèi)。

圖9 樣本分布

4.3 決策融合

對(duì)該地區(qū)的17次識(shí)別結(jié)果，進(jìn)一步采用上述集成學(xué)習(xí)-多數(shù)投票法進(jìn)行決策融合，即某個(gè)距離單元的的決策結(jié)果取決于17次分類(lèi)器輸出結(jié)果中的大多數(shù)。最終的場(chǎng)景分類(lèi)結(jié)果如圖10所示，扇形區(qū)域內(nèi)的深色表示建筑物，淺色扇形表示植被，扇形區(qū)域外的深色部分表示不進(jìn)行識(shí)別分類(lèi)。與該地區(qū)的Google高清衛(wèi)星地圖進(jìn)行對(duì)比，可較準(zhǔn)確的進(jìn)行場(chǎng)景分類(lèi)，如圖11所示。因此可驗(yàn)證所提方法的有效性。

5 結(jié)束語(yǔ)

本文通過(guò)提取二階矩、波形熵、幅度方差3個(gè)特征，在有風(fēng)條件下對(duì)某地區(qū)的植被和建筑物分布情況進(jìn)行分類(lèi)識(shí)別，通過(guò)對(duì)實(shí)測(cè)數(shù)據(jù)的分析，表明所提特征是有效的、穩(wěn)健的。需要指明的是，本方法的適用條件為有風(fēng)條件下，建筑物多是低矮的農(nóng)舍，低速目標(biāo)的出現(xiàn)以及裸土地也會(huì)對(duì)兩類(lèi)目標(biāo)的分類(lèi)有一定的影響，以后會(huì)考慮進(jìn)一步提取新的特征，細(xì)化分類(lèi)結(jié)果。

圖10 基于二階矩、熵、方差場(chǎng)景分類(lèi)結(jié)果 圖11 地區(qū)高清衛(wèi)星地圖