一种行人与车辆微动目标的分类识别方法技术

本发明专利技术属于微动目标分类识别技术领域，公开了一种行人与车辆微动目标的分类识别方法。该行人与车辆微动目标的分类识别方法包括以下步骤：首先对行人和车辆回波信号采用CLEAN算法进行杂波抑制；其次，对杂波抑制后的回波信号进行时频分析，并选择适当的谱图能量阈值作加窗预处理，剔除冗余信息，增强图像特征；最后提取谱图的纹理特征作为有效的特征量，并结合支持向量机分类方法对行人和车辆实测数据获得的谱图提取的特征量，实现行人与车辆目标的精确分类。

【技术实现步骤摘要】
一种行人与车辆微动目标的分类识别方法
本专利技术属于微动目标分类识别
，特别涉及一种行人与车辆微动目标的分类识别方法。
技术介绍
雷达目标在运动过程中，不仅存在质心的运动，还包含相对于目标自身的旋转、摆动、震荡等微运动，如行人和车辆不仅存在其质心运动，而且行人的手臂摆动、腿部运动以及车辆的轮式车轮、履带式车轮和履带转动分别相对于人和车辆的质心将会产生微运动。目标微运动的存在，使得雷达回波信号在多普勒调制的基础上还受到微动调制，根据目标的微动信息，并提取特征，从而实现行人和车辆的分类识别。对于地面监视雷达来说，监视的重点目标为行人和车辆目标，该类雷达在广场监视、机场场面监视和战场监视与态势感知方面具有重要的应用价值。利用行人和车辆的微动效应提取的微动特征，进行地面微动目标的识别，地面监视雷达目标识别的重要发展方向。NanzerJAandRogersRL等在文献“BayesianclassificationofhumansandvehiclesusingMicro-Dopplersignalsfromascanning-beamradar”（IEEEMicrowaveandWirelessComponentsLetters,第19卷第5期，2009）分析了基于短驻留时间的扫描波束雷达利用行人与车辆时频分布谱图，提取强散射个数这一特征，并设计贝叶斯分类器，进行分类识别，虽然在一定条件下获得了较好的分类结果。但是由于驻留时间比较短，而且没有对谱图的微动目标特征进行精细的预处理，因此，通常情况下目标的多普勒分辨力及其微动信息的提取精度是有限的。
技术实现思路
本专利技术的目的在于提出一种行人与车辆微动目标的分类识别方法。本专利技术克服了现有技术中只利用多普勒一维信息，无法充分描述微动目标信号的非平稳特性和基于短驻留时间的扫描波束雷达的时频谱图中分辨率低的不足，通过利用连续波雷达对行人和车辆目标的回波作短时傅里叶变换，获得时频谱图，并进行预处理，提取有效的纹理特征，采用支持向量机分类器实现对行人和车辆目标的分类识别。为实现上述技术目的，本专利技术采用如下技术方案予以实现。一种行人与车辆微动目标的分类识别方法包括以下步骤：S1：利用雷达分别接收行人回波数据与车辆回波数据，得到行人回波样本集和车辆回波样本集；S2：在行人回波样本集选择一个行人回波样本，对选择的行人回波样本进行杂波抑制，得到杂波抑制后行人回波数据；在车辆回波样本集选择一个车辆回波样本，对选择的车辆回波样本进行杂波抑制，得到杂波抑制后车辆回波数据；S3：对杂波抑制后行人回波数据进行短时傅里叶变换，得到行人二维谱图；对行人二维谱图进行预处理，得到预处理后行人二维谱图；对杂波抑制后车辆回波数据进行短时傅里叶变换，得到车辆二维谱图；对车辆二维谱图进行预处理，得到预处理后车辆二维谱图；S4：分别提取预处理后行人二维谱图和预处理后车辆二维谱图的纹理特征；S5：重复步骤S2至步骤S4，直至遍历所述行人回波样本集中所有行人回波样本以及所述车辆回波样本集中所有车辆回波样本，得到行人二维谱图纹理特征样本集与车辆二维谱图纹理特征样本集；S6：根据行人二维谱图纹理特征样本集与车辆二维谱图纹理特征样本集，并通过支持向量机进行训练、测试，得出对应的分类识别结果。本专利技术的有益效果为：第一，本专利技术采用短时傅里叶变换的时频域联合分析方法对目标回波非平稳信号进行描述，克服了现有技术中只利用多普勒一维信号在低信噪比情况下正确识别率低的不足，使得本专利技术具有了全面性，稳定性的优点。第二，本专利技术对获得的二维谱图进行了加窗处理，剔除了冗余信息，克服了现有技术中利用整幅图像导致提取特征不明显，运算量大的不足，使得本专利技术具有了特征明显，减小运算量的优点。第三，本专利技术对预处理后的二维谱图提取谱图熵、统计直方图三阶矩和方向性的纹理特征，充分利用图像的空间信息，使得本专利技术提取的纹理特征具有更高的精确性和符合生物视觉的辨识规律的优点。附图说明图1为本专利技术的一种行人与车辆微动目标的分类识别方法的流程示意图；图2a为实测数据的行人二维谱图；图2b为实测数据的车辆二维谱图；图2c为实测数据的行人二维谱图经过预处理后的谱图；图2d为实测数据的分类结果示意图。具体实施方式下面结合附图对本专利技术作进一步说明：参照图1，为本专利技术的一种行人与车辆微动目标的分类识别方法的流程示意图。该行人与车辆微动目标的分类识别方法包括以下步骤：S1：利用雷达分别接收行人回波数据与车辆回波数据，得到目标回波样本集，上述目标回波样本集包括行人回波样本集和车辆回波样本集。具体地说，利用雷达向行人和车辆分别发射窄带线性调频连续波信号，采用Dechirp接收体制分别接收行人回波数据与车辆回波数据。S2：在行人回波样本集选择一个行人回波样本，对选择的行人回波样本进行杂波抑制，得到杂波抑制后行人回波数据；在车辆回波样本集选择一个车辆回波样本，对选择的车辆回波样本进行杂波抑制，得到杂波抑制后车辆回波数据。具体说明如下：在行人回波样本集选择一个行人回波样本，对选择的行人回波样本进行距离向脉冲压缩处理，得到脉压处理后行人回波数据，然后利用动目标显示（MovingTargetIndication，MTI）方法对脉压处理后行人回波数据进行滤波处理，得到滤波处理后行人回波数据。在车辆回波样本集选择一个车辆回波样本，对选择的车辆回波样本进行距离向脉冲压缩处理，得到脉压处理后车辆回波数据，然后利用动目标显示方法对脉压处理后车辆回波数据进行滤波处理，得到滤波处理后车辆回波数据。在滤波处理后行人回波数据中，对能量最大的距离单元的数据作方位向傅里叶变换，得出行人方位频域数据；在滤波处理后车辆回波数据中，对能量最大的距离单元的数据作方位向傅里叶变换，得出车辆方位频域数据。对上述行人方位频域数据采用CLEAN算法去杂波，再对去杂波后的行人方位频域数据进行逆傅里叶变换，得到杂波抑制后行人回波数据；对上述车辆方位频域数据采用CLEAN算法去杂波，再对去杂波后的车辆方位频域数据进行逆傅里叶变换，得到杂波抑制后车辆回波数据。S3：对杂波抑制后行人回波数据进行短时傅里叶变换，得到行人二维谱图；对行人二维谱图进行预处理，得到预处理后行人二维谱图；对杂波抑制后车辆回波数据进行短时傅里叶变换，得到车辆二维谱图；对车辆二维谱图进行预处理，得到预处理后车辆二维谱图。具体说明如下：对杂波抑制后行人回波数据进行短时傅里叶变换，得到行人二维谱图；对杂波抑制后车辆回波数据进行短时傅里叶变换，得到车辆二维谱图。根据以下公式，对行人二维谱图在时间维进行能量累加，得出行人二维谱图的频率维能量分布Ex(nx)：其中，Sx(mx,nx)表示行人二维谱图的能量分布，mx为行人二维谱图对应的时间维的采样点数，nx为行人二维谱图对应的频率维的采样点数。根据以下公式，对车辆二维谱图在时间维进行能量累加，得出车辆二维谱图的频率维能量分布Ec(nc)：其中，Sc(mc,nc)表示车辆二维谱图的能量分布，mc为车辆二维谱图对应的时间维的采样点数，nc为车辆二维谱图对应的频率维的采样点数。以行人二维谱图的频率维能量分布Ex(nx)的峰值位置Fx为对称轴，分别向两侧对称选择频率单元并进行能量累加，直到能量和超过行人二维谱图的频率维总能量本文档来自技高网...

【技术保护点】
一种行人与车辆微动目标的分类识别方法，其特征在于，包括以下步骤： S1：利用雷达分别接收行人回波数据与车辆回波数据，得到行人回波样本集和车辆回波样本集； S2：在行人回波样本集选择一个行人回波样本，对选择的行人回波样本进行杂波抑制，得到杂波抑制后行人回波数据；在车辆回波样本集选择一个车辆回波样本，对选择的车辆回波样本进行杂波抑制，得到杂波抑制后车辆回波数据； S3：对杂波抑制后行人回波数据进行短时傅里叶变换，得到行人二维谱图；对行人二维谱图进行预处理，得到预处理后行人二维谱图；对杂波抑制后车辆回波数据进行短时傅里叶变换，得到车辆二维谱图；对车辆二维谱图进行预处理，得到预处理后车辆二维谱图； S4：分别提取预处理后行人二维谱图和预处理后车辆二维谱图的纹理特征； S5：重复步骤S2至步骤S4，直至遍历所述行人回波样本集中所有行人回波样本以及所述车辆回波样本集中所有车辆回波样本，得到行人二维谱图纹理特征样本集与车辆二维谱图纹理特征样本集； S6：根据行人二维谱图纹理特征样本集与车辆二维谱图纹理特征样本集，并通过支持向量机进行训练、测试，得出对应的分类识别结果。

【技术特征摘要】
1.一种行人与车辆微动目标的分类识别方法，其特征在于，包括以下步骤：S1：利用雷达分别接收行人回波数据与车辆回波数据，得到行人回波样本集和车辆回波样本集；S2：在行人回波样本集选择一个行人回波样本，对选择的行人回波样本进行杂波抑制，得到杂波抑制后行人回波数据；在车辆回波样本集选择一个车辆回波样本，对选择的车辆回波样本进行杂波抑制，得到杂波抑制后车辆回波数据；S3：对杂波抑制后行人回波数据进行短时傅里叶变换，得到行人二维谱图；对行人二维谱图进行预处理，得到预处理后行人二维谱图；对杂波抑制后车辆回波数据进行短时傅里叶变换，得到车辆二维谱图；对车辆二维谱图进行预处理，得到预处理后车辆二维谱图；所述步骤S3具体包括以下步骤：S31：对杂波抑制后行人回波数据进行短时傅里叶变换，得到行人二维谱图；对杂波抑制后车辆回波数据进行短时傅里叶变换，得到车辆二维谱图；S32：根据以下公式，对行人二维谱图在时间维进行能量累加，得出行人二维谱图的频率维能量分布Ex(nx)：其中，Sx(mx，nx)表示行人二维谱图的能量分布，mx为行人二维谱图对应的时间维的采样点数，nx为行人二维谱图对应的频率维的采样点数；根据以下公式，对车辆二维谱图在时间维进行能量累加，得出车辆二维谱图的频率维能量分布Ec(nc)：其中，Sc(mc，nc)表示车辆二维谱图的能量分布，mc为车辆二维谱图对应的时间维的采样点数，nc为车辆二维谱图对应的频率维的采样点数；m为行人二维谱图和车辆二维谱图的时间维坐标；S33：以行人二维谱图的频率维能量分布Ex(nx)的峰值位置Fx为对称轴，分别向两侧对称选择频率单元并进行能量累加，直到能量和超过行人二维谱图的频率维总能量的60％，此时在所有选择的频率单元中，记录最小频率和最大频率，以记录的最小频率和最大频率为基础，构造与行人二维谱图对应的矩形窗函数；根据所述与行人二维谱图对应的矩形窗函数，对行人二维谱图进行加窗处理，得到预处理后行人二维谱图；以车辆二维谱图的频率维能量分布Ec(nc)的峰值位置Fc为对称轴，分别向两侧对称选择频率单元并进行能量累加，直到能量和超过车辆二维谱图的频率维总能量的60％，此时在所有选择的频率单元中，记录最小频率和最大频率，以记录的最小频率和最大频率为基础，构造与车辆二维谱图对应的矩形窗函数；根据所述与车辆二维谱图对应的矩形窗函数，对车辆二维谱图进行加窗处理，得到预处理后车辆二维谱图；S4：分别提取预处理后行人二维谱图和预处理后车辆二维谱图的纹理特征；S5：重复步骤S2至步骤S4，直至遍历所述行人回波样本集中所有行人回波样本以及所述车辆回波样本集中所有车辆回波样本，得到行人二维谱图纹理特征样本集与车辆二维谱图纹理特征样本集；S6：根据行人二维谱图纹理特征样本集与车辆二维谱图纹理特征样本集，并通过支持向量机进行训练、测试，得出对应的分类识别结果。2.如权利要求1所述的一种行人与车辆微动目标的分类识别方法，其特征在于，在步骤S1中，利用雷达向行人和车辆分别发射窄带线性调频连续波信号，采用Dechirp接收体制分别接收行人回波数据与车辆回波数据。3.如权利要求1所述的一种行人与车辆微动目标的分类识别方法，其特征在于，所述步骤S2具体包括以下步骤：S21：在行人回波样本集选择一个行人回波样本，对选择的行人回波样本进行距离向脉冲压缩处理，得到脉压处理后行人回波数据，然后利用动目标显示方法对脉压处理后行人回波数据进行滤波处理，得到滤波处理后行人回波数据；在车辆回波样本集选择一个车辆回波样本，对选择的车辆回波样本进行距离向脉冲压缩处理，得到脉压处理后车辆回波数据，然后利用动目标显示方法对脉压处理后车辆回波数据进行滤波处理，得到滤波处理后车辆回波数据；S22：在滤波处理后行人回波数据中，对能量最大的距离单元的数据作方位向傅里叶变换，得出行人方位频域数据；在滤波处理后车辆回波数据中，对能量最大的距离单元的数据作方位向傅里叶变换，得出车辆方位频域数据；S23：对所述行人方位频域数据采用CLEAN算法去杂波，再对去杂波后的行人方位频域数据进行逆傅里叶变换，得到杂波抑制后行人回波数据；对所述车辆方位频域数据采用CLEAN算法去杂波，再对去杂波后的车辆方位频域数据进行逆傅里叶变换，得到杂波抑制后车辆回波数据。4.如权利要求1所述的一种行人与车辆微动目标的分类识别方法，其特征在于，在步骤S4中，提取预处理后行人二维谱图的纹理特征具体包括以下步骤：S411：将所述预处理后行人二维谱图在时间维进行能量累加，得到预处理后行人二维谱图的频率维能量分布，对所述预处理后行人二维谱图的频率维能量分布进行归一化，...

【专利技术属性】
技术研发人员：周峰，石晓然，王海兵，刘桂平，张子敬，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61