基于稳健性时频特征的地面目标分类方法技术

本发明专利技术公开了一种基于稳健性时频特征的地面目标分类方法，主要解决在低信噪比条件下现有技术对车辆目标和人体目标分类时间长的问题。其实现过程是：1、对录取的高信噪比信号能量进行归一化，获得训练信号；2、从训练信号的时频谱中，提取3维时频特征并训练分类器；3、对录取的低信噪比信号能量进行归一化，获得测试信号；4、从测试信号的时频谱中，提取3维时频特征；5、将测试信号的3维时频特征送入到训练好的分类器中，获得分类结果。本发明专利技术能在低信噪比且无需对窄带雷达回波预先进行去噪处理的条件下，快速有效地实现车辆目标和人体目标分类，可用于雷达目标识别。

【技术实现步骤摘要】

本专利技术属于雷达
，涉及目标分类方法，可用于对地面车辆目标和人体目标的识别。
技术介绍
在窄带雷达体制下，对实际目标分类时需要训练数据训练分类器，训练数据通常通过合作试验或仿真实验获得，信噪比较高，然而用于测试的数据在非合作环境条件下获得，无法保证有较高的信噪比。大多数现有雷达目标分类方法在信噪比较低的条件下无法保证有效地实现目标的分类。另外，由于人体目标和车辆目标通常担任不同的任务，因此，在低信噪比条件下有效地实现两类地面目标的分类具有重要意义。目前，对于地面目标分类识别，国内外文献提出了多种窄带雷达体制下基于微动调制特征的目标分类识别方法，例如杜兰等发表的《Noise-RobustClassificationofGroundMovingTargetsBasedonTime-FrequencyFeatureFromMicro-Dopplersignature》，根据两类地面运动目标对雷达回波微动调制的差异提取现有特征，实现了两类地面目标的分类。该文章中提出了一种复概率主成分分析CPPCA的去噪方法，在现有特征的基础上实现了两类地面目标的稳健性分类。这种方法虽然能在高信噪比条件下有效实现两类地面目标的分类，但在低信噪比条件下，为有效实现两类地面目标的分类，则需要预先利用CPPCA去噪方法对目标雷达回波先进行去噪处理，而CPPCA去噪方法由于涉及到矩阵求逆运算和特征值分解运算，因此，增大了两类地面目标分类时的计算量，影响分类速度。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于稳健性时频特征的地面目标分类方法，以在低信噪比且无需对窄带雷达回波预先进行去噪处理的条件下，快速有效地实现车辆目标和人体目标的分类。为实现上述专利技术目的，本专利技术的包括如下技术步骤：A.训练步骤：(A1)对低分辨雷达录取的高信噪比慢时间信号进行能量归一化，获得训练信号；(A2)对训练信号进行短时傅里叶变换，获得训练信号的时频谱Y(t,f)，其中，f为t时刻对应的瞬时频率；(A3)从训练信号的时频谱Y(t,f)中提取3维时频特征，该3维时频特征包括：训练信号时频谱中目标多普勒调制的宽度W，训练信号时频谱中目标多普勒调制宽度范围内的时频熵C，训练信号时频谱中每一时刻最大幅度对应的频率的方差V；(A4)利用3维时频特征对支撑向量机分类器的参数进行训练，得到训练好的支撑向量机分类器；B.测试步骤(B1)对低分辨雷达录取的低信噪比慢时间信号进行能量归一化，获得测试信号；(B2)对测试信号进行短时傅里叶变换，获得测试信号的时频谱P(t,f)，其中，f为t时刻对应的瞬时频率；(B3)从测试信号的时频谱P(t,f)中提取3维时频特征，该3维时频特征包括：测试信号时频谱中目标多普勒调制的宽度R，测试信号时频谱中目标多普勒调制宽度范围内的时频熵U，测试信号时频谱中每一时刻最大幅度对应的频率的方差D；(B4)把步骤(B3)获得的3维时频特征送入到训练好的支撑向量机分类器中，完成对低信噪比慢时间信号的分类。本专利技术与现有技术相比的优点1、本专利技术通过提取训练数据时频谱中3维时频特征，提高了对车辆目标和人体目标的可分性。由于车身对车轮的遮挡严重，而人体目标四肢的运动半径远大于躯干的运动半径，使得车辆目标训练信号时频谱中目标多普勒调制的宽度较窄，而人体目标训练信号时频谱中目标多普勒调制的宽度较宽，因此，人体目标训练信号时频谱中目标多普勒调制的宽度与车辆目标训练信号时频谱中目标多普勒调制的宽度有很大的差异性，特征差异性的大小反映了特征对目标可分性的好坏，所以本专利技术中提取的训练信号时频谱中目标多普勒调制的宽度对车辆目标和人体目标具有很好的可分性；由于车辆目标的结构简单而人体目标四肢的雷达截面积与躯干的雷达截面积近似，使得车辆目标训练信号时频谱中能量散布较小而人体目标训练信号时频谱中能量散布较大，根据熵的定义，可得人体目标训练信号时频谱中目标多普勒调制宽度范围内的时频熵与车辆目标训练信号时频谱中目标多普勒调制宽度范围内的时频熵有很大的差异性，因此，本专利技术中提取的训练信号时频谱中目标多普勒调制的宽度范围内的时频熵对车辆目标和人体目标具有很好的可分性；由于人体目标训练信号时频谱中每一时刻最大幅度对应的频率波动性远大于车辆目标训练信号时频谱中每一时刻最大幅度对应的频率波动性，根据方差的定义，可得人体目标训练信号时频谱中每一时刻最大幅度对应的频率的方差远与车辆目标训练信号时频谱中每一时刻最大幅度对应的频率的方差有很大的差异性，因此，本专利技术中提取的训练信号时频谱中每一时刻最大幅度对应的频率的方差对车辆目标和人体目标具有很好的可分性。2、本专利技术由于提取了测试数据时频谱中3维时频特征，对车辆目标和人体目标分类具有稳健性：本专利技术从测试信号时频谱中提取的3维时频特征利用到测试信号的信噪比,使得从测试信号时频谱中提取的3维时频特征随信噪比的减小变化较小，对车辆目标和人体目标分类具有稳健性。3、本专利技术由于未涉及到复杂的矩阵求逆运算和特征值分解运算，对车辆目标和人体目标分类时所耗费的时间很小，分类速度快。附图说明图1是本专利技术的实现流程图；图2是用本专利技术和现有两种方法对人体目标和车辆目标的分类正确率对比图；具体实施方式以下结合附图对本专利技术的实施例做进一步详细描述。参照图1，本专利技术的具体实现步骤如下：步骤1，获得训练信号。在合作环境实验条件下，利用低分辨雷达对人体目标和车辆目标的雷达回波进行采集，得到人体目标和车辆目标的高信噪比慢时间信号s，对高信噪比慢时间信号能量进行归一化，得到训练信号其中，＜·＞表示内积运算。步骤2，获得训练信号的时频谱。利用时频变换工具箱对训练信号进行短时傅里叶变换，获得训练信号的时频谱Y(t,f)，其中，t＝1,2,…,N，N为训练信号的长度，f＝1,2,…,M，M为短时傅里叶变换中傅里叶变换的长度；步骤3，从训练信号的时频谱Y(t,f)中提取3维时频特征。该3维时频特征包括：训练信号时频谱中目标多普勒调制的宽度W，训练信号时频谱中目标多普勒调制宽度范围内的时频熵C，训练信号时频谱中每一时刻最大幅度对应的频率的方差V。(3a)从训练信号的时频谱Y(t,f)中，求训练信号时频谱Y(t,f)的频率熵E(f)：E(f)=1NΣt=1N-Y(t,f)*log10(Y(t,f)),]]>其中，*表示乘法运算，(·)*log本文档来自技高网...

【技术保护点】
基于稳健性时频特征的地面目标分类方法，包括以下步骤：A.训练步骤：(A1)对低分辨雷达录取的高信噪比慢时间信号进行能量归一化，获得训练信号；(A2)对训练信号进行短时傅里叶变换，获得训练信号的时频谱Y(t,f)，其中，f为t时刻对应的瞬时频率；(A3)从训练信号的时频谱Y(t,f)中提取3维时频特征，该3维时频特征包括：训练信号时频谱中目标多普勒调制的宽度W，训练信号时频谱中目标多普勒调制宽度范围内的时频熵C，训练信号时频谱中每一时刻最大幅度对应的频率的方差V；(A4)利用从训练信号的时频谱Y(t,f)中提取的3维时频特征对支撑向量机分类器的参数进行训练，得到训练好的支撑向量机分类器；B.测试步骤(B1)对低分辨雷达录取的低信噪比慢时间信号进行能量归一化，获得测试信号；(B2)对测试信号进行短时傅里叶变换，获得测试信号的时频谱P(t,f)，其中，f为t时刻对应的瞬时频率；(B3)从测试信号的时频谱P(t,f)中提取3维时频特征，该3维时频特征包括：测试信号时频谱中目标多普勒调制的宽度R，测试信号时频谱中目标多普勒调制宽度范围内的时频熵U，测试信号时频谱中每一时刻最大幅度对应的频率的方差D；(B4)把步骤(B3)从测试信号的时频谱P(t,f)中提取3维时频特征送入到训练好的支撑向量机分类器中，完成对低信噪比慢时间信号的分类。...

【技术特征摘要】
1.基于稳健性时频特征的地面目标分类方法，包括以下步骤：
A.训练步骤：
(A1)对低分辨雷达录取的高信噪比慢时间信号进行能量归一化，获得训练信号；
(A2)对训练信号进行短时傅里叶变换，获得训练信号的时频谱Y(t,f)，其中，f
为t时刻对应的瞬时频率；
(A3)从训练信号的时频谱Y(t,f)中提取3维时频特征，该3维时频特征包括：训
练信号时频谱中目标多普勒调制的宽度W，训练信号时频谱中目标多普勒调制宽度范围
内的时频熵C，训练信号时频谱中每一时刻最大幅度对应的频率的方差V；
(A4)利用从训练信号的时频谱Y(t,f)中提取的3维时频特征对支撑向量机分类器
的参数进行训练，得到训练好的支撑向量机分类器；
B.测试步骤
(B1)对低分辨雷达录取的低信噪比慢时间信号进行能量归一化，获得测试信号；
(B2)对测试信号进行短时傅里叶变换，获得测试信号的时频谱P(t,f)，其中，f
为t时刻对应的瞬时频率；
(B3)从测试信号的时频谱P(t,f)中提取3维时频特征，该3维时频特征包括：测
试信号时频谱中目标多普勒调制的宽度R，测试信号时频谱中目标多普勒调制宽度范围
内的时频熵U，测试信号时频谱中每一时刻最大幅度对应的频率的方差D；
(B4)把步骤(B3)从测试信号的时频谱P(t,f)中提取3维时频特征送入到训练好
的支撑向量机分类器中，完成对低信噪比慢时间信号的分类。
2.根据权利要求1所述的基于稳健性时频特征的地面目标分类方法，其中所述...

【专利技术属性】
技术研发人员：杜兰，李林森，王宝帅，史蕙若，刘宏伟，
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