基于雷達寬窄帶多特征信息融合的空中目標識別

孫 俊，陳亞偉，李崇誼，謝蘇道

(1.中國電子科技集團公司智能感知技術重點實驗室， 南京210039)(2.南京電子技術研究所， 南京210039)

0 引言

利用雷達對目標的測量信息進行自動目標識別有多種途徑，根據雷達距離分辨率的高低，可以將雷達自動目標識別分為低距離分辨率目標識別和高距離分辨率目標識別，二者利用不同目標特征解決不同層次的目標識別問題。目標雷達窄帶信息所攜帶的目標特征有限，僅僅依靠目標的窄帶回波信息的目標識別技術很難滿足作戰的需求;而寬帶信號具有高的距離分辨率，能夠反映目標結構等細節信息，目標信息量較窄帶信息大得多，對目標識別非常有利。

隨著高分辨率雷達技術的成熟，目前國內學者對雷達目標識別的研究由八、九十年代以窄帶特征識別為主轉變為以寬帶特征目標識別研究為主，這期間以國防科技大學、西安電子科技大學等院校的理論科研成果居多。而窄帶信號提取的目標雷達橫截面(RCS)和運動特征，如:目標的高度、航跡、速度等，反映了目標的窄帶電磁散射特性和運動性能，對目標也是具有區分力的。高分辨一維距離像(High Resolution Range Profile，HRRP)刻畫目標結構細節，運動特征則反映目標作為“點”看待時的運動性能。二者具有較好的獨立性和互補性，將目標HRRP與運動特征相結合進行目標識別，對于提高系統識別性能是很有潛力的。另外，隨著現代雷達技術的不斷發展，當前許多雷達系統都可以提供目標所對應的寬窄帶回波信息，這也為寬窄帶的融合提供了很好的現實條件。

由于目標的寬帶和窄帶信息有很強的互補性，同時利用雷達的寬帶和窄帶信息對目標識別大有好處，主要體現在以下四個方面:(1)利用窄帶信息估計得到的目標姿態信息可以用于提高識別率、降低運算量;(2)目標類別數較多時，先利用窄帶信息對目標進行分類，再利用寬帶信息識別的策略有利于目標識別的實時處理和實際工程應用;(3)目標寬帶特征和RCS(RCS起伏特性)、速度、加速度、運動軌跡、微多普勒等窄帶特征有較強的互補性，綜合利用上述特征可以進一步提高系統識別的穩健性;(4)在復雜背景下，寬、窄帶多特征的利用可以增加目標識別系統識別信息的輸出量，信息融合后的決策準確性較高。

本文以HRRP進行目標識別作為基線系統，進一步融合目標的窄帶運動特征，基于DS證據理論的寬窄帶融合識別方法進行研究。在分析以HRRP的功率譜和目標速度、高度為識別特征的寬窄帶識別系統特點的基礎上，利用DS證據理論實現了基于寬窄帶識別結果的決策層融合目標識別，給出外場實測數據的測試結果與性能分析，證明了算法的有效性。

1 基于HRRP的寬帶目標識別

采用的寬帶識別系統以HRRP的頻譜幅度和目標姿態角為輸入，通過訓練得到不同目標在各個角域的高斯混合模型，將基于該模型獲得的輸入樣本的類別隸屬度作為寬帶識別系統的輸出，詳細流程如圖1所示。算法見文獻［1］。由所選擇的寬帶識別特征與識別方法決定該寬帶識別結果具有以下三個特點:

圖1 寬帶識別流程

1)識別性能較好。作為寬帶識別特征基礎的HRRP可以看作是目標等效散射點回波沿雷達視線方向的投影矢量和，它調制了目標的形狀和結構等細節信息，對不同目標具有較好的區分能力。由其計算得到的功率譜不僅保留了大量的調制信息，同時，又很好地克服了平移敏感性，保證了寬帶識別結果較好的準確性。

2)姿態角敏感。雖然寬帶識別率方法中運用了分角域處理，提高了單個目標在不同角域的識別性能，但是不同目標在各個角域的區分度是有很大差異的，反映在寬帶識別結果上則表現為識別性能對姿態角的敏感性。

3)與信噪比有很強的相關性。信噪比是反映一維距離像質量的一個重要指標，信噪比越高，可提取的目標的調制信息越明確，對應寬帶識別結果也就越好。

2 窄帶目標識別

窄帶特征中的目標運動特征可以有效反映目標的運動性能，對目標具有一定的區分力，可以用來進行目標的粗略識別，特別是對于彈道導彈與普通飛機目標的區分是十分有效的，依靠目標的運動軌跡和運動速度就可以有效地區分彈道導彈與飛機目標。雖然運動特征不能區分空中目標的具體型號，但區分直升機、螺旋槳飛機和戰斗機還是可行的。飛機的飛行高度也是飛行性能的重要指標，但通常不單獨考慮，而是將其與速度聯合，利用飛行包線來描述目標的飛行性能，飛行包線所包圍的區域越大，飛機的飛行性能也就越好。雖然基于一般訓練集很難得到目標精確的飛行包線，但是目標的高度-速度聯合分布情況是大致符合包線的分布范圍的，而且對于目標的慣常飛行狀態情況具有一定的描述能力。目標的機動性在一定程度上可以用加速度來表征，加速度的絕對值越大，說明目標運動狀態的改變越快。不同目標的機動性差異也可作為識別特征來提高識別的性能。

彈道導彈的運動軌跡一般為拋物線，運動速度一般超過2 000 m/s，因此，導彈的運動特征與普通飛機的運動特征差別非常明顯，因而對其進行區分的準確率非常高。而戰斗機、螺旋槳飛機和直升機三類飛機的運動特征(速度、高度、加速度)也有很大的差異性，因此，我們采用如圖2所示的目標速度、高度、加速度聯合組成特征向量［V h a］T來區分戰斗機、螺旋槳飛機和直升機。

圖2 窄帶目標識別算法流程框圖

3 基于多特征DS證據理論的寬窄帶融合目標識別

基于DS證據理論進行寬窄帶的融合目標識別主要包括三個方面的內容:證據基本概率的獲得、基于Dempster組合規則的證據合成以及融合結果的決策。

1)證據基本概率的獲得

在DS證據理論中，為了對證據的不確定性進行更好地描述，引入了基本概率賦值函數?；靖怕寿x值反映證據對命題的直接支持和信任程度，其可靠性與合理性對于證據融合的效果具有重要影響［2］。目標識別后得到的類別隸屬度表示識別樣本與各目標類別的相似程度，根據對應的實際意義，這里以寬窄帶識別后的類別隸屬度為基礎進行證據的基本概率賦值［3］。

U是一個由十種飛機構成的識別框架，U={P1，P2，…，P10}，其中，P1～P5為戰斗機，P6為轟炸機，P7～P9為運輸機，P10為民航。寬帶方面，通過提取HRRP的頻譜幅度和目標姿態角進行識別所獲得的目標類別隸屬度表示為 DW={Dw(P1)，Dw(P2)，…，Dw(P10)}。窄帶基于目標的運動特征進行識別，獲得窄帶的目標隸屬度表示為 DN={Dn(P1)，Dn(P2)，…，Dn(P10)}。寬帶、窄帶的基本概率賦值函數表示為mW(P)、mN(P)，以窄帶為例，其基本概率賦值mN(P)由式(1)獲得

同樣的方法可以確定寬帶的基本概率賦值mW(P)。在式(1)的基本概率賦值方法中，不確定性元素所對應的基本概率賦值主要由兩個因素決定:一是依據先驗知識得到的對所用識別方法的置信度。在基本概率賦值中，反映為μ的大小，置信度越高，不確定性越小，對應的μ值也就越小。具體賦值需依據證據的可信程度情況恰當選擇，本文中寬帶證據可信度較高，窄帶證據模糊性較大。因此，應以寬帶為主、窄帶為輔進行融合，設置寬帶時μ=0.05，窄帶時μ=0.1。二是單次識別所獲得的類別隸屬度的模糊熵。模糊熵是模糊理論中用來表示模糊集合模糊度的測度［4］，在這里用來表示單次識別類別隸屬度的模糊程度，當各類別隸屬度均等時，模糊熵為1;當判分結果完全明確時，模糊熵為0。由此獲得的不確定性賦值不僅考慮了證據的先驗信息，還具有一定的自適應性，可以根據單次識別結果的模糊度自動調整不確定性的大小。

2)基于Dempster組合規則的證據合成

Dempster組合規則是DS證據理論中的經典組合方法［5］，通過證據基本概率賦值的正交和與合理組合集的歸一化來使信任度向不確定性小的元素集中，降低判決的不確定程度。基于Dempster組合規則得到的合成證據的基本概率賦值mF(C)可表示為

綜合多特征的融合目標識別算法如圖3所示:(1)將基于HRRP識別算法與目標長度的限度模型進行融合，輸出融合后的評分;(2)使用基于DS證據理論的融合算法與目標的運動特征模型評分進行融合;(3)不同時刻的特征投票融合;(4)輸出最終識別結果。

圖3 綜合識別的框圖

4 實驗結果與討論

4.1 實驗數據描述

采用空中目標的外場實測數據，10類觀測目標，各類目標訓練數據的姿態角覆蓋全面，目標距離分布從近到遠分布不等，近距離目標一維像質量相對較好，遠距離目標一維像信噪比較低。

4.2 基于DS證據理論的融合方法有效性實驗

表1給出了目標在融合識別前后系統識別性能的對比情況，從表中可以看出:利用DS證據進行融合后的系統識別性能顯著改善，各類目標的識別率均得到了較大提高，充分證明了基于DS證據的寬窄帶融合識別方法的有效性。另外，基于窄帶運動特征的識別可靠性較低，且對于不同目標識別率有較大差異，識別的魯棒性較差，而基于寬帶HRRP的識別結果識別率較高，對于不同目標的識別情況相對比較穩定，這與特征區分力的分析情況一致?？紤]寬窄帶識別性能的特點，本文中融合識別的性能改善情況利用寬帶HRRP的識別結果來衡量。

表1 基于DS證據理論的融合結果對比 %

1)不同信噪比條件下的融合改善情況

為了獲得融合方法在不同信噪比條件下的改善情況，對不同信噪比區間的回波識別情況進行統計，如圖4所示。可以看到，不同信噪比區間下，相對于寬帶識別的融合改善結果具有較好的穩定性。同時，在信噪比低于20 dB時，可以明顯看到寬帶識別結果隨信噪比的提高大幅提升，而窄帶識別結果僅發生了小幅波動，這在一定程度上驗證了前文關于寬窄帶識別系統的信噪比敏感性的分析。

2)不同運動特征的融合結果

為了對比速度、高度和加速度在融合中所起的作用，表2給出了利用單個運動特征與HRRP進行融合的結果。可以看到，在所采用的運動特征中，速度、高度與HRRP融合的改善較大，加速度與HRRP融合的改善情況相對較小，這是由不同目標運動特征的分布差異情況決定的。

表2 不同運動特征與HRRP的融合結果對比 %

圖4 DS證據融合在不同信噪比區間的改善結果

3)目標長度與頻譜幅度融合的有效性

表3給出了頻譜幅度與目標長度融合前后的識別結果，可以看出融合目標長度信息后識別系統的結果得到了較好的改善，對融合的有效性進行了驗證［8］。另外，通過改善情況可以看到，融合目標長度對大目標的改善更加明顯，分析其原因主要有兩個:(1)大目標的尺寸差異更明顯，可以提供的區分信息更多，小目標長度分布區域重疊情況相對嚴重;(2)大目標的顯著一般較好，長度的提取準確性比小目標更好。

表3 頻譜幅度與目標長度融合前后的識別結果 %

圖5為基本寬帶HRRP識別系統、融合長度特征系統、融合長度和運動特征系統、融合多特征加投票策略系統的識別效果對比圖。從中可以看出，融合識別的方法對于識別系統的穩健性是有明顯幫助的。最終融合了HRRP特征、長度特征、運動特征和投票策略的系統較僅僅利用HRRP寬帶目標識別系統識別率提高了近5個百分點，取得了較好的效果。

圖5 引入多融合后平均識別率的改善情況

5 結束語

為了有效利用目標的寬窄帶識別信息提高系統的目標識別性能，本文結合DS證據實現了寬窄信息相結合的目標融合識別。將基本概率復制的獲得與寬窄帶識別系統的特點相結合，利用證據組合，實現了寬窄帶信息的融合，得到樣本的融合識別結果?；趯崪y數據獲得的實驗結果表明:該方法可以有效提高系統的識別性能，增強系統識別方法的推廣能力，而且在不同信噪比條件下具有很好的穩定性。在下一步的研究中，將對寬窄帶的識別特征進行豐富，引入目標的加速度、回波幅度等特征，提高寬窄帶識別結果的信息量，以便對基于寬窄帶的融合識別進行更好的研究。

［1］ 孫 俊，戴蓓荷，劉 洋.基于聚類中心GDA的一維距離像目標識別方法［J］.現代雷達，2009，31(6):47-50，59.Sun Jun，Dai Beihe，Liu Yang.HRRP target recognition method based on cluster centers for GDA［J］.Modern Radar，2009，31(6):47-50，59.

［2］ 韓崇昭，朱洪艷，段戰勝，等.多源信息融合［M］.北京:清華大學出版社，2006.Han Chongzhao，Zhu Hongyan，Duan Zhansheng，et al.Multi-source information fusion［M］.Beijing:Tsinghua University Press，2006.

［3］ 付耀文.雷達目標融合識別研究［D］.長沙:國防科技大學，2003.Fu Yaowen.Research on radar target fusion recognition［D］.Changsha:National University of Defense Technology，2003.

［4］ Liang Z Z，Shi P F.An eficient and effective method to solve kernel Fisher discriminant analysis［J］.Neurocomputing，2004，61(1):485-493.

［5］ Liu Q S，Lu H Q，Ma S D.Improving kernel Fisher discriminant analysis for face recognition［J］.IEEE Transactions on Circuits and Systems for Video Technology，2004，14(1):42-49.

［6］ Baudat G，Anouar F.Kernel-based methods and function approximation［C］//Proceedings of the International Joint Conference on Neural Networks.Washington，DC:IEEE Press，2001:1244-1249.

［7］ 程云鵬.矩陣論［M］.2版.西安:西北工業大學出版社，2004.Cheng Yunpeng.Matrix theory［M］.2nd edition.Xi'an:Northwestern Ploytechnical University Press，2004.

［8］ 鄧 泳，王彩云.高分辨雷達信號參數對目標識別的影響［J］.現代雷達，2008，30(8):40-45.Deng Yong，Wang Caiyun.Impact of high resolution radar waveform parameters on target classification［J］.Modern Radar，2008，30(8):40-45.