基于HRRP 的地面目標多判決融合識別

范穎銳，宋志勇，付 強

(國防科學技術大學電子科學與工程學院ATR 重點實驗室，長沙 410073)

高分辨一維距離像提供了目標的散射點模型沿雷達視線方向的投影情況，表征了目標復雜的幾何結構，屬于目標重要的結構特征，同時因其易獲取，實時性強，而成為了雷達自動目標識別領域的研究熱點［1-3］。于是大量學者通過深入研究提出了各種基于HRRP 的特征提取方法和識別算法，對空中和海面目標進行了大量探索和驗證分析［3-5］。然而地面目標與空海目標不同，地面目標的尺寸小，結構更加多樣和復雜，一架F16 戰斗機長15.09 m［6］，一艘登陸艦長上百米，而一輛五十鈴單排座卡車長度只有6.7 m，與此同時，地面目標的背景更加復雜多變，具有不可預測性。地面目標距離更近，地表的遮蔽物更多，都給雷達的自動目標識別帶來了新的困難。鑒于傳統的識別方法對于地面目標是否具有同樣可靠的識別能力。針對不同的算法的判決結果，能否進一步提升地面目標的識別率。國防科學技術大學ATR 重點實驗室通過外場錄取實驗，獲取了多個地面目標在不同方位俯仰下的高分辨一維距離像，建立了地面目標高分辨一維距離像的靜態數據模板庫。

在此利用建立的靜態數據模板庫，分析了地面目標HRRP的平移敏感性、幅度敏感性和方位敏感性，同時研究了3 種經典算法: 幅度譜特征提取算法、直接距離像模板匹配法和自適應高斯分類器法對地面目標的識別率，針對不同算法的判決結果進行了決策層的融合識別，有效改善了地面目標的識別性能。

1 地面目標HRRP 的特性

1.1 一維距離像散射模型

當采用毫米波寬帶雷達照射地面目標時，其距離向的分辨率將遠小于目標的徑向尺寸，從而使得目標跨越多個距離分辨單元，成為一個擴展的目標群，這個目標群可以表示為多個獨立散射點構成的集合，而獲取的雷達回波可以視為由這些空間位置不同的散射點反射的雷達波的疊加。不同的位置和材料決定了不同的散射系數，從而構成了一幅高低起伏的一維距離像。因此，一維距離像能很好的反映目標復雜的幾何形狀和結構特征。

在目標不發生散射點越距離單元走動的情況下，一維距離像各個距離單元的散射點是固定的，除了在距離單元內部發生的相對走動，可以認為目標此刻的散射點模型是穩定的。如圖1 所示，目標的結構和姿態信息可以由一維距離像來表征。

圖1 地面目標的散射點模型和一維距離像

1.2 地面目標一維距離像的平移敏感性

距離像是從回波數據中截取的包含目標在內的一段向量表示，由于目標與雷達的相對運動，目標出現在截取窗中的位置是隨機的，從而使得獲取的距離像數據在橫向發生偏移。常用的解決方法有兩種: 對距離像進行平移配準(如圖2(b)所示)或者提取距離像的平移不變特征(如圖2(c)所示)。圖2(a)越野車(方位角180°，俯仰角30°)的兩幅距離像，圖2(b)對圖2(a)中的距離像采用最大滑動相關對齊，圖2(c)提取圖2(a)中兩幅距離像的幅度譜。

1.3 地面目標一維距離像的幅度敏感性

距離像的幅度受天線增益、目標距離、系統損耗等多種因素影響，雖然在同種錄取條件下的距離像幅度能夠反映不同目標的尺度特征，但是考慮多數情況下錄取條件完全不同，從而使得獲取的幅度信息不具有可比性。通常的做法是對距離像進行歸一化處理，完全摒棄距離像的幅度信息，只保留距離像的相對大小。定義幅度歸一化為式x/max(abs(x))，能量歸一化為式x/norm(x，2)，能量歸一化又叫2 范數歸一化［7］。

圖2 HRRP 的平移敏感性

1.4 地面目標一維距離像的方位敏感性

根據1.1 節提到的散射點模型，當目標姿態角發生較大變化時，會使得不同距離單元的散射點數目發生變化，從而使得相鄰角域獲取的距離像產生較大差異。為了應對方位敏感性的問題，就需要建立足夠完備的模板庫。當目標姿態角變化較小時，即滿足條件Δθ ＜(Δr)/L(Δθ 為方位角變化，Δr 為距離分辨率，L 為目標的橫向尺寸)時，散射點不發生越距離單元走動，散射點模型基本穩定，但是相同角域內獲取的距離像仍會因為散射點子回波間的相位差產生一定差異。給目標識別帶來了困難，而提取相同角域內不同距離像的平均像，有助于緩解HRRP 的方位敏感性。平均像消除了各距離單元回波中的交叉項，基本反映了各距離單元的自身項，能夠表征一幀距離像。如圖3 所示，相較于直接采用幀內的某幅距離像作為模板，采用幀平均距離像能獲得更高的匹配值。

圖3 幀內某幅距離像和幀平均距離像分別與幀內10 幅距離像的匹配曲線

正是由于HRRP 具有平移敏感性、幅度敏感性和方位敏感性，解決這些問題成了實現雷達對地目標識別的基礎。

2 HRRP 目標識別的經典算法

2.1 幅度譜特征提取算法

幅度譜特征提取算法實際上就是快速傅里葉變換(FFT)，屬線性分類器，采用最小歐氏距離作為相似性測度。

FFT 的步驟:

步驟1:對K 類地面目標不同方位俯仰下的幀內距離像Tk(α，β，i)，(k =1: K，k 為目標種類，α 為方位角，β 為俯仰角，i=1:N，N 為幀內距離像個數)，用FFT 求其幅度譜，然后進行能量歸一化，求取N 個幅度譜的均值幅度譜作為幀模板，建立地面目標全方位俯仰下的幅度譜模板庫。

步驟2:固定俯仰角β0，從任意方位角α 隨機選取一幅HRRP，用FFT 求其幅度譜，然后進行能量歸一化，作為測試樣本x。

步驟3:采用步驟2 中獲取的測試樣本x，分別與步驟1模板庫中相同俯仰角以及相近俯仰角下的K 類目標全方位幀模板由對地目標被動測角精度以及角度跟蹤預測的結果決定，本文設置為1 度)計算歐氏距離最小的距離值對應的k 即為測試目標的種類，α、β 即為測試目標對應的方位、俯仰角。

2.2 直接距離像模板匹配

直接距離像模板匹配又稱為最大相關系數匹配法(Maximum Correlation Coefficient Tempalte Matched Method，MCCTMM)，屬線性分類器，采用最大滑動相關系數作為相似性測度。

MCC-TMM 的步驟:

步驟1:對K 類地面目標不同方位俯仰下的幀內距離像Tk(α，β，i)，進行能量歸一化，采用循環移位的方式進行匹配對齊，求取對齊后的N 個距離像的平均像作為幀模板。

步驟2:固定俯仰角β0，從任意方位角α 隨機選取一幅HRRP 進行能量歸一化，作為測試距離像x。

步驟3:采用步驟2 中獲取的測試距離像x，分別與步驟1 模板庫中相同俯仰角以及相近俯仰角下的K 類目標全方位幀模板計算最大滑動相關系數ρk(α，β)= max(xcorr最大的相關系數對應的k 即為測試目標的種類，α、β 即為測試目標對應的方位、俯仰角。

2.3 自適應高斯分類器

自適應高斯分類器［1］(Adaptive Gaussian Classifier，AGC)是一種假設目標的HRRP 回波在給定角域內服從距離單元間相互獨立的高斯分布模型的二次分類器，是非線性分類器，采用后驗概率作為測試距離像與幀模板的相似性測度。

AGC 的步驟:

步驟1:對K 類地面目標不同方位俯仰下的幀內距離像Tk(α，β，i)，進行冪變換和能量歸一化，采用循環移位的方式進行匹配對齊，求取對齊后的N 個距離像的平均像和方差像作為幀模板。

步驟2:固定俯仰角β0，從任意方位角α 隨機選取一幅HRRP 進行冪變換和能量歸一化，作為測試距離像x。

步驟3:采用步驟2 中獲取的測試距離像x，分別與步驟1 模板庫中相同俯仰角以及相近俯仰角下的K 類目標全方位幀模板，采用循環移位的方式進行匹配對齊，并計算距離式(1)

最小距離對應的k 即為測試目標的種類，α、β 即為測試目標對應的方位、俯仰角。需要注意的是，自適應高斯分類器需要設置合適的冪變換指數，通常的做法是取(0，1)之間的小數，但是研究發現，隨機選取的指數對識別性能并沒有實質影響，亦不能改善自適應高斯分類器對噪聲敏感的特性，本文的冪指數采用0.25。

3 多判決融合識別

從信息的抽象層次來看，目標的融合識別可分為以下3類:數據層的融合識別，特征層的融合識別，決策層的融合識別［7］。數據層的融合識別方法，多用在圖像處理方面，采用多幅低分辨率的圖像合成一幅高分辨率的圖像，基于HRRP的有距離像的重構和拼接。特征層的融合識別方法，是提取HRRP 的不同特征形成一個更高維的特征矢量，進行識別。本文考慮第3 種方法，決策層的融合識別方法，是針對不同方法的判決結果進行的融合識別，具有很高的靈活性。

如表1 所示，給出了第二節中討論的3 種方法針對地面目標在不同的方位俯仰角下的識別率，由于FFT 的方法只提取了距離像的幅度譜信息，而丟棄了相位信息，識別率低于直接采用全部距離像的MCC_TMM。而AGC 的方法不僅考慮了距離像的平均像，而且引入了平均像的二階統計量——方差像，從信息論的角度講，應該比MCC_TMM 擁有更高的識別率，但是AGC 的方法是基于數據高斯模型的假設，一旦模型失配或者參數估計有偏差，就會嚴重影響其識別性能。幀內距離像數目不多，平均像和方差像的估計都是小樣本估計，必然存在參數估計的偏差［4］。因此AGC 的方法對噪聲非常敏感，所以只列出了信噪比為30 dB 下，幾個典型方位角的平均識別率。因此本文的融合識別不考慮AGC 的判決結果。

如圖4 所示，當兩種方法，有一種判決結果為真時，融合識別的結果即為真。數據顯示，如表2，基于兩種方法的決策層融合識別，提高了對地面目標的識別率。尤其是對越野車這種結構特征平滑的地面目標，改善的效果更顯著。

圖4 基于多判決輸出的決策層融合識別示意圖

表1 3 種方法的識別率(%)比較

表2 FFT、MCC_TMM 的判決融合結果與非融合結果的比較

4 結論

高分辨一維距離像的經典算法中，自適應高斯分類器的方法由于存在模型失配的問題，相對于另外兩種方法而言，對噪聲更為敏感，若要應用于實際問題，需要進一步的改進［4］，尤其是距離像平移配準的方式。本文針對采用FFT 和MCC_TMM 兩種經典算法的判決結果進行了決策層的融合識別，從不同方位角的平均識別率來看，對地面目標HRRP的識別性能有一定改善。HRRP 的多判決融合識別不僅適用于同一時刻獲取的距離像在不同算法下的判決輸出，同樣也適用于不同時刻獲取的距離像，前提是要做好數據關聯，而解決這一問題就需要結合目標的狀態估計。可作為下一步的研究方向。

［1］劉敬.雷達一維距離像特征提取與識別方法研究［D］.西安:西安電子科技大學，2008:8-35.

［2］冷家旭，黃惠明.基于高分辨距離像的目標識別技術發展現狀與趨勢［J］. 飛行器測控學報，2010，29(3):79-82.

［3］陳鳳，杜蘭，劉宏偉.一種利用強度信息的雷達HRRP 自動目標識別方法［J］.電子學報，2009，3(3):460-463.

［4］杜蘭，劉宏偉.一種利用目標雷達高分辨距離像幅度起伏特性的特征提取新方法［J］.電子學報，2005，3(3):411-415.

［5］袁祖霞，高貴明.基于高分辨率一維距離像雷達目標識別研究［J］.雷達與對抗，2010，30(3):11-14.

［6］吳杰.基于高分辨距離像的雷達自動目標識別技術研究［D］.南京:南京航空航天大學，2012:12.

［7］李陽.基于一維距離像的空間目標識別技術研究［D］.長沙:國防科學技術大學，2011:8-38.