基于時頻圖像紋理特征的雷達輻射源信號識別*

孟凡杰, 唐 宏, 王義哲, 劉俊杰

(空軍工程大學防空反導學院, 西安 710051)

基于時頻圖像紋理特征的雷達輻射源信號識別*

孟凡杰, 唐 宏, 王義哲, 劉俊杰

(空軍工程大學防空反導學院, 西安 710051)

為了解決低信噪比條件下雷達輻射源信號識別率低的問題,提出了一種提取時頻圖像紋理特征的脈內調制方式識別方法。該算法首先對信號進行Choi-Williams變換,在對時頻圖進行預處理后提取其改進的局部二值模式紋理特征(LBPV),并用支持向量機進行分類判別。使用6種典型雷達信號進行仿真實驗,仿真結果表明在-2 dB的低信噪比條件下該方法的平均識別率可達95%以上,局部二值模式算子在低信噪比下的識別能力得到大的提高。

雷達輻射源信號識別;Choi-Williams分布;局部二值模式;紋理特征

0 引言

雷達輻射源信號識別是電子偵察和對抗領域的重要內容。脈內調制特征可以有效拓展信號識別的參數空間,有助于降低特征交疊概率,使復雜體制雷達信號的識別成為可能,因而成為雷達輻射源信號識別領域的重要研究方向。時頻分析法是研究脈內調制特征的重要方法,它突破了單時域分析和單頻域分析的局限性,能夠以時頻分布圖的形式刻畫信號的實時頻率特征。近年來,許多學者利用圖像處理技術從時頻分布圖中提取脈內調制特征,并取得了一些成果[1-3]。文獻[1]利用主分量分析法提取時頻圖像的代數特征,在中等以上信噪比時取得了較好的識別效果,但在低信噪比條件下識別效果不太理想。文獻[2]提取灰度圖像的偽Zernike矩陣特征進行識別,分類器結構簡單,抗噪能力強,但其對相位編碼信號的識別率仍有待提高。文獻[3]利用圖像處理的方法實現對多種LPI雷達信號的準確識別,但亦存在數據維數高、計算量大的問題。

紋理特征可以反映圖像的灰度統計信息和空間結構分布信息,具有良好的抗噪性和魯棒性,是圖像識別領域的重要研究方向。局部二值模式(LBP)算法是一種常用的紋理特征提取方法。該算法首先提取圖像的局部空間模式,再通過統計分析作整體的特征提取,具有尺度不變性、旋轉不變性和運算速度快等優點。但傳統的LBP算法只關注圖像局部灰度差,忽略了對比度信息,對圖像紋理特征的描述是不充分的[4]。

文中首先利用Choi-Williams變換得到6種典型雷達輻射源信號的時頻分布圖,再利用改進的局部二值模式算法(LBPV)提取包含在時頻分布圖中的信號脈內調制特征。由于支持向量機分類器結構簡單、泛化能力強,在解決小樣本、非線性以及高維特征識別問題時具有獨特優勢,文中采用支持向量機實現最終的分類識別。

1 時頻圖獲取

雷達輻射源信號是非平穩信號,時頻分析方法則是處理非平穩信號的重要方法。Wigner-Ville分布是當前廣泛使用的一種時頻分布。信號s(t)的Wigner-Ville分布定義為:

(1)

Wigner-Ville分布中會不可避免地出現交叉干擾項,在實際運用中往往對其進行改進[5]。

Cohen類時頻分布是將Wigner-Ville分布與一個二維平滑函數φ(τ,v)卷積,φ(τ,v)是核函數,決定了干擾項抑制的效果。Cohen類時頻分布可表示為:

φ(τ,v)e-j2π(vt+τf-uv)dudτdv

(2)

在Cohen類時頻分析表達式中,如果取核函數為指數函數,即:

φ(τ,v)=e-τ2v2/σ

(3)

則可得到Choi-Williams分布,即:

(4)

式中：σ(σ>0)是縮放因子,它的大小與交叉項幅值成正比例關系。選擇合適的σ可以有效的抑制交叉干擾項,同時又較少的犧牲時頻聚集性。研究表明,在[0.1 10]之間選擇σ比較合適[6],文中選定σ=1。作為Wigner-Ville分布的加窗平滑定義,Choi-Williams分布具有良好的交叉干擾項抑制效果,具備較好的抗噪能力,是一種有效的高分辨時頻分析方法。圖1是6種典型雷達輻射源信號在信噪比為5 dB時的Choi-Williams時頻分布圖。Choi-Williams分布時頻圖直觀反映了信號的脈內調制信息,因而可以利用圖像處理方法從中提取信號脈內調制特征。

2 LBPV算子

LBP是一種簡單高效的紋理特征描述算法,其主要思想是將局部圖像中心像素點與其鄰域內其他像素點灰度值的差異模式化,并通過統計各種模式出現的頻次規律來描述圖像中所包含的紋理信息。由于LBP及其改進算法具有運算量小、對旋轉、光照不敏感等特點,因此在人臉識別、醫學圖像檢測和工業視覺檢測等領域廣泛應用。

如圖2所示,定義灰度圖的局部窗口為一個半徑為R、鄰域點數為P的圓環形區域(圖中R=2.5,P=12),中心像素點在圓心位置,坐標為(a,b),灰度值用gc表示。鄰域內P個鄰域點均勻分布于圓周,坐標為(a+Rcos(2πi/P),b+Rsin(2πi/P)),灰度值用gi(i=0,…,P-1)表示,當鄰域點不是位于整數坐標位置時,用雙線性內插法計算其灰度值。以gc為閾值,將鄰域點的像素值二值化。當鄰域點灰度值小于gc時將該點賦值為0,當大于或等于gc時則賦值為1。然后根據鄰域點的位置不同進行加權求和,便可得到該局部鄰域窗口的LBP值。即:

(5)

當圖像旋轉時,由于鄰域點沿著圓周移動導致LBP模式可能會發生變化(全0或全1時不變),因此Timo Ojala等提出旋不變LBP[7]:

(6)

式中：ROR(x,i)代表旋轉函數,表示將x向右旋轉i(|i|

(7)

式中:

U(LBPP,R)=|s(gP-1-gc)-s(g0-gc)|+

(8)

uniform模式指的是所有LBP二值序列中至多包含兩個從0到1或從1到0跳變的模式,在全部2P種LBP模式中,共有P(P-1)+3屬于均勻模式。當圓域半徑為2.5、采樣點數為12時,uniform模式可以將LBP算子個數由原先的256種減少至135種,具有旋轉不變性的uniform模式LBP個數則可進一步減少至14種。盡管類別數量占比不高,但其出現概率卻占所有模式的90%以上。因此uniform模式相對普通LBP而言不僅大大減少了特征維數,而且仍能較好保留其局部紋理特性,使高效準確的機器自動識別成為可能。

盡管LBP算子具有很多優點,但由于LBP算子僅描述局部紋理的空間結構,不考慮圖像對比度信息,每種LBP模式無論其灰度值大小在統計直方圖時都具有相同的權重,因此對圖像紋理特征的描述是不充分的,對于模式相同,灰度強度不同的LBP模式可能會出現大量錯分的現象。

方差VARP,R可以描述圖像的對比度信息,同時也具有旋轉不變性的優點,可以和LBP算子實現特征互補,提高分類的準確率。以gc為中心的局部方差可定義為:

(9)

式中:

(10)

當考慮對比度信息時,通常利用LBP與VAR的聯合算子(LBPP,R/VARP,R)對圖像紋理特征進行描述。VAR是一個連續值,轉換成識別特征時必須進行量化處理,量化過程的閾值選擇十分依賴樣本,量化過程難以把握,容易產生比較大的量化誤差,而且聯合算子的特征維數大,影響分類效率。因此文中引入LBPV算子[3]用于時頻圖像紋理特征的識別。LBPV算子改進了傳統LBP直方圖中各LBP模式等權值的缺陷,將VAR作為各LBP模式的權值,即:

(11)

(12)

式中k∈[0,K]。方差表征的是灰度變化的強度,方差較大的局部區域更有利于識別,對識別的貢獻更大,因此需要分配比較高的權重值。利用VAR對各LBP模式權值進行再分配避免了VAR的量化過程,減少計算量的同時提高了特征的區分度,因此識別效率優于普通LBP。為驗證LBPV的優越性,提取圖1中CW、BPSK和LFM 3種信號識別圖的圓域旋不變uniform模式,共14種模式,利用普通LBP和LBPV兩種不同方法加權后統計其直方圖,結果如圖3所示。

由圖3可知,傳統LBP中各模式直方圖雖然存在一定差異,但總體來看比較接近,不同信號之間差異較小,不利于后續的識別。與之相反,利用方差加權后的LBPV特征更好地體現了類間差異。基于以上優點,文中采用圓域旋不變uniform模式的LBPV算子作為特征進行時頻圖像的識別。

3 分類器設計和算法流程

3.1 分類器設計

雷達輻射源識別屬于小樣本、高實時的智能識別,因此文中選用支持向量機(support vector machines,SVM)作為分類器[8]。

SVM是一種建立在統計學習理論基礎上的機器學習方法。統計學習理論采用結構風險最小化準則,在實現樣本點誤差最小化的同時,也可以將結構風險最小化,從而使模型的泛化能力得到提高。使用時靈活、方便,不易陷入局部最小值,且不受數據維數的限制。在解決小樣本、非線性、高維數問題時比傳統的神經網絡方法具有突出的優勢。支持向量機分類器性能的發揮與其核函數選擇和參數尋優策略緊密相關。由于徑向基核函數(RBF)收斂域寬、適用范圍廣,是較為理想的分類依據函數,因而目前應用最多。在徑向基核函數SVM中,主要考慮誤差懲罰因子C和核函數方差σ兩個參數。參數C主要用來平衡算法復雜度和逼近誤差,C越大則對數據的擬合程度越高,但泛化能力降低。σ主要用來控制樣本數據在高維特征空間中分布的復雜程度,進而影響運算的效率。因此在進行參數選擇時必須同時兼顧C和σ,文中選用網格搜索法[9]對(C,σ)兩個參數尋優。

3.2 算法流程

文中算法主要立足于雷達輻射源信號時頻變換和時頻圖像紋理特征的提取和識別,其基本流程如下:

1)對信號進行Choi-Williams變換,并將其轉化為灰度圖像。

2)利用圖像處理技術,對時頻灰度圖進行裁剪和歸一化,為減少噪聲的影響,再對圖像進行自適應維納濾波。

3)提取圖像的圓域旋不變uniform模式的LBPV算子作為識別特征

4)利用RBF支持向量機對輸入的特征進行學習,并進行測試,得到算法的識別率結果。

4 仿真分析

仿真實驗采用6種常規雷達輻射源信號用于分類識別,它們分別是常規脈沖信號(CW),線性調頻信號(LFM),二相編碼信號(BPSK),四相編碼信號(QPSK),頻率編碼信號(FSK),偶二次調頻信號(EQFM)。其中,BPSK采用13位巴克碼,QPSK采用16位FRANK碼,FSK采用COSTAS碼。LFM調頻帶寬設為5 MHz,信號載頻設為20 MHz,采樣頻率為100 MHz,脈沖寬度為16 μs,噪聲為零均值的高斯白噪聲。信號的初始相位在0到2π之間隨機產生。信噪比設置為從-4 dB到10 dB,每隔兩個信噪比產生50個樣本,6種信號共計產生2 400個樣本信號,每個樣本信號依次進行CWD獲得其時頻分布,利用960個樣本用于訓練,另外1 440個用于測試。為對比說明LBPV算子識別性能的提高,文中還對LBP算子的識別性能進行仿真分析,并記錄了特征提取時間。仿真實驗平臺為基于聯想PC的MATLAB軟件,PC機的CPU主頻為3.10 GHz,運行內存為4 GB。

表1 LBP和LBPV算法對比

表1是在不同信噪比下LBP和LBPV兩種算子的6種信號的平均識別率和平均特征提取時間對比。由圖可知,隨著信噪比的改善,兩種信號都能取得較好的識別效果,但LBPV算子的識別效果明顯優于LBP算子,檢測性能相對穩定,在-2 dB便可取得平均95%以上的識別概率。當用LBP算子作為識別特征時,各類信號特征差別相對較小,信噪比降低時圖像成像質量下降,識別率受此影響顯著。由于在提取LBPV特征時需要對每個局部單元重新進行一次賦值,因此計算量稍大于LBP特征,實時性有一定程度的降低。但從仿真結果來看,二者差別不大。融入了方差特征的LBPV算子可以很好的兼顧局部和全局信息,可以提取更加全面的紋理特征用于識別。仿真說明LBPV算子具備良好的抗噪能力,可在較低信噪比條件下完成分選識別。

LFM的時頻曲線為一條直線,當調制參數不同時,其時頻曲線的變化表現為直線的旋轉即斜率的改變。LBP算子具有旋轉不變性,對相同調制方式但調制參數不同的信號,尤其是對LFM而言,理論上可能出現錯分現象[10]。為考察LBPV算子在這種情況下的識別能力,設置6組LFM信號,其頻偏分別為3 MHz、4 MHz、5 MHz、6 MHz、7 MHz、8 MHz,其他參數設置同上。計算機仿真結果如圖4所示。

從圖4可以看出,LFM參數的改變雖然會使LBPV算子的識別率有一定程度的下降,但總的來看影響不大,正確識別率仍然處于90%以上的高值區間。對于Choi-Williams變換而言,不同調制參數的LFM時頻圖像不僅斜率不同,直線的時頻聚集程度和灰度分布等特征也會發生改變,而融合了局部方差的LBPV算子恰好可以利用這種變化,取得了比較理想的識別效果,因此可以認為LBPV算子不僅可以較好的識別不同調制類型信號,對調制類型形同但參數不同的信號亦可準確識別。

5 結論

針對低信噪比條件下雷達輻射源信號脈內調制方式的識別問題,文中提出了一種基于LBPV算子的時頻圖像紋理特征識別方法,該算法從信號的時頻圖像出發,充分利用灰度圖像的紋理特征,實現了利用較少的特征維數取得較好的脈內調制方式識別效果。由LBPV算子構成的分類器結構簡單,運算效率高,對輻射源信號參數的變化具備較好的適應能力,具有一定的工程運用研究價值。

[1] GULUM T O. Autonomous non-linear classification of LPI radar signal modulation: ADA 473944 [R]. Monterey: Naval Postgraduate School, 2007.

[2] 張立東, 呂濤, 王東風, 等. 一種基于Zernike矩雙譜的雷達信號特征提取新算法 [J]. 艦船電子對抗, 2012, 35(6): 43-47.

[3] 熊坤來, 羅景青, 吳世龍. 基于時頻圖像和神經網絡的LPI雷達信號調制識別 [J]. 彈箭與制導學報, 2011, 31(5): 230-233.

[4] GUO Zhenhua, ZHANG Lei, ZHANG D. Rotation invariant texture classification using LBP variance (LBPV) with global matching [J]. Pattern Recognition, 2010, 43(3): 706-719.

[5] 李秀梅, 楊國青, 高廣春. 基于LPFT時域濾波器的WVD交叉項抑制方法 [J]. 電路與系統學報, 2013, 18(1): 122-126.

[6] PLESSIS M C, OLIVIER J C. Radar transmitter classification using a non-stationary signal classifier [C]// Proceedings of the 2009 International Conference on Wavelet Analysis and Pattern Recognition. Pretoria. South Africa: IEEEPress, 2009: 482-485.

[7] OJALA T, PIETIKAINEN M, MAENPAA T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(7): 971-987.

[8] 張葛祥, 榮海娜, 金煒東. 支持向量機在雷達輻射源信號識別中的應用 [J]. 西南交通大學學報, 2006, 41(1): 25-30.

[9] 李琳. 基于RBF核的SVM學習算法優化及其在蛋白質二級結構預測中的應用 [D]. 武漢: 武漢科技大學, 2006.

[10] 白航, 趙擁軍, 胡德秀. 時頻圖像局部二值模式特征在雷達分類識別中的應用 [J]. 宇航學報, 2013, 34(1): 139-146.

RadarEmitterSignalRecognitionBasedonTextureFeatureofTime-FrequencyImage

MENG Fanjie, TANG Hong, WANG Yizhe, LIU Junjie

(Air and Missile Defense College, Air Force Engineering University, Xi’an 710051, China)

To solve the problem of low rate in radar emitter signal recognition under low SNR, a new approach using texture feature of time-frequency image for recognition of intra-pulse modulation is proposed. At first, the time-frequency images of radar emitter signals are obtained by Choi-Williams transform, and then the noise reduction and normalization of these images are processed. After that, the improved arithmetic of LBPV is used to extract the features of time-frequency images. At last, the support vector machine is used for classification and discrimination. In this paper, six kinds of common radar signals are used in simulation experiments. The results show that the average recognition rate can reach 95% when the SNR is as low as -2 dB.

radar emitter signal recognition; CWD; LBP; texture features

TN974

A

2016-06-07

孟凡杰(1992-),男,河南洛陽人,碩士研究生,研究方向:雷達信號處理。