基于目標頻譜特征的戰場偵察雷達目標自動分類

唐克琴 朱廣毓 吳霞飛 趙非

摘要 為解決戰場偵察雷達目標自動分類的問題，本文對雷達信號處理后的數據進行預處理、頻域目標特征提取，并結合目標多普勒速度、信雜比等特征進行綜合判斷，從而提高目標的目標自動分類的概率，根據雷達實地測試，目標分類概率符合研制要求。

【關鍵詞】戰場偵察雷達 目標分類 目標特征

1 引言

戰場偵察雷達是現代陸軍最為重要的偵察裝備之一，主要用于對地面、低空和海面運動目標進行探測，發現目標，實現定位，并對其進行目標分類，具有全天候、全天時、全方位偵察的優點。戰場偵察雷達主要完成兩方面的任務：

（1）確定目標的位置;

（2）判定目標的性質。

第一個問題，在雷達誕生之初就己初步解決，只是目標定位或指示精度各有不同而已，而第二個問題，需要對目標進行分類識別，由于問題本身的復雜性，以及多干擾信號，特別是多噪聲干擾源存在的復雜電磁環境，雷達目標分類問題至今還沒有滿意的答案，尚無成熟的技術和方法，仍是當前前沿方向之一，目標識別這項新興技術己引起國內外許多專家、學者的關注，并積極投身于研究之中，且己取得了一些成果。

2 雷達目標分類的原理

雷達目標分類的主要方法一般分為兩大類：第一類目標分類方法是基于目標特征量的提取，利用不同目標回波中不同的特征量來表示目標，然后利用模式識別理論或者線性規劃理論等設計目標分類算法將不同的目標區分開來，該方法主要應用于低分辨雷達與一維距離像雷達;第二類目標分類方法是基于目標高分辨距離像，利用圖像處理的算法對目標進行分析計算，該方法主要應用于高頻超視距雷達、合成孔徑雷達等高分辨雷達系統中。本文所研究的內容是戰場偵察雷達的自動目標分類，戰場偵察雷達一般屬于低分辨雷達，因此采用第一類的方法進行目標分類的研究。本文采用提取目標頻譜特征的方法對人、車輛進行目標自動分類。

基于目標特征量的目標分類原理如圖1所示。

3 雷達目標分類過程

3.1 目標數據預處理

本文涉及的目標自動分類是在雷達能穩定跟蹤目標后的目標數據進行處理，需要先檢查目標數據質量，進行野值剔除，時域到頻域的變換。作為戰場偵察雷達，實際應用中探測的目標一般為坦克、裝甲車、卡車、士兵等，采用合適的濾波器進行濾波處理。經數據預處理后進行下一步目標特征提取。

3.2 目標特征提取

3.2.1 目標頻譜分析

本論文的側重點在于對人和車輛進行分類。雖然目標速度的高低就能大致分類正常速度的人與車輛，非常不幸的是，戰場環境復雜多變，目標也并不總是按照預想的情況運動，簡單的分類算法不能保證分類的有效性，因此還需尋找其他的頻譜特征，綜合考慮對目標進行判斷。經仔細觀察發現，人在行走時肢體的運動速度不是均勻的，而是以一步為周期時快時慢的變，而機動車在運動時速度變化則很小。圖2的（a）、（b）分別是步兵和車輛目標瞬時頻率變化的典型情況。

由于行人在行走的時候，運動狀態變化較大，行人手臂與腿部擺動引起的多普勒分量大小不同，反射角度也不同，從而導致在頻譜上的能量分布較為分散。車輛的運動狀態較為恒定，速度變化不大;并且車輛的各部分之間的相對速度較小，各個反射點反射回來的信號頻率分量差別不大，因而反射能量比行人集中一些。

3.2.2 目標頻譜的波形熵

經上一節分析，行人由于存在四肢的擺動，其軀干分量外的多普勒譜的頻率分量更多更強，而車輛多普勒譜的頻率比較集中一點，因而引用信息論中“信息熵”的概念，可以通過計算頻譜的“信息摘”來區別目標的主瓣與旁瓣的幅度變化及其不確定性，此文參考文獻[4]稱為“波形滴”特征。

本文中，目標的旁瓣只存在與主瓣附近的幾個多普勒通道上，這里截取目標主瓣附近的若干個多普勒通道作為特征提取的對象。由公式（2）可得出，熵值越小，特征量的分離性越大，即目標頻譜的變化趨勢越劇烈;熵值越大，目標頻譜的變化趨勢越平緩。

3.3 目標分類判斷

由于雷達的工作波段、極化方式、威力大小、分辨力、工作模式、信號處理方式、目標等不同，都會對目標分類算法帶來不同的挑戰，因而目標自動分類的算法并不是普遍適用，需要針對具體型號雷達進行設計。針對特定的雷達，計算兩類目標的波形熵，進行實際測試，調節判別門限，當某類目標的波形熵高于門限值時為行人，否則為車輛，同時聯合目標的多普勒速度、信雜比等多維特征進行綜合判斷，提高目標的正確分類概率。

4 實驗結果

本次實驗主要是針對人和車輛的極端情況進行測試分類，即人員和車輛的速度特征對目標分類沒有任何幫助。目標采用人和車輛，距離雷達4km，目標速度為5km/h，且均為沿遠離雷達的方向前進（接近雷達定義為正速度，遠離雷達定義為負速度）。對獲取的目標數據進行預處理（去除野值、FFT、濾波、幅度歸一化），具體見圖3～圖6。

從圖6中可以看出，目標數據經過處理后，可以看出人在頻譜上的能量分布較車輛更為分散一些。車輛的頻譜也有所展寬，應是雷達在觀測瞬間看見車輛輪轂，輪轂強烈散射，出現JEM效應。根據積累的點數選擇目標附近的200個多普勒通道進行目標波形熵計算，調節判判門限，并結合目標的精細譜、信雜比分析。經雷達實地測試，對人、車輛的正確分類率為75.5%。

5 總結

本文描述戰場偵察雷達對人、車目標的分類過程。并在外場試驗中，對人和車輛的極端情況進行測試分類，測試結果符合指標要求。依據實測結果，地面戰場偵察雷達的目標分類技術應在多種分類特征組合、窄帶信號信息融合等方面進一步展開研究，以求更優化的分類性能，進一步提升作戰效能。

參考文獻

[1]耿東華，王勝國，閏軍，地分辨力雷達目標分類識別的實現[J].電光系統，2010 （04）：23-26.

[2]李詩潤，戰場偵察雷達的目標識別技術研究[D].南京理工大學，2013：17-25.

[3]冀振元，孟憲德.戰場偵察雷達目標的自動識別[J].哈爾濱工業大學學報，2001， 33 （06）： 830-833.

[4]吳順君，梅曉春，雷達信號處理和數據處理技術[M].北京：電子工業出版社，2008.