戰場偵察雷達目標識別方法研究

張冠武　羅丁利　李　鵬

(西安電子工程研究所　西安　710100)

0　引言

雷達目標特性是雷達系統探測中的一個重要研究內容。雷達設計者的基本任務，是使雷達從目標回波中獲取準確、詳細的目標信息。這就要求雷達性能及其設計參數要與雷達目標特性達到最佳匹配[1]。對于地面監視雷達來說，目標的種類多種多樣，既包括單兵、車輛等速度單一的目標，也包括炮彈炸點等速度成分復雜的目標。國內外不少文獻都對戰場偵察雷達目標識別做了探討，對單兵、車輛的目標識別等都做過一些討論[2-3]，但對于炸點目標的識別則很少見，而且，很多關于目標識別的算法是以SAR(合成孔徑)或ISAR(逆合成孔徑)為基礎的[4]，對于低分辨力雷達的目標識別的研究并不多見。為了更好地完成戰場偵察任務，必須針對戰場偵察雷達的各種戰場目標檢測提出一套高效的識別方法，使雷達能夠在高目標識別概率下工作，這樣才能在戰場地面目標很多的情況下更好的發揮作戰效能。

1　戰場偵察雷達目標回波多普勒理論分析

1.1　人和車輛回波對比分析

戰場偵察雷達目標識別中最重要的問題，就是識別人和車輛。眾所周知，人的速度是有限的，一般最快的速度是5m/s，如果目標的運動速度在5m/s以內，就難以斷定是人還是車。此外，雷達探測到的目標速度是多普勒速度，不能完全代表目標的真實運動速度。因此，如果單憑多普勒速度的大小來區分目標，很容易出現錯誤。必須從兩種目標的回波中提取特征信息，來作為二者的分類依據。

對錄取的兩種目標的回波進行研究和分析后發現，人的多普勒速度呈周期性變化，周期大約為0.5～2Hz；雷達操作員用耳機對人的多普勒音響進行監聽是，可以聽到“撲”、“撲”的聲音，便是這種周期變化引起的。而車的多普勒速度沒有這種特性，比較平穩。這一特征便是二者的根本區別，可以利用多普勒的變化快慢程度來區別兩種目標。

圖1　車的多普勒特征譜

圖2　人的多普勒特征譜

1.2　輪式車和履帶車回波對比分析

輪式車和履帶車的回波信號差別并不明顯。雷達操作員用雷達配備的耳機對目標多普勒音響進行監聽時，也很難判斷出兩種目標的區別。因此，不能用1.1中的方法來區別輪式和履帶車。

與輪式車相比，履帶車的特點是具有一個反射能力很強的履帶。若履帶車的多普勒為f0,則下部分速度為0，而上部分多普勒速度為2f0，而履帶前端的速度介于0～2f0之間，且這是主要反射面。因此，履帶車的多普勒頻譜在0～2f0的特征區間內之間有分布，而且根據經驗，此分布是均勻的。而輪式車的特征，是它除了在f0處的主譜外，在整個多普勒頻率上只有噪聲分布。

圖3　履帶車多普勒譜

圖4　輪式車多普勒譜

1.3　炸點和普通目標回波對比分析

一般情況下，對于只包含有較少速度分量的目標，如人員、車輛等，其回波譜包含有較少的多普勒頻移分量，可以被看作為點頻目標。點頻目標的多普勒特性如下：

fd=2v/λ

(1)

其中fd表示多普勒頻移，v表示目標徑向速度，λ表示雷達發射波波長。

其特點是目標速度單一、雷達入射波可認為單色波。

對于受目標速度發散而形成的炸點等寬帶目標，根據其多普勒特性得出：

(2)

其中fdi表示第i個子散射體的多普勒頻移，vi表示第i個子散射體的徑向速度，N為寬帶目標包含的子散射體數目。

由于炮彈爆炸時，會在瞬間向各個方向飛揚起大量的彈片、泥土砂石等高速小目標，它們相對于雷達的徑向速度成分比較復雜，其回波的多普勒頻率成分也比較復雜，是一個典型的寬頻目標。對目標回波進行MTD處理之后，炸點目標表現為在多普勒維的多個濾波器通道上都有峰值。

2　實際目標回波分析

2.1　人員和車輛回波分析

圖5～12為幾種典型的車輛、行人回波多普勒曲線。其中，橫軸代表測量的次數，縱軸代表目標的多普勒響應峰值對應的MTD濾波器號，其中采用了64點MTD處理。圖5和圖9，這兩輛車勻速行駛，濾波器號幾乎不變，也很少有波動現象，其中大的毛刺是由于瞬間的信噪比低引起的測量錯誤。圖11中兩廂車的多普勒曲線，可以發現該車有加速現象，多普勒在加速過程中有上升，但波動現象也很少。圖7中的三輪車多普勒有小幅變化，也有一些波動。圖6和圖8中單個人員的多普勒曲線，可以發現，人員的多普勒波動幅度不大，但波動很快。而圖10和圖12中所示的兩個以上人員的多普勒曲線與單個人員相似，只是波動更快。

圖5　勻速中巴車回波

圖6　行走人員回波

圖7　農用三輪車回波

圖8　行走人員回波

圖9　勻速中巴車回波

圖10　二人行走回波

圖11　兩廂轎車回波

圖12　人群回波

從以上分析可以發現，多普勒的波動是車和人員的多普勒曲線的區別。人員的波動率很高，而車的波動很少，三輪車的波動比其他車多一些，但比人少的多。因此，我們可以利用多普勒的波動率來對這兩種目標進行分類識別。

定義波動因子為：

γ=100×波動次數/觀測次數

表1中給出了5個車輛和5個人員的目標識別樣本的多普勒波動因子統計。由表中可見，車的波動因子在7以下，而人的波動因子在24以上，二者的區別相當大。綜合考慮，設定判定準則為波動因子大于15時判定為人，小于15時判定為車。

表1　車、人樣本信號多普勒波動統計表

經外場試驗和實測數據分析，用該識別方法，對人和車的識別概率達到了90%以上，大于通用的識別概率80%的要求。

2.2　炸點回波分析

2.2.1炸點和普通目標譜特性比較

下文分別對采集到的戰車和炸點目標視頻回波數據進行了MTD分析，利用GO-CFAR(兩邊取大恒虛警)處理，研究了判決、識別炸點的方法，并進行了試驗檢驗。

圖13(a)、(b)為分別對兩個炸點目標的視頻回波采樣數據進行MTD處理后的矩陣，采用了32點MTD處理其中只顯示了4～30號濾波器，距離維上只顯示了一部分距離段。可以清晰地看到，目標回波在多普勒濾波器維呈柵欄狀分布；幾乎在每一個濾波器上，在目標距離處都有峰值響應，相對于其附近距離段噪聲的信噪比可以達到25dB以上。

圖13　炸點視頻回波的MTD

圖14中示出了普通運動目標(戰車)的MTD處理后的矩陣，可見，只在目標距離處有幾個相鄰濾波器上有峰值響應。

圖14　　　　對普通目標(戰車)進行MTD后4～30號濾波器的響應

與普通目標相比，炸點目標的特點是在幾乎所有的多普勒濾波器上都有較大幅度響應，形成了一個由各個濾波器上的尖峰組成的柵欄狀圖象。

2.2.2基于多普勒頻率分布差進行炸點目標識別的方法

對于普通窄帶目標，由于多普勒展寬等因素，其回波的MTD矩陣在濾波器維有一定展寬，在某些情況下(如目標信號信噪比較低時)，占有與寬帶目標相近的濾波器通道數目。因此，若僅從過門限濾波器個數來考慮，容易將前者也當成炸點目標。

對炸點目標1和戰車目標的多普勒響應，取信噪比門限為25dB，統計過門限的濾波器號及其分布差如表4所示。

表4　兩種目標的多普勒濾波器號分布

通過比較，可以發現，炸點幾乎在所有的多普勒濾波器上都有較大幅度響應，而裝甲車在濾波器維上有一定的展寬，占據了幾個濾波器通道。通常情況下，以本文第2.2.1中的方法即可對該兩種目標進行識別分類，但在目標強度較弱，回波信噪比較低的情況下，若僅考慮信噪比過門限的濾波器數目，以數目的大小來判斷目標的種類，則兩種目標的過門限點數可能比較相近(3～4個)，容易使識別失敗。

考慮濾波器分布情況，由表4易見，炸點信號的分布方差比戰車信號的分布差大得多。多次試驗觀察兩種目標的MTD結果，都得到了這樣的結論，而且在目標回波較弱時，該特征仍很明顯。因此，可以將濾波器號的分布方差作為判斷目標是否為炸點的一個依據，設定一個合適的分布差門限，以是否過門限來判定目標的存在。

根據試驗統計結果，設分布差門限為4(分布差大于4認為炸點目標存在，否則認為不存在)，進行炸點識別。經過實彈檢驗，該方法能以90%以上的識別概率判定炸點目標的存在與否，且受信噪比影響較小，增強了雷達對炸點目標的識別能力。

3　結束語

本文對戰場偵察雷達的典型目標特點和識別方法特點做了探討，并對人員、車輛、炸點等回波視頻信號的處理做了研究。文中對實測目標數據進行了MTD分析，人員的多普勒波動，建立了人員和車輛的目標識別方法，經試驗驗證可以達到90%以上的識別概率；利用炸點信號的多普勒譜寬度特性，建立了炸點的識別方法，并經試驗驗證可以達到80%以上的識別概率；利用炸點多普勒分布建立了炸點識別方法，此方法在目標回波較弱時仍有較高的識別概率，并經試驗驗證對一般炸點的識別概率可以達到90%以上。