[发明专利]基于多视角下一维像特征层融合的舰艇与货船分类方法

说明书

技术领域

本发明适用于基于协同体系下常规宽带相参警戒雷达系统，特别涉及一种雷达目标识别方法，实现基于多视角下一维像的雷达目标粗分类。

背景技术

研究表明一维像能够反映出雷达目标在雷达视线上精细的几何结构特征。对舰艇与货船结构分析发现，舰艇与货船有着显著的物理结构特征差异，物理结构特征差异导致舰艇与货船的一维像回波存在明显的差异，如附图2、附图3。在各视角下一维像的基础上，通过特征融合等实现舰艇与货船分类识别，利用舰艇与货船的分类识别信息可以实现雷达目标的粗分类，提高识别正确率。配合现有探测设备的改造，可以在现有探测设备的基础上大力提升协同目标识别能力。

目前很多一维像的技术研究是基于单视角下一维像进行的，如在2013年5月西安邮电大学学报《基于高分辨距离像子带融合的目标识别新算法》中提出的一种最大相关系数投票准则子带融合识别算法，实现单视角下的雷达目标识别。

基于单视角一维像的雷达目标识别方法极易受到目标姿态的影响，本发明针对在基于多视角下一维像的基础上，通过特征融合的舰艇与货船分类识别方法，实现雷达目标的粗分类，能够有效避免目标姿态对雷达目标识别结果的影响。

发明内容

本发明的目的在于提供一种解决协同体系下的多视角下一维像特征层融合的舰艇与货船分类识别方法，有效地实现雷达目标的粗分类。通过本发明，能够实现海上舰艇编队对视距内各种运动状态下的舰艇与货船进行有效的分类，并且多视角一维像下的舰艇与货船分类识别正确率在单视角一维像下的舰艇与货船分类识别正确率基础上提高5％。

实现本发明的技术解决方案为：

首先对各视角下的目标一维像数据进行剔除坏像、非相干积累等预处理；设置目标一维像区域提取门限，提取各视角下目标一维像区域；对各视角下的目标一维像区域进行归一化和等分处理，在强散射点位置信息和幅度信息提取的基础上进行等分区域强散射点统计、强散射点位置分布统计和强散射点幅度分布统计，结合最近邻线特征提取方法进行各视角下的目标一维像区域波形结构特征提取，生成各视角下的目标一维像区域波形结构初始特征矩阵；结合各视角下目标的姿态和信噪比信息，构造目标一维像区域波形结构特征融合矩阵；结合Sigmoid函数进行线性二分类器设计；最后进行舰艇与货船分类识别。

本发明与现有技术相比，其显著优点为：

各视角下目标一维像区域波形结构特征提取方法，能够快速、有效地提取目标一维像区域波形结构特征，该方法具有自适应好，计算量小，运行效率高的特点。目标一维像区域波形结构特征融合矩阵构造方法，能够准确、有效地消除不同视角、不同信噪比造成的一维像姿态敏感性和强度敏感性的影响，而且其实现方法简单。本发明的提出和工程实现在雷达目标识别领域具有很高的推广应用价值。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是本发明的数据处理流程图。

图2是本发明的货船一维像回波特征示意图。

图3是本发明的舰艇一维像回波特征示意图。

图4是本发明的各视角下目标区域一维像波形结构特征提取处理流程图。

图5是本发明的各视角下目标区域一维像波形结构特征示意图。

图6是本发明的线性二分类器组成示意图。

具体实施方式

本发明基于多视角下一维像特征层融合的舰艇与货船分类方法具体实施步骤为，参见附图1：

(1)各视角下目标一维像数据预处理，方法如下：

计算一维像的峰度矩阵K，找到峰度矩阵的最大元素max(K)及其对应的一维像，统计余下一维像集合{x_i}和离群峰度集合{k_i}：

其中N是一维像的个数，X_i是余下的第i个一维像样本数据，μ_i是样本均值，σ_i是样本标准方差，E(X_i-μ_i)⁴是第i个一维像样本数据的4阶中心距。如果k_i非正，则认为第i个一维像为异常一维像，将样本数据置为0。以峰度矩阵最大元素对应的一维像为基像，采用最小熵谱估计准则进行对齐处理，对对齐后的一维像做非相干积累。

I(x_k)＝-logp_k