雷达目标特征提取的一种方法

Kim [2] 等 人 提 出 的 基 于 超 分 辨 率 的 多 信 号 分 类 （MUSIC ） 算 法
和中心矩的识别方法 。 但是 MUSIC 算法的计算复杂度太高 ， 降低了识别效率 。 Fuller[3]等人通过建立目标的离散散射中心 模 型 进 行 分 类 ，取 得 了 很 好 的 识 别 效 果 ，但 其 条 件 是 明 确 目 标 的 几 何 特 性 参 数 ，而 且 仅 能 建 立 有 限 的 特 征 数 据 集 ，推 广 能力受限 。 收稿日期 ：2012-07-04 稿件编号 ：201207089
笔者采用目标一定角域的平均距离像提高方位的稳健 性 ， 在此 基 础 上提 取 归 一化 一 维 距离 像 的 中心 矩 特 征 和 熵 特 征 ， 得 到 中 心矩 和 熵 组合 特 征 。 分别 采 用 最 大 最 小 距 离 判 别 法 ， 支 持 向 量机 （SVM ） 进 行 识 别 ， 仿 真 实 验 表 明 ， 中 心 矩 和 熵 组合特征具有良好的可分性 ， 可较好地提高识别性能 。
雷达目标距离像实际上是目标散射回波沿距离维度的 发 布 ，含 有 目 标 的 几 何 结 构 信 息 ，对 目 标 识 别 与 分 类 有 重 要 作用 。 但 HRRP 对目标的姿态变化和距离向的平移变化都很 敏感 ， 这 使 得目 标 识 别中 测 试 距离 像 应 与模 板 库 进 行 类 别 、 方位 、 平移三维的匹配搜索 ， 实时处理困难 。 距离像的方位敏 感性 直 接 影响 模 板 的存 储 量 ， 松弛 方 位 敏感 性 对 减 少 模 板 数 目 ， 降低识别运算量具有重要意义 。 研究表明 ， 一定角域内的 平均 距 离 像对 目 标 姿态 变 化 具有 良 好 的稳 健 性 ， 可 作 为 特 征 建立模板库 。 距离像的平移主要是由目标相对雷达的径向位 移引 起 的 ， 平移 敏 感 性使 识 别 过程 中 必 须进 行 平 移 配 准 ， 代 表方 法 是 滑动 相 关 法 ， 通 过 求 相关 峰 进 行平 移 补 偿 。 平 移 配 准缺 点 是 运算 量 大 ， 提取 距 离 像的 平 移 不变 特 征 在 特 征 域 对 目 标 进 行识 别 则 可以 避 免 平移 配 准 问题 ， 从 而 减 少 运 算 量 [1]。
Σx（n）=1，因此 x（n） 可看作一组离散
n=1
1.4
基于 Karhunen-Loeve 变换的特征空间变换 在多类模式分类中 ， 特征提取的目的不仅是压缩维数 ， 而
显然，一阶矩是与高分辨距离像的平移有关的 ，二 阶 及高阶中心矩是以一阶矩为参考点来补偿高分辨距离像 的平移分 量 ，是 与 高 分 辨 距 离 像 的 平 移 无 关 的 。 中 心 矩 可 以粗略描述高分辨距离像的波形分布特性。 从式可以看 出，高阶矩对 高 分 辨 距 离 像 波 形 的 变 化 比 较 敏 感 ，较 小 的 扰动可能 使 高 阶 矩 变 化 较 大 ，特 别 是 离 一 阶 矩 较 远 的 距 离 单元信号的变化。 由 μ1≡0 ， 取 2~pmax 阶中心矩生成 pmax-1 维特征向量
m=[m2，m3，…，mp ] =[μ2，μ3，…，μp ]
max max
T
T
（4 ）
max
，j
其 中 pmax 为 用 于 生 成 特 征 向 量 的 中 心 矩 的 最 高 阶 数 ， 大 小一般根据经验选取 。 由式 （4 ） 可以看出特 征 向 量 m 含 有
组合的归一化特征向量 ， 则归一化训练数据库为 ：
Σx （ n ）
n=1
logN
。
其 中 {x （n ），n =1 ，2 ， … ，N} 为 一 维 距 离 像 ，N 为 距 离 单 元
N
对于不同的目标 ， 较大的熵表示散射中心在雷达辐射方 向上分布较均匀 ， 较小的熵说明散射中心分布较集中 。
数 。 则 x （n ）∈[0 ，1] ， 且 概率分布函数 。
A new feature extraction method for radar target recognition
YE Qi-yong ， LI Hui
（School of Electronics＆Information ， Northwestern Polytechnical University ， Xi ’an 710129 ， China ）
基金项目 ： 国 家自 然 科学基 金 （61171155）； 陕西 省 自 然 科学基 金 （2012JM8010） 作者简介 ： 叶 其 泳 （1988 —）， 男 ， 浙 江 苍 南 人 ， 硕士 研究生 。 研究方 向 ： 雷 达 信 号 处理 。
－116－
叶其泳， 等
1.2
基于高阶中心矩的特征提取方法
mf = 1 Q Rff = 1 Q-1 u1，u2，…，ud 构成变换矩阵
Q
Σf
j=1 j
j
（11 ）
T
Σ（f -m ）（f -m ）
f j f j=1
（12 ）
选择 Rff 的前 d （d≤pmax） 个最大特征值的对应的特征向量 （5 ）
雷 达 目标 特 征 提 取 的 一种 方法
1.3
基于熵的特征提取方法 在信息论中 ， 熵被认为不确定性的度量 ， 能够表示变量的 随机特 性 ， 均 匀 分 布 的 熵 最 大 ， 而 服 从 中 心 分 布 的 熵 较 小 ， 我 们可用距离像的幅值代替熵函数中的概率值 ， 对距离像归一
N
中心 矩 特 征最 早 是 用来 描 述 二维 图 像 信 号 特 征 ， 它 具 有 平 移和 尺 度 不变 性 。 对 于一 维 高 分辨 距 离 像 ， 其 一 阶 原 点 矩 定义如下 ：
Mellin 变换和基于准则函数的特征提取方法等方法 。
若直接用平均距离像作为特征向量对目标进行分类 ， 特 征维 数 很高 ， 使 模 板库 存 储 量庞 大 ， 且 不利 于 识 别 器 的 设 计 。 针 对 距 离像 平 移 敏感 性 问 题 ， 本 文 在 平均 距 离 像 基 础 上 进 一 步 提 取 平 移 不 变 特 征 ，在 特 征 域 对 目 标 进 行 识 别 ，新 特 征 维 数较低 ， 可以减少存储量和运算量 。
且要保留类别间的鉴别信息 ， 突出类别间的可分性 。 卡洛南 洛伊 （Karhunen-Loeve ） 变换 ， 简称 K-L 变换 ， 它以最小均方误 差为准则进行数据压缩 ， 是最小均方误差意义下的最优正交 变换 [5]。 K-L 变换是一种常用的特征提取方法 ， 适用于任意的 概率密度函数 ， 在消除模式特征之间的相关性 ， 突出差异性方 面有最优的效果 。 由于中心矩特征中含有较多的冗余信息 ， 故 对于中心矩和熵组合特征 ， 需要进行冗余信息的去除 ， 以及维 数的压缩 。 令 f j =[m2j，m3j，… ，m p ，Hj]T，j =1 ，2 ，… ，Q 为 中 心 矩 和 熵
Abstract: In this paper，based on preprocessing technique to radar one-dimensional range profiles，two translation-invariant features-central moments and entropy have been extracted to solve the sensitivity of translation and Orientation，and combined to form new features database， then using Karhunen-Loeve transform for further feature compression. The maximum and minimum distance criterion and the SVM classifier are designed to evaluate and compare the recognition performance. The experimental results show that the new feature extraction methods ，based on combination of the central moments-entropy， can significantly enhance the objectives of separability， and greatly improve the recognition rate. Key words: high range resolution profile ； central moments ； entropy ； feature extraction
采用中心矩熵组合特征分别离判别法和svm分类法进行目标识别15仿真研究实验所用一维高分辨距离像分别是雅克4226飞机目标转台实测数据包含了目标相对雷达180角域内的回波信息分类器分别采用最大最小距离判别法高斯核函数的svm对特征向量进行分类识别
第 20 卷
第 21 期
电子设计工程
Vol.20
No.21
N
m0 =Σnx （n ）
n=1
（1 ）
化处理 ， 令 ai =
ai
N
，i=1 ，2 ，…，N ， 因此 0≤ai≤1 ， 且
Σa =1，ຫໍສະໝຸດ i i=1则 HRRP 的 p 阶中心矩为 ：
N
Σa i
i=1
μp =Σ （n-m0）px （n ） p=1 ，2 ，…，pmax
n=1
（2 ）
ai 和概率有类似的性质 ， 从而可写出一维距离像的熵函数 ：
N
x （n ） 为归一化后的 HRRP ， 即 x （n ）= Nx （n ）
（3 ）
Hj =-Σailogai，j=1 ，2 ，…，Q
i=1
（9 ）
由 式 （9 ） 可 得 ：0 ＜Hj ≤logN ，Q 为 模 板 数 据 库 中 的 平 均 距 离像个数 。 对熵函数 Hj 进行归一化处理 ，Hj= Hj
F =[f1，f2，…，fQ]
可得样本均值向量 mf 和样本协方差矩阵 Rff
Q
（10 ）
HRRP 的形状信息 ， 同时具有平移不变性 。 一般来说 pmax 远小
于原距离像的维数 ， 因此从距离像中提取的特征向量 ， 维数要 比原始距离像降低很多 。 为设计分类器 ， 需构造包含各类目标各个方位的特征向 量的训练数据库 。 假设用于训练的目标有 Nc 类 ，Na 个方位 ， 对 应 Q=Nc ×Na 个平均距离像 ， 特征向量为
Electronic Design Engineering
2012 年 11 月 Nov. 2012
雷达目标特征提取的一种方法
叶其泳， 李 辉
（ 西 北工业 大学 电子信息 学院 ， 陕西 西安 710129 ） 摘要 ： 针对 雷 达 高分 辨 率 距离 像 （HRRP ） 方 位 敏 感 性和 平 移 敏 感 性的 问 题 ， 在对 一 维 距离 像 进 行 预 处 理 的 基 础 上 ， 提 取 两 个 平 移 不 变 特 征 ： 中 心 矩 和 熵 ， 并 将 二 者 形 成 组 合 特 征 ， 采 用 Karhunen-Loeve 变 换 进 一 步 进行 特 征 压 缩 ， 运 用 并 比较 了 最 大 最小 距离 判 别 法和 SVM 分 类 器 的 识别 性 能 ， 实验 结 果 表 明 中心 矩 - 熵 组 合 特 征 提 取 方 法 能 够 显 著 增 强 目 标 的 可 分 性 ， 大大 提 高 识别 率 。 关键词 ： 高分 辨 距离 像 ； 中心 矩 ； 熵 ； 特 征 提 取 中图分类号 ： TP391.4 文献标识码 ： A 文章编号 ：1674－6236 （2012 ）21-0116-03
1
1.1
特征提取
方位敏感性及其预处理 松弛 距 离像 的 方 位敏 感 性 可以 减 少 模 板 的 数 目 ， 降 低 识
别运算量是距离像识别中的一个重要问题 。 对于一维距离像 目标 识 别 ， 我 们 通 过对 目 标 的每 一 角 域建 立 对 应 一 个 模 板 的 分 角 域来 消 除 转动 带 来 的姿 态 敏 感性 ， 即 采 用 平 均 距 离 像 方 法 松弛 距 离 像的 方 位 敏感 性 [4]。 也 可以 在 特 征 提 取 与 压 缩 过 程中 ， 通过提取目标的不敏感特性 ， 消除转动带来的影响 。 如