基于雷达时域回波的目标识别特征提取方法

摘要

本发明涉及一种基于雷达时域回波的目标识别特征提取方法，包含：对目标回波信号进行去均值和能量归一化等预处理工作；对高速运动目标进行脉内运动补偿；滤除耦合在雷达回波中的目标速度、距离等非结构属性；充分利用滤波后信号的幅相信息，提取信号的积谱作为目标的识别特征。本发明去除耦合在雷达回波中的目标速度、距离等参数，只保留目标的结构属性，利用该特征可实现对目标的超分辨识别，充分利用信号的幅相信息，将信号的积谱作为目标的识别特征，由于回波积谱特征没有经过距离压缩，不存在信息量的丢失，且直接从目标时域信号中提取，因此该方法具备对目标的超分辨识别能力，可实现窄带雷达对目标的个体识别。

说明书

技术领域

本发明涉及信号处理技术领域，特别涉及一种基于雷达时域回波的目标识别特征提取方法。

背景技术

目前基于雷达回波信号的特征提取主要有RCS特征、调制谱特征、极化特征和极点特征等。其中，RCS特征是利用回波信号幅度的变化来判定目标的形状及运动规律，一般用于窄带雷达，很难做到对目标的个体识别。调制谱特征一般是利用目标上微动部件的调制信息来对目标识别，该方法不仅需要回波信号中含有微动调制信息，而且该方法对信噪比要求较高，一般也只用于目标分类；极化特征不仅需要极化天线来提取回波信号中的极化信息，同时也增加了数据处理量，该特征一般也只用来对目标进行分类；极点特征能实现对目标的个体识别，但该方法对噪声敏感，而且如果雷达发射的信号频率或带宽不适当，也不能激发目标的主要极点，正是因为这些原因限制了该方法在工程上的应用。

发明内容

针对现有技术中的不足，本发明提供一种基于雷达时域回波的目标识别特征提取方法，去除耦合在雷达回波中的目标速度、距离等非结构属性参数，只保留目标的结构属性，利用该目标识别特征实现对目标的超分辨识别。

按照本发明所提供的设计方案，一种基于雷达时域回波的目标识别特征提取方法，包含如下步骤：

步骤1.雷达回波信号预处理，对目标的每帧雷达回波信号进行去均值和能量归一化预处理；

步骤2.目标脉内运动补偿，对于高速运动目标，需估计出目标在脉冲持续时间内的径向运动速度来对回波信号进行运动补偿，然后进入下一步；对于低速运动目标，则直接进入下一步；

步骤3.目标非结构属性滤除，滤除耦合在回波信号中的非结构属性；

步骤4.计算目标时域信号的积谱属性，计算步骤3中输出信号的积谱，作为目标识别特征。

优选的，步骤1中进行去均值和能量归一化预处理公式为：st＝st-mean(st)，mpow＝sqrt((st·st^T)/N)，其中，st是一帧回波信号，mean(·)表示求取均值，sqrt(·)表示开根号，“^T”表示转置，N为一帧信号的采样点数；st＝st/mpow，此时st为去过均值并进行能量归一化的预处理后信号。

优选的，步骤3中的滤除耦合在回波信号中的非结构属性具体实现表达公式如下：mt＝st(2:N).*conj(st(1:N-1))，其中，conj(·)表示取信号的共轭，“.*”表示的是离散点之间的点乘；st＝mt.*conj(mt(1))，其中，st为滤除完目标非结构属性后的回波信号。

优选的，所述步骤4中的输出信号的积谱计算公式如下：I＝EPS(st)，其中，EPS(·)是计算信号的积谱函数。

本发明的有益效果：

本发明克服现有技术中只适用于目标分类、对噪声敏感等问题，直接从目标回波的时域信号出发，去除了耦合在回波中的目标速度、距离等非结构属性，并充分利用了信号的幅相信息，将信号的积谱作为目标的识别特征；由于回波积谱特征没有经过距离压缩，不存在信息量的丢失，且直接从目标时域信号中提取，因此该特征具备对目标的超分辨识别能力，可实现窄带雷达对目标的个体识别。

附图说明：

图1为本发明的具体实施流程图；

图2为中，(a)为本发明实施例二中测试用的目标1点散射模型，(b)为本发明实施例二中测试用的目标2点散射模型；

图3为本发明实施例二中两个测试目标在3次观测实验中的起始位置、飞行速度和飞行方向示意图；

图4为本发明实施例二中回波信号预处理的前后对比图；

图5为本发明实施例二中目标非结构属性去除的前后对比图；

图6为本发明实施例二中两个测试目标在不同距离、不同速度下积谱特征随姿态角的变化图。

具体实施方式：

下面结合附图和技术方案对本发明作进一步详细的说明，并通过优选的实施例详细说明本发明的实施方式，但本发明的实施方式并不限于此。

实施例一，参见图1所示，一种基于雷达时域回波的目标识别特征提取方法，包含如下步骤：

步骤1.雷达回波信号预处理，对目标的每帧雷达回波信号进行去均值和能量归一化预处理；

步骤2.目标脉内运动补偿，对于高速运动目标，需估计出目标在脉冲持续时间内的径向运动速度来对回波信号进行运动补偿，然后进入下一步；对于低速运动目标，则直接进入下一步；

步骤3.目标非结构属性滤除，滤除耦合在回波信号中的非结构属性；

步骤4.计算目标时域信号的积谱属性，计算步骤3中输出信号的积谱，作为目标识别特征。

其中，步骤1中进行去均值和能量归一化预处理公式可以为：st＝st-mean(st)，mpow＝sqrt((st·st^T)/N)，其中，st是一帧回波信号，mean(·)表示求取均值，sqrt(·)表示开根号，“^T”表示转置，N为一帧信号的采样点数；st＝st/mpow，此时st为去过均值并进行能量归一化的预处理后信号。

步骤3中的滤除耦合在回波信号中的非结构属性具体实现表达公式可以为：mt＝st(2:N).*conj(st(1:N-1))，其中，conj(·)表示取信号的共轭，“.*”表示的是离散点之间的点乘；st＝mt.*conj(mt(1))，其中，st为滤除完目标非结构属性后的回波信号。

步骤4中的输出信号的积谱计算公式可以为：I＝EPS(st)，其中，EPS(·)是计算信号的积谱函数。

本发明直接从目标雷达回波时域出发，不进行距离压缩；在滤除完目标回波中的速度、距离等非结构属性之后，只提取与目标姿态和结构相关的积谱作为识别特征；由于该特征没有经过距离压缩，所以具备对目标的超分辨识别能力，可实现窄带雷达对目标个体的识别；高速运动目标与低速运动目标的区分与雷达脉宽、速度有关，举例说明但不限于此，若雷达脉宽为1s左右，高速运动目标速度可达到3000m/s左右；若雷达脉宽为1ms左右，低速运动目标速度可达到1000m/s左右；若雷达脉宽一样，则与目标运动速度有关，通过目标运动速度来识别。

实施例二，参见图2～6所示，结合具体的实施方式及试验数据对本发明做进一步解释说明，该实施例测试用飞机点散射模型如图2中(a)、(b)所示，测试时累到用到的参数如下：载频f_c＝1.33GHz，脉冲重复频率PRF＝100Hz，脉冲宽度τ＝1ms，发射信号的带宽为B＝100kHz。测试目标的运动模型如图3所示，对每个目标分别在3个不同的距离上进行观测，每个距离上目标的运动速度不一样，但是在相同观测时间内，目标3次实验的转角相同。具体实现步骤如下：

步骤1：对接收到的目标回波信号进行预处理，预处理的内容包括去均值和能量归一化，处理结果对比图如图4所示，其中，(a)是未经预处理的回波信号，(b)是经过预处理之后的信号，假设st是一帧回波信号，则步骤1的具体算法如下：

st＝st-mean(st)(1)

mpow＝sqrt((st·st^T)/N)(2)

st＝st/mpow(3)

其中，mean(·)表示求取均值运算，sqrt(·)表示开根号运算。

步骤2：对于高速运动的目标，首先要估计目标的脉内运动速度，并进行运动补偿，以消除回波信号中的二次项，对于低速目标，可直接跳转到步骤3；

步骤3：滤除目标的非结构属性，对脉冲内相邻采样点进行共轭相乘，再乘以第一个采样点的共轭信号，处理结果对比图如图5所示，其中，(a)是经过预处理之后的信号，(b)是滤除完目标非结构属性后的信号。st是经过步骤1和步骤2得到的信号，步骤3的计算方法如下：

mt＝st(2:N).*conj(st(1:N-1))(4)

st＝mt.*conj(mt(1))(5)

其中，conj(·)表示取信号的共轭，“.*”表示的是离散点之间的点乘。公式(5)中的st就是滤除完目标非结构属性后的回波信号，如图5中(b)所示。

步骤4：计算步骤3中所得信号的积谱值，并将该积谱值作为目标的识别特征，st是经过步骤3得到的信号，则步骤4的计算方法如下：

x(k)＝FFT(st)

(6)

y(k)＝FFT(n.*st)

(7)

I(k)＝EPS(st)＝x(k)_R·y(k)_R+x(k)_I·y(k)_I

(8)

其中FFT(·)表示傅里叶变换，(·)_R表示取复信号的实部，(·)_I取复信号的虚部，此时I(k)即为信号的积谱，一般取I(0)作为目标的积谱特征。

图6为2个目标在不同距离和不同速度下积谱特征随姿态角的变化，从图6的(a)、(b)、(c)、(d)、(e)、(f)中可以看出来，同一个目标即使在不同距离、不同速度的条件下，其积谱特征随姿态角的变化趋势是一致的，而不同目标则这种变化趋势不一样，因此可以利用该特征来对目标进行识别；在仿真试验中，虽然雷达的分辨率为1500米，无法区分这两个目标，但是通过积谱特征却可以对这两个目标进行识别，说明该特征具有对目标的超分辨识别能力。

本发明并不局限于上述具体实施方式，本领域技术人员还可据此做出多种变化，但任何与本发明等同或者类似的变化都应涵盖在本发明权利要求的范围内。