CN107506794B - 基于决策树的地面运动目标分类算法 - Google Patents
基于决策树的地面运动目标分类算法 Download PDFInfo
- Publication number
- CN107506794B CN107506794B CN201710727147.4A CN201710727147A CN107506794B CN 107506794 B CN107506794 B CN 107506794B CN 201710727147 A CN201710727147 A CN 201710727147A CN 107506794 B CN107506794 B CN 107506794B
- Authority
- CN
- China
- Prior art keywords
- samples
- sample
- recorded
- vehicle
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 20
- 238000007635 classification algorithm Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000001629 suppression Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 239000012535 impurity Substances 0.000 claims description 33
- 230000003595 spectral effect Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract 2
- 229920003211 cis-1,4-polyisoprene Polymers 0.000 description 2
- ODKSFYDXXFIFQN-UHFFFAOYSA-M argininate Chemical compound [O-]C(=O)C(N)CCCNC(N)=N ODKSFYDXXFIFQN-UHFFFAOYSA-M 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及一种基于决策树的地面运动目标分类算法,该算法用于战场环境地面战场侦察雷达对轮式车辆、履带式车辆、单人和小分队的准确分类识别。首先进行杂波抑制和特征提取,基于每个特征利用贝叶斯分类器对训练样本进行训练,确定分类器门限,然后计算熵不纯度,以熵不纯度减少量最大为准则,寻找最优特征,进行分层分类。解决了四类目标分层分类过程中的特征最优选择问题:算法中基于熵不纯度减小量最大准则来选择特征作为根节点和层节点。相比基于经验的特征选择算法,基于决策树的特征选择能够实现分层过程中的特征择优,保证分层分类算法的性能。
Description
技术领域
本发明属于雷达技术领域,具体涉及一种基于决策树的地面运动目标分类算法,该算法用于战场环境下轮式车辆、履带式车辆、单兵和小分队的有效分类。
背景技术
地面运动目标分类技术在军事上具有重要的意义,地面运动目标分类可以用于威胁判断、获得战场上详细的态势情况,以供快速响应和决策。对于地面运动目标分类,可以利用运动目标的多普勒和微多普勒特征,进行特征提取,实现目标分类和识别。本发明针对战场侦察雷达重点关注的四类地面运动目标进行分类,目标类型包括轮式车辆、履带式车辆、单兵和小分队。
地面运动目标分类研究主要包括:地面典型运动目标(行人、轮式车辆和履带式车辆)的分类、单人的姿态识别、单人多人分类等。对于战场侦察雷达来说,地面典型运动目标的探测分类可以给出目标的属性和行为意图,因此是很有必要的。
目前,地面四类运动目标分类算法主要通过特征提取,进行分层识别。首先将四类目标分为人和车两大类,然后再进行具体细分,将人分为单兵和小分队,将车分为轮式车辆和履带式车辆。在分层识别的过程中,特征的选取很大程度上依赖于经验,比如进行人车分类时经常选择的特征是RCS特征和速度特征。其实还有其他的特征,比如L1范数的标准差可用于人车分类。因此,传统地面四类运动目标分类算法在进行分层分类方面特征选择没有理论支撑,依赖于经验,特征选择有时并非最优。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于决策树的地面运动目标分类方法,在分层分类的过程中选择最优的特征,从而保证分类的性能。
技术方案
一种基于决策树的地面运动目标分类算法,其特征在于步骤如下:
步骤1:杂波抑制:
1a)对时域信号进行傅里叶变换得到多普勒谱;
1b)在杂波范围内搜索最大值,记录最大值的幅度A、相位θ以及多普勒频率fc;
1c)重构最大值对应的杂波时域信号:
sc=(A/K)exp[j(2πfct+θ)]
其中K表示脉冲积累数,从原信号中减去杂波时域信号得到新的时域信号;
步骤2:在杂波抑制后的距离多普勒平面,进行特征提取,提取的特征包括:速度特征、雷达散射截面积RCS特征、两倍速度2v处微多普勒谱线数特征、L1范数标准差特征、归一化幅度和均值特征、谱线数均值特征:
2a)速度特征:
其中,NT和N0分别表示目标所在的多普勒通道和零多普勒通道;
2b)RCS特征:
其中,R为目标距离;k为波尔兹曼常数;T0为温度;Fn为接收机噪声系数;SNR为信噪比;L为雷达损耗引起的损失系数;Pt为发射功率;τ为发射脉冲宽度;G为天线增益;
2c)2v处微多普勒谱线数特征:
其中,n2v,i,i=1,2,…,nw表示目标在第i帧中的2v处谱线数,nw表示帧数;
2d)L1范数标准差特征:
f4=std(NORMl1)
其中,std(·)表示求标准差运算,表示目标频谱的L1范数,Um代表第m个多普勒通道的归一化幅度值,i1=min(2fv-f0,f0)和i2=max(2fv-f0,f0)分别表示0~2v的多普勒区间的下限和上限,min(·)和max(·)分别表示求最小值和最大值运算,fv表示目标速度v所对应得的多普勒频率,f0表示零多普勒频率;
2e)归一化幅度和均值特征:
其中,mean(·)表示求均值运算,Ui代表第i个多普勒通道的归一化幅度值,ts和te表示目标微多普勒所处的范围;
2f)谱线数均值特征:
f6=mean(te-ts+1)
将特征f1、f2和f4用于人车分类;f1和f3用于轮式车辆与履带式车辆分类;f2、f5和f6用于单人和小分队分类;
采用交互式二分法构建决策树,基于熵不纯度减小量最大准则确定根节点和层节点;定义熵计算公式,假设一个节点下有p类样本,其样本数为ni,i=1,2,…,p,则熵可由下式计算:
其中,符号log2(·)表示求以2为底的对数;
步骤3:建立根节点进行人车分类:
3a)基于训练数据对特征f1、f2和f4分别进行贝叶斯分类器训练,基于最小错误概率准则确定每个特征的分类器门限,具体流程如下:
3a1)计算先验概率:
其中,w1和w2分别表示两类目标类型,w1对应的特征fi,i=1,2,4较小;w1和w2对应的先验概率分别用P(w1)和P(w2)表示;N1和N分别表示训练样本中w1的样本数和总样本数;
3a2)将特征fi,i=1,2,4的分布区间[ai,bi],i=1,2,4进行等间隔划分,统计落入各个间隔的样本数,除以总样本数N,得到条件概率分布p(x|w1)和p(x|w2);其中和分别表示第i个特征在w1和w2中的区间分布;
3a3)将门限T在区间[ai,bi],i=1,2,4遍历,计算总错误率:
Pi(e)=P(w1)Pi,1(e)+P(w2)Pi,2(e)(i=1,2,4)
3a4)选择使总错误率最小的门限为贝叶斯分类门限:
其中,符号arg(·)表示满足代价函数的变量;
3b)根据每一个特征的分类门限对训练样本进行训练:
对不同的特征fi,i=1,2,4,依据不同的分类门限Ti,i=1,2,4,对训练样本进行训练,具体如下:
记人和车的样本数分别为Nr,Nc,统计正确分类的样本数:
3b1)对于速度f1特征,大于门限T1的车辆样本为正确判别的车辆样本,其样本数记为N11,小于T1的车辆样本称为错误判别的车辆样本,其样本数记为小于门限T1的人员样本为正确判别的人员样本,其样本数记为N12,大于T1的人员样本称为错误判别的人员样本,其样本数记为
3b2)对于特征f2,大于门限T2的车辆样本为正确判别的车辆样本,其样本数记为N21,小于T2的车辆样本称为错误判别的车辆样本,其样本数记为小于T2的人员样本为正确判别的人员样本,其样本数记为N22,大于T2的人员样本称为错误判别的人员样本,其样本数记为
3b3)对于特征f4,小于T4的车辆样本为正确判别的车辆样本,其样本数记为N41,大于T4的车辆样本称为错误判别的车辆样本,其样本数记为大于T4的人员样本为正确判别的人员样本,其样本数记为N42,小于T4的人员样本称为错误判别的人员样本,其样本数记为
3c)计算熵不纯度减小量:
3c1)计算不考虑任何特征时的熵不纯度I(N,Nr,Nc)
3c2)分别计算特征fi(i=1,2,4)的熵不纯度减小量:
ΔIi=I(N,Nr,Nc)-Ii(i=1,2,4),
3d)选择熵不纯度减小量最大的特征作为根节点,将目标分为人车两类,
步骤4:建立层节点进行轮式车辆和履带式车辆分类:
4a)基于训练数据对特征f1和f3分别进行贝叶斯分类器训练,基于最小错误概率准则确定每个特征的分类器门限,具体流程如下:
4a1)计算先验概率:
其中,w3和w4分别表示两类车辆目标类型,w3对应的特征fi(i=1,3)较小;w3和w4对应的先验概率分别用P(w3)和P(w4)表示;N3和Nc分别表示训练样本中w3的样本数和总的车辆样本数;
4a2)将特征fi,i=1,3的分布区间[ci,di],i=1,3进行等间隔划分,统计落入各个间隔的样本数,除以总样本数Nc,得到条件概率分布p(x|w3)和p(x|w4);其中,和分别表示第i个特征在w3和w4中的区间分布;
4a4)选择使总错误率最小的门限为贝叶斯分类门限:
4b)根据每一个特征的分类门限对车辆样本进行训练:
记轮式车辆和履带式车辆的样本数分别为Nl,Nlv,统计正确分类的样本数:
4b1)对于速度f1特征,大于门限的轮式车辆样本为正确判别的轮式车辆样本,其样本数记为小于的轮式车辆样本称为错误判别的轮式车辆样本,其样本数记为小于门限的履带式车辆样本为正确判别的履带式车辆样本,其样本数记为大于的履带式车辆样本称为错误判别的履带式车辆样本,其样本数记为
4b2)对于f3特征,小于门限的轮式车辆样本为正确判别的轮式车辆样本,其样本数记为大于的轮式车辆样本称为错误判别的轮式车辆样本,其样本数记为大于门限的履带式车辆样本为正确判别的履带式车辆样本,其样本数记为小于的履带式车辆样本称为错误判别的履带式车辆样本,其样本数记为
4c)计算熵不纯度减小量:
4c1)计算不考虑任何特征时的熵不纯度I(Nc,Nl,Nlv);
4c2)分别计算特征fi,i=1,3的熵不纯度减小量:
4d)选择熵不纯度减小量最大的特征作为车辆目标分类的层节点,将目标分为轮式车辆和履带式车辆两类,
步骤5:建立层节点进行单人和小分队分类:
5a)基于训练数据对特征f2、f5和f6分别进行贝叶斯分类器训练,基于最小错误概率准则确定每个特征的分类器门限,具体流程如下:
5a1)计算先验概率:
其中,w5和w6分别表示两类人员目标类型,w5对应的特征fi,i=2,5,6较小;w5和w6对应的先验概率分别用P(w5)和P(w6)表示;N5和Nr分别表示训练样本中w5的样本数和总的人员样本数;
5a2)将特征fi,i=2,5,6的分布区间[ei,gi],i=2,5,6进行等间隔划分,统计落入各个间隔的样本数,除以总样本数Nr,得到条件概率分布p(x|w5)和p(x|w6);其中和分别表示第i个特征在w5和w6中的区间分布;
5a4)选择使总错误率最小的门限为贝叶斯分类门限:
5b)根据每一个特征的分类门限对人员样本进行训练:
记单人和小分队的样本数分别为Nd,Nx,统计正确分类的样本数:
5b1)对于速度f2特征,小于门限的单人样本为正确判别的单人样本,其样本数记为大于的单人样本称为错误判别的单人样本,其样本数记为大于门限的小分队样本为正确判别的小分队样本,其样本数记为小于的小分队样本称为错误判别的小分队样本,其样本数记为
5b2)对于速度f5特征,小于门限的单人样本为正确判别的单人样本,其样本数记为大于的单人样本称为错误判别的单人样本,其样本数记为大于门限的小分队样本为正确判别的小分队样本,其样本数记为小于的小分队样本称为错误判别的小分队样本,其样本数记为
5b3)对于速度f6特征,小于门限的单人样本为正确判别的单人样本,其样本数记为大于的单人样本称为错误判别的单人样本,其样本数记为大于门限的小分队样本为正确判别的小分队样本,其样本数记为小于的小分队样本称为错误判别的小分队样本,其样本数记为
5c)计算熵不纯度减小量:
5c1)计算不考虑任何特征时的熵不纯度I(Nr,Nd,Nx)
5c2)分别计算特征fi,i=2,5,6的熵不纯度减小量:
5d)选择熵不纯度减小量最大的特征作为人员目标分类的层节点,将目标分为单人和小分队两类,
通过上述处理,将目标分为四个叶节点,对应四种目标类型,完成了决策树构建;
步骤6:测试:
测试阶段,对测试数据进行杂波抑制和特征提取后,按照决策树给出的规则进行分层判断,将判别的叶节点目标类型作为测试样本的识别类型。
有益效果
本发明提出的一种基于决策树的地面运动目标分类方法,在决策树构建过程中,根节点和层节点的特征选择基于最小错分率准则,实现了分层分类过程中的特征择优,保证了分类器的性能。
附图说明
图1是本发明的实现流程图;
图2是本发明的决策树构建流程图;
具体实施方式
现结合实施例、附图对本发明作进一步描述:
实现本发明的技术思路是:首先进行杂波抑制和特征提取,基于每个特征利用贝叶斯分类器对训练样本进行训练,确定分类器门限,然后计算熵不纯度,以熵不纯度减少量最大为准则,寻找最优特征,进行分层分类。
参照图1,本发明的具体实现步骤包括如下:
步骤1,杂波抑制:杂波抑制的准则:在进行杂波抑制的同时尽可能的保留原始信号的频率成分。
1a)对时域信号进行傅里叶变换得到多普勒谱,给定杂波谱宽度,确定最大迭代次数;杂波谱宽度和最大迭代次数可以利用如下规则确定:
1a1)对于地面战场侦察雷达来讲,其工作时雷达一般是静止的,此时地杂波主要分布在零多普勒频率附近;
1a2)由于地面目标通常活动于地面上,因此所处的杂波环境通常是地杂波。对于地面目标来说,其所处的杂波环境通常是地杂波环境。根据《雷达原理第五版》表8.1可以查得不同杂波的频谱标准偏差σv值。然后由σc=2σv/λ确定杂波谱宽度,其中λ表示雷达波长;
1b)在杂波范围内搜索最大值,记录最大值的幅度A、相位θ以及多普勒频率fc;
1c)重构最大值对应的杂波时域信号:
sc=(A/K)exp[j(2πfct+θ)],
其中K表示脉冲积累数,从原信号中减去杂波信号得到新的时域信号;
1d)重复1a)到1c)步骤直到最大迭代次数。
步骤2,对杂波抑制后的信号,进行特征提取:在杂波抑制后的距离多普勒平面,进行特征提取,提取的特征包括:速度特征、雷达散射截面积(RCS)特征、两倍速度(2v)处微多普勒谱线数特征、L1范数标准差特征、归一化幅度和均值特征、谱线数均值特征。
2a)速度特征:
其中NT和N0分别表示目标所在的多普勒通道和零多普勒通道。
2b)RCS特征:
式中,R为目标距离;k为波尔兹曼常数;T0为温度;Fn为接收机噪声系数;SNR为信噪比;L为雷达损耗引起的损失系数;Pt为发射功率;τ为发射脉冲宽度;G为天线增益。
2c)2v处微多普勒谱线数特征:
其中n2v,i(i=1,2,…,nw)表示目标在第i帧中的2v处谱线数,nw表示帧数。
2d)L1范数标准差特征:
f4=std(NORMl1),
其中std(·)表示求标准差运算,表示目标频谱的L1范数,Um代表第m个多普勒通道的归一化幅度值,i1=min(2fv-f0,f0)和i2=max(2fv-f0,f0)分别表示0~2v的多普勒区间的下限和上限,min(·)和max(·)分别表示求最小值和最大值运算,fv表示目标速度v所对应得的多普勒频率,f0表示零多普勒频率。对每一个相干处理间隔(CPI),提取NORMl1,统计不同CPI之间NORMl1的方差。
2e)归一化幅度和均值特征:
其中mean(·)表示求均值运算,Ui代表第i个多普勒通道的归一化幅度值,ts和te表示目标微多普勒所处的范围。对每一个CPI,提取幅度和,统计不同CPI之间幅度和的均值。
2f)谱线数均值特征:
f6=mean(te-ts+1),
对每一个CPI,提取谱线数,统计不同CPI之间谱线数的均值。
步骤3,构建决策树:
首先定义熵计算公式,假设一个节点下有p类样本,其样本数为ni(i=1,2,…,p),则熵可由下式计算:
其中符号log2(·)表示求以2为底的对数。然后基于熵不纯度减小量最大准则确定根节点和层节点:
3a)建立根节点进行人车分类:
3a1)将特征f1、f2和f4用于人车分类,基于训练数据对特征fi(i=1,2,4)分别进行贝叶斯分类器训练,具体流程如下:
3a11)计算先验概率:
其中w1和w2分别表示两类目标类型,w1对应的特征fi(i=1,2,4)较小。w1和w2对应的先验概率分别用P(w1)和P(w2)表示。N1和N分别表示训练样本中w1的样本数和总样本数。
3a12)将特征fi(i=1,2,4)的分布区间[ai,bi](i=1,2,4)进行等间隔划分,统计落入各个间隔的样本数,除以总样本数N,得到条件概率分布p(x|w1)和p(x|w2)。其中和分别表示第i个特征在w1和w2中的区间分布。
3a13)将门限T在区间[ai,bi](i=1,2,4)遍历,计算总错误率:
Pi(e)=P(w1)Pi,1(e)+P(w2)Pi,2(e)(i=1,2,4),
3a14)选择使总错误率最小的门限为贝叶斯分类门限:
其中符号arg(·)表示满足代价函数的变量。
3a2)根据每一个特征的分类门限对训练样本进行训练:
对不同的特征fi(i=1,2,4),依据不同的分类门限Ti(i=1,2,4),对训练样本进行训练,具体如下:
记人和车的样本数分别为Nr,Nc,统计正确分类的样本数:
3a21)对于速度f1特征,大于门限T1的车辆样本为正确判别的车辆样本,其样本数记为N11,小于T1的车辆样本称为错误判别的车辆样本,其样本数记为小于门限T1的人员样本为正确判别的人员样本,其样本数记为N12,大于T1的人员样本称为错误判别的人员样本,其样本数记为
3a22)对于特征f2,大于门限T2的车辆样本为正确判别的车辆样本,其样本数记为N21,小于T2的车辆样本称为错误判别的车辆样本,其样本数记为小于T2的人员样本为正确判别的人员样本,其样本数记为N22,大于T2的人员样本称为错误判别的人员样本,其样本数记为
3a23)对于特征f4,小于T4的车辆样本为正确判别的车辆样本,其样本数记为N41,大于T4的车辆样本称为错误判别的车辆样本,其样本数记为大于T4的人员样本为正确判别的人员样本,其样本数记为N42,小于T4的人员样本称为错误判别的人员样本,其样本数记为
3a3)计算熵不纯度减小量
3a31)计算不考虑任何特征时的熵不纯度I(N,Nr,Nc)
3a32)分别计算特征fi(i=1,2,4)的熵不纯度减小量:
ΔIi=I(N,Nr,Nc)-Ii(i=1,2,4),
3a4)选择熵不纯度减小量最大的特征作为根节点,将目标分为人车两类,
3b)建立层节点进行轮式车辆和履带式车辆分类:
3b1)将f1和f3用于轮式车辆与履带式车辆分类,基于训练数据对特征f1和f3分别进行贝叶斯分类器训练,具体流程如下:
3b11)计算先验概率:
其中w3和w4分别表示两类车辆目标类型,w3对应的特征fi(i=1,3)较小。w3和w4对应的先验概率分别用P(w3)和P(w4)表示。N3和Nc分别表示训练样本中w3的样本数和总的车辆样本数。
3b12)将特征fi(i=1,3)的分布区间[ci,di](i=1,3)进行等间隔划分,统计落入各个间隔的样本数,除以总样本数Nc,得到条件概率分布p(x|w3)和p(x|w4)。其中和分别表示第i个特征在w3和w4中的区间分布。
3b14)选择使总错误率最小的门限为贝叶斯分类门限:
3b2)根据每一个特征的分类门限对车辆样本进行训练:
记轮式车辆和履带式车辆的样本数分别为Nl,Nlv,统计正确分类的样本数:
3b21)对于速度f1特征,大于门限的轮式车辆样本为正确判别的轮式车辆样本,其样本数记为小于的轮式车辆样本称为错误判别的轮式车辆样本,其样本数记为小于门限的履带式车辆样本为正确判别的履带式车辆样本,其样本数记为大于的履带式车辆样本称为错误判别的履带式车辆样本,其样本数记为
3b22)对于f3特征,小于门限的轮式车辆样本为正确判别的轮式车辆样本,其样本数记为大于的轮式车辆样本称为错误判别的轮式车辆样本,其样本数记为大于门限的履带式车辆样本为正确判别的履带式车辆样本,其样本数记为小于的履带式车辆样本称为错误判别的履带式车辆样本,其样本数记为
3b3)计算熵不纯度减小量
3b31)计算不考虑任何特征时的熵不纯度I(Nc,Nl,Nlv)
3b32)分别计算特征fi(i=1,3)的熵不纯度减小量:
3b4)选择熵不纯度减小量最大的特征作为车辆目标分类的层节点,将目标分为轮式车辆和履带式车辆两类,
3c)建立层节点进行单人和小分队分类:
3c1)将f2、f5和f6用于单人和小分队分类,基于训练数据对特征fi(i=2,5,6)分别进行贝叶斯分类器训练,具体流程如下:
3c11)计算先验概率:
其中w5和w6分别表示两类人员目标类型,w5对应的特征fi(i=2,5,6)较小。w5和w6对应的先验概率分别用P(w5)和P(w6)表示。N5和Nr分别表示训练样本中w5的样本数和总的人员样本数。
3c12)将特征fi(i=2,5,6)的分布区间[ei,gi](i=2,5,6)进行等间隔划分,统计落入各个间隔的样本数,除以总样本数Nr,得到条件概率分布p(x|w5)和p(x|w6)。其中和分别表示第i个特征在w5和w6中的区间分布。
3c14)选择使总错误率最小的门限为贝叶斯分类门限:
3c2)根据每一个特征的分类门限对人员样本进行训练:
记单人和小分队的样本数分别为Nd,Nx,统计正确分类的样本数:
3c21)对于速度f2特征,小于门限的单人样本为正确判别的单人样本,其样本数记为大于的单人样本称为错误判别的单人样本,其样本数记为大于门限的小分队样本为正确判别的小分队样本,其样本数记为小于的小分队样本称为错误判别的小分队样本,其样本数记为
3c22)对于速度f5特征,小于门限的单人样本为正确判别的单人样本,其样本数记为大于的单人样本称为错误判别的单人样本,其样本数记为大于门限的小分队样本为正确判别的小分队样本,其样本数记为小于的小分队样本称为错误判别的小分队样本,其样本数记为
3c23)对于速度f6特征,小于门限的单人样本为正确判别的单人样本,其样本数记为大于的单人样本称为错误判别的单人样本,其样本数记为大于门限的小分队样本为正确判别的小分队样本,其样本数记为小于的小分队样本称为错误判别的小分队样本,其样本数记为
3c3)计算熵不纯度减小量
3c31)计算不考虑任何特征时的熵不纯度I(Nr,Nd,Nx)
3c32)分别计算特征fi(i=2,5,6)的熵不纯度减小量:
3c4)选择熵不纯度减小量最大的特征作为人员目标分类的层节点,将目标分为单人和小分队两类,
通过上述处理,将目标分为四个叶节点,对应四种目标类型,完成了决策树构建。
步骤4,测试
测试阶段,对测试数据进行杂波抑制和特征提取后,按照决策树给出的规则进行分层判断,将判别的叶节点目标类型作为测试样本的识别类型。
Claims (1)
1.一种基于决策树的地面运动目标分类算法,其特征在于步骤如下:
步骤1:杂波抑制:
1a)对时域信号进行傅里叶变换得到多普勒谱;
1b)在杂波范围内搜索最大值,记录最大值的幅度A、相位θ以及多普勒频率fc;
1c)重构最大值对应的杂波时域信号:
sc=(A/K)exp[j(2πfct+θ)]
其中K表示脉冲积累数,从原信号中减去杂波时域信号得到新的时域信号;
步骤2:在杂波抑制后的距离多普勒平面,进行特征提取,提取的特征包括:速度特征、雷达散射截面积RCS特征、两倍速度2v处微多普勒谱线数特征、L1范数标准差特征、归一化幅度和均值特征、谱线数均值特征:
2a)速度特征:
其中,NT和N0分别表示目标所在的多普勒通道和零多普勒通道;
2b)RCS特征:
其中,R为目标距离;k为波尔兹曼常数;T0为温度;Fn为接收机噪声系数;SNR为信噪比;L为雷达损耗引起的损失系数;Pt为发射功率;τ为发射脉冲宽度;G为天线增益;
2c)2v处微多普勒谱线数特征:
其中,n2v,i,i=1,2,…,nw表示目标在第i帧中的2v处谱线数,nw表示帧数;
2d)L1范数标准差特征:
f4=std(NORMl1)
其中,std(·)表示求标准差运算,表示目标频谱的L1范数,Um代表第m个多普勒通道的归一化幅度值,i1=min(2fv-f0,f0)和i2=max(2fv-f0,f0)分别表示0~2v的多普勒区间的下限和上限,min(·)和max(·)分别表示求最小值和最大值运算,fv表示目标速度v所对应得的多普勒频率,f0表示零多普勒频率;
2e)归一化幅度和均值特征:
其中,mean(·)表示求均值运算,Ui代表第i个多普勒通道的归一化幅度值,ts和te表示目标微多普勒所处的范围;
2f)谱线数均值特征:
f6=mean(te-ts+1)
将特征f1、f2和f4用于人车分类;f1和f3用于轮式车辆与履带式车辆分类;f2、f5和f6用于单人和小分队分类;
采用交互式二分法构建决策树,基于熵不纯度减小量最大准则确定根节点和层节点;定义熵计算公式,假设一个节点下有p类样本,其样本数为ni,i=1,2,…,p,则熵可由下式计算:
其中,符号log2(·)表示求以2为底的对数;
步骤3:建立根节点进行人车分类:
3a)基于训练数据对特征f1、f2和f4分别进行贝叶斯分类器训练,基于最小错误概率准则确定每个特征的分类器门限,具体流程如下:
3a1)计算先验概率:
其中,w1和w2分别表示两类目标类型,w1对应的特征fi,i=1,2,4较小;w1和w2对应的先验概率分别用P(w1)和P(w2)表示;N1和N分别表示训练样本中w1的样本数和总样本数;
3a2)将特征fi,i=1,2,4的分布区间[ai,bi],i=1,2,4进行等间隔划分,统计落入各个间隔的样本数,除以总样本数N,得到条件概率分布p(x|w1)和p(x|w2);其中 和分别表示第i个特征在w1和w2中的区间分布;
3a3)将门限T在区间[ai,bi],i=1,2,4遍历,计算总错误率:
Pi(e)=P(w1)Pi,1(e)+P(w2)Pi,2(e),i=1,2,4,
3a4)选择使总错误率最小的门限为贝叶斯分类门限:
其中,符号arg(·)表示满足代价函数的变量;
3b)根据每一个特征的分类门限对训练样本进行训练:
对不同的特征fi,i=1,2,4,依据不同的分类门限Ti,i=1,2,4,对训练样本进行训练,具体如下:
记人和车的样本数分别为Nr,Nc,统计正确分类的样本数:
3b1)对于速度f1特征,大于门限T1的车辆样本为正确判别的车辆样本,其样本数记为N11,小于T1的车辆样本称为错误判别的车辆样本,其样本数记为小于门限T1的人员样本为正确判别的人员样本,其样本数记为N12,大于T1的人员样本称为错误判别的人员样本,其样本数记为
3b2)对于特征f2,大于门限T2的车辆样本为正确判别的车辆样本,其样本数记为N21,小于T2的车辆样本称为错误判别的车辆样本,其样本数记为小于T2的人员样本为正确判别的人员样本,其样本数记为N22,大于T2的人员样本称为错误判别的人员样本,其样本数记为
3b3)对于特征f4,小于T4的车辆样本为正确判别的车辆样本,其样本数记为N41,大于T4的车辆样本称为错误判别的车辆样本,其样本数记为大于T4的人员样本为正确判别的人员样本,其样本数记为N42,小于T4的人员样本称为错误判别的人员样本,其样本数记为
3c)计算熵不纯度减小量:
3c1)计算不考虑任何特征时的熵不纯度I(N,Nr,Nc)
3c2)分别计算特征fi,i=1,2,4的熵不纯度减小量:
ΔIi=I(N,Nr,Nc)-Ii,i=1,2,4,
3d)选择熵不纯度减小量最大的特征作为根节点,将目标分为人车两类,
步骤4:建立层节点进行轮式车辆和履带式车辆分类:
4a)基于训练数据对特征f1和f3分别进行贝叶斯分类器训练,基于最小错误概率准则确定每个特征的分类器门限,具体流程如下:
4a1)计算先验概率:
其中,w3和w4分别表示两类车辆目标类型,w3对应的特征fi较小,i=1,3;w3和w4对应的先验概率分别用P(w3)和P(w4)表示;N3和Nc分别表示训练样本中w3的样本数和总的车辆样本数;
4a2)将特征fi,i=1,3的分布区间[ci,di],i=1,3进行等间隔划分,统计落入各个间隔的样本数,除以总样本数Nc,得到条件概率分布p(x|w3)和p(x|w4);其中, 和分别表示第i个特征在w3和w4中的区间分布;
4a4)选择使总错误率最小的门限为贝叶斯分类门限:
4b)根据每一个特征的分类门限对车辆样本进行训练:
记轮式车辆和履带式车辆的样本数分别为Nl,Nlv,统计正确分类的样本数:
4b1)对于速度f1特征,大于门限的轮式车辆样本为正确判别的轮式车辆样本,其样本数记为小于的轮式车辆样本称为错误判别的轮式车辆样本,其样本数记为小于门限的履带式车辆样本为正确判别的履带式车辆样本,其样本数记为大于的履带式车辆样本称为错误判别的履带式车辆样本,其样本数记为
4b2)对于f3特征,小于门限的轮式车辆样本为正确判别的轮式车辆样本,其样本数记为大于的轮式车辆样本称为错误判别的轮式车辆样本,其样本数记为大于门限的履带式车辆样本为正确判别的履带式车辆样本,其样本数记为小于的履带式车辆样本称为错误判别的履带式车辆样本,其样本数记为
4c)计算熵不纯度减小量:
4c1)计算不考虑任何特征时的熵不纯度I(Nc,Nl,Nlv);
4c2)分别计算特征fi,i=1,3的熵不纯度减小量:
4d)选择熵不纯度减小量最大的特征作为车辆目标分类的层节点,将目标分为轮式车辆和履带式车辆两类,
步骤5:建立层节点进行单人和小分队分类:
5a)基于训练数据对特征f2、f5和f6分别进行贝叶斯分类器训练,基于最小错误概率准则确定每个特征的分类器门限,具体流程如下:
5a1)计算先验概率:
其中,w5和w6分别表示两类人员目标类型,w5对应的特征fi,i=2,5,6较小;w5和w6对应的先验概率分别用P(w5)和P(w6)表示;N5和Nr分别表示训练样本中w5的样本数和总的人员样本数;
5a2)将特征fi,i=2,5,6的分布区间[ei,gi],i=2,5,6进行等间隔划分,统计落入各个间隔的样本数,除以总样本数Nr,得到条件概率分布p(x|w5)和p(x|w6);其中 和分别表示第i个特征在w5和w6中的区间分布;
5a4)选择使总错误率最小的门限为贝叶斯分类门限:
5b)根据每一个特征的分类门限对人员样本进行训练:
记单人和小分队的样本数分别为Nd,Nx,统计正确分类的样本数:
5b1)对于速度f2特征,小于门限的单人样本为正确判别的单人样本,其样本数记为大于的单人样本称为错误判别的单人样本,其样本数记为大于门限的小分队样本为正确判别的小分队样本,其样本数记为小于的小分队样本称为错误判别的小分队样本,其样本数记为
5b2)对于速度f5特征,小于门限的单人样本为正确判别的单人样本,其样本数记为大于的单人样本称为错误判别的单人样本,其样本数记为大于门限的小分队样本为正确判别的小分队样本,其样本数记为小于的小分队样本称为错误判别的小分队样本,其样本数记为
5b3)对于速度f6特征,小于门限的单人样本为正确判别的单人样本,其样本数记为大于的单人样本称为错误判别的单人样本,其样本数记为大于门限的小分队样本为正确判别的小分队样本,其样本数记为小于的小分队样本称为错误判别的小分队样本,其样本数记为
5c)计算熵不纯度减小量:
5c1)计算不考虑任何特征时的熵不纯度I(Nr,Nd,Nx)
5c2)分别计算特征fi,i=2,5,6的熵不纯度减小量:
5d)选择熵不纯度减小量最大的特征作为人员目标分类的层节点,将目标分为单人和小分队两类,
通过上述处理,将目标分为四个叶节点,对应四种目标类型,完成了决策树构建;
步骤6:测试:
测试阶段,对测试数据进行杂波抑制和特征提取后,按照决策树给出的规则进行分层判断,将判别的叶节点目标类型作为测试样本的识别类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710727147.4A CN107506794B (zh) | 2017-08-23 | 2017-08-23 | 基于决策树的地面运动目标分类算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710727147.4A CN107506794B (zh) | 2017-08-23 | 2017-08-23 | 基于决策树的地面运动目标分类算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107506794A CN107506794A (zh) | 2017-12-22 |
CN107506794B true CN107506794B (zh) | 2020-08-14 |
Family
ID=60691548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710727147.4A Active CN107506794B (zh) | 2017-08-23 | 2017-08-23 | 基于决策树的地面运动目标分类算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506794B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117776B (zh) * | 2018-08-02 | 2021-09-07 | 西安电子工程研究所 | 基于航迹信息的飞机与气象杂波分类识别方法 |
CN109597044B (zh) * | 2018-11-27 | 2022-12-06 | 西安电子工程研究所 | 基于分级决策树的宽带极化雷达导引头目标识别方法 |
CN109932720A (zh) * | 2019-03-19 | 2019-06-25 | 北京润科通用技术有限公司 | 基于雷达的运动目标识别方法及装置 |
CN109975780B (zh) * | 2019-04-17 | 2022-12-06 | 西安电子工程研究所 | 基于脉冲多普勒雷达时域回波的直升机型号识别算法 |
CN110488264A (zh) * | 2019-07-05 | 2019-11-22 | 珠海格力电器股份有限公司 | 人员检测方法、装置、电子设备及存储介质 |
CN110554368B (zh) * | 2019-08-29 | 2021-08-17 | 北京理工大学 | 一种基于四维信息权重的人车识别方法 |
CN112581642B (zh) * | 2020-12-02 | 2022-03-25 | 四川铁投信息技术产业投资有限公司 | 一种基于高速公路门架计费数据的偷逃费车辆稽查方法 |
CN112782684B (zh) * | 2020-12-31 | 2023-07-28 | 深圳大学 | 一种人体目标检测方法、装置、计算机设备和存储介质 |
CN112882011A (zh) * | 2021-01-12 | 2021-06-01 | 西安电子科技大学 | 基于频域相关性特征的雷达载频变化稳健目标识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077787A (zh) * | 2014-07-08 | 2014-10-01 | 西安电子科技大学 | 一种基于时域和多普勒域的飞机目标分类方法 |
CN104239894A (zh) * | 2014-09-03 | 2014-12-24 | 西安电子科技大学 | 基于时域相关性特征的飞机目标分类方法 |
CN105403872A (zh) * | 2015-11-04 | 2016-03-16 | 北京无线电测量研究所 | 一种运动车辆目标分类方法及*** |
-
2017
- 2017-08-23 CN CN201710727147.4A patent/CN107506794B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077787A (zh) * | 2014-07-08 | 2014-10-01 | 西安电子科技大学 | 一种基于时域和多普勒域的飞机目标分类方法 |
CN104239894A (zh) * | 2014-09-03 | 2014-12-24 | 西安电子科技大学 | 基于时域相关性特征的飞机目标分类方法 |
CN105403872A (zh) * | 2015-11-04 | 2016-03-16 | 北京无线电测量研究所 | 一种运动车辆目标分类方法及*** |
Non-Patent Citations (2)
Title |
---|
基于微多普勒特征的单人与小分队分类技术;罗丁利等;《电讯技术》;20160930;第969-975页 * |
基于微多普勒特征的运动车辆分类方法研究;杨磊等;《火控雷达技术》;20140930;第36-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107506794A (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506794B (zh) | 基于决策树的地面运动目标分类算法 | |
CN109061600B (zh) | 一种基于毫米波雷达数据的目标识别方法 | |
CN106778610B (zh) | 一种基于时频图像特征的脉内调制识别方法 | |
CN111428631B (zh) | 无人机飞控信号可视化识别分选方法 | |
CN106546975B (zh) | 一种基于雷达数据的轻小型无人机与飞鸟分类识别方法 | |
CN111401168B (zh) | 一种无人机的多层雷达特征提取与选择方法 | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN111142085B (zh) | 一种基于航迹特征提取的外辐射源雷达目标分类识别方法 | |
Lim et al. | Detection and localization of people inside vehicle using impulse radio ultra-wideband radar sensor | |
CN116027324B (zh) | 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备 | |
KR102221839B1 (ko) | 잡음 환경 내 실시간 심장 박동수 탐지 장치 및 그 방법 | |
CN113850204A (zh) | 一种基于深度学习和超宽带雷达的人体动作识别方法 | |
CN114814832A (zh) | 基于毫米波雷达的人体跌倒行为实时监测***及监测方法 | |
CN113640768A (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
Sinha et al. | Estimation of Doppler profile using multiparameter cost function method | |
CN113960587B (zh) | 基于类别信息反馈的毫米波雷达多目标跟踪方法 | |
CN115657005A (zh) | 一种基于多普勒雷达多信息融合的无人机识别方法 | |
CN113341392B (zh) | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN108107410B (zh) | 一种异型雷达联合判决目标检测方法 | |
CN110658506B (zh) | 一种基于角度聚类和多普勒分析的微多普勒杂波滤除方法 | |
Awadhiya | Particle filter based track before detect method for space surveillance radars | |
CN113126050A (zh) | 一种基于神经网络的生命探测方法 | |
CN115422962A (zh) | 一种基于毫米波雷达和深度学习算法的姿态和手势识别方法及装置 | |
CN110940959B (zh) | 一种用于低分辨雷达地面目标的人车分类识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |