CN112462355B - 一种基于时频三特征提取的对海目标智能检测方法 - Google Patents

Abstract

本发明提供了一种基于时频三特征提取的对海目标智能检测方法，采用短时傅里叶分析方法将目标与强杂波的混合回波数据映射到时间、频率的二维平面内，借助目标与杂波的时频特性差异实现精细化的特征提取和稳健的目标检测。本发明利用目标杂波的差异性，结合机器学习方法，实现强海杂波背景下的目标可靠检测。有效解决目标与杂波在时域或频域等一维域内高度重叠而难以分离的问题，在时频域实现对慢速运动目标的鲁棒检测，有更高的准确性与检测效率。

Description

一种基于时频三特征提取的对海目标智能检测方法

技术领域

本发明涉及雷达技术领域，涉及一种基于时频三特征的检测方法，适用于在复杂杂波背景下的慢速运动目标检测。

背景技术

对地/海杂波背景目标探测研究从简单到复杂，信号处理的维度不断扩展，经历了从时、频、空的单域处理，再到时频、空时的二维处理，再到空时频的多域处理的发展历程。雷达海上目标检测技术方面，20世纪40年代提出了固定门限检测，然而，随着背景环境的日益复杂化，为了满足雷达对虚警率控制的要求，恒虚警率检测技术被提出并逐渐应用到雷达装备中。20世纪50年代出现了以短时傅里叶变换为代表的变换域检测方法，后来又在压缩感知和稀疏表示的基础上逐步发展到表示域处理技术。20世纪90年代，以分形和混沌为代表的非线性科学开始应用到对海雷达目标检测中，并成为一个十分活跃和重要的分支。

对海雷达目标探测方法大致可归纳为以下几种途径：(1)时频分析杂波抑制方法，根据对待检测动目标的运动状态，选择合适的时频分析方法，变换至相应的时频域，根据运动目标的时频曲线的幅值或随时间变化规律进行检测和判定；(2)动目标微多普勒信号特征提取技术，以目标的微动特征为研究目标，微多普勒反映多普勒变化特性，为雷达目标特征提取和识别提供了新的途径；(3)动目标信号分数域相参积累处理技术(fractionalFourier transform，FRFT)，能够积累匀加速运动目标信号，适合低可观测机动目标的检测和参数估计；(4)动目标高分辨稀疏时频表示域处理技术，利用稀疏傅里叶变换方法，结合FRFT(fractional Fourier transform)的优势，提出SFRFT(Short-time fractionalFourier transform)方法，在获得高分辨的信号谱特征的同时抑制背景噪声和杂波，并且相比FRFT方法显著降低了大数据量处理时的运算量；(5)多手段动目标信息感知与融合技术，利用声、光、电、磁多传感器目标综合监视***，经过分布式检测融合、位置融合、属性融合、态势评估和威胁评估五个阶段进行动目标信息感知；(6)基于深度学习的动目标特征智能学习和识别技术，通过数学建模描述目标运动特征参数与运动状态，利用深度学习等智能学习思路，训练模型提高识别准确率。

总的来说，雷达对海探测技术发展趋势可以分为以下两个方面：一方面是多维信息综合利用，融合利用高维度精细化信息，可对回波信号进行更精细化描述，改善检测、估计、识别、评估和决策的性能。另一方面，雷达智能化目标探测，雷达目标探测关键在于特征的选取和提取过程，人工智能方法能够获取目标深层本质特征信息，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的精细化特征表示，有助于提高目标与杂波识别精度。

发明内容

为了克服现有技术的不足，本发明提供一种基于时频三特征提取的对海目标智能检测方法。为了克服现有基于单域的慢速目标检测方法识别准确率不足的问题，本发明采用短时傅里叶分析方法将目标与强杂波的混合回波数据映射到时间、频率的二维平面内，借助目标与杂波的时频特性差异实现精细化的特征提取和稳健的目标检测。本发明在充分分析实测数据时频特征的基础上，提出了基于时频三特征提取的对海目标智能检测方法，利用目标杂波的差异性，结合机器学习方法，实现强海杂波背景下的目标可靠检测。

本发明解决其技术问题所采用的技术方案的具体步骤如下：

步骤一：时频二维变换；

假设待测试的雷达回波信号表示为x(n)，其短时傅里叶变换表示为：

其中n和k是离散时间采样和离散频率采样数；h为窗函数；m为窗长度；N为傅里叶变换点数；

步骤二：时频特征提取；

首先沿短时傅里叶变换的时间轴将每一时间切片内的谱函数值进行累加，计算出第n个时间切片的谱函数值T_E_n：

时频平面总短时傅里叶变换谱函数值E为：

在此基础上，提取时频如下特征：

(1)时频峰度T_kurtosis

时频峰度T_kurtosis表示为：

其中，m_T和σ_T分别是特征向量[T_E₁,T_E₂,……,T_E_n]的均值和标准差，E(·)表示求信号均值的函数；

(2)时频偏度T_skeness

时频偏度T_skeness表示为：

(3)时频聚集度v

X(n,k)的四模与二模之比将大量的信号能量放在时频域的一个小区域内：

时频聚集度v的高值表示信号在时频平面具有较好的频率聚集度；

步骤三：模型训练

将数据集分成训练集和测试集按照，分别计算时频峰度、时频偏度和频率聚集度，并将训练集送入到机器学习网络中进行模型训练，模型通过算法迭代计算确定网络最优参数；最后，采用测试数据对当前网络进行测试，网络输出对测试数据的预测结果，将预测结果和实际结果对比，并统计目标检测准确度，当目标检测准确度与期望准确度的误差在预设范围内，则机器学习网络训练成功。

所述h为窗函数，取用汉明窗。

所述步骤三中，采用支持向量机分类方法(Support Vector MachineClassification，SVM)，将训练好SVM模型作为目标检测输出的判决器，判断当前待检测单元中是否存在目标，实现“目标”和“杂波”的鲁棒识别。

本发明的有益效果在于利用的是杂波与目标信号在时频域内的精细化特征差异性，能够有效解决目标与杂波在时域或频域等一维域内高度重叠而难以分离的问题，在时频域实现对慢速运动目标的鲁棒检测。和传统的基于单域特征的目标识别方法相比，该方法能够提取目标的精细化特征，利用公开的实测海杂波数据进行了算法验证，目标与杂波的二分类准确度达到98.92％。

本发明创新性的提出从时频域进行雷达目标特征的提取和分析，通过SVM进行分类模型的训练学习，最终实现海杂波背景下慢速小目标的智能化检测。该辨识方法较传统雷达目标检测技术(如CAFR)以及现有基于单域特征的雷达目标检测技术而言，有更高的准确性与检测效率。

附图说明

图1是(a)杂波单元的短时傅里叶变换图，图1(b)是目标单元的短时傅里叶变换图。

图2是本发明基于SVM时频特征提取的对海目标检测技术的流程图。

图3是分类特征参数矩阵示意图。

图4(a)目标和杂波单元特征三维分布对比图，图4(b)是时频分析结果，图4(c)是频域分析结果。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

步骤一：时频二维变换；

假设待测试的雷达回波信号表示为x(n)，其短时傅里叶变换表示为：

其中n和k是离散时间采样和离散频率采样数；h为窗函数，取用汉明窗；m为窗长度；N为傅里叶变换点数；

步骤二：时频特征提取；

首先沿短时傅里叶变换的时间轴将每一时间切片内的谱函数值进行累加，计算出第n个时间切片的谱函数值T_E_n：

时频平面总短时傅里叶变换谱函数值E为：

在此基础上，提取时频如下特征：

(1)时频峰度T_kurtosis

峰度是一种描述概率密度曲线的特征参数，反映曲线在均值位置峰值的高低情况；从概率密度分布图上看，峰的尖锐程度被峰度直观展现，测试样本点的峰度值需要和正态分布作对比，根据概率与统计的相关理论，可知当峰度值大于3时，说明该样本峰比正态分布峰要陡峭，反之亦然。时频峰度T_kurtosis表示为：

其中，m_T和σ_T分别是特征向量[T_E₁,T_E₂,……,T_E_n]的均值和标准差，E(·)表示求信号均值的函数；

(2)时频偏度T_skeness

偏度表征概率分布密度曲线相对于平均值不对称程度的特征数，偏度大于零代表统计数据分布偏右侧，偏度数值越大则偏移程度越高；同理，偏度小于零代表统计数据分布偏左侧，偏度数值越小则偏移程度越高；偏度等于零代表统计数据分布的较为均匀，时频偏度T_skeness表示为：

(3)时频聚集度v

X(n,k)的四模与二模之比将大量的信号能量放在时频域的一个小区域内：

时频聚集度v的高值表示信号在时频平面具有较好的频率聚集度；

步骤三：模型训练

将数据集分成训练集和测试集按照，分别计算时频峰度、时频偏度和频率聚集度，并将训练集送入到机器学习网络中进行模型训练，模型通过算法迭代计算确定网络最优参数；最后，采用测试数据对当前网络进行测试，网络输出对测试数据的预测结果，将预测结果和实际结果对比，并统计目标检测准确度，当目标检测准确度与期望准确度的误差在预设范围内，则机器学习网络训练成功。

本发明采用支持向量机分类方法(Support Vector Machine Classification，SVM)，将训练好SVM模型作为目标检测输出的判决器，判断当前待检测单元中是否存在目标，实现“目标”和“杂波”的鲁棒识别，处理算法流程图如图2所示。

以下实例过程参照图2。

本实例采用了IPIX公开数据，该数据提供了14个距离单元的回波数据，每个距离单元采集了131072个脉冲回波信号。针对该数据，基于时频三特征提取的对海目标检测技术具体步骤如下：

步骤一：时频二维变换

分别对14个距离单元的回波数据进行短时傅里叶变换，其中回波信号长度选2048，窗长设置为192。

步骤二：时频特征提取

为获取足够的时频三特征数据集和测试样集，对每一个距离单元数据，进行滑窗分段进行短时傅里叶变换，以第1个距离单元的短时傅里叶变换的训练集和测试集构建为例，三特征获取如下：

第1个距离单元的第1组样本获取：提取第1个距离单元离散时间采样点1#～2048#的数据进行短时傅里叶变换，计算海杂波时频峰度、时频偏度、时频聚集度；

第1个距离单元的第2组样本获取：提取第1个距离单元离散时间采样点51#～2098#的数据进行短时傅里叶变换，计算海杂波时频峰度、时频偏度、时频聚集度；

依次类推，每次滑动50个离散采样点计算1组时频三特征，本次实验中，第1个距离单元总共采集了2500个时频三特征样本；然后，再依次遍历14个单元，最终可构建一个14×2500的三特征矩阵，其排列方式如图3所示(每一个黑色方块代表该分段对应的特征参数的值)。

步骤三：SVM模型训练

结合先验信息，目标主能量在第7个距离单元，考虑到目标的扩展，可选择第6～8个距离单元的三特征标注为目标特征，则测试集和训练集分别从杂波单元1～4和杂波单元10～14中各随机选择100个样本点，从目标单元6～8中各随机选择100个样本点，共1200个样本点，并进行[-1,1]归一化和参数寻优预处理。

步骤四：数据测试

将预处理后的训练集输入SVM中进行分类训练，训练得到分类模型。将预处理后的测试集送入分类模型进行测试，得到分类结果，完成对目标的检测识别。

时频特征用来区分目标和背景海杂波，为了形成对比，对同一距离单元取三种单极化方式(HH/VV/HV)进行测试，其中‘H’代表水平极化，‘V’代表垂直极化。每一种单极化的数据依照上述步骤1和步骤2提取得到每种极化方式的特征矩阵，从中取训练集和测试集送入SVM中进行训练和测试。目标和杂波的区分可以视为一个二分类问题。不同极化下的检测结果如表1所示。

表1不同极化的检测结果

极化方式	归一化准确率	归一化虚警率
			HH极化	96.0833％	0.6667％
VV极化	98.25％	0.3333％
			HV极化	98.9167％	0％

由表1可知，单极化下的测试集样本点共1200个，识别准确率最高的是HV极化，准确率98.92％，虚警率0％。达到了比较理想的识别准确率，较好的控制了虚警率，实现了目标的识别功能。

为了测试特征维数对目标识别的影响，在HH极化下，对同一距离单元取不同双极化特征进行测试。每一种测试方法的数据按照上述步骤1和步骤2提取得到双极化特征矩阵，从中取训练集和测试集送入SVM中进行训练和测试。在相同条件下，按照上述步骤1和步骤2提取得到特征矩阵，从中取训练集和测试集送入SVM中进行训练和测试，计算三极化特征归一化识别准确率，用以对比参照。不同测试方法下的检测结果如表2所示。

表2 HH极化下不同测试方法的检测结果

由表2可知，不同测试方法下三特征识别准确率都较双特征识别准确率有所提高，纯目标单元的识别准确率要大于目标单元结合目标扩展单元的识别准确率。由于SVM分类问题本质上是一个寻找最优分类超平面满足最大分类间隔的问题，特征的维度越高，特征映射到高维空间后最优分类间隔越大，识别的准确率会有一定的提升；但是这种提升不是无限的，特征维数增加会造成信息冗余度和计算复杂度的增加，识别准确率呈现出边际递减效应。因此，本方法在考虑实际应用背景的前提下，采用了三极化特征作为分类特征组合。

仿真结果如图4所示。图中给出了频域分析、时域分析和时频分析特征提取目标识别的结果。从图中可以看出，由于目标和杂波在时域、频域高度重合，因此采用传统的一维的时域、频域等处理方法难以实现目标和杂波的有效提取，在时频域内体现为杂波特征小于目标特征数值，特征在高维空间线性可分；对于基于时频域分析的单极化目标检测方法，实现目标和杂波的有效识别，并达到了较高的识别准确率。

综上所述，本发明具有较好的目标检测性能，实现了雷达对海面慢速小目标的检测。

Claims (3)

1.一种基于时频三特征提取的对海目标智能检测方法，其特征在于包括下述步骤：

步骤一：时频二维变换；

假设待测试的雷达回波信号表示为x(n)，其短时傅里叶变换表示为：

其中n和k是离散时间采样和离散频率采样数；h为窗函数；m为窗长度；N为傅里叶变换点数；

步骤二：时频特征提取；

首先沿短时傅里叶变换的时间轴将每一时间切片内的谱函数值进行累加，计算出第n个时间切片的谱函数值T_E_n：

时频平面总短时傅里叶变换谱函数值E为：

在此基础上，提取时频如下特征：

(1)时频峰度T_kurtosis

时频峰度T_kurtosis表示为：

其中，m_T和σ_T分别是特征向量[T_E₁,T_E₂,……,T_E_n]的均值和标准差，E(·)表示求信号均值的函数；

(2)时频偏度T_skeness

时频偏度T_skeness表示为：

(3)时频聚集度v

X(n,k)的四模与二模之比将大量的信号能量放在时频域的一个小区域内：

时频聚集度v的高值表示信号在时频平面具有较好的频率聚集度；

步骤三：模型训练

将数据集分成训练集和测试集按照，分别计算时频峰度、时频偏度和频率聚集度，并将训练集送入到机器学习网络中进行模型训练，模型通过算法迭代计算确定网络最优参数；最后，采用测试数据对当前网络进行测试，网络输出对测试数据的预测结果，将预测结果和实际结果对比，并统计目标检测准确度，当目标检测准确度与期望准确度的误差在预设范围内，则机器学习网络训练成功。

2.一种利用权利要求1所述一种基于时频三特征提取的对海目标智能检测方法，其特征在于：

所述h为窗函数，取用汉明窗。

3.一种利用权利要求1所述一种基于时频三特征提取的对海目标智能检测方法，其特征在于：

所述步骤三中，采用支持向量机分类方法，将训练好SVM模型作为目标检测输出的判决器，判断当前待检测单元中是否存在目标，实现“目标”和“杂波”的鲁棒识别。

Images