基于雷达宽窄带多特征信息融合的空中目标识别

孙 俊，陈亚伟，李崇谊，谢苏道

(1.中国电子科技集团公司智能感知技术重点实验室， 南京210039)(2.南京电子技术研究所， 南京210039)

0 引言

利用雷达对目标的测量信息进行自动目标识别有多种途径，根据雷达距离分辨率的高低，可以将雷达自动目标识别分为低距离分辨率目标识别和高距离分辨率目标识别，二者利用不同目标特征解决不同层次的目标识别问题。目标雷达窄带信息所携带的目标特征有限，仅仅依靠目标的窄带回波信息的目标识别技术很难满足作战的需求;而宽带信号具有高的距离分辨率，能够反映目标结构等细节信息，目标信息量较窄带信息大得多，对目标识别非常有利。

随着高分辨率雷达技术的成熟，目前国内学者对雷达目标识别的研究由八、九十年代以窄带特征识别为主转变为以宽带特征目标识别研究为主，这期间以国防科技大学、西安电子科技大学等院校的理论科研成果居多。而窄带信号提取的目标雷达横截面(RCS)和运动特征，如:目标的高度、航迹、速度等，反映了目标的窄带电磁散射特性和运动性能，对目标也是具有区分力的。高分辨一维距离像(High Resolution Range Profile，HRRP)刻画目标结构细节，运动特征则反映目标作为“点”看待时的运动性能。二者具有较好的独立性和互补性，将目标HRRP与运动特征相结合进行目标识别，对于提高系统识别性能是很有潜力的。另外，随着现代雷达技术的不断发展，当前许多雷达系统都可以提供目标所对应的宽窄带回波信息，这也为宽窄带的融合提供了很好的现实条件。

由于目标的宽带和窄带信息有很强的互补性，同时利用雷达的宽带和窄带信息对目标识别大有好处，主要体现在以下四个方面:(1)利用窄带信息估计得到的目标姿态信息可以用于提高识别率、降低运算量;(2)目标类别数较多时，先利用窄带信息对目标进行分类，再利用宽带信息识别的策略有利于目标识别的实时处理和实际工程应用;(3)目标宽带特征和RCS(RCS起伏特性)、速度、加速度、运动轨迹、微多普勒等窄带特征有较强的互补性，综合利用上述特征可以进一步提高系统识别的稳健性;(4)在复杂背景下，宽、窄带多特征的利用可以增加目标识别系统识别信息的输出量，信息融合后的决策准确性较高。

本文以HRRP进行目标识别作为基线系统，进一步融合目标的窄带运动特征，基于DS证据理论的宽窄带融合识别方法进行研究。在分析以HRRP的功率谱和目标速度、高度为识别特征的宽窄带识别系统特点的基础上，利用DS证据理论实现了基于宽窄带识别结果的决策层融合目标识别，给出外场实测数据的测试结果与性能分析，证明了算法的有效性。

1 基于HRRP的宽带目标识别

采用的宽带识别系统以HRRP的频谱幅度和目标姿态角为输入，通过训练得到不同目标在各个角域的高斯混合模型，将基于该模型获得的输入样本的类别隶属度作为宽带识别系统的输出，详细流程如图1所示。算法见文献［1］。由所选择的宽带识别特征与识别方法决定该宽带识别结果具有以下三个特点:

图1 宽带识别流程

1)识别性能较好。作为宽带识别特征基础的HRRP可以看作是目标等效散射点回波沿雷达视线方向的投影矢量和，它调制了目标的形状和结构等细节信息，对不同目标具有较好的区分能力。由其计算得到的功率谱不仅保留了大量的调制信息，同时，又很好地克服了平移敏感性，保证了宽带识别结果较好的准确性。

2)姿态角敏感。虽然宽带识别率方法中运用了分角域处理，提高了单个目标在不同角域的识别性能，但是不同目标在各个角域的区分度是有很大差异的，反映在宽带识别结果上则表现为识别性能对姿态角的敏感性。

3)与信噪比有很强的相关性。信噪比是反映一维距离像质量的一个重要指标，信噪比越高，可提取的目标的调制信息越明确，对应宽带识别结果也就越好。

2 窄带目标识别

窄带特征中的目标运动特征可以有效反映目标的运动性能，对目标具有一定的区分力，可以用来进行目标的粗略识别，特别是对于弹道导弹与普通飞机目标的区分是十分有效的，依靠目标的运动轨迹和运动速度就可以有效地区分弹道导弹与飞机目标。虽然运动特征不能区分空中目标的具体型号，但区分直升机、螺旋桨飞机和战斗机还是可行的。飞机的飞行高度也是飞行性能的重要指标，但通常不单独考虑，而是将其与速度联合，利用飞行包线来描述目标的飞行性能，飞行包线所包围的区域越大，飞机的飞行性能也就越好。虽然基于一般训练集很难得到目标精确的飞行包线，但是目标的高度-速度联合分布情况是大致符合包线的分布范围的，而且对于目标的惯常飞行状态情况具有一定的描述能力。目标的机动性在一定程度上可以用加速度来表征，加速度的绝对值越大，说明目标运动状态的改变越快。不同目标的机动性差异也可作为识别特征来提高识别的性能。

弹道导弹的运动轨迹一般为抛物线，运动速度一般超过2 000 m/s，因此，导弹的运动特征与普通飞机的运动特征差别非常明显，因而对其进行区分的准确率非常高。而战斗机、螺旋桨飞机和直升机三类飞机的运动特征(速度、高度、加速度)也有很大的差异性，因此，我们采用如图2所示的目标速度、高度、加速度联合组成特征向量［V h a］T来区分战斗机、螺旋桨飞机和直升机。

图2 窄带目标识别算法流程框图

3 基于多特征DS证据理论的宽窄带融合目标识别

基于DS证据理论进行宽窄带的融合目标识别主要包括三个方面的内容:证据基本概率的获得、基于Dempster组合规则的证据合成以及融合结果的决策。

1)证据基本概率的获得

在DS证据理论中，为了对证据的不确定性进行更好地描述，引入了基本概率赋值函数。基本概率赋值反映证据对命题的直接支持和信任程度，其可靠性与合理性对于证据融合的效果具有重要影响［2］。目标识别后得到的类别隶属度表示识别样本与各目标类别的相似程度，根据对应的实际意义，这里以宽窄带识别后的类别隶属度为基础进行证据的基本概率赋值［3］。

U是一个由十种飞机构成的识别框架，U={P1，P2，…，P10}，其中，P1～P5为战斗机，P6为轰炸机，P7～P9为运输机，P10为民航。宽带方面，通过提取HRRP的频谱幅度和目标姿态角进行识别所获得的目标类别隶属度表示为 DW={Dw(P1)，Dw(P2)，…，Dw(P10)}。窄带基于目标的运动特征进行识别，获得窄带的目标隶属度表示为 DN={Dn(P1)，Dn(P2)，…，Dn(P10)}。宽带、窄带的基本概率赋值函数表示为mW(P)、mN(P)，以窄带为例，其基本概率赋值mN(P)由式(1)获得

同样的方法可以确定宽带的基本概率赋值mW(P)。在式(1)的基本概率赋值方法中，不确定性元素所对应的基本概率赋值主要由两个因素决定:一是依据先验知识得到的对所用识别方法的置信度。在基本概率赋值中，反映为μ的大小，置信度越高，不确定性越小，对应的μ值也就越小。具体赋值需依据证据的可信程度情况恰当选择，本文中宽带证据可信度较高，窄带证据模糊性较大。因此，应以宽带为主、窄带为辅进行融合，设置宽带时μ=0.05，窄带时μ=0.1。二是单次识别所获得的类别隶属度的模糊熵。模糊熵是模糊理论中用来表示模糊集合模糊度的测度［4］，在这里用来表示单次识别类别隶属度的模糊程度，当各类别隶属度均等时，模糊熵为1;当判分结果完全明确时，模糊熵为0。由此获得的不确定性赋值不仅考虑了证据的先验信息，还具有一定的自适应性，可以根据单次识别结果的模糊度自动调整不确定性的大小。

2)基于Dempster组合规则的证据合成

Dempster组合规则是DS证据理论中的经典组合方法［5］，通过证据基本概率赋值的正交和与合理组合集的归一化来使信任度向不确定性小的元素集中，降低判决的不确定程度。基于Dempster组合规则得到的合成证据的基本概率赋值mF(C)可表示为

综合多特征的融合目标识别算法如图3所示:(1)将基于HRRP识别算法与目标长度的限度模型进行融合，输出融合后的评分;(2)使用基于DS证据理论的融合算法与目标的运动特征模型评分进行融合;(3)不同时刻的特征投票融合;(4)输出最终识别结果。

图3 综合识别的框图

4 实验结果与讨论

4.1 实验数据描述

采用空中目标的外场实测数据，10类观测目标，各类目标训练数据的姿态角覆盖全面，目标距离分布从近到远分布不等，近距离目标一维像质量相对较好，远距离目标一维像信噪比较低。

4.2 基于DS证据理论的融合方法有效性实验

表1给出了目标在融合识别前后系统识别性能的对比情况，从表中可以看出:利用DS证据进行融合后的系统识别性能显著改善，各类目标的识别率均得到了较大提高，充分证明了基于DS证据的宽窄带融合识别方法的有效性。另外，基于窄带运动特征的识别可靠性较低，且对于不同目标识别率有较大差异，识别的鲁棒性较差，而基于宽带HRRP的识别结果识别率较高，对于不同目标的识别情况相对比较稳定，这与特征区分力的分析情况一致。考虑宽窄带识别性能的特点，本文中融合识别的性能改善情况利用宽带HRRP的识别结果来衡量。

表1 基于DS证据理论的融合结果对比 %

1)不同信噪比条件下的融合改善情况

为了获得融合方法在不同信噪比条件下的改善情况，对不同信噪比区间的回波识别情况进行统计，如图4所示。可以看到，不同信噪比区间下，相对于宽带识别的融合改善结果具有较好的稳定性。同时，在信噪比低于20 dB时，可以明显看到宽带识别结果随信噪比的提高大幅提升，而窄带识别结果仅发生了小幅波动，这在一定程度上验证了前文关于宽窄带识别系统的信噪比敏感性的分析。

2)不同运动特征的融合结果

为了对比速度、高度和加速度在融合中所起的作用，表2给出了利用单个运动特征与HRRP进行融合的结果。可以看到，在所采用的运动特征中，速度、高度与HRRP融合的改善较大，加速度与HRRP融合的改善情况相对较小，这是由不同目标运动特征的分布差异情况决定的。

表2 不同运动特征与HRRP的融合结果对比 %

图4 DS证据融合在不同信噪比区间的改善结果

3)目标长度与频谱幅度融合的有效性

表3给出了频谱幅度与目标长度融合前后的识别结果，可以看出融合目标长度信息后识别系统的结果得到了较好的改善，对融合的有效性进行了验证［8］。另外，通过改善情况可以看到，融合目标长度对大目标的改善更加明显，分析其原因主要有两个:(1)大目标的尺寸差异更明显，可以提供的区分信息更多，小目标长度分布区域重叠情况相对严重;(2)大目标的显著一般较好，长度的提取准确性比小目标更好。

表3 频谱幅度与目标长度融合前后的识别结果 %

图5为基本宽带HRRP识别系统、融合长度特征系统、融合长度和运动特征系统、融合多特征加投票策略系统的识别效果对比图。从中可以看出，融合识别的方法对于识别系统的稳健性是有明显帮助的。最终融合了HRRP特征、长度特征、运动特征和投票策略的系统较仅仅利用HRRP宽带目标识别系统识别率提高了近5个百分点，取得了较好的效果。

图5 引入多融合后平均识别率的改善情况

5 结束语

为了有效利用目标的宽窄带识别信息提高系统的目标识别性能，本文结合DS证据实现了宽窄信息相结合的目标融合识别。将基本概率复制的获得与宽窄带识别系统的特点相结合，利用证据组合，实现了宽窄带信息的融合，得到样本的融合识别结果。基于实测数据获得的实验结果表明:该方法可以有效提高系统的识别性能，增强系统识别方法的推广能力，而且在不同信噪比条件下具有很好的稳定性。在下一步的研究中，将对宽窄带的识别特征进行丰富，引入目标的加速度、回波幅度等特征，提高宽窄带识别结果的信息量，以便对基于宽窄带的融合识别进行更好的研究。

［1］ 孙 俊，戴蓓荷，刘 洋.基于聚类中心GDA的一维距离像目标识别方法［J］.现代雷达，2009，31(6):47-50，59.Sun Jun，Dai Beihe，Liu Yang.HRRP target recognition method based on cluster centers for GDA［J］.Modern Radar，2009，31(6):47-50，59.

［2］ 韩崇昭，朱洪艳，段战胜，等.多源信息融合［M］.北京:清华大学出版社，2006.Han Chongzhao，Zhu Hongyan，Duan Zhansheng，et al.Multi-source information fusion［M］.Beijing:Tsinghua University Press，2006.

［3］ 付耀文.雷达目标融合识别研究［D］.长沙:国防科技大学，2003.Fu Yaowen.Research on radar target fusion recognition［D］.Changsha:National University of Defense Technology，2003.

［4］ Liang Z Z，Shi P F.An eficient and effective method to solve kernel Fisher discriminant analysis［J］.Neurocomputing，2004，61(1):485-493.

［5］ Liu Q S，Lu H Q，Ma S D.Improving kernel Fisher discriminant analysis for face recognition［J］.IEEE Transactions on Circuits and Systems for Video Technology，2004，14(1):42-49.

［6］ Baudat G，Anouar F.Kernel-based methods and function approximation［C］//Proceedings of the International Joint Conference on Neural Networks.Washington，DC:IEEE Press，2001:1244-1249.

［7］ 程云鹏.矩阵论［M］.2版.西安:西北工业大学出版社，2004.Cheng Yunpeng.Matrix theory［M］.2nd edition.Xi'an:Northwestern Ploytechnical University Press，2004.

［8］ 邓 泳，王彩云.高分辨雷达信号参数对目标识别的影响［J］.现代雷达，2008，30(8):40-45.Deng Yong，Wang Caiyun.Impact of high resolution radar waveform parameters on target classification［J］.Modern Radar，2008，30(8):40-45.