基于HRRP 的地面目标多判决融合识别

范颖锐，宋志勇，付 强

(国防科学技术大学电子科学与工程学院ATR 重点实验室，长沙 410073)

高分辨一维距离像提供了目标的散射点模型沿雷达视线方向的投影情况，表征了目标复杂的几何结构，属于目标重要的结构特征，同时因其易获取，实时性强，而成为了雷达自动目标识别领域的研究热点［1-3］。于是大量学者通过深入研究提出了各种基于HRRP 的特征提取方法和识别算法，对空中和海面目标进行了大量探索和验证分析［3-5］。然而地面目标与空海目标不同，地面目标的尺寸小，结构更加多样和复杂，一架F16 战斗机长15.09 m［6］，一艘登陆舰长上百米，而一辆五十铃单排座卡车长度只有6.7 m，与此同时，地面目标的背景更加复杂多变，具有不可预测性。地面目标距离更近，地表的遮蔽物更多，都给雷达的自动目标识别带来了新的困难。鉴于传统的识别方法对于地面目标是否具有同样可靠的识别能力。针对不同的算法的判决结果，能否进一步提升地面目标的识别率。国防科学技术大学ATR 重点实验室通过外场录取实验，获取了多个地面目标在不同方位俯仰下的高分辨一维距离像，建立了地面目标高分辨一维距离像的静态数据模板库。

在此利用建立的静态数据模板库，分析了地面目标HRRP的平移敏感性、幅度敏感性和方位敏感性，同时研究了3 种经典算法: 幅度谱特征提取算法、直接距离像模板匹配法和自适应高斯分类器法对地面目标的识别率，针对不同算法的判决结果进行了决策层的融合识别，有效改善了地面目标的识别性能。

1 地面目标HRRP 的特性

1.1 一维距离像散射模型

当采用毫米波宽带雷达照射地面目标时，其距离向的分辨率将远小于目标的径向尺寸，从而使得目标跨越多个距离分辨单元，成为一个扩展的目标群，这个目标群可以表示为多个独立散射点构成的集合，而获取的雷达回波可以视为由这些空间位置不同的散射点反射的雷达波的叠加。不同的位置和材料决定了不同的散射系数，从而构成了一幅高低起伏的一维距离像。因此，一维距离像能很好的反映目标复杂的几何形状和结构特征。

在目标不发生散射点越距离单元走动的情况下，一维距离像各个距离单元的散射点是固定的，除了在距离单元内部发生的相对走动，可以认为目标此刻的散射点模型是稳定的。如图1 所示，目标的结构和姿态信息可以由一维距离像来表征。

图1 地面目标的散射点模型和一维距离像

1.2 地面目标一维距离像的平移敏感性

距离像是从回波数据中截取的包含目标在内的一段向量表示，由于目标与雷达的相对运动，目标出现在截取窗中的位置是随机的，从而使得获取的距离像数据在横向发生偏移。常用的解决方法有两种: 对距离像进行平移配准(如图2(b)所示)或者提取距离像的平移不变特征(如图2(c)所示)。图2(a)越野车(方位角180°，俯仰角30°)的两幅距离像，图2(b)对图2(a)中的距离像采用最大滑动相关对齐，图2(c)提取图2(a)中两幅距离像的幅度谱。

1.3 地面目标一维距离像的幅度敏感性

距离像的幅度受天线增益、目标距离、系统损耗等多种因素影响，虽然在同种录取条件下的距离像幅度能够反映不同目标的尺度特征，但是考虑多数情况下录取条件完全不同，从而使得获取的幅度信息不具有可比性。通常的做法是对距离像进行归一化处理，完全摒弃距离像的幅度信息，只保留距离像的相对大小。定义幅度归一化为式x/max(abs(x))，能量归一化为式x/norm(x，2)，能量归一化又叫2 范数归一化［7］。

图2 HRRP 的平移敏感性

1.4 地面目标一维距离像的方位敏感性

根据1.1 节提到的散射点模型，当目标姿态角发生较大变化时，会使得不同距离单元的散射点数目发生变化，从而使得相邻角域获取的距离像产生较大差异。为了应对方位敏感性的问题，就需要建立足够完备的模板库。当目标姿态角变化较小时，即满足条件Δθ ＜(Δr)/L(Δθ 为方位角变化，Δr 为距离分辨率，L 为目标的横向尺寸)时，散射点不发生越距离单元走动，散射点模型基本稳定，但是相同角域内获取的距离像仍会因为散射点子回波间的相位差产生一定差异。给目标识别带来了困难，而提取相同角域内不同距离像的平均像，有助于缓解HRRP 的方位敏感性。平均像消除了各距离单元回波中的交叉项，基本反映了各距离单元的自身项，能够表征一帧距离像。如图3 所示，相较于直接采用帧内的某幅距离像作为模板，采用帧平均距离像能获得更高的匹配值。

图3 帧内某幅距离像和帧平均距离像分别与帧内10 幅距离像的匹配曲线

正是由于HRRP 具有平移敏感性、幅度敏感性和方位敏感性，解决这些问题成了实现雷达对地目标识别的基础。

2 HRRP 目标识别的经典算法

2.1 幅度谱特征提取算法

幅度谱特征提取算法实际上就是快速傅里叶变换(FFT)，属线性分类器，采用最小欧氏距离作为相似性测度。

FFT 的步骤:

步骤1:对K 类地面目标不同方位俯仰下的帧内距离像Tk(α，β，i)，(k =1: K，k 为目标种类，α 为方位角，β 为俯仰角，i=1:N，N 为帧内距离像个数)，用FFT 求其幅度谱，然后进行能量归一化，求取N 个幅度谱的均值幅度谱作为帧模板，建立地面目标全方位俯仰下的幅度谱模板库。

步骤2:固定俯仰角β0，从任意方位角α 随机选取一幅HRRP，用FFT 求其幅度谱，然后进行能量归一化，作为测试样本x。

步骤3:采用步骤2 中获取的测试样本x，分别与步骤1模板库中相同俯仰角以及相近俯仰角下的K 类目标全方位帧模板由对地目标被动测角精度以及角度跟踪预测的结果决定，本文设置为1 度)计算欧氏距离最小的距离值对应的k 即为测试目标的种类，α、β 即为测试目标对应的方位、俯仰角。

2.2 直接距离像模板匹配

直接距离像模板匹配又称为最大相关系数匹配法(Maximum Correlation Coefficient Tempalte Matched Method，MCCTMM)，属线性分类器，采用最大滑动相关系数作为相似性测度。

MCC-TMM 的步骤:

步骤1:对K 类地面目标不同方位俯仰下的帧内距离像Tk(α，β，i)，进行能量归一化，采用循环移位的方式进行匹配对齐，求取对齐后的N 个距离像的平均像作为帧模板。

步骤2:固定俯仰角β0，从任意方位角α 随机选取一幅HRRP 进行能量归一化，作为测试距离像x。

步骤3:采用步骤2 中获取的测试距离像x，分别与步骤1 模板库中相同俯仰角以及相近俯仰角下的K 类目标全方位帧模板计算最大滑动相关系数ρk(α，β)= max(xcorr最大的相关系数对应的k 即为测试目标的种类，α、β 即为测试目标对应的方位、俯仰角。

2.3 自适应高斯分类器

自适应高斯分类器［1］(Adaptive Gaussian Classifier，AGC)是一种假设目标的HRRP 回波在给定角域内服从距离单元间相互独立的高斯分布模型的二次分类器，是非线性分类器，采用后验概率作为测试距离像与帧模板的相似性测度。

AGC 的步骤:

步骤1:对K 类地面目标不同方位俯仰下的帧内距离像Tk(α，β，i)，进行幂变换和能量归一化，采用循环移位的方式进行匹配对齐，求取对齐后的N 个距离像的平均像和方差像作为帧模板。

步骤2:固定俯仰角β0，从任意方位角α 随机选取一幅HRRP 进行幂变换和能量归一化，作为测试距离像x。

步骤3:采用步骤2 中获取的测试距离像x，分别与步骤1 模板库中相同俯仰角以及相近俯仰角下的K 类目标全方位帧模板，采用循环移位的方式进行匹配对齐，并计算距离式(1)

最小距离对应的k 即为测试目标的种类，α、β 即为测试目标对应的方位、俯仰角。需要注意的是，自适应高斯分类器需要设置合适的幂变换指数，通常的做法是取(0，1)之间的小数，但是研究发现，随机选取的指数对识别性能并没有实质影响，亦不能改善自适应高斯分类器对噪声敏感的特性，本文的幂指数采用0.25。

3 多判决融合识别

从信息的抽象层次来看，目标的融合识别可分为以下3类:数据层的融合识别，特征层的融合识别，决策层的融合识别［7］。数据层的融合识别方法，多用在图像处理方面，采用多幅低分辨率的图像合成一幅高分辨率的图像，基于HRRP的有距离像的重构和拼接。特征层的融合识别方法，是提取HRRP 的不同特征形成一个更高维的特征矢量，进行识别。本文考虑第3 种方法，决策层的融合识别方法，是针对不同方法的判决结果进行的融合识别，具有很高的灵活性。

如表1 所示，给出了第二节中讨论的3 种方法针对地面目标在不同的方位俯仰角下的识别率，由于FFT 的方法只提取了距离像的幅度谱信息，而丢弃了相位信息，识别率低于直接采用全部距离像的MCC_TMM。而AGC 的方法不仅考虑了距离像的平均像，而且引入了平均像的二阶统计量——方差像，从信息论的角度讲，应该比MCC_TMM 拥有更高的识别率，但是AGC 的方法是基于数据高斯模型的假设，一旦模型失配或者参数估计有偏差，就会严重影响其识别性能。帧内距离像数目不多，平均像和方差像的估计都是小样本估计，必然存在参数估计的偏差［4］。因此AGC 的方法对噪声非常敏感，所以只列出了信噪比为30 dB 下，几个典型方位角的平均识别率。因此本文的融合识别不考虑AGC 的判决结果。

如图4 所示，当两种方法，有一种判决结果为真时，融合识别的结果即为真。数据显示，如表2，基于两种方法的决策层融合识别，提高了对地面目标的识别率。尤其是对越野车这种结构特征平滑的地面目标，改善的效果更显著。

图4 基于多判决输出的决策层融合识别示意图

表1 3 种方法的识别率(%)比较

表2 FFT、MCC_TMM 的判决融合结果与非融合结果的比较

4 结论

高分辨一维距离像的经典算法中，自适应高斯分类器的方法由于存在模型失配的问题，相对于另外两种方法而言，对噪声更为敏感，若要应用于实际问题，需要进一步的改进［4］，尤其是距离像平移配准的方式。本文针对采用FFT 和MCC_TMM 两种经典算法的判决结果进行了决策层的融合识别，从不同方位角的平均识别率来看，对地面目标HRRP的识别性能有一定改善。HRRP 的多判决融合识别不仅适用于同一时刻获取的距离像在不同算法下的判决输出，同样也适用于不同时刻获取的距离像，前提是要做好数据关联，而解决这一问题就需要结合目标的状态估计。可作为下一步的研究方向。

［1］刘敬.雷达一维距离像特征提取与识别方法研究［D］.西安:西安电子科技大学，2008:8-35.

［2］冷家旭，黄惠明.基于高分辨距离像的目标识别技术发展现状与趋势［J］. 飞行器测控学报，2010，29(3):79-82.

［3］陈凤，杜兰，刘宏伟.一种利用强度信息的雷达HRRP 自动目标识别方法［J］.电子学报，2009，3(3):460-463.

［4］杜兰，刘宏伟.一种利用目标雷达高分辨距离像幅度起伏特性的特征提取新方法［J］.电子学报，2005，3(3):411-415.

［5］袁祖霞，高贵明.基于高分辨率一维距离像雷达目标识别研究［J］.雷达与对抗，2010，30(3):11-14.

［6］吴杰.基于高分辨距离像的雷达自动目标识别技术研究［D］.南京:南京航空航天大学，2012:12.

［7］李阳.基于一维距离像的空间目标识别技术研究［D］.长沙:国防科学技术大学，2011:8-38.