目标特征提取（通用7篇）
目标特征提取 篇1
微动是指目标或目标的组成部分除质心平动以外的振动、转动和加速运动等微小运动[1]。目标或其结构的微动会对雷达回波信号产生附加的频率调制,从而产生关于目标主体的多普勒谱边带,这种现象被称为微多普勒效应(Micro-Doppler effect)[1,2]。微多普勒从频率上描述了目标微动的雷达特征,反映了多普勒频移的瞬时特性[3]。在雷达成像领域,微多普勒信息可为雷达目标识别提供新的思路,可以用来确定目标的一些性质、完成对特殊目标的分类、识别和成像[4,5]。为了利用微多普勒信息实现对目标的准确识别,许多有效的微多普勒特征提取技术相继被提出,如:时频分析技术[1,6]、联合时频分析和小波变换理论[7,8]、匹配追踪法[9]、扩展Hough变换法[10]、经验模式分解EMD(empirical-mode decomposition)[11]和慢时间积分法[12]等。
为了进一步提高对目标微多普勒特征的提取速度,通过分析目标微多普勒在距离-慢时间谱图域的表现形式及其特点,结合正弦曲线的周期性分离雷达回波信号距离-慢时间二维谱图域上的曲线,然后对曲线的角频率、半径、初相以及曲线在频率(距离)轴的位置分别进行提取,来实现对谱图中曲线参数的快速提取,从而获得目标真实的微动信息,最终实现对目标的准确快速识别。最后,通过仿真验证了本文算法的有效性。
1 目标微多普勒特征在谱图域上的表现形式
以雷达为原点,以初始时刻目标和雷达的连线为Y轴建立平面直角坐标系,如图1所示。假设目标以速度V沿与X轴平行方向运动,并且该目标包括两种典型的散射点即:目标主体散射点(包括目标中心O、旋转中心Q和其它非旋转点)、旋转散射点P (其旋转半径、角频率和初相分别为r,ω,θ)。另外,在初始时刻,定义目标中心O、旋转中心Q和旋转散射点P的坐标分别为(xo,yo)、xQ,yQ)和(xP,yP)。
假设雷达发射的线性调频信号P(t)为
式(1)中,rect(t)为矩形窗函数,其值只有在-1/2≤t≤1/2时为1,在t取其它值时为0。fc是载频,Tp是脉冲宽度,μ是调频率。那么在慢时间τ时刻散射点i(i可以表示目标上的任意散射点)的回波信号可写成
式(2)中,Ri+(τ)表示τ时刻散射点i到雷达的距离。以目标中心点O作为参考点,将回波信号与参考信号共轭相乘,同时对其求关于快时间t的傅里叶变换,经过计算以及相应的相位补偿,可以得到在ISAR回波信号距离-慢时间二维谱图域中,旋转点P距离像的峰值出现在[13]
式(3)中,ΔRQ(0)表示在初始时刻目标上旋转中心Q到参考点O的相对距离,同时(0)为旋转中心Q距离像峰值出现的频率位置。从式(3)中可以看出,该公式中第一项是由于目标平动产生的,而第二项则是由旋转点的周期性旋转产生的。这也说明,在峰值出现位置上,旋转点随慢时间在旋转中心附近作正弦规律变化,旋转点对回波信号调制产生的正弦曲线谱变化周期与旋转点的旋转周期相同,而对于目标主体散射点,其与参考点的相对位置是固定的。这也使得目标谱图将由非旋转点产生的直线谱和旋转点产生的正弦曲线谱组成。将正弦曲线的参数提取出来,就能够获得旋转目标的旋转半径,频率和相位信息,即获得目标的微动特征。从而有利于实现目标的分类、识别和成像。
2 正弦曲线参数提取
算法的基本思想是利用目标结构部件旋转或振动部件引起的微多普勒效应在距离-慢时间谱图上表现为正弦曲线形式这一特征,通过将图像空间中的检测问题转换为参数空间的估计问题,提取目标的微多普勒信息。利用不同角频率的曲线具有不同周期这一性质,将距离-慢时间谱图上的具有不同角频率的曲线给分离开来,然后对相应曲线的角频率、半径、初相以及曲线在频率(距离)轴的位置分别进行分析,来实现对谱图上曲线参数的快速提取,从而获得目标真实的微动信息,最终达到对目标的准确快速识别的目的。
为了表述简单,假设在距离-慢时间谱图上微多普勒的表现形式为:
式(4)中r为半径,ω是角频率,且ω=2π/T,T是周期,θ为初相,d为基线(它描述了曲线在谱图中频率(距离)轴的位置,即基线位置)。
由式(4)可知,在距离-慢时间谱图上具有相同频率(距离)的点(在谱图中体现为同一行),必然有符合其周期性。正是利用这一点,将同一行中的点按照所有可能的周期进行排列,并取出所有可能的周期。这样每一行都有一个或一组的排列可能,及其相应的周期。利用每一行得到的周期数据,映射到一维参数ω,这样具有相同角频率的所有排列组合,将被累加器收敛于一个局部最大值。从而获得所有曲线的角频率ω。与此同时,可以获得角频率ω所对应的每一个点。从而将不同角频率的曲线分离开来。
对于式(4)所表述的曲线,如果有f1=rsin(ωt1+θ)+d,f2=Tsin(ωt2+θ)+d,且t2-t1=π/ω,那么必然有d=(f1+f2)/2。首先确定谱图上具有相同频率(距离)的点所在的某f'1行,查找另一f'2行,使得f'1和f'2行上的点在慢时间τ轴的位置相差的慢时间正好是半个周期,那样就生成一个d=(f'1+f'2)/2。利用这一特性,将具有相同角频率ω的曲线上的所有点,映射到参数d上,这样相同角频率ω,且具有相同基线的所有点,将同样被收敛于一个局部最大值。与此同时,由于曲线的基线必然是旋转中心在谱图上的直线谱。而在谱图中检测直线谱很容易,这样仅仅需要比较在直线位置上的累加器数值。从而将相同角频率,却不同基线的曲线分离开来。当然,这样会导致如果两条不同曲线的基线的平均值所在位置正好是直线谱所在位置,这将导致d的误判,此时则需要在计算半径的过程中将这种状况予以排除。
然后依据式(4),做出如下假设:
式中,表示对f求关于t的导数。那么必然有。首先确定谱图上具有相同频率(距离)的点所在的某f'1行,查找另一f'2行,使得f'1和f'2行上的点在慢时间τ轴的位置相差很小。定义差值所组成的数组映射到慢时间上为Δτ,那么:
ω为之前所估计得到的角频率值。这样,在相同角频率、相同基线以及相同半径的点将收敛于一个局部最大值。而在计算d时出现的特殊状况,将不会收敛于一个较大的局部最大值,从而将这种状况排除。这样可以提取出相同角频率和相同基线的半径。
对于初始相位θ,则采用穷搜索的办法,对其所有可能的值进行遍历。即
式(8)中表示让括号内最小的θ值,而()分别表示之前所估计得到的半径、角频率和基线值。这样具有满足()的所有点也会在θ上收敛于一个局部最大值,从而获得初始相位的估计值。
3 算法流程
假设已经获得了距离-慢时间谱图|S(f,τ)|,那么其每列都是慢时间τ时刻的距离像,同时每一行都是频率f所对应的慢时间τ位置。将二位谱图中能量较弱的点置零(本文仿真中将能量小于峰值能量0.25倍的点置零),获得新的二维谱图I(f,τ)。对于参数的提取,具体流程如下:
3.1 分离不同角频率的曲线
分离不同角频率的曲线正是本文的核心部分,其流程如图2所示。这样,所获得的每一个周期T’都有与其相对应的位置数据组D'T'(f'T',T')及对应的行值集合f'r',且其角频率为ω'=2πPRF/T'(其中PRF为脉冲重复频率)。
3.2 提取各曲线的基线
首先将周期T'所对应的行值集合f'T'从小到大进行排序。提取曲线基线的流程如图3所示。
由于旋转中心点在谱图上的位置就是对应的正弦曲线在谱图上的位置,所以可以将直线位置左右的dcount结果加到直线位置所对应的dcount值上,并将其他非直线位置的dcount值置零。累加器dcount的峰值点即为该角频率曲线所对应的基线位置值。并用获得的基线位置值,得到在计算过程中满足该基线位置所对应的频率值f'T'(i)和f'T'(j)。这样就可以分离在不同基线位置,但具有相同周期的不同曲线。
3.3 提取曲线的半径
定义周期为T'、基线位置值为d'所对应的行值为fT'd',那么所对应的位置数据矩阵为D'T'd'(f'T'd',T',d')=D'T'(f'T'd',T')。提取该曲线半径的流程如图4所示。累加器rcount,的峰值点即为角频率为ω'、基线位置为d'的曲线所对应的半径r'。
3.4 提取曲线的初始相位
图5为提取该曲线的初始相位的流程图。累加器Phicount的峰值点φ',就是周期为T'、角频率为ω’、基线位置为d',且半径为r'的正弦曲线所对应的初始相位。
4 仿真分析
仿真中,假设雷达发射带宽为B=300 MHz、时长为Tp=1μs的线性调频信号,且其脉冲重复频率PRF=1 000 Hz,载频fc=10 GHz,对应的波长λc=0.03 m,快时间采样率fs=300 MHz,信噪比SNR=0 dB。假设目标以速度V=300 m/s沿基线平行方向运动,目标中心与雷达相距10 km。目标散射点模型共由7个散射点组成,其中有4个非旋转点和3个旋转点。非旋转点如图6所示。而3个旋转点的旋转中心坐标、旋转半径、旋转频率和初始相位分别如同表1所示。
1)在配置A的情况下,3个旋转点具有不同的旋转频率,但其旋转中心相同,也就是其所生成的微多普勒曲线在谱图上的基线位置相同,同时半径和初始相位也相同。在该配置情况下,其所生成的距离-慢时间谱图(已将能量较小的点置零)如图7(a)所示。从中可以明显看出目标谱图由非旋转点产生的直线谱和旋转点产生的正弦曲线谱组成。
从图7(b)-(d)中,可以明显看出曲线3的基线位置,半径和初始相位,在累加器中,都被映射到一个峰值点。而该峰值的位置,正是该曲线的参数。
2)在配置B的情况下,3个旋转点中,旋转点1和旋转点2具有相同的旋转频率和半径,同时旋转中心也相同,因此其所生成的微多普勒曲线在谱图上的位置相同,然而初始相位不同。其谱图如图8a)所示。
由图8(b)-(d)可以看出,在相同的频率下,基线位置和半径都被映射到一个峰值点,而相位被映射为两个峰值点。说明在该频率下,有两条曲线,且这两条曲线的半径和基线位置相同,但初始相位不同。
3)在配置C的情况下,其谱图如图9 (a)所示。
从图9(b)中可以看出,在该频率下,谱图被映射为两个峰值点,即有两条基线位置不同的曲线。而通过图9(c)和图9(d)可以看出,该曲线可以分别在半径和初始相位域中映射为1个峰值点,最终实现该曲线参数的提取。
表2为在各种配置情况下,从谱图中直接提取出的曲线基线位置、半径、频率和初始相位信息,与表1中所体现出的实际值相比,吻合度是较高的,但仍有一定的偏差,这主要是在算法流程中基本上每个部分都需要有一个阈值,而在仿真中,将每个阈值都给定义为l=6,合理的调节阈值也能提高仿真的准确性;另外,在对相位进行搜索时,步长设置为0.1 rad,这也导致了初始相位检测时的偏差。
同时,为了证明算法能有实现对含旋转部件目标微多普勒特征的快速准确提取,将该算法与文献[13]中的扩展Hough变换方法的耗时进行了比较,如表2所示。从中可以明显看出,直接使用扩展Hough变换使用耗时比本文所提算法高出太多,这主要是因为该算法不同于扩展Hough变换那样需要对曲线的四维参数进行联合搜索,而是对其逐步进行提取,从而缩短提取所需时间,具有良好的应用性,但这必然也会造成准确性降低。
5 结论
以运动目标旋转部件为例,提出了运动目标微动特征提取的新方法。利用目标部件旋转形式的微动所产生的微多普勒频率在回波信号的距离-慢时间二维谱图域上服从正弦规律调制这一特点,对曲线进行分离,从而逐步提取出曲线的位置、半径和初始相位。通过与扩展Hough变换进行仿真比较可以看出本文所提算法具有较好的有效性和快捷性,最终达到快速对目标微动部件多普勒信息进行提取的能力。
目标特征提取 篇2
关键词：智能交通,时频域特征,特征提取,地磁信号,机场场面
0 引言
由于机场飞机起降架次增多等原因,跑道入侵成为影响飞行安全的重大隐患,预防跑道入侵成为重要问题。目标检测,通常认为是非协作式机场场面活动目标的检测和识别方法,作为跑道入侵防御系统最为基础的系统监视功能部分,能够为目标跟踪和入侵控制提供信息支持[1]。利用地磁传感器(anisotropic magneto resistance,AMR)作为目标检测器,通过其得到场面移动目标磁信号,信号数据中含有丰富的目标信息,在去除信号中的噪声干扰后,如何提取目标特征是本文研究的关键。
目前应用于机场场面的目标特征提取主要是基于视频图像信号和雷达信号[2],但其处理数据复杂,且视频图像的检测方式稳定性不高,易受天气影响。在目标信号的特征提取中,多采用时域特征方法提取目标特征。文献[3]提出利用车辆检测算法获得车辆特征向量,并将所有时域波形归一化进行特征提取,此方法以牺牲目标长度特征信息为代价,有效地减少了计算量;文献[4]根据不同车辆地磁扰动特性,抽象出了相车长、平均能量、归一化方波的波峰波谷数目3类时域信号特征,信号的时域特性虽然能够直观反映信号特征,但是只从信号外观描述信号的特性。而机场场面移动目标包含场面上的车辆和飞机,场面目标种类较多且飞机磁信号具有一定的复杂性,只分析信号的时域特征并不能全面展现信号特性,需要补充信号的频域特征。小波分析作为1种信号的频域部分特征的提取手段,在声信号及振动信号的特征提取中有较好的应用。文献[6]利用小波多变换获得信号的频域特征从而识别水下目标;文献[7]利用小波分析方法提取人体脉象信号特征,取得了良好的识别效果。为此,笔者在前人研究的基础上,提出了1种结合时域特征和基于小波分解的频域特征的机场目标特征提取方法,以机场场面部分车辆和航空器磁信号为样本,利用目标特征区分度测度的方法进行了验证。
1 时域特征提取
1.1 目标长度特征提取
AMR地磁传感器(霍尼韦尔HM5883)具有体积小、灵敏度高、成本低廉的特点。AMR地磁传感器的布置方式如图1所示。在机场跑道及滑行道中线布置2个传感器s1,s2,两者的距离为l。
图1 AMR地磁传感器布置Fig.1 Anisotropic Magneto Resistance layout
目标长度是目标的首要特征参数,要提取目标长度特征,需要获得目标速度。目标感知信号宽度实际上就是目标经过传感器采样节点的时间宽度[3]。目标通过先后通过2个传感器的时间间隔很小,因此,可以认为其匀速通过传感器采样节点,有:
式中:v为目标速度;t1为目标经过s1的时刻;t2为目标经过s2的时刻。则目标长度L为
式中:ts为传感器采集信号的时间宽度。
1.2 感知信号时域规整
同一目标以不同速度经过传感器节点时,其感知信号的时间轴宽度不同。为了消除速度对目标分类识别的影响,必须提取与速度无关的特征量。本文利用基于目标长度的归一化方法规整时域信号。根据目标长度特征对磁信号进行规范化处理,将其转换为相应固定的长度的信号数组,并保留能够做进一步目标特征提取的信息特征。
规定长度为L的目标磁信号的数据点个数为N,对相同长度目标的磁信号向量数组进行归一化[4]。信号归一化的方法为
式中,t(k)为原始的数据,k=1,2,…,Ki,Ki因目标长度的不同而不同;c(i)为信号归一化后第i组数;Δn为归一化后信号第1到N-1组中每组的数据个数;N为原始信号进行归一化后以时间戳形式重分的数据组个数;c(N)归一化后信号的第N组数;Ki-(N-1)·Δn为归一化信号后第N组数的数据个数。
图2为根据目标长度规整后的食品升降车,加油车及机场引导车,塞斯纳550B,空客320及空客340的时域信号,这6种目标为机场场面典型的目标类型。食品升降车与加油车车长相同,其规整后的时域信号数据点个数也相同,而机场引导车及3种不同类型的飞机的长度不一,其规整后的时域信号的数据点个数相应的压缩或扩充,规整后的信号皆保留了原始信号特征信息。
图2 不同车辆与飞机的规整后时域信号Fig.2 Structured time domain signals of different vehicles and aircraft
1.3 峰值特征提取
目标磁信号的变化剧烈程度与目标自身铁磁材料的分布密度有关,尽管不同的移动速度会造成信号采样点个数或者时间宽度的差异,但目标材料的构造及分布却是目标本身属性。构成目标的铁磁性材料的结构越多,磁信号的扰动越强。图3为波音737-800磁信号扰动峰值特性与机身的相对位置,磁信号变化剧烈的部分表明这些地方的磁性材料的分布相较于整架飞机较为集中,分别对应于尾翼与机翼。尾翼结构主要为垂直安定面,方向舵,升降舵等,机翼部分由发动机,起落架及油箱等部分构成。信号的峰值反映了磁性材料相对机身的位置及其分布的密度[5]。
设目标长度为L的感知信号,规整后数据点个数为N,波峰数为m,最大峰值振幅hmax为信号的第nmax点,最大峰值的位置比为nmax/N,最小峰值hmin为信号的第nmin点,最小峰值的位置比为nmin/N。图3中波音737-800的机身长度L=40m,规整后时域信号的数据点个数为N=200,波峰m=3,最大振幅hmax=137,最大峰值位置比nmax/N=0.72,最小峰值hmin=31,最小峰值位置比为nmin/N=0.52。
图3 波音737-800信号扰动峰值特性与相对机身位置Fig.3 The peak feature of Boeing 737-800signal and its relative position to the plane
2 基于小波变换的频域特征提取
2.1 小波变换的基本概念
笔者利用小波变换方法对信号进行时域分析,与傅里叶变换相比较,小波分析具有多分辨特性和良好的时频局部化特性。通过小波函数展开信号,可以在不同尺度上对信号进行分解。
设ψ(t)∈L2(R),如果满足则称ψ(t)为基本小波或母小波,ψ(ω)为ψ(t)的傅里叶变换。将母小波ψ(t)进行某种程度的伸缩和平移,即称为小波基函数。将小波基函数ψa,τ(t)作用于待测信号f(t),与f(t)做内积得到称为连续小波变换[6]。
在实际应用中,连续小波变换需要进行离散化,二进制离散小波取a=2-j,τ=2-jk(j=0,1,2…,k为正整数)。将信号进行二进离散小波变换,可分解成不同尺度下的各个分量。信号f(t)向尺度空间Vj投影后得到j尺度下的近似信号为,式中φj,k(t)为尺度函数,尺度展开系数cj,k=[f(t),φj,k(t)]。信号f(t)向小波空间Wj投影后所得到该空间的细节信号为。其中:小波系数dj,k=[f(t),ψj,k(t)]。
2.2 频域特征提取
霍尼韦尔HM5883传感器连续测量模式的采样频率为75Hz。根据奈奎斯特采样定理,感知信号的频率范围为0~37.5Hz。利用Matllat分解算法3层分解信号,将规整后的时域信号分解成3层细节信号和1个近似信号,即将频率划分为低频0~4.687 5Hz,中低频4.687 5~9.375Hz,中高频9.375~18.75Hz,高频18.75~37.5Hz 4个频带[7],见图4。
图4 信号频带划分Fig.4 Division of the frequency band
感知信号能量的计算公式为
式中:E0为信号总能量;ECA3为近似信号能量值;ECDj为信号f(t)在第j尺度下的小波能量。不同类型目标在各个尺度下小波能量比是不一样的,将归一化后的各阶小波能量值与近似信号能量比作为信号的频域特征向量,即Ei=[ECA3/E0,ECD3/E0...ECD1/E0]。图5为规整后波音737-800与空客320磁信号的db2(Daubechies 2)、db5(Daubechies 5)3层小波分解对比图。db5小波不仅在近似信号和细节信号中具有更高的表现力,且二者的频域特征的区分在db5小波分解中比db2更明显。对比不同小波的分解结果,最终选取db5小波分解信号。
图5 波音737-800磁信号db2与db5的3层小波分解Fig.5 3scales wavelet decomposition of Boeing 737-800magnetic signal by db2and db5
图6所示为食品升降车,加油车及机场引导车,塞斯纳550B,空客320及空客340的规整后时域信号的db5小波3层分解。从各目标类型的频域信号分解中可以看出各目标类型的频域信号在频带中的分布情况。加油车的d1系数波动比食品升降车更为强烈,而机场引导车的d3系数变化比加油车和食品升降车的变化更明显。空客340的d1和d3系数比空客320及塞斯纳550B变化更显著,塞斯纳550B的d2系数波动高于空客320及空客340。
图6 3种车辆及飞机磁信号的3层小波分解Fig.6 3scales wavelet decomposition of 3vehicles and aircraft
3 不同目标特征区分度的测度
通过时域和频域特征提取方法一共抽象出10个特征,x={x1,…,x10},分别为目标长度L(x1)、波峰数m(x2)、最大峰值hmax(x3)、最大峰值的位置比为nmax/N(x4)、最小峰值hmin(x5)、最小峰值的位置比为nmin/N(x6)、近似信号能量比ECA3/E0(x7)、三阶信号能量比ECD3/E0(x8)、二阶信号能量比ECD2/E0(x9),以及一阶信号能量比ECD1/E0(x10)。特征提取的目的是保证目标特征能够与其他类别的目标特征具有足够的区分度从而完成目标类型的最终分类[8]。各类型目标特征的相对距离越大,说明目标特征间的相似度越低,区分度越明显。本文利用目标特征区分度测度方法来衡量目标特征间的相对距离。
设目标类型的集合为A={A1,A2,…,A7},目标各特征权重为w={w1,w2,…,w10},第k类目标的特征值为xk={x1k,x2k,…,xk10},第m类(m≠k)目标的特征值为xm={x1m,x2m,…,xm10}。
式中:xi为所有目标的第i个特征值之和;Dkm为第k类目标与第m类目标特征值的相对距离;D为目标类型集合中所有目标之间相对距离之和。2个特征的相似度的度量计算公式为
式中:Xi为第k类目标与第m类目标的第i个特征值之比,为
且目标特征权重w通过建立单优化模型求得,,目标特征值权重w={w1,w2,…,w10}满足
求得权重wi从而获得各类目标特征与其他各类型目标特征的相对距离Dkm、距离总和D及相似度Skm,得到各类型目标特征的区分度。
4 实验
4.1 实验步骤
笔者以机场场面的部分移动的飞机/车辆磁信号为样本,部分飞机磁信号数据来自于H.Gao[10]与K.Dimitropoulos[11],部分车辆数据于2013年在机场附近采集,利用霍尼韦尔HM5883L型号的AMR地磁传感器作为目标检测器,采用动态阈值法进行滤波。首先利用时域特征提取方法获得待测目标的长度,根据目标长度规整时域信号,在此基础上提取时域部分的峰值特征并利用db5小波3层分解信号提取信号频域特征,将所提取的目标时域特征和频域特征结合共同构成待测信号的全部特征[12]。时频域的特征提取方法一共抽象出10个特征值,根据目标特征区分度测度算法获得各类型间目标特征的相对距离,即依据目标类型建立特征值的分配权重矩阵及目标特征相对距离的单优化模型,计算出第k类目标特征值的分配权重及其与其他目标类型特征的相对距离总和及相似度。图7为特征提取方法流程图。
图7 特征提取方法Fig.7 Feature extraction method
1)时域特征提取。首先为目标长度的获取,以食品升降车为例。设定2只AMR地磁传感器s1,s2之间的距离为l=5m,目标先后经过二者的时间差为Δt=0.58s,并且目标经过其中1个AMR地磁传感器的时间检测域宽度为ts=0.81s,由此得到目标长度,依据目标长度规整时域信号,消除速度对信号检测宽度的影响。
其次为感知信号的峰值特征提取,食品升降车规整后时域信号如图2(a)。可得到波峰数m,最大峰值hmax,最大峰值的位置比为nmax/N,最小峰值hmin,最小峰值的位置比为nmin/N分别为4,145,0.27,69,0.11。
2)频域特征提取。对规整后的时域信号进行频域特征提取。AMR地磁传感器的采样频率为75Hz,利用db5小波进行3层信号分解,信号总能量值为E0=1 548 274.68,近似信号能量值ECA3=1 559 189,第1层、第2层、第3层小波能量值ECD1、ECD2、ECD3分别为4 521.65,1 247.35,405.39,归一化近似信号能量值及各层小波能量值,即将近似信号能量值ECA3和3层小波能量值ECD1,ECD2,ECD3分别与信号总能量E0进行比较,得到食品升降车的磁感知信号归一化近似信号能量比及3层小波能量比为Ei=[ECA3/E0,ECD3/E0,…,ECD1/E0]=[0.9 9 3,0.0 0 2 9,0.000 8,0.000 26],将其作为信号的频域特征,并结合时域特征,得到食品升降车信号特征为x={x1,…,x10}={7,4,1 4 5,0.2 7,6 9,0.1 1,99.3%,0.29%,0.08%,0.026%}。
4.2 实验结果及分析
检测样本的目标类型为机场引导车,食品升降车,加油车,塞斯纳550B,波音737-800,空客320,空客340 7种类型[13]。按照时域频域特征结合的特征提取方法分别对车辆及飞机目标磁信号检测样本进行特征提取。表1为7种目标的时域特征及频域特征。
表1 目标类型时频域特征Tab.1 The time domain futures and frequency domain features of the targets
以食品升降车为例,根据目标特征区分度测度算法分别计算食品升降车时域、频域及时频域特征与另外6种目标时域特征、频域特征及时频域特征距离[12]。根据算法获得食品升降车时频域特征分配权重为w时频={0.15,0.11,0.07,0.05,0.11,0.11,0.01,0.09,0.15,0.15},其时域特征分配权重w时域={0.3,0.2,0.1,0.1,0.1,0.2},频域特征分配权重为w频域={0.05,0.2,0.35,0.4}。表2为对比3种特征提取方法的其他6种目标特征与食品升降车的相对距离。
表2 其他类型目标与食品升降车的相对距离Tab.2 The distance between other target and catering truck
对照表2,在时域特征提取方法中,食品升降车与加油车的目标特征距离为0.013,表明其时域特征极其相似,仅依靠时域特征方法不能很好的区分2种目标类型,而时频域特征提取方法使得其特征距离提高到0.046,2种类型区分度增大。在频域特征提取方法中,食品升降车与波音737及空客320的特征距离分别为0.027,0.026,但在时频域结合的特征提取方法中,食品升降车与二者的特征距离为0.082,0.083,使得食品升降车与这2种飞机有较明显的区分度。
图8为3种特征提取方法的目标类型相似度对比。横坐标目标类型对比中数字1,2,3,4,5,6,7分别表示机场引导车,食品升降车,加油车,塞斯纳550B,波音737-800,空客320,空客340 7种目标类型,1-2即表示机场引导车与食品升降车的对比。对照图8,对7种目标间相似度求平均值,目标间时频特征的平均相似度为0.516,略高于频域特征的0.489,略低于时域特征的0.523,但是时频域特征提取方法使得目标之间的相似度均低于0.79,没有出现不同目标类之间具有极高相似度的情况。食品升降车与加油车时域特征的相似度为0.937,而时频域特征相似度为0.775,加油车与波音737-800的频域特征相似度为0.936,而时频特征相似度为0.759,时频域特征提取方法能够在时域特征区分度不够时,补充信号的频域特征对目标进行分类,反之在时域特征区分度不够的情况下,可补充信号的时域特征对目标进行分类[14]。总体说来,信号的时频域特征综合时域特征和频域特征,其丰富的特征信息能够更全面的反映信号特性,能够有效的平衡及降低各目标间的相似度。
图8 3种特征提取方法的目标相似度对比Fig.8 The comparison of the similarity of 3feature extraction methods between different targets
5 结束语
目标特征提取 篇3
关键词：无源雷达,调频广播,变步长最小均方,直达波抑制,快速傅里叶变换
0 引言
近年来, 国内外正在进行无源雷达的研制, 这种雷达系统利用调频广播、电视等民用信号作为非合作照射源[1], “静默”接收飞机、导弹等飞行器目标的微弱反射信号, 再进行直达波干扰抑制及目标特征参数估计, 以完成目标定位及跟踪。由于民用辐射源具有工作频率低、频率覆盖广、发射功率大等特点, 大大提高了无源雷达在抗干扰、抗低空突防、抗反辐射导弹和反隐身等方面的性能[2]。
为了加快收敛速度, 本文提出了新的变步长公式, 并设计了基于变步长最小均方 (Least Mean Square, LMS) 算法[3⁃4]的自适应直达波干扰 (Direct Path Interference, DPI) 抑制[5⁃6]系统。为了提高雷达系统实时性能, 采用快速傅里叶变换 (Fast Fourier Transform, FFT) [7]方法计算互模糊函数, 以快速准确进行目标特征参数提取。
1 基于变步长LMS算法的自适应直达波干扰抑制系统
相对于直达波干扰来说, 目标回波具有因目标运动引起的较小的多普勒频移。因为调频广播是带宽信号, 目标回波与直达波干扰频谱混叠严重。另外, 由于传输距离较远及目标散射等原因, 目标回波强度一般比直达波信号强度小很多。使用经典滤波器很难有效滤除直达波干扰, 所以本文设计了基于变步长LMS算法的自适应直达波干扰抑制系统。
系统包括两个通道:目标通道和参考通道, 如图1所示[8]。目标通道接收受到直达波干扰污染的目标回波:d (n) =s (n) +u0 (n) , 其中s (n) 为目标回波, u0 (n) 为直达波干扰;参考通道接收信号为x (n) =u (n) , 其中u (n) 是与u0 (n) 同源的直达波信号。
自适应滤波器输出信号为:y (n) =xT (n) W (n) , 其中, W (n) 是自适应滤波器权系数向量。
系统输出误差为:e (n) =d (n) -y (n) 。
自适应滤波器权系数迭代公式为:
W (n+1) =W (n) +2μ (n) e (n) x (n) (1)
式中μ (n) 为收敛因子。系统在开始收敛或受到干扰时误差较大, 需要有较大的收敛因子以加快收敛速度;趋近稳定时, 需要有较小的收敛因子以保证较小的稳态误差[9]。所以本文引入了变步长公式:
LMS算法的收敛条件是:0<μ (n) <1λmax, 其中λmax为x (n) 自相关矩阵的最大特征值。
因为s (n) 与u0 (n) -y (n) 不相关, 系统输出均方误差为:
若系统收敛到最小均方误差ξmin, 则E[u]0 (n) -y (n) 2最小, 也即y (n) 是噪声u0 (n) 的最佳估计, e (n) 是目标回波s (n) 的最佳估计。
2 基于变步长LMS算法的自适应直达波干扰抑制系统仿真
调频广播选用载频为107.4 MHz峰峰值为1 V的余弦波, 调制信号采用频率为15 k Hz峰峰值为1 V的余弦波, 调制度为5, 则带宽为180 k Hz, 所以调频广播属于典型的高载频窄带宽信号。若直接进行乃奎斯特采样, 则采样频率至少为200 MHz, 将会对实时信号处理带来很大困难。为降低采样频率, 采用窄带采样定理[10]:对于载波频率为f0, 双边带宽为2B的窄带信号而言, 若存在x≥B, 满足 (f0+x) 2x=2k+1, k为非负整数, 那么存在欠采样频率fs=4x, 用采样频率fs对载频为f0的信号采样, 等价于把载频为f0的信号混频到中频x上。根据窄带采样定理, 选用欠采样频率最小值0.8 MHz, 等价于把载频为107.4 MHz的调频信号混频至中频0.2 MHz处。
若参考天线接收的直达波记为u (t) , 则理想目标回波s (t) 可以表示为[11]:
式中:k1为衰减系数, 取值;τd为目标回波相对直达波的时延, 取值0.000 04 s, fd为多普勒频移, 取值1 k Hz。自适应滤波器阶数取值M=2, 初始步长为0.001 2, 收敛因子μ (n) 参数取值为a=0.25, b=0.004, c=0.02。仿真结果如图2所示。
图2 (a) 为受到直达波干扰污染的目标回波频谱图, 直达波中频出现在0.2 MHz, 验证了窄带采样定理。幅值较小的目标回波仅具有1 k Hz的多谱勒频移, 与直达波干扰频谱混叠严重。图2 (b) 为重建后的目标回波频谱图, 与图2 (a) 比较可知, 幅值较大的直达波干扰得到有效滤除, 目标回波得到较好重建。为了便于比较, 图2只画出中频附近频谱, 其他位置频谱情况与此外类似, 不再累述。
图3为直达波干扰抑制后的目标回波与理想目标回波时域差值图, 其中上方蓝线为定步长收敛过程, 在800点左右趋于稳定;下方红线为变步长收敛过程, 初始收敛因子与定步长收敛因子相同, 在300点左右已趋于稳定。可见在稳态误差相同的前提下, 变步长LMS算法具有更快的收敛速度。
综上, 基于变步长LMS算法的自适应直达波抑制系统能够快速有效滤除直达波干扰, 工作性能良好。
3 基于互模糊函数的FFT计算方法的联合时频估计
无源雷达目标定位需要估算目标回波的时延及多普勒频移等参数。目前, 常用互模糊函数进行时延和多普勒频移的联合估计, 互模糊函数定义为[12]:
式中:u (t) 为直达波;s (t) 为目标回波;Ta为积分总时间。显然, 在式 (5) 中, 当τ=τd且f=fd时, 互模糊函数将出现最大值:
即可以通过计算互模糊函数最大值来估计时延τd和多普勒频移fd。设采样点数为N, 采样周期为T, 积分总时间为Ta=NT, 则式 (5) 可以离散化为:
然而, 若直接计算式 (7) , 运算量很大, 难以满足雷达系统的实时性要求。为降低运算量, 以提高系统实时性能, 式 (7) 可以应用FFT方法进行计算:
若取Nf=N, 按式 (7) 直接计算, 需要的复数乘次数为:
若应用FFT方法, 按式 (8) 进行运算, 需要的复数乘次数为:
设时延取值点数为Nτ=64, 为便于FFT计算, 采样点数取值为N=216, 217, ⋯, 225, 则互模糊函数的两种算法的复数乘次数比较结果如图4所示。
图4中, 上方红色圆圈画线为直接计算所需的复数乘次数;下方蓝色三角画线为利用FFT算法所需的复数乘次数, 与直接计算相比, 复数乘次数降低了4个数量级左右。显然, 采用FFT算法大大降低了运算量, 提高了系统的实时性能。
然后, 设采样点数为N=218, 利用FFT方法计算互模糊函数最大值, 以估计时延及多谱勒频移, 仿真结果如图5所示。
图5 (a) 是互模糊函数图对应的时间轴剖面图, 可见互模糊函数最大值对应的时间为0.000 04 s, 与时延参数仿真设置值一致。图5 (b) 是互模糊函数图对应的频率轴剖面图, 可见互模糊函数最大值对应的频率为1 k Hz, 与多谱勒频移参数仿真设置值一致。说明通过互模糊函数的FFT计算方法能够快速准确进行时延及多谱勒频移估计。
4 结论
本文选用载频为107.4 MHz, 带宽为180 k Hz的调频广播作为无源雷达非合作照射源, 属于典型的高载频窄带宽信号, 采用窄带采样定理, 使无失真采样频率降为0.8 MHz, 给实时信号处理带来了便利。针对较强的直达波干扰, 设计了基于变步长LMS算法的自适应直达波干扰抑制系统。仿真表明, 与定步长800点收敛位置相比, 系统能以300点收敛位置更加快速有效滤除直达波干扰。针对直接计算互模糊函数计算量太大问题, 本文采用FFT方法, 与直接计算相比, 复数乘次数降低了4个数量级左右, 大大提高了雷达系统的实时性能。最后, 利用FFT方法计算互模糊函数最大值, 多普勒频移及时延均估算正确, 为目标定位及跟踪奠定了良好的数据基础。
参考文献
[1]宋杰, 何友, 蔡复青, 等.基于非合作雷达辐射源的无源雷达技术综述[J].系统工程与电子技术, 2009, 31 (9) :2151-2156.
[2]范梅梅, 廖东平, 丁小峰.基于北斗卫星信号的无源雷达可行性研究[J].信号处理, 2010, 26 (4) :631-636.
[3]彭秀艳, 门志国, 王冠, 等.变步长LMS算法相空间重构的AR模型预报仿真[J].计算机仿真, 2013, 30 (1) :28-31.
[4]张晓娟, 吴长奇.使用变步长频域LMS算法的自适应Volterra均衡器[J].电路与系统学报, 2012, 17 (4) :99-102.
[5]李辉, 何友, 周洪庆, 等.外辐射源雷达系统中直达波干扰抑制技术[J].火力与指挥控制, 2013, 38 (2) :145-149.
[6]王卫国, 董绪荣.一种基于多路径对消的直达波干扰抑制算法研究[J].装备指挥技术学院学报, 2011, 22 (3) :90-94.
[7]胡广书.数字信号处理理论、算法与实现[M].3版.北京:清华大学出版社, 2012.
[8]HOWLAND P E, MAKSIMIUK D, REITSMA G.FM radio based bistatic radar[J].IEE Proceedings Radar, Sonar and Navigation, 2005, 152 (3) :107-115.
[9]沈磊, 姚善化.改进变步长LMS算法及在自适应噪声抵消中的应用[J].噪声与振动控制, 2010, 30 (5) :60-63.
[10]宋勇辉.基于调频广播信号的无源雷达[D].南京:南京理工大学, 2003.
[11]ZOELLER Christopher Lee.A passive, coherent radar using commercial FM broadcast signals[D].Huntsville, USA:The University of Alabama in Huntsville, 2002.
目标特征提取 篇4
在合成孔径雷达SAR数字图像处理与识别中,目标物体的边缘特征是目标检测和识别的重要特征。图像的边缘表现为强度的突变。通常我们利用目标物体与复杂背景在目标物体边缘的强度突变,采用边缘检测算法来提取两者之间的交界线。这样的边缘提取方法有很多,诸如Robert、Prewitt、Sobel、Laplacian等微分算子法[1]。微分算子利用小区域模板进行卷积来近似计算梯度的并行边缘。它们的缺点是产生大量的噪声,给后续的边缘特征提取带来许多困难。由于SAR图像背景一般较为均匀,为此,我们提出一种边缘检测算法。这种算法先对图像进行低频滤波,然后进行自动阈值图像分割,再采用数学形态学方法[2]对图像进行二值滤波,最后采用十字模板提取目标边缘。针对所提取的边缘上的点而言,在其靠近目标物体一侧与靠近复杂背景一侧存在的关系使得边缘上的每一点有着各自的特征,即边缘特征。边缘特征的提取已有多种方法[1,2],例如Fourier描绘子,方向链码,曲率等。采用这些特征,在SAR图像处理中常常不能得到很好的目标识别效果。为此,本文提出了目标边界流特征和边沿流特征来描述目标的边缘特性。这些特征提取是利用边缘跟踪的方法,得到目标边缘点序列,计算序列中每一边缘点处的边界流信息熵和边沿流信息熵。采用我们提出的方法进行了SAR图像目标边缘特征的提取,获得了预期的好效果。由于只处理边缘像素,所以算法较为简便,速度快,效率较高,所提取的特征清晰,便于后续的目标分类和识别。本文首先介绍边界流特征和边沿流特征的概念与算法,然后介绍边缘提取和边缘跟踪的原理和算法,最后给出实验结果和讨论。
2 目标边界流特征
假设目标是湖,背景是陆地。或者假设目标是岛,背景是海。又假设水可以越过任意边界点流动。如果边界点不同,则水流的特征也不同。因此,边界流特征可描述边界特征,用于边界形状特征检测与识别。
我们定义边界流为跨过边界流动的信息量,这个信息量用信息熵[3]来表示。设边界处b点相邻且非边界点一方的信息熵为Hb1,边界处b点另一方的信息熵为Hb2,则边界流Hb为这两方信息熵的差:
其中:当测量尺度为r时,在边界处与b点相邻且非边界点一方的信息熵,我们定义为信息熵Hb1:
式中:Hb1是一个复数,j是复数的虚单位,f(*)是图像像素点的值,xb和yb是图像边界处b点像素点的坐标。同理,测量尺度为r时,在边界处b点处,与之相邻且非边界点的另一方的信息熵定义为Hb2:
边界流Hb是一个复数:
该复数的模和辐角分别为
3 目标边沿流特征
我们假设目标边缘是封闭的河。又假设水可以沿封闭的河流动。如果边缘点不同,则水流的特征也不同。因此,边沿流特征可描述边缘特征,用于边缘形状特征检测与识别。
类似边界流,我们定义边沿流为跨过边界点沿边缘线流动的信息量,这个信息量用信息熵来表示。设边缘上c点相邻的边缘点一方的信息熵为Hc1,边缘上c点另一方的信息熵为Hc2,则边沿流Hc为这两方信息熵的差:
其中定义信息熵Hc1测量尺度为r时,边缘上c点处的信息熵:
同理,我们定义信息熵Hc2测量尺度为r时,边缘上c点处的信息熵:
由式(12)可知,边沿流Hc也是一个复数:
该复数的模和辐角分别为
4 边缘提取
在我们的SAR目标识别中,我们采用边界流和边沿流特征来识别目标。如上所述,边界流和边沿流特征是从目标的边缘处提取的,因此,在提取边界流和边沿流特征之前必须进行目标的边缘提取。由于SAR图像背景较为均匀,噪声干扰较大,为了得到连续性好、清晰度高的单像素边缘,提高特征提取算法的效率,我们研究了边缘提取算法。我们先对图像进行低频滤波,然后进行自动阈值图像分割,再采用数学形态学方法对图像进行二值滤波,最后采用十字模板提取目标边缘。
4.1 低频滤波
低频滤波的经典方法有高斯滤波,巴特沃尔斯滤波,均值滤波[4],中值滤波[5]等。由于我们的SAR图像的斑点噪声比较严重,又因为我们的边界流和边沿流方法需要有较好的目标边缘,而作为非线性滤波器中最为典型的中值滤波既可滤除斑点噪声,又能保持较好的边缘。因此,我们采用中值滤波器进行低频滤波。中值滤波器定义为
这里:fi∈w,i=0,1,…,N。w={f(m,n)},f(m,n)}是以图像像素点f(x,y)为中心的邻域像素点,N是邻域像素点的个数。
4.2 图像分割
自动阈值图像分割的较好算法有双峰法[6],P-Tile法,大津展之法[7]等。由于SAR图象上杂波的复杂性和随机性,因此图象上的背景和感兴趣区域的像素灰度值发生部分重叠,实际中希望选取某一阈值,对图象进行分割,同时又使得发生错误的几率最小。针对SAR图像的这一特点,我们提出一种谷点阈值算法:
b(x,y)是分割后的二值图像;t是图像的灰度级;tm L是最大概率的低灰度级,tm R是最大概率的高灰度级,tn是tm L和tm R之间的最小概率的灰度级;δ谷底宽度,一般可取5∼10,以消除噪声的影响;P(*)是概率。
4.3 形态学处理
因为SAR图像固有的噪声以及其他一些地物目标的影响,自适应阈值分割后直接提取特征困难较大,必须作进一步的处理。数学形态学在图像处理中可用于滤波、边缘提取、区域填充、连接部分提取、细化、粗化、去除空穴等处理。数学形态学滤波是进行开运算和闭运算,开运算和闭运算又是以腐蚀、膨胀运算为基础。针对SAR图像的特点,我们采用结构元素为5×5的开运算:
其中:u(x,y)是二值滤波后的图像,∅表示腐蚀,⊕表示膨胀。
4.4 目标边缘提取
二值图像的目标边缘提取可以采用水平和垂直的二次扫描方法,也可以采用模板方法。我们采用十字模板卷积算法提取目标边缘:
式中:v(x,y)是提取的边缘图像,c(x,y)是十字模板。获得边缘图像后,采用边缘跟踪的方法把边缘点存入边缘点坐标的序列中。
4.5 边缘跟踪
由上述的边沿流特征的概念和提取方法可知,目标边缘点需要是序列形式。所以,在边缘检测后,需要对已提取出的目标物体边缘,进行边缘跟踪获得边缘点序列。边缘跟踪算法一般有基于四连通或八连通区域的轮廓跟踪法[8,9]、和光栅扫描法[10]等。光栅扫描法要经过多次重复才能得到结果,由于重复次数难以确定,因此跟踪结果未必正确,且容易形成程序死循环。基于四连通或八连通区域的轮廓跟踪能通过一次扫描得到所有的目标边界点序列,因此我们采用八连通区域轮廓跟踪的方法。假设背景灰度为0,而已提取出的目标物体边缘灰度大于1。对整幅图像按照从左自右,从上自下的方式扫描。当有第一个灰度不为零的像素点S,将其标记为起始点,对边缘进行跟踪,直到跟踪序列中的点与起始点位置重合为止,这样,一个目标的边缘跟踪完成。再将跟踪过的每个边缘点的灰度值设置为零。重复扫描、跟踪的过程,确定下一目标物体的跟踪序列。跟踪的具体步骤如下。
针对起始点S,依照图1所示,可知*位置灰度值均为零。以起始点S为中心点,按F0,F1,F2,F3的逆时针顺序依次检测四个点的灰度值。如果这四个的灰度值均为零,则认为起始点为孤立点。否则,记录找到的第一个不为零的边界点,以此边界点作为下一个八连通区域搜索的中心点,如图2所示。
如图2(a)所示,假设F0不为零,中心点移到F0,针对F0的8领域,以F00为搜索起始点,按逆时针顺序搜索非零点。如图2(b)所示,假设F0为零而F1不为零,中心点移至F1,针对F1的8领域,以F10为搜索起始点,按逆时针顺序搜索非零点。同理,F2,F3的处理如图2(c)(d)所示。
在其后的跟踪过程中,对任一中心点S1的8邻域F0~F7,如图3所示,按图2和图4所示的中心点移动和搜索起始点确定,搜索非零点。图4表示当中心点移到F4~F7的某点时,对其8领域搜索非零点的搜索起始点确定方法。中心点移到F4时,搜索起始点是F40。中心点移到F5时,搜索起始点是F50。依次类推。
循环跟踪过程,记录每个边缘点,得到边缘点序列。这种跟踪方式,针对每一当前边缘点,首先比较其与前一边缘点的位置关系,从而决定对下一边缘点的搜索顺序,从最有可能的下一边缘点位置开始,在8领域中按逆时针顺序搜索,提高了跟踪效率。
5 实验与讨论
为了研究相同测量尺度,同一物体不同方位的特征,我们用不同形状不同尺度不同方向的目标的测试图像进行了实验。测试图像如图5所示。图中三行分别是三种不同形状的物体,即矩形、三角形、圆形。三列分别是三种不同尺度和不同方向的物体。按列从左自右,在x,y方向上最大跨度分别为40,30,20。第二三列物体分别是第一列物体一定角度的旋转。测试图像的边界流特征和边沿流特征的实验结果如图6所示。
我们再用SAR建筑物群图像和舰船目标图像进行了实验。SAR建筑物群图像如图7(a)所示,SAR舰船目标图像如图8(a)所示。由于SAR图像背景较为均匀,我们先采用中值滤波滤出高频噪声,再采用谷点阈值算法进行图像自动分割。图像的灰度级为0~255,δ谷底宽度取5个像素,分割后将图像背景以0显示,而目标物体以255显示,得到二值化图像;针对SAR图像中物体目标内部非目标孔洞和目标间边缘细微连接部分容易影响边缘提取的问题,我们采用5×5的结构元素对图像进行开运算,使得目标物体边缘较为均匀,同时填补了内部孔洞,有利于边缘的提取;对经过形态学滤波后所得的二值图像采用十字模板卷积算法提取目标边缘;由于所得边界为连通性较好的单像素边缘,运用边界跟踪算法,以逐行扫描的顺序,对图像上的目标物体边界进行跟踪,这样得出了目标物体的边缘点序列;在边缘点序列中,逐一对每点计算其边界流和边沿流模值与辐角值。图7(b)、图7(c)、图8(b)、图8(c)分别显示了边界流和边沿流的模值和辐角值。
由测试图像和实际SAR图像的实验结果可以看出,利用边界流和边沿流特征描述目标物体,由于只处理边缘像素,所以算法较为简便,速度快,效率较高,所提取的特征清晰,便于后续的目标分类和识别。
参考文献
[1]Sharifi M,Fathy M,Mahmoudi M T.A Classified and Comparative Study of Edge Detection Algorithms[C]//Proceedings of the International Conference on Information Technology:Coding and Computing.[S.l.]:IEEE,2002:117-120.
[2]唐常青,吕宏伯,黄铮.数学形态学方法及其应用[M].北京:科学出版社,1990:1-31,77-90.TANG Chang-qing,LüHong-bo,HUANG Zheng.Mathematical Morphology method and It’s Application[M].Beijing:Science Press,1990:1-31,77-90.
[3]JING Xiao-jun,LIU Yu-lin,XIONG Yu-qing.Image Filtering Based on Improved Information Entropy[J].Chinese of Journal Electronics,2004,13(3):419-423.
[4]Gonzalez R C,Woods R E.Digital Image Processing(Second Edition)[M].New Jersey:Pearson Prentice-Hall,USA,2002:132-148.
[5]XU Cai-jun,WANG Hua,WANG Jiang-lin,et al.Adaptive Filter in SAR Interferometry Derived DEM[J].Geospatial Information Science,2005,8(3):193-196.
[6]Lee S,Chung S.A Comparative Performance Study of Several Global Thresholding Techniques for Segmentation[J].Computer Vision,Graphics,and Image Processing,1990,52:171-190.
[7]Pal N R.Review on image segment technlques[J].Pattern Recognition,1993,26:1274-1294.
[8]蒋爱花,邢济收.图像边缘处理技术[J].科学技术与工程,2005(5):298-300.JIANG Ai-hua,XING Ji-shou.Summarization of the Technology on Image Edge[J].Science Technology and Engineer,2005(5):298-300.
[9]何东健,耿楠,张义宽.数字图像处理[M].西安:西安电子科技大学出版社,2003:98-99.HE Dong-jian,GEN Nan,ZHANG Yi-kuan.Digital image Processing[M].Xi’an:Xi’an University Press,2003:98-99.
目标特征提取 篇5
安全问题是关系国计民生的重要问题,因此,各国政府都投入大量人力物力研究实施智能安全监控系统。但是,目前监控系统主要针对某些特定环境,并不能直接用于非约束环境中,从而使得目前的监控系统不具有通用性。
这是因为在非约束环境下,受到天气、阳光、遮挡等外界因素的严重影响,并且存在因不同的成像时间、角度、距离等因素而导致的图像平移、旋转、缩放等问题,这都给高精度的目标匹配工作带来了很大的难度。为此有必要为此设计一种不受环境影响的特征提取算法,完成目标匹配工作[1]。
2004年,哥伦比亚大学的David.Lowe 提出了一种新的点特征提取算法(Scale Invariant Feature Transform,SIFT)[2,3,4],较好地解决了场景部分遮挡、旋转缩放、视点变化引起的图像变形等问题,并且成功应用于目标检测[2]、图像匹配[5]、图像拼接[6]等领域。Mikolajczyk 和Schmid针对不同的场景,对光照变化、图像几何变形、分辨率差异、旋转、模糊和图像压缩等6种情况,就多种最具代表性的描述子(如SIFT,矩不变量,互相关等10种描述子)进行了实验和性能比较,结果表明,在以上各种情况下,SIFT描述子的性能最好[7]。
SIFT最初是作为一种关键点的特征提出来的,这种特征对图像的尺度变化和旋转是不变量,而且对光照的变化和图像变形具有较强的适应性。同时,这种特征还具有较高的辨别能力,有利于后续的匹配。正是借助于这些特点,使得传统图像配准中的许多诸如前面提到的共性问题得到了很大程度的改善。
正因为上述SIFT算子的优越性,在分析有关SIFT算子原理的基础上,对有关图像进行实验。实验表明,文中介绍的算法在目标运动、遮挡、旋转不变性等因素的影响下能达到较高目标检测要求,能够很好地克服非约束环境下特征提取的困难,可为目标的自动跟踪提供一些参考。
1 SIFT特征提取理论
1.1 尺度空间的生成
高斯卷积核实现尺度变换的惟一线性核,于是一幅二维图像的尺度空间定义为:
undefined
式中:(x,y)是空间坐标;σ是尺度坐标,图像被平滑的越少,相应的坐标值也就越小。大尺度对应于图像的概貌特征,小尺度对应于图像的细节特征。
为了有效地在尺度空间检测到稳定的关键点,提出了高斯差分尺度空间(DOG)。DOG算子定义为两个不同尺度的高斯核差分[8],DOG算子如式所示:
D(x,y,σ)=[G(x,y,kσ)-G(x,y,σ)]*I(x,y)
=L(x,y,kσ)-L(x,y,σ) (2)
1.2 关键点(空间极值点)检测
对DOG尺度空间每个点与相邻尺度和相邻位置的点逐个进行比较,得到的局部极值位置即为关键点所处的位置和对应的尺度。
通过曲面拟合可以确定关键点的位置和尺度达到更高精度,同时去除低对比度的关键点和不稳定的边缘响应点,以增强匹配稳定性、提高抗噪声能力[9,10]。
1.3 关键点方向分配
在以关键点为中心的邻域窗口内采样,并用直方图统计邻域像素的梯度方向。梯度直方图的范围0～360°,其中每10°一个柱,共36个柱。直方图的峰值则代表了该关键点处邻域梯度的主方向,即为该关键点的方向,后续的描述子构造均以该方向为参照,这样所构造的描述子具有旋转不变性。
1.4 特征点描述子生成
以关键点为中心取8×8的窗口,在每4×4的小块上计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,可形成一个种子点,2×2共4个种子点,每个种子点有8个方向向量信息。这种邻域方向性信息联合的思想增强了算法抗噪声的能力,同时对于含有定位误差的特征匹配也提供了较好的容错性。为了增强匹配的稳健性,对每个关键点可使用4×4共16个种子点来描述,这样对于一个关键点形成128维的SIFT特征向量。
1.5 SIFT特征提取
当两幅图像的SIFT特征向量生成后,采用关键点特征向量的欧式距离作为两幅图像中关键点的相似性判定度量。取图像中的某个关键点,并找出其与图像中欧式距离最近的前两个关键点,在这两个关键点中,如果最近的距离除以次近的距离少于某个阈值,则该点为目标的特征点。
2 SIFT特征提取实验
为了验证SIFT特征性能,利用工业级高速CCD相机采集非约束环境下复杂背景的航拍图像序列,作为本文的实验数据。在无人工干预的情况下,利用Visual C++软件实现非相邻图像序列之间的特征提取、特征定位、特征匹配。
SIFT特征自动匹配中,阈值的大小将直接影响SIFT匹配点数目的多少,以及匹配的稳定性。为此在该实验中,通过设置SIFT算法的阈值大小,避免背景图像中过多的特征点以及非感兴趣目标的影响,从而给目标匹配以及跟踪的稳定性及准确性带来一定的影响。具体的特征提取实验结果如图1,图2所示。
为了验证针对图1,图2两幅特征提取结果的正确性,特进行匹配实验,匹配连线结果如图3所示。
从上述匹配结果来看,车上的两个特征点匹配的效果非常好,而背景上的误匹配,可以通过图像上的相对位置进行排除。同时为了突出上述SIFT算法的稳定性以及高精度,针对常用的模板匹配实验做了一个对比实验,实验结果如图4。
对于上述两个匹配实验而言,在该种背景复杂的非约束环境下,SIFT特征匹配精度为95%,而模板匹配精度为85%。从而基于SIFT特征匹配算法更稳健,更有利于非约束环境下的目标跟踪。
3 结 语
针对非约束环境下常用的目标特征提取方法的局限性,在此成功将SIFT特征提取算法利用与非约束环境下的目标特征提取与匹配。该方法能够有效地对图像中目标的有关特征进行提取,同时也能有效地避免复杂背景的以及非感兴趣目标对目标跟踪带来的负面影响。同时通过相关实验表明,非约束环境下,SIFT算法能达到较高目标检测要求,能够很好地克服非约束环境下特征提取的困难,从而提高目标匹配的精度。
参考文献
[1]宰小涛.基于SIFT特征描述子的立体匹配算法研究[D].上海:上海交通大学,2007.
[2]Lowe D.Distinctive I mage Features from Scale-invariantKeypoints[J].International Journal on Computer Vision,2004,60(2):91-110.
[3]Ke Y,Sukthankar R.PCA-SIFT:A more Distinctive Repre-sentation for Local I mage Descriptors[A].Proceedings ofConference on Computer Vision and Pattern Recognition[C].Washington,2004:511-517.
[4]David G Low.Object Recognition from Local Scale-invariantFeatures[A].The Proceedings of the Seventh IEEEInterna-tional Conference on Computer Vision[C].Corfu,Greece:IEEE Computer Society Press,1999:1 150-1 157.
[5]David G Low.Distinctive I mage Features from Scale-invari-ant Keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.
[6]Brown M,Lowe D G.Recognising Panoramas[A].Proceed-ings of the 9th International Conference on Computer Vision[C].Nice,2003.
[7]Ke Y,Sukthankar R.PCA-SIFT:A more Distinctive Repre-sentation for Local I mage Descriptors[A].Proc.Conf.Com-puter Vision and Pattern Recognition[C].2004:511-517.
[8]Lindeberg T.Scale-space Theory in Computer Vision[M].Netherlands:Kluwer Acaddemy Publishers,1994.
[9]季方.改进栅格交通地图道路识别过程的研究[D].合肥:中国科学技术大学,2005.
目标特征提取 篇6
水下目标识别主要包括被动声纳目标识别和主动声纳目标识别两种, 前者是利用舰船辐射的噪声信号来识别目标, 而后者则是通过回声信号来识别目标。本文主要讨论被动声纳目标识别。由于海洋环境的复杂性和水声信道的特殊性, 要从舰船噪声信号中抽取出一种能反映目标本质的有效特征, 一直是这一领域的难题。随着非线性科学的迅猛发展, 非线性手段日渐成熟, 利用非线性的方法来分析舰船噪声信号成为舰船目标特征提取的一个新的可行手段。
本文应用舰船噪声信号的极限环来提取目标的非线性特征, 并采用自适应遗传BP算法来训练神经网络分类器。实验表明本研究提出的方法为舰船噪声目标的特征提取提供了一个新的有效手段, 同时具有很好的分类性能。
1 被动声纳目标识别系统的组成
被动声纳目标识别系统的组成如图1所示。整个系统由信号预处理、目标特征提取以及分类器设计等三大部分组成。
本文采用基于自适应遗传BP算法的神经网络分类器, 着重研究一种非线性的特征提取方法。
2 非线性特征提取
长期以来, 人们一直把水声信号当作随机信号处理, 基于随机系统理论和统计造型的信号处理方法一直是水声信号检测与分析的重要理论工具。然而, 这些常规的理论手段面对复杂的实际工程问题, 如弱信号检测、复杂目标信号的识别, 有时会显得软弱无力。
混沌理论是研究系统过程而非状态的科学, 它告诉人们, 一种十分复杂的自然现象往往可能只是由一些简单的规则迭代产生。也就是说, 如果确定某种信号是混沌的, 那么就可能找到一种十分简单的规则来刻画它。
国内外学者从船舶辐射噪声可能产生混沌现象的机理、相空间轨迹、Lyapunov指数和分维特征等4个方面全面研究了船舶辐射噪声存在混沌的可能性。研究表明, 船舶辐射噪声信号中的确存在混沌现象, 而且不同类型的信号具有不同的分维特征。这一研究结果不仅为混沌、分形理论的研究开辟了又一新的应用领域, 也为水下目标信号的检测和识别提供了崭新的研究途径。随着非线性科学的迅猛发展, 非线性手段日渐成熟, 利用非线性的方法来分析舰船噪声信号, 成为舰船目标特征提取的一个新的可行手段。
舰船噪声是一种非平稳信号, 反映了系统较强的非线性。极限环是非线性系统所表现出来的一个重要特性。本文研究了一种从噪声极限环中提取非线性特征来分析舰船噪声信号的新方法, 利用分形特征维数和分布密度比计算极限环的奇异性和空间形状特性, 并以此作为分类识别舰船目标的特征参数。
2.1 舰船辐射噪声的极限环
图2分别为3艘不同类型舰船噪声的时序信号在相平面x觶 (t) ～x咬 (t) 上的极限环, 从图2中不难发现舰船噪声在相平面上的极限环明显存在倍周期或混沌行为, 并且有不同的特点。
2.2 极限环的分形和空间形状特征
从图2可以看出舰船噪声的极限环不仅具有复杂的精细结构, 而且具有空间的自相似性, 它是一种典型的分形集。空间形状和分形维数是描述一个分形集的两个重要参数, 分形维数描述了分形集的自相似性或奇异性, 而空间形状则描述了分形集的空间大小和分布。描述分形集的维数有许多种定义, 常见的有Hausdorff维、关联维、盒子维等。本文主要讨论点距分形维。
2.2.1 点距分形维
任一张平面分形图形, 其维数可由数盒子的方法加以确定。盒子既可以取成小区间、正方形、立方体, 也可以取成圆、球等。对于舰船噪声信号的极限环, 如果将极限环平面前后两点之间的不同距离取为盒子, 设盒子的长度为δ时, 数出极限环平面前后两点之间的距离在此长度范围内所有点的对数N (δ) , 对不同的δi (i=1, 2, ..., m) , 将得到m个不同的N (δ) 值。因N (δ) -δ-D, 定义点距分形维为
2.2.2 用于目标识别的水声信号分形特征矢量
对于严格的分形随机过程, 特征曲线是线性变化的, 即在不同尺度下参数不变。水声信号不是严格的分形噪声, 其分形特征曲线在一定的尺度范围内是近似线性的, 而在此尺度范围外是非线性的。不同的水声目标具有不同的特征曲线, 其走势反映分形维, 其变化细节又给出了更多的特征信息, 利用这些信息可以更有效地完成水声目标分类与识别任务。并且, 在其线性尺度之外的曲线仍然包含有许多有用的特征信息。因此在水声目标识别系统中, 可以利用分形特征曲线构成目标的特征参数模型, 它是一个包含了分形维信息的特征矢量。同时, 由于特征矢量可以采用同一的尺度, 避免了估计分形维时由于尺度不同而产生的矛盾。
2.2.3 空间形状特征及计算
空间形状特征是描述分形集的另一个重要特征, 例如岛屿和山峰可能会有相同的分形维数, 然而它们具有不同的空间形状, 这是人们很容易区分它们的重要因素。
为了描述舰船噪声在相平面上极限环的空间形状, 定义分布密度比如下:
yi=xi+1-xi (i=1, 2, ..., N-1)
其中:
iLWR反映了极限环空间x方向和y方向上的形状分布情况。
本文首先计算各目标信号的采样维曲线ln1δ-lnN (δ) , 如图3, 然后用lnN (i+1) -lnN (i) (i=1, 2, ..., 9) 构成9维分形特征矢量, 送入神经网络目标分类器进行目标识别。
3 基于自适应遗传BP算法的神经网络目标分类器
目标分类器是水下目标识别系统的重要组成部分, 本研究采用一种新的自适应遗传BP算法来训练神经网络目标分类器。具体过程为:
(1) 随机产生N组在不同实数区间内取值的初始网络权值;
(2) 用BP算法对这N组初始权值分别进行预训练, 若经过预训练后这N组权值中至少已有一组满足精度要求, 则算法结束;否则转入步骤 (3) ;
(3) 分别依据经过预训练的上述N组权值所对应的上下限确定取值区间, 在区间内随机生成r*N组新的权值, 连同经过预训练的N组权值一起, 构成完整的基因群体, 共 (r+1) *N组权值;
(4) 对这 (r+1) *N组权值进行选择 (selection) 、交叉 (crossover) 、变异 (mutation) 等遗传操作;
(5) 如果经过步骤 (4) 的操作已至少得到一组符合精度要求的权值, 则算法结束;否则从经过遗传操作的和未经过遗传操作的这2* (r+1) *N组权值中选出N组较好的, 回复到步骤 (2) 。
4 实验过程与结果
本文所用样本集合是由海上实验测量得到的各种不同类型、不同工况下的目标信号构成的。信号的采样频率为5kHz, 采样方式为连续采样, 样本长度为16384点。
样本集合中共包含128个样本, 根据目标物体的用途或工作方式的不同, 将它们分成3类, 分别标记为Ⅰ类、Ⅱ类、Ⅲ类。每一类中又包括一些不同用途或工作方式的目标的信号。在样本集合中均匀抽取各种目标信号样本的50%共63个组成训练集合, 而将样本集合中的所有样本共128个作为测试样本。
采用如2节介绍的长宽比+采样分形维矢量法提取10维特征矢量, 选用的分类器为如3节介绍基于遗传BP算法的神经网络分类器。输入层节点数等于输入样本特征维数, 即为10, 中间层节点数为7, 输出层节点数为类型数, 即为3。期望的输出矢量为与该类型对应的输出节点的输出值为1, 而其它输出节点的输出值为0。判决准则为输出层输出值最大的节点对应的信号类型便是输入模式的类型。经仿真实验, 识别率如下:
5 结束语
本文研究了一种从噪声极限环中提取非线性特征来分析舰船噪声信号的新方法。实验表明, 我们提出的方法为舰船噪声目标的特征提取提供了一个新的有效手段, 同时分类性能好。
参考文献
[1]章新华, 张晓明.舰船辐射噪声的混沌现象研究[J].声学学报, 1998 (2) .
[2]宋爱国, 陆佶人.基于极限环的舰船噪声信号非线性特征分析及提取[J].声学学报, 1999 (4) .
[3]朱春红, 罗雪松.水声信号的分维特性及其应用研究[J].声学与电子工程, 1998 (3) .
[4]杨绍清, 章新华, 肖明杰, 等.一种实用的混沌信号相关维的提取算法[J].电子学报, 2000 (10) .
直扩信号特征提取技术 篇7
直接序列扩频(DSSS)信号被认为是一种低截获概率信号(LPI),由于具有低功率谱密度发射的隐蔽性、伪随机编码的保密性以及信号相关处理的抗干扰性等良好的性能,被广泛应用于航天测控、导航等多个领域。因此对直扩信号检测和截获技术的研究已成为一个刻不容缓的研究方向,而对于未知扩频码的情况下直扩信号的检测和截获技术一直是一个难题。
从直扩系统的基本原理和信号特征入手,详细分析了信号的相关性、循环平稳特性、频域正交性和准周期性等。根据特征提取的原理分析归纳出其可检测性和可识别性特征,选择出那些能够集中表征DSSS信号波形和频域显著个体特征的参数,研究了噪声对信号特征参数的影响。在此基础上应用时域相关、循环谱、倒谱和高阶累积量等现代数字信号处理技术实现了对DSSS信号特征参数的提取。分析总结了在低信噪比下直扩信号的特征提取方法,并比较了各种方法的优缺点。
1 直扩信号特征提取方法
1.1 时域相关检测法
由于信号和噪声在时域相关域有明显的特征差异,所以可以在相关域完成信号特征的提取。自相关检测是将信号与自身延迟一个时延后的信号做相关处理,或用双通道接收机的输出进行相关,得到扩频信号的自相关函数。一般来说,相关域检测能在一定程度上降低对背景噪声变化的敏感程度,甚至在多频单音干扰下也有良好的稳健性。
接收信号r(t)=s(t)+n(t)的自相关函数为:
Rr(τ)=E{r(t)r(t+τ)}=
E{[s(t)+n(t)]·[s(t+τ)+n(t+τ)]}=
Rss(τ)+Rsn(τ)+Rns(τ)+Rnn(τ)。 (1)
当τ≠nNTpn时,由直接序列扩频信号的自相关特性可知,Rss(τ)值很小,即不会出现明显的相关峰;当τ=nNTpn时,Rss(τ)出现明显的相关峰;而噪声在τ≠0时,Rnn(τ)≈0。因而,通过检测输出自相关函数的峰值可检测到扩频信号的存在,检测相邻相关峰之间的时间间隔可以实现对直接序列扩频信号码周期的估计。
1.2 循环谱检测法
循环谱在信号特征提取方面的突出优点是谱分辨能力强,即使在频率轴上的功率谱是连续的,信号特征也以循环谱的形式离散的分布在周期频率轴上,而且,不同调制方式的信号其周期谱分布也不
同。这样,即使信号在时域或频谱域中混叠在一起的特征可能会在循环谱中显现出来,从而更充分的提取信号特征。直扩信号循环谱如图1所示。
由图1可见,直扩信号的循环谱在循环频率α为零和不为零时均有峰值出现,其在循环频率α不为零时出现的非零值,是直扩信号检测和参数估计的依据。要得到信号的循环谱需要大量的运算量,计算结果的数据量也很大。为了尽可能集中地反映信号的特征,缩小选取的数据量,选取DSSS信号循环谱f=0循环频率切面观察发现:其切面集中反应了信号的载频和伪码速率信息。所以,利用谱相关函数可提取调制信号的特征参数;另外,循环谱为谱分析提供了更加丰富的信号分析域,将通常的功率谱定义域从频率轴推广到频率—周期频率双频平面,更明显地表现出了信号的特征。
1.3 倒谱检测法
由于DSSS信号中伪随机序列的周期重复,使信号的频谱具有了准周期性,而噪声则没有准周期性,因此通过提取信号频域的准周期性可以检测到信号的存在,并估计其参数。
倒谱是一种同态信号处理技术,利用信号中某些分量在频率域上的准周期性,对信号的对数功率谱再求功率谱,在伪时域或倒频率域上将这种周期性显现出来,用来分离和提取密集泛频信号中的周期成分。倒谱是从时域到频域、频域到频域、频域到伪时域的3次映射。即
倒谱的对数变换可将乘性噪声变为加性噪声,有助于消除乘性干扰。该技术充分利用信号频域上的准周期特性,检测淹没在噪声之中的信号分量,实现信号的检测和参数估计。直扩信号倒谱如图2所示。
将DSSS信号的表达式代入上式,即对直扩信号频谱求对数功率谱得到DSSS信号的倒谱为:
式(3)第1项为信号的直流分量,以后各项为信号的自相关函数及多个自相关函数的卷积,由于在第2次傅里叶变换之后取模的平方所以丢失了相位信息,相关结果在其伪码周期的整数倍处出现峰值,而在其他位置相关值较小,因此,倒谱的处理结果中峰值也是出现在伪码周期的整数倍处,通过检测峰值有无判断信号的存在,通过计算峰值间隔可以估计出伪码周期大小。
1.4 高阶累计量检测法
直扩信号的4阶统计量包含扩频码周期和载频信息,而且理论上可以完全抑制任何形式的高斯噪声,因此可以解决二阶统计量不能解决的问题。加噪信号的4阶累积量为:
由式(4)可以看出利用接收信号的4阶累积量可以检测到直扩信号的周期信息;理论上可以完全抑制高斯噪声(包括有色和白色),所以有更好的检测性能。由于4阶累积量的计算量很大,为了实现工程应用,取其切片。
由式(5)和式(6)可以看出,接收信号的4阶累积量切片均包含扩频码周期自相关信息,并且在理论上都可以完全抑制高斯噪声,因此检测和参数估计性能较好。直扩信号4阶累积量切片如图3所示。
2 仿真验证
仿真假设条件如下:① 待检测信号为DSSS/BPSK扩频信号;② 扩频码采用小m序列,扩频码长为1 023。
各种检测方法的性能如表1所示。由以上分析表明,运用时域相关检测法算法简单、检测时间最短,但是其检测性能较差,在带内信噪比为-8 dB时检测概率大于90%;循环谱检测法性能比时域相关检测略好;倒谱检测法在带内信噪比-14 dB时检测概率91%,计算复杂度居中;高阶累积量检测法在带内信噪比-15 dB时检测概率接近90%,但是由于高阶累积量计算的复杂性使得其检测时间较长。
3 结束语
从理论分析还可得出直扩信号的检测不仅和信噪比有关,而且有赖于伪码长度和检测数据长度等因素,在伪码长度不可控的情况下,增加检测的数据长度,能够改善各种方法的检测性能。由于直扩信号的隐蔽性,导致难以检测到长码扩频信号,如何在扩频码很长,接收信号不足一个伪码周期情况下侦察信号是未来直扩信号检测和特征分析的难点和重点。
参考文献
[1]张天骐,周正中,邝育军,等.低信噪比长伪码直扩信号伪码周期的估计方法[J].系统工程与电子技术,2007,29(1):12-16.
[2]钟志,赵雅琴,杨刚,等.一种简单的长码周期估计方法[J].湖南科技大学学报,2006,21(4):75-78.
[3]资晓军,谢丹,易克初.基于四阶累积量的二次谱法检测DSSS伪码周期[J].电子信息对抗技术,2006,21(1):18-21.