[發(fā)明專利]基于決策樹的地面運(yùn)動(dòng)目標(biāo)分類算法

有效

• 申請?zhí)枺?/td>: 201710727147.4
• 申請日: 2017-08-23
• 公開（公告）號: CN107506794B
• 公開（公告）日: 2020-08-14
• 發(fā)明（設(shè)計(jì)）人: 王勇;羅丁利;楊磊;戴巧娜;陳尹翔;徐丹蕾;張軍
• 申請（專利權(quán)）人: 西安電子工程研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西北工業(yè)大學(xué)專利中心 61204
• 代理人: 劉新瓊

本發(fā)明涉及一種基于決策樹的地面運(yùn)動(dòng)目標(biāo)分類算法，該算法用于戰(zhàn)場環(huán)境地面戰(zhàn)場偵察雷達(dá)對輪式車輛、履帶式車輛、單人和小分隊(duì)的準(zhǔn)確分類識(shí)別。首先進(jìn)行雜波抑制和特征提取，基于每個(gè)特征利用貝葉斯分類器對訓(xùn)練樣本進(jìn)行訓(xùn)練，確定分類器門限，然后計(jì)算熵不純度，以熵不純度減少量最大為準(zhǔn)則，尋找最優(yōu)特征，進(jìn)行分層分類。解決了四類目標(biāo)分層分類過程中的特征最優(yōu)選擇問題：算法中基于熵不純度減小量最大準(zhǔn)則來選擇特征作為根節(jié)點(diǎn)和層節(jié)點(diǎn)。相比基于經(jīng)驗(yàn)的特征選擇算法，基于決策樹的特征選擇能夠?qū)崿F(xiàn)分層過程中的特征擇優(yōu)，保證分層分類算法的性能。

技術(shù)領(lǐng)域

本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，具體涉及一種基于決策樹的地面運(yùn)動(dòng)目標(biāo)分類算法，該算法用于戰(zhàn)場環(huán)境下輪式車輛、履帶式車輛、單兵和小分隊(duì)的有效分類。

背景技術(shù)

地面運(yùn)動(dòng)目標(biāo)分類技術(shù)在軍事上具有重要的意義，地面運(yùn)動(dòng)目標(biāo)分類可以用于威脅判斷、獲得戰(zhàn)場上詳細(xì)的態(tài)勢情況，以供快速響應(yīng)和決策。對于地面運(yùn)動(dòng)目標(biāo)分類，可以利用運(yùn)動(dòng)目標(biāo)的多普勒和微多普勒特征，進(jìn)行特征提取，實(shí)現(xiàn)目標(biāo)分類和識(shí)別。本發(fā)明針對戰(zhàn)場偵察雷達(dá)重點(diǎn)關(guān)注的四類地面運(yùn)動(dòng)目標(biāo)進(jìn)行分類，目標(biāo)類型包括輪式車輛、履帶式車輛、單兵和小分隊(duì)。

地面運(yùn)動(dòng)目標(biāo)分類研究主要包括：地面典型運(yùn)動(dòng)目標(biāo)(行人、輪式車輛和履帶式車輛)的分類、單人的姿態(tài)識(shí)別、單人多人分類等。對于戰(zhàn)場偵察雷達(dá)來說，地面典型運(yùn)動(dòng)目標(biāo)的探測分類可以給出目標(biāo)的屬性和行為意圖，因此是很有必要的。

目前，地面四類運(yùn)動(dòng)目標(biāo)分類算法主要通過特征提取，進(jìn)行分層識(shí)別。首先將四類目標(biāo)分為人和車兩大類，然后再進(jìn)行具體細(xì)分，將人分為單兵和小分隊(duì)，將車分為輪式車輛和履帶式車輛。在分層識(shí)別的過程中，特征的選取很大程度上依賴于經(jīng)驗(yàn)，比如進(jìn)行人車分類時(shí)經(jīng)常選擇的特征是RCS特征和速度特征。其實(shí)還有其他的特征，比如L1范數(shù)的標(biāo)準(zhǔn)差可用于人車分類。因此，傳統(tǒng)地面四類運(yùn)動(dòng)目標(biāo)分類算法在進(jìn)行分層分類方面特征選擇沒有理論支撐，依賴于經(jīng)驗(yàn)，特征選擇有時(shí)并非最優(yōu)。

發(fā)明內(nèi)容

要解決的技術(shù)問題

為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于決策樹的地面運(yùn)動(dòng)目標(biāo)分類方法，在分層分類的過程中選擇最優(yōu)的特征，從而保證分類的性能。

技術(shù)方案

一種基于決策樹的地面運(yùn)動(dòng)目標(biāo)分類算法，其特征在于步驟如下：

步驟1：雜波抑制：

1a)對時(shí)域信號進(jìn)行傅里葉變換得到多普勒譜；

1b)在雜波范圍內(nèi)搜索最大值，記錄最大值的幅度A、相位θ以及多普勒頻率f_c；

1c)重構(gòu)最大值對應(yīng)的雜波時(shí)域信號：

s_c＝(A/K)exp[j(2πf_ct+θ)]

其中K表示脈沖積累數(shù)，從原信號中減去雜波時(shí)域信號得到新的時(shí)域信號；

1d)重復(fù)1a)到1c)步驟直到最大迭代次數(shù)；所述的最大迭代次數(shù)其中f_r表示脈沖重復(fù)頻率、M表示動(dòng)目標(biāo)檢測MTD點(diǎn)數(shù)；σ_c表示雜波譜寬度，σ_c＝2σ_v/λ；其中σ_v表示頻譜標(biāo)準(zhǔn)偏差，λ表示雷達(dá)波長；

步驟2：在雜波抑制后的距離多普勒平面，進(jìn)行特征提取，提取的特征包括：速度特征、雷達(dá)散射截面積RCS特征、兩倍速度2v處微多普勒譜線數(shù)特征、L1范數(shù)標(biāo)準(zhǔn)差特征、歸一化幅度和均值特征、譜線數(shù)均值特征：

2a)速度特征：

其中，N_T和N₀分別表示目標(biāo)所在的多普勒通道和零多普勒通道；