[發(fā)明專(zhuān)利]基于二維傅里葉變換的微多普勒時(shí)頻平面單兵小分隊(duì)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010890421.1
• 申請(qǐng)日: 2020-08-29
• 公開(kāi)（公告）號(hào): CN112068120A
• 公開(kāi)（公告）日: 2020-12-11
• 發(fā)明（設(shè)計(jì)）人: 李雨鑫;徐丹蕾;羅丁利;楊磊;陳尹翔
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安電子工程研究所
• 主分類(lèi)號(hào): G01S13/72
• 分類(lèi)號(hào): G01S13/72;G01S7/292;G01S7/41;G06F17/14;G06K9/62
• 代理公司: 西北工業(yè)大學(xué)專(zhuān)利中心 61204
• 代理人: 劉新瓊

本發(fā)明涉及一種基于二維傅里葉變換的微多普勒時(shí)頻平面單兵小分隊(duì)識(shí)別方法，屬于雷達(dá)技術(shù)領(lǐng)域。對(duì)雷達(dá)的時(shí)域回波做MTD處理，提取目標(biāo)所在的距離單元，在該距離單元上通過(guò)CLEAN算法去掉地物雜波，然后去掉噪聲，得到頻域微多普勒信號(hào)，經(jīng)過(guò)多幀積累，得到時(shí)頻平面。對(duì)時(shí)頻平面進(jìn)行二維FFT提取特征，之后使用PCA、二次檢測(cè)過(guò)門(mén)限點(diǎn)數(shù)和圖像檢測(cè)中拐點(diǎn)檢測(cè)的方法得到分類(lèi)結(jié)果。本發(fā)明可以穩(wěn)健區(qū)分不同目標(biāo)的周期性運(yùn)動(dòng)的微多普勒頻譜。

技術(shù)領(lǐng)域

本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，提出了一種新的基于二維傅里葉變換的單人多人識(shí)別方法，該方法用于雷達(dá)目標(biāo)所在距離單元中目標(biāo)為單人或多人的情況進(jìn)行區(qū)分。

背景技術(shù)

對(duì)于微多普勒特征的研究近幾年受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注，作為目標(biāo)不同部位速度隨著時(shí)間變化的特征，人類(lèi)目標(biāo)的微多普勒頻譜能夠給分類(lèi)識(shí)別提供有用的信息。單人多人分類(lèi)任務(wù)在智慧城市、自動(dòng)駕駛、雷達(dá)目標(biāo)識(shí)別等領(lǐng)域有很高的應(yīng)用價(jià)值。目前基于微多普勒時(shí)頻平面的單人多人特征分析與識(shí)別研究已經(jīng)成為一個(gè)重要的研究領(lǐng)域。

單人多人微多普勒特征研究主要包括：?jiǎn)稳硕嗳宋⒍嗥绽掌矫娣抡婧蛿?shù)據(jù)采集；二維傅里葉變換的單人多人識(shí)別。對(duì)于自動(dòng)駕駛雷達(dá)來(lái)說(shuō)，單人多人目標(biāo)的探測(cè)識(shí)別可以推斷在雷達(dá)分辨單元中是一個(gè)人還是多個(gè)人，針對(duì)不同的目標(biāo)情況相應(yīng)的應(yīng)對(duì)方式也有所區(qū)別。這一類(lèi)應(yīng)用在智能城市中有重要的應(yīng)用意義。

目前，對(duì)單人多人目標(biāo)識(shí)別僅限于頻域的微多普勒特征，這一類(lèi)方法主要依據(jù)目標(biāo)在時(shí)間維度的周期性變化來(lái)進(jìn)行特征提取，而該方法由于單人多人微多普勒頻譜相似度極高，一些細(xì)微的頻率差異難以被有效的提取，導(dǎo)致對(duì)單人多人任務(wù)識(shí)別異常困難。

發(fā)明內(nèi)容

要解決的技術(shù)問(wèn)題

為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于二維傅里葉變換的微多普勒時(shí)頻平面單人多人識(shí)別方法，以滿(mǎn)足雷達(dá)在搜索模式下對(duì)目標(biāo)的快速準(zhǔn)確識(shí)別。

技術(shù)方案

一種基于二維傅里葉變換的微多普勒時(shí)頻平面單兵小分隊(duì)識(shí)別方法，其特征在于步驟如下：

步驟1：目標(biāo)檢測(cè)

對(duì)雷達(dá)回波進(jìn)行脈沖壓縮、MTD，使用恒虛警檢測(cè)出目標(biāo)所在的距離單元；提取該單元的所有微多普勒通道作為一幀目標(biāo)微多普勒頻譜，在跟蹤模式下，采集多個(gè)CPI的微多普勒頻譜構(gòu)成微多普勒時(shí)頻平面；

步驟2：雜波預(yù)處理

對(duì)采集到的微多普勒時(shí)頻平面的低速通道進(jìn)行置零處理，去除地雜波對(duì)特征提取的影響；

步驟3：去掉噪聲

利用白噪聲背景的恒虛警檢測(cè)器進(jìn)行處理，根據(jù)噪聲均值和虛警率P_fa確定門(mén)限去掉噪聲；

步驟4：特征提取

對(duì)時(shí)間頻率平面進(jìn)行二維FFT處理，得到時(shí)頻平面的二維幅度譜；在幅度譜上進(jìn)行PCA、二次檢測(cè)過(guò)門(mén)限點(diǎn)數(shù)和圖像檢測(cè)中拐點(diǎn)檢測(cè)得到目標(biāo)特征組；

步驟5：通過(guò)支持向量機(jī)SVM進(jìn)行單兵小分隊(duì)鑒別

5a)訓(xùn)練階段，首先對(duì)步驟4提取的特征進(jìn)行強(qiáng)度歸一化，即其中||·||_∞表示向量的∞范數(shù)，表示歸一化后的特征；然后將歸一化的特征送入SVM進(jìn)行訓(xùn)練，獲得訓(xùn)練模型；

5b)測(cè)試階段，首先對(duì)測(cè)試目標(biāo)的特征進(jìn)行強(qiáng)度歸一化，歸一化方法與訓(xùn)練時(shí)相同；然后利用SVM的判決函數(shù)進(jìn)行判決，得到判決結(jié)果：