盧建斌，張?jiān)评祝瘽擅簦瑥埫髅?/p>

?

基于統(tǒng)計(jì)特征的水下目標(biāo)一維距離像識(shí)別方法研究

盧建斌，張?jiān)评?，席澤敏，張明?/p>

(海軍工程大學(xué)電子工程學(xué)院，湖北武漢430033)

目標(biāo)探測(cè)與識(shí)別是水下預(yù)警監(jiān)視、信息對(duì)抗的重要組成部分。針對(duì)水下目標(biāo)一維距離像識(shí)別問(wèn)題，通過(guò)提取目標(biāo)的長(zhǎng)度、重心、高階中心矩等特征，分析了所提取特征的統(tǒng)計(jì)分布特性，利用假設(shè)檢驗(yàn)構(gòu)建了目標(biāo)識(shí)別特征的統(tǒng)計(jì)模型。結(jié)合Bayes統(tǒng)計(jì)分類器開(kāi)展了5類水下目標(biāo)的識(shí)別實(shí)驗(yàn)，并與基于距離像回波匹配相關(guān)的識(shí)別方法進(jìn)行對(duì)比分析，對(duì)比結(jié)果顯示所提出的方法在識(shí)別率和運(yùn)算量方面均有明顯改善。

水下目標(biāo)識(shí)別；一維距離像；統(tǒng)計(jì)特征；貝葉斯分類器

0 引言

隨著信息技術(shù)的不斷發(fā)展，水聲干擾與水聲對(duì)抗設(shè)備的智能化水平也在不斷提高。潛艇和水面艦艇的對(duì)抗設(shè)備均能夠較好地模擬水下被動(dòng)輻射噪聲和主動(dòng)回波亮點(diǎn)特性，對(duì)水下探測(cè)、攻擊提出了更為嚴(yán)峻的挑戰(zhàn)[1]。

現(xiàn)代高分辨技術(shù)的出現(xiàn)為目標(biāo)探測(cè)和識(shí)別提供了新的途徑。水聲探測(cè)傳感器通過(guò)發(fā)射寬帶相干信號(hào)，使得回波信號(hào)的距離分辨率遠(yuǎn)小于目標(biāo)尺寸，目標(biāo)表現(xiàn)為各自獨(dú)立的散射中心的集合。這些散射中心在徑向距離上的分布情況稱為一維距離像，一維距離像包含了目標(biāo)的形狀及結(jié)構(gòu)特征等更多可用于目標(biāo)識(shí)別的信息，并且具有易獲取和易處理等優(yōu)點(diǎn)，十分適合應(yīng)用于魚(yú)雷探測(cè)與制導(dǎo)系統(tǒng)，具有廣闊的應(yīng)用前景[2,3]。本文通過(guò)水聲測(cè)量獲取5類目標(biāo)的一維距離像數(shù)據(jù)，通過(guò)特征提取與統(tǒng)計(jì)特性分析，并結(jié)合Bayes分類器驗(yàn)證了利用距離像進(jìn)行目標(biāo)識(shí)別的有效性。

1 距離像的特征提取

關(guān)于利用水聲測(cè)量目標(biāo)一維距離像的原理和實(shí)驗(yàn)方法可參見(jiàn)文獻(xiàn)[4]。在獲取目標(biāo)距離像數(shù)據(jù)后，可以直接利用目標(biāo)的距離像回波在數(shù)據(jù)庫(kù)中進(jìn)行匹配相關(guān)，確定目標(biāo)的屬性，但是這種方法處理起來(lái)數(shù)據(jù)量和運(yùn)算量均較大。這里提出基于目標(biāo)特征統(tǒng)計(jì)模型的識(shí)別方法，以提高目標(biāo)識(shí)別的性能，同時(shí)減少識(shí)別的運(yùn)算量和存儲(chǔ)量。所提取的特征包括目標(biāo)長(zhǎng)度、重心、二階矩、三階矩和四階矩。

1.1 目標(biāo)長(zhǎng)度特征

與空中目標(biāo)不同的是水下目標(biāo)通常為長(zhǎng)條形，目標(biāo)的長(zhǎng)度與其類別有著較大的聯(lián)系，特別是在對(duì)目標(biāo)進(jìn)行大、中、小的粗分類時(shí)，目標(biāo)長(zhǎng)度是十分重要的特征。目標(biāo)長(zhǎng)度估計(jì)的核心是對(duì)目標(biāo)距離像長(zhǎng)度的估計(jì)，其基本算法就是對(duì)距離像上每個(gè)距離單元進(jìn)行檢測(cè)，判斷該單元內(nèi)的回波是目標(biāo)回波還是雜波或噪聲，從而確定距離像的長(zhǎng)度。進(jìn)一步根據(jù)目標(biāo)當(dāng)前所處的姿態(tài)角度(通常由目標(biāo)連續(xù)跟蹤所得的航跡估計(jì)得到)，就可以計(jì)算出當(dāng)前距離像所對(duì)應(yīng)的目標(biāo)長(zhǎng)度。

因此，上述處理的核心是對(duì)距離像內(nèi)各個(gè)單元的檢測(cè)，這里采用恒虛警檢測(cè)算法。由于各距離單元均可假設(shè)為復(fù)高斯分布[5]，即各距離單元回波幅度服從瑞利分布，因此依據(jù)白噪聲背景下恒虛警檢測(cè)算法可得出目標(biāo)距離像的長(zhǎng)度。對(duì)于某次距離像回波的檢測(cè)結(jié)果如圖1所示。從檢測(cè)結(jié)果可以得出距離像長(zhǎng)度為49.9 cm，結(jié)合目標(biāo)所處的姿態(tài)，估計(jì)出目標(biāo)模型的長(zhǎng)度為49.9/cos45o=70.5 cm。

1.2 目標(biāo)重心特征

如果將目標(biāo)距離像看作一個(gè)二維曲線，那么其所包含區(qū)域的重心分別包括橫軸(距離軸)、縱軸(幅度軸)兩個(gè)分量，如圖2所示。其中，縱軸上的分量表征了目標(biāo)距離像的幅度起伏特征。對(duì)于連續(xù)函數(shù)，其重心位置的數(shù)學(xué)表達(dá)式為

(2)

距離像重心的表達(dá)式為

1.3 中心矩特征

中心矩特征是最早用來(lái)描述二維圖像信號(hào)的特征，具有平移、旋轉(zhuǎn)及尺度不變性，它反映目標(biāo)的形狀信息。對(duì)于水下目標(biāo)一維距離像，在一個(gè)較小的姿態(tài)角范圍內(nèi)目標(biāo)距離像峰值位置的變化是一個(gè)緩變的過(guò)程，距離像姿態(tài)敏感性主要表現(xiàn)為峰值幅度的變化。對(duì)距離像的幅度歸一化后，則峰值位置相近的距離像具有相近的形狀信息。因而可以把中心矩作為距離像識(shí)別的特征[6]。

2 距離像特征的統(tǒng)計(jì)分析與變換

從上述特征提取過(guò)程看，由于原始距離像數(shù)據(jù)中存在誤差，因此基于原始數(shù)據(jù)所提取的特征也不可避免地存在一定的偏差。以目標(biāo)長(zhǎng)度特征為例，由于目標(biāo)姿態(tài)角的不確定、雜波和噪聲的存在、以及對(duì)信噪比較低的距離單元進(jìn)行恒虛警檢測(cè)可能出現(xiàn)漏警的情況，導(dǎo)致目標(biāo)長(zhǎng)度估計(jì)出現(xiàn)一定的隨機(jī)分布，該分布的模型可以用假設(shè)檢驗(yàn)來(lái)驗(yàn)證，模型分布參數(shù)可以通過(guò)訓(xùn)練樣本數(shù)據(jù)計(jì)算得出。

這里以某目標(biāo)A的長(zhǎng)度特征為例，通過(guò)其訓(xùn)練樣本數(shù)據(jù)可得出該目標(biāo)長(zhǎng)度的分布如圖3所示，從圖中可以看出目標(biāo)長(zhǎng)度絕大多數(shù)分布在65~80 cm之間，并且長(zhǎng)度特征的統(tǒng)計(jì)分布與理想高斯分布十分吻合。進(jìn)一步利用柯?tīng)柲缏宸?斯摩洛夫(Kolmogorov-Smirnov, KS)假設(shè)檢驗(yàn)，以5%的置信度水平得出該組特征數(shù)據(jù)符合高斯分布，其K-S檢驗(yàn)結(jié)果如圖4所示。

因此對(duì)于該型目標(biāo)的長(zhǎng)度特征可以近似用高斯分布來(lái)進(jìn)行建模，模型分布參數(shù)，即高斯分布的均值和方差通過(guò)樣本數(shù)據(jù)的計(jì)算可得為。

同樣目標(biāo)重心、二階矩、三階矩、四階矩特征的統(tǒng)計(jì)分布如圖5~8所示，從圖中看出雖然各特征量取值的分布范圍差別較大，但是特征分布的形狀都與高斯分布十分相近，從而驗(yàn)證了所提取的特征量在給定置信度水平下滿足高斯分布的假設(shè)。在計(jì)算得出各特征分布的均值、方差后即可對(duì)上述特征量進(jìn)行高斯模型的統(tǒng)計(jì)建模。

需要說(shuō)明的是，前面所提取的重心、高階矩特征雖然都是無(wú)量綱數(shù)據(jù)，但其物理含義不同，特別是高階矩的幅度隨著階數(shù)的增加而急劇遞增，從而影響各特征量在特征空間中的權(quán)重，進(jìn)而降低分類識(shí)別的準(zhǔn)確性。因此在進(jìn)行分類識(shí)別之前，還需要將各特征量進(jìn)行特征變換，保證所有特征量在特征空間中具有相同的權(quán)重。

本文采取極差變換的形式將所有特征量統(tǒng)一到[0,1]范圍內(nèi)，假設(shè)目標(biāo)種類有類，每類目標(biāo)的訓(xùn)練距離像樣本數(shù)為個(gè)，那么距離像總樣本數(shù)為個(gè)。若將第個(gè)距離像特征矢量記為

式中的5個(gè)特征量分別對(duì)應(yīng)著所提取的目標(biāo)距離、重心、2階矩、3階矩和4階矩，那么總的特征矢量可寫(xiě)為

(6)

通過(guò)極差變換后的特征向量均分布在[0,1]區(qū)間內(nèi)，在特征空間中具有相同的權(quán)重，可有效避免特征分布的差異帶來(lái)的分類器性能的下降。

3 Bayes分類器設(shè)計(jì)

Bayes分類器是一種利用Bayes規(guī)則的最小錯(cuò)誤概率分類器，也是一種較為常用的分類器[7]。在Bayes分類過(guò)程中，需要計(jì)算在給定樣本條件下各類別的后驗(yàn)概率，然后選擇后驗(yàn)概率最大的類別作為識(shí)別的結(jié)果。當(dāng)待識(shí)別樣本為，目標(biāo)類別總共有類，分別表示為，那么根據(jù)Bayes規(guī)則，可得出每一類的后驗(yàn)概率為

(9)

或(10)

(12)

在識(shí)別過(guò)程中，每一個(gè)待識(shí)別樣本數(shù)據(jù)通過(guò)特征提取后得到特征向量，與每一類別計(jì)算得出最大后驗(yàn)概率的類別即為識(shí)別的結(jié)果。需要說(shuō)明的是，上述Bayes分類器在特征分布為高斯分布且均值和協(xié)方差陣已知的條件下是最優(yōu)分類器。實(shí)際應(yīng)用中，可能出現(xiàn)數(shù)據(jù)的特征分布偏離高斯分布，或者從訓(xùn)練數(shù)據(jù)中估計(jì)均值和協(xié)方差矩陣存在一定的誤差，導(dǎo)致Bayes分類器識(shí)別性能的下降。

4 實(shí)驗(yàn)結(jié)果與分析

選取5類目標(biāo)(目標(biāo)模型如圖9所示，依次記為目標(biāo)A~E)進(jìn)行實(shí)驗(yàn)驗(yàn)證和性能分析。距離像測(cè)量實(shí)驗(yàn)如圖10所示，根據(jù)測(cè)量結(jié)果分別提取目標(biāo)特征，并利用Bayes分類器進(jìn)行目標(biāo)識(shí)別。最后將本文識(shí)別方法的結(jié)果與基于原始距離像數(shù)據(jù)的匹配相關(guān)法進(jìn)行性能對(duì)比。

考慮到實(shí)際中待識(shí)別目標(biāo)的姿態(tài)角可以通過(guò)目標(biāo)運(yùn)動(dòng)航跡中估計(jì)得出，因此識(shí)別過(guò)程中只需要在目標(biāo)航向角估計(jì)誤差的范圍內(nèi)進(jìn)行識(shí)別，而不需要對(duì)目標(biāo)進(jìn)行360°的全姿態(tài)匹配。因此，實(shí)驗(yàn)中每類目標(biāo)選擇7°的方位角范圍(對(duì)應(yīng)45°至52°)內(nèi)距離像樣本共有250組，其中隨機(jī)選取100組作為訓(xùn)練樣本，提取目標(biāo)的識(shí)別特征，構(gòu)建特征模板，剩余的150組作為測(cè)試樣本。

為檢驗(yàn)?zāi)繕?biāo)長(zhǎng)度特征提取方法的有效性，首先基于5類目標(biāo)的距離像數(shù)據(jù)對(duì)其長(zhǎng)度進(jìn)行估計(jì)，估計(jì)的結(jié)果如表1所示。從估計(jì)的均值看，5類目標(biāo)長(zhǎng)度估計(jì)的準(zhǔn)確度基本上都在90%以上，目標(biāo)C的相對(duì)誤差最大，達(dá)到10.09%，從原始距離像數(shù)據(jù)中發(fā)現(xiàn)該目標(biāo)首尾處回波較弱，在恒虛警檢測(cè)中很容易被判為雜波。從估計(jì)的均方差看，目標(biāo)E估計(jì)的標(biāo)準(zhǔn)差最大，說(shuō)明雜波環(huán)境的不確定性對(duì)該目標(biāo)的影響相對(duì)更大。

表1 基于距離像數(shù)據(jù)的目標(biāo)長(zhǎng)度特征估計(jì)

同時(shí)從表1中可以明顯看出不同類別目標(biāo)尺寸上的差異，如C目標(biāo)的尺寸遠(yuǎn)大于其他4類目標(biāo)，而B(niǎo)目標(biāo)和D目標(biāo)的尺寸較為接近。一般意義上，目標(biāo)長(zhǎng)度信息可以用來(lái)大致區(qū)分目標(biāo)的大、中、小類別，實(shí)現(xiàn)目標(biāo)的粗分類，進(jìn)一步結(jié)合其他信息或特征可進(jìn)行更為精細(xì)的分類識(shí)別。

表2和表3分別給出了利用距離像匹配相關(guān)進(jìn)行目標(biāo)識(shí)別和本文所提出的基于統(tǒng)計(jì)特征的識(shí)別結(jié)果，從5類目標(biāo)的識(shí)別結(jié)果看，兩類方法均能夠進(jìn)行有效的目標(biāo)識(shí)別，從而說(shuō)明利用目標(biāo)一維距離像進(jìn)行識(shí)別的有效性。

表2 基于距離像數(shù)據(jù)的匹配相關(guān)法識(shí)別結(jié)果

表3 基于距離像統(tǒng)計(jì)特征的Bayes分類器識(shí)別結(jié)果

進(jìn)一步對(duì)比本文方法與距離像匹配相關(guān)法的性能，首先從識(shí)別準(zhǔn)確率上看，由于目標(biāo)E在形狀和尺寸上與其他目標(biāo)存在較為明顯的差異，因此對(duì)于該目標(biāo)的識(shí)別率達(dá)到95%以上。從5類目標(biāo)的平均識(shí)別率上看，本文的方法比基于距離像匹配的識(shí)別方法有接近3個(gè)百分點(diǎn)的改善，同時(shí)從整個(gè)處理的時(shí)間上看(仿真軟件環(huán)境為Matlab 2009b，硬件為I3 2.1G雙核CPU和4G內(nèi)存)，由于距離像匹配處理需要大量的相關(guān)運(yùn)算，而本文的方法僅僅提取目標(biāo)的5類特征進(jìn)行統(tǒng)計(jì)分析和識(shí)別，從目標(biāo)識(shí)別特征的維數(shù)和處理方式上均有利于降低識(shí)別處理的時(shí)間，因此識(shí)別處理時(shí)間從原有的8 s降低到0.6 s左右，大幅度提升了識(shí)別系統(tǒng)的效率。

5 結(jié)論

利用寬帶水聲信號(hào)探測(cè)獲取目標(biāo)寬帶散射特性是水下目標(biāo)探測(cè)與識(shí)別的重要手段，而對(duì)目標(biāo)一維成像因具有單個(gè)脈沖成像、成像時(shí)間短、數(shù)據(jù)易于獲取與處理等優(yōu)點(diǎn)成為目標(biāo)識(shí)別的重要手段。本文針對(duì)5類水下目標(biāo)縮比模型，利用一維距離像數(shù)據(jù)提取目標(biāo)的長(zhǎng)度、重心、中心矩等特征，分析了所提取特征的統(tǒng)計(jì)分布特性，通過(guò)假設(shè)檢驗(yàn)確定所提取特征分布近似服從高斯分布，并利用目標(biāo)距離像計(jì)算特征統(tǒng)計(jì)參數(shù)，進(jìn)而構(gòu)建了目標(biāo)識(shí)別的特征統(tǒng)計(jì)模型。利用Bayes統(tǒng)計(jì)分類器開(kāi)展的目標(biāo)識(shí)別實(shí)驗(yàn)驗(yàn)證了所提出方法的有效性。需要說(shuō)明的是本文實(shí)驗(yàn)是在實(shí)驗(yàn)室環(huán)境下進(jìn)行的，后續(xù)需要進(jìn)一步拓展到實(shí)測(cè)數(shù)據(jù)，進(jìn)行方法的驗(yàn)證和完善工作。

[1] 姜永珉, 郝新亞, 馮海泓, 等. 水中目標(biāo)二維亮點(diǎn)分布研究[J]. 聲學(xué)學(xué)報(bào), 1997, 22(1):79-86.

JIANG Yongmin, HAO Xinya, FENG Haihong, et al. A Study on 2-dimensional Highlight Distribution of Underwater Target[J]. Acta Acustica, 1997, 22(1):79-86.

[2] Groen J, Coiras E, Del Rio J, et al. Model-based Sea Mine Classification with Synthetic Aperture Sonar[J]. IET Radar, Sonar and Navigation, 2010, 4(1): 62-73.

[3] Tait P. Introduction to Radar Target Recognition[M]. London: The Institution of Engineering and Technology, 2005.

[4] 張明敏, 盧建斌, 王薇. 水聲模擬測(cè)量艦船目標(biāo)雷達(dá)距離像相似性問(wèn)題[J]. 聲學(xué)技術(shù), 2010, 29(4): 183-186.

ZHANG Mingmin, LU Jianbin, WANG Wei. Comparability of Underwater Acoustic Simulation to Measure the High Resolution Range Profile for Ship Targets[J]. Technical Acoustics, 2010, 29(4): 183-186.

[5] Pasala K M, Malas J A. HRR Radar Signature Database Validation for ATR - An Information Theoretic Approach[J]. IEEE Trans. AES, 2011, 47(2): 1045-1059.

[6] 袁莉, 劉宏偉, 保錚. 基于中心矩特征的雷達(dá)HRRP自動(dòng)目標(biāo)識(shí)別[J]. 電子學(xué)報(bào), 2004, 32(12): 2076-2081.

YUAN Li, LIU Hongwei, BAO Zheng. Automatic Target Recognition of Radar HRRP Based on Central Moments Features[J]. Acta Electronica Sinica, 2004, 32(12): 2076-2081.

[7] 邊肇祺, 張學(xué)工. 模式識(shí)別(第二版)[M]. 北京: 清華大學(xué)出版社, 2000.

BIAN Zhaoqi, ZHANG Xuegong. Pattern recognition(Second Edition)[M]. Beijing: Tsinghua University Press, 2000.

Research on underwater target recognition with statistical features of high resolution range profiles

LU Jian-bin, ZHANG Yun-lei, XI Ze-min, ZHANG Ming-min

(Electronic Engineering College, Naval University of Engineering, Wuhan 430033,Hubei, China)

Target detection and recognition is the main issue of the underwater surveillance and information warfare. In this paper, five features, (target length, mass, the second center moment, third center moment and fourth center moment), are extracted for the target recognition application from the original high resolution range profiles. The statistical characteristics of the extracted features are analyzed and the statistical model is built with the method of hypothesis testing. Finally, the recognition experiments of the five difference targets are made with the Bayes statistical classifier. The results compared with the traditional template correlation method for the high resolution range profiles show that the proposed method has the obvious advantage in recognition rate and computational complexity.

underwater target recognition; high resolution range profile; statistical feature; Bayes classifier

P631

A

1000-3630(2015)-02-0121-06

10.16300/j.cnki.1000-3630.2015.02.004

2014-05-01;

2014-08-20

國(guó)家自然科學(xué)基金(61372165)、中國(guó)博士后基金特別資助(2012T50874)

盧建斌(1980－), 男, 河南信陽(yáng)人, 博士, 講師, 研究方向?yàn)樾盘?hào)處理, 數(shù)據(jù)融合與目標(biāo)識(shí)別。

盧建斌, E-mail: lu_jian_bin@163.com