梁聰 尹揚帆

摘要：在雷達(dá)目標(biāo)識別中，由于目標(biāo)結(jié)構(gòu)的不同，目標(biāo)對雷達(dá)發(fā)射波產(chǎn)生不同的回波。通過從雷達(dá)回波中提取目標(biāo)的特征信息，可以對目標(biāo)進(jìn)行分類識別。目標(biāo)特征均存在計算量大、環(huán)境要求高等問題。針對上述問題，該文提出一種基于深度神經(jīng)網(wǎng)絡(luò)的雷達(dá)幅度序列目標(biāo)識別的方法。該方法通過提取目標(biāo)在運動過程中的幅度序列作為識別目標(biāo)的特征，再利用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行識別。最后，利用實測數(shù)據(jù)對該方法進(jìn)行驗證。實驗結(jié)果表明，該方法可以有效地對目標(biāo)進(jìn)行識別。

關(guān)鍵詞：雷達(dá)目標(biāo)識別;幅度序列;深度神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP393 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）13-0020-02

1引言

在現(xiàn)代雷達(dá)技術(shù)中，雷達(dá)目標(biāo)識別被視作重要的技術(shù)發(fā)展方向，它是一項集傳感器、目標(biāo)、環(huán)境和現(xiàn)代信號處理技術(shù)為一體的繁雜系統(tǒng)工程。目標(biāo)識別的過程大致可以分為回波信號獲取、信號預(yù)處理、特征提取與分類判決輸出。文獻(xiàn)采用超帶寬雷達(dá)獲取人體的微動信息，來識別障礙物后有無生命體。文獻(xiàn)采用低分辨雷達(dá)獲取單兵、輪式車和履帶車的微多普勒特征，利用SVM分類器實現(xiàn)對目標(biāo)的識別。文獻(xiàn)利用基于ISAR圖像改良的InISAR圖像進(jìn)行特征提取和識別，也對在不同幅度、不同速度以及不同姿態(tài)下的目標(biāo)進(jìn)行對比，該方法充分利用了目標(biāo)的幾何特征，能夠獲得更好的性能。

現(xiàn)如今，在雷達(dá)目標(biāo)識別中，對于雷達(dá)散射截面積、高分辨距離像等特征，都有諸多方法進(jìn)行提取。然而提取過程中還是存在諸多困難的。雷達(dá)目標(biāo)的幅度顯然比較容易獲得，而單一的利用某一時刻目標(biāo)的幅度作為特征來進(jìn)行目標(biāo)識別則比較具有偶然性，存在較大誤差。因此，本文通過提取目標(biāo)在運動過程不同時刻的幅度而得到的幅度序列作為目標(biāo)的特征進(jìn)行識別則更加準(zhǔn)確。針對提取的目標(biāo)幅度序列特征利用深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行識別，實驗結(jié)果表明，基于深度神經(jīng)網(wǎng)絡(luò)的幅度序列目標(biāo)識別的方法具有良好的識別分類效果，證明了該方法的有效性。

2目標(biāo)幅度序列的提取

雷達(dá)目標(biāo)幅度序列體現(xiàn)了目標(biāo)在整個運動過程中幅度的變化情況。因此，需將目標(biāo)的整個運動過程看作若干個運動過程，分別對這些運動過程進(jìn)行處理，提取目標(biāo)的幅度，再將這些幅度按時間進(jìn)行排列，即可得到目標(biāo)的幅度序列。

目標(biāo)的回波信號經(jīng)過二維FFT變換后，目標(biāo)和雜波分布在距離一多普勒平面上，通過設(shè)置二維恒虛警的保護單元、參考單元對二維距離一多普勒平面上的目標(biāo)進(jìn)行檢測，剔除虛假目標(biāo)，得到二維距離一多普勒平面上目標(biāo)的峰值位置信息。

通過比較決策閾值和待測單元，進(jìn)而判斷待測單元是否存在目標(biāo)。再提取若干個運動過程中目標(biāo)的幅度，即可得到目標(biāo)的幅度序列。

4實驗結(jié)果與分析

為了驗證本文方法的有效性，采用LFMCW毫米波雷達(dá)采集的行人和車輛運動過程中的幅度序列進(jìn)行識別實驗。為了對比單層神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)的識別效果，本文設(shè)計單個隱層和三個隱層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在實驗過程中，兩類目標(biāo)均提取700組幅度序列以作為樣本，每類目標(biāo)均選取600組數(shù)據(jù)樣本用來訓(xùn)練兩種神經(jīng)網(wǎng)絡(luò)模型，再利用另外的兩類的100組數(shù)據(jù)樣本來檢驗兩個模型的目標(biāo)識別效果。實驗結(jié)果如表1所示。

從表中數(shù)據(jù)可以看出，具有三個隱層的深度神經(jīng)網(wǎng)絡(luò)識別率明顯高于單隱層神經(jīng)網(wǎng)絡(luò)。此外，為了驗證該方法的識別效果，將本文的目標(biāo)識別方法和其他文獻(xiàn)中的方法進(jìn)行比較，其結(jié)果如表2所示。

文獻(xiàn)[5]采用循環(huán)神經(jīng)網(wǎng)絡(luò)的注意模型識別HRRP特征識別率達(dá)到88%，文獻(xiàn)[6]采用最近鄰法識別RCS目標(biāo)，識別率可達(dá)70%，而本文通過提取行人和車輛運動目標(biāo)的幅度序列，采用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行識別，識別率可以達(dá)到95%。由此可說明，運動目標(biāo)的幅度序列可以用來進(jìn)行目標(biāo)識別，利用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)識別效果可觀。

5結(jié)束語

針對雷達(dá)目標(biāo)的識別問題，本文提出了通過提取運動目標(biāo)的幅度序列，利用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)識別。實驗結(jié)果表明，該方法識別率較高。本文的工作是利用幅度序列對運動目標(biāo)進(jìn)行識別的一種嘗試，在復(fù)雜的背景噪聲下，對動物、行人、不同類型車輛等多目標(biāo)的分類識別有待進(jìn)一步研究。