ATRschemebasedonI-DHRRprofiles翻译.docVIP

基于一维高分辨率距离像的自动目标识别方案ATR scheme based on I-D HRR profiles 摘要：本文距离提出了一种新的基于一维高分辨率距离像的自动目标识别（ATR）该方法也可以用于建立均值或者来进一步提高ATR性能。实验结果验证了新算法的有效性。 战场态势感知对未来军事行动的成败是至关重要的[1]。战场态势感知的主要任务在于战场上静止和移动目标的检测与识别，该任务是由合成孔径雷达（SAR）、动目标显示（MIT）以及高分辨率距离像（HRR）雷达协作完成。相较于SAR和MIT，高分辨率雷达更适用于一维成像（一维高分辨率距离像）以及地面移动目标的分类。然而，高分辨率距离像对目标方位角变化非常敏感，这给高分辨率距离像的自动目标识别带来挑战性难题。 HRR-ATR算法 假设为被检测物体的的测试剖面，为训练剖面，为每一个剖面的距离单元数量，采样周期。则和之间的关系可以表示为： （1） 式（1）中，为比例因子，为距离平移量，为DC水平平移量，表示随机噪声。对式（1）等号两边做离散傅里叶变换（DTFT），得到 （2） 式（2）中，表示狄拉克函数，且 （3） 最小化下面的最小二乘代价函数可以得到的估计值 （4） 直接通过式（4）最小化步骤非常复杂，本文提出的新算法主要基于式（4）等号右边各项中，只有第二项（直流成分）中有参数。通过忽略直流成分（只丢失了一个数据点）可以从式（4）等号右边的第一项得到，其估计性能下降非常小，然后再从直接成分中估计值。所提出的的新算法如下所示，定义： 且有 （7） 上式中，表示矩阵转置。由最小化式（8）的最小二乘代价函数可以得到估计值： （8） 式（8）中，表示欧几里得范数。经过复杂换算可得 （9） 以及 （10） 其中，表示共轭转置，表示Frobenious范数。可以通过一维补零FFT计算得到式（9）中的。得到后，由式（11）确定 （11） 假设目标分为类，对于第类目标有个训练图像（模型）表示为。同理公式（1），测试像和第类的第个训练像（模型）的关系可以表示为 和的定义分别近似于式（1）中，其中下标表示第第类的第个训练模型。 利用式（9）中的近似表达通过式（11）可以得到估计值，则由式（13）得到目标自动识别的类指数为 个连续距离像作为参考样本，则和的关系可以表示为 为扩展因子，为距离位移，为DC水平位移，为随机噪声。对式（14）两边做DTFT，得到分别表示的DTFT，。，定义维矩阵进行奇异值分解，用表示其中第列元素，可以得到距离像频域的特征模型，可以直接用于特征分类。 。其中，仰角为17°的数据作为训练模型，仰角为15°的数据作为测试模型。每个目标类型有将近233个可用切片用作训练数据。每个切片内所有数据产生一个均方或者特征模型。有将近195个切片可用作测试数据，其中每半个切片用于测试像。ATR通过在真实观测方位角附近对比所有模型来判断每个测试像。功率转换（PT）是用于检测距离像过程中的一种方法，它可以显著提高ATR的性能。 表1对比了传统基线方法（距离对齐的LS分类器）和本文提出的新算法的ATR性能（采用PCC测试：正确分类比例），从表1可以看出，新算法性能优于传统算法。 表1 不同的HRR-ATR算法PCC对比结果