雷达目标识别
目标识别技术
2009-11-27 20:56:41| 分类：我的学习笔记| 标签：|字号大中小订阅
摘要：
针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络
模式识别方法。最后分析了问题的可能解决思路。
引言：
雷达目标识别技术回顾及发展现状
雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标
识别理论和技术。
随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反
映一个国家的军事实力和作战能力。
雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减
速，落在真弹头的后面，从而可以区别目标。
所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高，对雷达目标识别
提出了越来越高的要求。
目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高我国的军事实力，适应未来反导弹、反卫、空间攻防、国土防空与对海军事斗争的需要，急需加大雷达目标识别技术研究的力度雷达目标识别策略主要基于中段、再入段过程中弹道导弹目标群的不同特性。从结构特性看，飞行中段
的威胁目标群可粗分为球锥类、球、角反射器、圆柱及碎片等，形体相对简单，通过高分辨成像进行区分是可行的。从姿态特性看，各目标的飞行姿态特性主要取决于母舱释放弹头和诱饵时的阶段，一般情况下，弹头自旋稳定飞行以保持空间定向，由于释放过程中不可避免地将对弹头产生一定的横向扰动，可能使弹头产生进动；另外，当弹头章动角较大，或者母舱投放弹头时因为某些不可控制的原因，甚至是母舱事先设计好的，弹头有可能产生翻滚，模拟弹头形状的诱饵通常也会产生翻滚。再入段是导弹防御的最后一个屏障，防御系统可以根据各再入目标的运动状态估算出质阻比，区分出轻重目标。具体步骤如下：
（1）通过高分辨雷达成像获取目标的结构特征信息，从目标群中识别出具有锥体结构特性的目标。
（2）根据锥体目标的进动数学模型，结合锥体目标在不同姿态角下,-.，得到目标进动状态下的回波模板，当确定锥体目标,-. 回波周期分量中不是目标翻滚时，基于,-. 序列估计出章动角和进动周期，进而
计算出目标的惯量比等特征。
（3）为保证对所有真弹头进行有效拦截，在再入段通过跟踪目标运动状态估计其质阻比，基于此排
除轻诱饵。
（4）将上述不同措施确定出来的威胁目标作为“威胁目标”，通过积累观测综合评判目标类型。
研究方法
现代雷达（包括热雷达和激光雷达）不但是对遥远目标进行探测和定位的工具，而且能够测量与目标形体和表面物理特性有关的参数，进而对目标分类和识别。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减速，落在真弹头的后面，从而可
以区别目标。
雷达目标识别模型
雷达目标识别需要从目标的雷达回波中提取目标的有关信息标志和稳定特征并判明其属性。它根据目标的后向电磁散射来鉴别目标，是电磁散射的逆问题。利用目标在雷达远区所产生的散射场的特征，可以获得用于目标识别的信息，回波信号的幅值、相位、频率和极化等均可被利用。对获取的目标信息进行计算机处理，与已知目标的特性进行比较，从而达到自动识别目标的目的。识别过程分成三个步骤：目标
的数据获取、特征提取和分类判决。
整个识别过程可以分为两个阶段：训练（或设计）阶段和识别阶段。前者用一定数量的训练样本进行分类器的设计或训练，后者用所设计或训练的分类器对待识别的样本进行分类决策。
训数据获取是对各已知目标进行测量，取得目标的训练数据。测试数据获取是获得未知种类目标的测量数据；测量数据的获得可采用目标的靶场动态测量、外场静态测量、微波暗室缩比模型等。特征提取模块从目标回波数据中提取出对分类识别有用的目标特征信息。特征空间压缩与变换模块对特征信息进行特征空间维数压缩与变换，得到具有高同类聚合性和异的训练样本进行分类器的设计。类间可分离性的特征。分类器设计模块根据已知类别目标分类模块完成对未知目标的分类判决。
!
近年来理论研究和实际应用比较成功的目标识别方法有以下4类。
一基于目标运动的回波起伏和调制谱特性的目标识别
这类方法大都基于目前广泛使用的雷达时域一维目标回波波形，抽取波形序列中包含的目标特征信
息来实现目标分类。这类研究已获得一些成功应用。
1）利用目标回波起伏特性的识别
空中目标对低分辨力雷达来讲可以看作点目标，其运动过程中，目标回波的幅度和相位将随目标对雷达的相对姿态的不同而变化，根据目标回波的幅度与相位的变化过程，判断其形状，对复信息数据进一
步分析，可以判断目标的运动情况。
2）利用动态目标的调制谱特性的识别
动态目标如飞机的螺旋桨或喷气发动机旋转叶片、直升机的旋翼等目标结构的周期运动，产生对雷达回波的周期性调制。不同目标的周期性调制谱差异很大，因而可用于目标识别。Bell 等详细分析了喷气发动机的调制（JEM）现象，并建立了相应的数学模型，为利用JEM效应进行目标识别奠定了理论基础。
二基于极点分布的目标识别
目标的自然谐振频率又称为目标极点，“极点”和“散射中心”分别是在谐振区和光学区建立起来的基本概念。目标极点分布只决定于目标形状和固有特性，与雷达的观测方向（目标姿态）及雷达的极化方式无关，因而给雷达目标识别带来了很大方便。目标极点的概念出现于1971年。1975年，Blaricum等首先提出了直接从一组瞬态响应时域数据来提取目标极点的prony方法，使用提取出的目标极点作为目标特征，而通过将提取到的目标极点与目标库的目标极点进行匹配完成目标识别过程。80年代以来，关于目标极点的研究主要集中在如何提高算法本身的抗噪能力和估算精度方面。提取目标极点的函数束法(POF）以及广义函数束法（GPOF）等，在极点的估计精度以及抗噪能力方面均优于Prony法。
除了直接求目标的极点外，由于目标的极点与目标的频率响应存在一一对应的关系，人们还研究了由目标的频域响应来识别目标的方法，典型方法有，从目标的频域响应来识别目标的方法；获取目标极点的频域Prony 法（FDPM）；由于频域法的目标极点估算精度同样受到噪声和杂波的限制，具有改善作用
的数据多重组合法被提出。
为避开需要实时地直接从含噪的目标散射数据中提取目标的极点，基于波形综合技术的目标识别方法被得到广泛重视。它将接收到的目标散射信号回波与综合出来的代表目标的特征波形进行数字卷积，再根据卷积输出的特征来判别目标。E-脉冲法（9）、频域极大极小拟合匹配法（10）等，都避开了直接提
取目标极点，减小了运算量。
三基于高分辨力雷达成像的目标识别
借助高分辨力雷达对目标进行一维或二维距离成像，或采用合成孔径雷达或逆合成孔径雷达对目标
成像得到二维雷达图像，可获取目标的形状结构信息。
由于一维距离像的获取相对简单，利用一维距离像进行目标识别的方法在80 年代以后被得到广泛重视和深入研究。基于一维距离像的目标识别方法，在舰船目标〔11〕、坦克、车辆等地面目标〔12〕〔13〕、飞机目标〔14〕识别中分别获得了较高的正确识别率。由于目标的一维距离像常会受目标之间、目标各散射点之间的相互干涉、合成等交叉项的影响，限制了识别率的提高，因而距离像方法被提出并〔15〕获得了较高的识别率。为改善目标识别的性能，可以将目标一维距离像与其它目标特征（如极化特征〔16〕）
相结合。对于基于二维雷达图像的目标识别，可利用图象识别技术来进行，这是目标识别领域中最为直观的识别方法，但是如何获得高质量的目标二维图像是进行目标识别的首先要解决的问题。
四基于极化特征的目标识别
极化是描述电磁波的重要参量之一，它描述了电磁波的矢量特征。极化特征是与目标形状本质有密切联系的特征。任何目标对照射的电磁波都有特定的极化变换作用，其变换关系由目标的形状、尺寸、结构和取向所决定。测量出不同目标对各种极化波的变极化响应，能够形成一个特征空间，就可对目标进行
识别。
化散射矩阵（复二维矩阵）〔17〕完全表征了目标在特定姿态和辐射源频率下的极化散射特性。对目标几何形状与目标极化特性的关系的研究结果表明(18)，光学区目标的极化散射矩阵反映了目标镜面曲
率差等精密物理结构特性。
早在50年代初期，利用极化特征来识别目标的原理(19)就已被提出，美国在50-60 年代已将用极化散射矩阵识别目标的技术初步应用于远程测量雷达和大型相控阵雷达中，可粗略识别简单形状的外空目标。通过对目标极化特性的研究，最佳极化的概念〔19〕被提出，产生了基于零极化、特征( 本征极化等极化不变量的目标识别技术。经过近)20 年的发展，已经出现了许多种利用极化信息进行雷达目标识别的
方法，其主要方法分为：
1）根据极化散射矩阵识别目标
根据极化散射矩阵来识别目标是利用极化信息识别目标的基本方法。具体分为(20)：根据不同极化状态下目标截面积的对比来识别目标；根据从目标极化散射矩阵中导出的目标极化参数集（极化不变量）来识别目标；根据目标的最佳极化或极化叉来识别目标。
由于不同姿态角下目标极化特性的改变，限制了根据极化散射矩阵及其派生参数识别目标的有效性，使之只能应用于简单几何形体目标，或与其它识别方法结合使用。Cameron等利用极化散射矩阵对简单形体目标的识别获得了80%的正确识别率(21)。伪本征极化(22)(23)、去极化系数(24)、极化参数平面描述(25)、Poincare极化球面描述(26)和信号频率敏感特性描述(27)等特征都被用于了飞机目标识别研究。
2）利用目标形状的极化重构识别目标
对低分辨力雷达，不能区分目标上各个散射中心的回波，只能从它们的综合信号中提取极化特征，因而只能从整体上对简单形体的目标加以粗略的识别。
对高分辨力雷达，目标回波可分解为目标上各个主要散射中心的回波分量。对复杂形状目标的极化重构，就是利用高分辨力雷达区分出各个散射中心的回波，分别提取其极化信息。在对各个散射中心分别作出形状判断（可以利用目标的极化散射矩阵，或利用目标的缪勒矩阵中各个元素同目标形状的关系）后，依据其相对位置关系，组合成目标的整体形状。最后同已知目标数据库相比较，得到识别结果。
Cameron等〔21)给出了用卡车进行识别实验的情况，给出了卡车上各个主要散射中心的识别结果，并按其空间相对位置排列成图。在Pottier(28)〕对SAR图象进行分析与识别时也用到了任意散射体由几种
典型散射机制合成的观点。
3）利用瞬态极化响应识别目标
Chamberlain 等(29)将极化信息与冲激响应结合起来，提出了利用目标瞬态极化响应（TPR）进行目标识别。利用TPR识别目标是将极化识别与时（频）域识别相结合的很好范例。在Chamberlain 的基础
上，参考文献〔30〕进行了进一步的研究。通过TPR 特征提取，把复杂目标在结构上分解成由散射中心对应的多个子结构来分别描述，对飞机目标识别获得了较好的效果。
4）与成像技术相结合的目标识别
结合SAR 和ISAR成像，在相应雷达上加装变极化装置，从而可以利用极化信息或将极化信息与已有的图象识别技术相结合，对每一像素进行更有效的识别。Tenoux等〔2!〕利用法国的;RENE 机载极化SAR雷达，对4张SAR不同极化图象（HH,HV,VH,VV）作比较，并对每一像素进行了极化识别。
各种特征识别方法对雷达的要求
不同的识别方法对雷达系统有着不同的要求。
基于目标运动的回波起伏和调制谱特性的目标识别方法对雷达没有特殊的要求，它是在现有雷达的基础上，利用目标运动所引起的回波起伏特性和动态目标的调制谱特性，并结合雷达所能获取的目标空间坐标及运动参数（如目标高度、速度、航迹等）来进行目标识别，因而主要用于低分辨雷达的目标识别。
基于极点分布的目标识别方法可分为时域和频域方法。时域方法提取目标极点要求雷达的发射信号带宽足够宽，以保证由目标的瞬态响应中能够获得正确的目标极点；频域方法则要求雷达能够发射多种频
率的电磁波以获取目标的频率响应。
基于高分辨力雷达成像的目标识别方法要求雷达不仅具有高的距离分辨力（对于一维距离像方法）而且具有高的角分辨力（对于二维距离像方法），这就要求采用宽带高分辨、合成孔径或逆合成孔径雷达。基于目标极化特征的目标识别方法要求雷达能够测量目标对不同极化方向的入射电磁波的极化散射特性、雷达具有变极化特性，这增加了雷达系统的复杂性，限制了其应用。
用于雷达目标识别中的模式识别技术
进行雷达目标识别，必须依靠有效的目标特征分类技术（模式识别技术）。模式识别技术的发展为雷达目标识别的研究提供了有利的条件。统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法等在雷达目标识别中均有成功的应用。
(1) 统计模式识别方法
统计模式识别是传统的模式识别方法，也是雷达目标识别中最常用到的特征分类方法，它是一种根据已知样本的统计特性来对未知类别样本进行分类的方法。其基本思想是用N 维特征矢量表征目标模式，并通过对样本的学习，估计出特征矢量的概率分布密度函数，在某种最优准则下，利用特征矢量的统计知识来构造判别函数，从而在保证分类误差概率最小的条件下，对目标进行分类。
最近邻域法(29)、相关匹配法(15)(32)(33)(34)、多维相关匹配方法(16)、Bayes最大似然(35),Bayes 分类器(36)、Bayes优化决策规则(36)、最大似然函数(37)等都被用于了目标特征的分类决策。
(2)模糊模式识别方法
在雷达目标识别中，由于噪声对目标背景的污染，目标信息转换过程中特征信息的随机交迭，目标信息时间、距离、方位和姿态等因素的变化都可引起信息的模糊及目标特征的畸变，影响目标识别的效果。
在模糊集理论基础上发展起来的模糊模式识别技术(38)(39)，适于描述目标特征存在不同程度的不确定性。在目标识别过程中，模糊模式识别技术通过将数值变换提取的目标特征转换成由模糊集及隶属函数表征，再通过模糊关系和模糊推理等对目标的所属关系加以判定了。
因此，模糊模式识别技术可以有效地完成一些传统模式识别中遇到的难题，近年来得到了广泛的研究。如郭桂蓉等〔40〕（41〕在低分辨非相干雷达体制下，利用目标视频回波的幅度细微结构特性和动态起伏特性，结合模糊模式识别技术，完成了对海上目标的识别。
（3）基于模型和基于知识的模式识别方法
基于模型的模式识别方法是用一种数学模型来表示从标样本空间或特征空间中获取的、描述目标固有特性的各种关系准则。在建模过程中，除了利用目标的物理特性外，还运用了特征之间的符号关系准则，如特征随姿态角变化的规律等，因此，基于模型的的模式识别方法在一定程度上改善了传统的统计模式识别方法中信息利率不高的缺点。目前也有不少人在致力于基于模型的目标识别方法的研究〔42〕。
基于知识的模式识别方法是结合人工智能技术的识别方法。它把人们在实践中逐步积累的知识和经验用简单的推理规则加以表述，并转换为计算机语言，利用这些规则可以获得与专家有同样识别效果的模
式识别结果。
基于模型的方法常与基于知识的方法相结合，通__过建立的目标模型库与相应的推理规则相结合完
成目标的分类识别。
Mcune 等(43〕将基于知识的识别方法用于了对高分辨率舰船雷达目标的识别；Sadjadi(44)采用基于模型的模式识别方法对任意姿态角下的坦克等装甲目标进行了分类，其模型是根据目标散射中心三维分布图在不同径向距离上投影而建立起来的。运用推理规则库模型成功地对动态变化的雷达干扰信号进行了
识别。
(4)神经网络模式识别方法
人工神经网络（ANN）和生物神经系统之间有着内在的联系，能够在有限领域内模拟人脑加工、存储与搜索信息的机制来解决某些特定的问题。它具有自适应、自组织、自学习能力，可以处理一些环境信息十分复杂、背景知识不清楚的问题，通过对样本的学习建立
起记忆，然后将未知模式判为其最为接近的记忆。由于其自身的上述特点，模式识别是神经网络技
术应用得最为广泛的领域之一。
由于雷达目标特征信息在模式空间中的分布常常极为复杂，要获得其先验统计知识并用传统的模式识别方法来实现目标识别很困难。ANN可以通过学习获得目标特征信号在模式空间中的分布，因此在目标识别的预处理、特征提取、模式分类的整个过程中均有初步的应用。近10 年来，ANN 用于雷达目标识别
得到了广泛的重视。
采用BP 算法(45)(46)、感知器算法〔47〕的多层前向网络；径向基函数网络（RBFN）(48)(49)；模糊:ARTMAP网络〕、自组织特征映射SOFM(14)等自组织神经网络；以及异联想存储器神经网络（51）、自划分神经网络（52）、实时循环神经网络（53）、模糊极大———极小神经网络（54），等等，在目标识别中都有成功的应用。总之，先进的模式识别方法对于提高、改善雷达自动目标识别系统的性能将起到至关重要的作用，对它的进一步研究将具有重要的意义。
结束语
到目前，研究者们已从多个方面研究了雷达目标识别技术。研究表明，用单一技术解决雷达目标识别问题都将是困难的，问题的解决有赖于多种技术的综合运用〔20〕。针对单一方法存在的各自局限性，
可以考虑将多种技术相结合，以提高正确识别率。
从已有的研究来看，多地利用了目标回波信号的幅值、相位、频率等信息，而对目标的极化信息的利用却很有限。这一方面是因为在低分辨力雷达情况下，从雷达回波中不能得到稳定且明确的目标极化特征，使得极化信息在低分辨力情况下对目标识别的用途不大，另一方面受限于极化散射矩阵的精确测量技术。高分辨力雷达技术、极化散射矩阵的精确测量技术的发展为雷达回波中获得稳定且明确的目标极化特征提供了可能。因此，将高分辨力雷达技术与极化信息相结合就是一条可行的思路。
高分辨、极化雷达与智能信号处理和自动分类技术相结合将为雷达目标识别提供一条很好的途径。随着雷达技术、信号处理技术和目标识别算法的不断发展，自动雷达目标识别技术有望取得较大进展。
参考文献
（1） Bell M B,Gyubbs R A.JEM modeling and measurement fore radar target
identification.IEEE Trans on AES,1993,29(1):12-13
（2）Blaricum M L Van,Mittra R.A technique for extracting the poles and residues of a sustem directly from its transient response.IEEE Trans.on AP,1975,23(6):777-781 （3） Jain V K,et al.Rational modeling by Pencil-of-Function method.IEEE Trans.on
ASSP,1983,31(3):564-573
（4） Hua Y B,Sarkar T K.Generalized Pencil-of-Function method for extracting poles of an EM system from its transient response.IEEE Trans on AP,1989,37(2) （5） Chuang C W,Moffat D L.Natural resonance of radar target via Prony's method and target diserimination.IEEE Trans.on AES,1976,12(5):583-589
（6）Brittingham J N,et al.Pole extration from real-frequency information.Proceedings of
IEEE,1980,68(2):263-273
（7）Ksienski A A.Ploe and residue extraction from measured data in rhe frequencu dom ain
using multiple data set.Radio Science,1985,20(1)
（8）Chen K M.Rradar wave synthesis method-a new radar detection scheme.IEEE Trans.on
AP,1981,29(4):553-565
（8）庄钊文，柯有安。频域目标识别的极大极小法。西安：第二届信号处理年会论文集，
CCSP-88,1988
（9）Zwicke P E,Imrekiss J R.A new implementation of the Mellin transform of range profile of
ship.IEEE Trans on PAMI,1983,5(2):139-142
（9）何松华，郭桂蓉，郭修煌。基于目标距离像的地面目标检测与跟踪。国防科技大学学报，
1991，13（1）
（10） Stewart C,Lu Y C,Larson V.A neural clustering approach for high resolution radar target identification.Pattern Recognition,1994,27(4):503-513
（11）Hudson S,Psaltis D.Correlation filters for aircraft identification from radar range
profiles.IEEE Trans.on AES,1993,29(3):741-748
（12）文树梁。基于双距离像的雷达目标识别技术。现代雷达，1996，18（1）：15-21
雷达的目标识别技术
雷达的目标识别技术 摘要： 对雷达自动目标识别技术和雷达目标识别过程进行了简要回顾，研究了相控阵雷达系统中多目标跟踪识别的重复检测问题提出了角度相关区算法，分析了实现中的若干问题，通过在相控阵雷达地址系统中进行的地址实验和结果分析表明:采用角度相关区算法对重复检测的回波数据进行处理时将使识别的目标信息更精确从而能更早地形成稳定的航迹达到对目标的准确识别。 一．引言 随着科学技术的发展，雷达目标识别技术越来越引起人们的广泛关注，在国防及未来战争中扮演着重要角色。地面雷达目标识别技术目前主要有-Se方式，分别是一维距离成象技术、极化成象技术和目标振动声音频谱识别技术。 1．一维距离成象技术 一维距离成象技术是将合成孔径雷达中的距离成象技术应用于地面雷达。信号带宽与时间分辨率成反比。例如一尖脉冲信号经过一窄带滤波器后宽度变宽、时间模糊变大。其基本原理如图1所示。 2．极化成象技术 电磁波是由电场和磁场组成的。若电场方向是固定的，例如为水
平方向或垂直方向，则叫做线性极化电磁波。线性极化电磁波的反射与目标的形状密切相关。当目标长尺寸的方向与电场的方向一致时，反射系数增大，反之减小。根据这一特征，向目标发射不同极化方向的线性极化电磁波，分别接收它们反射(散射)的回波。通过计算目标散射矩阵便可以识别目标的形状。该方法对复杂形状的目标识别很困难。 3．目标振动声音频谱识别技术 根据多普勒原理，目标的振动、旋转翼旋转将引起发射电磁波的频率移动。通过解调反射电磁波的频率调制，复现目标振动频谱。根据目标振动频谱进行目标识别。 传统上我国地面雷达主要通过两个方面进行目标识别：回波宽度和波色图。点状目标的回波宽度等于入射波宽度。一定尺寸的目标将展宽回波宽度，其回波宽度变化量正比于目标尺寸。通过目标回波宽度的变化可估计目标的大小。目标往往有不同的强反射点，如飞机的机尾、机头、机翼以及机群内各飞机等，往往会在回波上形成不同形状的子峰，如图2所示。 这类波型图叫作波色图。根据波色图内子峰的形状，可获得一些目标信息。熟练的操作员根据回波宽度变化和波色图内子峰形状，进行目标识别。
目标检测算法
function MovingTargetDetectionByMMI() %Moving Target Detection %Based on Maximun Mutual Information % %EDIT BY PSL@CSU %QQ：547423688 %Email：anyuezhiji@https://www.docsj.com/doc/5210565330.html, %2012-06-01 %读文件 Im1=imread('001.jpg'); Im2=imread('002.jpg'); Im3=imread('003.jpg'); Im1=rgb2gray(Im1); Im2=rgb2gray(Im2); Im3=rgb2gray(Im3); tic; d12=GetDifferenceImg(Im2,Im1); d23=GetDifferenceImg(Im2,Im3); d=d12.*d23; se =; for i=1:4 d = imfilter(d,se); end for i=1:2 d = medfilt2(d,); end %%d=abs((d12-d23).^0.7); d=uint8(d/max(max(d))*255); level = graythresh(d); BW = im2bw(d,level); s=regionprops(BW,'BoundingBox'); figure(1)
subplot(2,2,1); imshow(uint8(d12/max(max(d12))*255)); title('参考帧与前一帧的差值') subplot(2,2,2); imshow(uint8(d23/max(max(d23))*255)); title('参考帧与后一帧的差值') subplot(2,2,3); imshow(BW); title('由前后帧得出的差值') subplot(2,2,4); imshow(Im2); %imshow(d); rectangle('Position',s(1).BoundingBox,'Curvature',,'LineWidth',2,'LineStyle','--','EdgeColor', 'r') title('参考帧与检测结果') %求相邻两帧重合部分差值主函数 function outImg=GetDifferenceImg(R,F) =dwt2(R,'db1'); =dwt2(F,'db1'); CA1=uint8(CA1); CA2=uint8(CA2); fprintf('\n------PSO start\n'); =PSO(CA1,CA2); while mi<1.2 =PSO(CA1,CA2); end fprintf('tx:%f ty:%f ang:%f mi:%f\n',pa(1),pa(2),pa(3),mi); fprintf('------PSO end\n\n'); %pa=; fprintf('------Powell start\n'); mi_old=0; while abs(mi-mi_old)>0.01
合成孔径雷达概述(SAR)
合成孔径雷达概述 1合成孔径雷达简介 (2) 1.1 合成孔径雷达的概念 (2) 1.2 合成孔径雷达的分类 (3) 1.3 合成孔径雷达(SAR)的特点 (4) 2合成孔径雷达的发展历史 (5) 2.1 国外合成孔径雷达的发展历程及现状 (5) 2.1.1 合成孔径雷达发展历程表 (6) 2.1.2 世界各国的SAR系统 (9) 2.2 我国的发展概况 (11) 2.2.1 我国SAR研究历程表 (11) 2.2.2 国内各单位的研究现状 (12) 2.2.2.1 电子科技大学 (12) 2.2.2.2 中科院电子所 (12) 2.2.2.3 国防科技大学 (13) 2.2.2.4 西安电子科技大学 (13) 3 合成孔径雷达的应用 (13) 4 合成孔径雷达的发展趋势 (14) 4.1 多参数SAR系统 (15) 4.2 聚束SAR (15) 4.3极化干涉SAR（POLINSAR） (16) 4.4合成孔径激光雷达（Synthetic Aperture Ladar） (16) 4.5 小型化成为星载合成孔径雷达发展的主要趋势 (17) 4.6 性能技术指标不断提高 (17) 4.7 多功能、多模式是未来星载SAR的主要特征 (18) 4.8 雷达与可见光卫星的多星组网是主要的使用模式 (18) 4.9 分布SAR成为一种很有发展潜力的星载合成孔径雷达 (18) 4.10 星载合成孔径雷达的干扰与反干扰成为电子战的重要内容 (19) 4.11 军用和民用卫星的界线越来越不明显 (19) 5 与SAR相关技术的研究动态 (20) 5.1 国内外SAR图像相干斑抑制的研究现状 (20) 5.2 合成孔径雷达干扰技术的现状和发展 (20) 5.3 SAR图像目标检测与识别 (22) 5.4 恒虚警技术的研究现状与发展动向 (25) 5.5 SAR图像变化检测方法 (27) 5.6 干涉合成孔径雷达 (31) 5.7 机载合成孔径雷达技术发展动态 (33) 5.8 SAR图像地理编码技术的发展状况 (35) 5.9 星载SAR天线方向图在轨测试的发展状况 (37) 5.10 逆合成孔径雷达的发展动态 (38) 5.11 干涉合成孔径雷达的发展简史与应用 (38)
雷达运动目标检测大作业
非均匀空时自适应处理 摘要 本文首先依次介绍了在非均匀环境下的STAP处理法，包括降维、降秩以及LSMI方法，接着重点分析了直接数据域（DDD）方法的原理及实现过程，最后针对直接数据域方法进行了仿真实验。 引言 机载雷达对运动目标检测时, 面临的主要问题是如何抑制强大的地面杂波和各种类型的干扰，空时自适应处理（STAP）是解决该问题的关键技术。STAP 技术通过对杂波或干扰训练样本分布特性的实时学习来来形成空域—时域二维自适应权值，实现对机载雷达杂波和干扰的有效抑制。 STAP技术在形成自适应权值时，需要计算杂波协方差矩阵R。实际系统的协方差矩阵是估计得到的，即先在待检测距离单元的临近单元测得K个二维数 据矢量样本V i（i=1，2…K），再计算R的估计值?=Σ i=1K V i V i H∕K，然后可得自 适应权值W=μR^-1S，其中μ为常数，S为空时导向矢量。临近训练样本的选择必须满足独立同分布（IID）条件。同时，为了使由杂波协方差矩阵估计引起的性能损失控制在3dB内，要求均匀训练样本数K至少要2倍于其系统自由度（DOF）。如果所选样本非均匀，则形成的权值无法有效对消待检测单元中所含有的杂波和干扰，从而大大降低对运动目标的检测性能。 在实际应用中, 机载雷达面临的杂波环境往往是非均匀的, 这对经典的S T A P 技术带来了极大的挑战。针对这一难题, 许多新的适用于非均匀杂波环境的S T A P 方法不断被提出。 1、解决非均匀样本的方法 1.1、降维方法 降维方法的最初目的是为了减少空时自适应处理时所需的巨大运算量, 但后来发现该类方法同时大大减少了对均匀训练样本数的需求, 对非均匀情况下杂波抑制起到了积极的作用。降维方法将每次自适应处理所需要抑制的杂波范围限制在某一个较小杂波子空间内, 根据RMB准则和Brennan定理, 自适应处理时所需要的均匀训练样本数由2 倍于整体系统自由度减至降维后2 倍于子空间系统自由度。降维程度越高, 对均匀训练样本的需求就越少。降维方法属固定结构方法, 无法充分利用杂波的统计特性。当辅助波束与杂波谱匹配很好时, 处理性能往往很好。反之, 则性能下降。 1.2、降秩方法 与固定结构降维方法相反, 降秩方法充分利用回波中杂波的分布特性, 每次处理选取完备杂波空间来形成自适应权值对消杂波分量, 可看作依赖回波数据的自适应降维方法。该类方法在形成权值过程中利用的信息中不含噪声分量, 所以避免了小样本情况下噪声发散带来的性能下降问题, 故减少了对均匀训练样本数的需求。同样, 该类方法在满足信杂噪比损失不超过 3 d B 条件时所需的训练样本数约为 2 倍的杂波子空间的维数。从处理器结构上来看, 降秩方法可
扩展卡尔曼滤波雷达目标在线跟踪轨迹算法
基于扩展卡尔曼滤波的雷达目标在线跟踪轨迹的算法摘要：目标跟踪是指根据传感器（如雷达等）所获得的对目标的测量信息，连续地对目标的运动状态进行估计，进而获取目标的运动态势及意图。目标跟踪理论在军、民用领域都有重要的应用价值。在军用领域，目标跟踪是情报搜集、战场监视、火力控制、态势估计和威胁评估的基础；在民用领域，目标跟踪被广泛应用于空中交通管制，目标导航以及机器人的道路规划等行业。本文利用差分方程模型计算目标点的速度与加速度，基于卡尔曼滤波算法建立扩展型卡尔曼滤波算法的目标跟踪模型。 0 引言 目前，对机动目标的跟踪滤波与预测算法主要有线性自回归滤波、两点外推滤波、维纳滤波、加权最小二乘滤波、与滤波、简化的卡尔曼滤波和卡尔曼滤波。线性自回归滤波完全忽视了状态噪声对估值的影响；两点外推滤波利用最后一个数据点和最后两个数据点分别确定目标位置与目标速度，因此，之前所测的数据点并不能起到预测作用；维纳滤波不适合机动目标的瞬间变化过程，从而在一定程度上限制了它的应用范围；与滤波是两种简单并且易于工程实现的常增益滤波方法，最大优点在于其增益矩阵可以离线计算，而且在每次滤波循环中可节约大约70%的计算量；卡尔曼滤波与预测执行的是均方根误差最小准则，并且通过协方差矩阵可以很方便的对估计精度进行度量，目前应用较多而且误差相对较小的目标跟踪算法是卡尔曼滤波算法。但基本的卡尔曼滤波算法在跟踪机动目标时存在不足：当系
统达到稳态时，其预测协方差很小，使得滤波器的增益也趋于极小值，此时若目标发生机动，系统残差增大，预测的协方差和滤波器的增益不能随残差随时改变，系统将不能保证对突变状态的跟踪能力。 1用扩展卡尔曼滤波算法预测机动目标轨迹 首先由目标初始准确的状态对下一状态进行预测，得到下一状态的预测值，同时由计算所得的对应于初始状态的协方差得到下一状态的协方差预测值；接着由雷达观测误差、状态向量及所得协方差预测值可以得到卡尔曼增益值，进而最终得到下一状态的最优估算值，同时更新对应的协方差。至此，第一轮目标轨迹预测已完成，同理，进行下一轮的目标轨迹预测。模型的具体方程如下：本时刻系统的状态向量由上一时刻系统的最优预测状态向量求得，初始状态需要知道目标的状态向量。这里通过差分方程数学模型计算出目标在三个坐标上速度变化情况： 其中、、表示所测数据第i时刻速度沿着方向三个的速度分量值。 然后使用卡尔曼滤波预测目标的运动轨迹，假定离散时间控制系统状态方程和观测方程为： 式中是k时刻的非线性实值状态向量，是k时刻的系统量测向量，表示系统状态噪声，表示系统测量噪声，A和B为状态向量，H为非线性函数。 由公式4和公式5构成的系统状态方程和测量方程均为线性方程，其过程噪声都为高斯白噪声，可用标准卡尔曼滤波算法进行滤波。
目标识别技术
目标识别技术 摘要： 针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。最后分析了问题的可能解决思路。 引言： 雷达目标识别技术回顾及发展现状 雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标识别理论和技术。 随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反映一个国家的军事实力和作战能力。 雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减速，落在真弹头的后面，从而可以区别目标。 所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高，对雷达目标识别提出了越来越高的要求。 目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高
视觉目标检测算法说明
视觉目标检测算法说明 1.功能 通过安装在战车上的摄像头，检测视野范围内的敌方战车。 2.算法： 2.1目标检测与识别 1.颜色检测 采集大量敌方机器人的图片数据，并进行训练，得到对方机器人的颜色区间， 并以此为阈值对整幅图像进行颜色检测，找到疑似敌方机器人的区域，量化 成二值图。 2.滤除噪声点 对得到的二值图像进行开运算处理，滤除颜色检测结果中的噪声点。 3.连通区域检测 对图像中的疑似区域进行连通区域检测，计算出每个疑似区域的外部轮廓， 用矩形近似表示。 4.连通区域合并 根据连通区域之间的距离和颜色相似性，将距离接近且相似性高的连通区域 进行合并。 5.形状和大小过滤 对大量敌方机器人图片进行训练，得到对方机器人的形状信息（例如长宽比） 和大小信息（面积），并以此为依据将不符合的区域过滤掉。 经过以上五步的处理，可以初步得到敌方机器人的位置、大小和形状信息。 2.2目标运动跟踪 对上步中的检测结果进行运动跟踪。 1.状态估计 根据上一时刻地方机器人的运动状态（包括位置和速度），估算当前时刻机 器人的运动状态。 2.轨迹关联 根据位置和颜色信息，对当前时刻机器人的估计状态和检测结果进行关联。 3.状态更新 若上一步中关联成功，更新当前时刻的运动状态。 通过对检测结果进行运动跟踪，可以计算出当前时刻敌方机器人的运动速度和方 向。 2.3预估提前量
1.评估延迟时间 根据己方机器人实际的调试情况，通过多次试验和统计的方法，估算己方机器人从接收命令到炮弹（或子弹）击中目标区域的时间延时（包括图像处理 时间、落弹时间和炮弹飞行时间）。 2.计算提前量 根据延迟时间和敌方机器人的运动速度，计算炮弹发射的提前量，补偿到敌方机器人的运动状态中。 3.总结： 对于机器人战车中的敌方目标检问题，有很多种方法可以实现，视觉检测只是其中的一种方法，而基于颜色识别的目标检测也只是视觉算法中比较简单有效的一种。所以，本段代码只是抛砖引玉的一个样本，适用范围只针对于2014年RoboMasters夏令营的场地和战车，希望可以看到大家更加简单有效的算法。
雷达机动目标跟踪技术研究精编
雷达机动目标跟踪技术 研究精编 Document number：WTT-LKK-GBB-08921-EIGG-22986
1 绪论 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题，即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题，可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域，目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域，则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面，目标跟踪问题可以追溯到第二次世界大战的前夕，即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后，许多科学家和工程师一直努力于该项课题的研究，各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化，对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展，机动目标在空间飞行的速度、角度、加速度等参数不断变化，使得目标的位置具有很强的相关性，因此，提高对这类目标的跟踪性能便成为越来越重要的问题，迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究，已成为当今电子战的研
究热点之一。今天，精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场，而且还广泛应用于各种空间探测、跟踪和识别领域，以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分，机动目标的精确跟踪在过去和现在都是一个难题，最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配，导致跟踪滤波器发散，跟踪性能严重下降。本文将机动目标作为研究对象，从目标的运动建模和匹配滤波算法入手，提出或修正跟踪算法，从而实现对机动目标的精确跟踪。 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标，其运动方式在不断地发生变化，从一种形式变化为另一种形式，目标的运动可能从匀速到变速，也可能送直线到转弯，它的运动方式并不会从一而终。通俗地说，就是“目标速度的大小和方向发生变化”。 一般情况下，机动目标跟踪方法概括来讲可以分为以下两类：具有机动检测的跟踪算法和无需机动检测的自适应跟踪算法。机动目标的跟踪需要综合运用统计决策、滤波算法以及其它的数学方法，将传感器所接受到的信号数据进行处理，得到目标的位置、速度、加速度等估计信息。图给出了机动目标跟踪的基本原理图。
雷达目标识别
目标识别技术 2009-11-27 20:56:41| 分类：我的学习笔记| 标签：|字号大中小订阅 摘要： 针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络 模式识别方法。最后分析了问题的可能解决思路。 引言： 雷达目标识别技术回顾及发展现状 雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标 识别理论和技术。 随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反 映一个国家的军事实力和作战能力。 雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减 速，落在真弹头的后面，从而可以区别目标。 所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高，对雷达目标识别 提出了越来越高的要求。 目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高我国的军事实力，适应未来反导弹、反卫、空间攻防、国土防空与对海军事斗争的需要，急需加大雷达目标识别技术研究的力度雷达目标识别策略主要基于中段、再入段过程中弹道导弹目标群的不同特性。从结构特性看，飞行中段
视频目标检测与跟踪算法综述
视频目标检测与跟踪算法综述 1、引言 运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在 视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。 2、视频监控图像的运动目标检测方法 运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。 2.1 帧差法 帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设(,)k f x y 和(1)(,)k f x y +分别为图像序列中的第k 帧和第k+1帧中象素点(x ，y)的象素值,则这两帧图像的差值图像就如公式2-1 所示： 1(1)(,)(,)k k k Diff f x y f x y ++=- (2-1) 2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程：1、首先利用2-1 式得到第k 帧和第k+1帧的差值图像1k Diff +；2、对所得到的差值图像1k Diff +二值化（如式子2-2 示）得到Qk+1；3、为消除微小噪声的干扰，使得到的运动目标更准确，对1k Q +进行必要的滤波和去噪处理，后处理结果为1k M +。 111255,,(,)0,,(,)k k k if Diff x y T Q if Diff x y T +++>?=?≤? （T 为阈值） （2-2）
合成孔径雷达概述
合成孔径雷达概述 蔡 Beautyhappy521@https://www.docsj.com/doc/5210565330.html, 二OO八年三月二十三
1合成孔径雷达简介 (3) 1.1 合成孔径雷达的概念 (3) 1.2 合成孔径雷达的分类 (4) 1.3 合成孔径雷达(SAR)的特点 (5) 2合成孔径雷达的发展历史 (6) 2.1 国外合成孔径雷达的发展历程及现状 (6) 2.1.1 合成孔径雷达发展历程表 (7) 2.1.2 世界各国的SAR系统 (10) 2.2 我国的发展概况 (12) 2.2.1 我国SAR研究历程表 (12) 2.2.2 国内各单位的研究现状 (13) 2.2.2.1 电子科技大学 (13) 2.2.2.2 中科院电子所 (13) 2.2.2.3 国防科技大学 (14) 2.2.2.4 西安电子科技大学 (14) 3 合成孔径雷达的应用 (14) 4 合成孔径雷达的发展趋势 (15) 4.1 多参数SAR系统 (16) 4.2 聚束SAR (16) 4.3极化干涉SAR（POLINSAR） (17) 4.4合成孔径激光雷达（Synthetic Aperture Ladar） (17) 4.5 小型化成为星载合成孔径雷达发展的主要趋势 (18) 4.6 性能技术指标不断提高 (18) 4.7 多功能、多模式是未来星载SAR的主要特征 (19) 4.8 雷达与可见光卫星的多星组网是主要的使用模式 (19) 4.9 分布SAR成为一种很有发展潜力的星载合成孔径雷达 (19) 4.10 星载合成孔径雷达的干扰与反干扰成为电子战的重要内容 (20) 4.11 军用和民用卫星的界线越来越不明显 (20) 5 与SAR相关技术的研究动态 (21) 5.1 国内外SAR图像相干斑抑制的研究现状 (21) 5.2 合成孔径雷达干扰技术的现状和发展 (21) 5.3 SAR图像目标检测与识别 (23) 5.4 恒虚警技术的研究现状与发展动向 (26) 5.5 SAR图像变化检测方法 (28) 5.6 干涉合成孔径雷达 (32) 5.7 机载合成孔径雷达技术发展动态 (34) 5.8 SAR图像地理编码技术的发展状况 (36) 5.9 星载SAR天线方向图在轨测试的发展状况 (38) 5.10 逆合成孔径雷达的发展动态 (39) 5.11 干涉合成孔径雷达的发展简史与应用 (39)
雷达空间目标识别技术综述
2006年10月第34卷 第5期 现代防御技术 MODERN DEFENCE TECHNOLOGY O ct.2006 V o.l34 N o.5雷达空间目标识别技术综述* 马君国,付 强,肖怀铁,朱 江 (国防科技大学ATR实验室,湖南 长沙 410073) 摘 要:随着人类航天活动的增加,对于卫星和碎片等空间目标进行监视变得非常重要。为了实现空间监视任务,对空间目标进行识别是非常必要的。对空间目标的轨道特性与动力学特性进行了介绍,对雷达空间目标识别技术的研究现状和发展趋势进行了详细的综述。 关键词:空间目标识别;低分辨雷达;高分辨雷达成像 中图分类号:TN957 52 文献标识码:A 文章编号:1009 086X(2006) 05 0090 05 Survey of radar space target recognition technology MA Jun guo,F U Q iang,X I AO Huai tie,Z HU Jiang (ATR L ab.,N ationa lU n i versity o f De fense T echno l ogy,Hunan Changsha410073,Ch i na) Abst ract:W ith t h e deve l o pm ent of spacefli g ht acti v ity of hum an,surveillance of space tar get such as sate llite and debris beco m es very i m portan.t In or der to i m p le m ent surveillance task,space target recogni ti o n is ver y necessary.Orb it property and dyna m ics property of space targe t are i n troduced,a deta iled sur vey is set forth about current research state and developi n g trend of radar space target recogn iti o n techno l ogy. K ey w ords:space tar get recogniti o n;lo w reso lution radar;h i g h reso lution radar i m aging 1 引 言 自从前苏联发射了第1颗人造地球卫星以来,卫星在预警、通信、侦察、导航定位、监视和气象等方面具有不可替代的优势。随着人类航天活动的增加,空间碎片日益增多,对于卫星等航天器的安全造成极大的威胁,因此对于卫星和碎片等空间目标进行监视变得非常重要。其中空间目标识别是空间监视任务中不可或缺的基本条件,空间目标识别主要是利用雷达等传感器获取空间目标的回波信号,从中提取目标的位置、速度、结构等特征信息,进而实现对空间目标的类型或属性进行识别。 2 空间目标的轨道特性与动力学特性 (1)轨道特性[1,2] 空间目标在轨道上的运动是无动力惯性飞行,本质上空间目标与自然天体的运动是一致的,故研究空间目标的运动可以用天体力学的方法。空间目标在运动时受到地球引力、月球引力、太阳及其他星体引力、大气阻力和太阳光辐射压力等的作用,轨道存在摄动。但是对轨道的实际分析表明,空间目标受到的主要力是地球引力。假设空间目标只是受到地球引力的作用,同时假设地球是一个质量均匀分布的球体,则空间目标与地球构成二体运动系统,开 *收稿日期:2005-12-15;修回日期:2006-01-23 作者简介:马君国(1970-),男,吉林长春人,博士生,主要从事目标识别与信号处理研究。 通信地址:410073 湖南长沙国防科技大学ATR实验室 电话:(0731)4576401
基于测速雷达的多目标检测算法
基于测速雷达的多目标检测算法 （合肥工业大学计算机与信息学院，安徽合肥20009） 摘要：近些年了来随着科技的进步、人们生活水平的提高，为满足生产和生活的需求各种交通工具应用而生。车型和车速的不断提高给道路交通管制带来了许多的不便和麻烦，因此基于交通测速雷达的多目标分辨领域的研究至关重要，能更好的对道路交通进行管理，在跟踪目标，对超速车辆的查找以及统计各类型车辆数量、缓解交通压力等方面有很大的用途。 本文在多普勒雷达的基础上研究发展而来的基于测速雷达的多目标分辨算法。首先介绍了雷达测速的研究背景及意义，多普勒雷达的测速原理，目前的发展状况以及传统雷达的不足之处。接着介绍了多目标分辨的理论依据，也就是本论文主要讲解的超速雷达的多目标分辨。 关键词:多普勒雷达、多目标分辨、频谱分析、幅度比较 一、研究背景 21世纪以来，人类生产力大解放。科技的蓬勃发展，工业革命的不断推进，无论是生产还是生活人类发生了翻天覆地的变化。其中最明显的便是交通运输工具的变化。随着道路基础设施建设水平的提高，人们生活质量的提高促使家庭小汽车的不断增加，同时为满足生产力发展的需求，各种交通工具应用而生。公路交通运输业是推动国民经济发展，促进经济社会繁荣的主动力。为实现对道路交通的有效管制以及行车速度测量及对超速车辆的实时监测控制对道路上的多目标进行分辨至关重要。 从雷达早期出现用于对空中金属物体的探测，到二战以来出现的雷达对空对地的火力控制等，雷达主要应用于军事领域。随着科技的进步，雷达技术的不断发展，雷达不再是一种单纯的军事雷达，其应用领域不断增加，功能不断增强出现了各种各样的雷达，比如气象雷达，道路交通测速雷达等。雷达测速是利用多普勒效应，通过多普勒频移计算目标的速度。雷达测速因其准确性高，速度快，稳定性好，探测距离远，可移动测速，能更好的抑制地无干扰等优点，得到广泛应用，但是由于雷达波束较宽，在多车并行行驶时，无法分辨出超速车辆，给监测控制带来了困难。国内现有超速测量抓拍系统在多车并行时，由于仅能检测出有车辆超速，无法分辨超速车辆，为避免误判只能放弃抓拍，无形中增加了交通事故隐患，严重影响了现代交通的严格法制化管理进程。因此多目标分辨雷达的研究和制造有着非常重要的作用。同时不仅可应用于超速雷达的探测，在对车型检测，缓解交通压力等方面都发挥很大的作用。 二、交通测速雷达发展状况 目前，美国联邦电讯委员会规定警用测速频道为Xband，Kband，Kaband三种，它们对应的微波频率分别为10.525GHZ，24.150GHZ,33.40-36.00GZH。Xband雷达形状为圆型，无法在车阵中锁定超速车辆只能在车阵中检测第一辆车的速度。K band测速雷达为手持式的雷达，国内警方绝大多数使用这种雷达。Ka band雷达与K band雷达相似，由于其微波频率更高，测速范围更加集中，所以不容易被干扰，目前国内基本局限于一般性测量且测量结果较粗糙，在先进技术方面还有很大差距，因此对多目标分辨的研究至关重要，对提高国内雷达水平，方便道路超速车辆管理有重要的作用。 三、多普勒雷达的作用原理 多普勒雷达，又名脉冲多普勒雷达，是一种利用多普勒效应来探测运动目标的位置和相对运动速度的雷达。1842年,奥地利物理学家J·C·多普勒发现,当波源和观测者有相对运动时,观测者接受到的波的频率和波源发来的频率不同,这种现象被称为多普勒效应。波是由频率和振幅所构成，而无线电波是随着物体而移动的，当无线电波在行进的过程中，碰到物体
合成孔径雷达文献综述
合成孔径雷达文献综述 一、前言 合成孔径雷达(Synthetic Aperture Radar,简称SAR) )是一种高分辨力成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。由于其具有克服云、雾、雨、雪的限制对地面目标成像，可以全天时、全天候、高分辨力、大幅面对地观测的特点，引起了各国的高度重视。近年来，随着合成孔径雷达关键技术的不断发展，SAR 成像分辨力不断提高、信号处理能力不断增强、数据传输速率不断增加、设备体积不断减小、质量不断降低，SAR 在军事侦察，打击效果评估和国民经济等领域上尽显优势。 本文主要介绍合成孔径雷达的基本原理、发展历程、技术热点和发展趋势，并对合成孔径雷达在民用及军事方面的应用进行简述。 二、概述 1、基本原理 普通雷达的方位分辨力取决于天线的方位波束宽度，但由于方位波束宽度与天线口径成反比，与雷达工作频率成正比，而天线的尺寸和工作频按距离率均受实际工程实现的限制，因此常规雷达的方位分辨力较低，特别是远距离处的横向距离分辨力更低，远不能满足实际需要。合成孔径雷达就是为提高方位分辨力而产生的一种新的技术，即通过雷达平台的移动，把一段时间内收到的信号进行相干合成，从而获得高的方位分辨力。 1）实孔径成像 雷达在实孔径成像时，是利用实际天线口径产生的窄波束来直接得到方位分辨力的。 假设天线长为x L 的天线，接受来自满足远场条 件且偏离视轴α的点源的回波信号，如图1所示。 其中，3dB α?为单程半功率波束宽度，λ为雷达工 作波长。则在距离R 处的方位向距离（横向距离） 分辨力为 30.88/a dB x R R L ραλ≈?≈ 由上式可以看出此时方位向距离分辨力与实际孔径天线的长度成反比，与雷达工作波长、雷达斜距成正比，因此要获得高的分辨力，必须利用大口径天线和高的工作频率。但实际工程中，实孔径成像时的方位分辨力即横向距离分辨力是非常差的，需寻找改善方位分辨力的方法。 2）非聚焦合成孔径成像 利用雷达平台产生的虚拟天线则可解决实孔径天 线长度有限的问题。即将一段时间内雷达接收到的信号 按实孔径天线那样进行合成，产生大的合成孔径天线， 以改善雷达的方位分辨力。 假设雷达按直线飞行，速度为V ，累计时间为T ， 对应的合成孔径长度L=VT 。雷达在运动中不断发射并 接收来自纵向距离为R ，横向距离维0x 的点目标回波， 如图2所示。 经过数学分析可确定最大的合成孔径长度为
多目标跟踪雷达
多目标跟踪雷达 GE GROUP system office room 【GEIHUA16H-GEIHUA GEIHUA8Q8-
多目标跟踪雷达 路口存在检测方案 采用多维式扫描雷达天线和先进DSP跟踪算法，对路口单方面向最少四车道、最多八车道的车辆进行精准的存在检测或感应检测，同时还能提供精准的单车及时测度、车辆位置信息以及停止线的车流量、平均速度和占有率等交通刘统计数据。路段多功能检测，能对横向四车道八车道、纵向160米范围的大视域内车辆进行实时检测。跟踪区域内所有车辆的行为轨迹、真实量化还原路况状态，提供精准的单车即时时速度、车辆位置、车型信息，同时提供精准的断面的车流量平均车速和占有率等交通流统计数据，以及对区域内多种异常事件及时报警，为交通诱导系统和交通事件检测系统提供数据支撑，
随着城市车辆快速增长，路口的管理压力越来越大，配套的信号控制系统、交通诱导、交通仿真系统等对数据的要求也越来越高。而路口车辆存在信息是实现高效、稳定信号控制的基本要求，也是现阶段国内外主流交通信号控制系统应用最为成熟的数据模型之一。因此，交叉路口的车辆存在信息就显的尤为重要。 城市路口车辆存在检测系统通过建立覆盖路口特定位置的采集点位，配备前端感知检测，实时吧存在信息传送之信号机控制及系统，对路口信号配时，优化提供支撑。同时，公安交通管理部门可以根据车流量历史统计数据、分析路口车辆运行规律，针对性制定控制管理策略。 需求说明： 城市路口存在检测系统，主要完成路口停车线、或特定断面的车辆存在信息采集，可以及时掌握路口特定位置车流量状态，为信号机控制、交通诱导等系统提供数据支撑。 1、在城市重要路口设立和完善的存在检测点、检测各方的车流量信息。 2、建立城市的数据传输、应用接口模块。实现无缝对接信号机控制系统。 3、用户可以通过实时数据库、以及客户端管理进行查看每个路口车辆存在信息、车流量、占有率等，可以连续24时实时检测。 4、具备数据存储功能。可以作为路口管理的数据支撑。 系统说明：
雷达目标识别技术
雷达目标识别技术述评 孙文峰 （空军雷达学院重点实验室，湖北武汉430010） 摘要：首先对雷达目标识别研究领域已经取得的成果和存在的问题进行简单的回顾，然后结合对空警戒雷达，阐明低分辨雷达目标识别研究的具体思路。 关键词：雷达目标识别；低分辨雷达 Review on Radar Target Recognition SUN Wen-feng （Key laboratory, Wuhan Radar Academy, Wuhan 430010, China）Abstract: The acquired productions and existent problems of radar target recognition are reviewed simply, then the specific considerations of target recognition with low resolution radar are illustrated connect integrating with air defense warning radar in active service. Key words: radar target recognition; low resolution radar 1．引言 雷达目标识别（RTR—Radar Target Recognition）是指利用雷达对单个目标或目标群进行探测，对所获取的信息进行分析，从而确定目标的种类、型号等属性的技术。1958年，D.K.Barton（美国）通过精密跟踪雷达回波信号分析出前苏联人造卫星的外形和简单结构，如果将它作为RTR研究的起点，RTR至今已走过了四十多年的历程。目前，经过国内外同行的不懈努力，应该说RTR已经在目标特征信号的分析和测量、雷达目标成像与特征抽取、特征空间变换、目标模式分类、目标识别算法的实现技术等众多领域都取得了不同程度的突破，这些成果的取得使人们有理由相信RTR是未来新体制雷达的一项必备功能。目前，RTR技术已成功应用于星载或机载合成孔径雷达（SAR—Synthetic Aperture Radar）地面侦察、毫米波雷达精确制导等方面。但是，RTR还远未形成完整的理论体系，现有的R TR 系统在功能上都存在一定的局限性，其主要原因是由于目标类型和雷达体制的多样化以及所处环境的极端复杂性。本文首先对RTR研究领域已经取得的成果和存在的问题进行简单的回顾，最后结合对空警戒雷达，阐明了低分辨雷达目标识别研究的具体思路。 2．雷达目标识别技术的回顾与展望 雷达目标识别研究的主体有三个，即雷达、目标及其所处的电磁环境。其中任何一个主体发生改变都会影响RTR系统的性能，甚至可能使系统完全失效，即RTR研究实际上是要找到一种无穷维空间与有限类目标属性之间的映射。一个成功的RTR系统必定是考虑到了目标、雷达及其所处电磁环境的主要可变因素。就目标而言主要有目标的物理结构、目标相对于雷达的姿态及运动参数、目标内部的运动（如螺旋桨等）、目标的编队形式、战术使用特点等等；就雷达而言主要有工作频率、带宽、脉冲重复频率（PRF）、天线方向图、天线的扫描周期等等；环境因素主要有各种噪声（如内部噪声和环境噪声）、杂波（如地杂波、海杂波和气象杂波）和人为干扰等。在研制RTR系统时必须综合考虑这些因素，抽取与目标属性有关的特征，努力消除与目标属性无关的各种不确定因素的影响。