一种基于HOG_SVM的雷达航迹分类与识别方法与流程

一种基于hog_svm的雷达航迹分类与识别方法
技术领域
[0001]
本发明属于雷达数据处理技术领域，具体涉及一种基于hog_svm的雷达航迹分类与识别方法。


背景技术：

[0002]
雷达技术发展迅猛，不但可以探测空中目标如无人机、民航、鸟类动物等，也可以探测地面目标如行人、车辆等。雷达功能越强大，可探测的目标种类越多越繁杂。特别是电磁环境复杂的地面以及低空目标，存在大量电磁干扰，会形成稳定的虚假目标航迹。雷达航迹形成大多采用动目标显示算法，不能消除地面电磁干扰带来的影响。基于hog_svm的雷达航迹分类与识别方法，是提取雷达航迹相关参数的特征值，使用svm技术进行特征值分类，形成参数库，并利用 svm回归模型预测未知数据。使用本方法的雷达系统可以实时的给出目标航迹的类别属性，有很高的实时性和高效性。


技术实现要素：

[0003]
本发明的目的用于相控阵雷达航迹，基于hog_svm分类与识别的方法，其中包括以下步骤：
[0004]
步骤1：采集大量雷达目标航迹，航迹本质为按时间排列的点迹，且每个点迹包含有目标的速度、能量、距离、方位、俯仰、以及信噪比。
[0005]
步骤2：对步骤1采集数据进行预处理，包括航迹平滑化：剔除极端数据，取固定长度数据航迹点；航迹标签化：根据实际航迹形成原因，手动标记航迹标签，每条航迹数据点按照时间顺序排列。
[0006]
步骤3：航迹中的每个点迹的雷达目标参数依据时间展开排列，形成二维数据表，提取训练库和测试库中航迹的hog特征值。特征值由以下数学模型计算得出。其中g
x
(x，y)、g
y
(x，y)分别代表数据点(x，y)处的水平向梯度、垂直方向梯度。
[0007]
g(x，y)为梯度幅值、α(x，y)代表梯度方向。
[0008]
g
x
(x，y)＝(x+1，y)-(x-1，y)
[0009]
g
y
(x，y)＝(x，y+1)-(x，y-1)
[0010][0011][0012]
步骤4：使用svm模型计算训练库中的hog特征值和标签，构建样本对比库。svm模型思想是基于航迹训练库的特征值样本空间找到一个划分超平面，将不同标签的特征值分开，分类成特征值数据库。svm数学模型如下所示。其中ω为决定超平面方向的法向量，b为决定超平面与原点之间距离的位移项。
[0013]
ω
t
x
i
+b＝y
i
[0014]
步骤5：用测试库航迹进行验证，svm回归算法模型计算测试航迹特征值，预测航迹标签，输出预测标签结果。svm回归模型数学公式，其中
[0015]
附图说明
[0016]
图1是基于hog_svm雷达航迹分类识别处理流程图。
[0017]
图2是hog特征值方向示意图。
[0018]
图3是svm支持向量与间隔。
具体实施方式
[0019]
本发明的目的用于相控阵雷达航迹，基于hog_svm分类与识别的方法，总体流程图如图1所示，包括如下步骤：
[0020]
步骤1：采集大量雷达目标航迹，航迹本质为按时间排列的点迹，且每个点迹包含有目标的速度、能量、距离、方位、俯仰、以及信噪比。
[0021]
步骤2：对步骤1采集数据进行预处理，包括航迹平滑化：剔除极端数据，取固定长度数据航迹点，如距离门限表示为(r
min
，r
max
)，信噪比门限表示为 (g
min
，g
max
)，能量门限表示为(e
min
，e
max
)，速度门限表示为(v
min
，v
max
)，野值剔除数学模型为：
[0022][0023]
1：表示为有效数据点；0表示为无效数据点；
[0024]
航迹标签化：根据实际航迹形成原因，手动标记航迹标签，每条航迹数据点按照时间顺序排列。
[0025]
步骤3：航迹中的每个点迹的雷达目标参数依据时间展开排列，形成二维数据表，提取训练库和测试库中航迹的hog特征值。特征值由以下数学模型计算得出。其中g
x
(x，y)、g
y
(x，y)分别代表二位数据表中(x，y)处的水平向梯度、垂直方向梯度。g(x，y)为梯度幅值、α(x，y)代表梯度方向。其中梯度方向如图2所示，且梯度方向范围为2π，取作为分组步进单位，则可以把梯度方向6等份。累加每个梯度方向的梯度幅度值，则可以把方向直方图转换成单维向量特征值 (x1，x2，x3，x4，x5，x6)；
[0026]
g
x
(x，y)＝(x+1，y)-(x-1，y)
[0027]
g
y
(x，y)＝(x，y+1)-(x，y-1)
[0028][0029][0030]
步骤4：使用svm模型计算训练库中的hog特征值和标签，构建样本对比库。svm模型思想是基于航迹训练库的特征值样本空间找到一个划分超平面，将不同标签的特征值分开，分类成特征值数据库。svm数学模型如下所示。其中ω为决定超平面方向的法向量，b为决定超平面与原点之间距离的位移项，如图 3所示，取位移的绝对值为1。
[0031]
ω
t
x
i
+b＝y
i
[0032]
步骤5：用测试库航迹进行验证，svm回归算法模型计算测试航迹特征值，预测航迹标签，输出预测标签结果。svm回归模型算法公式，其中
[0033][0034]
e
∈
为特征值在svm回归后与超平面的距离值，当且仅当e
∈
与y
i
完全相同时，损失才为零。但是实际应用中，损失不可能为零，因此可以容忍e
∈
与y
i
之间有∈的偏差。时，即预测值接近真实值；时，预测不接近真实值。