宽带全极化雷达目标HRRP极化特征提取与优选

作者:郭雷;肖怀铁;赵宏钟;付强 刊名:自然科学进展 上传者:闫飞

【摘要】充分有效地利用全极化雷达目标HRRP极化信息是雷达目标特征提取领域一个热点问题.文中主要研究了宽带全极化雷达目标HRRP的三类极化特征的提取与优选:(1)将SAR领域常用的熵特征引入全极化HRRP中,分析了反映目标HRRP散射随机性的熵特征;(2)根据目标散射矩阵相似性参数理论,定义了目标HRRP与6种标准体散射矩阵相似性参数概率形式描述,并将其作为特征,这类特征反映了目标的物理结构特性;(3)提出了反映目标散射能量特性的Mueller矩阵相似性参数特征,并且证明了该参数特征的旋转不变性.这几类特征具有明确的物理意义.采用飞机目标多个姿态的实测数据进行了特征有效性验证和特征优选,并利用优选后的特征组成特征矢量对飞机目标识别,实验结果表明,提出的HRRP极化特征具有良好的稳健性和可分性.

全文阅读

宽带全极化雷达目标高分辨距离像(highres。-lutionrangeprofile,简称HRRP)包含了目标的全部结构信息,反映了目标散射中心在纵向距离上的分布情况,它提供了比单极化HRRP无法比拟的更多信息量.随着全极化高分辨成像技术在末制导雷达中逐步走向应用,基于全极化高分辨距离像的舰船、飞机等目标特征提取与识别技术受到广泛的关注和研究.近年来,基于极化目标分解理论的目标特征提取与识别方法成为研究热点.极化目标分解就是将目标回波的复杂散射过程分解为几种单一的散射过程,每种散射过程都有个对应的散射机理.197。年,Huynen第一次提出“极化目标分解”的概念L‘,之后Vanzyl仁2,Krogager3,el。ude仁‘,5,Lee川等不断改进和完善,使得目标极化分解逐步迈向了实用,先后出现了许多基于目标分解的极化SAR图像分类算法.到目前为止,极化目标分解方法归纳起来主要有三大类:(l)以Mueller矩阵为基础的分解理论,包括Huynen分解和VanZyl分解等;(2)以Sinelair散射矩阵分解为基础的分解理论,包括Pauli分解、Krogager分解和Cameron分解等;(3)以目标相关矩阵的特征值和特征矢量分析为基础的分解理论,包括Cloude等提出的H/a分解以及Lee提出的H/a改进方法,该方法更适合用于目标回波部分极化的情况,在极化SAR分类中应用尤为广泛.此外,Yang等川基于目标散射矩阵提出了能够反映目标特征的散射矩阵相似性参数理论,并且在极化SAR分类中得到应用叫.对于末制导雷达而言,获得高质量的目标宽带全极化HRRP比全极化SAR技术更加成熟,成本更低,因此研究基于全极化HRRP的目标极化特征提取与识别具有重要的理论价值和现实意义.H/a分解方法得到的极化嫡H和散射角a只反映了目标散射过程的随机性,不能全面的反映目标极化特性.为此,本文将散射矩阵相似性参数概率描述特征从3个扩展到6个,用这些特征描述目标结构特性,并巨提出了描述口标散射能量特性的Mueller矩阵相似性参数特征.这几类特征具有清晰的物理意义,利用这此从不同角度反映目标特性的特征进行优选后组成目标特征矢量,通过实测数据实验,证明了这些特征的可分性和稳健性,并且取得了理想的识别结果.此外还可以定义参数尸,它反映了主散射分量能量与次散射能量的比值乞‘,山一瓜几1+凡Pl一PZP;+P:(6)1目标全极化HRRP的H/a/A/p特征1.1相关矩阵分解琴本理论嫡是描述自然界混乱程度的量,1997年,Cloude一将“嫡”的概念引人极化理论中,提出了对目标散射相关矩阵T进行特征分解的分解理论,定义了散射嫡月和平均散射角a,用于分析目标的散射特性.令目标极化散射矩阵S一5川151汗Svllsvv,对于单静态互易后向散射的情况51,丫一从l;.在Pauli基下对散射矩阵S矢量化,可以得到散射矢量k一1夜51川+SvVS川一S,一V25!I,,’.相关矩阵定义为T一kk,.T为半正定H。rmit矩阵,对T进行特征分解,可以得到T一几1“:衅+几:“:司+久.““H值在[。,1之间,描述了口标散射的随机性.当H一0时,说明目标只有一种主要的散射机理,相关矩阵只有一个特征值不为O,此时处于完全极化状态;随着11的增大,去极化程度增加,说明目标散射由几种散射过程组成,不一再认为仅存在一个占主要地位的散射机理;在月一1的极限情况下,所能获得的极化信息为O,目标的散射完全随机.处于完全非极化状态.a在0o一900之间,反映了目标的主要散射机理.当a一0o时.表示目标的主要散射

参考文献

引证文献

问答

我要提问