微动目标雷达特征提取、成像与识别研究进展（三）

5 微动目标分类与识别

微动特征是雷达目标的本质属性之一，相比于传统的形状、结构和表面材料电磁参数等其他目标特征，其在目标分类与识别应用中有着如下优势：(1)观测条件要求较低，容易被雷达获取。已有研究表明，高分辨雷达能够探测目标表面微米级的振动和偏移，对于弹道导弹目标识别，成像激光雷达可观测到超过700 km远的再入诱饵的展开和膨胀，对低截获率目标，1～2 s的雷达照射就可以收集足以用于目标分类的信息，从而大幅降低雷达平台被反探测的概率^[70]；(2)与HRRP和ISAR像特征等相比，微动特征对目标姿态变化的敏感性相对较低，对先验信息要求少，这对于非合作目标的分类与识别有重要意义；(3)对雷达系统的硬件要求较低，因为目标的微动特征提取并不受限于距离分辨率，无论宽带雷达还是窄带雷达均可以获取。我国现役雷达以窄带为主，在无需大幅升级改造的前提下，利用现有雷达系统就有望实现目标微动特征的获取与处理。因此微动目标分类与识别技术在雷达目标识别领域内的地位日益显著。

微动目标分类与识别可分为两个层面：一是辨识微动的形式，通过微动形式来实现对目标的分类；二是根据获得的微动特征来进一步实现对目标的准确识别。通过设计分类识别方法，将所提取的微动特征从特征空间映射到观测对象属性空间，即达到了对目标或者目标微动形式进行识别的目的。合适的分类识别方法是实现目标正确识别的关键，常用的基于微动特征的雷达目标分类识别方法有：

(1) 统计模式识别方法(Statistical Approach of Pattern Recognition)。统计模式识别方法用给定的有限数量样本集，在已知研究对象统计模型或判别函数类条件下，通过对样本的学习估计出特征矢量的概率分布密度函数，在某种最优准则下保证对目标进行分类时误差概率最小，其重要的数学工具是Bayes决策及其变形规则。基于Bayes规则的统计识别方法^[13,71—73]在获得目标先验知识的情况下能够得到较理想的分类结果，但是通过有限的样本很难准确估计出条件概率密度函数，因此其应用受到限制。

(2) 基于模板匹配(Template-based)的分类方法。基于模板匹配的方法^[74]计算量小、易于移植，是目标识别中最基本的分类方法。匹配时通常采用K最近邻(K-Nearest Neighbor)分类器^[71,73]等，在测试样本与样本库之间进行相关，实现最佳匹配。该方法对模板库依赖程度较高，通常模板越多越精细，匹配效果越好，但同时计算效能也会因此下降。另外，该方法难以完成对未知目标的稳健识别。

(3) 基于模型(Model-based)的分类方法。抽取一定的目标特征，并利用这些特征和辅助知识(如目标距离)来标记目标的模型参数，进而选择一些初始假设实现目标特征的预测^[75]。与基于统计模型的分类方法相比，基于模型的分类方法在增加新的目标与环境下不必重新训练算法，新的模型可直接加入知识库^[76]。高斯混合模型(Gaussian Mixture Model, GMM)^[77,78]和隐马尔可夫模型(Hidden Markov Model, HMM)^[77,79]是两类常用的微动目标识别模型，能够对车辆、人、动物等目标特征的统计分布进行准确描述。

(4) 基于人工神经网络(Artificial Neural Network, ANN)的分类方法。ANN是模拟人脑神经系统的信息处理过程和学习功能而设计的一种信息处理系统，由于其在自学习、自组织、巨量并行、分步存储、非线性拟合和容错性等方面的明显优势，ANN在模式识别领域获得了极大重视和广泛应用^[79,80]。但是当识别条件改变时，ANN往往要重新训练，并且ANN方法模型建立困难，学习能力相对较弱，在处理小样本问题时还存在过学习的现象，这些问题都需要进一步的研究。

另外，也有将线性判别分析(Linear Discriminant Analysis, LDA)^[73]，支持向量机(Support Vector Machine, SVM)^[81]，主成分分析(Principle Component Analysis, PCA)^[82]，字典学习(Dictionary Learning)^[83]等分类方法用于微动目标识别的研究。把几种分类方法优化结合，则可以进一步改善识别性能^[84]。随着研究的深入，还不断有其他范畴的方法被引入到微动目标识别领域，如将语音信号处理中的线性预测编码技术(Linear Predictive Coding, LPC)^[85]与动态时间规整(Dynamic Time Warping, DTW)技术^[86]用于微动目标分类，取得了较好的结果。

从应用上看，多年来微动目标识别技术取得了长足的进步，并一直朝着精细化方向发展，即从最初的判断目标有无，到分辨目标类型，再到现在识别目标具体型号与运动意图。尽管目前分类识别方法呈现出多层次与多样性，但不存在所谓的最优方法，识别性能的优劣需要根据特定的应用背景来确定。

6 典型前沿应用

基于微动特征的雷达目标识别技术在空间目标、空中目标与地海面目标的探测与分类识别领域已经吸引了大量研究人员的关注，其研究成果在空间监视、防空反导、战略预警、战场侦察、电子对抗、交通管制、建筑监测、反恐维稳、安保救援、临床医疗等军事和民用领域具有非常广阔的应用前景。下面就其中比较典型的应用及其面临的问题、可能的解决途径进行论述。

6.1 弹道目标识别

国外很早就开始了基于微动特征的弹道目标识别的研究，并且开展了大量的实验，目前，美国已经成功把利用微动特征识别威胁目标的相关算法和技术应用于已有装备^[87]。但由于军事保密等原因，国外的相关研究成果公开发表的很少。国内这方面起步相对较晚，但也已经取得了较多研究成果。然而从目前的研究现状来看，无论是基于高分辨宽带雷达还是低分辨窄带雷达，在由理论向应用转化的过程中仍面临许多问题：(1)诱饵与弹道目标的相似度越来越高，导致提取到的微动特征可分性降低；(2)反导作战对目标识别的实时性要求很高，而现有微动特征提取与成像方法往往依赖于对目标的长时间观测，难以满足集火攻击条件下的多目标识别需求；(3)弹道目标在突防过程中往往会实施各种无源和有源干扰，大幅增加了目标特征提取与识别的难度。

针对以上问题，首先可以考虑综合宽带雷达和窄带雷达组建混合体制雷达网，一方面混合体制的组网雷达可以有效发挥抗干扰优势，极大地提高目标识别的性能；另一方面通过多通道协同处理，组网雷达不但可以实现群目标分辨、目标3维微动特征提取与3维成像，还能进行特征融合处理进一步提高目标识别的准确性和可靠性。其次考虑到弹道目标识别过程中观测时间的限制以及雷达宽窄带交替工作模式等因素导致的数据稀疏性，对已有稀疏观测条件下的微动特征提取与成像方法进行改进，能够增强目标识别的适应性的与鲁棒性。

6.2 海面舰船目标探测与识别

海面舰船目标在平动的同时自身姿态也随海水波动而变化，表现为可能同时存在的3维(俯仰、横滚、偏航)转动。而且，海面目标还会受到非线性策动力和非线性阻尼力的作用^[9]，因此其运动形式十分复杂。海面舰船目标的检测一直是雷达信号处理领域的难题，微多普勒理论为海面目标的探测与识别问题提供了新的解决途径^[88,89]。但是由于目标处于海背景散射环境，目标与海面之间的相互电磁耦合作用改变了目标以及海面本身的散射特性，此时的海面电磁散射通常被视为海杂波，在整体雷达回波中，海杂波信号往往强于有用的目标散射信号，从而对目标微多普勒信号的获取与处理带来极大的困难，给海面目标探测与识别造成严重影响。因此，需要深入研究目标运动状态和回波特性之间的关系，进而设计相应的匹配增强和滤波算法，改善信杂比(Signal to Clutter Ratio, SCR)，提高雷达对海探测性能。极化对于微动特征提取和增强具有重要的应用潜力^[90]，通过提取微多普勒信号在极化域的信息，可以获得目标表面粗糙度、对称性和姿态取向等其它参数难以表征的信息，有望显著改善海面目标探测与识别能力。

6.3 人体微动特征提取与识别

人体目标是当前微动特征提取与识别领域的研究热点，相关研究内容主要包括人体与其他生物/非生物体的分辨^[91,92]、人体步态识别^[93,94]以及人体生命特征(呼吸、心跳、脉搏等)探测^[95,96]等方面，其中许多成熟理论已经在医疗诊断、安全监控和自动驾驶等方面应用，并取得了较好的效果。

人体目标的RCS较小(约为0.5 m²)，并且人体通常是在复杂噪声环境下进行慢速运动，其雷达回波，特别是其生命特征信号，往往弱于其他目标的回波，甚至可能被噪声淹没。因此，人体目标微动特征提取与识别首要解决的问题就是怎样将其微动信号从其他信号中区分开来。高频信号可以获得更大的微多普勒频移，比如太赫兹(Terahertz, THz)波不但可以获得高的空间分辨率，还具有强的穿透力，非常适合用于人体生命特征探测。

人体行走或跑步都是典型的非刚体铰接式运动^[97]，由于人体结构的复杂性以及在运动中身体各部分的强耦合性，其运动模式都是多种微动的复合，这种具有强耦合性的复合微多普勒特征很难进行参数化处理，微多普勒谱也极不规则。另外，如图5给出的暗室采集数据所示，不同人在同一种运动姿态(步行)的时频谱图的差异往往很小，这进一步增加了人体目标分类识别的难度。现有的微多普勒特征提取方法大多是通过对雷达回波信号进行参数化描述提取特征、或者提取谱图的结构特征，这些特征的可分性和差异性不强，无法用于身份辨识或者人体步态特征的精细识别。基于深度学习的分类识别方法是解决上述问题的一条有效途径，通过构建合理描述人体微动信号差异和时序特性的深度网络模型，设计相应的学习策略和优化方法，有望大幅提升人体目标识别精度。我们的初步研究表明，利用预训练的卷积神经网络，对同一种运动姿态条件下的2人分类识别准确率能达到93%以上，4人分类识别准确率能达到72%以上。

图 5 不同人步行姿态下获得的时频谱图(X波段)Fig.5 Time-frequency spectrum of different walking people (X band)

7 总结与展望

微动目标的雷达特征提取、成像与识别研究延拓了目标回波信号的可用维度，为进一步提升雷达目标探测与识别能力提供了有力的技术支持。近年来，随着技术的不断突破和研究的不断深入，涌现出许多新的、有效的关于微动目标回波建模、特征提取、成像及分类识别的方法，并采用实测数据进行了验证，这些都是微动特征研究在雷达领域不断成熟的标志。但雷达目标微动特征提取、成像与识别毕竟是一个集电磁学、动力学、信号处理、模式识别等多个学科领域交叉结合的研究方向，还存在许多有待解决的问题，从现有研究状况分析，可以预计未来将在以下方面取得有价值的研究成果：

(1) 微动目标的极化特征

目标微动会在时域、频域、RCS和极化域对雷达回波造成复杂调制，目前国内外的研究主要集中在时域、频域、RCS这几个方面，而微动引起的极化调制少有研究。极化作为电磁波的本质属性，描述了电磁波的矢量特征，是电磁波除幅度、频率、相位以外的重要基本参量。回波的极化状态与目标的姿态、尺寸、结构、材料等物理属性密切相关，研究目标微动引起的回波极化调制，提取回波变极化效应所蕴含的丰富的目标物理属性信息有助于进一步提升雷达的分类和识别能力。国防科技大学王雪松教授团队就雷达目标极化信息的获取、处理及应用进行了大量的工作^[98]，为微动目标的极化特征研究奠定了基础。

(2) 新兴频段的微多普勒效应

随着当前各种电磁用频活动的加剧，传统电磁波频段拥塞的现象日益严重，新兴频段开发研究的需求迫切。太赫兹波是电磁波谱上介于微波与红外光之间的电磁波，兼有微波毫米波与红外光两个频段的特性，其波长相对较小，适合于超大信号带宽和窄天线波束的实现，可获得目标的精细刻画，非常适于微多普勒效应研究。另外，太赫兹波还有优越的反隐形能力，较强的环境适应能力，低截获率，强抗干扰性和穿透等离子体能力等诸多优点，具有极大的应用潜力。目前，国外^[99]和国内^[96,100]都已经有团队在开展对太赫兹频段微动目标的研究。

超声波也可用于目标微多普勒效应研究，尽管超声波传播速度慢、距离近，在大气中衰减也很快，但是它对多普勒频移敏感，例如对一个运动速度10 m/s的目标，只需要发射40 KHz的超声波就能观测到与发射34 GHz电磁波同样的多普勒频移。同时，超声波探测设备简便易携，工程造价远低于微波雷达，因此在室内等应用场景中完全可以替代雷达。事实上，国外已有研究证明了采用超声波探测微动目标的可行性^[91,101]，但是国内还未见报道。

(3) 新体制雷达微动特征提取与成像

外辐射源雷达(无源雷达)通常采用第三方发射的非合作照射源(如民用卫星信号、广播信号、电视信号、民用移动通信信号以及Wi-Fi信号等)对目标进行探测与定位。该体制雷达无需频率分配，无发射装置，成本低，可以长时间相干积累，并且具有良好的“四抗”能力。利用外辐射源雷达探测微动目标，可为低空空域监视(如无人机、鸟类等目标的分类识别)提供新途径。

认知雷达是引入并模仿人类认知特性的新一代雷达系统，具有完善的接收和发射自适应特征，通过与环境的不断交互和学习，获取环境信息，结合先验知识和推理，不断地调整接收机和发射机参数，最终实现目标自适应探测，提高复杂、时变以及未知电磁环境与地理环境下的探测性能。可以预见，认知雷达技术将大幅提升微动目标特征提取及分类识别的效率与精度，并为实现目标检测、估计、成像、识别一体化提供强劲驱动力。

(4) 与人工智能技术的结合

近年来，随着计算机算力、存储设备水平与大数据分析能力的快速提升、人工智能等技术不断实现新的突破，特别是以深度学习、强化学习等为代表的人工智能算法在图像分类、语音识别、目标检测以及自然语言处理等领域取得了显著成果。相比传统方法，人工智能算法在性能表现上有着明显优势，例如在识别分类中，深度学习将特征提取与分类器结合到一个框架中，用数据去学习特征，在使用中减少了人工特征提取的巨大工作量，从而大幅提高了特征提取的效率^[102]。因此，人工智能技术的引入与结合势必为微动目标识别研究带来新的活力。

参考文献

[1]	张群, 罗迎. 雷达目标微多普勒效应[M]. 北京: 国防工业出版社, 2013: 1–17.  Zhang Qun and Luo Ying. Micro-Doppler Effect of Radar Targets[M]. Beijing: National Defense Industry Press, 2013: 1–17. (3)
[2]	Zhang Q, Luo Y, and Chen Y A. Micro-Doppler Characteristics of Radar Targets[M]. Amsterdam: Elsevier, 2017: 1–11. (2)
[3]	Chen V C. The Micro-Doppler Effect in Radar[M]. Boston, London: Artech House, 2011: 35–78. (1)
[4]	Thayaparan T, Stanković L, and Djurović I. Micro-Doppler-based target detection and feature extraction in indoor and outdoor environments[J]. Journal of the Franklin Institute, 2008, 345(6): 700-722. DOI:10.1016/j.jfranklin.2008.01.003 (1)
[5]	Chen V C, Li F, Ho S S, et al. Micro-Doppler effect in radar: Phenomenon, model, and simulation study[J]. IEEE Transactions on Aerospace and Electronic Systems, 2006, 42(1): 2-21. (1)
[6]	Liu L H, McLernon D, Ghogho M, et al. Ballistic missile detection via micro-Doppler frequency estimation from radar return[J]. Digital Signal Processing, 2012, 22(1): 87-95. DOI:10.1016/j.dsp.2011.10.009 (1)
[7]	Chen V C. Doppler signatures of radar backscattering from objects with micro-motions[J]. IET Signal Processing, 2008, 2(3): 291-300. DOI:10.1049/iet-spr:20070137 (5)
[8]	马梁, 刘进, 王涛, 等. 旋转对称目标滑动型散射中心的微Doppler特性[J]. 中国科学: 信息科学, 2011, 41(5): 605–616.  Ma Liang, Liu Jin, Wang Tao, et al.. Micro-Doppler characteristics of sliding-type scattering center on rotationally symmetric target[J]. SCIENCE CHINA Information Sciences, 2011, 54(9): 1957–1967. DOI: 10.1007/s11432-011-4254-3. (1)
[9]	陈小龙, 董云龙, 李秀友, 等. 海面刚体目标微动特征建模及特性分析[J]. 雷达学报, 2015, 4(6): 630-638. Chen Xiao-long, Dong Yun-long, Li Xiu-you, et al. Modeling of micromotion and analysis of properties of rigid marine targets[J]. Journal of Radars, 2015, 4(6): 630-638. DOI:10.12000/JR15079 (2)
[10]	黄健, 李欣, 黄晓涛, 等. 基于微多普勒特征的坦克目标参数估计与身份识别[J]. 电子与信息学报, 2010, 32(5): 1050-1055. Huang Jian, Li Xin, Huang Xiao-tao, et al. Micro-Doppler features based parameter estimation and identification of tank[J]. Journal of Electronics & Information Technology, 2010, 32(5): 1050-1055. DOI:10.3724/SP.J.1146.2009.00669 (1)