仝波 王曉江 謝超 李元林

摘要：本文針對地面戰(zhàn)車目標(biāo)，對車輛目標(biāo)微動模型進(jìn)行了梳理，對其特征提取技術(shù)及分類識別方法進(jìn)行歸納，并對其發(fā)展趨勢進(jìn)行展望。

關(guān)鍵詞：地面;戰(zhàn)車;目標(biāo)識別技術(shù);微動模型

1地面車輛目標(biāo)微動模型

輪式車輛的車輪和履帶式車輛的履帶是車輛上的微運(yùn)動部件，其運(yùn)動形式主要為轉(zhuǎn)動。對于履帶來說，微運(yùn)動還包括上下履帶的平動。需要注意的是，這里上下履帶的平動屬于微運(yùn)動，是疊加于車身平動速度之上的。由于車輪和履帶的運(yùn)動均可以簡化為平面內(nèi)的運(yùn)動，這意味著車輪和履帶相對于雷達(dá)并未發(fā)生三維旋轉(zhuǎn)，因此針對車輛目標(biāo)的微多普勒分析可以進(jìn)行化簡。目標(biāo)與雷達(dá)之間有相對運(yùn)動時，回波信號會產(chǎn)生多普勒頻率：

λ為雷達(dá)發(fā)射信號波長;v為目標(biāo)與雷達(dá)的徑向相對速度。波長越短，多普勒頻率對速度的變化越敏感。因此，為了更好的獲得目標(biāo)微多普勒信息，雷達(dá)通常以較短波長發(fā)射信號。這種條件下，雷達(dá)波長遠(yuǎn)小于目標(biāo)尺寸，目標(biāo)散射特性滿足光學(xué)區(qū)假設(shè)。若僅考慮目標(biāo)的直接散射，不考慮噪聲影響，則雷達(dá)單天線接收到的目標(biāo)微動部件的回波信號為：

Ak為第k個散射點(diǎn)的散射系數(shù);f0為載頻;τk為第k個散射點(diǎn)的時延;N為散射點(diǎn)總數(shù)。若目標(biāo)的平動速度為v，且目標(biāo)具有微動部件，微動部件上第k個散射點(diǎn)的速度在雷達(dá)視線上的投影為vmk，則第k個散射點(diǎn)的時延τk為：

R0為目標(biāo)到雷達(dá)的徑向距離;c為電磁波傳播速度。將式帶入式可得：

目標(biāo)微動部件回波的相位由三部分組成，分別為由距離產(chǎn)生的相位、由平動速度產(chǎn)生的相位和由微動速度產(chǎn)生的相位。其中，由距離R0產(chǎn)生的相位為常數(shù)，分析時可以不考慮。對于車輪，假設(shè)目標(biāo)的平動速度已經(jīng)被補(bǔ)償，李彥兵等建立了微動部件的回波模型，假設(shè)有N個散射點(diǎn)均勻分布在圓周上，則N個散射點(diǎn)將有N個不同的初始轉(zhuǎn)角，對于N個散射點(diǎn)的微動回波信號可以表示為：

ω為角頻率;Jn為第一類n階貝塞爾函數(shù)， ，r0為車輪半徑，λ為雷達(dá)發(fā)射信號的波長; 。對于履帶，黃健等考慮到主動輪、誘導(dǎo)輪、負(fù)重輪的布局和相對位置，將履帶車輛分為三類并給出了微動部件回波模型。第一類為一般的簡單履帶式車輛結(jié)構(gòu)，履帶外部無附屬部件，履帶及其運(yùn)動部分各部件暴露在外部;第二類為采用主動輪和負(fù)重輪懸掛而不承受車體重量的結(jié)構(gòu)，此結(jié)構(gòu)可提高履帶式車輛的越野機(jī)動性能和結(jié)構(gòu)的可靠性;第三類為軍用履帶式車輛結(jié)構(gòu)，通常都具有裙板、翼字板等結(jié)構(gòu)，此結(jié)構(gòu)會導(dǎo)致誘導(dǎo)輪的一部分和履帶的整個上半部分被裙板或翼字板遮蓋，電磁波不可見。

2地面戰(zhàn)車目標(biāo)識別技術(shù)

2.1基于一維距離像的車輛目標(biāo)識別

要想獲取目標(biāo)更加豐富的結(jié)構(gòu)信息，必須使用寬帶信號探測目標(biāo)，從而獲得目標(biāo)的一維距離像（High Resolution Range Profile，HRRP）。HRRP是目標(biāo)沿徑向距離分布的回波信號，反映了目標(biāo)在不同距離分布上的散射能力。基于HRRP，一般可以提取目標(biāo)徑向尺寸、散射點(diǎn)個數(shù)、波形熵、中心距等特征。王亞平、馬筱青等對地面車輛目標(biāo)的HRRP進(jìn)行了分析，通過散射點(diǎn)模型、電磁仿真和外場試驗(yàn)得到了目標(biāo)的HRRP，并提取了目標(biāo)的寬帶特征，對輪式車輛和履帶式車輛應(yīng)用支持向量機(jī)分類器進(jìn)行分類識別。欒英宏等利用分?jǐn)?shù)傅里葉變換在時頻域?qū)π盘柕幕旌媳硎镜奶攸c(diǎn)，將離散分?jǐn)?shù)傅里葉變換和相關(guān)向量機(jī)應(yīng)用于毫米波高分辨雷達(dá)一維距離像識別，并使用Fisher準(zhǔn)則確定離散分?jǐn)?shù)傅里葉變換的階數(shù)α，將一維距離像進(jìn)行α階離散分?jǐn)?shù)傅里葉變換，獲得信號的特征量，然后利用相關(guān)向量機(jī)網(wǎng)絡(luò)進(jìn)行分類識別。

2.2基于SAR圖像的車輛目標(biāo)識別

合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）是一種以有源主動方式工作的雷達(dá)系統(tǒng)，SAR圖像的像素灰度值反映了目標(biāo)的微波散射特性?；谲囕v目標(biāo)的SAR圖像，李禹、莊圓等首先將目標(biāo)從背景信息中檢測出來，隨后提取了幾何特征、矩特征、轉(zhuǎn)角特征、陰影特征等特征，最后基于MSTAR數(shù)據(jù)集進(jìn)行車輛目標(biāo)分類識別。Carmine Clemente等利用離散Krawtchouk距對典型軍用車輛目標(biāo)進(jìn)行了分析。從目前的文獻(xiàn)來看，基于SAR圖像的地面典型車輛目標(biāo)分析基本上基于MSTAR數(shù)據(jù)集。

2.3基于RCS的車輛目標(biāo)識別

車輛目標(biāo)因其雷達(dá)尺寸、結(jié)構(gòu)復(fù)雜，導(dǎo)致雷達(dá)目標(biāo)特征參數(shù)雷達(dá)散射界面積（Radar Cross Section，RCS）不易精確測試。張萬君等提出通過雷達(dá)方程構(gòu)建步戰(zhàn)車RCS測量模型，由建模軟件對步戰(zhàn)車進(jìn)行3D建模，用電磁仿真系統(tǒng)仿真典型輪式、履帶式步戰(zhàn)車RCS分布規(guī)律，再由比較法以雷達(dá)AGC（Automatic Gainb Control）值對步戰(zhàn)車RCS進(jìn)行定性測量與辨識驗(yàn)證，初步實(shí)現(xiàn)了兩種步戰(zhàn)車的仿真辨識，為建立步戰(zhàn)車?yán)走_(dá)目標(biāo)特征參數(shù)辨識及目標(biāo)特性識別體系奠定基礎(chǔ)。

2.4基于微多普勒效應(yīng)的車輛目標(biāo)識別

物體運(yùn)動時，除了自身平動，某些部件還會有相對物體的運(yùn)動，如運(yùn)動車輛的車輪轉(zhuǎn)動、履帶的運(yùn)動等。此時，車輛的車輪、坦克的履帶等部件相對于車體部件的運(yùn)動會對雷達(dá)回波產(chǎn)生頻譜調(diào)制，正是利用輪式和履帶式車輛微多普勒調(diào)制的不同進(jìn)行分類識別。利用微多普勒效應(yīng)進(jìn)行分析識別流程如圖1所示，首先建立目標(biāo)微動模型，并基于此生成包含目標(biāo)微動的回波，隨后進(jìn)行微動特征提取，最后利用分類器進(jìn)行識別不同類型的地面車輛目標(biāo)。黃健等系統(tǒng)研究了不同結(jié)構(gòu)的履帶式車輛微動和微多普勒特征，并推導(dǎo)了由球形炮塔和多邊形炮塔的轉(zhuǎn)動及炮管俯仰運(yùn)動激勵的微多普勒的理論公式，最后利用時頻分析方法進(jìn)行目標(biāo)參數(shù)提取。李彥兵、謝欣等針對輪式和履帶式目標(biāo)的微多普勒譜，首先基于CLEAN算法和廣義匹配濾波器算法進(jìn)行雜波抑制，然后利用多普勒譜提取波形熵、l1范數(shù)、車身分量與最大微多普勒譜分量的幅度比、車身分量與微運(yùn)動分量的能量比等特征，基于SVM實(shí)現(xiàn)了輪式與履帶式車輛78.7%的識別率。

3結(jié)束語

地面目標(biāo)識別是雷達(dá)目標(biāo)識別的一個重要方面，戰(zhàn)場上輪式車輛如運(yùn)輸車，負(fù)責(zé)各種物資的運(yùn)輸，而履帶式車輛如各型號主戰(zhàn)坦克，主要負(fù)責(zé)作戰(zhàn)任務(wù)，因此進(jìn)行地面戰(zhàn)車目標(biāo)識別有助于現(xiàn)代戰(zhàn)爭取得成功。

參考文獻(xiàn)

[1]李秋菊，朱東方.基于低分辨雷達(dá)系統(tǒng)的無人機(jī)微多普勒特征分析[J].科技創(chuàng)新與應(yīng)用，2020（31）：5-8.

[2]王偉男，周亮.基于圖像處理技術(shù)的軍事目標(biāo)識別方法綜述[J].電腦與信息技術(shù)，2020，28（1）：4-8.

[3]王偉男，楊朝紅.基于圖像處理技術(shù)的目標(biāo)識別方法綜述[J].電腦與信息技術(shù)，2019，27（6）：9-15.

[4]李開明，張群，羅迎，丁帥帥，郭英.基于微多普勒效應(yīng)和AR模型的車輛目標(biāo)分類方法[J].電子學(xué)報，2018，46（4）：805-813.