基于经验模态分解的运动车辆目标分类方法

摘要

本发明公开了一种基于经验模态分解的运动车辆目标分类方法，主要解决现有同类方法对目标平动速度变化敏感，需要额外的杂波抑制，且不能利用目标特殊结构信息的问题。其实现过程是：对多普勒回波信号进行经验模态分解；通过舍弃余项完成杂波抑制；利用分解结果定义第一本征模函数多普勒谱和剩余本征模函数多普勒谱；根据定义的谱判断是否存在2倍平动微多普勒成分，初步判别履带式车辆；若未能判别，则对本征模函数以及定义的谱提取特征；对提取的特征使用分类器进行分类。本发明可消除目标平动速度变化对目标多普勒谱位置和谱宽度的影响，自动进行杂波抑制，利用履带特殊结构信息，可用于对具有机动部件的运动车辆目标进行分类。

主权项

1.一种基于经验模态分解的运动车辆目标分类方法，包括如下步骤：1）对目标的多普勒回波信号s={s₁,s₂,...,s_N}进行经验模态分解，得到一个余项r_L和L个本征模函数m_α，其中s_i为多普勒回波信号s第i点的值，i=1,2,...,N，N为脉冲积累数，α=1,2,...,L，L为本征模函数个数；2）舍弃余项r_L完成杂波抑制功能；3）定义第一本征模函数多普勒谱：M₁=|fft[m₁]|和剩余本征模函数多普勒谱：其中，m₁为第一本征模函数，fft[·]代表快速傅立叶变换，|·|代表取模运算；4）根据定义的第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r判断多普勒回波信号s中是否存在2倍平动微多普勒成分，当第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r之间同时满足：|position[M₁]-2×position[M_r]|<ε，energy[M₁]<energy[M_r]和max[M₁]<max[M_r]三个条件时，判定在多普勒回波信号s中检测到2倍平动微多普勒成分，且将目标判为履带式车辆，式中position[·]代表取峰值位置运算，ε为一个正数，用于位置误差控制，energy[·]代表取能量运算，max[·]代表取最大值运算；5）对在多普勒回波信号s中未检测到2倍平动微多普勒成分，根据L个本征模函数m_α，α=1,2,...,L，以及定义的第一本征模函数多普勒谱M₁和剩余本征模函数多普勒谱M_r，提取如下六种特征：第一本征模函数多普勒谱与剩余本征模函数多普勒谱的峰值比：feature 1=max[M_r]/max[M₁]；第一本征模函数多普勒谱与剩余本征模函数多普勒谱的能量比：feature2=energy[M_r]/energy[M₁]；第一本征模函数多普勒谱熵值：feature3=entropy[M₁]；第一本征模函数多普勒谱最大频率分量与次大频率分量幅度比：feature4=max[clean[M₁]]/max[clean_r[M₁]]；第一本征模函数多普勒谱最大频率分量与次大频率分量能量比：feature5=energy[clean[M₁]]/energy[clean_r[M₁]]；占经验模态分解总能量95%以上的本征模函数个数：$\mathrm{feature}6=\underset{\eta }{\arg }\left(\underset{\alpha =1}{\overset{\eta }{\Sigma }}\mathrm{energy}\right[m_{\alpha }]/\underset{\alpha =1}{\overset{L}{\Sigma }}\mathrm{energy}[m_{\alpha }]\ge 95\%),$式中entropy[·]代表熵运算，clean[·]与clean_r[·]分别代表使用CLEAN算法提取的幅度最大的单频信号以及剩余信号，arg(·)为取标号运算；6）将提取的六种特征作为分类器的输入，根据分类器的输出判定车辆类别。