地面典型车辆雷达日标识别技术综述

蔡红军 吴昭

摘要：地面目标识别是雷达目标识别的一个重要方面，战场上轮式车辆如运输车，负责各种物资的运输，而履带式车辆如各型号主战坦克，主要负责作战任务，因此进行地面战车目标分类有助于现代战争取得成功。本文对地面典型车辆目标识别的国内外研究现状进行综述，对目前地面车辆目标特征提取及分類方法进行梳理总结，最后对地面车辆目标识别技术的发展趋势进行展望，预期为地面车辆目标的分类识别研究提供参考和借鉴。

关键词：履带式坦克;轮式车辆;地面目标;目标识别

中图分类号：TN957.52 文献标识码：A 文章编号：1007-9416（2020）05-0214-03

0引言

随着雷达技术和信号处理技术的发展，雷达目标的自动识别技术主要在以下几方面：一是窄带雷达目标识别，但由于窄带雷达的距离分辨率较低，其目标回波中包含的目标的信息有限;二是宽带雷达目标识别，一维距离像能够提供有关目标径向长度和强散射点位置信息，且易于获取，二维像包含的信息量更为丰富，有利于人工判读，但受成像机理限制，成像条件严苛且作用距离较近;三是微动特征识别，英国已经研究出了基于微多普勒特征的单兵便携式监测跟踪雷达（Man Portable Surveillance and Tracking Radar，MSATR），实现了对行人，轮式车和履带车的分类。从目前的文献来看，大多基于微动特征实现车辆目标的识别。

本文针对地面战车目标，对车辆目标微动模型进行了梳理，对其特征提取技术及分类识别方法进行归纳，并对其发展趋势进行展望。

1地面车辆目标微动模型

对于车辆上的微运动部件，即轮式车辆的车轮和履带式车辆的履带，其运动形式主要为转动。对于履带来说，微运动还包括上下履带的平动。需要注意的是，这里上下履带的平动属于微运动，是叠加于车身平动速度之上的。由于车轮和履带的运动均可以简化为平面内的运动，这意味着车轮和履带相对于雷达并未发生三维旋转，因此针对车辆目标的微多普勒分析可以进行化简。

对于履带，黄健等考虑到主动轮、诱导轮、负重轮的布局和相对位置，将履带车辆分为三类并给出了微动部件回波模型，如图2所示。第一类为一般的简单履带式车辆结构，履带外部无附属部件，履带及其运动部分各部件暴露在外部;第二类为采用主动轮和负重轮悬挂而不承受车体重量的结构，此结构可提高履带式车辆的越野机动性能和结构的可靠性;第三类为军用履带式车辆结构，通常都具有裙板、翼字板等结构，此结构会导致诱导轮的一部分和履带的整个上半部分被裙板或翼字板遮盖，电磁波不可见。

2地面战车目标识别技术

2.1基于RCS的车辆目标识别

车辆目标因其雷达尺寸、结构复杂，导致雷达目标特征参数雷达散射界面积（Radar Cross Section，RCS）不易精确测试。张万君等提出通过雷达方程构建步战车RCS测量模型，由建模软件对步战车进行3D建模，用电磁仿真系统仿真典型轮式、履带式步战车RCS分布规律，再由比较法以雷达AGe（Automatic Gain Control）值对步战车RCS进行定性测量与辨识验证，初步实现了两种步战车的仿真辨识，为建立步战车雷达目标特征参数辨识及目标特性识别体系奠定基础。

2.2基于微多普勒效应的车辆目标识别

物体运动时，除了自身平动，某些部件还会有相对物体的运动，如运动车辆的车轮转动、履带的运动等。此时，车辆的车轮、坦克的履带等部件相对于车体部件的运动会对雷达回波产生频谱调制，正是利用轮式和履带式车辆微多普勒调制的不同进行分类识别。利用微多普勒效应进行分析识别流程如图3所示，首先建立目标微动模型，并基于此生成包含目标微动的回波，随后进行微动特征提取，最后利用分类器进行识别不同类型的地面车辆目标。

黄健等系统研究了不同结构的履带式车辆微动和微多普勒特征，并推导了由球形炮塔和多边形炮塔的转动及炮管俯仰运动激励的微多普勒的理论公式，最后利用时频分析方法进行目标参数提取。李彦兵、谢欣等针对轮式和履带式目标的微多普勒谱，首先基于CLEAN算法和广义匹配滤波器算法进行杂波抑制，然后利用多普勒谱提取波形熵、L1范数、车身分量与最大微多普勒谱分量的幅度比、车身分量与微运动分量的能量比等特征，基于sVM实现了轮式与履带式车辆78.7%的识别率。

2.3基于一维距离像的车辆目标识别

为了获取目标更加丰富的结构信息，必须使用宽带信号探测目标，从而获得目标的一维距离像（High Resolution Range Profile，HRRP）。HRRP是目标沿径向距离分布的回波信号，反映了目标在不同距离分布上的散射能力。基于HRRP，—般可以提取目标径向尺寸、散射点个数、波形熵、中心距等特征。

王亚平、马筱青等对地面车辆目标的HRRP进行了分析，gilbert点模型、电磁仿真和外场试验得到了目标的HRRP，并提取了目标的宽带特征，对轮式车辆和履带式车辆应用支持向量机分类器进行分类识别。栾英宏等利用分数傅里叶变换在时频域对信号的混合表示的特点，将离散分数傅里叶变换和相关向量机应用于毫米波高分辨雷达一维距离像识别，并使用Fisher准则确定离散分数傅里叶变换的阶数a，将一维距离像进行a阶离散分数傅里叶变换，获得信号的特征量，然后利用相关向量机网络进行分类识别。

2.4基于SAK图像的车辆目标识别

合成孔径雷达（Synthetic Aperture Radar，SAR）是一种以有源主动方式工作的雷达系统，SAR图像的像素灰度值反映了目标的微波散射特性。

基于车辆目标的SAR图像，李禹、庄圆等首先将目标从背景信息中检测出来，随后提取了几何特征、矩特征、转角特征、阴影特征等特征，最后基于MSTAR数据集进行车辆目标分类识别。Carmine Clemente等利用离散Krawtchouk距对典型军用车辆目标进行了分析。从目前的文献来看，基于SAR图像的地面典型车辆目标分析基本上基于MSTAR数据集。

3结论与展望

本文针对地面典型车辆雷达目标识别技术进行了总结，目前的车辆目标识别主要利用窄带微多普勒特征、一维距离像特征KsAR图像特征，并借助传统的机器学习实现目标分类识别。在综合现有车辆目标识别技术的基础上，未来技术主要发展趋势有：（1）基于宽窄带一体化的车辆目标综合识别技术，结合窄带微多普勒、一维距离像和ISAR像等信息，进行融合识别，提高目标识别率;（2）基于大数据的车辆目标识别技术，随着地面车辆数据的丰富，应用深度学习技术实现车辆目标的识别。

总之，典型地面车辆目标识别是雷达目标识别的一个重要方面，典型地面车辆目标精准的识别对军事应用具有重要的意义。