本发明专利技术公开了一种散射中心关联方法和装置，涉及雷达技术领域、其中，本发明专利技术的散射中心关联方法包括：确定目标在多个视角下的散射中心的第一特征数据；将所述散射中心的第一特征数据映射至高维特征空间，以得到所述散射中心在所述高维特征空间的第二特征数据；基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类，以得到散射中心的聚类结果。通过以上方法，解决了复杂目标的三维散射中心宽视角关联问题，为散射数据压缩与重构、目标特征提取与识别等应用提供技术支撑。特征提取与识别等应用提供技术支撑。特征提取与识别等应用提供技术支撑。
【技术实现步骤摘要】
一种散射中心关联方法和装置
[0001]本专利技术涉及雷达
，尤其涉及一种散射中心关联方法和装置。
技术介绍
[0002]随着宽角SAR(合成孔径雷达)、干涉SAR等新型雷达的不断涌现，雷达获取散射数据的能力显著增强，测量电磁波的视角和空间范围被大大拓宽。宽视角、全空间的目标电磁散射表现出更为复杂的特性，通过宽视角三维散射中心参数化建模不仅可以对其进行表达，还可以表征目标的精细结构信息，有利于新型雷达探测下的数据快速生成与目标识别。
[0003]针对目标局部结构的散射机理贡献，各个角度下形成的散射中心特征并不是独立的，通过关联不同角度的散射中心可以实现目标宽视角三维散射中心建模。在现有技术中，已提出的三维散射中心宽视角关联方法包括Hough变换、RANSAC(随机采样一致性算法)、最近邻聚类、OPTICS聚类方法，这些方法对简单组合体目标有一定的效果。但是，Hough变换、RANSAC方法很难解决滑动型和延展型散射中心的关联问题，最近邻聚类方法严重依赖初始距离参数且对噪声点十分敏感，OPTICS聚类方法很难分离相互靠近、甚至相交的宽视角三维散射中心分布。总的来说，由于目标局部结构散射具有较强的姿态敏感性，使得宽视角三维散射中心呈现出复杂的散射特性，现有的宽视角关联方法对复杂目标明显存在精度不高、鲁棒性差等问题，无法满足实际工程需要。
[0004]因此，针对以上不足，亟需一种新的散射中心关联方案，以解决复杂目标的三维散射中心宽视角关联问题，为散射数据压缩与重构、目标特征提取与识别等应用提供技术支撑。
技术实现思路
[0005]本专利技术要解决的技术问题在于，针对现有技术中的缺陷，提供一种散射中心关联方法和装置。
[0006]为了解决上述技术问题，一方面，本专利技术提供了一种散射中心关联方法。
[0007]本专利技术的散射中心关联方法包括：确定目标在多个视角下的散射中心的第一特征数据；将所述散射中心的第一特征数据映射至高维特征空间，以得到所述散射中心在所述高维特征空间的第二特征数据；基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类，以得到散射中心的聚类结果。
[0008]可选地，所述基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类，以得到散射中心的聚类结果包括：训练多个混合概率主成分分析器来逼近潜在的散射中心子流形，根据所述混合概率主成分分析器的主子空间估计每个散射中心的局部切空间；基于任意两个散射中心的局部切空间之间的结构相似度以及所述两个散射中心欧式距离关系的局部相似度计算相似度权值，以得到由所述相似度权值构成的相似度矩阵；基于所述相似度矩阵，利用谱方法确定多个视角下散射中心的多流形聚类结果。
[0009]可选地，根据如下公式计算相似度权值包括：
[0010][0011]其中，p
ij
为任意两个散射中心的局部切空间的结构相似度，q
ij
为所述任意两个散射中心欧式距离关系的局部相似度，d为散射中心子流形的维度，θ
l
为两个局部切空间之间的主角度，o为可调参数。
[0012]可选地，基于所述相似度矩阵，利用谱方法确定多个视角下散射中心的多流形聚类结果包括：以相似度矩阵作为约束，在k维欧氏空间中构建多个视角下散射中心的嵌入坐标表示；根据k
‑
means算法对所述多个视角下散射中心的嵌入坐标表示进行聚类，以得到多个视角下散射中心的多流形聚类结果。
[0013]可选地，所述确定目标在多个视角下的散射中心的第一特征数据包括：构建目标的几何模型，然后对所述几何模型进行网格剖分，以生成目标的面元模型；确定多个视角下所述目标的面元模型的三维ISAR图像，从所述三维ISAR图像中提取该视角下散射中心的第一特征数据，以得到目标在多个视角下的散射中心的第一特征数据。
[0014]可选地，所述确定多个视角下所述目标的面元模型的三维ISAR图像包括：利用弹跳射线技术确定多个视角下雷达电磁波经所述目标的面元模型散射得到的散射场数据；对于多个视角中每个视角下的散射场数据，利用射线积分成像方法生成所述目标的面元模型的三维ISAR图像。
[0015]可选地，所述从所述三维ISAR图像中提取该视角下散射中心的第一特征数据包括：采用迭代峰值搜索算法从所述三维ISAR图像中提取该视角下散射中心的第一特征数据。
[0016]可选地，所述将所述散射中心的第一特征数据映射至高维特征空间，以得到所述散射中心在所述高维特征空间的第二特征数据包括：对于所述多个视角中每个视角下的散射中心的第一特征数据，将其由三维位置空间(x,y,经波数域映射至六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ)，以得到所述散射中心在六维特征空间(x,y,z,sinθcosφ,sinθsinφ,cosθ)中的第二特征数据。
[0017]为了解决上述技术问题，另一方面，本专利技术还提供了一种散射中心关联装置。
[0018]本专利技术的散射中心关联装置包括：确定模块，用于确定目标在多个视角下的散射中心的第一特征数据；映射模块，用于将所述散射中心的第一特征数据映射至高维特征空间，以得到所述散射中心在所述高维特征空间的第二特征数据；聚类模块，用于基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类，以得到散射中心的聚类结果。
[0019]可选地，所述聚类模块基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类，以得到散射中心的聚类结果包括：所述聚类模块训练多个混合概率主成分分析器来逼近潜在的散射中心子流形，所述聚类模块根据所述混合概率主成分分析器的主子空间估计每个散射中心的局部切空间；所述聚类模块基于任意两个散射中心的局部切空间之间的结构相似度以及所述两个散射中心欧式距离关系的局部相似度计算相似度权值，以得到由所述相似度权值构成的相似度矩阵；所述聚类模块基于所述相似度矩阵，利用谱方法确定多个视角下散射中心的多流形聚类结果。
[0020]实施本专利技术的散射中心关联方法，具有以下有益效果：通过本专利技术的散射中心关联方法提高了复杂目标三维散射中心宽视角关联精度和鲁棒性，解决了以往复杂目标三维散射中心宽视角关联精度不高、鲁棒性差的问题，进一步，基于本专利技术的聚类结果可用于构建任意电大尺寸PEC目标的宽视角三维散射中心模型，精度较高、鲁棒性较好，能够应用于散射数据压缩与重构、目标特征提取与识别等领域。
附图说明
[0021]图1是本专利技术实施例一的散射中心关联方法的主要流程示意图；
[0022]图2是本专利技术实施例二的散射中心关联方法的主要流程示意图；
[0023]图3是本专利技术实施例三的散射中心关联装置的主要结构示意图。
具体实施方式
[0024]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种散射中心关联方法，其特征在于，所述方法包括：确定目标在多个视角下的散射中心的第一特征数据；将所述散射中心的第一特征数据映射至高维特征空间，以得到所述散射中心在所述高维特征空间的第二特征数据；基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类，以得到散射中心的聚类结果。2.根据权利要求1所述的方法，其特征在于，所述基于谱多流形聚类算法对多个视角下散射中心的第二特征数据进行聚类，以得到散射中心的聚类结果包括：训练多个混合概率主成分分析器来逼近潜在的散射中心子流形，根据所述混合概率主成分分析器的主子空间估计每个散射中心的局部切空间；基于任意两个散射中心的局部切空间之间的结构相似度以及所述两个散射中心欧式距离关系的局部相似度计算相似度权值，以得到由所述相似度权值构成的相似度矩阵；基于所述相似度矩阵，利用谱方法确定多个视角下散射中心的多流形聚类结果。3.根据权利要求2所述的方法，其特征在于，根据如下公式计算相似度权值包括：其中，p
ij
为任意两个散射中心的局部切空间的结构相似度，q
ij
为所述任意两个散射中心欧式距离关系的局部相似度，d为散射中心子流形的维度，θ
l
为两个局部切空间之间的主角度，o为可调参数。4.根据权利要求2所述的方法，其特征在于，基于所述相似度矩阵，利用谱方法确定多个视角下散射中心的多流形聚类结果包括：以相似度矩阵作为约束，在k维欧氏空间中构建多个视角下散射中心的嵌入坐标表示；根据k
‑
means算法对所述多个视角下散射中心的嵌入坐标表示进行聚类，以得到多个视角下散射中心的多流形聚类结果。5.根据权利要求1所述的方法，其特征在于，所述确定目标在多个视角下的散射中心的第一特征数据包括：构建目标的几何模型，然后对所述几何模型进行网格剖分，以生成目标的面元模型；确定多个视角下所述目标的面元模型的三维ISAR图像，从所述三维ISAR图像中提取该视角下散射中心的第一特征数据，以得到目标在多个视角下的散射中心的第一特征数据。6.根据权利要...
【专利技术属性】
技术研发人员：陆金文，闫华，张磊，李胜，殷红成，
申请(专利权)人：北京环境特性研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。