基于直方图分析和自适应遗传的雷达道路目标识别特征优选方法.pdf
《基于直方图分析和自适应遗传的雷达道路目标识别特征优选方法.pdf》由会员分享,可在线阅读,更多相关《基于直方图分析和自适应遗传的雷达道路目标识别特征优选方法.pdf(17页珍藏版)》请在咨信网上搜索。
1、基于直方图分析和自适应遗传的雷达道路目标识别特征优选方法瓦其日体李刚赵志纯*则正华(清华大学电子工程系北京100084)(深圳北理莫斯科大学深圳518172)(广东省智能感知与计算普通高校重点实验室深圳518172)摘要:在雷达道路目标识别领域,目标类别多变且特性相近时增加目标特征维数是一种提高识别性能常用的手段。然而特征维数的增多会导致特征冗余和维数灾难,因此需对提取的高维特征集进行优选,基于随机搜索的自适应遗传算法(AGA)是一种有效的特征优选方法。为提升AGA算法的特征优选效率和精度,现有方法通常通过引入特征与目标种类的先验相关度对高维特征集进行预降维,然而此类算法仅考虑了单个特征与目标
2、的相关性,忽略了特征组合与目标类别的匹配度,使得优选出的特征集不一定是目标的最佳识别组合。针对该问题,该文通过引入直方图分析对不同特征组合与目标类别的匹配度加以研究,提出了一种新的改进自适应遗传(HA-AGA)特征优选方法,在提升特征优选效率和精度的同时提升目标的识别性能。基于毫米波雷达实测数据集的对比实验表明,所提出的HA-AGA方法的目标识别平均精确率可达到95.7%,分别比IG-GA,ReliefF-IAGA和改进RetinaNet方法提升了1.9%,2.4%和10.1%。基于公共数据集CARRADA的对比实验表明,所提出的HA-AGA方法的目标识别平均精确率达到93.0%,分别比IG-
3、GA和ReliefF-IAGA方法提升了1.2%和1.5%,验证了所提方法的有效性和优越性。此外,还进行了不同特征优选方法分别结合集成装袋树、精细树和K-最邻近(KNN)分类器的性能对比,实验结果表明所提方法结合不同分类器均具有明显优势,具有一定的广泛适用性。关键词:自适应遗传算法;特征优选;直方图分析;目标识别;毫米波雷达中图分类号:TN959.1文献标识码:A文章编号:2095-283X(2023)05-1014-17DOI:10.12000/JR22245引用格式:瓦其日体,李刚,赵志纯,等.基于直方图分析和自适应遗传的雷达道路目标识别特征优选方法J.雷达学报,2023,12(5):10
4、141030.doi:10.12000/JR22245.Reference format:WAQIRiti,LIGang,ZHAOZhichun,et al.Featureselectionmethodofradar-basedroadtargetrecognitionviahistogramanalysisandadaptivegeneticsJ.Journal of Radars,2023,12(5):10141030.doi:10.12000/JR22245.Feature Selection Method of Radar-based Road Target Recognitionvi
5、a Histogram Analysis and Adaptive GeneticsWAQIRitiLIGangZHAOZhichun*ZEZhenghua(Department of Electronic Engineering,Tsinghua University,Beijing 100084,China)(Shenzhen MSU-BIT University,Shenzhen 518172,China)(Guangdong Laboratory of Machine Perception and Intelligent Computing,Shenzhen 518172,China)
6、Abstract:Inradar-basedroadtargetrecognition,theincreaseintargetfeaturedimensionisacommontechniquetoimproverecognitionperformancewhentargetsbecomediverse,buttheircharacteristicsaresimilar.收稿日期:2022-12-31;改回日期:2023-02-22;网络出版:2023-03-13*通信作者:赵志纯*CorrespondingAuthor:ZHAOZhichun,基金项目:国家自然科学基金(62101304,6
7、1925106),华为技术有限公司委托研发项目FoundationItems:TheNationalNaturalScienceFoundationofChina(62101304,61925106),ResearchanddevelopmentprojectcommissionedbyHuaweiTechnologiesCo.LTD责任主编:唐世阳CorrespondingEditor:TANGShiyangTheAuthor(s)2023.ThisisanopenaccessarticleundertheCC-BY4.0License(https:/creativecommons.org/
8、licenses/by/4.0/)第12卷第5期雷达学报Vol.12No.52023年10月JournalofRadarsOct.2023However,theincreaseinfeaturedimensionleadstofeatureredundancyanddimensiondisasters.Therefore,itisnecessarytooptimizetheextractedhigh-dimensionalfeatureset.TheAdaptiveGeneticAlgorithm(AGA)basedonrandomsearchisaneffectivefeatureoptim
9、izationmethod.ToimprovetheefficiencyandaccuracyoftheAGA,theexistingimprovedAGAmethodsgenerallyutilizethepriorcorrelationbetweenfeaturesandtargetsforpre-dimensionalityreductionofhigh-dimensionalfeaturesets.However,suchalgorithmsonlyconsiderthecorrelationbetweenasinglefeatureandatarget,neglectingtheco
10、rrelationbetweenfeaturecombinationsandtargets.Theselectedfeaturesetmaynotbethebestrecognitioncombinationforthetarget.Thus,toaddressthisissue,thisstudyproposesanimprovedAGAviapre-dimensionalityreductionbasedonHistogramAnalysis(HA)ofthecorrelationbetweendifferentfeaturecombinationsandtargets.Thepropos
11、edmethodcansimultaneouslyimprovetheefficiencyandaccuracyoffeatureselectionandtargetrecognitionperformance.Comparativeexperimentsbasedonarealdatasetofthemillimeter-waveradarshowedthattheaverageaccuracyoftargetrecognitionoftheproposedHA-AGAmethodcouldreach95.7%,whichis1.9%,2.4%,and10.1%higherthanthato
12、fIG-GA,ReliefF-IAGA,andimprovedRetinaNetmethods,respectively.ComparativeexperimentsbasedontheCARRADAdatasetshowedthattheaverageaccuracyoftargetrecognitionoftheproposedHA-AGAmethodcouldreach93.0%,whichis1.2%and1.5%higherthanthatofIG-GAandReliefF-IAGAmethods,respectively.Theseresultsverifytheeffective
13、nessandsuperiorityoftheproposedmethodcomparedwithexistingmethods.Inaddition,theperformanceofdifferentfeatureoptimizationmethodscoupledwiththeintegratedbaggingtree,finetree,andK-NearestNeighbor(KNN)classifierwascompared.Theexperimentalresultsshowedthattheproposedmethodexhibitsevidentadvantageswhencou
14、pledwithdifferentclassifiersandhasbroadapplicability.Key words:AdaptiveGeneticAlgorithm(AGA);Featureselection;HistogramAnalysis(HA);Targetrecognition;Millimeter-waveradar 1 引言近年来,毫米波雷达因其能够穿透雨、雾、烟、灰尘,不受光照条件影响而全天时、全天候工作1,同时还具有体积小、重量轻、空间分辨能力高2等优点而受到道路运动目标识别领域的广泛关注。道路目标的运动特性使同一目标的不同散射点的距离和速度信息更容易被毫米波雷达观
15、测到,因此距离多普勒(Range-Doppler,RD)谱被广泛应用于雷达道路目标识别领域3。在得到目标的RD谱之后,提取和目标相关的微动和微距特征对目标进行有效识别。雷达目标识别领域特征提取时可依据自动和手动分为两类,自动特征提取一般是将RD谱、合成孔径雷达(SyntheticApertureRadar,SAR)图像等直接输入到神经网络中从而获得大量的特征,比如文献3提出了一种融合卷积神经网络和长短时记忆网络的方法对RD谱进行特征提取从而完成对人体跌倒的检测。文献4,5利用深度学习方法对海上舰船的SAR图像进行检测识别,实验表明RetinaNet及其改进的网络是近年来雷达目标识别领域深度学习
16、方法中性能较好的网络之一。文献6则将RD谱和改进的RetinaNet网络相结合,对自行车、汽车、行人和货车等道路目标进行分类识别,实验表明相比于VGG16+FPN+BN+dataen-hancement,ResNet50+FPN+BN+dataenhance-ment,ResNet101+FPN+BN+dataenhance-ment等5种网络,改进RetinaNet的识别性能最优。虽然深度学习网络能够自动提取特征,但它们对抽象特征和大数据集的过度依赖,完全舍弃了传统成熟的手动特征,给特定目标的针对性学习以及识别准确性的进一步提升带来限制7。而手动特征提取通过充分利用目标的先验信息,对目标的R
17、D谱分布进行统计分析提取具有针对性的特征,从而达到对特定目标分类的效果。比如文献8通过对RD谱提取散射点个数、目标散射点占距离单元个数、目标散射点占速度单元个数等特征完成对行人和汽车的有效识别。文献9通过对RD谱提取径向速度、距离维峰值信号方差和速度维峰值信号方差等特征完成对行人、横向汽车以及纵向汽车的分类。上述方法利用较少数量的特征完成了对目标的有效识别,但是在目标种类多变且目标特性相近时,上述方法的性能受限。针对上述问题,通过增大特征数量来提高识别性能是一个常用的有效方法。然而特征维数的增多,不但会造成维数灾难10,有时甚至会因为特征向量包含有和目标无关的信息导致识别性能降低11。因此,从
18、所提取的高维特征集中进一步优选得到使识别性能更高的特征组合,就显得尤为重要。目标识别领域的特征选择方法一般可分为过滤法和包装法12两类,其中过滤法是根据信息论13、主成分分析(PrincipalComponentAnalysis,PCA)14等特定的统计标准对特征进行排序15,之后选取前N维特征作为新的特征集从而达到特征优第5期瓦其日体等:基于直方图分析和自适应遗传的雷达道路目标识别特征优选方法1015选的目的。文献16针对人体目标识别中人体微多普勒特征的优选问题,提出用互信息计算特征的贡献值作为特征的物理相关性和估计质量的函数,从而对特征重要度进行排序,实现了特征优选和对人体运动状态的有效识
19、别。文献17针对5类飞机目标的分类识别问题,通过利用PCA对波形熵、中心矩和信号幅度方差等特征进行降维,该方法虽然特征选择时效较高,但是特征评估函数与学习器相互独立,导致目标总体识别率不高。过滤法具有计算量小、特征选择时效较高的优点18,但是由于此类方法的特征选择操作和后续的分类模型是相互独立的19,往往使得分类性能受限。包装法则依赖于机器学习,利用筛选后的特征子集训练分类器,根据验证样本在分类器中的学习性能来评价特征子集的优劣12。遗传算法(GeneticAlgorithm,GA)是最常用的包装式特征选择算法之一,文献20针对极化合成孔径雷达(SAR)图像分类提出了一种基于GA特征选择的分层
20、分类算法,得到了更好的识别效果。文献21首次将GA应用于SAR图像的特征选择中,用GA和贝叶斯鉴别器得到最优特征组合。文献22提出了一种基于GA的SAR图像监测系统,用于洪涝灾害的检测。但是当特征维数增多时,特征组合数呈指数型增长,导致GA随机搜索时无法快速收敛获得最优解23,这一缺陷限制了GA在高维特征集中特征选择领域的应用。针对这一问题,文献24,25提出了一种PCA和GA相结合(PCA-GA)的特征选择算法,先利用PCA算法对原始特征集进行降维,将降维后的特征输入到GA加快特征选择算法的收敛速度。然而该算法在特征集预降维阶段仅考虑了特征间的相关性,未对特征组合与目标类别的匹配度进行考虑,
21、从而使得识别性能受限。文献26,27提出了一种基于ReliefF的改进自适应遗传(ReliefF-IAGA)特征选择算法,该算法首先使用ReliefF算法获得特征重要性得分,并消除不相关的特征,接着利用自适应遗传算法(AdaptiveGeneticAlgorithm,AGA)得到优选特征子集。文献28提出了基于信息增益(InformationGain,IG)和GA(IG-GA)的特征选择方法,首先利用IG得到每个特征的信息增益值作为预降维依据,设定阈值对待选特征集进行预降维后利用GA得到最终的特征子集。然而上述方法在预降维阶段仅考虑了单个特征与目标类别的相关性或者信息增益,忽略了特征组合与目标
22、类别的相关性,导致优选后的特征组合对目标类别的区分度有限。针对该问题,本文通过在自适应遗传算法框架中引入直方图分析29考虑不同特征组合与目标类别的相关性,提出了一种基于直方图分析和自适应遗传(AdaptiveGeneticAlgorithmviaHistogramAnalysis,HA-AGA)的雷达道路目标识别特征优选方法。该算法首先通过AGA迭代搜索得到由各代平均F测度最高的特征组合构成的特征组合库,接着引入直方图分析统计该特征组合库中各特征的分布频次。频次较高的特征构成的特征组合与目标类别匹配度更高,因此选取频次最高的K维特征输入到AGA优选出使目标识别精度更高的特征组合。基于毫米波雷达
23、实测数据集和公共数据集CARRADA30上的实验表明,与PCA-GA24,25,ReliefF-IAGA26,27,IG-GA283种方法相比,本文提出的方法选出的特征组合与目标类别相关度更高,能够得到更高的识别准确率。2 自适应遗传算法自适应遗传算法26是对传统遗传算法31的遗传操作步骤进行改进得到的具有随机搜索特性的优化方法,具体算法流程如下:W1=x11x12.x1Mxij步骤1参数初始化。将待优选特征集中的各特征组合以“基因”的形式编码成染色体x。编码规则可根据实际情况选择二进制编码、浮点数编码以及符号编码等方式。随机生成M条染色体组成初始种群,染色体表示第i代的第j个特征组合。i 1
24、Wi=xi1xi2.xiMWi步骤2搜索迭代。假设迭代次后得到第i代种群,为判断第i代种群里各特征组合的优劣,并给接下来的自适应遗传操作提供依据,由式(1)计算每个特征组合的适应度:fitnessij=F(xij)(1)FfitnessijWiFITi=fitnessi1fitnessi2.fitnessiMWiWi=xi1xi2.xiMFITiWi=yi1yi2.yiMyij其中,操作 是将该特征组合输入到机器学习分类器后得到相应的适应度,对中的每一个特征组合都计算适应度后得到第i代种群的适应度向量。接着对进行双重轮盘赌选择,将中所有染色体根据适应度向量从大到小进行排序得到,染色体被选择的概
25、率为Pij=fitnessyij/Mj=1fitnessyij(2)Wi=yi1yi2.yiMWi得到中所有染色体被选择的概率后,将0,1根据中每条染色体被选择的概率分成M段,接着随机生成M个0,1之间的数,染色体被选择的概率越大,对应的区间长度越长,随1016雷达学报第12卷zi1Wi?Wi?=MWi=zi1zi2.ziMWizijWizim(m=j)zimzijPcvijWi=vi1vi2.viMWivijPmWi+1PcPm机产生的数字落入该区间的概率越大,统计落在各个片段的数量,并选择数量最多的片段对应的染色体存入种群,则适应度越大的染色体被选中的概率越大。重复选择直到,选择完成后得到
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 直方图 分析 自适应 遗传 雷达 道路 目标 识别 特征 优选 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。