本发明公开了一种基于计算机视觉的短波信号检测识别方法，根据短波信号的时频矩阵特征与机器学习的分类器构建过程，发明一种基于计算机视觉的短波信号检测与判别方法，相比于传统的基于人工方式的信号检测判别方式与其他已有的信号检测判别方法，本方法可实现计算机对短波信号的自动化检测与识别，同时较其他的信号检测判别方法，对信号所处的噪声环境要求更低，适用于噪声低至0dB的信道环境。通过在不同信道条件下进行了大量实际数据测试，短波信号的检测判别正确率均在90％以上。
1.一种基于计算机视觉的短波信号检测识别方法，其特征在于：该方法为一种基于计算机视觉的短波信号定位检测与时频特征提取，并基于机器学习的SVM分类器，对信号的时频特征进行匹配，最终实现短波信号的自动化检测与识别；
1)对待检测的信号时频数据矩阵，按照频率方向每300kHz分块，得到时频数据子矩阵；
2)对各时频数据子矩阵，进行如下信号定位检测，具体操作如下：
2.1)对时频数据子矩阵在频率轴上投影得到一维行和矢量V，V代表频率方向上信号能量的累加；
2.2)对V中各元素的分布直方图进行分析；所述2.2)中采用了基于直方图的阈值门限计算方法，计算公式为T＝(V_med-V_min)+V_min，其中V_med表示V元素的众数，V_min表示V中元素的最小值；
2.3)结合上一步中的定位阈值T作为门限，以及2.1)步中的投影曲线，参照投影曲线中高于门限的频率区间，对时频矩阵中对应的频率区间进行截取，得到当前处理的时频数据子矩阵中存在的短波信号的时频信号子矩阵的集合；
3)将前两步得到的各个时频数据子矩阵对应的时频信号子矩阵集合合并，得到作为输入的待检测信号时频数据矩阵中的包含的全部短波信号的时频信号矩阵集合；
4)对各个短波信号的时频信号矩阵构成的集合，逐一进行信号特征提取；
对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y；对Y进行加窗遍历处理；
分别计算临近点对应的数值之差，并将其代入下面的公式中；
将Y中各个点的值替换为对应的Dt，最终得到峰度曲线Y’；
随后进行分组排序：以峰度曲线中的零值作为划分依据，将峰度曲线划分为多个尖峰组，统计各组对应的峰度曲线区域最大值，得到尖峰组最大值序列进行从大到小的排序；
随后设定阈值将分组排序中得到的从大到小排序的尖峰组最大值序列分成两类，阈值为最大尖峰组对应的峰度曲线的最大值除以常量CHill，CHill＝10^3，取组序较小部分作为局部尖峰组最大值序列，并对该部分尖峰组最大值序列；
对尖峰组最大值序列的两相邻数值依次求比值，统计得到最大比值对应的两个最大值位置，将两最大值作为划分界限，将尖峰组最大值序列划分为两部分，取序列次序较小的部分作为有效尖峰组最大值序列，统计该部分序列包含的最大值个数，作为有效尖峰个数，并作为峰度特征的结果进行输出；
对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y；求值域区间|V(i)|∈[a,b]，设区间大小为k，k＝b-a，对k划分，统计每个区间中的散点数量，计算出各个区间中包含的散点数占总散点数的比例；将各个区间的散点比例百分比数组作为空间分布特征输出；
对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y；求值域区间[a,b]，设定门限C，曲线中高于C的部分为有效区域；其中，C＝0.2*(b-a)+a；以曲线最高点为起始点，向两侧找曲线第一次衰落到C以下时的位置作为结束点，分别求起始点与两侧结束点的距离d_right和d_left；求d_right和d_left之比，当对称时，该结果接近1；
对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y，提取数组Y中最大值位置对应的频率行Y(N)，计算Y(N)行的方差，作为方差特征输出；
对于各个短波信号时频数据矩阵，计算平均矩形度Pr；计算方法为Pr＝As/Ar，As是图像中连通域S的面积，Ar是包围该连通域的最小外接矩形面积；
对单个短波信号时频数据矩阵对应的4.1)至4.5)特征进行整合，得到该短波信号时频数据矩阵的特征矩阵；
5)将步骤4)得到的各个短波信号矩阵输入到预先训练好的SVM分类器中，得到分类器输出，按照分类器输出结果，对短波信号类型进行标记。
2.根据权利要求1所述的一种基于计算机视觉的短波信号检测识别方法，其特征在于，所述5)中，使用了已训练的SVM分类器，基于机器视觉所提取的峰度特征、空间分布特征、对称性特征、方差特征、矩形形态特征，对短波信号类型进行识别。
一种基于计算机视觉的短波信号检测识别方法
技术领域
[0001] 本发明涉及计算机视觉技术领域和机器学习领域，尤其是涉及一种对基于计算机视觉提取的短波信号特征经由SVM(Support Vector Machine)分类进而实现短波信号定位与常见类型识别的检测方法。
背景技术
[0002] 短波信号是无线电通信中最为常见的信号集合之一。按照国际无线电咨询委员会(CCIR)的划分，短波定义为波长在100m～10m，频率为3MHz～30MHz的电磁波，利用短波进行的无线电通信成为短波通信，又称高频(HF)通信。在通常使用中，为了充分利用短波近距离通信的优点，短波通信实际使用的频率范围为1.5MHz～30MHz。
[0003] 本发明涉及的技术是基于计算机视觉的短波信号的检测识别。其中，计算机视觉的引入尤为重要。
[0004] 计算机视觉是指用计算机代替人眼对目标进行识别、跟踪、测量，从而实现类似于人眼视觉功能的一门计算机技术。其主要包含了图像处理和模式识别两个方面的内容：图像处理过程即目标的定位过程，主要实现对输入计算机的视觉信息进行目标位置分析，常用的方法包括图像去噪、降维等；模式识别过程是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。常见的模式识别过程是基于机器学习的分类器实现的。其主要包括了数据训练集构建、训练数据的特征提取、分类器的特征训练等步骤，最终通过测试分类器对于已知和未知数据的分类器性能，评价分类器的性能优劣。
[0005] 目前，短波信号检测还主要以人工侦察方式为主，即通过业务员人工对短波接收机收到的信号进行侦听。当侦听到某一可疑或者不确定信号时，还需要通过仪器对信号波形进行可视化分析，并根据所获取的信号参数研制相应的接收控守设备。该过程对业务员的短波信号侦听经验要求很高，人工培训成本很大。
[0006] 本发明针对于传统的人工短波信号检测方法的人工成本高、耗时高等不足，提出了一种基于计算机视觉的短波信号检测识别方法，通过计算机对短波信号中常见类别信号进行自动化的定位和分析，实现了短波信号的计算机自主类型识别，有效提高了信号检测的时效性。
发明内容
[0007] 本发明所要解决的技术问题是针对在含噪通信信道中的短波信号人工检测识别耗时高、复杂度高的问题，提供一种由信号的计算机视觉特征建模并通过SVM分类器判定的短波信号自动化检测与识别的方法，在保证短波信号检测识别准确性的情况下有效地提高该过程的时效性。
[0008] 本发明解决上述技术问题所采用的技术方案为：一种基于计算机视觉的短波信号定位检测与时频特征提取，并基于机器学习的SVM分类器，对信号的时频特征进行匹配，最终实现短波信号的自动化检测与识别。本发明的技术方案流程如图1所示。
[0009] 本发明的方法包含如下步骤：
[0010] 1)对待检测的信号时频数据矩阵，按照频率方向每300kHz分块，得到时频时频数据子矩阵。
[0011] 2)对各时频数据子矩阵，进行如下信号定位检测，具体操作如下：
[0012] 2.1)对时频数据子矩阵在频率轴上投影得到一维行和矢量V，V代表频率方向上信号能量的累加，如图2所示，其中图2(a)为时频数据子矩阵图，图2(b)为基于一维行和矢量V绘制的投影曲线。
[0013] 2.2)对V中各元素的分布直方图进行分析。定位阈值T＝(V_med-V_min)+V_med，其中V_med表示V元素的众数，V_min表示V中元素的最小值。
[0014] 2.3)结合上一步中的定位阈值T作为门限，以及2.1)步中的投影曲线，参照投影曲线中高于门限的频率区间，对时频矩阵中对应的频率区间进行截取，得到当前处理的时频数据子矩阵中存在的短波信号的时频信号子矩阵的集合。
[0015] 3)将前两步得到的各个时频数据子矩阵对应的时频信号子矩阵集合合并，得到作为输入的待检测信号时频数据矩阵中的包含的全部短波信号的时频信号矩阵集合。
[0016] 4)对各个短波信号的时频信号矩阵构成的集合，逐一进行信号特征提取。
[0017] 4.1)峰度特征
[0018] 对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y。对Y进行加窗遍历处理，如图3所示。分别计算临近点对应的数值之差，并将其代入下面的公式中。
[0019]
[0020] 将Y中各个点的值替换为对应的Dt，最终得到峰度曲线Y’。
[0021] 随后进行分组排序：以峰度曲线中的零值作为划分依据，将峰度曲线划分为多个尖峰组，统计各组对应的峰度曲线区域最大值，得到尖峰组最大值序列进行从大到小的排序。
[0022] 随后设定阈值将分组排序中得到的从大到小排序的尖峰组最大值序列分成两类，阈值为最大尖峰组对应的峰度曲线的最大值除以常量C(经验值C＝10^3)，取组序较小部分作为局部尖峰组最大值序列，并对该部分尖峰组最大值序列。
[0023] 对尖峰组最大值序列的两相邻数值依次求比值，统计得到最大比值对应的两个最大值位置，将两最大值作为划分界限，将尖峰组最大值序列划分为两部分，取序列次序较小的部分作为有效尖峰组最大值序列，统计该部分序列包含的最大值个数，作为有效尖峰个数，并作为峰度特征的结果进行输出；
[0024] 4.2)空间分布特征
[0025] 对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y。求值域区间|V(i)|∈[a,b]，设区间大小为k(k＝b-a)，对k划分(通过研究k值与分辨率的关系，得到对应关系数组)，统计每个区间中的散点数量，计算出各个区间中包含的散点数占总散点数的比例。将各个区间的散点比例百分比数组作为空间分布特征输出。
[0026] 4.3)对称性特征
[0027] 对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y。求值域区间[a,b]，设定门限C，曲线中高于C的部分为有效区域。其中，C＝0.2*(b-a)+a。以曲线最高点为起始点，向两侧找曲线第一次衰落到C以下时的位置作为结束点，分别求起始点与两侧结束点的距离d_right和d_left。求d_right和d_left之比，当对称时，该结果接近1。
[0028] 4.4)方差特征
[0029] 对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y，提取数组Y中最大值位置对应的频率行Y(N)，计算Y(N)行的方差，作为方差特征输出。
[0030] 4.5)矩形形态特征
[0031] 对于各个短波信号时频数据矩阵，计算平均矩形度Pr。计算方法为Pr＝As/Ar(As是图像中连通域S的面积，Ar是包围该连通域的最小外接矩形面积)。
[0032] 对单个短波信号时频数据矩阵对应的4.1)至4.5)特征进行整合，得到该短波信号时频数据矩阵的特征矩阵。
[0033] 5)将4)得到的各个短波信号矩阵输入到预先训练好的SVM分类器中，得到分类器输出，按照分类器输出结果，对短波信号类型进行标记。
[0034] 所述5)中，使用了已训练的SVM分类器，基于机器视觉所提取的峰度特征、空间分布特征、对称性特征、方差特征、矩形形态特征，对短波信号类型进行识别[0035] 与现有技术相比，本发明的优点在于：传统的短波信号检测识别方法主要依赖手工方式检测，人工成本高，且用时长。同时，已存在的一些涉及计算机技术的短波信号检测识别方法应用场景较为苛刻，对于噪声的敏感度很高，且识别类型较为单一。本发明充分利用短波信号时频矩阵的信息，结合计算机视觉技术，对短波信号时频矩阵进行多种特征的提取，并选择高效的机器学习SVM分类器进行训练和识别。整个过程相比于传统的短波信号检测方法，在保证准确率的同时，有效降低了检测的人工成本和用时，提高了短波信号检测识别的时效性。
[0036] 实验结果表明，噪声水平下限为0dB的含噪信道下，短波信号的平均检测和识别正确率可达90％以上。
附图说明
[0037] 图1是本发明方法的流程图；
[0038] 图2是时频数据子矩阵在频率轴上投影示意图，其中图2(a)为时频数据子矩阵图，图2(b)为基于一维行和矢量V绘制的投影曲线。
[0039] 图3是峰度特征的加窗过程示意图。
具体实施方式
[0040] 以下结合附图对本发明作进一步详细阐述。
[0041] 本发明针对含噪信道中的短波信号检测与识别设计了一种基于机器视觉的短波信号自动检测识别方法。在实际的使用中，计算机将通过本方法来对输入的含噪短波信号进行检测识别。本发明的方法步骤如下：
[0042] 第一步：对待检测的信号时频数据矩阵，按照频率方向每300kHz分块，得到时频时频数据子矩阵。
[0043] 第二步：对各时频数据子矩阵，进行如下信号定位检测，具体操作如下：
[0044] 1)对时频数据子矩阵在频率轴上投影得到一维行和矢量V，V代表频率方向上信号能量的累加，如图2所示，其中图2(a)为时频数据子矩阵图，图2(b)为基于一维行和矢量V绘制的投影曲线。
[0045] 2)对V中各元素的分布直方图进行分析。定位阈值T＝(V_med-V_min)+V_med，其中V_med表示V元素的众数，V_min表示V中元素的最小值。
[0046] 3)结合上一步中的定位阈值T作为门限，以及2.1)步中的投影曲线，参照投影曲线中高于门限的频率区间，对时频矩阵中对应的频率区间进行截取，得到当前处理的时频数据子矩阵中存在的短波信号的时频信号子矩阵的集合。
[0047] 第三步：将前两步得到的各个时频数据子矩阵对应的时频信号子矩阵集合合并，得到作为输入的待检测信号时频数据矩阵中的包含的全部短波信号的时频信号矩阵集合。
[0048] 第四步：对各个短波信号的时频信号矩阵构成的集合，逐一进行信号特征提取。
[0049] 1)峰度特征
[0050] 对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y。对Y进行加窗遍历处理，如图3所示。分别计算临近点对应的数值之差，并将其代入下面的公式中。
[0051]
[0052] 将Y中各个点的值替换为对应的Du，最终得到峰度曲线Y’。将Y中各个点的值替换为对应的Du，最终得到峰度曲线Y’。
[0053] 随后进行分组排序：以峰度曲线中的零值作为划分依据，将峰度曲线划分为多个尖峰组，统计各组对应的峰度曲线区域最大值，得到尖峰组最大值序列进行从大到小的排序。
[0054] 随后设定阈值将分组排序中得到的从大到小排序的尖峰组最大值序列分成两类，阈值为最大尖峰组对应的峰度曲线的最大值除以常量C(经验值C＝10^3)，取组序较小部分作为局部尖峰组最大值序列，并对该部分尖峰组最大值序列。
[0055] 对尖峰组最大值序列的两相邻数值依次求比值，统计得到最大比值对应的两个最大值位置，将两最大值作为划分界限，将尖峰组最大值序列划分为两部分，取序列次序较小的部分作为有效尖峰组最大值序列，统计该部分序列包含的最大值个数，作为有效尖峰个数，并作为峰度特征的结果进行输出；
[0056] 2)空间分布特征
[0057] 对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y。求值域区间|V(i)|∈[a,b]，设区间大小为k(k＝b-a)，对k划分(通过研究k值与分辨率的关系，得到对应关系数组)，统计每个区间中的散点数量，计算出各个区间中包含的散点数占总散点数的比例。将各个区间的散点比例百分比数组作为空间分布特征输出。
[0058] 3)对称性特征
[0059] 对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y。求值域区间[a,b]，设定门限C，曲线中高于C的部分为有效区域。其中，C＝0.2*(b-a)+a。以曲线最高点为起始点，向两侧找曲线第一次衰落到C以下时的位置作为结束点，分别求起始点与两侧结束点的距离d_right和d_left。求d_right和d_left之比，当对称时，该结果接近1。
[0060] 4)方差特征
[0061] 对短波信号的时频信号矩阵在频率轴上投影得到一维数组Y，提取数组Y中最大值位置对应的频率行Y(N)，计算Y(N)行的方差，作为方差特征输出。
[0062] 5)矩形形态特征
[0063] 对于各个短波信号时频数据矩阵，计算平均矩形度Pr。计算方法为Pr＝As/Ar(As是图像中连通域S的面积，Ar是包围该连通域的最小外接矩形面积)。
[0064] 对单个短波信号时频数据矩阵对应的4.1)至4.5)特征进行整合，得到该短波信号时频数据矩阵的特征矩阵。
[0065] 第五步：将第四步得到的各个短波信号矩阵输入到预先训练好的SVM分类器中，得到分类器输出，按照分类器输出结果，对短波信号类型进行标记。
[0066] 为了检验本发明所提出的方法的性能，将本发明的方法对大量采集的时频数据进行了测试。测试平台为visual studio 2010，系统配置为windows 10(16G内存，CPU为i5)。测试过程为：将实际采样得到的短波信号数据.dat文件输入到基于本发明方法的C语言程序中，按照检测识别输出的短波信号类型，构建该输入数据的短波信号类型的短波信号集合，通过人工复查，统计短波信号分类的正确率。经过对本发明方法进行大量的时频数据测试，验证本发明算法的实际性能。测试结果表明，本发明算法在含噪信道内的信号检测抗噪声能力强，能够在噪声水平下限为0dB的含噪信道下对短波信号进行有效的定位检测。同时，本发明方法的实际实施过程基于计算机自动进行，避免了因检测人员的人为不稳定因素导致的检测识别准确率波动，本方法的短波信号的平均检测识别正确率可达90％以上。
具有稳定的检测识别率，时效性好。
[0067] 表1基于本发明方法进行一次基于实际信道的测试，得到的按照短波信号类型分类的短波信号集合。其中，信号个数对应的数字为本方法分类得到的信号数，括号中为人工复查后确定的符合该短波信号类型的正确信号数目。通过统计，表1所述集合共包含信号1106个，其中正确的分类信号1031个，正确率为93.21％。
[0068] 表1基于短波信号类型的短波信号集合
[0069]
[0070] 表2对比了本发明方法与传统人工短波检测识别方法、现有的时域短波信号检测识别方法在平均准确率、准确率稳定性、处理时间的差异。由于本发明方法基于计算机视觉对短波信号时频特征进行了有效提取，有效去除了冗余的特征信息，因此在准确率方面较传统人工检测方法与现有的时域检测识别方法有较大提升。由于采用了计算机自动处理，因此准确率稳定性不受时间与人员疲劳的影响，较传统的人工检测识别方法更为稳定。在处理时间方面，由于是对已提炼的短波信号的特征进行检测识别，因此处理的数据量较人工检测方法与时域分析方法更少，同时引入了机器学习的SVM分类器进行分类器识别，处理时间更短。
[0071] 表2对比本发明方法与其他的短波检测识别方法
[0072]方法类型 传统的人工短波检测识别 时域短波检测识别 基于计算机视觉的短波检测识别平均准确率 60％ 70％ 93.21％
准确率稳定性 ±20％ ±5％ ±5％
处理时间 ＞1s ＜500ms ＜200ms
