CN102914768B

CN102914768B - 基于形态成分分析的海面微动目标检测和特征提取方法

Info

Publication number: CN102914768B
Application number: CN201210358897.6A
Authority: CN
Inventors: 陈小龙; 关键; 柴勇; 王国庆; 宋杰; 黄勇; 蔡复青; 何友
Original assignee: Naval Aeronautical Engineering Institute of PLA
Current assignee: Naval Aeronautical University
Priority date: 2012-09-25
Filing date: 2012-09-25
Publication date: 2014-09-17
Anticipated expiration: 2032-09-25
Also published as: CN102914768A

Abstract

本发明涉及一种基于形态成分分析的海面微动目标检测和特征提取方法，属于雷达信号处理和检测技术领域。本发明的方法包括以下步骤：1)海杂波稀疏表示；2)海杂波稀疏域抑制；3)微动目标回波信号稀疏表示；4)微动目标信号稀疏域检测；5)微动特征参数估计。与传统的海面目标检测方法相比，本发明充分利用海杂波和微动目标回波信号组成成分的形态差异性，对不同的源信号采用不同的字典进行稀疏表示，具有区分海杂波与微动目标的能力，并且在抑制海杂波的同时积累更多的信号能量，改善信杂比，具有在强海杂波中检测微动目标和估计微动特征参数的能力，为海面弱目标检测和特征提取提供了新的途径，具有推广应用价值。

Description

基于形态成分分析的海面微动目标检测和特征提取方法

一、技术领域

本发明属于雷达信号处理和检测技术领域，特别涉及对海探测雷达的动目标检测技术。

二、背景技术

海杂波中微弱目标尤其是“低(低掠射角)、慢(静止或慢速运动)、小(目标尺寸小)”目标的检测技术始终是雷达信号处理领域的难题，不仅具有理论重要性，而且在军用和民用上均占有非常重要的地位，如海面目标的检测在船舶的安全航行、浮冰规避和海洋环境的监测等。海杂波中微弱目标的共同点是，由于雷达分辨低、距离远、背景强等因素，无论是在时域还是在频域，目标分辨单元中的信杂(噪)比都很低，海杂波会淹没微弱目标信号，能量积累效果差，这些都严重降低了检测性能。经典的基于统计理论和混沌、分形的强海杂波背景下的目标检测，由于受到模型匹配、信杂比、算法复杂度和通用性的制约，难以满足雷达高检测概率，高稳定性和可靠性的要求。

目标相对于雷达存在径向运动，则雷达回波载频将会发生频移，这就是常见的多普勒现象，产生的频移量就是多普勒频率。若目标相对于雷达存在径向运动的同时，目标或目标上的结构还伴随着微运动(振动、自转、旋动、翻滚)，会在雷达回波中规则的多普勒频移上引起额外的频率调制，即在多普勒频率附近产生边带，这种微动对雷达回波的调制称为微多普勒现象。微动是由目标的特殊结构在特定的受力作用下引起的，因此目标微动状态常常是独一无二的，反映了目标的精细特征，可用于目标检测、目标成像和目标识别等，已成为信号处理领域的一个新的技术热点。海面舰船在运动过程中，坐标系的各坐标轴永远相互平行，表现为匀速运动、匀加速运动和变加速运动等，然而，由于舰船随海面波动而产生颠簸，一方面，在高海况条件下，海杂波的存在降低了回波信号的信杂比；另一方面，舰船姿态变化复杂，不仅存在平动，舰船还绕参考点作三轴转动(滚动、俯仰和偏航)，导致散射点的多普勒频率随时间非线性变化。因此，微多普勒为海面目标检测提供了更多的有用信息，能够进一步提高雷达检测性能。

信号时频处理方法(如短时Fourier变换、小波变换、Winger-Ville变换、分数阶Fourier变换等)作为微动特征分析工具具有不可比拟的优势，但估计性能受时频分辨率的限制。基于时频分析的参数估计方法可以看作将信号在时频基函数上的分解，如果基函数与信号的特性相匹配，就可以选择用较少的基函数来表示原信号，称信号分解的结果是稀疏的，即信号的稀疏表示，其对频率具有超分辨能力，从而更有利于获得目标精细特征。形态成分分析方法是最新提出的一种基于信号稀疏表示的信号分解方法，该方法利用信号组成成分的形态差异性，采用不同的字典进行稀疏表示，与传统的稀疏成分分析方法相比更适合分析混合信号(Bobin，Yassir Moudden，Jean-Luc Starck，and Michael Elad.：‘Morphological Diversityand Source Separation’，IEEE Signal Processing Letters，vol.13，no.7，July2006.)。由于对海雷达探测目标的回波包括海杂波和目标信号，海杂波在一定程度上可以认为与单频信号的相似程度较大(Gini，F.，Greco，M.：‘Texture modeling and validation using recorded high resolution seaclutter data’.Proc.Int.Conf.on Radar，Atlanta，Georgia，USA，2001，pp.378-391)，而微动信号可近似为调幅-线性调频信号(Amplitude Modulation-Linear Frequency Modulation，AM-LFM)，或者近似分段的LFM信号(邢孟道，保铮.外场实测数据的舰船目标ISAR成像.电子与信息学报，2001，23(12)：1271-1277.)，定义为

x (t) = s (t) + c (t) = Σ_{i}^{N} A_{i} e^{j 2 π f_{i} t + jπ μ_{i} t^{2}} + c (t), | t | \leq T_{obs}

式中，A_i为第i个微动信号幅度，f和μ分别为中心频率和调频率，T_obs为观测时长。因此，将形态成分分析方法用于海面微动目标检测，通过分别构建海杂波与微动目标回波信号的稀疏表示字典，使两个字典仅能稀疏表示相对应的信号，而对于其它信号不能稀疏表示，具有区分海杂波与微动目标的能力，能够进一步提高海杂波背景下目标检测性能。

三、发明内容

1.要解决的技术问题

本发明的目的在于利用海面目标的微动特征，提供一种基于形态成分分析的海面微动目标检测和特征提取方法，其中要解决的技术问题包括：

(1)传统的检测方法未利用目标的微动特征，丢失有用信息；

(2)分别构建海杂波与微动目标回波信号的稀疏表示字典，使两个字典仅能稀疏表示相对应的信号，而对于其它信号不能稀疏表示；

(3)高分辨率稀疏域中海杂波区域的识别与提取以及稀疏域海杂波抑制方法。

2.技术方案

本发明所述的基于形态成分分析的海面微动目标检测和特征提取方法，其特征在于包括以下技术措施：

步骤一、海杂波稀疏表示：在接收端，将接收并经过放大和解调处理后得到的同一距离单元内的雷达回波信号进行分段，得到多个相邻时间段的雷达回波信号，计算由Fourier变换构造的Fourier变换字典，并对分段雷达回波信号进行稀疏分解，得到海杂波在Fourier变换字典下的分解系数；

步骤二、海杂波稀疏域抑制：将不同时间段的海杂波稀疏分解系数形成二维稀疏解能量分布图并与频域海杂波统计阈值进行比较，若信号幅值低于统计阈值，直接对预处理后的雷达回波信号执行步骤三，此时存在两种情况：一种是该距离单元为海杂波单元且海杂波较弱，另一种是该距离单元为目标单元但其回波信号和海杂波均很微弱；若信号幅值高于统计阈值，则保留高于统计阈值的信号幅值，搜索峰值，峰值坐标对应海杂波在字典中匹配的原子，进而得到海杂波的稀疏表示，即多个单频信号的叠加；将预处理后的雷达回波信号与海杂波的稀疏表示相减，达到抑制海杂波的目的；

步骤三、微动目标回波信号稀疏表示：根据微动目标回波信号形式计算由Chirp基构建的过完备字典，并对海杂波抑制后的回波信号进行稀疏分解，得到微动目标回波信号的稀疏表示，进一步改善信杂比；

步骤四、微动目标信号稀疏域检测：将微动目标回波信号稀疏分解结果形成二维稀疏解能量分布图，取信号的幅值作为检测统计量，与给定虚警概率下的检测门限进行比较，如果检测统计量高于门限值，判决为存在微动目标信号，否则判决为没有微动目标信号，继续处理后续的距离单元，进行步骤一至步骤四的运算；

步骤五、微动特征参数估计：在微动目标检测后的二维稀疏解能量分布图中采用分级搜索方法搜索峰值，降低搜索运算量，将峰值坐标对应的频率和调频率作为微动特征的参数估计值。

3.有益效果

对比现有技术，本技术方案所述的基于形态成分分析的海面微动目标检测和特征提取方法，有益效果在于：

(1)该方法利用海杂波和微动目标回波信号组成成分的形态差异性，对不同的源信号采用不同的字典进行稀疏表示，具有区分海杂波与微动目标的能力；

(2)该方法在抑制海杂波的同时积累更多的信号能量，改善信杂比；

(3)该方法具有在强海杂波中检测微动目标和估计微动特征参数的能力。

四、附图说明

说明书附图1是基于形态成分分析的海面微动目标检测和特征提取方法的系统结构图，图2是基于形态成分分析的海面微动目标检测和特征提取方法的实现流程图。

五、具体实施方式

以下结合说明书附图1对本发明作进一步详细描述。参照说明书附图1，本发明的处理流程分以下步骤：

(1)海杂波稀疏表示；

(2)海杂波稀疏域抑制；

(3)微动目标回波信号稀疏表示；

(4)微动目标信号稀疏域检测；

(5)微动特征参数估计。

以下结合说明书附图2对本发明作进一步详细描述。参照说明书附图2，本发明的具体实施方式分以下步骤：

(1)将经过放大和解调处理后得到的同一距离单元内的雷达回波送入存储装置1进行预处理，得到N个采样点的输入信号序列x(i)，i＝1，2，...，N。

(2)存储装置2接收存储装置1的输出结果，将输入信号序列x(i)分为I个时间段，每个时间段包括k＝int(N/I)个采样，int()表示取整运算，k＞2⁵，

(3)计算装置3计算Fourier变换字典，设定搜索精度和范围，假设频率f_u的搜索范围为f_u∈[0，F]，字典中原子个数为U，多普勒分辨率为Δf_u＝F/U，则构造的Fourier变换字典为U×I的矩阵

G_{c} = [g_{c}^{(1)} (f), g_{c}^{(2)} (f), . . ., g_{c}^{(I)} (f)]

式中，对应第n个时间段的字典，

g_{c_{n}} (f) = {[g_{c}^{(n)} (f_{1}), g_{c}^{(n)} (f_{2}), . . ., g_{c}^{(n)} (f_{U})]}^{T}, n = 1,2, . . ., I,

为Fourier变换原子，

g_{c}^{(n)} (f_{u}) = \exp (- j 2 π f_{u} t), u = 1,2, . . ., U .

(4)计算装置4根据计算装置3构造的Fourier变换字典对存储装置2的输出结果进行稀疏分解，即计算信号在Fourier变换字典下的分解系数

α_{u, n} = Σ_{j}^{k} < x_{j}^{(n)}, g_{c}^{(n)} (f_{u}) >

式中，<>表示内积运算，而微动目标回波信号具有LFM信号的特征，因此在Fourier变换字典下的分解系数接近于零，从而可大致将海杂波与微动目标区分开。

(6)存储装置5接收计算装置4的输出结果，将不同时间段的海杂波稀疏分解系数形成二维稀疏解能量分布图

F_{c} = | [\begin{matrix} α_{1,1} & α_{1,2} & . . . & α_{1, I} \\ α_{2,1} & α_{2,2} & . . . & α_{2, I} \\ . & . & . & . \\ . & . & . & . \\ . & . & . & . \\ α_{U, 1} & α_{U, 2} & . . . & α_{U, I} \end{matrix}] |

式中，

α_{U, I} = Σ_{j}^{k} < x_{j}^{(I)}, g_{c}^{(I)} (f_{U}) >

为海杂波在Fourier变换字典下的分解系数。

(7)将存储装置5的输出结果与计算装置6得到的频域海杂波统计阈值一同送入比较器7，进行比较，如果输出结果低于统计阈值，则直接将存储装置1的输出结果送入计算装置12，此时存在两种情况：一种是该距离单元为海杂波单元且海杂波较弱，另一种是该距离单元为目标单元但其回波信号和海杂波均很微弱，如远距离观测情况；若输出结果高于统计阈值，则保留高于统计阈值的信号幅值。

(8)频域海杂波统计阈值由计算装置6得到，计算方法为

Y = \frac{1}{QIU} Σ_{q = 1}^{Q} Σ_{n = 1}^{I} Σ_{u = 1}^{U} F_{c_{q}}

式中，为同一距离相邻海杂波单元的二维稀疏解能量分布，q＝1，2，...Q，Q为海杂波单元个数。

(9)对比较器7的输出结果进行峰值搜索，峰值坐标对应海杂波在Fourier变换字典中匹配的原子，此时，可用少量的Fourier变换原子表示雷达回波信号中海杂波的主要成分，获得海杂波的稀疏表示，即多个单频信号的叠加，将结果存入存储装置8中。

(10)将存储装置8和存储装置1的输出结果送入计算装置9，进行减法运算，将雷达回波信号与海杂波的稀疏表示相消，达到抑制海杂波的目的，即

x_{j}^{' (n)} = x_{j}^{(n)} - c_{j}^{' (n)}

式中，j＝1，2，...，k，为海杂波的稀疏表示。

(11)存储装置10接收计算装置9的输出结果，形成海杂波抑制后的回波信号

x^{'} = {x^{'} (i) | i = 1,2, . . ., N} = {x_{1}^{' (1)}, . . ., x_{k}^{' (1)}, x_{1}^{' (2)}, . . ., x_{k}^{' (2)}, x_{1}^{' (I)}, . . ., x_{k}^{' (I)}} .

(12)计算装置11计算由Chirp基构造的过完备字典，设定搜索精度和范围，假设中心频率f_l的搜索范围为f_l∈[0，F′]，搜索个数为L，中心频率分辨率为Δf_l＝F′/L，调频率μ_m的搜索范围为μ_m∈[0，K]，搜索个数为M，调频率分辨率为Δμ_m＝K/M，则构造的过完备Chirp字典为L×M的矩阵

G_{s} = [\begin{matrix} g_{s} (f_{1}, μ_{1}) & g_{s} (f_{1}, μ_{2}) & . . . & g_{s} (f_{1}, μ_{M}) \\ g_{s} (f_{2}, μ_{1}) & g_{s} (f_{2}, μ_{2}) & . . . & g_{s} (f_{2}, μ_{M}) \\ . & . & . & . \\ . & . & . & . \\ . & . & . & . \\ g_{s} (f_{L}, μ_{1}) & g_{s} (f_{L}, μ_{2}) & . . . & g_{s} (f_{L}, μ_{M}) \end{matrix}]

式中，g_s(f_l，μ_m)＝exp(j2πf_lt+jπμ_mt²)，l＝1，2，...，L；m＝1，2，...，M。

(13)计算装置12根据计算装置11构造的Chirp字典对存储装置10的输出结果进行稀疏分解，即计算信号在Chirp原子下的分解系数

β_{l, m} = Σ_{i}^{N} < x^{'} (i), g_{s} (f_{l}, μ_{m}) >

由于Chirp字典中的原子与微动目标信号的特征相匹配，则可以选择用较少的原子来表示微动目标信号，即信号分解的结果是稀疏的；而海杂波具有单频信号的特征，因此不能在Chirp基上得到很好地聚集，即信号分解的结果不是稀疏的，从而可进一步改善信杂比。

(14)存储装置13接收计算装置12的输出结果，将微动目标信号稀疏分解系数形成二维稀疏解能量分布图

F_{s} = | [\begin{matrix} β_{1,1} & β_{1,2} & . . . & β_{1, M} \\ β_{2,1} & β_{2,2} & . . . & β_{2, M} \\ . & . & . & . \\ . & . & . & . \\ . & . & . & . \\ β_{L, 1} & β_{L, 2} & . . . & β_{L, M} \end{matrix}] |

式中，

β_{L, M} = Σ_{i}^{N} < x^{'} (i), g_{s} (f_{L}, μ_{M}) >

为信号在Chirp原子下的分解系数。(15)将存储装置13的输出结果作为检测统计量，与给定虚警概率下的检测门限一同送入比较器14，进行比较，如果检测统计量低于检测门限，判决为没有微动目标信号；若检测统计量高于检测门限，则判决为存在微动目标信号。

(16)对比较器14的输出结果进行峰值搜索，为了降低峰值搜索的运算量，采用分级搜索方法，即首先进行粗搜索，然后在峰值附近进一步缩小搜索范围，提高搜索精度，进行精搜索，重复运算直至达到参数分辨率，峰值坐标对应微动目标信号在Chirp字典中匹配的原子，此时，可用少量的Chirp原子表示微动目标信号的主要成分，获得微动目标信号的稀疏表示，设峰值坐标为(i，j)，对应匹配原子为g_s(f_i，μ_j)，则中心频率估计为f_i，调频率估计为μ_j，将微动特征参数估计结果存入存储装置15中。

Claims

1.基于形态成分分析的海面微动目标检测和特征提取方法，其特征在于包括以下技术措施：

2.根据权利要求1所述的基于形态成分分析的海面微动目标检测和特征提取方法，其特征在于步骤一所述的Fourier变换字典构造方法为

将输入信号序列x(i)，i＝1，2，...，N，分为I个时间段，每个时间段包括k＝int(N/I)个采样，int()表示取整运算，设定搜索精度和范围，假设频率f_u的搜索范围为f_u∈[0，F]，字典中原子个数为U，多普勒分辨率为Δf_u＝F/U，则构造的Fourier变换字典为U×I的矩阵

G_{c} = [g_{c}^{(1)} (f), g_{c}^{(2)} (f), . . ., g_{c}^{(I)} (f)]

式中，对应第n个时间段的字典，

g_{c_{n}} (f) = {[g_{c}^{(n)} (f_{1}), g_{c}^{(n)} (f_{2}), . . ., g_{c}^{(n)} (f_{U})]}^{T}, n = 1,2, . . ., I,

为Fourier变换原子，

g_{c}^{(n)} (f_{u}) = \exp (- j 2 π f_{u} t), u = 1,2, . . ., U,

海杂波在Fourier变换字典下的分解系数为

α_{u, n} = Σ_{j}^{k} &lang; x_{j}^{(n)}, g_{c}^{(n)} (f_{u}) &rang;

式中，<>表示内积运算。

3.根据权利要求2所述的基于形态成分分析的海面微动目标检测和特征提取方法，其特征在于步骤二所述的频域海杂波统计阈值计算方法为

Y = \frac{1}{QIU} Σ_{q = 1}^{Q} Σ_{n = 1}^{I} Σ_{u = 1}^{U} F_{c_{q}}

式中，为同一距离相邻海杂波单元的二维稀疏解能量分布，q＝1，2，...，Q，Q为海杂波单元个数，

F_{c} = | [\begin{matrix} α_{1,1} & α_{1,2} & \cdot \cdot \cdot & α_{1, I} \\ α_{2,1} & α_{2,2} & \cdot \cdot \cdot & α_{2, I} \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ α_{U, 1} & α_{U, 2} & \cdot \cdot \cdot & α_{U, I} \end{matrix}] | .

4.根据权利要求1所述的基于形态成分分析的海面微动目标检测和特征提取方法，其特征在于步骤三所述的由Chirp基构建的过完备字典构造方法为

设定搜索精度和范围，假设中心频率f_l的搜索范围为f_l∈[0，F′]，搜索个数为L，中心频率分辨率为Δf_l＝F′/L，调频率μ_m的搜索范围为μ_m∈[0，K]，搜索个数为M，调频率分辨率为Δμ_m＝K/M，则构造的过完备字典为L×M的矩阵

G_{s} = [\begin{matrix} g_{s} (f_{1}, μ_{1}) & g_{s} (f_{1}, μ_{2}) & \cdot \cdot \cdot & g_{s} (f_{1}, μ_{M}) \\ g_{s} (f_{2}, μ_{1}) & g_{s} (f_{2}, μ_{2}) & \cdot \cdot \cdot & g_{s} (f_{2}, μ_{M}) \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ g_{s} (f_{L}, μ_{1}) & g_{s} (f_{L}, μ_{2}) & \cdot \cdot \cdot & g_{s} (f_{L}, μ_{M}) \end{matrix}]

式中，g_s(f_l，μ_m)＝exp(j2πf_lt+jπμ_mt²)，l＝1，2，...，L；m＝1，2，...，M，海杂波抑制后的回波信号x′(i)进行稀疏分解，系数为

β_{l, m} = Σ_{i}^{N} &lang; x^{'} (i), g_{s} (f_{l}, μ_{m}) &rang; .

5.根据权利要求1所述的基于形态成分分析的海面微动目标检测和特征提取方法，其特征在于步骤五所述的分级搜索方法为：首先进行粗搜索，然后在峰值附近进一步缩小搜索范围，提高搜索精度，进行精搜索，重复运算直至达到参数分辨率。