CN103149555A

CN103149555A - 结合极化分类和功率分组的自适应动目标检测方法

Info

Publication number: CN103149555A
Application number: CN2013100470515A
Authority: CN
Inventors: 杨志伟; 廖桂生; 杜文韬; 陈筠力; 陈国忠; 束宇翔; 何嘉懿; 刘志凌
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2013-01-25
Filing date: 2013-01-25
Publication date: 2013-06-12
Anticipated expiration: 2033-01-25
Also published as: CN103149555B

Abstract

一种结合极化分类和功率分组的自适应动目标检测方法，主要解决非均匀场景下杂波协方差矩阵估计精度低，动目标检测性能差的问题。其步骤包括：1、SAR图像极化分类；2、初始化功率分组；3、小组样本个数检查；4、自适应抑制杂波；5、恒虚警检测。本发明由于采用极化分类方法指导样本的筛选，克服了现有的样本筛选未考虑地杂波特性差异的问题，使得本发明具有杂波协方差矩阵结构估计的精度高、动目标检测性能好的优点；本发明由于采用功率分组方法指导样本的筛选，克服了现有样本功率挑选的功率估计过大问题，使得本发明具有杂波协方差矩阵功率估计的准确性高、慢速运动目标检测性能好的优点。

Description

结合极化分类和功率分组的自适应动目标检测方法

技术领域

本发明属于雷达信号处理技术领域，更进一步涉及动目标检测技术领域中的一种结合合成孔径雷达SAR图像极化分类与功率分组指导的样本筛选方法，本发明可以应用于运动平台合成孔径雷达地面动目标检测。本发明在缺乏先验知识的情况下，可通过极化分类及功率分组挑选与待检测单元样本的杂波特性近似的样本，提高杂波协方差矩阵的估计精度和动目标的检测性能。

背景技术

合成孔径雷达地面动目标检测技术(SAR-GMTI)通过采用多通道SAR图像数据结合自适应动目标检测方法可对观测区域内的运动目标进行检测，但是对于实际的复杂观测场景，图像中各像素点样本的杂波特性存在差异，表现在杂波功率和杂波协方差矩阵结构两方面，如果不加选择地使用所有样本估计杂波协方差矩阵，将存在较大的估计误差，影响自适应检测的性能。

曾操，廖桂生，杨志伟，刘聪锋在“基于样本加权的三通SAR-GMTI机载数据处理分析”(电子学报，2009年37卷第3期506～512页)一文中提出结合相位、功率联合挑选获取功率足够强、相位分布近似于待检测单元的杂波样本集，并估计杂波协方差矩阵，可改善复杂观测场景下杂波协方差矩阵与待检测单元杂波特性差异较大的问题，提高自适应处理的性能。但是该方法存在的不足是，由于筛选的样本功率强于待检测点的实际杂波功率，影响系统的最小可检测速度值，同时，该方法没有考虑不同地物类型间样本的差异，杂波协方差矩阵结构的估计准确度较差。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种结合极化分类和功率分组的自适应动目标检测方法。该方法利用SAR图像极化信息对各像素单元及对应的样本进行分类，并在分类结果的基础上进行功率分组，改善了样本差异导致的杂波协方差矩阵估计精度差的问题，提高了自适应处理的动目标检测性能。

本发明的基本思路是：首先采用SAR图像极化分类方法对图像中所有像素单元的样本进行分类；接着将同一类别中的样本按照功率划分为多个小组，并检查每一个功率小组的样本个数是否满足要求；然后使用与待检测单元样本同一功率小组的所有样本估计杂波协方差矩阵，并计算权矢量、自适应抑制待检测单元的杂波；最后，对动目标进行恒虚警检测。

本发明的具体步骤如下：

1.一种结合极化分类和功率分组的自适应动目标检测方法，包括如下步骤：

(1)SAR图像极化分类

1a)采用极化分类法，对合成孔径雷达(SAR)图像中的所有像素单元进行分类；

1b)将同类像素单元对应的样本归为一类，获得样本分类结果；

(2)初始化功率分组

2a)按照下式计算各像素单元的样本功率：

p_{i} = x_{i}^{H} x_{i}

其中，p_i表示样本x_i的功率，x_i表示第i个像素单元对应的样本向量，

表示对x_i求共轭转置；

2b)对样本分类结果中的每一类样本进行功率分组，按照下式计算功率小组的个数：

n＝1…N

其中，M_n表示第n类样本下划分的功率小组的个数，

表示向下取整数符号，max表示取最大值符号，p₁～p_L表示第n类中所有样本的功率值，L表示第n类包含的样本个数，min表示取最小值符号，P₀表示设置的小组功率变化范围值，N表示步骤(1)样本分类的种类数；

2c)根据每一类样本的功率小组个数设置功率区间，按照下式计算每一个功率小组的功率区间：

\{\begin{matrix} P_{m}^{n} = [\min (p_{1}, p_{2} . . . p_{L}) + (m - 1) \cdot P_{0}, \min (p_{1}, p_{2} . . . p_{L}) + m \cdot P_{0}] & m < M_{n} \\ P_{m}^{n} = [\min (p_{1}, p_{2} . . . p_{L}) + (M_{n} - 1) \cdot P_{0}, \max (p_{1}, p_{2} . . . p_{L})] & m = M_{n} \end{matrix}

其中，

表示第n类中第m个功率小组的功率区间，[]表示区间符号，min表示取最小值符号，p₁～p_L表示第n类中所有样本的功率值，L表示第n类所含的样本个数，max表示取最大值符号，M_n表示第n类中的功率小组个数；

2d)对每一类的所有样本，如果其中一部分样本的功率属于同一功率区间，则将该部分样本归为同一功率小组；

(3)小组样本个数检查

3a)当功率区间所包含的样本个数少于限定值时，如果m≠1，合并m与m-1组，如果m＝1，合并m与m+1组；其中，m表示功率小组的序列数；

3b)重复步骤3a)，直到所有功率区间内包含的样本个数多于限定值；

(4)自适应抑制杂波

4a)使用同一小组的样本，按照下式估计杂波协方差矩阵：

R_{m}^{n} = \frac{1}{l_{m}^{n}} Σ_{i = 1}^{l_{m}^{n}} x_{i}^{H} x_{i}

其中，

表示第n类下第m个功率小组中所有样本估计获得的杂波协方差矩阵，表示第n类下第m个功率小组中的样本个数，

表示求和符号，x_i表示第n类下第m个功率小组中的第i个样本，

表示对x_i求共轭转置；

4b)按照下式计算待检测像素单元的自适应处理权矢量：

w_{i} = k {(R_{m}^{n})}^{- 1} s

其中，w_i表示待检测单元i的自适应处理权矢量，k表示任意选取的非零常数，表示使用待检测单元样本所在的第n类下第m个功率小组中的所有样本估计获得的杂波协方差矩阵，

表示对矩阵

求逆，s表示目标导向矢量；

4c)利用步骤4b)获得的权矢量进行自适应杂波抑制；

(5)恒虚警检测。

本发明与现有技术相比具有如下优点：

第一，本发明由于使用极化分类方法指导样本的筛选，克服了现有的样本筛选未考虑地杂波特性差异的问题，使得本发明具有杂波协方差矩阵结构估计的精度高、自适应动目标检测性能好的优点。

第二，本发明由于采用功率分组方法指导样本的筛选，克服了现有样本功率挑选的功率估计过大问题，使得本发明具有杂波协方差矩阵功率估计的准确性高、慢速运动目标检测性能好的优点。

附图说明

图1为本发明的流程图；

图2为采用本发明方法指导样本筛选得到的虚警概率-检测概率曲线图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照图1，本发明的具体实施步骤如下：

步骤1.SAR图像极化分类

首先，采用极化分类法，对SAR图像中的所有像素单元进行分类；其中，极化分类方法可使用基于极化熵H和平均散射角a分解的H/a-Wisahrt方法或者基于平面散射、二面角散射、体散射三分量分解方法的Freeman-Wisahrt方法。

H/a-Wisahrt方法的具体步骤为：第一步，初始化分类：对图像每一个像素单元的极化散射矩阵进行H/a分解，获得初始的八个类别；第二步，迭代分类：计算每个像素单元与各个类别中心的Wisahrt距离，将该像素单元归属为距离最近的类别，重复该步骤，直到所有像素单元的类别不再变化。

Freeman-Wisahrt方法的具体步骤为：第一步，初始化分类：对图像每一个像素单元的极化散射矩阵进行Freeman分解，获得初始化的三类样本；第二步，细分小组：讲每一类样本划分为若干小组；第三步，迭代分类：在每一类样本中，计算每个像素单元与各个小组中心的Wisahrt距离，将该像素单元归属为距离最近的小组，重复该步骤，直到所有像素单元的类别不再变化。

其次，将同类像素单元对应的样本归为一类，获得样本分类结果。

步骤2.初始化功率分组

首先，按照下式计算各样本功率：

p_{i} = x_{i}^{H} x_{i}

其中，p_i表示第i个样本的功率，x_i表示第i个像素单元对应的样本向量，表示对x_i求共轭转置。

其次，对样本分类结果中的每一类样本进行功率分组，按照下式计算获得功率小组的个数：

n＝1…N

其中，M_n表示第n类样本下划分的功率小组的个数，

表示向下取整数符号，max表示取最大值符号，p₁～p_L表示第n类中所有样本的功率值，L表示第n类包含的样本个数，min表示取最小值符号，P₀表示设置的小组功率变化范围值，N表示步骤(1)样本分类的种类数。

然后，根据每一类样本的功率小组个数设置功率区间，按照下式计算每一个功率小组的功率区间：

\{\begin{matrix} P_{m}^{n} = [\min (p_{1}, p_{2} . . . p_{L}) + (m - 1) \cdot P_{0}, \min (p_{1}, p_{2} . . . p_{L}) + m \cdot P_{0}] & m < M_{n} \\ P_{m}^{n} = [\min (p_{1}, p_{2} . . . p_{L}) + (M_{n} - 1) \cdot P_{0}, \max (p_{1}, p_{2} . . . p_{L})] & m = M_{n} \end{matrix}

其中，

表示第n类中的第m个功率小组区间，[]表示区间符号，min表示取最小值符号，p₁～p_L表示第n类中所有样本的功率值，L表示第n类所含的样本个数，max表示取最大值符号，M_n表示第n类中的功率小组个数。

最后，对每一类的所有样本，如果其中一部分样本的功率属于同一功率区间，则将该部分样本归为同一功率小组。

步骤3.小组样本个数检查

当功率区间所包含的样本个数少于限定值时，如果m≠1，合并m与m-1组，如果m＝1，合并m与m+1组；其中，m表示功率小组的序列数，限定值表示小组中样本的最少个数；

重复本步骤，直到每一个功率区间内包含的样本个数多于限定值。

步骤4.自适应抑制杂波

首先，使用同一小组的样本，按照下式估计杂波协方差矩阵：

R_{m}^{n} = \frac{1}{l_{m}^{n}} Σ_{i = 1}^{l_{m}^{n}} x_{i}^{H} x_{i}

其中，

表示第n类下第m个功率小组中所有样本估计获得的杂波协方差矩阵，

表示第n类下第m个功率小组中的样本个数，

表示对x_i求共轭转置。

其次，如果待检测单元的样本属于第n类下的第m个功率小组，则使用

按照下式计算待检测单元的自适应处理权矢量：

w_{i} = k {(R_{m}^{n})}^{- 1} s

其中，w_i表示待检测单元i的自适应处理权矢量，k表示任意选取的非零常数，

表示使用待检测单元样本所在的第n类下第m个功率小组中的所有样本估计获得的杂波协方差矩阵，

表示对矩阵

求逆，s表示目标导向矢量。

最后，利用权向量w_i对待检测单元i的样本进行自适应杂波抑制处理：

A_{i} = {(w_{i}^{H} x_{i})}^{2}

其中A_i为第i个像素单元的自适应处理的输出，w_i为权矢量，x_i为第i个像素的样本向量，

表示对

求平方。

步骤5.恒虚警检测

在杂波抑制处理结果的基础上，使用恒虚警检测方法进行动目标检测。

本发明的效果可以通过下述仿真实验加以说明：

仿真条件

雷达发射信号波长设为0.245m，天线均匀划分为3通道且通道间距为1m，平台沿航向运动的速度为200m/s，目标的径向速度设为3m/s，对实测的全极化SAR图像进行极化分类处理，SAR图像的分辨率为10m×10m，方位向和距离向分别有650、900个像素单元，仿真多通道杂波样本并进行自适应杂波抑制处理和动目标检测。

仿真结果

图2是对待检测像素单元数据进行自适应处理的虚警概率一检测概率曲线，横坐标表示虚警概率，纵坐标表示检测概率，方形实线为杂波协方差矩阵精确估计下的检测概率曲线，圆形虚线为没有进行样本筛选时的检测概率曲线，三角形点划线为采用本发明方法筛选样本时的检测概率曲线。由仿真结果可以看到，采用本发明方法的动目标检测性能具有良好的检测性能，证明了本发明可在复杂的观测场景下提高杂波协方差矩阵的估计精度，进而提高动目标的检测的性能。