CN103383451B - 基于恒边长梯度加权图切的优化雷达微弱目标检测方法 - Google Patents

Abstract

本发明公开了一种基于恒边长梯度加权图切算法的优化雷达弱目标检测方法。该方法具体思路如下：首先对相干积累后的距离-多普勒序列进行短时非相关积累；然后利用目标模型和杂波模型在混合高斯框架下，对距离-多普勒视频帧进行基于恒边长梯度加权图切算法的全局优化目标检测，得到目标视频序列；判断该视频帧是否为最后一帧，若是结束检测，反之，利用kalman预测方法对目标视频序列进行目标特征检测与跟踪完成目标模型更新，利用混合高斯更新模型算法实现背景模型的更新；最后读取新捕获到的下一帧视频信息，重复上述步骤直至所有捕获到的视频信息均被检测完为止。本发明优化和改善了对于雷达弱目标的检测结果。

Description

基于恒边长梯度加权图切的优化雷达微弱目标检测方法

技术领域

本发明隶属雷达系统中信号处理技术领域，具体涉及一种基于恒边长梯度加权图切算法的优化雷达弱目标检测方法。

背景技术

在雷达系统中信号处理技术领域，近来提出了一种基于图切的全局优化弱目标检测方法，该方法巧妙地将雷达的弱目标检测问题转化为网格流量的图切问题，具体通过对相干积累所得到的数据进行能量建模，并构建流量网格图，结合图切中最大流最小切的图切准则，通过最优化能量流的分配实现切割，继而实现对雷达弱目标的检测。但是在该技术中为了方便起见，图模型中流量分配时其连接边权重均设置为恒定值 ，这样使得当边缘噪声杂波影响较大的情况下，对于雷达的弱目标检测的结果不太理想。因此，为进一步的优化检测的结果，提出了基于恒边长梯度加权图切算法的优化雷达弱目标检测方法。

发明内容

    为了使得当目标受边缘噪声杂波影响较大的情况下，对雷达的弱目标检测仍然有较理想的结果，本发明提出了基于恒边长梯度加权图切算法的优化雷达弱目标检测方法。该方法重点针对图模型中的像素节点之间的权重设置做了改进，以此来削减边缘噪声杂波对检测结果的干扰，进而优化对雷达弱目标的检测。本发明的具体思路如下：首先对相干积累后的距离-多普勒序列进行短时非相关积累；然后利用目标模型和杂波模型在混合高斯框架下，对距离-多普勒视频帧进行基于恒边长梯度加权图切算法的全局优化目标检测，得到目标视频序列；判断该视频帧是否为最后一帧，若是结束检测，反之，利用kalman预测方法对目标视频序列进行目标特征检测与跟踪完成目标模型更新，利用混合高斯更新模型算法实现背景模型的更新；最后读取新捕获到的下一帧视频信息，重复上述步骤直至所有捕获到的视频信息均被检测完为止。

为了方便描述本发明的内容，首先作以下术语定义：

定义1 恒边长

通过对相干积累所得的距离-多普勒序列进行短时非相关积累，雷达捕获到包含目标的信息集合，结合图论知识建立能量图模型，并二值化图模型，则在一次检测所得视频帧中，目标-背景的邻接像素对数是相对恒定的，即为恒边长。本发明中，设定恒边长值为。

定义2 梯度加权

本发明中提出的梯度加权，即结合二值化后的图模型，求解邻接像素的一阶导得梯度分布，因目标-背景边缘的梯度要大于其它各邻接边的梯度，故在图像切割中对边流量加权时，结合所得梯度值进行加权，即为梯度加权。设像素数为的距离-多普勒视频帧，则本发明中是通过定义流量参数，来表征梯度加权的含义，所得流量参数及其相关参数表达式如下：

，                      （1）

，                  （2）

                            （3）

其中，为视频帧中，所有邻接像素对数，表示记为的第对邻接像素的梯度值，为差补矫正因子，它是一个先验值，作用是确保流量参数与梯度值成正比。

定义3 能量函数

设在目标视频序列中，数值“1”表示该距离-多普勒位置处存在目标，数值“0”表示该距离-多普勒位置处为杂波背景，采用马尔可夫随机场模型，可将视频帧描述如下：

                （4）

式中为能量函数；为部分函数；为团的势能函数，为二值化视频帧中所有团集合。若已知先验概率和似然函数，则目标检测就是求解二值化视频帧的最大后验概率估计，即

             （5）

取对数后，最大后验概率估计化简为：

   （6）

其中，流量参数                          （7）

      流量参数                                        （8）

为二值化视频帧中的所有像素点数，为目标像素点数，反映了目标的面积特征；为二值化视频帧中的所有邻接像素对数，为目标-背景邻接像素对数，反映了目标的周长特征；为二值化视频帧中所有像素的集合，为像素点的一阶邻域集合。

定义 4  kalman预测

设像素数为的距离-多普勒视频帧，定义第帧视频的状态向量，其中，为第帧视频目标前景像素数，为其四连通邻接像素对数，和分别为和的速度分量；观测向量，其中，为第帧视频目标前景像素点数的观测值，为目标-背景四连通邻接像素对数的观测值。系统模型表示如下：

状态方程：；

观测方程：。

其中，为系统噪声，满足，，为观测噪声，满足，。系统噪声相关矩阵，观测噪声相关矩阵，及其他相关参数矩阵表示如下：

，，，。

其中，为系统读取每一帧图像信息所需要的时间，为系统噪声，为观测噪声；根据上述系统模型，结合下述公式：

Kalman一步预测增益：,                      （9）

预测状态方程：,                 （10）

预测均方误差：，                 （11）

通过一步迭代，实现对帧待检测的视频的目标像素点个数（对应观测向量中的）及目标-背景像素对数（对应观测向量中的）的预测。

定义 5 混合高斯模型背景更新

在对雷达捕获到的包含若目标的视频信息的背景建模中，为更准确的逼近杂波背景，一般选用混合高斯模型来实现对其背景的建模，同时为适应复杂的背景变化，实现自适应性的目标检测，需要对背景模型的参数（权值，均值及方差）进行更新，具体更新方程如下：

                   （12）

                             （13）

                      （14）

             （15）

其中，为选用的混合高斯模型的个数，表示时刻第帧视频的

第个高斯模型的高斯分布概率（），为更新因子，为第t时刻检测的像素点。

本发明提出了本发明提出了基于恒边长梯度加权图切算法的优化雷达弱目标检测方法，该方法具体包括基于恒边长梯度加权图切的全局优化检测和目标特征检测与跟踪两项关键技术。检测步骤如下：

步骤1.模型参数初始化：设置初始时刻个混合高斯背景模型的权值，均值及方差，（）；预测模型的观测噪声及系统噪声。

步骤2.通过相干积累及非相干积累捕捉包含雷达弱目标的视频流数据信息，并对获得的数据信息进行二值化处理，得到大小为的像素点矩阵，为矩阵宽度，为矩阵高度。

步骤3.根据可控核梯度求解方法，对步骤2中得到的像素点矩阵求解各个邻接像素的梯度值，记为，其中。

步骤4.根据能量函数，建立二值化的能量图模型。

步骤5.计算流量参数；

,,

其中，为差补矫正因子，为恒边长值， 是目标像素点的数目；为输入待检测的像素点，表示待检测的像素点是目标像素点的概率，表示待检测的像素点是背景像素点的概率；为输出的观测像素点，为将检测到的像素点判定为目标像素点的概率，表示将检测到的像素点判定为背景像素点的概率。

步骤6.算得流量参数后，即得边流量加权参数值和，将和代入步骤4所建立的能量图模型，对其所建图模型的边流量进行加权，最后依据最大流最小切生长树搜索原理对能量图的流量进行优化分配，实现目标与背景的分割，继而得到所要检测的雷达弱目标。

步骤7.判断所得到的目标是否为最后一帧，若是，则跳到步骤9结束检测，反之进入步骤8。

步骤8.参数预测及背景更新。

首先，结合kalman预测，对第帧视频，定义目标像素点数量为，目标-背景像素对数量为，和分别为和的速度分量，则得系统的状态向量为,同时，定义为第帧视频的第一个观测量，为第帧视频的第二个观测量，则得系统的观测向量为，建立如下系统模型为：

状态方程：；

观测方程：，

其中，为系统噪声，满足，；为观测噪声，满足，。设定系统噪声相关矩阵为，观测噪声相关矩阵为，则对应的方程参数分别为：

，，，。

其中，为系统读取每一帧图像信息所需要的时间，为系统噪声，为观测噪声；根据上述系统模型，结合下述公式：

Kalman一步预测增益：,

预测状态方程：,

预测均方误差：，

通过一步迭代，实现对帧待检测的视频的目标像素点个数（对应观测向量中的）及目标-背景像素对数（对应观测向量中的）的预测，并更新步骤5所提到的流量参数；

接着，按照下列公式，更新背景参数：权值，均值及方差；

其中，为选用的混合高斯模型的个数， 表示时刻第个高斯模型的高斯分布概率（），为更新因子，为第t时刻检测的像素点；

最后，在完成参数预测及背景更新后，读入第帧视频图像，并返回步骤2；

步骤9.结束检测。

本发明的有益效果在于，针对近来提出的基于图切的全局优化弱目标检测方法，存在当边缘噪声杂波影响较大的情况下检测结果不够理想的问题，提出了一种改进的基于恒边长梯度加权图切算法的优化雷达弱目标检测方法，从而优化和改善了对于雷达弱目标的检测结果。

附图说明

图1为本发明的流程图。

具体实施方式

    本发明的实施流程图为图1所示，具体实施步骤如下：

步骤1.模型参数初始化：选定高斯背景模型个数，并设置背景模型初始的参数值：权值，均值及方差，（）；设置预测模型的观测噪声及系统噪声。

步骤2.通过相干积累及非相干积累捕捉包含雷达弱目标的视频流数据信息，并对获得的数据信息进行二值化处理，得到大小为的像素点矩阵，为矩阵宽度，为矩阵高度。

步骤3.根据可控核梯度求解方法，对步骤2中得到的像素点矩阵求解各个邻接像素的梯度值，记为，其中。

步骤4.根据能量函数，建立二值化的能量图模型。

步骤5.计算流量参数；

,,

其中，为差补矫正因子，为恒边长值， 是目标像素点的数目；为输入待检测的像素点，表示待检测的像素点是目标像素点的概率，表示待检测的像素点是背景像素点的概率；为输出的观测像素点，为将检测到的像素点判定为目标像素点的概率，表示将检测到的像素点判定为背景像素点的概率。

步骤6.算得流量参数后，即得边流量加权参数值和，将和代入步骤4所建立的能量图模型，对其所建图模型的边流量进行加权。具体操作为：如果，则将从源节点到像素节点的连接边的权重赋值为，将从像素节点到汇节点的连接边的权重赋值为0；如果，则将从源节点到像素节点的连接边的权重赋值为0，将从像素节点到汇节点的连接边的权重赋值为。同时，图模型中的各像素节点之间的连接边权重设置为与之对应的。之后，结合最大流最小切的生长树搜索原理实现图像的切割，提取检测目标。

步骤7.判断所得到的目标是否为最后一帧，若是，则跳到步骤9结束检测，反之进入步骤8。

步骤8.参数预测及背景更新

首先，结合kalman预测，对第帧视频，定义目标像素点数量为，目标-背景像素对数量为，和分别为和的速度分量，则得系统的状态向量为,同时，定义为第帧视频的第一个观测量，为第帧视频的第二个观测量，则得系统的观测向量为，建立如下系统模型为：

状态方程：；

观测方程：，

其中，为系统噪声，满足，；为观测噪声，满足，。设定系统噪声相关矩阵为，观测噪声相关矩阵为，则对应的方程参数分别为：

，，，。

其中，为系统读取每一帧图像信息所需要的时间，为系统噪声， 为观测噪声；根据上述系统模型，结合下述公式：

Kalman一步预测增益：,

预测状态方程：,

预测均方误差：，

通过一步迭代，实现对帧检测视频的目标像素点个数（对应观测向量中的）及目标-背景像素对数（对应观测向量中的）的预测，并更新步骤5所提到的流量参数；

接着，按照下列公式，更新背景参数：权值，均值及方差；

其中，为选用的混合高斯模型的个数，表示时刻第帧视频的第个高斯模型的高斯分布概率（），为更新因子，为第t时刻检测的像素点。

最后，在完成参数预测及背景更新后，读入第帧视频图像，并返回步骤2。

步骤9.结束检测。

Claims (1)

1.基于恒边长梯度加权图切的优化雷达微弱目标检测方法，其特征在于该方法的具体步骤是：

步骤1.模型参数初始化：设置背景模型的均值μ₀及方差预测模型的观测噪声e_k及系统噪声d_k；

步骤2.通过相干积累及非相干积累捕捉包含雷达弱目标的视频流数据信息，并对获得的数据信息进行二值化处理，得到大小为M×N的像素点矩阵，M为矩阵宽度，N为矩阵高度；

步骤3.根据可控核梯度求解方法，对步骤2中得到的像素点矩阵求解各个邻接像素的梯度值，记为f(d_i)，其中i＝1,2,…,(M-1)×N+M×(N-1)；

步骤4.根据能量函数，建立二值化的能量图模型；

步骤5.计算流量参数β′_i，γ及λ_i；

其中，b∈(0,1)为差补矫正因子，B为恒边长值，O是目标像素点的数目；x_i为输入待检测的像素点，P(x_i＝1)表示待检测的像素点x_i是目标像素点的概率，P(x_i＝0)表示待检测的像素点x_i是背景像素点的概率；y_i为输出的观测像素点，p(y_i|1)为将检测到的像素点y_i判定为目标像素点的概率，p(y_i|0)表示将检测到的像素点y_i判定为背景像素点的概率；

步骤6.算得流量参数后，即得边流量加权参数值(λ_i-γ)和β′_i，将(λ_i-γ)和β′_i代入步骤4所建立的能量图模型，对其所建图模型的边流量进行加权，最后依据最大流最小切生长树搜索原理对能量图的流量进行优化分配，实现目标与背景的分割，继而得到所要检测的雷达弱目标；

步骤7.判断所得到的目标是否为最后一帧，若是，则跳到步骤9结束检测，反之进入步骤8；

步骤8.参数预测及背景更新；

首先，结合kalman预测，对第k帧视频，定义目标像素点数量为O_k，目标-背景像素对数量为B_k，和分别为O_k和B_k的速度分量，则得系统的状态向量为同时，定义Z_k,1为第k帧视频的第一个观测量，Z_k,2为第k帧视频的第二个观测量，则得系统的观测向量为Z_k＝[Z_k,1,Z_k,2]^T，建立如下系统模型为：

状态方程：X_k+1＝A_kX_k+q_k；

观测方程：Z_k＝HX_k+r_k，

其中，q_k为系统噪声，满足E[q_k]＝0，r_k为观测噪声，满足E[r_k]＝0，设定系统噪声相关矩阵为Q_k，观测噪声相关矩阵为R_k，则对应的方程参数分别为：

其中，Δt为系统读取每一帧图像信息所需要的时间，d_k为系统噪声，e_k为观测噪声；根据上述系统模型，结合下述公式：

Kalman一步预测增益：G_k＝A_kP_kH^T(HP_kH^T+R_k)^-1, 

预测状态方程：

预测均方误差：

通过一步迭代，实现对k+1帧检测视频的目标像素点个数O_k+1及目标-背景像素对数B_k+1的预测，并更新步骤5所提到的流量参数β_i′，γ及λ_i；

接着，按照下列公式，更新背景参数：权值均值及方差

其中，m为选用的混合高斯模型的个数，表示t时刻第k帧视频的第j个高斯模型的高斯分布概率，j＝1,2,…,m，α∈(0,1)为更新因子，x^t为第t时刻检测的像素点；

最后，在完成参数预测及背景更新后，读入第k+1帧视频图像，并返回步骤2；

步骤9.结束检测。