CN105022046B - 一种基于图像特征的雷达弱目标检测方法 - Google Patents

Abstract

本发明公开了一种基于图像特征的雷达弱目标检测方法，以雷达回波图像为研究对象，采用动态规划和图像特征实现弱小目标检测。本发明方法将弱小目标的轨迹搜索转换为基于图像特征的最优寻迹问题，通过构建目标函数，联合处理多帧的观测数据，将目标能量沿着所有可能航迹进行积累，找出一条使得目标函数最优的状态序列作为目标的航迹估计，易于工程实现；该方法利用目标图像的图像特征以及目标的距离、方位、速度转移等特征来抑制虚警，目标检测性能优异。

Description

一种基于图像特征的雷达弱目标检测方法

技术领域

本发明涉及雷达弱目标检测领域，尤其涉及一种基于图像特征的雷达弱目标检测方法。

背景技术

随着电磁环境的日益复杂，信噪比是影响雷达探测性能的重要因素。虽然可以通过增大发射功率、提高天线孔径和增益、降低接收机噪声系数等方法改善低信噪比目标检测性能，但与通过信号处理实现对弱小目标(又称弱目标)的检测与跟踪的方法相比，后者更加灵活且成本较低。利用信号处理的雷达弱小目标检测与跟踪可以分为两类，检测后跟踪(TAD，Track-after-Detect)算法和检测前跟踪(TBD，track-before-detect)算法。

检测前跟踪算法TBD是一种低信噪比下对微弱目标检测与跟踪的技术，最初应用在红外图像序列的检测。在传统雷达目标检测中为了防止信号处理器的饱和一般采用恒虚警处理，但是会带来恒虚警损失，使得低信噪比下弱小目标无法被检测出来。为了去掉恒虚警处理带来的恒虚警损失，TBD技术在雷达信号处理中应运而生。TBD算法的实质是在强杂波/干扰、低信噪比下利用多次扫描积累提高信噪比，以增强雷达对弱小目标的检测能力。

目前国内外研究的TBD算法主要集中在：基于三维匹配滤波的TBD算法、基于多级假设检验的TBD算法、基于粒子滤波的TBD算法以及基于动态规划的TBD算法等。三维匹配滤波的TBD算法依据目标所有可能的运动情况设计若干个三维匹配滤波器，以输出信噪比最高的滤波器所获得的目标运动状态作为依据，对目标运动轨迹进行估计。该方法能同时检测多条轨迹但计算量大，搜索过程可能无法收敛，不能被广泛应用。

多级假设检验TBD算法能够在同一时刻检测到若干个速度不同的直线运动目标，但需要设置很多个轨迹树的起始节点，计算量大。基于粒子滤波的TBD算法检测精度高，但是粒子数的增加相应地造成计算量的递增，使得基于粒子滤波的TBD算法的实际应用受到限制。基于动态规划的TBD算法(dynamic programming-based track-before-detect，DP-TBD)能够实现对机动目标的检测与跟踪；为了降低无穷搜索带来的庞大计算量和存储量，在每次积累后只保留积累值中最大值和其积累路径，并及时去除伪航迹，所以该算法易于快速实现，但是算法在低SNR条件下存在虚警过多的问题。

发明内容

发明目的：为了解决现有的雷达弱目标检测方法在低信噪比下虚警过多的问题，本发明提出一种基于图像特征的雷达弱目标检测方法，达到提高雷达检测弱小目标性能、增强工程适用性且易于实时实现的效果。

技术方案：为了实现上述目的，本发明提供的基于图像特征的雷达弱目标检测方法，包括以下步骤：

(1)将雷达观测目标的单帧观测数据进行滤波处理；

(2)确定起始观测帧，利用DP-TBD动态规划算法以所述起始观测帧为起点将所述雷达观测目标的连续观测数据进行目标积累，获取并存储所述雷达观测目标在所述连续积累观测帧数K内每一观测时刻k的累积观测量I(X_k)和最佳转移状态所述每一观测时刻k对应一帧观测数据；

(3)对所述连续积累观测帧数K对应时刻的累积观测量I(X_K)进行形态滤波，并利用预先设定的目标判定门限V_T判断所述雷达观测目标是否存在，获取目标峰值位置得到所述连续积累观测帧数K对应时刻的估计状态

(4)利用所述连续积累观测帧数K对应时刻的状态X_K和每一观测时刻k的所述最佳转移状态进行航迹回溯并排除虚假航迹，得到所述雷达观测目标在所有观测帧对应时刻的估计状态

其中，步骤(2)中所述目标积累包括以下步骤：

(1)利用所述雷达观测目标的坐标位置和速度信息初始化观测数据在第一帧观测数据的状态X₁和DP-TBD动态规划算法的初始值，所述第一帧观测数据的状态X₁的表达式如下：

式中，(x₁,y₁)是目标初始坐标，是目标初始速度；

所述DP-TBD动态规划算法的初始值如下：

I(X₁)为第一帧观测数据的累积观测量，z_xy(1)为第一帧观测数据在坐标(x,y)位置处的观测值，I(X₁)为代价函数或累积观测量，为目标在第一帧的最佳转移状态；

(2)当2≤k≤K时，第k帧观测数据的状态X_k的递推表达式如下：

式中，I(X_k)为观测数据在k时刻的累积观测量，I(X_k-1)为观测数据在k-1时刻的累积观测量，Ψ_x(k)(k)为最佳转移状态，z_xy(k)表示第k帧观测数据在坐标(x,y)处的观测值。

其中，步骤(3)中所述获取目标峰值位置包括以下步骤：

(1)提取DP-TBD多帧累积观测数据进行形态滤波，表达式如下：

J(X_K)＝Tophat[I(X_K),SE]

式中，I(X_K)表示连续积累观测帧数K对应时刻的累积观测量，J(X_K)表示至第K帧累积观测数据经过顶帽变换后的雷达数据，SE是形态滤波的结构算子；

(2)利用所述目标判定门限V_T获取所述连续积累观测帧数K对应时刻的估计状态的表达式如下：

进一步地，为了方便运算，该方法在步骤(1)中对单帧数据进行滤波处理后还进行了数据归一化处理。

进一步地，为了降低观测数据中的噪声干扰，步骤(1)中所述滤波处理为双极点滤波，所述双极点滤波的差分递推公式为：

y_n＝x_n-1+k₁y_n-1-k₂y_n-2

式中，y_n为n时刻经过双极点积累后的输出信号，x_n-1为n-1时刻的雷达输入信号，y_n-1为n-1时刻经过双极点积累后的输出信号，y_n-2为n-2时刻经过双极点积累后的输出信号，k₁、k₂是双极点积累器的加权系数。

有益效果：本发明基于图像特征的雷达弱目标检测方法以雷达回波图像为研究对象，采用动态规划方法积累目标能量并进行存储，同时以目标积累数据的图像特征即图像的距离、方位、速度的状态转移为研究目标记录每一时刻的最佳转移状态，利用每帧观测数据的最佳转移状态提取弱小目标来抑制虚警，并对累积观测量采用基于图像的形态滤波，提高虚警抑制能力；常规雷达目标探测只利用了目标的能量起伏信息，忽略了目标在空间的形态特征，本发明方法采用形态滤波一方面能实现图像去噪，另外一方面还能够利用形态特征实现目标提取；本发明方法通过将弱小目标的轨迹搜索目标转换为最优寻迹问题，通过构建目标函数，联合处理多帧的观测数据，将目标能量沿着所有可能航迹进行积累，找出一条使得目标函数最优的状态序列作为目标的航迹估计，易于工程实现，经过循环验证，本发明方法的目标检测概率可达到95％。

附图说明

图1是基于图像特征的雷达弱目标检测方法的基本流程图；

图2是采用双极点滤波前后的雷达观测数据；图2(a)是采用双极点滤波前的雷达观测数据；图2(b)是图2(a)采用双极点滤波后的雷达观测数据；

图3是距离-方位向的状态转移示意图；

图4是连续6帧数据TBD累积视频截图；图4(a)是第1帧数据视频截图；图4(b)是前两帧数据TBD累积视频截图；图4(c)是前三帧数据TBD累积视频截图；图4(d)是前四帧数据TBD累积视频截图；图4(e)是前五帧数据TBD累积视频截图；图4(f)是六帧数据TBD累积视频截图；

图5是形态特征的目标检测变换图；图5(a)是DP-TBD多帧累积观测数据；图5(b)是对图5(a)中的数据进行顶帽变换后的数据；图5(c)是目标检测结果；

图6是6dB仿真目标从第1帧到第10帧航迹关联结果示意图；图6(a)是目标真值航迹，图6(b)是目标检测航迹。

具体实施方式

下面结合附图对本发明作进一步详细描述。

图1中基于图像特征的雷达弱目标检测方法包括以下步骤：

1.滤波处理：对雷达观测目标的单帧观测数据进行滤波处理，可以采用双极点滤波来消除观测数据中的噪声，增强信号信噪比。双极点滤波的差分递推公式为：

y_n＝x_n-1+k₁y_n-1-k₂y_n-2

其中，x_n是n时刻的雷达输入信号，x_n-1是n-1时刻的雷达输入信号，y_n是n时刻经过双极点积累后的输出信号，y_n-1是n-1时刻经过双极点积累后的输出信号，y_n-2是n-2时刻经过双极点积累后的输出信号，k₁、k₂是双极点积累器的加权系数。

除了采用双极点滤波，还可以采用单极点滤波、滑窗检测、低速目标检测器等等，只要满足信号非相干积累条件即可。

2.数据归一化：计算输入数据的噪声功率均值P_n，利用噪声功率均值对雷达单帧观测数据进行归一化，归一化后的雷达单帧观测数据为z_xy(k)：

3.动态规划的目标积累：利用DP-TBD动态规划算法，把目标可能经历的所有轨迹的观测值累积起来，采用连续K帧数据进行积累，连续积累观测帧数K可以根据雷达的性能预先设定，获取并存储雷达观测目标在K帧内每一观测时刻k的累积观测量和最佳转移状态，每一观测时刻k对应一帧观测数据。具体表述为：

(a).初始化：以第1帧数据为起始观测帧，初始状态设为即认为初始时刻目标可能在状态空间的任何位置，其中(x₁,y₁)是目标坐标，是目标速度。记

其中，X₁表示目标在观测时刻1的目标初始位置和初始速度信息；z_xy(1)表示第一帧观测数据在(x,y)这一坐标位置的观测值，大小由信号的幅度和噪声共同决定；I(X₁)为第一帧观测数据的累积观测量，I(X_k)称为代价函数或累积观测量，记录沿某一轨迹的观测值的非相干累积，可采用幅度值进行累积；为目标在第一帧的最佳转移状态，记录目标在k时刻的状态在(x,y)这一坐标位置最可能自上一时刻的哪个状态转移而来。上述初始化条件表示初始时刻，目标可能在观测范围内的任意分辨单元。

(b).递推：当2≤k≤K时，对所有的状态X_k有：

其中，I(X_k)为观测数据在k时刻的累积观测量，I(X_k-1)为k-1时刻的累积观测量，表示状态X_k-1在所有搜索区域M*N内最大的累积观测量，该值所对应的状态为该搜索区域内最可能转移到状态X_k的状态，Ψ_x(k)(k)为目标在第k帧的最佳转移状态，用于记录X_k-1中最大的累积观测值I(X_k-1)对应的X_k-1的目标位置和速度信息，z_xy(k)表示第k帧观测数据在(x,y)这一坐标位置的观测值。递推过程计算并存储状态转移过程和其相应的累积观测值。图3是距离-方位向的状态转移示意图。

4.基于图像特征的目标检测：形态滤波能够从图像中提取感兴趣的目标形状特征，在图像去噪声、图像像素化处理、修剪毛刺、背景分割等方面具有广泛应用，例如人脸识别、显微镜图像中细菌计数、图像增强等。常规雷达目标探测只利用了目标的能量起伏信息，忽略了目标在空间的形态特征，而将形态滤波，一方面能实现图像去噪，另外一方面还能够利用形态特征实现目标提取，因此基于形态特征的目标检测具有良好应用前景，本发明利用顶帽变换法可以有效过滤雷达观测目标的背景噪声，实现不均匀背景中目标提取。本发明中采用形态滤波的顶帽变换方法，实现DP-TBD多帧累积观测数据中的目标提取。

J(X_K)＝Tophat[I(X_K),SE]

式中，I(X_K)表示连续积累观测帧数K对应时刻的累积观测量，J(X_K)表示至第K帧累积观测数据经过顶帽变换(Tophat变换)后的雷达数据，SE是形态滤波的结构算子，顶帽变换表示图像Image与图像Image的开运算之差，为了方便描述，利用H指代，表达式为：

H＝Image-(ImageοSE)

寻找连续积累观测帧数K对应时刻的目标状态估计

其中V_T是门限。J(X_K)表示至连续积累观测帧数K时，状态X_K经过顶帽变换后的累积观测数据。当该函数超过门限V_T时，即认为该目标在第K个观测时刻状态可能是X_K。

5.航迹回溯：提取DP-TBD算法的最优观测轨迹，实现航迹回溯。通过目标位置x_k,y_k、运动速度等信息，排除虚假航迹，完成第k帧数据目标检测和航迹回溯。根据步骤4中所得到的K时刻的目标状态估计找出其对应的获取K-1时刻的目标状态估计再利用状态X_K-1对应的获取K-2时刻的状态，依次类推，获取所有连续观测帧的目标估计，即如下表达式：

其中，保留的是最可能自k时刻哪个状态转移而来，将此状态作为k时刻目标状态的估计。

6.航迹关联：以第2帧数据为起始观测帧，重复步骤1到步骤5，进行连续帧数据处理，即可得到第K+1帧的目标状态估计并进行记录，由于第2帧至第K帧观测数据的目标状态估计已经获取，此时可不再进行更新；再以第3帧数据为起始观测数据，重复步骤1至步骤5得到第K+2帧的目标状态估计并进行记录；依次类推，得到所有观测帧的目标状态估计顺序连接，便可以得到目标的跟踪轨迹，完成目标跟踪。利用目标跟踪轨迹和目标的真实轨迹进行对比，可以直观的验证弱目标检测方法的检测准确率。

下面结合具体数值设置对本发明的基于图像特征的雷达弱目标检测方法做进一步详细的描述。

在200×100的观测区域中存在两个匀速运动的目标，不考虑目标动机；雷达天线扫描10s/转，因此数据积累过程两帧的间隔为10s；目标SNR为5dB，运动方向相对于正北顺时针195°，运动速度15单元/10s，目标初始位置分别为(40,30)和(70,30)。

即对于目标1有：

X₁＝[40,30,15*cos(195/180*π),15*sin(195/180*π)]

对于目标2有：

X₁＝[70,30,15*cos(195/180*π),15*sin(195/180*π)]

扫描帧数为10帧，扫描间隔时间T＝10s；测量噪声为高斯白噪声。

1.滤波处理：对雷达的每帧观测数据均进行双极点滤波，双极点积累器的加权系数为：k₁＝1.26,k₂＝0.49，双极点滤波前后雷达视频如图2所示。

2.数据归一化：计算输入数据的噪声功率均值，利用噪声功率均值对雷达单帧观测数据进行归一化。

3.动态规划的目标积累：利用DP-TBD动态规划算法，采用连续6帧数据进行目标积累，若累积观测数据超过设定门限时认为目标存在，同时给出跟踪轨迹。具体表述为：

(a).初始化：目标初始位置分别为(40,30)和(70,30)。

(b).递推：当2≤k≤6时，对所有的状态X_k有：

假设状态转移的搜索区域为5*3，那么X_k-1表示k时刻的状态可能来自k-1时刻q＝15个状态。表示可能转移到状态X_k的15个状态X_k-1中，累积观测数据I(X_k-1)最大的状态即是最有可能转移到状态X_k的k-1时刻的状态。图3是距离-方位向的状态转移示意图，可以看到，第k帧位置(i，j)的数据可能来自第k-1帧位置(i，j)附近的5*3的区域，通过在5*3的区域中计算累积观测量的最大值，确认当前第k帧的累积观测量。图4是连续6帧数据的积累观测视频I(X_k)，k＝1,2,…,6。其中，图4(a)是第1帧雷达观测视频，可以看到初始化设置的两个目标分别位于(40,30)和(70,30)位置，图4(b)是第2帧TBD积累的累积观测量，它是第1次状态转移的结果，可以看到随着目标的运动，视频中最强的能量集中在(35,45)和(65,45)。依次进行下去，得到第6帧累积观测量。

4.基于图像特征的目标检测：提取DP-TBD多帧累积观测数据进行形态滤波。结构算子SE取值为40×20，图5(a)是输入的累加观测数据I(X_k)，对累加观测数据进行顶帽变换(Tophat变换)后得到图5(b)图像J(X_k)，图5(c)是目标检测结果。

5.航迹回溯和滤波：提取DP-TBD算法的最优观测轨迹，实现航迹回溯。对于J(X_k)超过门限的状态X_k，令k＝5,4,3,2,1，使

k＝K-1,K-2,...,1其中，保留的是最可能自k时刻哪个状态转移而来，将此状态作为k时刻目标状态的估计。

6.航迹关联：以第2帧数据为起始观测数据，即以第2至第7帧观测数据为连续积累观测数据，重复步骤1到步骤5，进行连续帧数据处理。对连续10帧数据处理结果进行航迹关联，实现目标跟踪。图6是目标的航迹示意图，其中图6(a)是6dB的仿真目标的真值航迹，图6(b)是本发明的检测航迹，可以看到目标1的10帧数据全部检测到，目标2检测到9帧数据，目标检测概率达到95％。

本发明在对传统的基于动态规划的TBD算法分析的基础上提出了其改进算法，提出基于图像特征的雷达弱目标检测方法，将弱目标的轨迹搜索目标转换为最优寻迹问题，它通过设计一类目标函数，联合处理多帧的观测数据，将目标能量沿着所有可能航迹进行积累，找出一条使得目标函数最优的状态序列作为目标的航迹估计，易于工程实现。本发明的基于图像特征的雷达弱小目标检测方法，利用目标图像的距离、方位、速度转移特征，抑制虚警，目标检测性能优异。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (5)

1.一种基于图像特征的雷达弱目标检测方法，其特征在于，该方法包括以下步骤：

(1)将雷达观测目标的单帧观测数据进行滤波处理；

(2)确定起始观测帧，利用DP-TBD动态规划算法以所述起始观测帧为起点将所述雷达观测目标的连续观测数据进行目标积累，直至所观测的帧数达到预先设定的连续积累观测帧数K，获取并存储所述雷达观测目标在所述连续积累观测帧数K内每一观测时刻k的能量积累I(X_k)和最佳转移状态所述每一观测时刻k对应一帧观测数据；

(3)对所述连续积累观测帧数K对应时刻的累积观测量I(X_K)进行形态滤波，并利用预先设定的目标判定门限V_T判断所述雷达观测目标是否存在，获取目标峰值位置得到所述连续积累观测帧数K对应时刻的估计状态

(4)利用所述连续积累观测帧数K对应时刻的估计状态和每一观测时刻k的所述最佳转移状态进行航迹回溯并排除虚假航迹，得到所述雷达观测目标在每一观测时刻k的估计状态

2.根据权利要求1所述的基于图像特征的雷达弱目标检测方法，其特征在于，步骤(2)中所述目标积累包括以下步骤：

(1)利用所述雷达观测目标的坐标位置和速度信息初始化观测数据在第一帧观测数据的状态X₁和DP-TBD动态规划算法的初始值，所述第一帧观测数据的状态X₁的表达式如下：

$X_1={\[x_1,y_1,{\stackrel{\·}{x}}_1,{\stackrel{\·}{y}}_1\]}^T$

式中，(x₁,y₁)是目标初始坐标，是目标初始速度；

所述DP-TBD动态规划算法的初始值如下：

$\left\{\begin{array}{c}I\left(X_1\right)=z_{xy}\left(1\right)\\ {\mathrm{\Ψ}}_{X_k}\left(1\right)=0\end{array}\right.$

I(X₁)为第一帧观测数据的累积观测量，z_xy(1)为第一帧观测数据在坐标(x,y)位置处的观测值，I(X₁)为代价函数或累积观测量，为目标在第一帧的最佳转移状态；

(2)当2≤k≤K时，第k帧观测数据的状态X_k的递推表达式如下：

$\left\{\begin{array}{c}I\left(X_k\right)=\underset{X_{k-1}}{max}\[I\left(X_{k-1}\right)\]+z_{xy}\left(k\right)\\ {\mathrm{\Ψ}}_{X_k}\left(k\right)=\underset{X_{k-1}}{\arg \max }\[I\left(X_{k-1}\right)\]\end{array}\right.$

式中，I(X_k)为观测数据在k时刻的累积观测量，I(X_k-1)为观测数据在k-1时刻的累积观测量，Ψ_x(k)(k)为目标在第k帧的最佳转移状态，z_xy(k)表示第k帧观测数据在坐标(x,y)处的观测值。

3.根据权利要求1所述的基于图像特征的雷达弱目标检测方法，其特征在于，步骤(3)中所述获取目标峰值位置包括以下步骤：

(1)提取DP-TBD多帧累积观测数据进行形态滤波，表达式如下：

J(X_K)＝Tophat[I(X_K),SE]

式中，I(X_K)表示连续积累观测帧数K对应时刻的累积观测量，J(X_K)表示至第K帧累积观测数据经过顶帽变换后的雷达数据，SE是形态滤波的结构算子；

(2)利用所述目标判定门限V_T获取所述连续积累观测帧数K对应时刻的估计状态的表达式如下：

$\left\{{\hat{X}}_K\right\}=\{X_K:J\left(X_K\right)>V_T\}.$

4.根据权利要求1至3中任意一项所述的基于图像特征的雷达弱目标检测方法，其特征在于，该方法在步骤(1)中对单帧数据进行滤波处理后还进行了数据归一化处理。

5.根据权利要求1至3中任意一项所述的基于图像特征的雷达弱目标检测方法，其特征在于，步骤(1)中所述滤波处理为双极点滤波，所述双极点滤波的差分递推公式为：

y_n＝x_n-1+k₁y_n-1-k₂y_n-2

式中，y_n为n时刻经过双极点积累后的输出信号，x_n-1为n-1时刻的雷达输入信号，y_n-1为n-1时刻经过双极点积累后的输出信号，y_n-2为n-2时刻经过双极点积累后的输出信号，k₁、k₂是双极点积累器的加权系数。