CN107703495B - 一种目标信号检测方法及系统 - Google Patents
一种目标信号检测方法及系统 Download PDFInfo
- Publication number
- CN107703495B CN107703495B CN201710776719.8A CN201710776719A CN107703495B CN 107703495 B CN107703495 B CN 107703495B CN 201710776719 A CN201710776719 A CN 201710776719A CN 107703495 B CN107703495 B CN 107703495B
- Authority
- CN
- China
- Prior art keywords
- cfar
- detector
- unit
- sliding window
- detection unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种目标信号检测方法及系统。该方法包括步骤:获取信号的测试样本,测试样本包括参考单元和检测单元,参考单元包括前沿滑窗和后沿滑窗;根据前沿滑窗和检测单元计算出第一变化指数,以及根据后沿滑窗和检测单元计算出第二变化指数;使用支持向量机SVM模块对第一变化指数和第二变化指数进行第一计算,并根据第一计算的结果输出选择信号;根据选择信号确定第一检测器的阈值,第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种;根据阈值,判断检测单元是否有目标信号。采用本发明提供的方法,可以实现在不同的工作环境(均匀杂波背景、多目标环境和杂波边缘环境)下的检测性能的提升。
Description
技术领域
本发明涉及雷达和声纳信号处理技术领域,尤其涉及一种目标信号检测方法及系统。
背景技术
雷达信号处理的基本目的是检测感兴趣目标于雷达回波中存在与否,而雷达回波不可避免地叠加了杂波和接收机噪声。因此,雷达信号接收机必须对回波信号进行处理,确定其是否包含感兴趣的目标,进而确定目标的距离、速度等信息。早期雷达系统需要根据个人经验设定检测门限来判断目标存在与否。随着自动检测技术的发展,雷达检测从开始的固定或半固定门限检测发展到恒虚警率(CFAR,Constant False Alarm Rate)的自动检测。
Finn,H.M.等人发表的文章《Adaptive detection mode with thresholdcontrol as a function of spatially sampled clutter-level estimates》(RCVReview,vol.29,no.9,pp.414-464)中提出一种单元平均(Cell Averaging,简称CA)CFAR方法(以下简称CA-CFAR)。CA-CFAR在均匀杂波背景下具有很好的检测性能,在杂波边缘中会引起虚警率的上升,而在多目标环境中将导致检测性能的下降。
Hansen,V.G.等人发表的文章《Detectability loss due to the greatest-of-selection in a cell averaging CFAR》(IEEE Trans.Aerosp.Electron.Syst.,vol.16,pp.115-118)中提出一种最大选择(Greatest Of,简称GO)CFAR方法(以下简称GO-CFAR)。GO-CFAR在杂波边缘环境中具有很好的虚警控制性能,但是在多目标环境中会出现“目标遮蔽”现象,其检测性能严重下降。
Trunk,G.V.等人发表的文章《Range resolution of targets using automaticdetectors’》(IEEE Trans.Aerosp.Electron.Syst.,vol.14,no.5,pp.750-755)中提出一种最小选择(Smallest Of,简称SO)CFAR方法,即SO-CFAR。(以下简称SO-CFAR)。当干扰目标只位于前沿滑窗或后沿滑窗时,SO-CFAR具有较好的多目标分辨能力,但是在杂波边缘中它的虚警控制能力很差。
Rohling,H.等人发表的文章《Radar CFAR thresholding in clutter andmultiple target situations’》(IEEE Trans.Aerosp.Electron.Syst.,vol.19,no.4,pp.608-621)中提出一种有序统计(Ordered Statistics,简称OS)CFAR方法(以下简称OS-CFAR检测器)。OS-CFAR检测器在多目标环境中具有良好的分辨能力,相比ML类方法具有明显优势,但是OS-CFAR检测器在均匀杂波背景下检测性能和在杂波边缘中它的虚警控制能力比CA-CFAR要差。
Farrouki,A.等人发表的文章《Automatic censoring CFAR detectorbased onordered data variability for nonhomogeneous environments》(IEE Proc-RadarSonar Naving,vol.152,no.1,pp.43-51)中提出一种基于排序数据方差(Ordered DataVariability,简称ODV)的自动删除单元平均(ACCA,Automatic Censored CellAveraging)检测器(以下简称ACCA-CFAR检测器)。ACCA-CFAR检测器在均匀杂波背景下具有CA-CFAR的检测性能,同时在多目标环境中针对不同数量的干扰目标,其检测性能的鲁棒性要优于OS-CFAR,但是其在杂波边缘环境中的虚警控制性能比OS-CFAR还要差。
Michael等人发表的文章《Intelligent CFAR processor based on datavariability》(IEEE Trans.Aerosp.Electron.Syst.,vol.36,no.3,pp.837-847)中提出一种基于变化指数(Variability Index,简称VI)的检测器(以下简称VI-CFAR检测器)。它采用的是基于CA-CFAR、GO-CFAR、和SO-CFAR的一种综合检测方法,该方法通过计算参考单元的二阶统计量(即变化指数VI)以及前后滑窗均值之比,动态地调整背景杂波功率水平的估计方法。VI-CFAR检测器在均匀环境下具有较好的检测性能,在杂波边缘中可以很好地控制虚警率,但在多目标环境中,特别是当前后两个滑窗都存在干扰目标时,检测性能的损失较大。
综上可知,在选择CFAR检测器时很难权衡检测性能和抗杂波边缘性能。通常具有较好检测性能的检测器在杂波边缘环境中的性能不太理想,或者良好抗边缘杂波的检测器在均匀杂波背景、多目标环境中的检测性能不太理想。
发明内容
本发明的目的在于,解决现有技术中的上述问题,提供了一种目标信号检测方法及系统,实现在不同的工作环境(均匀杂波背景、多目标环境和杂波边缘环境)下的检测性能的提升。
一方面,本发明提供了一种目标信号检测方法。该方法包括:
获取信号的测试样本,测试样本包括参考单元和检测单元,参考单元包括前沿滑窗和后沿滑窗;
根据前沿滑窗和检测单元计算出第一变化指数,以及根据后沿滑窗和检测单元计算出第二变化指数;
使用支持向量机SVM模块对第一变化指数和第二变化指数进行第一计算,并根据第一计算的结果输出选择信号;
根据选择信号确定第一检测器的阈值,第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种;
根据阈值,判断检测单元是否有目标信号。
优选地,根据前沿滑窗和检测单元计算出第一变化指数,以及根据后沿滑窗和检测单元计算出第二变化指数,包括:
其中,VI表示变化指数,为集合中元素的方差的估计值,为集合中元素的均值的估计值,n表示集合中元素的总个数,si表示集合中的第i个元素,i=1,…,N/2+1,表示集合中元素的均值;集合由前沿滑窗和检测单元组成,或者由后沿滑窗和检测单元组成。
优选地,根据选择信号确定第一检测器的阈值,包括:
CFAR模块根据选择信号,从多个检测器中选择第一检测器对参考单元、或参考单元与检测单元之和进行第二计算,并根据第二计算的结果输出第一检测器的阈值。
优选地,SVM模块包括SVM模型的训练参数,训练参数通过以下步骤获得:
根据预先设定的工作参数确定训练样本集,训练样本集包括训练样本以及训练样本的类标记;
SVM模块根据训练样本集对SVM模型进行训练,以获取SVM模型的训练参数。
优选地,SVM模块包括以下计算公式:
其中,y表示测试样本的类标记;sign表示符号函数;n是训练样本集中支持向量的个数;yi代表第i个训练样本所对应的类标记,表示第i个训练样本,i=1,…,n;表示测试样本;和b为训练参数,
优选地,预先设定的工作环境包括均匀环境、多目标环境和杂波边缘环境。
优选地,多个检测器包括单元平均恒虚警率CA-CFAR检测器、最大选择恒虚警率GO-CFAR检测器、最小选择选择恒虚警率SO-CFAR检测器、有序统计恒虚警率OS-CFAR检测器和自动删除单元平均恒虚警率ACCA-CFAR检测器中的至少两种检测器。
另一方面,本发明提供了一种目标信号检测系统。该系统包括:
获取单元,用于获取信号的测试样本,测试样本包括参考单元和检测单元,参考单元包括前沿滑窗和后沿滑窗;
计算单元,用于根据前沿滑窗和检测单元计算出第一变化指数,以及根据后沿滑窗和检测单元计算出第二变化指数;
输出单元,用于使用支持向量机SVM模块对第一变化指数和第二变化指数进行第一计算,并根据第一计算的结果输出选择信号;
选择单元,用于根据选择信号确定第一检测器的阈值,第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种;
判断单元,用于根据阈值,判断检测单元是否有目标信号。
优选地,选择单元具体用于,使用CFAR模块根据选择信号,从多个检测器中选择第一检测器对参考单元、或参考单元与检测单元之和进行第二计算,并根据第二计算的结果输出第一检测器的阈值。
优选地,输出单元中的SVM模块包括SVM模型的训练参数,输出单元还用于获取训练参数,输出单元具体包括:
确定子单元,用于根据预先设定的工作参数确定训练样本集,训练样本集包括训练样本以及训练样本的类标记;
训练子单元,用于使用SVM模块根据训练样本集对SVM模型进行训练,以获取SVM模型的训练参数。
本发明实施例提供的一种目标信号检测方法及系统,根据不同的工作环境(均匀杂波背景、多目标环境和杂波边缘环境)选择两种或两种以上的CFAR检测器构成新的检测系统,并由CFAR模块计算各种CFAR检测器的阈值;根据预先设定的工作参数生成训练样本集,并利用训练样本集对SVM模块进行训练,并得到训练参数。当测试开始时,VI计算模块根据测试样本计算第一变化指数和第二变化指数,并将两个变化指数作为特征,输入SVM模块,SVM模块根据这两个变化指数和训练参数,确定其分类,并输出选择信号;CFAR模块根据SVM模块输出的选择信号选取相应的检测器阈值作为最终检测阈值,从而实现在不同的工作环境下的检测性能的提升。
附图说明
图1为本发明实施例提供的一种目标信号检测方法的流程示意图;
图2为本发明实施例提供的实施例中VI随干扰目标数量增加的变化情况示意图;
图3为本发明实施例提供的实施例中均匀环境下VI的示意图;
图4为本发明实施例提供的实施例中多目标环境下VI的示意图;
图5为本发明实施例提供的实施例中一种杂波边缘环境下VI的示意图;
图6为本发明实施例提供的实施例中另一种杂波边缘环境下VI的示意图;
图7为本发明实施例提供的实施例中又一种杂波边缘环境下VI的示意图;
图8为本发明实施例提供的实施例中再一种杂波边缘环境下VI的示意图;
图9为本发明实施例提供的实验1中各种检测器在均匀背景下的检测性能对比图;
图10为本发明实施例提供的实验1中β在均匀背景下的分类错误概率示意图;
图11为本发明实施例提供的实验1中各种检测器在只有一个干扰目标环境下的检测性能对比图;
图12为本发明实施例提供的实验1中β在各种检测器在只有一个干扰目标环境下的分类错误概率示意图;
图13为本发明实施例提供的实验1中各种检测器在有两个干扰目标环境下的检测性能对比图;
图14为本发明实施例提供的实验1中β在各种检测器在有两个干扰目标环境下的分类错误概率示意图;
图15为本发明实施例提供的实验1中各种检测器在有四个干扰目标环境下的检测性能对比图;
图16为本发明实施例提供的实验1中β在各种检测器在有四个干扰目标环境下的分类错误概率示意图;
图17为本发明实施例提供的实验2中各种检测器抗杂波边缘性能对比图;
图18为本发明实施例提供的实验2中γ在抗杂波边缘背景下的分类错误概率示意图;
图19为本发明实施例提供的一种目标信号检测系统的结构示意图;
图20为本发明实施例提供的另一种目标信号检测系统的结构示意图。
具体实施方式
下面通过附图和实施例,对本发明的技术方案作进一步的详细描述。
图1为本发明实施例提供的一种目标信号检测方法的流程示意图。如图1所示,该方法可以包括步骤S101-S105:
步骤S101,获取信号的测试样本,该测试样本包括参考单元和检测单元,且参考单元包括前沿滑窗和后沿滑窗。
具体地,对信号进行单脉冲检测,在某个分辨单元中得到一个观测值v(t),将v(t)输入匹配滤波器进行滤波处理后,输出得到信号的同相分量I(v)和正交分量Q(v)。将I(v)和Q(v)输入平方律检测器,输出得到检测统计量D(v):
D(v)=I2(v)+Q2(v) (1)
将每一个D(v)依次输入参考单元和检测单元中,作为参考单元xi(i=1,…,N,N为参考单元的长度)和检测单元D,参考单元包括前沿滑窗和后沿滑窗。前沿滑窗中的总的集合为{x1,x2,...,xN/2},后沿滑窗中的总的集合为{xN/2+1,xN/2+2,...,xN},参考单元中的总的集合为{x1,...,xN/2,xN/2+1,...,xN}。参考单元和检测单元的长度为N+1,即为:{x1,...,xN/2,D,xN/2+1,...,xN}。检测单元的两侧设置的保护单元,可以用来防止目标能量泄露到参考单元中,影响检测器杂波强度的两个局部估计值。
步骤S102,根据前沿滑窗和检测单元计算出第一变化指数,以及根据后沿滑窗和检测单元计算出第二变化指数。
具体地,前沿滑窗和检测单元中的总的集合为A={x1,x2,...,xN/2,D}根据前沿滑窗和检测单元计算出第一变化指数VIA。后沿滑窗和检测单元中的总的集合为B={D,xN/2+1,...,xN}根据后沿滑窗和检测单元计算出第二变化指数VIB。具体的计算公式均为:
其中,VI表示变化指数,为集合中元素的方差的估计值,为集合中元素的均值的估计值,n表示集合中元素的总个数,si表示集合中的第i个元素,i=1,…,N/2+1,表示集合中元素的均值。
需要说明的是,本步骤中计算出第一变化指数和第二变化指数,以作为步骤S103中输入支持向量机(Support Vector Machine,SVM)模块的特征量。下面,对提出并使用第一变化指数和第二变化指数作为SVM模块的特征量的原因进行具体介绍:
首先,根据公式(2)可知,VI是方差估计值和均值估计值的函数。下面以图2来说明VI的变化情况。假设当前均匀环境下参考单元中的噪声功率为1,同时干扰目标的功率或杂波功率也为1,参考滑窗的长度为8。
随着干扰目标或杂波进入参考滑窗的数目增加,VI的变化情况如图2所示,当有较少的干扰目标或杂波进入参考单元时VI增加,此时可以判断VI是可变的。而随着干扰目标数目或杂波进一步增加VI开始减小,当参考单元充满干扰目标或杂波时,VI的值与参考单元不包含干扰目标或杂波时相同,此时可以判断VI是不可变的。
接下来说明不同的工作环境(均匀环境、多目标环境和杂波边缘环境)下,参考单元与检测单元上VI的特点,包括判别VI是可变或是不可变。
(1)当工作环境为均匀环境时,参考单元的噪声功率与检测单元的目标信号功率的示意图如图3所示。
如图3所示,VIA表示前沿滑窗和检测单元上的变化指数,VIB表示后沿滑窗和检测单元上的变化指数。当随着信噪比的增加,检测单元的目标信号功率大于参考单元的噪声功率,因此可以假定当前的VIA和VIB是可变的。
(2)当工作环境为多目标环境时,参考单元的噪声功率或干扰目标功率与检测单元的目标信号功率的示意图如图4所示。
与图3相比,前沿滑窗和后沿滑窗的一些参考单元上有干扰目标,且其功率比其他参考单元上的噪声功率要大,因此,同样可以假定当前的VIA和VIB也都是可变的。
(3)当工作环境为杂波边缘环境,且杂波还没有进入前沿滑窗时,参考单元与检测单元的噪声功率的示意图如图5所示。
与图3相比,此时前沿滑窗和后沿滑窗的参考单元上同样只有噪声,但是检测单元上没有目标信号。因此可以假定当前的VIA和VIB都是不可变的。而当杂波进入前沿滑窗时(这里假定杂波功率大于噪声功率),参考单元上的噪声功率或杂波功率与检测单元上的噪声功率如图6所示。
与图5相比,此时前沿滑窗的一些参考单元上有杂波,而检测单元和后沿滑窗的参考单元上只有噪声。因此假定当前的VIA是可变的,而VIB是不可变的。当杂波继续向前进入到后沿滑窗时,参考单元上的噪声功率或杂波功率与检测单元上的杂波功率如图7所示。
与图6相比,杂波已经进入检测单元与后沿滑窗,此时假定VIB是可变的。同时由于杂波充满前沿滑窗和检测单元,因此当前的VIA是不可变的。当杂波继续向前充满后沿滑窗时,参考单元与检测单元上的杂波功率如图8所示。
此时杂波充满前沿滑窗、检测单元以及后沿滑窗,因此可以假定当前的VIA和VIB都是不可变的。
由以上分析可以看出,变化指数VIA和VIB作为特征,可以很好刻画当前工作环境,表1中给出了VIA和VIB与工作环境的对应关系。
表1
由表1可知,当检测器处于均匀环境或者多目标环境时,VIA和VIB都是可变的。而当检测器处于杂波边缘环境时,VIA和VIB中至少有一个是不可变的。
因此,本发明实施例提供的目标信号检测方法以VIA和VIB为输入SVM模块的特征。
步骤S103,使用支持向量机SVM模块对第一变化指数和第二变化指数进行第一计算,并根据第一计算的结果输出选择信号。
具体的,使用SVM模块对第一变化指数和第二变化指数进行第一计算,并根据第一计算结果输出信号,输出信号用于指示与输出信号相对应类型的检测器的阈值。
SVM模块包括SVM模型的训练参数,下面,对训练参数的获取方法进行介绍,该方法包括步骤S1031-S1032:
步骤S1031,根据预先设定的工作参数确定训练样本集,训练样本集包括训练样本以及训练样本的类标记。
具体的,预先设定的工作参数可以包括表示工作环境的参数,表示干扰目标出现的位置的参数、表示杂波出现的位置的参数、目标信噪比、训练样本个数、训练样本类标记。其中,工作环境可以包括均匀环境、多目标环境和杂波边缘环境。干扰目标出现的位置和杂波出现的位置都可以包括参考单元和检测单元中的各个位置,训练样本的类标记可以根据第一变化指数和第二变化指数的变化情况设置,如1或-1。
表2为本发明实施例提供的一种训练集的选取方法,其中,其中,snri表示信噪比的第i个取值,且i=1,…,r,r表示信噪比不同取值的总个数,t表示不同情况下的训练样本个数。
表2
训练样本集可以包括多个训练样本和训练样本的类标记。其中,多个训练样本可以由软件根据预先设定的工作参数随机生成,并对生成的训练样本中的每一个训练样本添加一个标记(label),作为分类训练的标记。且带有标记信息的训练样本,称为样例(example)。
示例性的,针对一个训练集可以表示为: 表示一个训练样本,yi表示该样本的标记,组成了一个训练样例,P表示训练集的总数。d表示训练样本的维度。在本发明实施例中训练样本的维度为2,即(符号T表示向量转置),VIA,i和VIB,i分别表示第i个训练样本的第一变化指数和第二变化指数。在本发明实施例中yi∈{-1,1}。
步骤S1032,SVM模块根据训练样本集对SVM模型进行训练,以获取SVM模型的训练参数。
SVM实质解决的是分类问题,针对分类基本问题可以通过下式来表示:
其中,表示一组权值,b∈R是一个标量,sgn表示符号函数,符号T表示向量转置。表示由Rd到Rq的非线性映射,即q表示非线性映射特征空间的维度。在特征空间中,两种不同分类的间隔可以表示为符号||||表示2范数。为了最大化分类间隔和最小化训练误差,SVM的分类优化问题可以表示为:
其中,ξi是第i个样本的训练误差,C为惩罚因子,需要折衷考虑分类间隔和训练误差,从而得到最优的分类超平面。
公式(4)是一个最优化理论中的严格凸二次规划(QP,Quadratic Programming)问题。构造拉格朗日(Lagrange)函数,公式(4)中的SVM分类优化问题可以等价表示为:
其中,αi是第i个样本的拉格朗日因子。
核函数(Kernel function)通常被应用于SVM学习算法中,可以用下式表示:
因此公式(5)可以表示为:
由公式(7)解得:
其中,n是训练集中支持向量的个数。公式(3)中SVM模块针对分类问题的表达可以改写为:
SVM模块通过对训练集进行分类训练,可以得到训练参数和b,同时和yi可以由训练样例直接得到。因此,在实际测试中,只需要将代入公式(9)就可以得到分类结果y,并作为选择信号输出给CFAR模块。
常用的核函数包括:
线性核函数:
多项式核函数:
径向基函数:
sigmoid函数:
在公式(11)-(13)中,exp表示指数函数,tanh表示双曲正切函数,σ,r和d是核函数的标量参数。
步骤S104,根据选择信号确定第一检测器的阈值,第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种。
具体的,CFAR模块根据选择信号,从多个检测器中选择第一检测器对参考单元、或参考单元与检测单元之和进行第二计算,并根据第二计算的结果输出第一检测器的阈值。
示例性的,CFAR模块中可以包含CA-CFAR检测器、GO-CFAR检测器、SO-CFAR检测器、OS-CFAR检测器和ACCA-CFAR检测器中的至少两种检测器。例如,CFAR模块中包含ACCA-CFAR检测器和GO-CFAR检测器。需要说明的是,本实施例中,CFAR模块可以包含其它种类的CFAR检测器,也可以包含三种以上的检测器,本发明对CFAR检测器的种类和数量不作限定。
步骤S105,根据阈值,判断检测单元是否有目标信号。
具体地,根据第一检测器的阈值S,使用比较器通过自适应判决准则判断检测单元D是否有目标信号。其中,自适应判决准则为:
其中,Z是背景杂波功率水平的估计,T是标称化因子,H1表示有目标的假设,H0表示没有目标的假设,D表示检测单元中的检测统计量D(v)。也就是说,当D>S时,判断结果为:D有目标信号;当D<S时,判断结果为:D没有目标信号。
下面通过以下实验进一步证明本发明提出的一种信号处理方法的能达到的有益效果。
以下对实验的介绍中,将用于实现本发明提供的目标信号检测方法的装置称为SVM-CFAR检测器。为了在不同的工作环境下保证检测性能,SVM-CFAR检测器需要SVM模块具有较低的分类错误的概率,所以针对实施例中的两分类问题,本发明定义一个关于检测概率Pd的假设检验:
β=P[y=-1,D<S2|y=1,D>S1] (15)
上式说明,如果当前工作环境下,SVM模块本应输出的选择信号y=1且检测单元D大于相应的检测阈值S1,即检测单元上有目标。而由于SVM模块分类错误,输出的选择信号y=-1且检测单元D小于相应的检测阈值S2,这将导致检测性能的降低。SVM-CFAR检测器的检测性能与β之间的关系可以用下式表示:
Pd,SVM=Pd,desired-β (16)
其中Pd,desired表示期望的检测性能,在本发明实施例中Pd,desired等于Pd,ACCA。上式说明β增加会导致SVM-CFAR检测器的检测性能降低。
类似地,本发明定义一个关于虚警概率Pfa的假设检验:
γ=P[y=1,D>S1|y=-1,D<S2] (17)
上式说明,如果当前工作环境下,SVM模块本应输出的选择信号y=-1且检测单元D小于相应的检测阈值S2,即检测单元上无目标。而由于SVM模块分类错误,输出的选择信号y=1且检测单元D大于相应的检测阈值S1,这将导致虚警控制性能的降低。SVM-CFAR检测器的虚警性能与γ之间的关系可以用下式表示:
Pfa,SVM=Pfa,desired+γ (18)
其中,Pfa,desired表示期望的虚警控制性能,在本发明实施例中Pfa,desired等于Pfa,GO。上式说明γ增加会导致SVM-CFAR检测器的虚警数增加,降低SVM-CFAR检测器的虚警控制能力。
在实验中,SVM-CFAR检测器的CFAR模块包含ACCA-CFAR检测器(y=1)和GO-CFAR检测器(y=-1)。SVM-CFAR检测器在均匀杂波背景和多目标环境下采用ACCA-CFAR检测器,而在杂波边缘环境下采用GO-CFAR检测器。
假设杂波包络服从瑞利分布,参考单元的长度N=24。均匀环境和干扰目标出现在参考单元的不同位置共25种情况,目标信噪比分别选取snr=[0,3,6,9,12,15,18,21,24,27,30]T共11种情况,每种信噪比情况下训练样本的个数t=10,因此标记为yi=1的训练样本总数为25*11*10=2750。而杂波边缘环境下,杂波未进入参考单元和杂波依次进入参考单元的不同位置共25种情况,目标信噪比分别选取snr=[0,3,6,9,12,15,18,21,24,27,30]T共11种情况,每种信噪比情况下训练样本的个数t=10,因此标记为yi=-1的训练样本总数为25*11*10=2750。
SVM模块选用Chang等人发表的文章《LIBSVM:a library for support vectormachines》(ACM Trans.Intelligent Systems and Tech)中提出的LIBSVM工具箱实现。惩罚因子C=1,核函数选取径向基函数,核函数的标量参数γ=1。
在实验1的实际测试中,将比较CA-CFAR、GO-CFAR、SO-CFAR、OS-CFAR、ACCA-CFAR、VI-CFAR和SVM-CFAR的检测性能。虚警概率取10-4,因此TCA=11.227;TGO=10.005;TSO=15.334;TOS=12.001,并选取第16个排序样本x(16)作为检测器对杂波功率水平的估计;根据删除单元的个数不同(0~8),TACCA=[11.227,12.916,14.515,16.166,17.394,19.871,22.028,24.646,27.255],p=16,Sk=[0.332,0.235,0.189,0.162,0.143,0.131,0.122,0.117];KVI=5.88,KMR=2.106。输入信号的信噪比范围取0dB~30dB,每个信噪比条件下的测试样本有2000个。
图9给出的是不同信噪比条件下CA-CFAR、GO-CFAR、SO-CFAR、OS-CFAR、ACCA-CFAR、VI-CFAR和SVM-CFAR在均匀背景下的检测性能,横坐标是输入信号的信噪比变化范围,纵坐标是检测概率。可以看出CA-CFAR和ACCA-CFAR具有最好的检测性能,SVM-CFAR与CA-CFAR、ACCA-CFAR相比只有很少的性能损失,SVM-CFAR的检测性能优于VI-CFAR、GO-CFAR,明显优于OS-CFAR、SO-CFAR。β的分类错误概率如图10所示,其中理论值由公式(16)得到,可以看出β值小于0.002,这说明SVM-CFAR具有很好的分类性能。同时,β的分类错误概率的理论值与实际值基本一致,这说明公式(16)可以很好表示SVM-CFAR检测器的检测性能与β之间的关系。
图11给出的是不同信噪比条件下CA-CFAR、GO-CFAR、SO-CFAR、OS-CFAR、ACCA-CFAR、VI-CFAR和SVM-CFAR在只有一个干扰目标环境下的检测性能。可以看出SVM-CFAR具有近似于ACCA-CFAR的检测性能,优于OS-CFAR、SO-CFAR和VI-CFAR的检测性能,而CA-CFAR和GO-CFAR的检测性能都严重下降。β的分类错误概率如图12所示,可以看出β的最大值等于0.001,这说明SVM-CFAR具有很好的分类性能。
图13给出的是不同信噪比条件下CA-CFAR、GO-CFAR、SO-CFAR、OS-CFAR、ACCA-CFAR、VI-CFAR和SVM-CFAR在有两个干扰目标环境下的检测性能,且前后两个滑窗各存在一个干扰目标。可以看出SVM-CFAR具有近似于ACCA-CFAR的检测性能,优于OS-CFAR的检测性能。而VI-CFAR、SO-CFAR、CA-CFAR和GO-CFAR的检测性能都严重下降。β的分类错误概率如图14所示,可以看出β值小于0.0006。
图15给出的是不同信噪比条件下CA-CFAR、GO-CFAR、SO-CFAR、OS-CFAR、ACCA-CFAR、VI-CFAR和SVM-CFAR在有四个干扰目标环境下的检测性能,且前后两个滑窗各存在两个干扰目标。可以看出SVM-CFAR具有近似于ACCA-CFAR的检测性能,优于OS-CFAR的检测性能。而VI-CFAR、SO-CFAR、CA-CFAR和GO-CFAR的检测性能进一步下降。β的分类错误概率如图16所示,可以看出β值小于0.002。
在实验2中,将比较CA-CFAR、GO-CFAR、SO-CFAR、OS-CFAR、ACCA-CFAR、VI-CFAR和SVM-CFAR的抗杂波边缘性能。虚警概率取10-4,因此TCA=11.227;TGO=10.005;TSO=15.334;TOS=12.001,并选取第16个排序样本x(16)作为检测器对杂波功率水平的估计;根据删除单元的个数不同(0~8),TACCA=[11.227,12.916,14.515,16.166,17.394,19.871,22.028,24.646,27.255],p=16,Sk=[0.332,0.235,0.189,0.162,0.143,0.131,0.122,0.117];KVI=5.88,KMR=2.106。输入信号的信噪比范围取0dB~30dB,杂波边缘功率10dB,杂波边缘由参考滑窗左边向右边滑动,参考滑窗每个单元的测试样本有10000000个。
图17给出的在杂波边缘环境下CA-CFAR、GO-CFAR、SO-CFAR、OS-CFAR、ACCA-CFAR、VI-CFAR和SVM-CFAR的虚警控制性能。横坐标是被强杂波占据的参考单元数,纵坐标是虚警概率。随着被强杂波占据的参考单元数的增加,虚警概率首先是下降,在杂波边缘扫过检测单元是,虚警概率有一个阶跃,形成一个尖峰,被称之为“虚警尖峰”,“虚警尖峰”低说明CFAR检测器的虚警控制能力强。由图17可以看出GO-CFAR与VI-CFAR具有最优的虚警控制能力,SVM-CFAR的“虚警尖峰”低于CA-CFAR,明显优于OS-CFAR、ACCA-CFAR和SO-CFAR。γ的分类错误概率如图18所示,可以看出γ值小于0.004。
由上可知,本发明实施例提供的一种目标信号检测方法,根据不同的工作环境(均匀杂波背景、多目标环境和杂波边缘环境)选择两种或两种以上的CFAR检测器构成新的检测系统,并由CFAR模块计算各种CFAR检测器的阈值;根据预先设定的工作参数生成训练样本集,并利用训练样本集对SVM模块进行训练,并得到训练参数。当测试开始时,VI计算模块根据测试样本计算第一变化指数和第二变化指数,并将两个变化指数作为特征,输入SVM模块,SVM模块根据这两个变化指数和训练参数,确定其分类,并输出选择信号;CFAR模块根据SVM模块输出的选择信号选取相应的检测器阈值作为最终检测阈值,从而实现在不同的工作环境下的检测性能的提升。
上述实施例中介绍了本发明提供的一种目标信号检测方法,下面结合图19和图20对用于实现上述方法的系统进行介绍。
图19为本发明实施例提供的一种目标信号检测系统的结构示意图。如图19所示,该系统1900包括:
获取单元1910,用于获取信号的测试样本,测试样本包括参考单元和检测单元,参考单元包括前沿滑窗和后沿滑窗;
计算单元1920,用于根据前沿滑窗和检测单元计算出第一变化指数,以及根据后沿滑窗和检测单元计算出第二变化指数;
输出单元1930,用于使用支持向量机SVM模块对第一变化指数和第二变化指数进行第一计算,并根据第一计算的结果输出选择信号;
选择单元1940,用于根据选择信号确定第一检测器的阈值,第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种;
判断单元1950,用于根据阈值,判断检测单元是否有目标信号。
可选的,选择单元1940具体用于,使用CFAR模块根据选择信号,从多个检测器中选择第一检测器对参考单元、或参考单元与检测单元之和进行第二计算,并根据第二计算的结果输出第一检测器的阈值。
可选的,输出单元1930中的SVM模块包括SVM模型的训练参数,输出单元1930还用于获取训练参数,输出单元具体包括:
确定子单元1931,用于根据预先设定的工作参数确定训练样本集,训练样本集包括训练样本以及训练样本的类标记;
训练子单元1932,用于使用SVM模块根据训练样本集对SVM模型进行训练,以获取SVM模型的训练参数。
本发明提供的目标信号检测系统实施例与本发明提供的上述目标信号检测方法实施例相对应,在此不作赘述。
由上可知,本发明实施例提供的一种目标信号检测系统,根据不同的工作环境(均匀杂波背景、多目标环境和杂波边缘环境)选择两种或两种以上的CFAR检测器构成新的检测系统,并使用选择单元1940中的CFAR模块计算各种CFAR检测器的阈值;根据预先设定的工作参数生成训练样本集,并利用训练样本集对输出单元1930中的SVM模块进行训练,并得到训练参数。当测试开始时,计算单元1920中的VI计算模块根据测试样本计算第一变化指数和第二变化指数,并将两个变化指数作为特征,输入SVM模块,输出单元1930中的SVM模块根据这两个变化指数和训练参数,确定其分类,并输出选择信号;选择单元1940中的CFAR模块根据SVM模块输出的选择信号选取相应的检测器阈值作为最终检测阈值,从而实现在不同的工作环境下的检测性能的提升。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种目标信号检测方法,其特征在于,包括:
获取信号的测试样本,所述测试样本包括参考单元和检测单元,所述参考单元包括前沿滑窗和后沿滑窗;
根据所述前沿滑窗和所述检测单元计算出第一变化指数,以及根据所述后沿滑窗和所述检测单元计算出第二变化指数,包括:
其中,VI表示变化指数,为集合中元素的方差的估计值,为集合中元素的均值的估计值,n表示集合中元素的总个数,si表示集合中的第i个元素,i=1,…,N/2+1,表示集合中元素的均值;所述集合由所述前沿滑窗和所述检测单元组成,或者由所述后沿滑窗和所述检测单元组成;
使用支持向量机SVM模块对所述第一变化指数和所述第二变化指数进行第一计算,并根据所述第一计算的结果输出选择信号;
根据所述选择信号确定第一检测器的阈值,所述第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种;
根据所述阈值,判断所述检测单元是否有目标信号。
2.根据权利要求1所述的方法,其特征在于,所述根据所述选择信号确定所述第一检测器的阈值,包括:
所述CFAR模块根据所述选择信号,从所述多个检测器中选择所述第一检测器对所述参考单元、或所述参考单元与所述检测单元之和进行第二计算,并根据所述第二计算的结果输出所述第一检测器的阈值。
3.根据权利要求1所述的方法,其特征在于,所述SVM模块包括SVM模型的训练参数,所述训练参数通过以下步骤获得:
根据预先设定的工作参数确定训练样本集,所述训练样本集包括训练样本以及所述训练样本的类标记;
所述SVM模块根据所述训练样本集对所述SVM模型进行训练,以获取所述SVM模型的训练参数。
4.根据权利要求3所述的方法,其特征在于,所述SVM模块包括以下计算公式:
其中,y表示所述测试样本的类标记;sign表示符号函数;n是训练样本集中支持向量的个数;yi代表第i个训练样本所对应的类标记,表示第i个训练样本,i=1,…,n;表示所述测试样本;和b为所述训练参数,
5.根据权利要求3所述的方法,其特征在于,所述预先设定的工作环境包括均匀环境、多目标环境和杂波边缘环境。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述多个检测器包括单元平均恒虚警率CA-CFAR检测器、最大选择恒虚警率GO-CFAR检测器、最小选择选择恒虚警率SO-CFAR检测器、有序统计恒虚警率OS-CFAR检测器和自动删除单元平均恒虚警率ACCA-CFAR检测器中的至少两种检测器。
7.一种目标信号检测系统,其特征在于,包括:
获取单元,用于获取信号的测试样本,所述测试样本包括参考单元和检测单元,所述参考单元包括前沿滑窗和后沿滑窗;
计算单元,用于根据所述前沿滑窗和所述检测单元计算出第一变化指数,以及根据所述后沿滑窗和所述检测单元计算出第二变化指数;
输出单元,用于使用支持向量机SVM模块对所述第一变化指数和所述第二变化指数进行第一计算,并根据所述第一计算的结果输出选择信号;
选择单元,用于根据所述选择信号确定第一检测器的阈值,所述第一检测器为恒虚警率CFAR模块中包含的多个检测器中的一种;
判断单元,用于根据所述阈值,判断所述检测单元是否有目标信号。
8.根据权利要求7所述的系统,其特征在于,所述选择单元具体用于,使用所述CFAR模块根据所述选择信号,从所述多个检测器中选择所述第一检测器对所述参考单元、或所述参考单元与所述检测单元之和进行第二计算,并根据所述第二计算的结果输出所述第一检测器的阈值。
9.根据权利要求7所述的系统,其特征在于,所述输出单元中的SVM模块包括SVM模型的训练参数,所述输出单元还用于获取所述训练参数,所述输出单元具体包括:
确定子单元,用于根据预先设定的工作参数确定训练样本集,所述训练样本集包括训练样本以及所述训练样本的类标记;
训练子单元,用于使用所述SVM模块根据所述训练样本集对所述SVM模型进行训练,以获取所述SVM模型的训练参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710776719.8A CN107703495B (zh) | 2017-09-01 | 2017-09-01 | 一种目标信号检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710776719.8A CN107703495B (zh) | 2017-09-01 | 2017-09-01 | 一种目标信号检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107703495A CN107703495A (zh) | 2018-02-16 |
CN107703495B true CN107703495B (zh) | 2019-10-01 |
Family
ID=61171525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710776719.8A Active CN107703495B (zh) | 2017-09-01 | 2017-09-01 | 一种目标信号检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107703495B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541567B (zh) * | 2018-12-28 | 2023-04-07 | 西安电子科技大学 | 基于深度学习的高速机动目标检测方法 |
CN110058238B (zh) * | 2019-04-09 | 2021-02-02 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于毫米波的倒车雷达地面断崖识别方法 |
CN111273249B (zh) * | 2020-03-04 | 2022-07-08 | 清华大学 | 一种基于雷达虚警预处理时间的智能杂波分区方法 |
CN112034464A (zh) * | 2020-08-31 | 2020-12-04 | 上海英恒电子有限公司 | 一种目标分类方法 |
CN113189560B (zh) * | 2021-05-18 | 2023-04-28 | 湖北工业大学 | 基于贝叶斯干扰控制的变异指数的bvi-cfar目标检测算法 |
CN114089301A (zh) * | 2021-11-05 | 2022-02-25 | 哈尔滨工程大学 | 一种基于神经网络的新型自适应声呐目标检测方法及计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033815A (zh) * | 2012-12-19 | 2013-04-10 | 中国科学院声学研究所 | 基于混响协方差矩阵的距离扩展目标的检测方法和装置 |
CN104268879A (zh) * | 2014-09-28 | 2015-01-07 | 民政部国家减灾中心 | 基于遥感多光谱图像的建筑物实物量损毁评估方法 |
CN104502899A (zh) * | 2014-12-27 | 2015-04-08 | 长安大学 | 一种自适应的恒虚警率目标检测方法 |
CN103760542B (zh) * | 2014-01-10 | 2016-05-04 | 杭州电子科技大学 | 一种基于多模式的变化指数恒虚警目标检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646419B (zh) * | 2017-02-28 | 2019-09-03 | 西安电子科技大学 | 一种检测杂波边缘雷达目标的自适应恒虚警方法 |
CN107024680B (zh) * | 2017-03-30 | 2020-03-27 | 安徽工程大学 | 一种基于双删除门限的目标检测方法 |
CN107024682B (zh) * | 2017-03-30 | 2020-06-23 | 安徽工程大学 | 一种基于自适应剔除算法的目标检测方法 |
-
2017
- 2017-09-01 CN CN201710776719.8A patent/CN107703495B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033815A (zh) * | 2012-12-19 | 2013-04-10 | 中国科学院声学研究所 | 基于混响协方差矩阵的距离扩展目标的检测方法和装置 |
CN103760542B (zh) * | 2014-01-10 | 2016-05-04 | 杭州电子科技大学 | 一种基于多模式的变化指数恒虚警目标检测方法 |
CN104268879A (zh) * | 2014-09-28 | 2015-01-07 | 民政部国家减灾中心 | 基于遥感多光谱图像的建筑物实物量损毁评估方法 |
CN104502899A (zh) * | 2014-12-27 | 2015-04-08 | 长安大学 | 一种自适应的恒虚警率目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107703495A (zh) | 2018-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107703495B (zh) | 一种目标信号检测方法及系统 | |
CN107153180B (zh) | 一种目标信号检测方法及系统 | |
CN101329400B (zh) | 一种基于拟合优度检验的雷达目标恒虚警检测方法 | |
CN109188388B (zh) | 一种对抗多目标干扰的恒虚警检测方法 | |
CN113376613B (zh) | 用于雷达探测的恒虚警检测方法、装置及电子设备 | |
CN104502899A (zh) | 一种自适应的恒虚警率目标检测方法 | |
CN106646419A (zh) | 一种检测杂波边缘雷达目标的自适应恒虚警方法 | |
CN107024682A (zh) | 一种基于自适应剔除算法的目标检测方法 | |
CN105785330A (zh) | 一种认知型副瓣干扰抑制方法 | |
CN112180341B (zh) | 一种背景自适应cfar算法选择的实现方法 | |
CN112346029A (zh) | 基于待检测单元的可变参考窗单元平均恒虚警检测方法 | |
CN104459644A (zh) | 一种用于雷达视频信号检测的自适应恒虚警检测方法 | |
CN111929679A (zh) | 一种自适应加权截断统计恒虚警检测方法 | |
CN107271973A (zh) | 韦布尔杂波环境下基于偏斜度和均值比的恒虚警检测方法 | |
CN105866748B (zh) | 一种基于检测先验的固定窗长恒虚警检测方法 | |
CN106526545B (zh) | 一种鲁棒cfar检测器的检测方法 | |
CN110531362A (zh) | 一种高分辨率运动声呐知识基的目标检测方法 | |
CN115032606B (zh) | 一种基于局部最小选定单元平均的恒虚警检测器 | |
CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
Tabet et al. | A generalized switching CFAR processor based on test cell statistics | |
CN115616514A (zh) | 一种基于背景熵的密集目标快速检测方法及系统 | |
Onumanyi et al. | A discriminant analysis-based automatic ordered statistics scheme for radar systems | |
Lu et al. | Robust distributed sonar CFAR detection based on modified VI-CFAR detector | |
Fuyong et al. | Adaptive censoring maximum likelihood CFAR detector in Weibull clutter | |
Zhao et al. | An improved VI-CFAR detector based on GOS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |