CN107765228B - 一种基于区域相似性的在线雷达目标检测方法 - Google Patents
一种基于区域相似性的在线雷达目标检测方法 Download PDFInfo
- Publication number
- CN107765228B CN107765228B CN201710902370.8A CN201710902370A CN107765228B CN 107765228 B CN107765228 B CN 107765228B CN 201710902370 A CN201710902370 A CN 201710902370A CN 107765228 B CN107765228 B CN 107765228B
- Authority
- CN
- China
- Prior art keywords
- detected
- target
- unit
- echo
- resolution
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000002592 echocardiography Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001427 coherent effect Effects 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 239000007983 Tris buffer Substances 0.000 claims 1
- 230000007704 transition Effects 0.000 abstract description 3
- 230000003595 spectral effect Effects 0.000 abstract 1
- 230000003044 adaptive effect Effects 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于区域相似性的在线雷达目标检测方法，解决了现有方法在非均匀杂波区域，杂波边缘处或者两种强弱杂波交界处等复杂杂波背景下对目标的检测性能差的问题。实现步骤包括：获取第0帧回波中各分辨单元与不同目标导向矢量的相关系数矩阵；利用相关系数矩阵去除第0帧回波中的疑似目标；对第0帧不含疑似目标的回波数据的多普勒谱进行K均值聚类；去除雷达新接收到的回波中的疑似目标；对聚类结果中分辨单元的类别标号进行在线更新；对雷达新接收到进行预处理；获取过渡参考单元样本并对其进行扩充；计算检测统计量和门限阈值a；对待检测数据xD进行检测。本发明提高了待检测单元的检测统计量的估计精度，进而提高了检测性能。
Description
技术领域
本发明属于雷达信号处理技术领域，涉及一种雷达目标检测方法，具体涉及一种基于区域相似性的在线雷达目标检测方法，可用于提高雷达在非均匀杂波背景下对目标的检测性能。
技术背景
雷达是一种全天时、全天候的传感器，可以安装在车辆、飞机和卫星等多种平台上，在军事和民用等方面都具有重要的应用价值。作为主要的电子信息设备，雷达在现代战场上扮演着信息获取、精确制导等重要作用。而雷达目标检测一直是雷达系统设计的关键技术，它作为雷达最为基本和重要的功能，一直受到军方以及学者们的重视。
目前，现有的雷达目标检测方法如单元平均恒虚警(Cell-Averaging CFAR，CA-CFAR)检测方法和自适应匹配滤波(Adapative Matched Filter，AMF)检测方法。CA-CFAR与AMF检测都是先对待检测回波信号进行MTI滤波，之后对MTI滤波器的输出信号的每个距离单元来进行目标检测。CA-CFAR检测利用待检测单元周围邻近的单元，作为参考单元来对参考门限进行估计，而AMF检测需要利用待检测单元周围邻近的单元，对待检测的单元检测统计量进行估计，AMF检测方法与CA-CFAR相比检测性能得到一定的提高，但这两种方法对邻近单元有两个假设：(1)邻近距离单元与待检测单元的杂波统计特性保持一致；(2)邻近距离单元不包含干扰或目标。然而在实际中这两种假设条件很难成立，邻近的参考单元经常被干扰目标、大的杂波块和其他异常的情况所污染。因而只能在靠近待检测单元两侧选取较少的参考单元来作为估计待检单元杂波功率水平的样本，在非均匀和非平稳杂波区域待参考单元更加难以选取。参考单元选取的不合理检测性能就会降低很多，在某些杂波边缘处或者两种强弱杂波交界处的检测性能更差。为解决上述参考单元难以选择的问题，研究人员对AMF检测方法进行了改进，例如授权公告号为CN 103995258 B，名称为“杂波边缘环境下雷达目标自适应融合检测方法”的中国专利，公开了一种杂波边缘环境下雷达目标自适应融合检测方法，该方法基于相邻参考单元差值进行均匀性判决，能自适应于杂波边缘数目和位置的变化，判断杂波边缘与待检测单元相对位置，筛选出能代表待检测单元杂波背景的均匀参考单元，并融合形成检测阈值后进行检测。但这种方法存在的不足在于，在筛选能代表待检测单元杂波背景的均匀参考单元时，不能保证参考单元杂波背景与待检测单元同类，并且参考单元中如果存在目标或干扰，也会影响筛选的结果，这些因素导致杂波协方差矩阵的估计存在较大误差，最终影响检测的性能。
发明内容
本发明的目的在于克服上述现有技术的不足，提出一种基于区域相似性的在线雷达目标检测方法，旨在提高在非均匀复杂杂波背景下雷达对目标的检测性能。
为实现上述目的，本发明采取的技术方案包括如下步骤：
(1)获取第0帧回波中各分辨单元与不同目标导向矢量的相关系数矩阵(ρij)n·m：
(1a)将雷达当前时刻收到的数据记为第0帧回波x(0)，并以一个相干处理CPI时间内的脉冲数为间隔，对第0帧回波x(0)进行划分，得到n个分辨单元x1(0),...xi(0),...xn(0)，其中xi(0)表示第0帧回波中第i个分辨单元；
(1b)设定m个目标参考速度v1,...vj,...vm，并根据雷达参数计算m个目标参考速度对应的目标导向矢量，得到m个目标导向矢量s1(v1,ω),...sj(vj,ω),...sm(vm,ω)，其中sj(vj,ω)表示第j个目标导向矢量，vj表示第j个目标参考速度；
(1c)计算n个分辨单元和m个目标导向矢量的相关系数，得到相关系数矩阵(ρij)n·m，其中ρij表示第i个分辨单元.xi(0)与第j个目标导向矢量sj(vj,ω)的相关系数；
(2)利用相关系数矩阵(ρij)n·m去除第0帧回波中的疑似目标：
(2a)设定门限thr，将相关系数矩阵(ρij)n·m中的各相关系数ρij与thr进行比较，并将ρij≥thr的相关系数对应的分辨单元记作xpick，将ρij＜thr的相关系数对应的分辨单元记作xrem；
(2b)去除xpick中的目标信号分量，得到不含疑似目标的分辨单元x′pick，并将x′pick和xrem组合成第0帧不含疑似目标的回波x′(0)；
(3)对第0帧不含疑似目标的回波数据x′(0)的多普勒谱进行K均值聚类：
(3a)对第0帧不含疑似目标的回波数据x′(0)进行傅里叶变换，得到x′(0)的频域数据，并对x′(0)的频域数据的幅度值求自然对数或取指数，得到第0帧不含疑似目标的回波数据x′(0)的多普勒谱xFFT(0)；
(3b)对xFFT(0)进行K均值聚类，得到n个分辨单元类别标号l1,...li,...ln，及K类均值μ1,...μk,...μK和方差Σ1,...Σk,...ΣK，并保存聚类结果；
(3c)从x′(0)中选出相同类别标号的分辨单元，构成独立同分布的杂波区域，并将相同分布的杂波区域组成相似杂波区域；
(4)去除雷达新接收到的回波中的疑似目标：
将雷达新接收到的回波记为第t帧回波x(t)，用第t帧回波x(t)替换步骤(1)到(2)中的第0帧回波x(0)，并执行步骤(1)到(2)，得到第t帧不含疑似目标的回波x′(t)；
(5)对步骤(3)聚类结果中的类别标号进行在线更新：
利用步骤(3)中的K类均值μ1,...μk,...μK和方差Σ1,...Σk,...ΣK，判别x′(t)的每个分辨单元的类别，并利用判别结果对步骤(3)聚类结果中每个分辨单元的类别标号进行在线更新，得到n个分辨单元新的类别标号l′1,...l′i,...l′n，其中：
判别x′(t)的每个分辨单元的类别的方法为：
其中，xi表示x′(t)中第i个分辨单元，dik前一项log(|Σk|)在每一类中为常数项，后一项称为马氏距离，ci指判别后xi的类别；
对步骤(3)聚类结果中每个分辨单元的类别标号进行在线更新的方法为：对于雷达每次新接收的回波，都要先判新接收回波每个分辨单元的类别，再利用判别结果对聚类结果中每个分辨单元的类别标号进行更新，每接收一次回波，更新一次类别标号；
(6)对雷达新接收到的第t帧回波x(t)进行预处理：
对雷达新接收到的第t帧回波x(t)进行MTI滤波，得到不含静止地物杂波的第t帧回波xD，并将其作为待检测数据；
(7)获取过渡参考单元样本并用相似杂波区域对其进行扩充：
(7a)从待检测数据xD中选取与当前待检测单元邻近的P个分辨单元作为当前待检测单元的初始参考单元样本；
(7b)根据n个分辨单元新的类别标号l′1,...l′i,...l′n，判断初始参考单元样本中的每个分辨单元与当前待检测单元的类别标号是否相同，并删除初始参考单元样本中与当前待检测单元类别标号不同的分辨单元，得到当前待检测单元的过渡参考单元样本，将删除的分辨单元的数量记为P′；
(7c)从相似杂波区域中选取与当前待检测单元相同类别标号且数量大于等于P′的分辨单元，并通过该分辨单元对删除后的参考单元样本进行样本扩充，得到当前待检测单元的参考单元样本；
(8)计算检测统计量和门限阈值α：
(8a)根据当前待检单元的参考单元样本估计当前待检测单元的杂波协方差矩阵
(8b)根据协方差矩阵和待检测数据xD，计算当前待检测单元的检测统计量；
(8c)设定虚警概率，并根据设定的虚警概率和步骤(7)中选取的参考单元样本的个数，通过Monte-Carlo实验得到门限阈值；
(9)对待检测数据xD进行检测：
比较待检测数据xD中当前待检测单元的检测统计量与门限阈值α的大小，若当前待检单元的检测统计量大于等于门限阈值α，将当前待检单元标记为1，即为检测到目标，否则标记为0，即未能检测到目标。
本发明与现有技术相比，具有如下优点：
1.本发明假设相同的杂波类型具有相似的多普勒谱形状，不同的杂波类型具有不同的多普勒谱形状，通过对去除疑似目标的分辨单元的多普勒谱进行聚类得到具有相同类别标号的分辨单元，构成独立同分布的杂波区域，并将相同分布的杂波区域组成相似杂波区域，用相似杂波区域对参考单元样本进行扩充，保证了参考单元样本与待检测单元的杂波统计特性保持一致，避免了现有方法筛选能代表待检测单元杂波背景的均匀参考单元时，不能保证参考单元杂波背景与待检测单元同类的问题，并且在聚类前已经去除了疑似目标，保证了参考单元中不存在疑似目标，避免了参考单元中存在目标或干扰的问题，使待检测单元的杂波协方差矩阵的估计更加准确，从而提升雷达对目标的检测性能。
2.本发明利用新接收到的回波，对已有聚类信息中的类别标号进行在线更新。每接收一个新的回波，对类别标号更新一次，避免不同时间内环境的变化对聚类结果中类别信息的影响，使参考单元的选取更合适，进一步提高杂波协方差的估计精度，进而提升雷达对目标的检测性能。
附图说明
图1是本发明的实现流程图；
图2是本发明与现有技术在均匀农田杂波环境下的检测性能对比图；
图3是本发明与现有技术在农田与城镇杂波交界处的检测性能对比图；
图4是本发明与现有技术在农田与山脉杂波交界处的检测性能对比图。
具体实施方式
以下结合附图和具体实施例，对本发明作进一步详细描述：
参照图1，基于区域相似性的在线雷达目标检测方法，包括如下步骤：
步骤1)获取第0帧回波中各分辨单元与不同目标导向矢量的相关系数矩阵(ρij)n·m：
步骤1a)将雷达当前时刻收到的数据记为第0帧回波x(0)，并以一个相干处理CPI时间内的脉冲数为间隔，对第0帧回波x(0)进行划分，得到n个分辨单元x1(0),...xi(0),...xn(0)，其中xi(0)表示第0帧回波中第i个分辨单元，本例中一个相干处理CPI时间内的脉冲数为23；
步骤1b)设定m个目标参考速度v1,...vj,...vm，并根据雷达参数计算m个目标参考速度对应的目标导向矢量，得到m个目标导向矢量s1(v1,ω),...sj(vj,ω),...sm(vm,ω)，其中sj(vj,ω)表示第j个目标导向矢量，计算公式为：
其中，Tr为雷达脉冲周期，N为一个相干处理CPI时间内的脉冲数，vj为第j个目标参考速度，目标参考速度一般根据设定的多普勒通道个数以及不模糊速度来得到。本例中雷达不模糊速度为25m/s，根据经验，将多普勒通道个数设定为32，目标参考速度的个数m数为32；
步骤1c)计算n个分辨单元和m个目标导向矢量的相关系数，得到相关系数矩阵(ρij)n·m，ρij表示第i个分辨单元xi(0)与第j个目标导向矢量sj(vj,ω)的相关系数，其计算公式为：
其中||·||表示2范数，xi表示第i个分辨单元，ω表示目标的空间频率，H表示共轭转置；
步骤2)利用相关系数矩阵(ρij)n·m去除第0帧回波中的疑似目标：
步骤2a)设定门限thr，将相关系数矩阵(ρij)n·m中的各相关系数ρij与.thr.进行比较，并将ρij≥thr的相关系数对应的分辨单元记作xpick，将ρij＜thr的相关系数对应的分辨单元记作xrem；
根据实验，thr的合理取值范围为0.6～0.8。本发明通过大量实验和研究得出，当某分辨单元存在目标时，与目标导向矢量会有较大的相关系数，目标能量越大，相关系数越大。但当该位置无目标时，与导向矢量相关系数会变小。通过实验得出，当门限thr取值为0.6～0.8，可以得到较好的检测性能。门限设置如果太高，会漏掉许多目标，门限如果设置太低，会去除掉分辨单元中不是目标分量的成分，影响聚类结果并且影响到参考单元的选取。本例中thr取值为0.65；
步骤2b)去除xpick中的目标信号分量，得到不含疑似目标的分辨单元x′pick，并将x′pick和xrem组合成第0帧不含疑似目标的回波x′(0)；
去除xpick中的目标信号分量，计算公式为：
x′pick＝xpick-ρij·sj(vj,ω)
其中，xpick表示所筛选出相关系数大于门限的分辨单元，x′pick不含疑似目标的分辨单元，sj(vj,ω)为第j个目标导向矢量；
步骤3)对第0帧不含疑似目标的回波数据x′(0)的多普勒谱进行K均值聚类：
步骤3a)对第0帧不含疑似目标的回波数据x′(0)进行傅里叶变换，得到x′(0)的频域数据，并对x′(0)的频域数据的幅度值求自然对数或取指数，得到第0帧不含疑似目标的回波数据x′(0)的多普勒谱xFFT(0)；
步骤3b)对xFFT(0)进行K均值聚类，得到n个分辨单元类别标号l1,...li,...ln，及K类均值μ1,...μk,...μK和方差Σ1,...Σk,...ΣK，并保存聚类结果；
对xFFT(0)进行K均值聚类K均值聚类，具体公式如下：
其中，代价函数J为n个分辨单元到K个聚类中心的负对数似然值，Σk指第k类的方差，μk指第k类的均值，xi为xFFT(0)中第i个分辨单元，聚类算法通过迭代完成：固定μk改变J优化γnk；固定γnk，改变..优化μk得到聚类结果；
步骤3c)从x′(0)中选出相同类别标号的分辨单元，构成独立同分布的杂波区域，并将相同分布的杂波区域组成相似杂波区域；
相似杂波区域是具有相同类别标号的分辨单元构成的区域，比如农田与农田、城镇与城镇、山脉与山脉和噪声与噪声等。本发明假设相同的杂波类型具有相似的多普勒谱形状，不同的杂波类型具有不同的多普勒谱形状，如城镇杂波和森林杂波的多普勒谱会有所不同，再细化一下同样是城镇杂波，高的建筑物与低的建筑物的多普勒谱也是不相同的，通过聚类方法得到的相同类别标号的杂波区域是具有相同杂波类型的区域；
步骤4)去除雷达新接收到的回波中的疑似目标：
将雷达新接收到的回波记为第t帧回波x(t)，用第t帧回波x(t)替换步骤(1)到(2)中的第0帧回波x(0)，并执行步骤(1)到(2)，得到第t帧不含疑似目标的回波x′(t)；
第t帧回波表示的是雷达新接收到的任意一帧回波，对接收到的任意一帧回波，都需要经过去目标处理得到不含疑似目标的回波；。
步骤5)对步骤(3)聚类结果中的类别标号进行在线更新：
利用步骤(3)中的K类均值μ1,...μk,...μK和方差Σ1,...Σk,...ΣK，判别x′(t)的每个分辨单元的类别，并利用判别结果对步骤(3)聚类结果中每个分辨单元的类别标号进行在线更新，得到n个分辨单元新的类别标号l′1,...l′i,...l′n；
由于时间的跨度，同一块区域会发生环境的变化，所以我们利用已有的聚类信息对每次新接收回波数据进行判类，并更新已有类别标号，每接收一次回波，更新一次类别标号。让类别标号随着时间的推移保持持续更新，减小不同时间接收到回波的差异带来的影响，以达到在线更新的目的；
判别x′(t)的每个分辨单元的类别，判别方法如下：
其中，xi表示x′(t)中第i个分辨单元，dik前一项log(|Σk|)在每一类中为常数项，后一项称为马氏距离，ci指判别后xi的类别；
步骤6)对雷达新接收到的第t帧回波x(t)进行预处理：
对雷达新接收到的第t帧回波x(t)进行MTI滤波，得到不含静止地物杂波的第t帧回波xD，并将其作为待检测数据；
步骤7)获取过渡参考单元样本并用相似杂波区域对其进行扩充：
步骤7a)从待检测数据xD中选取与当前待检测单元邻近的P个分辨单元作为当前待检测单元的初始参考单元样本；
初始参考单元样本是当前待检测单元邻近区域的分辨单元，在非均匀杂波环境下，不能保证初始参考单元样本中的各个分辨单元与当前待检测单元保持一致的统计特性，影响后续的检测工作；
步骤7b)根据n个分辨单元新的类别标号l′1,...l′i,...l′n，判断初始参考单元样本中的每个分辨单元与当前待检测单元的类别标号是否相同，并删除初始参考单元样本中与当前待检测单元类别标号不同的分辨单元，得到当前待检测单元的过渡参考单元样本，将删除的分辨单元的数量记为P′；
步骤7c)从相似杂波区域中选取与当前待检测单元相同类别标号且数量大于等于P′的分辨单元，并通过该分辨单元对删除后的参考单元样本进行样本扩充，得到当前待检测单元的参考单元样本；
从相似杂波区域中挑选出与当前待检测单元同类别标号的分辨单元，用这些分辨单元对过渡参考单元样本进行扩充，弥补了参考单元数量的不足，并在原始参考单元样本数量P的基础上可以再增加参考单元样本的数量，数量上增加，对于杂波协方差的估计精度也会提升；
步骤8)计算检测统计量和门限阈值α：
步骤8a)根据当前待检单元的参考单元样本估计当前待检测单元的杂波协方差矩阵
当前待检测单元的杂波协方差矩阵计算公式为：
其中，为杂波协方差矩阵，zp为选取的参考单元的第p个参考单元，P为参考单元个数；
步骤8b)根据协方差矩阵和待检测数据xD，计算当前待检测单元的检测统计量；
当前待检测单元的检测统计量，计算公式如下：
其中，为待检测单元数据中第i个待检测单元，α为门限阈值，q为多普勒导向矢量，q＝[1 exp(j2πfdTr) … exp(j2π(N-1)fdTr)]T，N为一个相干处理CPI时间内的脉冲数，fd为目标多普勒频率，Tr为雷达脉冲重复间隔；
步骤8c)设定虚警概率，并根据设定的虚警概率和步骤(7)中选取的参考单元样本的个数，通过Monte-Carlo实验得到门限阈值α；
步骤9)对待检测数据xD进行检测：
比较待检测数据xD中当前待检测单元的检测统计量与门限阈值α的大小，若当前待检单元的检测统计量大于等于门限阈值α，将当前待检单元标记为1，即为检测到目标，否则标记为0，即未能检测到目标。
以下结合仿真实验，对本发明的技术效果进行说明：
1.仿真条件和内容：
实测数据来自地基机械扫描雷达，雷达的距离分辨率为37.5m，天线转速为10s/r，一个相干处理间隔CPI时间内的脉冲数为23。通过聚类得到该批实测数据中独立同分布的杂波数据，如农田、城镇和山脉杂波，随机产生杂波背景，加入人工目标做检测，人工目标的RCS起伏模型为SwerlingI，它们的信噪比范围为-20dB～40dB，目标的速度均为10m/s，虚警概率为Pfa＝10-3。
实验内容：
实验1)，在试验条件下，随机产生农田杂波背景，分别采用自适应匹配滤波检测及本发明对添加了人工目标的实测数据做目标检测，结果如图2所示，其中带有‘+’号的线对应的是本发明且参考单元个数为50；带有‘Δ’号的线对应本发明给出方法且参考单元个数为100；带有‘*’号的线对应自适应匹配滤波检测且参考单元个数为50，横纵坐标分别是信噪比和检测率；
实验2)，在实验条件下，随机产生农田与城镇杂波交界处的背景，分别采用自适应匹配滤波检测方法及本发明对添加了人工目标的实测数据做目标检测，两种检测方法参考单元个数都为50，结果如图3所示，横纵坐标分别是信噪比和检测率，其中带有‘+’号的线对应的是本发明，带有‘*’号的线对应自适应匹配滤波检测；
实验3)，在实验条件下，随机产生农田与山脉杂波交界处的背景，分别采用自适应匹配滤波检测方法及本发明对添加了人工目标的实测数据做目标检测，两种检测方法参考单元个数都为50，结果如图4所示，其中带有‘+’号的线是本发明，带有‘*’号的线为自适应匹配滤波检测方法，横纵坐标分别是信噪比和检测率。
2.仿真结果分析：
参照图2，可以看出，带有‘+’号的线和带有‘*’号的线基本接近，带有‘Δ’号的线比其他两曲线的检测性能都要高，在信噪比从-5dB到5dB，检测性能要高出百分之十左右，在其他信噪比下也要稍微高出，证明在均匀农田杂波背景下，本发明与自适应匹配滤波检测在参考单元数量一致的情况下检测性能接近，扩充参考单元数量，本发明的检测性能明显提高。
参照图3，带有‘+’号的线都比带有‘*’号的线明显高出，参照图4，带有‘+’号的线都比带有‘*’号的线也要明显高出，可以看出，在农田与城镇杂波交界处和农田与城镇杂波交界处，本发明比自适应匹配滤波检测方法的检测性能要明显高出。
综上，本发明能够充分利用该区域内与待检单元独立同分布的地物杂波类型中的分辨单元，一方面保证了在农田杂波环境下，本发明与现有检测方法的检测性能相似，另一方面在保证一定虚警概率的条件下可以选取与待检单元具有相似杂波统计特性的样本，并且可以多选取一些与待检单元统计特性相一致的单元，对参考单元样本进行扩充，提高待检单元杂波协方差矩阵的估计精度，进而提高目标的检测性能，最终使得本发明的检测方法在均匀农田杂波、非均匀的农田与城镇杂波交界处、非均匀的农田与山脉杂波交界处都能获得较好的检测结果。
Claims (5)
1.一种基于区域相似性的在线雷达目标检测方法，其特征在于，包括如下步骤：
(1)获取第0帧回波中各分辨单元与不同目标导向矢量的相关系数矩阵(ρij)n·m：
(1a)将雷达当前时刻收到的数据记为第0帧回波x(0)，并以一个相干处理CPI时间内的脉冲数为间隔，对第0帧回波x(0)进行划分，得到n个分辨单元x1(0),...xi(0),...xn(0)，其中xi(0)表示第0帧回波中第i个分辨单元；
(1b)设定m个目标参考速度v1,...vj,...vm，并根据雷达参数计算m个目标参考速度对应的目标导向矢量，得到m个目标导向矢量s1(v1,ω),...sj(vj,ω),...sm(vm,ω)，其中sj(vj,ω)表示第j个目标导向矢量，vj表示第j个目标参考速度；
(1c)计算n个分辨单元和m个目标导向矢量的相关系数，得到相关系数矩阵(ρij)n·m，其中ρij表示第i个分辨单元xi(0)与第j个目标导向矢量sj(vj,ω)的相关系数；
(2)利用相关系数矩阵(ρij)n·m去除第0帧回波中的疑似目标：
(2a)设定门限thr，将相关系数矩阵(ρij)n·m中的各相关系数ρij与thr进行比较，并将ρij≥thr的相关系数对应的分辨单元记作xpick，将ρij＜thr的相关系数对应的分辨单元记作xrem；
(2b)去除xpick中的目标信号分量，得到不含疑似目标的分辨单元x′pick，并将x′pick和xrem组合成第0帧不含疑似目标的回波x′(0)；
(3)对第0帧不含疑似目标的回波数据x′(0)的多普勒谱进行K均值聚类：
(3a)对第0帧不含疑似目标的回波数据x′(0)进行傅里叶变换，得到x'(0)的频域数据，并对x'(0)的频域数据的幅度值求自然对数或取指数，得到第0帧不含疑似目标的回波数据x′(0)的多普勒谱xFFT(0)；
(3b)对xFFT(0)进行K均值聚类，得到n个分辨单元类别标号l1,...li,...ln，及K类均值μ1,...μk,...μK和方差Σ1,...Σk,...ΣK，并保存聚类结果；
(3c)从x′(0)中选出相同类别标号的分辨单元，构成独立同分布的杂波区域，并将相同分布的杂波区域组成相似杂波区域；
(4)去除雷达新接收到的回波中的疑似目标：
将雷达新接收到的回波记为第t帧回波x(t)，用第t帧回波x(t)替换步骤(1)到(2)中的第0帧回波x(0)，并执行步骤(1)到(2)，得到第t帧不含疑似目标的回波x′(t)；
(5)对步骤(3)聚类结果中的n个分辨单元类别标号l1,...li,...ln进行在线更新：
利用步骤(3)中的K类均值μ1,...μk,...μK和方差Σ1,...Σk,...ΣK，判别x′(t)的每个分辨单元的类别，并利用判别结果对步骤(3)聚类结果中每个分辨单元的类别标号进行在线更新，得到n个分辨单元新的类别标号l′1,...l′i,...l′n，其中：
判别x′(t)的每个分辨单元的类别的方法为：
其中，xi表示x′(t)中第i个分辨单元，dik前一项log(|Σk|)在每一类中为常数项，后一项称为马氏距离，ci指判别后xi的类别；
对步骤(3)聚类结果中每个分辨单元的类别标号进行在线更新的方法为：对于雷达每次新接收的回波，都要先判新接收回波每个分辨单元的类别，再利用判别结果对聚类结果中每个分辨单元的类别标号进行更新，每接收一次回波，更新一次类别标号；
(6)对雷达新接收到的第t帧回波x(t)进行预处理：
对雷达新接收到的第t帧回波x(t)进行MTI滤波，得到不含静止地物杂波的第t帧回波xD，并将其作为待检测数据，待检测数据中将要被检测的分辨单元称为当前待检测单元；
(7)获取过渡参考单元样本并用相似杂波区域对其进行扩充：
(7a)从待检测数据xD中选取与当前待检测单元邻近的P个分辨单元作为当前待检测单元的初始参考单元样本；
(7b)根据n个分辨单元新的类别标号l′1,...l′i,...l′n，判断初始参考单元样本中的每个分辨单元与当前待检测单元的类别标号是否相同，并删除初始参考单元样本中与当前待检测单元类别标号不同的分辨单元，得到当前待检测单元的过渡参考单元样本，将删除的分辨单元的数量记为P′；
(7c)从相似杂波区域中选取与当前待检测单元相同类别标号且数量大于等于P′的分辨单元，并通过该分辨单元对删除后的参考单元样本进行样本扩充，得到当前待检测单元的参考单元样本；
(8)计算检测统计量和门限阈值α：
(8a)根据当前待检单元的参考单元样本估计当前待检测单元的杂波协方差矩阵
(8b)根据协方差矩阵和待检测数据xD，计算当前待检测单元的检测统计量；
(8c)设定虚警概率，并根据设定的虚警概率和步骤(7)中选取的参考单元样本的个数，通过Monte-Carlo实验得到门限阈值α；
(9)对待检测数据xD进行检测：
比较待检测数据xD中当前待检测单元的检测统计量与门限阈值α的大小，若当前待检单元的检测统计量大于等于门限阈值α，将当前待检单元标记为1，即为检测到目标，否则标记为0，即未能检测到目标。
2.根据权利要求1所述的基于区域相似性的在线雷达目标检测方法，其特征在于，步骤(1b)中所述的第j个目标导向矢量sj(vj,ω)，计算公式为：
其中，Tr为雷达脉冲周期，N为一个相干处理CPI时间内的脉冲数；
步骤(1c)中所述的相关系数矩阵(ρij)n·m，其中第i个分辨单元与第j个目标导向矢量的相关系数ρij的计算公式为：
其中||·||表示2范数，xi表示第i个分辨单元，ω表示目标的空间频率，H表示共轭转置。
3.根据权利要求1所述的基于区域相似性的在线雷达目标检测方法，其特征在于，步骤(2b)中所述的不含疑似目标的分辨单元x′pick，计算公式为：
x′pick＝xpick-ρij·sj(vj,ω)
其中，xpick表示所筛选出相关系数大于门限的分辨单元，x′pick不含疑似目标的分辨单元，sj(vj,ω)为第j个目标导向矢量。
4.根据权利要求1所述的基于区域相似性的在线雷达目标检测方法，其特征在于，步骤(3b)中所述的K均值聚类，具体公式如下：
其中，代价函数J为n个分辨单元到K个聚类中心的负对数似然值，Σk指第k类的方差，μk指第k类的均值，xi为第i个分辨单元中，聚类算法通过迭代完成：固定μk改变J优化γnk；固定γnk，改变J优化μk得到聚类结果。
5.根据权利要求1所述的基于区域相似性的在线雷达目标检测方法，其特征在于，步骤(8a)中所述的估计当前待检测单元的杂波协方差矩阵计算公式为：
其中，为杂波协方差矩阵，zp为选取的参考单元的第p个参考单元，P为参考单元个数；
步骤(8b)中所述的计算当前待检测单元的检测统计量，计算公式如下：
其中，为待检测单元数据中第i个待检测单元，α为门限阈值，q为多普勒导向矢量，q＝[1exp(j2πfdTr)…exp(j2π(N-1)fdTr)]T，N为一个相干处理CPI时间内的脉冲数，fd为目标多普勒频率，Tr为雷达脉冲重复间隔。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710902370.8A CN107765228B (zh) | 2017-09-29 | 2017-09-29 | 一种基于区域相似性的在线雷达目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710902370.8A CN107765228B (zh) | 2017-09-29 | 2017-09-29 | 一种基于区域相似性的在线雷达目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107765228A CN107765228A (zh) | 2018-03-06 |
| CN107765228B true CN107765228B (zh) | 2019-11-01 |
Family
ID=61266629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710902370.8A Active CN107765228B (zh) | 2017-09-29 | 2017-09-29 | 一种基于区域相似性的在线雷达目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107765228B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108919219A (zh) * | 2018-07-06 | 2018-11-30 | 西安电子科技大学 | 基于反对称变换和参数可调的分布式目标检测方法 |
| CN109270501B (zh) * | 2018-10-29 | 2020-08-11 | 安徽四创电子股份有限公司 | 一种用于全固态vts雷达的海杂波抑制方法 |
| CN110895333B (zh) * | 2019-12-05 | 2022-06-03 | 电子科技大学 | 一种基于多普勒频率的77g车载雷达数据快速聚类方法 |
| CN110986963B (zh) * | 2019-12-25 | 2021-06-15 | 北京理工大学 | 基于姿态信息的航天器多目标在线聚类规划方法 |
| 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 |
| CN111398911B (zh) * | 2020-03-24 | 2022-03-08 | 中国人民解放军海军航空大学 | Mimo雷达目标检测方法及装置 |
| CN113534054B (zh) * | 2021-06-02 | 2023-06-30 | 西安电子科技大学 | 一种基于同质杂波内容共享的改进雷达目标检测方法 |
| CN113759362B (zh) * | 2021-07-28 | 2024-02-23 | 西安电子科技大学 | 雷达目标数据关联的方法、装置、设备和存储介质 |
| CN113589251B (zh) * | 2021-07-29 | 2024-01-05 | 上海无线电设备研究所 | 一种Mean-Shift回波聚类后的单元平均恒虚警检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103995258A (zh) * | 2014-06-06 | 2014-08-20 | 中国人民解放军海军航空工程学院 | 复杂杂波边缘环境下雷达目标自适应融合检测方法 |
| CN104360324A (zh) * | 2014-10-31 | 2015-02-18 | 中国电子科技集团公司第二十八研究所 | 一种基于图像处理的杂波图分区方法 |
| CN106468770A (zh) * | 2016-09-23 | 2017-03-01 | 西安电子科技大学 | K分布杂波加噪声下的近最优雷达目标检测方法 |
| CN106646419A (zh) * | 2017-02-28 | 2017-05-10 | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4737165B2 (ja) * | 2006-10-31 | 2011-07-27 | 株式会社村田製作所 | レーダの物標検知方法、およびこの物標検知方法を用いたレーダ装置 |
-
2017
- 2017-09-29 CN CN201710902370.8A patent/CN107765228B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103995258A (zh) * | 2014-06-06 | 2014-08-20 | 中国人民解放军海军航空工程学院 | 复杂杂波边缘环境下雷达目标自适应融合检测方法 |
| CN104360324A (zh) * | 2014-10-31 | 2015-02-18 | 中国电子科技集团公司第二十八研究所 | 一种基于图像处理的杂波图分区方法 |
| CN106468770A (zh) * | 2016-09-23 | 2017-03-01 | 西安电子科技大学 | K分布杂波加噪声下的近最优雷达目标检测方法 |
| CN106646419A (zh) * | 2017-02-28 | 2017-05-10 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| "Ship Detection in Harbor Area in SAR Images Based on Constructing an Accurate Sea-c1utter Model";Li Zhi et al.;《2017 2nd International Conference on Image, Vision and Computing (ICIVC)》;20170720;全文 * |
| "复杂场景下的SAR目标检测";余文毅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315;全文 * |
| 魏广强." 复合海杂波背景下的弱小目标检测技术".《中国优秀硕士学位论文全文数据库 信息科技辑》.2017, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107765228A (zh) | 2018-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107765228B (zh) | 一种基于区域相似性的在线雷达目标检测方法 | |
| Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
| US11906616B2 (en) | Method of target feature extraction based on millimeter-wave radar echo | |
| CN106226751B (zh) | 基于dp-tbd的机动目标检测与跟踪方法 | |
| CN106778610B (zh) | 一种基于时频图像特征的脉内调制识别方法 | |
| White | Change detection in SAR imagery | |
| US6911933B1 (en) | Dynamic logic algorithm used for detecting slow-moving or concealed targets in synthetic aperture radar (SAR) images | |
| EP0888560B1 (en) | Improved method of moment estimation and feature extraction for devices which measure spectra as a function of range or time | |
| CN104714225B (zh) | 一种基于广义似然比的动态规划检测前跟踪方法 | |
| Ferro et al. | Analysis of radar sounder signals for the automatic detection and characterization of subsurface features | |
| CN106569193A (zh) | 基于前‑后向收益参考粒子滤波的海面小目标检测方法 | |
| CN106483516A (zh) | 基于先验知识的雷达杂波空时自适应处理方法 | |
| CN109100696B (zh) | 基于点状杂波图的慢速运动目标消除方法 | |
| RU2579353C1 (ru) | Способ сопровождения воздушной цели из класса "самолёт с турбореактивным двигателем" при воздействии уводящей по скорости помехи | |
| CN108872961B (zh) | 基于低门限的雷达微弱目标检测方法 | |
| CN106772299A (zh) | 一种基于距离匹配的pd雷达微弱目标动态规划检测方法 | |
| CN110501683A (zh) | 一种基于四维数据特征的海陆杂波分类方法 | |
| CN105447867A (zh) | 基于isar图像的空间目标姿态估计方法 | |
| Chen et al. | LFM signal detection and estimation based on deep convolutional neural network | |
| CN114518564A (zh) | 一种基于特征杂波图的海面低空小目标检测方法 | |
| Sinha et al. | Estimation of Doppler profile using multiparameter cost function method | |
| CN107479037A (zh) | 一种pd雷达杂波区域判别方法 | |
| Liu et al. | GNSS-R global sea surface wind speed retrieval based on deep learning | |
| CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
| Zhu et al. | Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter |
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 |