CN110221264A - 基于周期Keystone变换的多普勒模糊目标相参检测方法及装置 - Google Patents

Abstract

本发明属于雷达信号处理技术领域，特别涉及一种基于周期Keystone变换的多普勒模糊目标相参检测方法及装置，该方法包含：获取被测目标雷达信号，构建多普勒模糊目标信号模型；依据多普勒模糊目标信号模型，通过消除由目标高速和/或雷达低脉冲重复引起的多普勒欠采样，实现无搜索检测多普勒模糊目标。本发明通过在Keystone变换中引入离散傅里叶变换冗余周期，扩展多普勒频率范围，消除由目标高速或雷达低脉冲重复频率引起的多普勒欠采样；通过快速傅里叶变换和快速傅里叶反变换实现目标相参积累检测，能够无搜索地检测多普勒模糊目标；并通过仿真实验和实测雷达处理结果数据，进一步验证本发明方案的高效性与最优检测性能，在工程上具有一定的应用价值。

Description

基于周期Keystone变换的多普勒模糊目标相参检测方法及 装置

技术领域

本发明属于雷达信号处理技术领域，特别涉及一种基于周期Keystone变换的多普勒模糊目标相参检测方法及装置。

背景技术

近些年随着隐身飞机和无人机(UAV)的迅猛发展，雷达目标检测问题得到了越来越多的关注。为了探测此类低雷达散射截面积(RCS)目标，长时间相参积累是一种不可或缺的手段。不幸地是，在积累时间内目标难免发生距离徙动(RM)和多普勒频率模糊[15-17]，这将严重恶化诸如动目标检测(MTD)等传统积累算法的性能。所以，如何克服这两个问题成为提升雷达探测能力的关键。

目前，针对上述问题人们已经提出了诸多算法。这些算法大体可以分为两类：搜索类算法和非搜索类算法。对于前者，广泛采用的一种算法是Radon-Fourier变换(RFT)，通过运动参数搜索消除空时耦合和多普勒模糊；RFT是一种最大似然检测器，能够获得最优检测性能，然而巨大的计算复杂度使其在实际应用中难以被接受。轴旋转—动目标检测(AR-MTD)算法和改进的坐标旋转变换(MLRT)算法，通过旋转目标轨迹消除距离徙动，然后通过MTD实现相参积累，两种算法以旋转角度搜索代替了速度搜索，因此本质上来说不会减轻计算负担，并且旋转变换中的插值操作会引入数值误差。对于非搜索类算法，最为典型的是Keystone变换(KT)，不依赖目标运动参数，通过在每个距离频率上对慢时间进行伸缩实现RM的盲校正，然而，当由于目标高速或雷达低PRF而出现多普勒模糊时，KT算法因无法校正模糊而不再适用。对此，利用折叠因子搜索和相位补偿的Fold-KT算法，但无法实现多目标同时积累，所以极大地降低了检测效率。基于变尺度傅里叶反变换(SCIFT)的相参积累算法，采用快速傅里叶变换(FFT)和快速傅里叶反变换(IFFT)估计运动参数，但是对称自相关函数中的双线性操作将会带来6～7dB的抗噪性能损失。

发明内容

为此，本发明提供一种基于周期Keystone变换的多普勒模糊目标相参检测方法及装置，解决现有雷达信号目标检测中引入误差、适用受限、性能损失、效率降低等问题，具有很强的应用前景。

按照本发明所提供的设计方案，一种基于周期Keystone变换的多普勒模糊目标相参检测方法，包含如下内容：

获取被测目标雷达信号，构建多普勒模糊目标信号模型；

依据多普勒模糊目标信号模型，通过消除由目标高速和/或雷达低脉冲重复引起的多普勒欠采样，实现无搜索检测多普勒模糊目标。

上述的，构建多普勒模糊目标信号模型，包含如下内容：

依据雷达发射的线性调频信号，在相参积累时间内，获取被测目标与雷达之间的瞬时斜距；

信号经过脉冲压缩后，获取雷达回波信号；

对雷达回波信号中的快时间进行傅里叶变换，得到距离频率-慢时间域的信号表示；

结合瞬时斜距和距离频率-慢时间域的信号表示，获取多普勒模糊目标信号模型。

上述的，通过多普勒频率轴伸缩来消除多普勒欠采样。

优选的，多普勒频率轴伸缩表示为(f_r+f_c)t_m＝Nf_ct_a，其中，f_r为快时间对应的距离频率，f_c为信号载频，t_m＝m/PRF，m和PRF分别表示脉冲数和脉冲重复频率，t_a表示慢时间，N为伸缩倍数。

上述的，将离散傅里叶变换冗余周期引入Keystone变换中，通过扩展多普勒周期，来消除多普勒欠采样。

优选的，通过扩展多普勒周期来消除多普勒欠采样，包含如下内容：

依据多普勒模糊目标信号模型、距离频率、信号载频、脉冲重复频率及设定扩展倍数，结合变尺度傅里叶变换和周期傅里叶变换，获取周期信号模型、伸缩因子和扩展多普勒频率轴；

依据扩展多普勒频率轴，得到信号能量在多普勒频率上的积累，通过对距离频率进行傅里叶反变换，实现目标相参积累，使得目标能量得到聚焦；

针对目标相参积累，直接通过峰值位置估计目标运动参数，实现无搜索检测多普勒模糊目标。

优选的，周期信号模型、伸缩因子和扩展多普勒频率轴分别表示为：

其中，f_r为快时间对应的距离频率，f_c为信号载频，t_m＝m/PRF，m和PRF分别表示脉冲数和脉冲重复频率，T为信号周期，q为扩展整数。

优选的，依据目标速度范围来设定扩展倍数。

优选的，目标相参积累过程中，针对慢时间域的离散信号，通过利用Chirp-Z变换的伸缩特性和频率细化特性，并运用快速傅里叶变换和快速傅里叶反变换，实现目标相参积累。

更进一步地，本发明还提供一种基于周期Keystone变换的多普勒模糊目标相参检测装置，包含：模型构建模块和目标检测模块，其中，

模型构建模块，用于获取被测目标雷达信号，构建多普勒模糊目标信号模型；

目标检测模块，用于依据多普勒模糊目标信号模型，通过消除由目标高速和/或雷达低脉冲重复引起的多普勒欠采样，实现无搜索检测多普勒模糊目标。

本发明的有益效果：

本发明通过在Keystone变换中引入离散傅里叶变换(DFT)的冗余周期，扩展多普勒频率范围，消除由目标高速或雷达低脉冲重复频率(PRF)引起的多普勒欠采样；通过快速傅里叶变换(FFT)和快速傅里叶反变换(IFFT)实现；相比RFT和KT变换，本发明能够无搜索地检测多普勒模糊目标；并通过仿真实验和实测雷达处理结果验证本发明的高效性与最优检测性能，在工程上具有一定的应用价值。

附图说明：

图1为实施例中目标相参检测方法流程图；

图2为实施例中目标相参检测装置示意图；

图3为实施例中Z平面周期采样示意；

图4为实施例中CTZ计算流程示意；

图5为实施例中计算复杂度比较示意；

图6为实施例中俩多普勒模糊目标相参积累仿真示意；

图7为实施例中目标检测性能随SNR变化曲线示意；

图8为实施例中实测雷达数据示意。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。

针对现有模糊目标相参检测中识别中效率和性能无法兼顾等问题，本发明实施例中，参见图1所示，提供一种基于周期Keystone变换的多普勒模糊目标相参检测方法，包含如下内容：

S101)获取被测目标雷达信号，构建多普勒模糊目标信号模型；

S102)依据多普勒模糊目标信号模型，通过消除由目标高速和/或雷达低脉冲重复引起的多普勒欠采样，实现无搜索检测多普勒模糊目标。

进一步地，本发明实施例中，构建多普勒模糊目标信号模型，包含如下内容：

依据雷达发射的线性调频信号，在相参积累时间内，获取被测目标与雷达之间的瞬时斜距；

信号经过脉冲压缩后，获取雷达回波信号；

对雷达回波信号中的快时间进行傅里叶变换，得到距离频率-慢时间域的信号表示；

结合瞬时斜距和距离频率-慢时间域的信号表示，获取多普勒模糊目标信号模型。

进一步地，本发明实施例中，通过多普勒频率轴伸缩来消除多普勒欠采样。

进一步地，本发明实施例中，多普勒频率轴伸缩表示为(f_r+f_c)t_m＝Nf_ct_a，其中，f_r为快时间对应的距离频率，f_c为信号载频，t_m＝m/PRF，m和PRF分别表示脉冲数和脉冲重复频率，t_a表示慢时间，N为伸缩倍数。

进一步地，本发明实施例中，将离散傅里叶变换冗余周期引入Keystone变换中，通过扩展多普勒周期，来消除多普勒欠采样。

进一步地，本发明实施例中，通过扩展多普勒周期来消除多普勒欠采样，包含如下内容：

依据多普勒模糊目标信号模型、距离频率、信号载频、脉冲重复频率及设定扩展倍数，结合变尺度傅里叶变换和周期傅里叶变换，获取周期信号模型、伸缩因子和扩展多普勒频率轴；

依据扩展多普勒频率轴，得到信号能量在多普勒频率上的积累，通过对距离频率进行傅里叶反变换，实现目标相参积累，使得目标能量得到聚焦；

针对目标相参积累，直接通过峰值位置估计目标运动参数，实现无搜索检测多普勒模糊目标。

进一步地，本发明实施例中，周期信号模型、伸缩因子和扩展多普勒频率轴分别表示为：

其中，f_r为快时间对应的距离频率，f_c为信号载频，t_m＝m/PRF，m和PRF分别表示脉冲数和脉冲重复频率，T为信号周期，q为扩展整数。

进一步地，本发明实施例中，依据目标速度范围来设定扩展倍数。

进一步地，本发明实施例中，目标相参积累过程中，针对慢时间域的离散信号，通过利用Chirp-Z变换的伸缩特性和频率细化特性，并运用快速傅里叶变换和快速傅里叶反变换，实现目标相参积累。

更进一步地，本发明实施例还提供一种基于周期Keystone变换的多普勒模糊目标相参检测装置，参见图2所示，包含：模型构建模块101和目标检测模块102，其中，

模型构建模块101，用于获取被测目标雷达信号，构建多普勒模糊目标信号模型；

目标检测模块102，用于依据多普勒模糊目标信号模型，通过消除由目标高速和/或雷达低脉冲重复引起的多普勒欠采样，实现无搜索检测多普勒模糊目标。

为验证本发明实施例中技术方案的有效性，下面通过理论和仿真做进一步解释说明：

假设雷达发射线性调频(LFM)信号。在相参积累时间内，目标与雷达之间的瞬时斜距可以表示为：

R(t_m)＝R₀+vt_m (1)

其中R₀和v分别是目标的初始斜距和径向速度。t_m＝m/PRF为慢时间，m和PRF分别表示脉冲数和脉冲重复频率。经过脉冲压缩后，雷达回波可以写为：

其中A_c为信号幅度，B为发射信号带宽，c为信号传播速度，是快时间，f_c为信号载频。

对式(2)的快时间进行傅里叶变换(FT)，得到距离频率—慢时间域的信号为：

其中f_r为快时间对应的距离频率。

在目标高速和雷达低PRF的情况下，往往会发生多普勒模糊。这时目标的径向速度可以表示为：

v＝n_Tv_b+v₀ (4)

其中n_T为折叠因子，v_b＝λPRF/2为雷达盲速，λ＝c/f_c为信号波长，v₀＝mod(v,v_b)为目标的无模糊速度并且有|v₀|＜v_b/2。

将(1)带入(3)可得：

其中

式(6)，利用下式中的结论

从式(5)中可得，f_r和t_m之间的耦合表征了目标距离随慢时间t_m的徙动。当移动超过一个距离分辨单元ΔR＝c/2B时，将会出现RM现象，这给参数估计和相参积累造成了极大的困难。

RFT算法实现长时间相参积累，RFT的频域实现过程为

其中T为积累时间。如式(8)和式(9)所示，通过搜索目标速度，RFT能够补偿引起RM的相位项并完成相参积累。实际上，RFT被证明是一种最大似然估计器，可获得最优积累效果。但是巨大的计算复杂度仍是亟待解决的问题。

标准的KT算法能够无先验地消除由目标无模糊速度引起的RM，它的主要原理是在每个距离频率上对慢时间进行伸缩变换，即：

(f_r+f_c)t_m＝f_ct_a (10)

将式(10)带入式(5)中我们可得

其中

式(12)中，假设雷达系统发射窄带信号，即f_r＜＜f_c和f_c/(f_r+f_c)≈1。标准KT能够有效消除f_r和v₀之间的耦合，但是，由盲速整数倍引起的RM却仍然存在。对此，Fold-KT通过参数搜索构建了如下所示的相位补偿函数

式(13)乘以(11)可得

对式(14)的距离频率f_r进行傅里叶反变换(IFT)可得

当n_T＝n_s时，RM被完全消除，然后对慢时间进行FT即可实现相参积累。

虽然Fold-KT降低了RFT算法的计算量，但是仍然面临两个问题：(a)式(10)中的变量替换需要进行插值操作，这回导致能量损失；(b)速度估计是通过折叠因子搜索和积累峰值位置共同得到的，不能在距离—多普勒域中直接获取，而且式(13)的搜索过程总是不受人们欢迎的。

本发明实施例中以低计算复杂度实现对多普勒模糊目标的鲁棒检测。众所周知，多普勒模糊是由慢时间的欠采样导致的。因此直观上可以通过以下两种方式来估计模糊多普勒频率：多普勒频率轴伸缩或者扩展多普勒周期。前者的方法可表示为：

(f_r+f_c)t_m＝Nf_ct_a (16)

不同于式(10)，慢时间t_a被压缩了N倍，这相当于多普勒频率拉伸了N倍。但是，这样导致相参时间缩短，从而使得速度分辨率也相应恶化了N倍。因此，在本发明实施例中又提出PKT算法来扩展多普勒周期。PKT的具体定义为：

其中，ξ为伸缩因子，为扩展的多普勒频率轴，q为扩展整数。显然，PKT结合了变尺度傅里叶变换(SFT)和周期傅里叶变换(PFT)。当q＝1时，式(17)退化为式(10)中定义的标准KT。

将式(5)带入式(17)中可得：

当时，信号能量在多普勒域上能够实现积累，即，

对式(20)中的距离频率f_r进行IFT后，目标即实现相参积累：

从式(21)中可以看出，目标能量得到聚焦，运动参数可以从峰值位置直接进行估计。

式(17)定义的PKT与式(10)的标准KT近似，结合PKT能够消除RM并且估计目标速度，可以将式(19)重新写为：

其中，

是对应于的速度轴。

所以，当q＞2|n_T|时，f_r和t_m之间的耦合项可以得到补偿，目标多普勒频率也能够得到估计。在传统KT中，多普勒频率的冗余周期被忽略因而速度范围限制在[-v_b/2,v_b/2)，显然这个速度范围无法消除RM和实现相参积累。PKT和标准KT之间的区别可以用图3直观地解释。FT可以认为是Z平面单位圆上的均匀采样。在标准KT中，可只关注主值区间，即实心点，这对应于多普勒频率中[0,PRF)的范围。但是，PKT在单位圆上进行了q圈采样，即正方形和三角形点，这将多普勒频率扩展到了[-PRF,2PRF)的范围。当q＞2|n_T|时，模糊的多普勒频率就会被囊括进来，从而实现估计。由于目标的速度是未知的，可以首先根据式(23)确定感兴趣的速度范围，然后得到具体的扩展整数q。当进行离散计算时，多普勒频率分辨率将会与标准KT相同，即因此，速度分辨率也不会被恶化，即另外一方面，通过利用CZT的伸缩特性和频率细化特性，所提的PKT算法能够用FFT和IFFT高效实现。

考虑S(f_r,t_m)在慢时间域的离散信号形式S(f_r,m),m＝0,1,…,M-1，其PKT定义为：

其中W＝exp(-j2πξ/M)。

通过采用Bluestein等式：

将式(25)带入式(24)中可得：

其中，表示卷积。CZT的计算过程如图4所示。因此，利用式(26)中的FFT和IFFT运算可以大大降低PKT的计算复杂度。

式(22)可以改写为：

其中，v_d∈[-v_b/2,v_b/2),q∈Z。从式(27)可以看出，第一个指数项进行了标准KT而第二个指数项完成了折叠因子搜索，其中，利用等式exp(j4πf_c(q-1)v_bt_m/c)＝1。因此，PKT通过扩展多普勒频率周期融合了搜索过程，其本质上与Fold-KT算法等价。区别之处在于，PKT通过CZT实现相参积累，避免了插值引起的误差。另外，也可以证明PKT是RFT在频域的快速实现。利用傅里叶变换的线性性质，式(17)和式(18)中的两个傅里叶变换可以交换顺序。然后拆分ξ我们可得

其中通过比较式(28)、式(29)与式(8)、式(9)，PKT与RFT之间的等价关系显而易见。

下面将详细分析所提PKT算法的计算复杂度，同时Fold-KT、RFT、MLRT和SCIFT四种算法将作为比较。记脉冲数、距离单元数和角度搜索数分别为M、N_r和N_θ。那么容易得到PKT算法的计算复杂度为O(qN_rM log₂qM)。Fold-KT算法主要集中在q次相位补偿、距离IFFT和慢时间FFT上，因此总计算约为O(qN_rM log₂MN_r)。对于RFT，需要搜索速度参数，所以需要执行qM次相位补偿，算法复杂度在O(qN_rM²)量级。对于MLRT而言，RM的校正和相参积累分别是通过旋转目标轨迹和MTD实现的，每个搜索角度下，需要的计算量为O(N_rMlog₂M)，因此总计算复杂度为O(N_θN_rM log₂M)。作为一种非参数搜索算法，SCIFT能够通过基于FFT的CZT实现，所以计算复杂度为O(3MN_rlog₂MN_r)。假设M＝N_r、q＝8、N_θ＝qM，图5直观地给出了上述五种算法的计算量。相比较而言，所提PKT算法避免了参数搜索，能够通过FFT和IFFT快速实现，因而在实时处理上有很大优势。

为了验证PKT算法的性能，进行实地仿真和实测实验，其中仿真实验参数如表1所示：

表1雷达仿真实验参数

假设雷达观测两个多普勒模糊目标，目标运动参数分别为：目标A初始距离R_0,A＝80km，速度v_A＝180m/s；目标B初始距离R_0,B＝81km，速度v_B＝-60m/s。脉冲压缩结果如图6(a)所示，其中可以观察到目标在相参积累时间内出现了明显的RM现象。图6(b)给出了RFT的相参积累结果，为了便于比较，将速度范围设定为[-3v_b,3v_b)，即对应q＝6。RFT能够通过参数搜索同时积累两个目标。图6(c-1)和图6(c-2)分别给出了n_s＝2和n_s＝-1时Fold-KT的积累结果。虽然每个目标都各自实现了相参积累，但是两个结果无法同时在距离—多普勒平面内显示出来。换句话说，Fold-KT算法只能逐个处理空变目标。而且，目标速度估计也是结合折叠因子与无模糊速度实现的，无法在距离—多普勒平面内直观读取。

图6(d-1)给出了所提PKT算法的RM校正结果，图中对于每个目标能够清晰地观察到6条轨迹，这是由于多普勒周期扩展造成的，不同轨迹是由不同的折叠因子造成的。在所有轨迹中，只有对应于正确折叠因子的两条轨迹被校正为直线，这同时说明PKT算法融合了折叠因子搜索过程。图6(d-2)给出了PKT的相参积累结果，从中可以很容易地得到各个目标的初始距离及真实速度。以上仿真证明了所提PKT算法的相参积累可行性。

同时利用Monte Carlo实验比较了前面所述几种算法的目标检测性能，其中脉冲压缩后信噪比(SNR)从-25dB-0dB之间变化。每个信噪比下，进行了500次独立的MonteCarlo实验。虚警率设置为P_fa＝10^-6。目标检测性能曲线如图7所示。首先，需要指出的是，RFT算法是一种最大似然检测器，因此其性能被认为是最优的。以此作为标杆，可以看出本发明实施例中所提PKT算法性能与RFT性能相近，这验证了上述中二者等价的理论分析。相比之下，Fold-KT和MLRT算法存在微小性能损失，这是由KT和坐标旋转操作中的插值引起的。SCIFT算法目标检测的信噪比门限为-10dB左右(比PKT门限高约7dB)。这说明SCIFT算法中的对称自相关函数虽然有利于减小计算复杂度，但损失了大量信号能量，严重恶化了算法的抗噪性能。

下面通过FMCW雷达系统并采用大疆精灵3商用无人机进行实测，进一步验证所提PKT算法有效性，数据于2017年3月在某地采集，雷达系统参数设置如表2所示：

表2 FMCW雷达系统参数

为了获得目标的多普勒模糊，降低雷达的PRF。图8(a)显示了脉冲压缩后目标运动轨迹。在2.64s的相参积累时间内，无人机移动超过23个距离单元，引起了严重的距离徙动现象。图8(b)和图8(c)给出了MTD积累结果。由于没有校正RM，MTD积累能量散布于多个距离和速度单元。另外，杂波在距离100m左右形成了两个明显的点目标，这两个虚假目标将会造成虚警。图8(d)描述了PKT算法的RM校正结果。设定扩展参数q＝12。目标多条轨迹重叠在一起，难以清晰辨别出校正的一条轨迹。经过相参积累，积累结果和聚焦结果分别在图8(e)和图8(f)中给出。在距离—多普勒平面中，很容易得到目标运动参数，即R₀＝136.5m，v＝2.789m/s。同时作为参考，在图8(g)和图8(h)中给出了RFT积累结果。几乎相同的结果进一步验证了PKT和RFT之间的等价关系。更为重要的是，PKT可以认为是RFT的一种快速实现算法。

本发明中，利用频率周期性的冗余信息，以消除距离徙动和多普勒模糊，利用引入的周期扩展整数实现多普勒频率范围和速度范围的扩展，从而避免了多普勒模糊；考虑到CZT的伸缩性质和频谱细化性质，能够通过FFT和IFFT高效实现，避免了参数搜索过程，极大地降低了计算复杂度；并通过理论推理和实验数据证明本发明实施例中PKT与Fold-KT和RFT算法之间的等价关系。通过仿真和实测雷达数据实验评估本发明实施例中技术方案的性能，结果表明，PKT能够取得与RFT算法近乎相同的积累效果和检测性能，同时保证极低的运算复杂度，在工程上具有一定的应用价值。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种基于周期Keystone变换的多普勒模糊目标相参检测方法，其特征在于，

A)获取被测目标雷达信号，构建多普勒模糊目标信号模型；

B)依据多普勒模糊目标信号模型，通过消除由目标高速和/或雷达低脉冲重复引起的多普勒欠采样，实现无搜索检测多普勒模糊目标。

2.根据权利要求1所述的基于周期Keystone变换的多普勒模糊目标相参检测方法，其特征在于，A)中构建多普勒模糊目标信号模型，包含如下内容：

A1)依据雷达发射的线性调频信号，在相参积累时间内，获取被测目标与雷达之间的瞬时斜距；

A2)信号经过脉冲压缩后，获取雷达回波信号；

A3)对雷达回波信号中的快时间进行傅里叶变换，得到距离频率-慢时间域的信号表示；

A4)结合瞬时斜距和距离频率-慢时间域的信号表示，获取多普勒模糊目标信号模型。

3.根据权利要求1或2所述的基于周期Keystone变换的多普勒模糊目标相参检测方法，其特征在于，B)中，通过多普勒频率轴伸缩来消除多普勒欠采样。

4.根据权利要求3所述的基于周期Keystone变换的多普勒模糊目标相参检测方法，其特征在于，B)中，多普勒频率轴伸缩表示为(f_r+f_c)t_m＝Nf_ct_a，其中，f_r为快时间对应的距离频率，f_c为信号载频，t_m＝m/PRF，m和PRF分别表示脉冲数和脉冲重复频率，t_a表示慢时间，N为伸缩倍数。

5.根据权利要求1或2所述的基于周期Keystone变换的多普勒模糊目标相参检测方法，其特征在于，B)中，将离散傅里叶变换冗余周期引入Keystone变换中，通过扩展多普勒周期，来消除多普勒欠采样。

6.根据权利要去5所述的基于周期Keystone变换的多普勒模糊目标相参检测方法，其特征在于，B)中，通过扩展多普勒周期来消除多普勒欠采样，包含如下内容：

B1)依据多普勒模糊目标信号模型、距离频率、信号载频、脉冲重复频率及设定扩展倍数，结合变尺度傅里叶变换和周期傅里叶变换，获取周期信号模型、伸缩因子和扩展多普勒频率轴；

B2)依据扩展多普勒频率轴，得到信号能量在多普勒频率上的积累，通过对距离频率进行傅里叶反变换，实现目标相参积累，使得目标能量得到聚焦；

B3)针对目标相参积累，直接通过峰值位置估计目标运动参数，实现无搜索检测多普勒模糊目标。

7.根据权利要求6所述的基于周期Keystone变换的多普勒模糊目标相参检测方法，其特征在于，B1)中，周期信号模型、伸缩因子和扩展多普勒频率轴分别表示为：

其中，f_r为快时间对应的距离频率，f_c为信号载频，t_m＝m/PRF，m和PRF分别表示脉冲数和脉冲重复频率，T为信号周期，q为扩展整数。

8.根据权利要求6或7所述的基于周期Keystone变换的多普勒模糊目标相参检测方法，其特征在于，B1)中，依据目标速度范围来设定扩展倍数。

9.根据权利要求6或7或8所述的基于周期Keystone变换的多普勒模糊目标相参检测方法，其特征在于，B2)目标相参积累过程中，针对慢时间域的离散信号，通过利用Chirp-Z变换的伸缩特性和频率细化特性，并运用快速傅里叶变换和快速傅里叶反变换，实现目标相参积累。

10.一种基于周期Keystone变换的多普勒模糊目标相参检测装置，其特征在于，包含：模型构建模块和目标检测模块，其中，

模型构建模块，用于获取被测目标雷达信号，构建多普勒模糊目标信号模型；

目标检测模块，用于依据多普勒模糊目标信号模型，通过消除由目标高速和/或雷达低脉冲重复引起的多普勒欠采样，实现无搜索检测多普勒模糊目标。