CN110412550A - 一种基于背景认知的区域自适应海目标检测方法 - Google Patents

一种基于背景认知的区域自适应海目标检测方法 Download PDF

Info

Publication number
CN110412550A
CN110412550A CN201910657737.3A CN201910657737A CN110412550A CN 110412550 A CN110412550 A CN 110412550A CN 201910657737 A CN201910657737 A CN 201910657737A CN 110412550 A CN110412550 A CN 110412550A
Authority
CN
China
Prior art keywords
clutter
matrix
sea
region
context
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.)
Granted
Application number
CN201910657737.3A
Other languages
English (en)
Other versions
CN110412550B (zh
Inventor
匡华星
张玉涛
陆翔
王奇
丁春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
724th Research Institute of CSIC
Original Assignee
Southeast University
724th Research Institute of CSIC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University, 724th Research Institute of CSIC filed Critical Southeast University
Priority to CN201910657737.3A priority Critical patent/CN110412550B/zh
Publication of CN110412550A publication Critical patent/CN110412550A/zh
Application granted granted Critical
Publication of CN110412550B publication Critical patent/CN110412550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/04—Systems determining presence of a target
    • 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
    • G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
    • 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
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/414—Discriminating targets with respect to background clutter
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于背景认知的区域自适应海目标检测方法，主要解决现有技术在复杂海洋环境下抗杂波能力不足和目标检测性能差等问题。其实现步骤：1)数据预处理：将原始回波视频数据转为统一的距离维数和方位维数；2)背景认知分类处理：对预处理后的数据进行帧间滑窗统计判决，输出海杂波区，地杂波区和噪声区；3)区域自适应目标检测处理：对不同的区域自适应采取不同的检测方法；4)综合输出：将不同区域的检测结果相加，得到最终检测结果。本发明通过对回波背景进行认知分类，屏蔽地杂波，对海杂波区和噪声区采取不同的检测方法，提高了目标的检测概率，可用于改善岸基两坐标雷达在复杂海洋环境下的慢速弱目标探测及抗杂波能力。

Description

一种基于背景认知的区域自适应海目标检测方法
技术领域
本发明属于雷达目标检测技术领域。
背景技术
海面慢速弱目标的检测问题一直以来是雷达领域研究的热点问题，由于对海探测雷达的回波背景比较复杂，回波通常包含海杂波，地杂波、目标回波和噪声。针对海面慢速弱目标的检测问题，工程上通常采用恒虚警检测方法。常用的恒虚警检测技术中有两大类，一类为空域上的滑窗式检测方法，即利用临近单元的杂波样本对杂波强度进行估计以形成检测门限，例如单元平均恒虚警等；另一类则是时域上的杂波图恒虚警处理方法，即利用雷达分辨单元多次扫描的回波样本对杂波强度进行估计。
滑窗式恒虚警检测方法适用于空域比较平稳、时域变化剧烈一些的杂波环境，由于海杂波在空域起伏较大，仅利用临近单元的杂波样本难以对杂波真实水平进行准确的估计，因此滑窗式恒虚警检测方法不太适用于海杂波背景。
杂波图恒虚警处理方法适用于空域或距离变化十分剧烈、时域却比较平稳的杂波环境，比如地杂波和海杂波。现有的杂波图检测方法存在以下的缺点：①传统杂波图是简单的幅度均值杂波图，为单参数杂波图，它只利用了杂波的均值信息。其更适合用于时域上比较稳定的地杂波环境，对于杂噪比变化范围比较大的海杂波，不能有效的控制虚警。②慢目标的多普勒频率低,现有的杂波图更新方式，在实时监测杂波起伏的同时，也容易将慢速目标误判为是静杂波，而降低慢目标分辨能力。
综上所述，常规的恒虚警检测方法无法适用于复杂的海洋环境，难以抑制复杂海洋环境下的多种类杂波。特别在强海杂波背景下，目标的回波信杂比较低，常规的恒虚警检测方法对弱小目标的探测能力不足。
发明内容
本发明针对背景技术存在的不足，基于岸基对海两坐标雷达，提出了一种基于背景认知的区域自适应海目标检测方法。该技术主要包含两个处理过程，一个是背景认知处理，即根据雷达不同种类回波的统计特性差异，采用帧间滑窗统计判决的方法对雷达回波区域进行准实时分类。另一个是区域自适应目标检测，即依据背景认知分类的结果，对不同的回波背景采用不同的检测方法。特别是对于海杂波区域，采用杂波图和恒虚警组合的处理方式，保证对海面慢速弱目标的有效检测。技术方案如下：
步骤1：数据预处理
对雷达原始视频数据进行数据重排整理，通过重采样的方式将每个周期的雷达原始视频数据转为固定的距离维数和方位维数。
步骤2：背景认知分类处理
首先构建一个视频缓存矩阵用于保存多个周期的预处理后视频数据，然后进行帧间滑窗统计判决，过程如下：
(2.1)将当前周期数据保存至视频缓存矩阵；
(2.2)当缓存周期数小于判决所需周期数时，接收下一周期雷达原始视频数据，转步骤1。当缓存周期数大于等于判决所需周期数时，转步骤(2.3)。
(2.3)分别对视频缓存矩阵在帧间求均值和方差，得到视频均值矩阵和视频方差矩阵；视频均值矩阵大于门限1且视频方差矩阵小于门限2的元素，记为地杂波参考矩阵；视频均值矩阵大于门限3且视频方差矩阵大于门限4的元素，记为海杂波参考矩阵；
(2.4)分别对地杂波参考矩阵和海杂波参考矩阵进行连通域检测，得到海杂波区域矩阵和地杂波区域矩阵。
(2.5)由海杂波区域矩阵和地杂波区域矩阵反推得到噪声区域矩阵。
(2.6)视频缓存矩阵前移一位，转步骤3。
步骤3：区域自适应目标检测处理
在检测阶段，对当前周期数据采取分区域检测的策略。屏蔽地杂波区视频数据，对噪声区采取低门限CFAR检测，对海杂波区采取杂波图和CFAR组合检测。过程如下：
(3.1)将属于地杂波区的视频数据置0，屏蔽地杂波。
(3.2)对屏蔽地杂波后的视频数据做低门限CFAR检测，根据噪声区域矩阵保留噪声区域的检测结果，即为噪声区检测结果。
(3.3)对屏蔽地杂波后的视频数据先进行杂波图积累，然后对积累得到的杂波图进行CFAR检测，然后根据海杂波区域矩阵保留海杂波区域的检测结果，即为海杂波区检测结果。
步骤4：综合输出，即将噪声区检测结果和海杂波区检测结果相加，得到最终检测结果。然后，接收下一周期雷达原始视频数据，转步骤1。
相比于传统技术，本发明的创新点如下：
1.本发明根据雷达不同种类回波的特性差异，采用多周期统计判决的方法对雷达回波进行背景认知和准实时分类，然后根据分类的结果，对不同种类的回波采用不同的检测方法，从而达到在复杂背景下对目标进行自适应检测的目的。
2.本发明在背景认知处理中，对地物回波区域和海杂波区域进行判定时均采用了连通域检测的方法，有效地避免了慢速目标被误判为地物，也避免了快速目标被误判为海杂波，达到了对回波背景准确分类的目的。
3.本发明在区域自适应检测处理中，针对杂波区的目标检测采取了先杂波图积累后CFAR检测的方法，充分利用了慢速目标在周期间的相关性，通过长时间的迭代积累，提高了目标信杂比，提高了慢速弱目标检测概率，并且降低了海杂波在周期间的相关性，通过CFAR检测抑制了海杂波导致的虚警。
附图说明
图1是本发明基于背景认知的区域自适应海目标检测方法处理流程示意图。
图2是本发明基于背景认知的区域自适应海目标检测方法中背景认知分类流程示意图。
图3是本发明基于背景认知的区域自适应海目标检测方法中区域自适应检测流程示意图。
图4是本发明基于背景认知的区域自适应海目标检测方法中连通域检测流程示意图。
图5是本发明基于背景认知的区域自适应海目标检测方法中杂波图积累流程示意图。
图6是本发明基于背景认知的区域自适应海目标检测方法的实施例中仿真得到的背景认知处理结果示意图。
图7是本发明基于背景认知的区域自适应海目标检测方法的实施例中仿真得到的区域自适应检测结果与传统技术检测结果对比示意图。
图8是本发明基于背景认知的区域自适应海目标检测方法的实施例中仿真得到的区域自适应检测与传统技术的检测概率曲线示意图。
具体实施方式
本发明一种基于背景认知的自适应恒虚警检测技术处理流程示意图如图1所示，结合实施例，具体实施方式如下：
步骤1：数据预处理
对第n周期雷达原始回波视频数据进行数据重排整理，通过重采样的方式将第n周期雷达原始回波视频数据转为统一的数据格式Echo(n)，即方位维数为NAzi，距离维数为NDis。
通常，距离维数NDis等于雷达的距离采样单元数，方位维数NAzi可根据雷达的脉冲重复频率PRI和天线周期T确定，即其中指向下取整。
步骤2：背景认知分类处理
背景认知分类处理所需的滑窗判决周期数为NClass，积累周期数NAcc初始值为0。首先建立视频缓存矩阵MVideo，其维数为NAzi*NDis*NClass。然后进行帧间滑窗统计判决，如图2所示，过程如下：
(2.1)积累周期数NAcc加1，将数据Echo(n)保存至视频缓存矩阵MVideo，即MVideo(NAcc)＝Echo(n)
(2.2)当积累周期数NAcc小于NClass时，接收下一周期雷达原始视频数据，转步骤1。当缓存周期数NAcc大于等于NClass时，转步骤(2.3)。
(2.3)分别对视频缓存矩阵在帧间求均值和方差，得到视频均值矩阵MMean和视频方差矩阵MVar；MMean大于门限Thr1且MVar小于门限Thr2的元素置1，否则置0，记为地杂波参考矩阵MGRef；MMean大于门限Thr3且MVar大于门限Thr4的元素置1，否则置0，记为海杂波参考矩阵MSRef。
(2.4)分别对地杂波参考矩阵MGRef和海杂波参考矩阵MSRef进行连通域检测，得到地杂波区域矩阵MGArea和海杂波区域矩阵MSArea。
(2.5)由海杂波区域矩阵MSArea和地杂波区域矩阵MGArea反推得到噪声区域矩阵MNArea，即MNArea＝|(MGArea+MSArea)-1|。
(2.6)视频缓存矩阵前移一位，即MVideo(i)＝MVideo(i+1)；积累周期数NAcc减1，转步骤3。
在步骤2中，滑窗判决周期数NClass的选择需根据实际情况确定，需可以实际描述杂波的帧间统计特性，一般不小于20。
在步骤(2.3)中，门限Thr1、Thr2、Thr3和Thr4的选取需根据实际的杂波情况确定，通常，Thr1为探测区域典型地杂波幅度均值的3/4倍，Thr2为探测区域典型地杂波幅度方差的2倍，Thr3为探测区域典型海杂波幅度均值的1/2倍，Thr4为探测区域典型海杂波幅度方差的1/2倍。
在步骤(2.4)中，连通域检测采取的方法为种子法，处理流程示意图如图4，流程如下：
(2.4.1)初始化；扫描矩阵B，直到当前元素B(x,y)＝0，进行如下处理：
①将B(x,y)作为种子(元素位置)，并赋予其一个label，然后将该种子相邻的所有元素都压入栈中；
②弹出栈顶元素，赋予其相同的label，然后再将与该栈顶元素相邻的所有前元素都压入栈中；
③重复步骤②，直到栈为空；此时，便找到了矩阵B中的一个连通区域，该区域中的元素值被标记为label。
(2.4.2)遍历矩阵；重复步骤(2.4.1)，直到扫描结束；扫描结束后，就可以得到矩阵B中所有的连通区域。
(2.4.3)连通域判定；在得到所有连通区域后，对面积小于指定值Thr5的连通域做删除处理。
连通域检测的面积门限Thr5需根据目标距离方位展宽和滑窗长度决定，假设目标方位展宽为NTarAzi个方位码，距离展宽为NTarDis个距离采样单元。那么，面积门限通常为NTarAzi·NTarDis·NClass。
步骤3：区域自适应目标检测处理
在在检测阶段，采取分区域检测的策略。屏蔽地杂波区视频数据，对噪声区采取低门限CFAR检测，对海杂波区采取杂波图和CFAR组合检测。如图3所示，过程如下：
(3.1)将属于地杂波区的视频数据置0，屏蔽地杂波。
(3.2)对屏蔽地杂波后的视频数据做低门限CFAR检测，根据噪声区域矩阵保留噪声区域的检测结果，即为噪声区检测结果DetNosieArea。
(3.3)对屏蔽地杂波后的视频数据先进行杂波图积累，然后对积累得到的杂波图进行CFAR检测，然后根据海杂波区域矩阵保留海杂波区域的检测结果，即为海杂波区检测结果DetSeaArea。
在步骤3中，杂波图积累过程采用递归滤波器，其原理框图如附图5所示，递归公式如下：
y(n)＝k·y(n-1)+(1-k)·x(n)
式中，x(n)表示滤波器系统输入，即新的杂波数据输入；y(n)表示滤波器系统的输出，即更新后的杂波图；n是输入输出杂波数据的周期序号；k表示滤波器的递归系数，即杂波图系数(也称遗忘因子)，取值通常介于0.5和1之间。
步骤4：综合输出，将噪声区检测结果和海杂波区检测结果相加，得到最终检测结果DetOut。即：
DetOut＝DetSeaArea+DetNosieArea
然后，接收下一周期雷达原始视频数据，转步骤1。
实施例：
以某两坐标岸基对海雷达的实测数据为例进行仿真分析，在仿真中：预处理后统一视频数据格式的方位维数NAzi＝2048、距离维数NDis＝2048，背景认知分类处理所需的滑窗判决周期数为NClass＝20，判决的门限Thr1＝25、Thr2＝3、Thr3＝10、Thr4＝5，连通域检测门限Thr5＝1000，噪声区低门限CFAR的门限为10dB，杂波图系数为0.75，海杂波区CFAR的门限10dB。
图6为仿真得到的本发明背景认知分类的结果，可知本发明的背景认知方法可以有效对地杂波区、海杂波区和噪声区进行分类。
图7为仿真得到的本发明区域自适应检测的结果与传统方法的对比，可知本发明的区域自适应检测方法可以有效抑制杂波引起的虚警。
图8为仿真得到的本发明所述方法与传统CFAR在保持海杂波区虚警率为2e-3时对不同信杂比的慢速目标的检测概率曲线，可知本发明所述方法可以提高慢速目标的检测概率。

Claims (4)

1.一种基于背景认知的区域自适应海目标检测方法，其特征在于：
步骤1：数据预处理：对雷达原始回波视频数据进行数据重排整理，将雷达原始回波视频数据转为固定的距离维数和方位维数；
步骤2：背景认知分类处理：对预处理后的数据进行帧间滑窗统计判决，输出海杂波区，地杂波区和噪声区；
步骤3：区域自适应目标检测处理：对所述的海杂波区采取杂波图和恒虚警组合检测的方法，对所述的噪声区采取低门限CFAR的方法，对所述的地杂波区则直接屏蔽处理；
步骤4：综合输出：将不同区域的检测结果相加，得到最终检测结果；然后，接收下一周期雷达原始视频数据，转步骤1。
2.根据权利要求1所述的一种基于背景认知的区域自适应海目标检测方法，其特征在于：所述步骤2的背景认知分类处理包括：
步骤2.1：将当前周期数据保存至海杂波缓存矩阵；
步骤2.2：当缓存周期数小于判决所需周期数时，接收下一周期雷达原始视频数据，转步骤1；当缓存周期数大于等于判决所需周期数时，转步骤2.3；
步骤2.3：分别对视频缓存矩阵在帧间求均值和方差，得到视频均值矩阵和视频方差矩阵；视频均值矩阵大于门限1且视频方差矩阵小于门限2的元素，记为地杂波参考矩阵；视频均值矩阵大于门限3且视频方差矩阵大于门限4的元素，记为海杂波参考矩阵；
步骤2.4：分别对地杂波参考矩阵和海杂波参考矩阵进行连通域检测，得到海杂波区域矩阵和地杂波区域矩阵；
步骤2.5：由海杂波区域矩阵和地杂波区域矩阵反推得到噪声区域矩阵；
步骤2.6：视频缓存矩阵前移一位，步骤3。
3.根据权利要求2所述的一种基于背景认知的区域自适应海目标检测方法，其特征在于：所述步骤2.4的连通域检测处理采取基于种子法的连通域检测方法，包含：
步骤2.4.1：初始化：扫描矩阵B，直到当前元素B(x,y)＝0，进行如下处理：
①将B(x,y)作为种子，即元素位置，并赋予其一个label，然后将该种子相邻的所有元素都压入栈中；
②弹出栈顶元素，赋予其相同的label，然后再将与该栈顶元素相邻的所有前元素都压入栈中；
③重复步骤②，直到栈为空；此时，便找到了矩阵B中的一个连通区域，该区域中的元素值被标记为label；
步骤2.4.2：遍历矩阵；重复步骤2.4.1，直到扫描结束；扫描结束后，就可以得到矩阵B中所有的连通区域；
步骤2.4.3：连通域判定；在得到所有连通区域后，对面积小于指定值的连通域做删除处理。
4.根据权利要求3所述的一种基于背景认知的区域自适应海目标检测方法，其特征在于：所述步骤3的区域自适应目标检测处理包含如下处理：
步骤3.1：将属于地杂波区的视频数据置0，屏蔽地杂波；
步骤3.2：对屏蔽地杂波后的视频数据做低门限CFAR检测，根据噪声区域矩阵保留噪声区域的检测结果，即为噪声区检测结果；
步骤3.3：对屏蔽地杂波后的视频数据先进行杂波图积累，然后对积累得到的杂波图进行CFAR检测，然后根据海杂波区域矩阵保留海杂波区域的检测结果，即为海杂波区检测结果。
CN201910657737.3A 2019-07-20 2019-07-20 一种基于背景认知的区域自适应海目标检测方法 Active CN110412550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910657737.3A CN110412550B (zh) 2019-07-20 2019-07-20 一种基于背景认知的区域自适应海目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910657737.3A CN110412550B (zh) 2019-07-20 2019-07-20 一种基于背景认知的区域自适应海目标检测方法

Publications (2)

Publication Number Publication Date
CN110412550A true CN110412550A (zh) 2019-11-05
CN110412550B CN110412550B (zh) 2023-02-17

Family

ID=68362233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910657737.3A Active CN110412550B (zh) 2019-07-20 2019-07-20 一种基于背景认知的区域自适应海目标检测方法

Country Status (1)

Country Link
CN (1) CN110412550B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111624605A (zh) * 2020-05-27 2020-09-04 哈尔滨工程大学 一种基于角度维回波特征的航海雷达目标检测方法
CN112180341A (zh) * 2020-09-29 2021-01-05 中国船舶重工集团公司第七二四研究所 一种背景自适应cfar算法选择的实现方法
CN112649791A (zh) * 2020-12-24 2021-04-13 北京海兰信数据科技股份有限公司 一种雷达回波处理方法及装置
CN113189557A (zh) * 2021-04-20 2021-07-30 中国人民解放军海军航空大学航空作战勤务学院 对海雷达目标检测精细化处理方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103885053A (zh) * 2014-03-27 2014-06-25 中国电子科技集团公司第二十八研究所 一种基于追踪滤波器的雷达数据动目标检测处理方法
CN106093890A (zh) * 2016-08-26 2016-11-09 零八电子集团有限公司 建立剩余杂波图抑制雷达剩余杂波的方法
CN106249211A (zh) * 2016-08-05 2016-12-21 中国电子科技集团公司第二十八研究所 一种海杂波与云雨杂波抑制算法
CN107561517A (zh) * 2017-07-27 2018-01-09 中国船舶重工集团公司第七二四研究所 一种雷达海杂波剩余虚假点迹抑制方法
CN108490410A (zh) * 2018-03-06 2018-09-04 中国船舶重工集团公司第七二四研究所 一种两坐标雷达对海目标联合检测跟踪方法
CN109782248A (zh) * 2019-02-18 2019-05-21 中国电子科技集团公司第二十研究所 一种雷达杂波处理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103885053A (zh) * 2014-03-27 2014-06-25 中国电子科技集团公司第二十八研究所 一种基于追踪滤波器的雷达数据动目标检测处理方法
CN106249211A (zh) * 2016-08-05 2016-12-21 中国电子科技集团公司第二十八研究所 一种海杂波与云雨杂波抑制算法
CN106093890A (zh) * 2016-08-26 2016-11-09 零八电子集团有限公司 建立剩余杂波图抑制雷达剩余杂波的方法
CN107561517A (zh) * 2017-07-27 2018-01-09 中国船舶重工集团公司第七二四研究所 一种雷达海杂波剩余虚假点迹抑制方法
CN108490410A (zh) * 2018-03-06 2018-09-04 中国船舶重工集团公司第七二四研究所 一种两坐标雷达对海目标联合检测跟踪方法
CN109782248A (zh) * 2019-02-18 2019-05-21 中国电子科技集团公司第二十研究所 一种雷达杂波处理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘艳苹: "一种海杂波背景下快速小目标的检测方法", 《舰船电子对抗》 *
林彦 等: "一种双模式双参数杂波图恒虚警检测器的实现", 《系统工程与电子技术》 *
樊小倩: "自适应恒虚警算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111624605A (zh) * 2020-05-27 2020-09-04 哈尔滨工程大学 一种基于角度维回波特征的航海雷达目标检测方法
CN111624605B (zh) * 2020-05-27 2022-07-15 哈尔滨工程大学 一种基于角度维回波特征的航海雷达目标检测方法
CN112180341A (zh) * 2020-09-29 2021-01-05 中国船舶重工集团公司第七二四研究所 一种背景自适应cfar算法选择的实现方法
CN112180341B (zh) * 2020-09-29 2022-05-17 中国船舶重工集团公司第七二四研究所 一种背景自适应cfar算法选择的实现方法
CN112649791A (zh) * 2020-12-24 2021-04-13 北京海兰信数据科技股份有限公司 一种雷达回波处理方法及装置
CN113189557A (zh) * 2021-04-20 2021-07-30 中国人民解放军海军航空大学航空作战勤务学院 对海雷达目标检测精细化处理方法及装置

Also Published As

Publication number Publication date
CN110412550B (zh) 2023-02-17

Similar Documents

Publication Publication Date Title
CN110412550A (zh) 一种基于背景认知的区域自适应海目标检测方法
CN107861107B (zh) 一种适用于连续波雷达的双门限cfar与点迹凝聚方法
Watts et al. Maritime surveillance radar. Part 2: Detection performance prediction in sea clutter
CN108490410B (zh) 一种两坐标雷达对海目标联合检测跟踪方法
CN106125053B (zh) 脉冲多普勒雷达极化抗干扰方法
CN103995259B (zh) 密集干扰环境下雷达目标自适应滤波融合检测方法
CN103217673B (zh) 一种非均匀Weibull杂波背景下的CFAR检测方法
CN110940971B (zh) 一种雷达目标点迹录取方法、装置及存储介质
CN109782248A (zh) 一种雷达杂波处理方法
CN104267388A (zh) 一种慢速目标杂波图检测方法
Yan et al. Intelligent and fast two-dimensional CFAR procedure
Wang et al. An agile multi-frame detection method for targets with time-varying existence
Turley Hybrid CFAR techniques for HF radar
CN108872961B (zh) 基于低门限的雷达微弱目标检测方法
CN110398722A (zh) 基于随机矩阵有限谱的扩展目标回波检测方法
CN109839621A (zh) 一种改进的tbd算法
Chen et al. Sea clutter suppression and moving target detection method based on clutter map cancellation in FRFT domain
CN109143184A (zh) 一种扫描雷达的双门限检测方法
CN110515044A (zh) 低慢小雷达空频域四维杂波抑制方法
CN105954740B (zh) 基于局部白化的雷达极化检测方法
CN110376556A (zh) 一种基于锦标赛选择的双层粒子滤波检测前跟踪方法
CN109490871A (zh) 小样本条件下基于信号结构特征的子空间信号检测方法
CN113093174B (zh) 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法
CN112731388B (zh) 一种基于有效散射点能量积累的目标检测方法
Meng et al. A novel ship CFAR detection algorithm based on adaptive parameter enhancement and wake-aided detection in SAR images

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