CN110515075B - 一种扫描雷达目标检测方法 - Google Patents

Abstract

本发明提出了一种扫描雷达目标检测方法，属于雷达目标检测技术领域。本发明首先运用反卷积技术对获取的实波束图像进行超分辨处理，并对超分辨结果进行滑窗预处理操作。然后，利用预处理结果的低秩特性和感兴趣目标的稀疏特性，构建目标函数，将稀疏目标检测问题转换为矩阵低秩稀疏分解的优化问题，并通过对目标函数迭代求解，最终实现稀疏目标的检测。相比于现有方法，该方法能够有效地减少虚警，更好地实现感兴趣稀疏目标的检测。

Description

一种扫描雷达目标检测方法

技术领域

本发明属于雷达目标检测技术领域，特别涉及一种扫描雷达目标检测方法。

背景技术

扫描雷达具有全天时、全天候工作能力，已经广泛应用于军事和民用的多个领域，包括海面监测、搜索救援等等。目标检测是扫描雷达的重要功能之一。现有的目标检测算法有很多，大致可以分为两类：序列图像检测算法和单幅图像检测算法。序列图像检测算法是通过处理连续多帧图像来估计目标，但是移动平台造成的背景快速改变和目标的不连续使得序列图像检测算法的性能下降明显，此外，该类算法由于需要对连续多帧图像处理，从而计算复杂度较高。

对于单幅图像目标检测算法，利用背景图先验知识，采用背景相消的手段实现目标检测，但对于运动平台来讲，缺乏相关背景知识，且场景变化较快，造成对消后虚警较多。而基于邻域分析的二维最小均方滤波器的目标检测方法，由于该方法是通过滤波估计背景来增强目标从而实现目标检测，在低性噪比的情况下该方法对背景的估计严重不准使得目标检测性能急速下降，造成严重的虚警。还有一种针对SAR图像的均方误差恒虚警检测算法，该方法的检测效果与背景杂波的分布相关，然而目前未有标准的杂波模型可供选择，当样本与杂波模型存在差异时，检测性能下降明显。

发明内容

本发明提出了一种扫描雷达目标检测方法，首先通过反卷积技术对获取的实波束图像进行超分辨处理，并对超分辨结果进行滑窗预处理，然后利用预处理结果的低秩特性和感兴趣目标的稀疏特性，将目标检测问题转换为矩阵低秩稀疏分解的优化求解问题，最终实现感兴趣稀疏目标的检测。

一种扫描雷达目标检测方法，包括以下步骤：

S1、获取雷达回波信号R，并对所述回波信号R进行距离压缩，得到脉冲压缩后的回波信号y；

S2、对所述脉冲压缩后的回波信号y进行超分辨处理，得到超分辨图像x；

S3、将所述超分辨图像x建模为背景和目标两部分，设置滑窗大小m×n和滑动步长step，对所述超分辨图像x进行滑窗处理，得到数个图像块，将所述图像块分别向量化并根据滑窗顺序进行排序，得到预处理图像X＝B+S，其中，X为超分辨图像滑窗处理后得到的预处理图像，B为背景的预处理图像，S为目标的预处理图像；

S4、利用所述预处理图像中背景的低秩特性和目标的稀疏特性，为达到目标的检测，建立目标函数

其中，λ为正常数，||·||_*为核范数，||·||₁为l₁范数，<·>为内积，||·||₂为l₂范数，Z为拉格朗日乘子，β为惩罚因子；

S5、初始化S⁽⁰⁾、B⁽⁰⁾、Z⁽⁰⁾、λ、β、δ，其中，上标(0)为迭代次数，δ为预设迭代终止阈值；

S6、根据迭代公式更新目标S^(k+1)、背景B^(k+1)、拉格朗日乘子Z^(k+1)，其中，上标(k+1)为迭代次数；

S7、判断终止公式||X-B^(k+1)-S^(k+1)||₂是否小于δ，若所述终止公式小于δ，得到目标的预处理结果，通过重构获得目标检测结果。

进一步地，所述步骤S3包括：

将所述超分辨图像x建模为背景和目标两部分

x＝b+s

其中，b为背景，s为目标；

选取大小为m×n，步长为step(step<min(m,n))的滑窗，将所述滑窗从图像左上角依次滑动到右下角，得到数个图像块，将所述图像块分别向量化并根据滑窗滑动顺序进行排序，得到预处理图像

X＝B+S

其中，X为超分辨图像滑窗处理后得到的预处理图像，B为背景的预处理图像，S为目标的预处理图像。

进一步地，所述步骤S4包括：

利用所述预处理图像中背景的低秩特性和目标的稀疏特性，为达到目标的检测，建立约束优化问题

其中，λ为正常数，rank(·)为秩函数，||·||₀为l₀范数；分别采用核范数||B||_*和l₁范数||S||₁替代rank(B)和||S||₀，得到

其中，||·||_*为核范数，||·||₁为l₁范数；根据增广拉格朗日函数将约束优化问题转化为无约束的最优化问题，得到目标函数

其中，<·>为内积，||·||₂为l₂范数，Z为拉格朗日乘子，β为惩罚因子。

进一步地，所述步骤S6包括：

S61、迭代更新目标S^(k+1)；

固定背景B和拉格朗日乘子Z后，只保留稀疏部分得到关于S的最优化问题

利用软门限方法进行求解，得到目标的迭代公式

其中，

为软门限算子；

S62、迭代更新背景B^(k+1)；

固定目标S和拉格朗日乘子Z后，只保留低秩部分得到关于B的最优化问题

通过奇异值分解和软门限操作进行求解，得到背景的迭代公式

其中，U_k、V_k、∑_k为(X-S^(k+1)+Z^(k)/β)奇异值分解的左酉矩阵、右酉矩阵、奇异值矩阵，

为软门限算子；

S63、迭代更新拉格朗日乘子Z^(k+1)；

固定目标S和背景B，更新拉格朗日乘子Z

Z^(k+1)＝Z^(k)+β(X-B^(k+1)-S^(k+1))。

进一步地，所述步骤S7包括：

S71、判断||X-B^(k+1)-S^(k+1)||₂＜δ是否成立，若成立，进入步骤S72；若不成立，进入步骤S73；

S72、得到目标的预处理结果，通过重构获得目标检测结果；

S73、返回所述步骤S6继续迭代。

进一步地，所述步骤S72包括：

得到目标的预处理结果，并将所述目标的预处理结果每一列按照所述滑窗大小构成图像块，将所述图像块按照所述滑动步长依次排列组合为原图像大小，重构得到目标检测结果。

进一步地，由于滑窗处理中step<min(m,n)，得到的图像块之间有重叠，即重构得到的目标检测结果一个位置对应了不同图像块的多个取值，采用一维中值滤波器对该位置的多个取值进行滤波得到的值作为该位置的取值，得到最终的目标检测结果。

本发明的有益效果：本发明提供了一种扫描雷达目标检测方法，首先利用反卷积技术获取超分辨图像，然后滑窗构造低秩图像，并利用感兴趣目标的稀疏特性，构建最优模型并求解，有效地实现了扫描雷达中感兴趣目标的检测，相比于其他的方法降低了虚警率，而且对于噪声有较强的鲁棒性，以及不依赖任何杂波模型。

附图说明

图1为本发明实施例的流程图。

图2为本发明实施例的实波束扫描雷达的成像示意图。

图3为本发明实施例的场景示意图。

图4为本发明实施例的距离压缩后信噪比为20dB的回波示意图。

图5为本发明实施例的超分辨成像结果图。

图6为本发明实施例的滑窗处理示意图。

图7为本发明实施例的重构示意图。

图8为本发明实施例的目标检测结果图。

具体实施方式

下面结合附图对本发明的实施例做进一步的说明。

请参阅图1，本发明提出了一种扫描雷达目标检测方法，具体通过以下步骤实现：

S1、本实施例中，获取雷达回波信号R，并对回波信号R进行距离压缩，得到脉冲压缩后的回波信号y。

本实施例中，实波束扫描雷达的成像示意图如图2所示。本实施例中采用的场景如图3所示。获取雷达回波信号R，并对回波信号R进行距离压缩后添加20dB的高斯白噪声，得到回波信号y，如图4所示。

本实施例中采用的实波束扫描雷达的系统参数如下表1。

参数	符号	数值
			载频	f0	10GHz
发射信号带宽	B<sub>r</sub>	50MHz
			发射信号时宽	T<sub>r</sub>	5μs
距离采样率	f<sub>r</sub>	100MHz
			脉冲采样频率	prf	2000Hz
天线主瓣宽度	θ	2°
			扫描速度	ω	120°/s
扫描范围	θ<sub>min</sub>～θ<sub>max</sub>	-12°～12°

表1实波束扫描雷达的系统参数表

S2、超分辨成像。对脉冲压缩后的回波信号y进行超分辨处理，得到超分辨图像x。

本实施例中，利用反卷积技术，对脉冲压缩后的回波信号y进行超分辨处理，得到超分辨图像x，如图5所示。

特别地，本实施例中采用Lucy-Richardson算法进行超分辨成像。

S3、滑窗预处理。将超分辨图像x建模为背景和目标两部分

x＝b+s (1)

其中，b为背景，s为目标；

选取大小为m×n，步长为step(step<min(m,n))的滑窗，本实施例中选取大小为40×40，步长为20的滑窗。将滑窗从图像左上角依次滑动到右下角，得到数个图像块，将图像块分别向量化并根据滑窗滑动顺序进行排序，得到预处理图像，其过程如图6所示，相应地，式(1)可以为

X＝B+S (2)

其中，X为超分辨图像滑窗处理后得到的预处理图像，B为背景的预处理图像，S为目标的预处理图像。

S4、建立目标函数。为了从超分辨结果中分离目标预处理图像S，达到目标检测的目的，利用预处理图像中背景的低秩特性和目标的稀疏特性，通过求解如下约束优化问题实现：

其中，λ为正常数，rank(·)为秩函数，||·||₀为l₀范数；对该最优化问题求解获得目标的预处理图像S实现目标检测。由于秩的极小化问题和矩阵中非零元素的个数是N-P难问题，因此，采取凸松弛，分别采用核范数||B||_*和l₁范数||S||₁替代rank(B)和||S||₀，得到

其中，||·||_*为核范数，||·||₁为l₁范数；根据增广拉格朗日函数将式(4)表示的约束优化问题转化为无约束的最优化问题，得到目标函数

其中，<·>为内积，||·||₂为l₂范数，Z为拉格朗日乘子，β为惩罚因子。

在求解有多个变量的最优化问题时，当求解一个变量时其他变量固定不变，将(5)式所表示的问题分解为3个子问题分别求解。

S5、初始化S⁽⁰⁾、B⁽⁰⁾、Z⁽⁰⁾、λ、β、δ，其中，上标(0)为迭代次数，δ为预设迭代终止阈值。

本实施例中，令初始迭代值Z⁽⁰⁾＝0，B⁽⁰⁾＝0，S⁽⁰⁾＝0，设置λ＝16，β＝5.1，δ＝10^-6。本实施例中数值选取并不唯一，也可以为其他数值。

S6、迭代更新。根据迭代公式更新目标S^(k+1)、背景B^(k+1)、拉格朗日乘子Z^(k+1)，其中，上标(k+1)为迭代次数。

本实施例中，步骤S6通过以下子步骤实现：

S61、迭代更新稀疏目标；

固定背景B和拉格朗日乘子Z后，只保留稀疏部分得到关于S的最优化问题

该问题等价为LASSO问题，利用软门限方法进行求解，得到目标的迭代公式

其中，

为软门限算子；

此时的软门限算子为

根据式(7)更新S^(k+1)；

S62、迭代更新背景B^(k+1)；

固定目标S和拉格朗日乘子Z后，只保留低秩部分得到关于B的最优化问题

对于式(9)的优化问题，通过奇异值分解和软门限操作进行求解，得到低秩背景的迭代公式

其中，U_k、V_k、∑_k为(X-S^(k+1)+Z^(k)/β)奇异值分解的左酉矩阵、右酉矩阵、奇异值矩阵，

为此时的软门限算子，如下

根据式(10)更新B^(k+1)；

S63、迭代更新拉格朗日乘子Z^(k+1)；

固定目标S和背景B，更新拉格朗日乘子Z

Z^(k+1)＝Z^(k)+β(X-B^(k+1)-S^(k+1)) (12)

根据式(12)更新Z^(k+1)。

S7、判断终止公式||X-B^(k+1)-S^(k+1)||₂是否小于δ，若终止公式小于δ，得到目标的预处理结果，通过重构获得目标检测结果。

本实施例中，步骤S7通过以下子步骤实现：

S71、判断||X-B^(k+1)-S^(k+1)||₂＜δ是否成立，若成立，进入步骤S72；若不成立，进入步骤S73；

S72、得到目标的预处理结果，通过重构获得目标检测结果；

S73、返回步骤S6继续迭代，继续执行迭代公式(7)、(10)、(12)，直到||X-B^(k+1)-S^{(k +1)}||₂＜δ成立。

本实施例中，步骤S72通过以下实现：

得到目标的预处理结果，并将目标的预处理结果每一列按照滑窗大小构成图像块，将图像块按照滑动步长依次排列组合为预处理前的图像大小，最终获得逆预处理重构结果，即目标检测结果。由于滑窗处理中step<min(m,n)，得到的图像块之间有重叠，即重构得到的目标检测结果一个位置对应了不同图像块的多个取值，采用一维中值滤波器对该位置的多个取值进行滤波得到的值作为该位置的取值，过程如图7所示，得到最终的目标检测结果，如图8所示。

本领域的普通技术人员将会意识到，这里的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种扫描雷达目标检测方法，其特征在于，包括以下步骤：

S1、获取雷达回波信号R，并对所述回波信号R进行距离压缩，得到脉冲压缩后的回波信号y；

S2、对所述脉冲压缩后的回波信号y进行超分辨处理，得到超分辨图像x；

S3、将所述超分辨图像x建模为背景和目标两部分，设置滑窗大小m×n和滑动步长step，对所述超分辨图像x进行滑窗处理，得到数个图像块，将所述图像块分别向量化并根据滑窗顺序进行排序，得到预处理图像X＝B+S，其中，X为超分辨图像滑窗处理后得到的预处理图像，B为背景的预处理图像，S为目标的预处理图像；

S4、利用所述预处理图像中背景的低秩特性和目标的稀疏特性，为达到目标的检测，建立目标函数

其中，λ为正常数，||·||_*为核范数，||·||₁为l₁范数，<·>为内积，||·||₂为l₂范数，Z为拉格朗日乘子，β为惩罚因子；

S5、初始化S⁽⁰⁾、B⁽⁰⁾、Z⁽⁰⁾、λ、β、δ，其中，上标(0)为迭代次数，δ为预设迭代终止阈值；

S6、根据迭代公式更新目标S^(k+1)、背景B^(k+1)、拉格朗日乘子Z^(k+1)，其中，上标(k+1)为迭代次数；

S7、判断终止公式||X-B^(k+1)-S^(k+1)||₂是否小于δ，若所述终止公式小于δ，得到目标的预处理结果，通过重构获得目标检测结果。

2.如权利要求1所述的扫描雷达目标检测方法，其特征在于，所述步骤S3包括：

将所述超分辨图像x建模为背景和目标两部分

x＝b+s

其中，b为背景，s为目标；

选取大小为m×n，步长为step的滑窗，step<min(m,n)，将所述滑窗从图像左上角依次滑动到右下角，得到数个图像块，将所述图像块分别向量化并根据滑窗滑动顺序进行排序，得到预处理图像

X＝B+S

其中，X为超分辨图像滑窗处理后得到的预处理图像，B为背景的预处理图像，S为目标的预处理图像。

3.如权利要求1所述的扫描雷达目标检测方法，其特征在于，所述步骤S4包括：

利用所述预处理图像中背景的低秩特性和目标的稀疏特性，为达到目标的检测，建立约束优化问题

其中，λ为正常数，rank(·)为秩函数，||·||₀为l₀范数；分别采用核范数||B||_*和l₁范数||S||₁替代rank(B)和||S||₀，得到

其中，||·||_*为核范数，||·||₁为l₁范数；根据增广拉格朗日函数将约束优化问题转化为无约束的最优化问题，得到目标函数

其中，<·>为内积，||·||₂为l₂范数，Z为拉格朗日乘子，β为惩罚因子。

4.如权利要求3所述的扫描雷达目标检测方法，其特征在于，所述步骤S6包括：

S61、迭代更新目标S^(k+1)；

固定背景B和拉格朗日乘子Z后，只保留稀疏部分得到关于S的最优化问题

利用软门限方法进行求解，得到目标的迭代公式

其中，

为软门限算子；

S62、迭代更新背景B^(k+1)；

固定目标S和拉格朗日乘子Z后，只保留低秩部分得到关于B的最优化问题

通过奇异值分解和软门限操作进行求解，得到背景的迭代公式

其中，U_k、V_k、∑_k为(X-S^(k+1)+Z^(k)/β)奇异值分解的左酉矩阵、右酉矩阵、奇异值矩阵，

为软门限算子；

S63、迭代更新拉格朗日乘子Z^(k+1)；

固定目标S和背景B，更新拉格朗日乘子Z

Z^(k+1)＝Z^(k)+β(X-B^(k+1)-S^(k+1))。

5.如权利要求1所述的扫描雷达目标检测方法，其特征在于，所述步骤S7包括：

S71、判断||X-B^(k+1)-S^(k+1)||₂＜δ是否成立，若成立，进入步骤S72；若不成立，进入步骤S73；

S72、得到目标的预处理结果，通过重构获得目标检测结果；

S73、返回所述步骤S6继续迭代。

6.如权利要求5所述的扫描雷达目标检测方法，其特征在于，所述步骤S72包括：

得到目标的预处理结果，并将所述目标的预处理结果每一列按照所述滑窗大小构成图像块，将所述图像块按照所述滑动步长依次排列组合为原图像大小，重构得到目标检测结果。

7.如权利要求6所述的扫描雷达目标检测方法，其特征在于，由于滑窗处理中step<min(m,n，得到的图像块之间有重叠，即重构得到的目标检测结果一个位置对应了不同图像块的多个取值，采用一维中值滤波器对该位置的多个取值进行滤波得到的值作为该位置的取值，得到最终的目标检测结果。

Images