CN113126086A - 一种基于状态预测积累的生命探测雷达弱目标检测方法 - Google Patents

一种基于状态预测积累的生命探测雷达弱目标检测方法 Download PDF

Info

Publication number
CN113126086A
CN113126086A CN202110244629.0A CN202110244629A CN113126086A CN 113126086 A CN113126086 A CN 113126086A CN 202110244629 A CN202110244629 A CN 202110244629A CN 113126086 A CN113126086 A CN 113126086A
Authority
CN
China
Prior art keywords
target
frame
echo
detection
accumulation
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
CN202110244629.0A
Other languages
English (en)
Other versions
CN113126086B (zh
Inventor
包敏
李亚超
郭亮
李睿智
王玉刚
邢孟道
史林
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Publication of CN113126086A publication Critical patent/CN113126086A/zh
Application granted granted Critical
Publication of CN113126086B publication Critical patent/CN113126086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/887—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons
    • 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/887—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons
    • G01S13/888—Radar or analogous systems specially adapted for specific applications for detection of concealed objects, e.g. contraband or weapons through wall detection
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于状态预测积累的生命探测雷达弱目标检测方法，包括：对接收的多帧回波信号进行离散化；根据第一检测门限对每帧离散回波信号进行检测；构建目标运动模型和目标量测模型；根据目标运动模型和目标量测模型构建目标积累函数；根据速度约束门限和预测约束门限更新每帧回波检测信号的状态转移集合；根据更新的状态转移集合、目标积累函数对每帧回波检测信号计算目标积累函数值；根据第二检测门限和目标积累函数值判断目标；根据目标积累函数值回溯目标估计轨迹。本发明设置第一检测门限滤除类噪声干扰，又设置速度约束门限和预测约束门限筛选与目标状态符合度高的状态信息，使得算法运算量降低，改善了目标检测性能。

Description

一种基于状态预测积累的生命探测雷达弱目标检测方法
技术领域
本发明属于雷达目标检测处理技术领域，具体涉及一种基于状态预测积累的生命探测雷达弱目标检测方法。
背景技术
雷达进行生命探测是近些年来随着电子科学和生物科学的发展而新兴的一项科学技术，它突破了传统的雷达探测技术和方法，利用雷达的探测原理，其并不与目标直接接触，而是隔着障碍物的情况下发射电磁波，并利用人体的运动信息对电磁波进行调制，从而进行生命的检测、识别和跟踪。
对于生命探测雷达，其收集到的回波数据为隔着障碍物的人体运动信号，人体的运动速度小强度低，而雷达与人体之间又隔着障碍物，不易被接收，所以生命探测雷达收集到的雷达回波数据一般为深埋在背景噪声中的极其微弱的信号。随着科学技术的不断发展，被噪声掩盖的各种微弱信号的检测愈来愈受到人们的重视。传统的检测与跟踪算法有先检测后跟踪(Detect-Before-Track，简称DBT)算法，可被分为检测与跟踪两个阶段。首先对每帧雷达回波数据进行门限检测形成点迹数据，然后对通过门限的数据信息进行点迹关联、滤波和估计等技术处理形成目标轨迹。该方法对硬件资源的要求较小，所需存储资源较少，因此计算量相对较少。
但是，随着雷达探测环境的日益复杂，简单的先检测后跟踪算法在微弱慢速目标的检测过程中存在着许多问题和难点。首先由于目标信号微弱可能淹没在背景噪声中，造成该算法无法有效地检测出目标，出现目标丢失和目标轨迹缺失的情况，进而导致无法检测与跟踪轨迹等问题。其次是算法复杂度的问题，先检测后跟踪算法采用单帧门限检测，门限过高则会出现目标信息丢失问题，影响算法检测能力，但门限过低则点迹数量也会相应地增多，使得高虚警率和点迹关联问题难以解决，所以该算法无法利用目标在搜索空间的稀疏性，根据已有目标的运动状态信息对状态转移集合内的数据进行预测和限制，使算法的复杂度较高。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于状态预测积累的生命探测雷达弱目标检测方法。
本发明的一个实施例提供了一种基于状态预测积累的生命探测雷达弱目标检测方法，包括：
接收多帧回波信号，对多帧回波信号进行离散化处理得到多帧离散回波信号；
计算每帧离散回波信号的第一检测门限，根据第一检测门限对每帧离散回波信号进行检测处理得到多帧回波检测信号；
构建每帧回波检测信号的目标运动模型和目标量测模型；
根据每帧回波检测信号的目标运动模型和目标量测模型构建雷达目标积累函数；
计算每帧回波检测信号的速度约束门限和预测约束门限，根据速度约束门限和预测约束门限更新每帧回波检测信号的状态转移集合；
根据更新的状态转移集合、雷达目标积累函数对每帧回波检测信号进行迭代累积计算得到目标积累函数值；
根据第二检测门限和目标积累函数值判断是否存在雷达目标；
响应于存在雷达目标，根据目标积累函数值回溯确定雷达目标估计轨迹。
在本发明的一个实施例中，计算每帧离散回波信号的第一检测门限包括：
构建每帧离散回波信号的虚警概率函数、虚警检测函数；
根据虚警概率函数、虚警检测函数构建每帧离散回波信号的拉格朗日函数，根据拉格朗日函数计算每帧离散回波信号的虚警检测概率值；
根据虚警检测概率值计算每帧离散回波信号的第一检测门限。
在本发明的一个实施例中，根据每帧回波检测信号的目标运动模型和目标量测模型构建雷达目标积累函数包括：
根据每帧回波检测信号的目标运动模型和目标量测模型构建对应的阶段指示函数得到多个阶段的阶段指示函数；
对多个阶段的阶段指示函数求和得到雷达目标积累函数。
在本发明的一个实施例中，计算每帧回波检测信号的速度约束门限包括：
根据目标运动模型计算每帧回波检测信号的距离维速度预测估计值、方位维速度预测估计值；
计算每帧回波检测信号的距离维零均值标准偏差、方位维零均值标准偏差；
根据每帧回波检测信号的距离维速度预测估计、方位维速度预测估计值，以及每帧回波检测信号的距离维零均值标准偏差、方位维零均值标准偏差，计算每帧回波检测信号的速度约束门限。
在本发明的一个实施例中，计算每帧回波检测信号的预测约束门限包括：
根据目标运动模型计算每帧回波检测信号的距离维位置预测估计值、方位维位置预测估计值；
根据每帧回波检测信号的距离维位置预测估计值和速度预测估计值，以及每帧回波检测信号的方位维位置预测估计值和速度预测估计值，得到相邻两帧回波检测信号的运动状态；
根据相邻两帧回波检测信号的运动状态计算运动状态预测误差；
根据运动状态预测误差计算运动状态预测误差的协方差；
根据运动状态预测误差和运动状态预测误差的协方差计算每帧回波检测信号的预测约束门限。
在本发明的一个实施例中，根据更新的状态转移集合、雷达目标积累函数对每帧回波检测信号进行迭代累积计算得到目标积累函数值包括：
响应于上一帧回波检测信号的状态在更新的状态转移集合内，利用上一帧回波检测信号的目标积累函数值计算当前帧回波检测信号的目标积累函数值，并根据当前帧回波检测信号的目标积累函数值对应的状态转移记录集合得到第一目标状态集合，并设置第一指标函数。
在本发明的一个实施例中，根据所述目标积累函数值回溯确定雷达目标估计轨迹包括：
响应于第一指标函数，根据第一目标状态集合中当前帧回波检测信号的目标积累函数值对应的雷达目标位置确定上一帧回波检测信号的估计轨迹。
在本发明的一个实施例中，根据更新的状态转移集合、雷达目标积累函数对每帧回波检测信号进行迭代累积计算得到目标积累函数值还包括：
响应于上一帧回波检测信号的状态不在更新的状态转移集合内，利用上上一帧回波检测信号的目标积累函数计算当前帧回波检测信号的目标积累函数值，并根据当前帧回波检测信号的目标积累函数值对应的状态转移集合得到第二目标状态集合，并设置第二指标函数。
在本发明的一个实施例中，根据所述目标积累函数值回溯确定雷达目标估计轨迹还包括：
响应于第二指标函数，根据第二目标状态集合中当前帧回波检测信号的目标积累函数值对应的雷达目标位置确定上上一帧回波检测信号的估计轨迹，根据当前帧回波检测信号的目标积累函数值对应的雷达目标位置与上上一帧回波检测信号的目标积累函数值对应的雷达目标位置确定上一帧回波检测信号的估计轨迹。
与现有技术相比，本发明的有益效果：
本发明提供的基于状态预测积累的生命探测雷达弱目标检测方法，先设置第一检测门限滤除类噪声的干扰信息，进而设置速度约束门限和预测约束门限筛选出与目标状态符合度高的状态信息，使得算法计算量大幅度降低，改善了目标的检测性能；同时通过改进目标积累函数值的迭代方式解决了状态转移集合内可能无目标状态的问题，使得算法计算量进一步降低，且在一定程度上进一步改善了目标的检测性能。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法的流程示意图；
图2是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中距离维、方位维速度信息示意图；
图3是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中状态转移集合外推示意图；
图4是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中目标积累函数值外推示意图；
图5(a)～图5(b)是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中通过速度约束门限和预测约束门限处理后不同虚警概率下目标检测概率与跟踪概率对比示意图；
图6(a)～图6(d)是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中目标在不同阶段下数据结果示意图；
图7(a)～图7(c)是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中不同帧数下雷达目标位置估计RMSE的对比示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
实施例一
为了解决现有的先检测后跟踪算法无法做到性能和运算时间同时兼顾的问题，请参见图1，图1是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法的结构示意图。本实施例提出了一种基于状态预测积累的生命探测雷达弱目标检测方法，该基于状态预测积累的生命探测雷达弱目标检测方法包括以下步骤：
步骤1、接收多帧回波信号，对多帧回波信号进行离散化处理得到多帧离散回波信号。
具体而言，本实施例雷达发射机在单次扫描期间向
Figure BDA0002963626620000071
个方向发射波束，每个波束方向发射的脉冲个数为Nd，脉冲重复间隔为Tp，脉冲持续时间为τc，则本实施例在雷达第k帧扫描期间第i个波束方向处的发射信号表示为：
Figure BDA0002963626620000072
其中，p(t)表示基带信号脉冲波形，TR表示帧间扫描周期。
由于雷达和人体隔着墙等障碍物，人体的呼吸和心跳信息的强度低，既小又弱，可能是深埋在背景噪声中的极其微弱的有用信号。而微弱信号经过雷达接收机调制解调后，接收到的第k帧扫描期间第i个波束方向处的回波信号表示为：
Figure BDA0002963626620000073
其中，
Figure BDA0002963626620000074
表示第k帧扫描期间第i个波束方向处目标复响应，τk表示第k帧扫描期间第i个波束方向处目标时延，fk表示第k帧扫描期间第i个波束方向处目标多普勒频移，则雷达接收到的第k帧扫描期间第i个波束方向处回波数据可表示为：
Figure BDA0002963626620000075
其中，ωi,k(t)表示雷达扫描过程中的复合高斯噪声。
在实际情况中，雷达会对接收到多帧回波数据r'i,k(t)进行数字化处理，即对连续的雷达多帧回波信号进行离散化操作，具体地：假设雷达接收机接收到的多帧回波数据在距离维、多普勒维和方位维的范围分别为[rmin,rmax]、[dmin,dmax]和
Figure BDA0002963626620000081
则第k帧雷达的量测数据表示为：
Figure BDA0002963626620000082
其中，(i,j,l)表示某一特定的量测单元，Nr、Nd和
Figure BDA0002963626620000083
分别表示距离维、多普勒和方位维的分辨单元个数。则分辨单元内离散回波信号zk表示为：
Figure BDA0002963626620000084
其中，Ak表示第k帧离散回波信号的目标复幅度，由目标起伏模型决定，
Figure BDA0002963626620000085
表示第k帧离散回波信号的目标相位。则从第1帧到第K帧量测数据集合表示为：
Z1:K＝{z1,z2,…,zK} (6)
步骤2、计算每帧离散回波信号的第一检测门限，根据第一检测门限对每帧离散回波信号进行检测处理得到多帧回波检测信号。
具体而言，为了减少多帧积累检测算法的计算量，本实施例对每帧量测数据进行第一检测门限VL判决处理，通过设置较低第一检测门限VL滤除类似噪声的目标状态信息，进而减少目标状态转移集合内干扰状态信息的数量。因为第一检测门限VL设置的越高，滤除的数据越多，算法处理的数据就越少，但同时真实目标状态信息可能无法通过第一检测门限VL，导致出现目标丢失问题。为了保留更完整的目标状态信息，应该适当地降低第一检测门限VL。但第一检测门限VL设置过低，许多干扰量测数据会通过第一检测门限VL，进而影响算法性能。因此，本实施例第一检测门限VL的设置十分关键，需要在尽可能完整保存目标状态信息的情况下，滤除尽可能多的类噪声信息。具体地，本实施例计算每帧离散回波信号的第一检测门限包括步骤2.1、步骤2.2、步骤2.3：
步骤2.1、构建每帧离散回波信号的虚警概率函数、虚警检测函数。
具体而言，本实施例通过虚警检测的方式设置第一检测门限VL，在正常的虚警概率Pfa情况下，合理地设置第一检测门限VL使虚警检测概率尽可能大，具体地：假设在高斯噪声背景下，离散回波信号的目标幅度为Ak，雷达目标是否存在表示为H1:zk＝Ak+nk和H0:zk＝nk，则本实施例目标的虚警概率和虚警检测概率表示为：
Figure BDA0002963626620000091
其中，D1表示判断目标存在，p(zk|H0)和p(zk|H1)分别表示目标是否存在的量测分布函数，ξ1(k)表示目标状态转移集合。
步骤2.2、根据虚警概率函数、虚警检测函数构建每帧离散回波信号的拉格朗日函数，根据拉格朗日函数计算每帧离散回波信号的虚警检测概率值。
具体而言，通常虚警概率的选择一般小于一常数，即表示为Pfa≤α，因此，本实施例在虚警概率一定的情况下，利用拉格朗日函数求解最优化问题，即找到虚警检测概率最大的值，则本实施例根据虚警概率函数、虚警检测函数构建的拉格朗日函数表示为：
F＝PV-d+λ(α-PV-fa) (8)
其中，λ为拉格朗日参数，将公式(7)中的虚警概率和虚警检测概率代入公式(8)中，得到拉格朗日函数表示为：
Figure BDA0002963626620000101
通过公式(9)来计算每帧离散回波信号的虚警检测概率值。
步骤2.3、根据虚警检测概率值计算每帧离散回波信号的第一检测门限。
具体而言，由公式(9)分析拉格朗日函数F与常数α的关系，进一步求解拉格朗日函数F的最值，则第一检测门限VL设置准则表示为：
Figure BDA0002963626620000102
则本实施例在不需要目标状态信息的情况下，使用虚警概率计算第一检测门限VL表示为：
Figure BDA0002963626620000103
其中，σ2表示背景高斯噪声的方差。通过求解公式(11)来计算每帧离散回波信号的第一检测门限VL。则本实施例根据第一检测门限VL计算的量测数据可以表示为：
Figure BDA0002963626620000104
本实施例通过不同的虚警概率设置第一检测门限VL，相应地减少状态转移集合内量测数据数量。因此，在一定程度上可减小噪声信号对目标能量积累的影响，减少算法的运算量进而提高算法的计算效率。
需要说明的是，若已知目标的先验信息，通过目标的虚警检测概率也可计算第一检测门限VL。
步骤3、构建每帧回波检测信号的目标运动模型和目标量测模型。
具体而言，在进行目标检测前，本实施例需要建立目标运动模型和目标量测模型。具体地：
对于目标运动模型，定义第k帧目标的状态向量为xk，则目标状态在时间维上演化过程的目标运动模型表示为：
xk+1＝fk(xk,nk) (13)
其中，nk表示第k帧的过程高斯噪声，fk(·)表示目标状态转移函数。在不同的目标运动状态下，需使用不同的目标运动模型，否则目标运动状态与目标运动模型失配会影响算法的检测性能。在不同的应用背景下，目标状态向量xk的选择和目标状态转移函数fk(·)的表达形式根据需求可有不同的设计，比如本实施例介绍一种常用的目标运动模型，即人体目标在封闭空间内进行走动，其步行速度可用
Figure BDA0002963626620000111
进行拟合，人在正常行走时的平均速度约为0.9193m/s，且最大速度和最小速度分别与平均速度相差约0.2m/s左右。而这种速度规律在不同身高的运动人体之间差距很小，故可得封闭空间内人体目标运动可近似为匀速运动模型。在极坐标系中，目标状态向量xk由目标位置和目标速度构成。同时，在极坐标下的目标状态和目标量测通过非线性变换后，可相应地转换到笛卡尔坐标系下。因此，极坐标系下的目标状态向量表示为：
Figure BDA0002963626620000112
其中，rk和
Figure BDA0002963626620000113
表示目标在距离维的位置和速度信息，
Figure BDA0002963626620000114
和
Figure BDA0002963626620000115
表示目标在方位维的位置和速度信息。目标状态信息进行离散化组成相应的目标状态空间Sd，目标状态向量的维数为d，本实施例d＝4，则目标状态向量
Figure BDA0002963626620000116
目标动态模型转换为：
xk+1＝Fcvxk+nk (15)
其中，
Figure BDA0002963626620000121
表示雷达扫描过程中高斯噪声向量，Fcv表示匀速目标运动模型的状态转移函数表示为：
Figure BDA0002963626620000122
其中，I2表示2×2的单位矩阵，
Figure BDA0002963626620000123
表示Kronecker积，TR表示帧间扫描周期。
对于目标量测模型，具体可以参见上述公式(4)～(6)，在此不再赘述。
步骤4、根据每帧回波检测信号的目标运动模型和目标量测模型构建雷达目标积累函数。
具体而言，本实施例将多阶段决策优化的动态规划算法引入多帧积累检测技术中，以有效地减小检测过程中的计算量，具体地步骤4包括步骤4.1、步骤4.2：
步骤4.1、根据每帧回波检测信号的目标运动模型和目标量测模型构建对应的阶段指示函数得到多个阶段的阶段指示函数。
具体而言，在动态规划数学模型中，第i个阶段的目标运动状态向量为xi，该阶段的决策(目标量测向量)为zi，则各阶段的决策序列为{z1,z2,...,zi}∈Z，目标阶段指示函数为gi{xi；z1,z2,...,zi}，其用来衡量该决策序列的优劣。在满足约束条件下，若该决策序列使得目标阶段指示函数达到最优，那么该决策序列被称为最优决策序列表示为：
Figure BDA0002963626620000124
其中，fi(xi)表示最优目标函数。
本实施例目标函数fi(xi)通过多个阶段的阶段指示函数之和的形式表示，即为：
Figure BDA0002963626620000131
其中，Pl(xl,zl)表示第l阶段的阶段指示函数。
步骤4.2、对多个阶段的阶段指示函数求和得到雷达目标积累函数。
具体而言，本实施例对公式(17)的动态规划最优决策序列表达式进行变形，取opt为max，则最优目标函数表示为：
Figure BDA0002963626620000132
其中，Z表示决策序列集合，即量测数据集合，Ii(xi)表示阶段值函数表示为：
Figure BDA0002963626620000133
本实施例初始阶段下，阶段值函数表示为：
I1(x1)＝P1(x1,z1) (21)
Ψ1(x1)＝(0) (22)
其中，Ψk(xk)表示状态记录集合，初始状态记录集合Ψ1(x1)为0。
步骤5、计算每帧回波检测信号的速度约束门限和预测约束门限，根据速度约束门限和预测约束门限更新每帧回波检测信号的状态转移集合。
具体而言，由于雷达的目标检测区域非常大，即使经过第一检测门限VL处理后，需要处理的点迹数量仍非常多。因此，在第一检测门限VL处理之后，本实施例利用目标状态信息进行门限的进一步约束处理，从而减少算法处理的数据量。本实施例设计速度门限约束和预测门限约束，包括步骤5.1计算每帧回波检测信号的速度约束门限和步骤5.2计算每帧回波检测信号的预测约束门限，对状态转移集合的范围进行缩小，具体地：
本实施例5.1计算每帧回波检测信号的速度约束门限包括步骤5.1.1、步骤5.1.2：
步骤5.1.1、根据目标运动模型计算每帧回波检测信号的距离维速度预测估计值、方位维速度预测估计值。
具体而言，利用最小二乘准则预测每个目标运动状态向量的信息，使得目标真实状态和目标估计状态之间差距最小。本实施例距离维位置和速度的方差最小表示为：
Figure BDA0002963626620000141
其中，对距离维位置方差
Figure BDA0002963626620000142
求偏导，再令导函数等于0，整理后可得关于rk的距离维位置预测估计值表示为：
Figure BDA0002963626620000143
同理，对距离维速度方差
Figure BDA0002963626620000144
求偏导，得到
Figure BDA0002963626620000145
的距离维速度预测估计值表示为：
Figure BDA0002963626620000146
相应地，本实施例利用类似距离维的方法得到方位维速度预测估计值
Figure BDA0002963626620000147
位置预测估计值
Figure BDA0002963626620000148
请参见图2，图2是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中距离维、方位维速度信息示意图，理想情况下，目标运动速度未到受其他影响，目标的速度门限约束可表示为
Figure BDA0002963626620000151
步骤5.12、计算每帧回波检测信号的距离维零均值标准偏差、方位维零均值标准偏差。
具体而言，在实际环境中，目标运动速度的测量值会受到误差影响，该误差影响速度门限的设置。假设σr和
Figure BDA0002963626620000152
分别表示每帧回波检测信号的距离维和方位维误差的零均值标准偏差，则距离维和方位维的零均值标准偏差表示为：
Figure BDA0002963626620000153
Figure BDA0002963626620000154
步骤5.1.3、根据每帧回波检测信号的距离维速度预测估计、方位维速度预测估计值，以及每帧回波检测信号的距离维零均值标准偏差、方位维零均值标准偏差，计算每帧回波检测信号的速度约束门限。
具体而言，本实施例速度门限约束表示为：
Figure BDA0002963626620000155
其中，
Figure BDA0002963626620000156
表示距离维速度预测估计，
Figure BDA0002963626620000157
表示方位维速度预测估计值，
Figure BDA0002963626620000158
表示距离维零均值标准偏差，
Figure BDA0002963626620000159
表示方位维零均值标准偏差，η表示占给定误差的百分比。
进一步地，本实施例步骤5.2计算每帧回波检测信号的预测约束门限具体包括步骤5.2.1、步骤5.2.2、步骤5.2.3、步骤5.2.4：
步骤5.2.1、根据目标运动模型计算每帧回波检测信号的距离维位置预测估计值、方位维位置预测估计值。
具体而言，本实施例根据步骤5.11计算得到每帧回波检测信号的距离维位置预测估计值
Figure BDA0002963626620000161
方位维位置预测估计值
Figure BDA0002963626620000162
在此不再赘述计算过程。
步骤5.2.2、根据每帧回波检测信号的距离维位置预测估计值和速度预测估计值，以及每帧回波检测信号的方位维位置预测估计值和速度预测估计值，得到相邻两帧回波检测信号的运动状态。
具体而言，由上述步骤5.1.1得到了每帧回波检测信号的距离维位置预测估计值
Figure BDA0002963626620000163
和速度预测估计值
Figure BDA0002963626620000164
以及每帧回波检测信号的方位维位置预测估计值
Figure BDA0002963626620000165
和速度预测估计值
Figure BDA0002963626620000166
再根据目标运动状态在运动学上，目标运动需要符合相应的速度约束，则本实施例相邻两帧回波检测信号的运动状态数据分别记为
Figure BDA0002963626620000167
和
Figure BDA0002963626620000168
步骤5.2.3、根据相邻两帧回波检测信号的运动状态计算运动状态预测误差；
具体而言，本实施例通过步骤5.2.1得到的相邻两帧回波检测信号的运动状态xk-1、xk，可计算得到第k帧的目标预测状态向量为
Figure BDA0002963626620000169
则运动状态预测误差ek表示为：
Figure BDA00029636266200001610
步骤5.2.4、根据运动状态预测误差计算运动状态预测误差的协方差。
具体而言，本实施例利用第k-1帧目标运动状态预测协方差qk-1计算第k帧目标运动状态预测协方差qk|k-1，则计算的运动状态预测误差的协方差qk|k表示为：
qk|k＝Hkqk|k-1H′k+σk (30)
其中，Hk表示目标运动状态到量测状态的转化矩阵，σk表示噪声协方差，[·]'表示。
步骤5.2.5、根据运动状态预测误差和运动状态预测误差的协方差计算每帧回波检测信号的预测约束门限。
具体而言，本实施例根据步骤5.2.3得到的运动状态预测误差ek、步骤5.2.4得到的运动状态预测误差的协方差qk|k计算每帧回波检测信号的预测约束门限，对于第k帧中通过速度门限约束的运动状态向量xk对应的预测门限约束表示为：
e′kq′k|kek＜VR (31)
本实施例通过步骤2第一检测门限VL约束后，目标状态转移集合表示为C(xk)，通过速度门限约束和预测门限约束二级门限约束后，目标状态转移集合更新为ξ2(xk)。请参见图3，图3是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中状态转移集合外推示意图，本实施例第k帧状态向量可通过外推找到第k-1帧的状态转移集合，继续外推也可找出第k-2帧的状态转移集合如图3所示。得到转移到第k帧的第k-2帧的状态转移集合，可表示为：
Figure BDA0002963626620000171
其中，
Figure BDA0002963626620000172
和
Figure BDA0002963626620000173
分别表示距离维和方位维的误差参数。
本实施例步骤5通过速度门限约束和预测门限约束进行二级门限处理，利用更多的目标运动状态信息对状态转移集合内的数据进行限制。充分利用目标在整个搜索空间的稀疏特性，筛选出与真实目标状态置信度高的状态向量信息。速度门限约束和预测门限约束的设置进一步减少算法的运算数据量，提升算法的计算性能。同时，所搜索状态信息更加符合目标状态，可在一定程度上提高算法的检测性能。
步骤6、根据更新的状态转移集合、雷达目标积累函数对每帧回波检测信号进行迭代累积计算得到目标积累函数值。
具体而言，经过速度门限约束和预测门限约束处理后，本实施例检测的运算数据得以减少。但可能出现某帧量测数据状态转移集合内目标状态全为零的情况，导致出现目标状态丢失和目标轨迹断续的问题。如果在第k-1帧的状态转移集合ξ2(xk-1)内，所有量测数据都被置零，在第k帧的状态转移集合ξ2(xk)内即使存在值函数超过门限的目标状态向量，也不会被添加到目标状态记录集合Ψk(xk)中，导致目标估计轨迹丢失。针对上述问题，利用目标在不同帧量测数据之间关系，改进和优化状态转移过程中目标累积值函数的积累方式，降低该问题对算法性能的影响。请参见图4，图4是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中目标积累函数值外推示意图，具体地：
响应于上一帧回波检测信号的状态在更新的状态转移集合内，利用上一帧回波检测信号的目标积累函数值计算当前帧回波检测信号的目标积累函数值，并根据当前帧回波检测信号的目标积累函数值对应的状态转移记录集合得到第一目标状态集合，并设置第一指标函数，具体地：当第k帧状态不在集合ξ2(xk)内，即
Figure BDA0002963626620000181
直接将值函数置零，当该帧状态属于集合ξ2(xk)，通过公式求得第k-1帧转移状态xk-1，若xk-1∈C(xk-1)，则目标积累函数值可表示为：
Figure BDA0002963626620000182
Figure BDA0002963626620000191
同时，本实施例在目标检测迭代过程中设置了第一指标函数flag1(xk)，第一指标函数flag1(xk)用来表示第一目标状态集合Ψ1k(xk)中记录的目标状态转移向量来自k-1帧的状态转移集合ξ2(xk-1)。
进一步地，响应于上一帧回波检测信号的状态不在更新的状态转移集合内，利用上上一帧回波检测信号的目标积累函数计算当前帧回波检测信号的目标积累函数值，并根据当前帧回波检测信号的目标积累函数值对应的状态转移集合得到第二目标状态集合，并设置第二指标函数，具体地：当第k帧状态不在集合ξ2(xk)内，即
Figure BDA0002963626620000192
直接将值函数置零，当该帧状态属于集合ξ2(xk)，若
Figure BDA0002963626620000193
由公式求得第k-2帧状态xk-2，同时利用第k帧最可能源自该目标状态的状态为o(xk-1)，则值函数可表示为：
Figure BDA0002963626620000194
Figure BDA0002963626620000195
同时，本实施例本实施例在目标检测迭代过程中设置了第二指标函数flag2(xk)，第一指标函数flag2(xk)用来表示第二目标状态集合Ψ2k(xk)中记录的目标状态转移向量来自k-2帧的状态转移集合ξ2(xk-2)。
本实施例经过速度门限约束和预测门限约束检测处理后，可能出现目标状态转移集合内的状态信息为空的问题。因此，在目标函数积累函数值迭代积累过程中，同时利用第k-2帧和第k帧的相关状态信息，更加准确地预测与判断第k-1帧状态转移集合内的状态信息。通过对前后两帧数据信息的综合利用，减少目标函数积累函数值更新过程中的数据误差，更加准确合理地实现目标函数积累函数值的迭代更新过程。因此，在一定程度上提高选取状态信息的置信度，进而提高算法的检测与跟踪性能。
步骤7、根据第二检测门限和目标积累函数值判断是否存在雷达目标。
具体而言，在进行雷达目标轨迹估计前，首先进行了雷达目标的判断，具体地：本实施例对于第k帧目标状态，找出满足第二检测门限VDT的目标状态序列表示为：
Figure BDA0002963626620000201
当Ik(xk)＞VDT时，则找出超过第二检测门限VDT的目标状态判断雷达目标的存在，否则表示没有雷达目标的存在。
步骤8、响应于存在雷达目标，根据目标积累函数值回溯确定雷达目标估计轨迹。
具体而言，本实施例在步骤7中检测到雷达目标存在时，根据目标积累函数值回溯确定雷达目标估计轨迹，具体地：
响应于第一指标函数flag1(xk)，根据第一目标状态集合Ψ1k(xk)中当前帧回波检测信号的目标积累函数值对应的雷达目标位置确定上一帧回波检测信号的估计轨迹，具体地：对第一目标状态集合Ψ1k(xk)内的所有目标状态进行回溯，对每个目标状态xk，k＝K,K-1,...,1，通过第一指标函数flag1(xk)进行判断，若第k帧存储的目标状态是第k-1帧目标状态，则雷达目标轨迹估计位置为：
xk-1＝Ψ1k(xk) (38)
进一步地，响应于第二指标函数，根据第二目标状态集合中当前帧回波检测信号的目标积累函数值对应的雷达目标位置确定上上一帧回波检测信号的估计轨迹，根据当前帧回波检测信号的目标积累函数值对应的雷达目标位置与上上一帧回波检测信号的目标积累函数值对应的雷达目标位置确定上一帧回波检测信号的估计轨迹，具体地：对第二目标状态集合Ψ2k(xk)内的所有目标状态进行回溯，对每个目标状态xk，k＝K,K-1,...,1，通过第二指标函数flag2(xk)进行判断，若第k帧存储的目标状态是第k-2帧目标状态，则雷达目标轨迹估计位置为：
Figure BDA0002963626620000211
其中，对k＝2帧目标状态x2由第1帧目标状态x1求得，x1∈C(x1)，则对应的目标积累函数值表示为：
Figure BDA0002963626620000212
Figure BDA0002963626620000213
本实施例经过上述过程，得到相应的所有目标状态的估计轨迹为X1:K＝{x1,x2,...,xK}。
为了验证本实施例提出的基于状态预测积累的生命探测雷达弱目标检测方法的有效性，通过以下仿真实验以进一步证明。
假设量测平面为距离-方位角的二维平面，分辨单元个数为
Figure BDA0002963626620000214
迭代积累帧数为k＝10，雷达扫描间隔为TR＝1s，观测噪声服从高斯分布。假设雷达目标为单个点目标，目标状态无起伏且服从匀速运动模型。第k帧目标状态向量为
Figure BDA0002963626620000215
实验结果均为经过500次蒙特卡洛试验的平均结果。
请参见图5(a)～图5(b)，图5(a)～图5(b)是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中通过速度约束门限和预测约束门限处理后不同虚警概率下目标检测概率与跟踪概率对比示意图，图5(a)是通过速度约束门限和预测约束门限处理后不同虚警概率下目标检测概率示意图，图5(b)是通过速度约束门限和预测约束门限处理后不同虚警概率下跟踪概率示意图。由图5(a)可得，在经过速度约束门限和预测约束门限检测的情况下，设置不同虚警概率，随着Pfa的减小，目标检测性能降低较小，具体地：当Pfa降低10倍时，目标检测概率只有0.7dB的信噪比损失，因为，加入速度约束门限和预测约束门限，使得目标状态转移集合内包含的目标状态信息更加符合真实目标状态，算法的检测性能得到相应的提升。由图5(b)可知，在经过速度约束门限和预测约束门限检测情况下，目标的跟踪概率的关系曲线与检测概率类似，具体地：当Pfa降低10倍时，跟踪概率仅有0.9dB的信噪比损失。因此，由于速度约束门限和预测约束门限对更符合目标状态的信息进行筛选，本实施例多帧积累检测算法在一定程度上提升了目标的检测性能。
请参见图6(a)～图6(d)，图6(a)～图6(d)是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中目标在不同阶段下数据结果示意图，具体是目标由量测数据经过多帧迭代积累后得到积累值函数，然后根据积累值函数进行轨迹回溯得到目标估计轨迹对应的各部分结果示意图，图6(a)是目标真实的轨迹示意图，图6(b)是加噪声后的10帧量测数据在方位向上拼接的结果示意图，图6(c)是量测数据积累10帧后的累积值函数示意图，图6(d)是根据累积值函数进行轨迹回溯得到的目标轨迹估计示意图。由图6(b)可见，目标信号在原始的量测数据中非常微弱，基本淹没于噪声中，很难检测出来；由图6(c)可见，目标信号在经过10帧迭代积累后幅度明显增强；图6(d)是本实施例提出的目标检测算法的目标轨迹估计结果示意图，从图6(d)中可以看出，在整个运动过程中目标的轨迹都能被检测跟踪出来且性能良好。
请参见图7(a)～图7(c)，图7(a)～图7(c)是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中不同帧数下雷达目标位置估计RMSE的对比示意图，图7(a)是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中通过第一检测门限处理后不同帧数下雷达目标位置估计RMSE的对比示意图，图7(b)是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中通过速度约束门限和预测约束门限处理后不同帧数下雷达目标位置估计RMSE的对比示意图，图7(c)是本发明实施例提供的一种基于状态预测积累的生命探测雷达弱目标检测方法中目标积累函数值外推后不同帧数下雷达目标位置估计RMSE的对比示意图。由图7(a)～图7(c)可知，在虚警概率为Pfa＝10-3和信噪比为8dB的情况下，雷达目标估计精度随积累帧数K的变化曲线。除前几帧外，雷达目标的估计精度随着积累帧数的增加而逐渐提高，但当超过一定积累帧数后，雷达目标的估计精度会趋于平缓。由图7(a)所示，经过第一检测门限检测后，传统的多帧积累算法的估计精度较高,具体地：当积累帧数k＝10时，本实施例的雷达目标估计精度有0.14的损失，因为经过第一检测门限处理后，滤除大量目标状态信息，在一定程度上影响算法的估计精度。由图7(b)所示，经过速度约束门限和预测约束门限检测后，本实施例的估计精度有所提升，此时两种算法的估计精度接近，因为，经过速度约束门限和预测约束门限后，状态转移集合内数据信息与目标状态信息符合度更高，能够更加准确地寻找目标位置信息，进而提高目标估计轨迹的精确度。由图7(c)所示，经过目标积累函数值外推处理后，本实施例的雷达目标估计精度较高，具体地：当积累帧数k＝10时，本实施例的目标估计精度有0.19的增益。因此，相较于现有传统的多帧积累目标检测算法，本实施例所提的目标检测算法在估计精度方面有所提升。
表1不同虚警概率下处理时间对比表
虚警概率值 平均处理时间(秒)
P<sub>fa</sub>＝100 11.32
P<sub>fa</sub>＝10<sup>-1</sup> 6.18
P<sub>fa</sub>＝10<sup>-2</sup> 3.06
P<sub>fa</sub>＝10<sup>-3</sup> 1.03
由表1可得，本实施例在不同的虚警概率下对应的目标检测平均处理时间的对比表。随着虚警概率Pfa的下降，目标检测的平均处理时间大幅度减少，相应的算法计算量迅速下降。具体地：当积累帧数k＝10和虚警概率Pfa＝100的情况下，表示未经过第一检测门限处理而只进行后续处理，目标检测的平均处理时间为11.32秒，相较于未经过任何处理的多帧积累检测方法可减少10.05秒；当虚警概率Pfa＝10-3时，目标检测的平均处理时间达到1.03秒。因为，首先经过第一检测门限处理可滤除大部分类噪声的干扰信息，然后经过速度约束门限和预测约束门限处理可筛选出与目标运动状态更为贴近的量测数据信息，使得目标检测的数据量进一步减少，因此目标检测的整体计算量大幅度降低。由此可知，通过第一检测门限、速度约束门限和预测约束门限检测处理可有效地解决算法计算复杂度高的问题，在保证一定检测性能的情况下，有效地提升了目标检测运算效率。
综上所述，本实施例提出的基于状态预测积累的生命探测雷达弱目标检测方法，先设置第一检测门限滤除类噪声的干扰信息，进而设置速度约束门限和预测约束门限筛选出与目标状态符合度高的状态信息，随着量测数据量的减少，算法运算量会大幅度降低，改善了目标的检测性能；同时通过改进目标积累函数值的迭代方式解决状态转移集合内可能无目标状态的问题，使得算法计算量进一步降低，且在一定程度上进一步改善了目标的检测性能。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种基于状态预测积累的生命探测雷达弱目标检测方法，其特征在于，包括：
接收多帧回波信号，对多帧回波信号进行离散化处理得到多帧离散回波信号；
计算每帧离散回波信号的第一检测门限，根据第一检测门限对每帧离散回波信号进行检测处理得到多帧回波检测信号；
构建每帧回波检测信号的目标运动模型和目标量测模型；
根据每帧回波检测信号的目标运动模型和目标量测模型构建雷达目标积累函数；
计算每帧回波检测信号的速度约束门限和预测约束门限，根据速度约束门限和预测约束门限更新每帧回波检测信号的状态转移集合；
根据更新的状态转移集合、雷达目标积累函数对每帧回波检测信号进行迭代累积计算得到目标积累函数值；
根据第二检测门限和目标积累函数值判断是否存在雷达目标；
响应于存在雷达目标，根据目标积累函数值回溯确定雷达目标估计轨迹。
2.根据权利要求1所述的基于状态预测积累的生命探测雷达弱目标检测方法，其特征在于，计算每帧离散回波信号的第一检测门限包括：
构建每帧离散回波信号的虚警概率函数、虚警检测函数；
根据虚警概率函数、虚警检测函数构建每帧离散回波信号的拉格朗日函数，根据拉格朗日函数计算每帧离散回波信号的虚警检测概率值；
根据虚警检测概率值计算每帧离散回波信号的第一检测门限。
3.根据权利要求1所述的基于状态预测积累的生命探测雷达弱目标检测方法，其特征在于，根据每帧回波检测信号的目标运动模型和目标量测模型构建雷达目标积累函数包括：
根据每帧回波检测信号的目标运动模型和目标量测模型构建对应的阶段指示函数得到多个阶段的阶段指示函数；
对多个阶段的阶段指示函数求和得到雷达目标积累函数。
4.根据权利要求1所述的基于状态预测积累的生命探测雷达弱目标检测方法，其特征在于，计算每帧回波检测信号的速度约束门限包括：
根据目标运动模型计算每帧回波检测信号的距离维速度预测估计值、方位维速度预测估计值；
计算每帧回波检测信号的距离维零均值标准偏差、方位维零均值标准偏差；
根据每帧回波检测信号的距离维速度预测估计、方位维速度预测估计值，以及每帧回波检测信号的距离维零均值标准偏差、方位维零均值标准偏差，计算每帧回波检测信号的速度约束门限。
5.根据权利要求4所述的基于状态预测积累的生命探测雷达弱目标检测方法，其特征在于，计算每帧回波检测信号的预测约束门限包括：
根据目标运动模型计算每帧回波检测信号的距离维位置预测估计值、方位维位置预测估计值；
根据每帧回波检测信号的距离维位置预测估计值和速度预测估计值，以及每帧回波检测信号的方位维位置预测估计值和速度预测估计值，得到相邻两帧回波检测信号的运动状态；
根据相邻两帧回波检测信号的运动状态计算运动状态预测误差；
根据运动状态预测误差计算运动状态预测误差的协方差；
根据运动状态预测误差和运动状态预测误差的协方差计算每帧回波检测信号的预测约束门限。
6.根据权利要求1所述的基于状态预测积累的生命探测雷达弱目标检测方法，其特征在于，根据更新的状态转移集合、雷达目标积累函数对每帧回波检测信号进行迭代累积计算得到目标积累函数值包括：
响应于上一帧回波检测信号的状态在更新的状态转移集合内，利用上一帧回波检测信号的目标积累函数值计算当前帧回波检测信号的目标积累函数值，并根据当前帧回波检测信号的目标积累函数值对应的状态转移记录集合得到第一目标状态集合，并设置第一指标函数。
7.根据权利要求6所述的基于状态预测积累的生命探测雷达弱目标检测方法，其特征在于，根据所述目标积累函数值回溯确定雷达目标估计轨迹包括：
响应于第一指标函数，根据第一目标状态集合中当前帧回波检测信号的目标积累函数值对应的雷达目标位置确定上一帧回波检测信号的估计轨迹。
8.根据权利要求1所述的基于状态预测积累的生命探测雷达弱目标检测方法，其特征在于，根据更新的状态转移集合、雷达目标积累函数对每帧回波检测信号进行迭代累积计算得到目标积累函数值还包括：
响应于上一帧回波检测信号的状态不在更新的状态转移集合内，利用上上一帧回波检测信号的目标积累函数计算当前帧回波检测信号的目标积累函数值，并根据当前帧回波检测信号的目标积累函数值对应的状态转移集合得到第二目标状态集合，并设置第二指标函数。
9.根据权利要求8所述的基于状态预测积累的生命探测雷达弱目标检测方法，其特征在于，根据所述目标积累函数值回溯确定雷达目标估计轨迹还包括：
响应于第二指标函数，根据第二目标状态集合中当前帧回波检测信号的目标积累函数值对应的雷达目标位置确定上上一帧回波检测信号的估计轨迹，根据当前帧回波检测信号的目标积累函数值对应的雷达目标位置与上上一帧回波检测信号的目标积累函数值对应的雷达目标位置确定上一帧回波检测信号的估计轨迹。
CN202110244629.0A 2020-12-30 2021-03-05 一种基于状态预测积累的生命探测雷达弱目标检测方法 Active CN113126086B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011628999 2020-12-30
CN2020116289996 2020-12-30

Publications (2)

Publication Number Publication Date
CN113126086A true CN113126086A (zh) 2021-07-16
CN113126086B CN113126086B (zh) 2022-09-02

Family

ID=76772598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110244629.0A Active CN113126086B (zh) 2020-12-30 2021-03-05 一种基于状态预测积累的生命探测雷达弱目标检测方法

Country Status (1)

Country Link
CN (1) CN113126086B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113900086A (zh) * 2021-09-03 2022-01-07 厦门精益远达智能科技有限公司 一种适用于小目标的雷达目标检测方法及其系统
CN113985393A (zh) * 2021-10-25 2022-01-28 南京慧尔视智能科技有限公司 一种目标检测方法、装置及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104931952A (zh) * 2015-06-26 2015-09-23 西安电子科技大学 一种基于多帧联合的运动目标航迹的雷达检测方法
CN109471081A (zh) * 2018-11-07 2019-03-15 中国人民解放军国防科技大学 单脉冲雷达弱小目标联合检测及状态估计方法
CN110109094A (zh) * 2019-03-28 2019-08-09 西南电子技术研究所（中国电子科技集团公司第十研究所） 多接收站单频网外辐射源雷达机动目标的检测与跟踪方法
CN111257865A (zh) * 2020-02-07 2020-06-09 电子科技大学 一种基于线性伪量测模型的机动目标多帧检测跟踪方法
CN111352104A (zh) * 2020-03-18 2020-06-30 清华大学 一种基于信息积累的弱目标检测前跟踪方法
CN111427042A (zh) * 2020-03-24 2020-07-17 哈尔滨工程大学 基于高刷新率声脉冲的水下弱目标回波检测前跟踪方法
CN111965613A (zh) * 2020-07-27 2020-11-20 北京理工大学 一种基于动态规划与分数阶傅里叶变换的弱目标检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104931952A (zh) * 2015-06-26 2015-09-23 西安电子科技大学 一种基于多帧联合的运动目标航迹的雷达检测方法
CN109471081A (zh) * 2018-11-07 2019-03-15 中国人民解放军国防科技大学 单脉冲雷达弱小目标联合检测及状态估计方法
CN110109094A (zh) * 2019-03-28 2019-08-09 西南电子技术研究所（中国电子科技集团公司第十研究所） 多接收站单频网外辐射源雷达机动目标的检测与跟踪方法
CN111257865A (zh) * 2020-02-07 2020-06-09 电子科技大学 一种基于线性伪量测模型的机动目标多帧检测跟踪方法
CN111352104A (zh) * 2020-03-18 2020-06-30 清华大学 一种基于信息积累的弱目标检测前跟踪方法
CN111427042A (zh) * 2020-03-24 2020-07-17 哈尔滨工程大学 基于高刷新率声脉冲的水下弱目标回波检测前跟踪方法
CN111965613A (zh) * 2020-07-27 2020-11-20 北京理工大学 一种基于动态规划与分数阶傅里叶变换的弱目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨威等: "弱目标检测前跟踪技术研究综述", 《电子学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113900086A (zh) * 2021-09-03 2022-01-07 厦门精益远达智能科技有限公司 一种适用于小目标的雷达目标检测方法及其系统
CN113985393A (zh) * 2021-10-25 2022-01-28 南京慧尔视智能科技有限公司 一种目标检测方法、装置及系统
CN113985393B (zh) * 2021-10-25 2024-04-16 南京慧尔视智能科技有限公司 一种目标检测方法、装置及系统

Also Published As

Publication number Publication date
CN113126086B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
Yi et al. Particle filtering based track-before-detect method for passive array sonar systems
CN107861107B (zh) 一种适用于连续波雷达的双门限cfar与点迹凝聚方法
CN107861123B (zh) 一种穿墙雷达在复杂环境下对多运动目标实时跟踪的方法
CN103809173B (zh) 帧恒虚警目标检测跟踪一体化方法
CN106291534B (zh) 一种改进的航迹确认方法
CN113126086B (zh) 一种基于状态预测积累的生命探测雷达弱目标检测方法
CN104155650A (zh) 一种基于熵权值法点迹质量评估的目标跟踪方法
CN106526584A (zh) 多雷达系统中目标检测跟踪联合处理方法
CN106199584A (zh) 一种基于量测存储的航迹起始方法
CN107436434B (zh) 基于双向多普勒估计的航迹起始方法
CN108089183A (zh) 一种用于异步多基地雷达系统的检测跟踪一体化方法
CN107064865B (zh) 基于深度聚类的极坐标动态规划无源协同定位方法
CN111856406B (zh) 一种基于fmcw雷达回波的目标检测方法及装置
CN111948657A (zh) 一种基于多模粒子滤波的机动弱目标检测前跟踪方法
CN111398948A (zh) 一种强杂波背景下的机动小目标航迹关联方法
CN110308442A (zh) 强杂波环境下相控阵雷达的gm-phd目标跟踪方法
CN117169818A (zh) 一种面向海面机动目标跟踪的雷达波形设计方法
CN111796266B (zh) 一种匀加速运动目标rd平面检测前跟踪方法
CN105652256B (zh) 一种基于极化信息的高频地波雷达tbd方法
CN113484866A (zh) 一种基于被动声呐方位历程图的多目标检测跟踪方法
CN113093174B (zh) 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法
CN106093891A (zh) 基于多普勒速度检验的雷达网抗密集距离假目标干扰方法
CN107561506A (zh) 一种多级虚警概率联合递推目标检测方法
CN117930142B (zh) 一种应对高海况海面机动目标跟踪的雷达波形设计方法
CN113311420B (zh) 一种基于分簇管理的雷达目标检测与跟踪方法及其装置

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