CN113189557A - 对海雷达目标检测精细化处理方法及装置 - Google Patents

对海雷达目标检测精细化处理方法及装置 Download PDF

Info

Publication number
CN113189557A
CN113189557A CN202110423228.1A CN202110423228A CN113189557A CN 113189557 A CN113189557 A CN 113189557A CN 202110423228 A CN202110423228 A CN 202110423228A CN 113189557 A CN113189557 A CN 113189557A
Authority
CN
China
Prior art keywords
area
detection
distribution
target detection
processed
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
CN202110423228.1A
Other languages
English (en)
Other versions
CN113189557B (zh
Inventor
刘宁波
黄勇
丁昊
董云龙
关键
王国庆
于恒力
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.)
School Of Aeronautical Combat Service Naval Aeronautical University Of People's Liberation Army
Original Assignee
School Of Aeronautical Combat Service Naval Aeronautical University Of People's Liberation Army
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 School Of Aeronautical Combat Service Naval Aeronautical University Of People's Liberation Army filed Critical School Of Aeronautical Combat Service Naval Aeronautical University Of People's Liberation Army
Priority to CN202110423228.1A priority Critical patent/CN113189557B/zh
Publication of CN113189557A publication Critical patent/CN113189557A/zh
Application granted granted Critical
Publication of CN113189557B publication Critical patent/CN113189557B/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
    • 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
    • G01S7/417—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 involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种对海雷达目标检测精细化处理方法及装置，该方法包括：获取目标探测区域；将所述目标探测区域的探测距离与预先设定的探测距离界线进行比较，当所述目标探测区域的探测距离位于所述探测距离界线之外时，确认所述目标探测区域为第一区域；从所述第一区域的多维数据空间中提取特征数据，将所述特征数据与预设的特征判断域中的数据进行比较，获取所述第一区域的检测结果；其中，所述特征判断域是基于历史海杂波数据生成的。本发明通过辨识细化探测场景和动态划分区域的方式，增强了目标检测方法的针对性，同时提升了目标检测性能。

Description

对海雷达目标检测精细化处理方法及装置
技术领域
本发明涉及雷达目标检测技术领域，更具体地说，涉及对海雷达目标检测精细化处理方法及装置。
背景技术
对海监视雷达在打击海上违法犯罪活动、海上搜救、海洋资源的开发利用、海洋生态环境保护和海洋渔业管理等任务中具有广泛应用，但由于海洋探测场景复杂多变，强海杂波与小目标紧耦合，同时随着无人艇、无人机群等技术快速发展，传统对海监视雷达面临着被淘汰的风险。
传统对海监视雷达的目标检测方法主要分为两大类，一种是基于能量大小比较的检测方法，另一种是基于特征差异的检测方法。目前，现有技术中发展出了一系列的目标检测方法，但每种目标检测方法只适用于单一的探测场景，然而对海监视雷达的实际探测场景，是由海面、岛屿、陆海交界组成的复杂、非均匀探测场景，且不同区域呈现不同的非均匀特性，如果仅采用一种目标检测方法难以适应众多复杂的非均匀探测场景，另外为了使目标检测方法在众多复杂场景下能够正常工作，往往需要牺牲最佳检测性能，使目标检测性能进行折中以适配于众多复杂探测场景。
发明内容
本发明提供一种对海雷达目标检测精细化处理方法及装置，用以解决对海监视雷达可以应用于复杂非均匀的探测场景中且能够保证目标检测性能的技术问题，以实现增强目标检测方法的针对性和提升目标检测性能的目的。
第一方面，本发明提供一种对海雷达目标检测精细化处理方法，包括：
获取目标探测区域；
将所述目标探测区域的探测距离与预先设定的探测距离界线进行比较，当所述目标探测区域的探测距离位于所述探测距离界线之外时，确认所述目标探测区域为第一区域；
从所述第一区域的多维数据空间中提取特征数据，将所述特征数据与预设的特征判断域中的数据进行比较，获取所述第一区域的检测结果；
其中，所述特征判断域是基于历史海杂波数据生成的。
第二方面，本发明提供一种对海雷达目标检测精细化处理装置，包括：
获取模块，用于获取目标探测区域；
第一辨识模块，用于根据所述目标探测区域的探测距离与预先设定的探测距离界线进行比较，当所述目标探测区域的探测距离位于所述探测距离界线之外时，确认所述目标探测区域为第一区域；
检测处理模块，用于从所述第一区域的多维数据空间中提取特征数据，将所述特征数据与预设的特征判断域中的数据进行比较，获取所述第一区域的检测结果；
其中，所述特征判断域是基于历史海杂波数据生成的。
第三方面，本发明提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上任一所述的方法。
第四方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上任一所述的方法。
本发明提供的对海雷达目标检测精细化处理方法及装置，该方法通过获取目标探测区域，将目标探测区域的探测距离与预先设定的探测距离界线进行比较，当目标探测区域的探测距离位于探测距离界线之外时，确认目标探测区域为第一区域，从第一区域的多维数据空间中提取特征数据，将所述特征数据与预设的特征判断域中的数据进行比较，获取所述第一区域的检测结果。本发明通过多层级辨识细化探测场景和动态划分区域的方式，增强了目标检测方法的针对性，同时提升了目标检测性能。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的对海雷达目标检测精细化处理方法的总流程示意图；
图2为本发明提供的对海雷达目标检测精细化处理的流程示意图；
图3为本发明提供的对海雷达目标检测精细化处理方法的第二级辨识的流程示意图；
图4为本发明提供的用于对海雷达目标检测精细化处理方法的卷积神经网络模型的示意图；
图5为本发明提供的对海雷达目标检测精细化处理装置的结构示意图；
图6为本发明提供的电子设备的结构示意图。
具体实施方式
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
为了使本发明实施例的方案更容易理解，并且更好地体现与现有对海雷达检测方案的区别，下面首先对现有技术中基本的对海雷达检测方法和本发明技术方案做简单说明。
现有技术中，对海雷达检测方法只解决了探测场景简单的分类问题，并没有实现对复杂非均匀探测场景的精细化分类。本发明提供的对海雷达目标检测处理方法应用于复杂非均匀探测场景中，通过将目标探测区域的探测距离与预设的探测距离界线的比较，实现对目标探测区域的第一级辨识，若是属于常规探测区域，则对该目标探测区域进行第二级辨识，通过第二级辨识判断得出是属于复高斯分布区域还是其它分布区域，若是其它分布区域还需要对其进行下一步的辨识，根据每一级的辨识结果所对应的目标检测方法对其进行检测处理，获取目标检测结果，其中，各个区域的划分实现的是动态划分。本发明法通过多层级辨识细化目标探测场景和动态划分区域的方式，能够增强目标检测方法的针对性，实现各个海面区域检测性能的最佳化，提升了目标检测性能。
图1为本发明提供的对海雷达目标检测精细化处理方法的总流程示意图。如图1所示，本发明提供的对海雷达目标检测精细化处理方法，包括：
步骤101：获取目标探测区域；
步骤102：将所述目标探测区域的探测距离与预先设定的探测距离界线进行比较，当所述目标探测区域的探测距离位于所述探测距离界线之外时，确认所述目标探测区域为第一区域；
步骤103：从所述第一区域的多维数据空间中提取特征数据，将所述特征数据与预设的特征判断域中的数据进行比较，获取所述第一区域的检测结果；
其中，所述特征判断域是基于历史海杂波数据生成的。
具体地，目标探测区域是指海面上需要进行检测的各个区域，可以是探测背景非常复杂且非均匀的区域，也可以是探测背景比较简单的区域，在此不作具体限定。
其中，在步骤102中，探测距离是指目标探测区域与对海监视雷达之间的距离；探测距离界线是预先设置的，与第一区域的划分有关，当第一区域确定后，第一区域和第二区域之间的界线则构成了探测距离界线。
其中，第一区域是指重点关注区域Z1，重点关注区域是指难以被发现的区域，可以通过预估信杂比的方法计算得到，也可以是人工介入输入重点关注的方位区域，在本实施例中优选的第一区域是采用预估信杂比的方式对海上探测区域进行动态划分得到的，可见，第一区域并不是固定不变的。具体划分方法可见下述实施例。
在步骤103中，通过基于多维数据空间特征的目标检测方法对属于重点关注区域的目标探测区域进行检测处理，从目标探测区域的多维数据空间提取得到数据特征，与预设的特征判断域进行比较，得到目标检测结果。需要说明的是，特征判断域是预先根据大量历史海杂波数据生成的。
在本实施例中，获取目标探测区域，通过将目标探测区域的探测距离与预设的探测距离界线进行比较的方式，来判断目标探测区域是否属于第一区域，也就是重点关注区域，若是，则根据针对重点关注区域设置的目标检测方法对目标探测区域进行检测处理，获取检测结果。需要说明的是，本实施例提供的对海雷达目标检测精细化处理方法可以应用于高海况、低擦地角条件下的复杂非均匀探测背景中，对海雷达对海上目标检测时，容易受海杂波影响，强海杂波使得目标回波信杂比(SCRi)降低，直接影响目标检测性能，因此，这里采用预估信杂比的方法对海上目标探测区域进行动态划分，该方法明显区别于经典的空域杂波图处理方法。
本发明实施例中提供的对海雷达目标检测精细化处理方法，通过目标探测区域的探测距离与探测距离界线之间的关系，能够很方便的对目标探测区域进行第一级辨识，当确认目标探测区域为第一区域时，提取第一区域的特征数据与预设的特征判断域进行比较，获取目标检测结果，该方法通过细化目标探测场景和动态划分区域的方式，增强了目标检测方法的针对性，使各个海面区域的检测性能达到最佳化，提升了目标检测性能。
在本发明的一个实施例中，如图2所示，还包括：当所述目标探测区域的探测距离位于所述探测距离界线之内时，确认所述目标探测区域为第二区域，对所述第二区域进行分布类型的辨识，获取所述第二区域的检测结果。
具体地，第二区域是指常规探测区域Z2，是指对海雷达容易关注到的区域。
在本实施例中，当获取的目标探测区域的探测距离位于探测距离界线之内时，则确认目标探测区域为常规探测区域，需要对常规探测区域Z2进行分布类型的辨识，根据分布类型对应的目标检测方法对其进行检测处理，获取目标检测结果。需要说明的是。还需要对常规探测区域作进一步辨识，具体可参考下述具体步骤1-3，在此不作详细介绍。
本发明实施例中，首先将目标探测区域的探测距离与预设的探测距离界线进行比较，当目标探测区域的探测距离位于探测距离界线之内时，确认目标探测区域为第二区域，然后需要对第二区域作分布类型的辨识，根据分布类型对应的检测方法检测处理，获取目标检测结果。本发明通过对目标探测区域进行多层级辨识来细化探测场景，增强了目标检测方法的针对性，提升了目标检测性能。
在本发明的另一个实施例中，如图2所示，所述对所述第二区域进行分布类型的辨识，获取所述第二区域的检测结果，包括：
获取所述第二区域的回波数据；
根据所述回波数据中的海杂波和噪声背景进行分布类型判断，获取所述第二区域的分布类型；
根据所述分布类型对应的检测方法对所述第二区域进行检测处理，获取所述第二区域的检测结果。
具体地，回波是指在雷达探测中，雷达发射出的电磁波遇到目标后反射、散射，被雷达接收机接收到信号。
在本实施例中，第二区域是指常规探测区域Z2，回波数据是指I路和Q路的两路回波数据，是指两路零中频复数据序列，根据回波数据中的海杂波和噪声背景，基于偏度、峰度检验方法和χ2检验方法对I路和Q路两路零中频复数据序列的回波幅度和相位序列进行判断，确认判断是服从复高斯分布、韦布尔分布、对数正态分布和K分布这4种分布类型中的哪一种，根据判断得到的分布类型及对应的目标检测方法，获取常规探测区域Z2的目标检测结果。
本发明实施例中，获取常规探测区域的回波数据，根据回波数据中的海杂波与噪声背景对常规探测区域进行分布类型的判断，然后根据分布类型对应的检测方法对常规探测区域进行检测，获取目标检测结果，通过对目标探测区域的探测背景精细化处理，增强了目标检测方法的针对性，提高了目标检测的性能。
在本发明的一个实施例中，如图3所示，所述根据所述回波数据中的海杂波和噪声背景进行分布类型判断，获取所述第二区域的分布类型，包括：
步骤1：获取所述第二区域的多个待处理单元；
步骤2：判断所述待处理单元的同相和正交两路回波幅度是否分别服从高斯分布，且判断所述待处理单元的相位序列是否服从均匀分布；当所述待处理单元的同相和正交两路回波幅度均服从高斯分布且相位序列服从均匀分布时，确认所述待处理单元服从复高斯分布，将所有服从复高斯分布的待处理单元所构成的区域确认为第一分布区域；
步骤3：当所述待处理单元的回波幅度不服从高斯分布和/或所述相位序列不服从均匀分布时，确认所述待处理单元不服从复高斯分布，将所有不服从复高斯分布的待处理单元所构成的区域确认为第二分布区域。
具体地，待处理单元是指多个分辨单元经过适当合并处理后生成的有效参考单元；第一分布区域是指复高斯分布区域，第二分布区域是指其它分布区域；同相和正交两路回波是指I、Q两路回波。
在步骤1中，为了便于选取恒虚警(CFAR)检测方法处理时的有效参考单元，对常规探测区域Z2中的分辨单元进行适当合并，如选取距离维上每Nd个距离单元(Nd取值范围为16～128)和方位维上每
Figure BDA0003028502550000081
度方位内对应的脉冲个数Np，使Nd×Np个回波采样点构成一个待处理单元，采用记号Ωk表示，其中，
Figure BDA0003028502550000082
的取值范围为雷达波束宽度θAZ～30°，并且根据雷达扫描速度和脉冲重复周期酌情选取，保证有足够的数据进行统计得到稳定的幅度分布参数估计结果，在此不作具体限定。
在步骤2中，通过判断待处理单元中的I路和Q路的两路回波数据是否服从复高斯分布来确认待处理单元是否服从复高斯分布，具体可以通过以下两个方面进行判断。
一方面是判断I路回波和Q路回波幅度是否均服从高斯分布。在本实施例中，采用偏度、峰度检验方法判断两路回波数据是否服从高斯分布，其中，将偏度定义为样本的三阶标准化矩，用来反映统计数据分布非对称程度，峰度定义为随机变量的四阶中心矩与方差平方的比值，用来反映峰部的尖度，如可以将偏度值的范围设为-0.5～0.5，峰度值的计算范围设为2～4，如果根据I路数据序列和Q路数据序列分别计算得到的偏度值为0且峰度值为3，则表明对应的回波幅度服从高斯分布。在本实施例中，当偏度值的计算结果在[-0.50.5]区间内变化，且峰度值的计算结果在[2 4]范围内变化，则认为对应的回波幅度服从高斯分布。
另一方面是判断回波数据的相位序列是否服从均匀分布。在本实施例中，首先根据两路的原始回波序列得到相位序列，假设I、Q两路回波构成的复序列为ek＝xk+iyk，k＝1，2，…，N，则可得到相位序列
Figure BDA0003028502550000091
然后采用χ2检验方法检验相位序列是否服从均匀分布，并将显著性水平α设为0.1，其中χ2检验方法为现有技术中较成熟的检验方法，在此不作详细介绍。
若I路和Q路的两路回波幅度均服从高斯分布，且相位序列服从均匀分布时，则确认I、Q两路的回波数据服从复高斯分布，即待处理单元服从复高斯分布，将所有服从复高斯分布的待处理单元组成为复高斯分布区域Z21。
在步骤3中，将所有不服从复高斯分布的待处理单元组成为其它幅度分布区域Z20。
需要说明的是，为了降低不同分布类型区域的离散度，避免出现复高斯分布区域Z21和其它分布区域Z20相互嵌套的情况，对常规探测区域Z2中的每个待处理单元均进行是否符合复高斯分布的判断，相关的判断规则如下：若某一个待处理单元，其前后左右相邻的4个处理单元中，有3个或4个处理单元的幅度分布类型相同，但与待处理单元的分布类型不同，则修改待处理单元的幅度分布类型，使之与相邻处理单元相同；或者将待处理单元的幅度分布类型修改为相邻处理单元中占比高的幅度分布类型。这种处理方式能够避免复高斯分布区域与其它分布区域相互之间出现嵌套的情况发生。
本发明实施例中，对第二区域中各个待处理单元作了进一步辨识，通过判断待处理单元的回波幅度是否服从高斯分布，相位序列是否服从均匀分布，当回波幅度服从高斯分布，且相位序列服从均匀分布时，则确认待处理单元服从复高斯分布，将所有服从复高斯分布的待处理单元构成的区域设为第一分布区域，所有不服从复高斯分布的待处理单元构成的区域为第二分布区域。通过对第二区域的进一步辨识，细化了目标探测场景，增强了目标检测方法的针对性，提升了目标检测性能。
在本发明的一个实施例中，所述根据所述分布类型对应的检测方法对所述第二区域进行检测处理，获取所述第二区域的检测结果，包括：
当所述第二区域中的待处理单元为所述第一分布区域时，对所述第一分布区域所对应的待处理单元进行逐个筛选，获取有效参考单元，并将所述有效参考单元逐个检测处理，获取所述第一分布区域的检测结果；
当所述第二区域中的待处理单元为所述第二分布区域时，对所述第二分布区域所对应的待处理单元进行幅度分布类型的辨识，获取所述第二分布区域的检测结果。
具体地，第一分布区域是指复高斯分布区域Z21，第二分布区域是指其它幅度分布区域Z20。
在本实施例中，对于复高斯分布区域Z21，首先对回波数据取模值形成包络，然后基于结合回波形状特征和迭代删除的背景功率水平估计方法，在每个方位上对于每个待处理单元进行逐个筛选处理，获取对应的有效参考单元，基于自适应子空间CFAR检测方法形成检测门限，将待处理单元中的距离单元逐个进行检测处理，最后输出目标检测结果。
在本实施例中，对于其它幅度分布区域Z20还需进一步辨识，即确认待处理单元服从韦布尔分布、对数正态分布和K分布这3种幅度分布类型中的哪一种，具体辨识方法见下述实施例。
本发明实施例中通过对第一分布区域对应的待处理单元进行筛选，获取对应的有效参考单元，对其进行逐个检测处理，获取检测结果；对第二分布区域对应的待处理单元还需要进行幅度分布类型的进一步辨识，本实施例中通过对常规探测区域的多层级辨识处理，细化了目标探测场景，增强了目标检测方法的针对性，提升目标检测性能。
在本发明的另一个实施例中，所述对所述第二分布区域所对应的待处理单元进行幅度分布类型的辨识，获取所述第二分布区域的检测结果，进一步包括：
获取所述第二分布区域所对应的待处理单元的回波幅度；
基于预设的卷积神经网络模型对所述回波幅度进行分析处理，确认所述第二分布区域所对应的待处理单元的幅度分布类型；
根据所述幅度分布类型对应的检测方法对所述第二分布区域所对应的待处理单元进行检测处理，获取所述第二分布区域的检测结果；
其中，所述卷积神经网络模型是基于回波幅度分布的仿真训练数据训练得到的。
具体地，第二分布区域是指不服从复高斯分布的待处理单元构成的区域，即其它幅度分布区域Z20。
在本实施例中，获取第二分布区域对应的待处理单元的回波幅度，基于卷积神经网络模型对回波幅度进行分析，确认待处理单元服从韦布尔分布、对数正态分布和K分布三种分布类型中的哪一种，根据确认分布类型对应的目标检测方法对其进行检测处理，获取检测结果。需要说明的是，卷积神经网络模型是基于回波幅度分布的仿真训练数据训练得到的。
在本实施例中，卷积神经网络模型的训练过程包括以下方面。
首先，生成三种分布类型的仿真数据，确定各种分布类型的参数取值范围和调整策略，如下所述。
(1)韦布尔分布：形状参数取值范围[1，5]，每次步进0.2(此值允许修改，步进取值范围为0.1～1)，用于反复产生仿真数据；尺度参数取0.98，保持不变。
(2)对数正态分布：均值可在[-0.1，-1]内取值，取定后保持不变；方差可在[0.1，10]内取值，每次步进0.5(此值允许修改，步进取值范围为0.1～1)，用于反复产生仿真数据。
(3)K分布：形状参数取值范围[0.5，25]，每次步进0.5(此值允许修改，步进取值范围为0.1～1)，用于反复产生仿真数据；尺度参数取值应≥1，一般可取1，保持不变，不必反复调整。
进一步地，在上述取值范围内，在相应参数取值和参数步进设置条件下，每个长度为Ns点，Ns可在1000～4000范围内取值，在本实施例中，三种幅度分布分别生成仿真数据序列1000组，3种幅度分布类型的随机数生成方法不赘述(可参考MATLAB中给出的随机数生成函数，但不限于此方法，只要能合理生成3种幅度分布类型的随机数即可)。另外，对每个仿真生成的数据序列，先用序列中幅度最大值进行归一化处理，然后再进行直方图统计，数据幅度分段统计区间数NI可在40～120范围选取，统计得到每个幅度分段统计小区间的采样点数ni，i＝1，2，…，NI，进一步通过ni/Ns即可计算得到每个幅度分段统计小区间内的概率pi，i＝1，2，…，NI，序列{pi，i＝1，2，…，NI}即为基于实测数据得到的经验概率密度函数，这样每种幅度分布都得到了1000组经验概率密度函数，由于数据由仿真产生，每组数据所属的幅度分布类型具有明确的标记，从1000组数据中随机选取700组作为训练集，剩余300组作为测试集。
进一步地，针对上述3种幅度分布类型的仿真数据，采用卷积神经网络(CNN)模型进行幅度分布类型的分类，如图4所示，在本实施例中，CNN模型的层数可设为3～5层，每层网络的节点数可设为500～1000个，卷积核尺寸改为1×Ner，Ner可在3～6之间取值，每次训练50组数据，通过上面得到的训练集对CNN模型进行训练，训练过程在此不赘述。合理设计损失函数值，直到将CNN模型训练到收敛，则完成了CNN模型的训练。另外，根据每种幅度分布类型剩余的300组数据(3组幅度分布类型共计900组数据)，对训练后的CNN模型进行测试，当3种幅度分布类型的正确区分率不低于99％，则认为CNN模型训练成功，若3种幅度分布类型的正确区分率达不到99％，则重新仿真产生3种幅度分布类型数据，每种幅度分布类型1000组数据，按照前述方法构成新的数据集，依然按照7∶3的比例划分训练集和测试集，再对CNN模型进行训练和测试，直至3种幅度分布类型的正确区分率不低于99％时，得到成功训练后的CNN模型。需要说明的是，CNN模型离线训练好后，在线使用时不再进行迭代训练更新。
在本实施例中，将每个待处理单元得到的所有采样点的回波幅度，重排为一维幅度数据序列，对其进行直方图统计，参数设定与模型的数据集构建方式相同，得到经验概率密度函数曲线，将其输入训练好的CNN模型中，得到当前幅度数据序列属于何种分布类型的判断结果。其中，为了降低幅度分布类型区域的离散度，避免出现不同幅度分布类型区域相互嵌套的情况，判断规则如上述实施例所述，在此不再赘述。
通过上述处理，将其它幅度分布区域Z20细分为了韦布尔分布区域Z22、对数正态分布区域Z23和K分布区域Z24。需要说明的是，可能会出现没有某一种或某两种或某三种区域的情况，属于正常情况。
其中，对于韦布尔分布区域Z22，基于结合回波形状特征和迭代删除的背景功率水平估计方法，筛选有效的参考单元，形成背景杂波功率水平估计，采用韦布尔分布中的Log-t CFAR检测方法，得到该区域中的目标检测结果。
其中，对于对数正态分布区域Z23，基于结合回波形状特征和迭代删除的背景功率水平估计方法，筛选有效的参考单元，形成背景杂波功率水平估计，采用对数正态分布中的Log-t CFAR检测方法，得到该区域中的目标检测结果。
其中，对于K分布区域Z24，基于结合回波形状特征和迭代删除的背景功率水平估计方法，筛选可用的参考单元，形成背景杂波功率水平估计，采用CA-CFAR检测方法，得到该区域中的目标检测结果。
本发明实施例中，通过将获取的第二分布区域对应的待处理单元的幅度数据，输入到预设的卷积神经网络模型中，根据输出的幅度分布类型对应的检测方法对其进行检测处理，获取目标检测结果，增强了目标检测方法的针对性，提升了目标检测性能。
在本发明的一个实施例中，在所述获取目标探测区域之前，该方法还包括：
获取对海雷达的每个分辨单元的信杂比；
将所述信杂比与最小可检测信杂比进行比较，确认所述信杂比小于所述最小可检测信杂比所对应的分辨单元形成的区域为所述第一区域；
确认所述信杂比大于或等于所述最小可检测信杂比所对应的分辨单元形成的区域为所述第二区域；
将所述第一区域和所述第二区域之间的界线设定为所述探测距离界线，其中，所述最小可检测信杂比为已知。
具体地，信杂比(SCR)也被成为信噪比，是指有用信号功率与噪声功率的比值。
在本实施例中，第一区域是指重点关注区域，第二区域是指常规探测区域，通过预估信杂比的方法，将海上区域划分为重点关注区域和常规探测区域，根据得到的区域划分界限生成探测距离界线，需要说明的是，本实施例中实现的是动态划分区域，由于重点关注区域和常规探测区域受海况等级、风向等外界环境的影响会发生相应的变化，得到的探测距离界线也会发生变化。
在对海雷达的具体型号和各工作模式下的最小可检测信杂比SCRmin已确定的情况下，假设对海雷达的架高为h米，对海雷达的波束宽度为θAZ弧度，对海雷达分辨单元的径向尺寸为ρ米，该分辨单元距离对海雷达的径向距离为R米，则该分辨单元的雷达照射面积可用ρ·Rθazsec(φgr)近似计算得到，再根据当前距离单元的归一化散射截面积σ0，便可计算得到当前对海雷达分辨单元的RCS值ACe，即ACe＝ρ·Rθazsec(φgr)×σ0，ACe单位为平方米，φgr为雷达擦地角，单位为弧度。
在本实施例中，假设海面有一目标，采用下述计算公式来获取探测距离界线：
Figure BDA0003028502550000151
其中，SCRi表示所述对海监视雷达的第i个分辨单元的信杂比，ACei表示所述对海监视雷达的第i个分辨单元的散射截面积，ATe表示海上探测区域所述目标的截面积。
从上述可知，SCRi的大小与归一化散射截面积σ0有关，在本实施例中，归一化散射截面积σ0基于GIT模型计算得到，该模型适用于0.1°～10°擦地角，在给定雷达极化方式、波长、擦地角、风向与雷达观察方向夹角、平均浪高等参数的情况下，即可得到给定条件下的σ0。由此可见，SCRi与海况等级、擦地角等参数均有关，基于此划分出来的第一区域会随外界条件变化而变化。
在本实施例中，将信杂比SCRi小于最小可检测信杂比SCRmin对应的对海雷达分辨单元所对应的区域设定为第一区域，同时将信杂比SCRi大于或等于最小可检测信杂比SCRmin对应的对海雷达分辨单元所对应的区域设定为第二区域，通过第一区域和第二区域的设定，将两者之间形成的界线设定为探测距离界线。需要说明的是，探测距离界线是会变化的，比如，在高海况情况下，A区和B区为第一区域，C区为第二区域，那么A区和B区与C区之间形成的界线定为探测距离界线；在低海况情况下，A区为第一区域，B区和C区为第二区域，那么A区与B区和C区之间形成的界线则为探测距离界线。其中，影响因素不止海况等级，还有其他的情况，在此不作具体介绍。
本发明实施例中，基于预估信杂比的方法，将获取的对海雷达每个分辨单元的信杂比与最小可检测信杂比进行比较，当确认分辨单元的信杂比小于最小可检测信杂比时，将分辨单元对应的区域设定为第一区域，当确认分辨单元的信杂比大于或等于最小可检测信杂比时，将分辨单元对应的区域设定为第二区域，两个区域之间形成的界线设定为探测距离界线。该方法中通过动态划分区域的方法，得到探测距离界线，实现对海上探测区域的自适应划分，能够增强目标检测方法的针对性，提升检测性能。
图5为本发明提供的对海雷达目标检测精细化处理装置的结构示意图，如图5所示，本发明提供的一种对海雷达目标检测精细化处理装置，包括：
获取模块501，用于获取目标探测区域；
辨识模块502，用于根据所述目标探测区域的探测距离与预先设定的探测距离界线进行比较，当所述目标探测区域的探测距离位于所述探测距离界线之外时，确认所述目标探测区域为第一区域；
检测处理模块503，用于从所述第一区域的多维数据空间中提取特征数据，将所述特征数据与预设的特征判断域中的数据进行比较，获取所述第一区域的检测结果；
其中，所述特征判断域是基于历史海杂波数据生成的。
具体地，第一区域是动态变化的，是采用预估信杂比的方法获得的。
本发明提供的对海雷达目标检测精细化处理装置，通过获取模块获取目标探测区域，第一辨识模块用于根据所述目标探测区域的探测距离与预先设定的探测距离界线进行比较，当所述目标探测区域的探测距离位于所述探测距离界线之外时，确认所述目标探测区域为第一区域，检测处理模块用于从所述第一区域的多维数据空间中提取特征数据，将所述特征数据与预设的特征判断域中的数据进行比较，获取所述第一区域的检测结果，该装置通过多层级辨识细化目标探测场景和动态划分区域的方法，增强了目标检测方法的针对性，提升了目标检测性能。
由于本发明实施例所述装置与上述实施例所述方法的原理相同，对于更加详细的解释内容在此不再赘述。
图6为本发明实施例提供的电子设备实体结构示意图，如图6所示，本发明提供一种电子设备，包括：处理器(processor)601、存储器(memory)602和总线603；
其中，处理器601、存储器602通过总线603完成相互间的通信；
处理器601用于调用存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取目标探测区域；将所述目标探测区域的探测距离与预先设定的探测距离界线进行比较，当所述目标探测区域的探测距离位于所述探测距离界线之外时，确认所述目标探测区域为第一区域；从所述第一区域的多维数据空间中提取特征数据，将所述特征数据与预设的特征判断域中的数据进行比较，获取所述第一区域的检测结果；其中，所述特征判断域是基于历史海杂波数据生成的。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取目标探测区域；将所述目标探测区域的探测距离与预先设定的探测距离界线进行比较，当所述目标探测区域的探测距离位于所述探测距离界线之外时，确认所述目标探测区域为第一区域；从所述第一区域的多维数据空间中提取特征数据，将所述特征数据与预设的特征判断域中的数据进行比较，获取所述第一区域的检测结果；其中，所述特征判断域是基于历史海杂波数据生成的。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、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：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种对海雷达目标检测精细化处理方法，其特征在于，包括：
获取目标探测区域；
将所述目标探测区域的探测距离与预先设定的探测距离界线进行比较，当所述目标探测区域的探测距离位于所述探测距离界线之外时，确认所述目标探测区域为第一区域；
从所述第一区域的多维数据空间中提取特征数据，将所述特征数据与预设的特征判断域中的数据进行比较，获取所述第一区域的检测结果；
其中，所述特征判断域是基于历史海杂波数据生成的。
2.根据权利要求1所述的对海雷达目标检测精细化处理方法，其特征在于，还包括：
当所述目标探测区域的探测距离位于所述探测距离界线之内时，确认所述目标探测区域为第二区域，对所述第二区域进行分布类型的辨识，获取所述第二区域的检测结果。
3.根据权利要求2所述的对海雷达目标检测精细化处理方法，其特征在于，所述对所述第二区域进行分布类型的辨识，获取所述第二区域的检测结果，包括：
获取所述第二区域的回波数据；
根据所述回波数据中的海杂波和噪声背景进行分布类型判断，获取所述第二区域的分布类型；
根据所述分布类型对应的检测方法对所述第二区域进行检测处理，获取所述第二区域的检测结果。
4.根据权利要求3所述的对海雷达目标检测精细化处理方法，其特征在于，所述根据所述回波数据中的海杂波和噪声背景进行分布类型判断，获取所述第二区域的分布类型，包括：
获取所述第二区域的多个待处理单元；
判断所述待处理单元的同相和正交两路回波幅度是否分别服从高斯分布，且判断所述待处理单元的相位序列是否服从均匀分布；当所述待处理单元的同相和正交两路回波幅度均服从高斯分布且相位序列服从均匀分布时，确认所述待处理单元服从复高斯分布，将所有服从复高斯分布的待处理单元所构成的区域确认为第一分布区域；
当所述待处理单元的回波幅度不服从高斯分布和/或所述相位序列不服从均匀分布时，确认所述待处理单元不服从复高斯分布，将所有不服从复高斯分布的待处理单元所构成的区域确认为第二分布区域。
5.根据权利要求4所述的对海雷达目标检测精细化处理方法，其特征在于，所述根据所述分布类型对应的检测方法对所述第二区域进行检测处理，获取所述第二区域的检测结果，包括：
当所述第二区域中的待处理单元为所述第一分布区域时，对所述第一分布区域所对应的待处理单元进行逐个筛选，获取有效参考单元，并将所述有效参考单元逐个检测处理，获取所述第一分布区域的检测结果；
当所述第二区域中的待处理单元为所述第二分布区域时，对所述第二分布区域所对应的待处理单元进行幅度分布类型的辨识，获取所述第二分布区域的检测结果。
6.根据权利要求5所述的对海雷达目标检测精细化处理方法，其特征在于，所述对所述第二分布区域所对应的待处理单元进行幅度分布类型的辨识，获取所述第二分布区域的检测结果，进一步包括：
获取所述第二分布区域所对应的待处理单元的回波幅度；
基于预设的卷积神经网络模型对所述回波幅度进行分析处理，确认所述第二分布区域所对应的待处理单元的幅度分布类型；
根据所述幅度分布类型对应的检测方法对所述第二分布区域所对应的待处理单元进行检测处理，获取所述第二分布区域的检测结果；
其中，所述卷积神经网络模型是基于回波幅度分布的仿真训练数据训练得到的。
7.根据权利要求1所述的对海雷达目标检测精细化处理方法，其特征在于，在所述获取目标探测区域之前，该方法还包括：
获取对海雷达的每个分辨单元的信杂比；
将所述信杂比与最小可检测信杂比进行比较，确认所述信杂比小于所述最小可检测信杂比所对应的分辨单元形成的区域为所述第一区域；
确认所述信杂比大于或等于所述最小可检测信杂比所对应的分辨单元形成的区域为所述第二区域；
将所述第一区域和所述第二区域之间的界线设定为所述探测距离界线，其中，所述最小可检测信杂比为已知。
8.一种对海雷达目标检测精细化处理装置，其特征在于，包括：
获取模块，用于获取目标探测区域；
第一辨识模块，用于根据所述目标探测区域的探测距离与预先设定的探测距离界线进行比较，当所述目标探测区域的探测距离位于所述探测距离界线之外时，确认所述目标探测区域为第一区域；
检测处理模块，用于从所述第一区域的多维数据空间中提取特征数据，将所述特征数据与预设的特征判断域中的数据进行比较，获取所述第一区域的检测结果；
其中，所述特征判断域是基于历史海杂波数据生成的。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7中任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7中任一所述的方法。
CN202110423228.1A 2021-04-20 2021-04-20 对海雷达目标检测精细化处理方法及装置 Active CN113189557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110423228.1A CN113189557B (zh) 2021-04-20 2021-04-20 对海雷达目标检测精细化处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110423228.1A CN113189557B (zh) 2021-04-20 2021-04-20 对海雷达目标检测精细化处理方法及装置

Publications (2)

Publication Number Publication Date
CN113189557A true CN113189557A (zh) 2021-07-30
CN113189557B CN113189557B (zh) 2022-05-20

Family

ID=76977567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110423228.1A Active CN113189557B (zh) 2021-04-20 2021-04-20 对海雷达目标检测精细化处理方法及装置

Country Status (1)

Country Link
CN (1) CN113189557B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104215951A (zh) * 2014-08-20 2014-12-17 上海无线电设备研究所 一种在海杂波背景下慢速小目标的检测系统及其检测方法
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
CN106970366A (zh) * 2017-03-08 2017-07-21 中国人民解放军海军航空工程学院 海杂波中目标检测方法及装置
CN110412550A (zh) * 2019-07-20 2019-11-05 中国船舶重工集团公司第七二四研究所 一种基于背景认知的区域自适应海目标检测方法
CN110441752A (zh) * 2019-07-30 2019-11-12 中国人民解放军海军航空大学 海上目标检测方法及装置
CN111580091A (zh) * 2020-05-17 2020-08-25 西北工业大学 一种基于ar谱奇异强度函数的海面微弱目标检测方法
CN111880158A (zh) * 2020-08-06 2020-11-03 中国人民解放军海军航空大学 一种基于卷积神经网络序列分类的雷达目标检测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104215951A (zh) * 2014-08-20 2014-12-17 上海无线电设备研究所 一种在海杂波背景下慢速小目标的检测系统及其检测方法
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
CN106970366A (zh) * 2017-03-08 2017-07-21 中国人民解放军海军航空工程学院 海杂波中目标检测方法及装置
CN110412550A (zh) * 2019-07-20 2019-11-05 中国船舶重工集团公司第七二四研究所 一种基于背景认知的区域自适应海目标检测方法
CN110441752A (zh) * 2019-07-30 2019-11-12 中国人民解放军海军航空大学 海上目标检测方法及装置
CN111580091A (zh) * 2020-05-17 2020-08-25 西北工业大学 一种基于ar谱奇异强度函数的海面微弱目标检测方法
CN111880158A (zh) * 2020-08-06 2020-11-03 中国人民解放军海军航空大学 一种基于卷积神经网络序列分类的雷达目标检测方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
何友等: "海杂波中的雷达目标检测技术综述", 《现代雷达》 *
刘宁波等: "基于组合分形特征的海杂波中目标检测方法", 《航空兵器》 *
刘宁波等: "基于频域多尺度Hurst指数的海杂波中目标检测方法", 《电子学报》 *
徐雅楠等: "利用CNN的海上目标探测背景分类方法", 《电子学报》 *
王军东: "海杂波对机载雷达探测距离的影响", 《电子测量技术》 *
陈小龙等: "雷达低可观测目标探测技术", 《科技导报》 *

Also Published As

Publication number Publication date
CN113189557B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
Akhtar et al. A neural network target detector with partial CA-CFAR supervised training
Lin et al. DL-CFAR: A novel CFAR target detection method based on deep learning
CN113962151B (zh) 基于深度卷积迁移学习的距离假目标智能识别方法
CN112731307B (zh) 基于距离-角度联合估计的ratm-cfar检测器及检测方法
CN107942308A (zh) 复合高斯环境下基于伽玛纹理的自适应Rao检测方法
JP2018205175A (ja) レーダ装置及びそのレーダ信号処理方法
CN113687321B (zh) 雷达目标探测距离评估方法和装置
Errasti-Alcala et al. Realistic extended target model for track before detect in maritime surveillance
KR102369967B1 (ko) 학습 데이터 생성 방법, 학습 방법 및 표적 탐지 장치
CN107024680A (zh) 一种基于双删除门限的目标检测方法
CN113608193A (zh) 一种基于UNet的雷达多目标距离和速度估计方法
CN116520256B (zh) 一种基于深度学习的机载预警雷达干扰识别方法和装置
CN113189557B (zh) 对海雷达目标检测精细化处理方法及装置
Wang et al. Chaff identification method based on Range‐Doppler imaging feature
KR102361816B1 (ko) 표적 탐지 방법 및 기록 매체
Ristic et al. Bernoulli multi-target track-before-detect for maritime radar
Joshi et al. Sea clutter model comparison for ship detection using single channel airborne raw SAR data
Feng et al. Detection performance analysis of recurrence quantification analysis measures for low observable target within sea clutter under different sea conditions
CN113064132A (zh) 一种基于连续信任函数的鲁棒雷达目标检测方法
Cao et al. An approach for high resolution radar target recognition based on BP neural network
Cui et al. Vehicle Target Detection in Complex Scene SAR Images Based on Co-saliency
CN116224280B (zh) 雷达目标检测方法、装置、雷达设备及存储介质
Cho et al. Time-Domain Measurement Data Accumulation for Slow Moving Point Target Detection in Heavily Cluttered Environments Using CNN
CN114019469B (zh) 基于凹包判决的海面目标检测方法及设备、介质和产品
da Costa et al. A CFAR‐like detector based on neural network for simulated high‐frequency surface wave radar data

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