CN113608190A - 基于奇异空间三特征的海面目标检测方法及系统 - Google Patents
基于奇异空间三特征的海面目标检测方法及系统 Download PDFInfo
- Publication number
- CN113608190A CN113608190A CN202110831236.XA CN202110831236A CN113608190A CN 113608190 A CN113608190 A CN 113608190A CN 202110831236 A CN202110831236 A CN 202110831236A CN 113608190 A CN113608190 A CN 113608190A
- Authority
- CN
- China
- Prior art keywords
- singular
- detected
- signal
- space
- target detection
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 239000013598 vector Substances 0.000 claims abstract description 87
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Radar, Positioning & Navigation (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于奇异空间三特征的海面目标检测方法及系统,方法包括:获取待检测信号;从待检测信号的奇异空间中提取奇异空间三特征,构建三特征空间,得到待检测信号的特征点;其中,奇异空间三特征包括累积主奇异值、第二奇异向量线性程度和第三奇异向量线性程度;对待检测信号的特征点进行检测分类,得到目标检测结果。本发明提供的基于奇异空间三特征的海面目标检测方法及系统,通过从待检测信号的奇异空间中提取累积主奇异值、第二奇异向量线性程度、第三奇异向量线性程度这三个特征,利用融合上述三个特征的特征点进行目标检测,可以更好的区分目标单元与杂波单元,得到的目标检测结果更加准确可靠。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种基于奇异空间三特征的海面目标检测方法及系统。
背景技术
在雷达探测领域,对海面慢速小目标的检测一般通过能量检测方法和特征检测方法两种方式实现。其中,能量检测方法主要依据海杂波的局部幅度或功率水平信息构造似然比,根据门限因子形成检测门限并对目标存在与否做出判决。该方法对目标的信杂比要求较高,且在海尖峰密集场景下易引起大量虚警。
特征检测方法主要通过挖掘海杂波与目标之间的差异特征,将二者从高重叠的观测空间转换到低重叠的特征空间,在特征空间内实现目标检测。现有的特征检测方法所需的雷达驻留时间较长,需要对海面进行长时间的观测积累,通常可达几百毫秒甚至几秒。然而,在雷达的扫描观测模式下,目标驻留时间通常难以达到上述量级,随着积累时间的降低,特征检测方法性能下滑严重。
不难发现,上述两种方式得到的目标检测结果均不够准确,难以满足实际应用需求。
因此,现在亟需一种海面目标检测方法来解决上述问题。
发明内容
本发明提供一种基于奇异空间三特征的海面目标检测方法及系统,用以解决现有技术中海面目标检测结果不准确的技术问题。
第一方面,本发明提供一种基于奇异空间三特征的海面目标检测方法,包括:
获取待检测信号;
从所述待检测信号的奇异空间中提取奇异空间三特征,构建三特征空间,得到所述待检测信号的特征点;其中,所述奇异空间三特征包括累积主奇异值、第二奇异向量线性程度和第三奇异向量线性程度;
对所述待检测信号的特征点进行检测分类,得到目标检测结果。
根据本发明提供的一种基于奇异空间三特征的海面目标检测方法,所述从所述待检测信号的奇异空间中提取奇异空间三特征,构建三特征空间,得到所述待检测信号的特征点,包括:
获取所述待检测信号对应的轨迹矩阵;
对所述轨迹矩阵进行奇异值分解,得到主奇异值、第二奇异值和第三奇异值;
将所述主奇异值沿帧时间维度累积叠加,得到累积主奇异值;
分别对所述第二奇异值和所述第三奇异值对应的奇异向量进行分布特性分析,得到第二奇异向量线性程度和第三奇异向量线性程度;
以第二奇异向量线性程度特征为X轴、第三奇异向量线性程度特征为Y轴、累积主奇异值特征为Z轴,构建得到三特征空间,得到所述待检测信号的特征点。
根据本发明提供的一种基于奇异空间三特征的海面目标检测方法,所述分别对所述第二奇异值和所述第三奇异值对应的奇异向量进行分布特性分析,得到第二奇异向量线性程度和第三奇异向量线性程度,包括:
分别获取所述第二奇异值和所述第三奇异值在奇异值分解时酉矩阵内对应的奇异向量,得到第二奇异向量和第三奇异向量;
从雷达扫描历史数据中抽取相邻的k帧雷达扫描数据,分别计算得到所述第二奇异向量和所述第三奇异向量对应的k组三维SVLS坐标,抽取所述三维SVLS坐标中前两维坐标数据作为观测数据;其中k等于主奇异值的累积帧数;
将所述观测数据拟合为直线,分别获取所述第二奇异向量和所述第三奇异向量对应的观测数据直线拟合结果,计算拟合误差值,即为第二奇异向量线性程度和第三奇异向量线性程度。
根据本发明提供的一种基于奇异空间三特征的海面目标检测方法,所述三维SVLS坐标由所述第二奇异值与其对应的第二奇异向量相乘以及所述第三奇异值与其对应的第三奇异向量相乘得到。
根据本发明提供的一种基于奇异空间三特征的海面目标检测方法,对所述待检测信号的特征点进行检测分类,得到目标检测结果,包括:
采集海杂波数据,通过凸包算法对所述海杂波数据进行特征训练,得到决策区域;
判断所述待检测信号的特征点是否落入所述决策区域,若所述待检测信号的特征点落入所述决策区域,则所述待检测信号为杂波单元;若所述待检测信号的特征点未落入所述决策区域,则所述待检测信号为目标单元。
根据本发明提供的一种基于奇异空间三特征的海面目标检测方法,对所述待检测信号的特征点进行检测分类,得到目标检测结果,还包括:
当所述海杂波数据的特征因海况或雷达视角的改变而发生变化时,重新采集海杂波数据以确定新的决策区域。
第二方面,本发明还提供一种基于奇异空间三特征的海面目标检测系统,包括:
获取模块,用于获取待检测信号;
三特征提取模块,用于从所述待检测信号的奇异空间中提取奇异空间三特征,构建三特征空间,得到所述待检测信号的特征点;其中,所述奇异空间三特征包括累积主奇异值、第二奇异向量线性程度和第三奇异向量线性程度;
目标检测模块,用于对所述待检测信号的特征点进行检测分类,得到目标检测结果。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于奇异空间三特征的海面目标检测方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于奇异空间三特征的海面目标检测方法的步骤。
本发明提供的基于奇异空间三特征的海面目标检测方法及系统,通过从待检测信号的奇异空间中提取累积主奇异值、第二奇异向量线性程度、第三奇异向量线性程度这三个特征,利用融合上述三个特征的特征点进行目标检测,可以更好的区分目标单元与杂波单元,得到的目标检测结果更加准确可靠。
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是本发明提供的基于奇异空间三特征的海面目标检测方法的流程示意图;
图2(a)是应用本发明提供的基于奇异空间三特征的海面目标检测方法对实测数据进行目标检测得到的检测结果示意图;
图2(b)是应用基于时频三特征的检测器对实测数据进行目标检测得到的检测结果示意图;
图2(c)是应用幅度、多普勒三特征检测器对实测数据进行目标检测得到的检测结果示意图;
图2(d)是应用分形检测器对实测数据进行目标检测得到的检测结果示意图;
图3为本发明提供的基于奇异空间三特征的海面目标检测系统的结构架构示意图;
图4为基于奇异空间三特征的海面目标检测系统中三特征提取模块的结构架构示意图;
图5为基于奇异空间三特征的海面目标检测系统中目标检测模块的结构架构示意图;
图6是本发明实施例提供的电子设备的结构架构示意图。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明实施例提供的基于奇异空间三特征的海面目标检测方法,包括:
S110:获取待检测信号。
在进行目标检测前,本发明假设对海雷达在一个波束内发射一系列相干脉冲,并在每个距离单元接收到长度为K的回波时间序列x(k)。若该回波信息未受到目标影响,则待检测单元中应只包含海杂波及噪声信号c(k),否则还应混有目标信号s(k)。基于此,海杂波中的目标检测可以归结为的二元假设检验问题,进而可以表示为:
可以理解的是,本步骤中提到的待检测信号,本质上是一串有限长的待处理时间序列s={sn,n=1,2,…,N}。
S120:从待检测信号的奇异空间中提取奇异空间三特征,构建三特征空间,得到待检测信号的特征点;其中,奇异空间三特征包括累积主奇异值、第二奇异向量线性程度和第三奇异向量线性程度。
具体的,将待处理时间序列s={sn,n=1,2,…,N}映射成一个由长度为L的延迟列向量组成的轨迹矩阵,其中L被称为嵌入维数。具体做法是用一个长为L的滑窗在时间序列上依单位步长滑动,把每一次滑取得到的脉冲序列作为轨迹矩阵相应的列向量,即轨迹矩阵的第一列为信号s中索引1~L的脉冲信号,第二列为索引2~L+1的脉冲信号,依次类推。最后得到的轨迹矩阵可以表示为:
式中,K=N-L+1。显然,轨迹矩阵X中副对角线上的元素都相等,因此X属于Hankel矩阵。本发明中取L=3。
首先对轨迹矩阵X进行奇异值分解,得到:
X=U∑VH (3)
其中,∑为按奇异值σi大小降序排列得到的对角矩阵,具体地,奇异值分解公式中涉及的三个矩阵可以分别表示为:
Σ=diag(σ1,σ2,…,σL) (4)
U=[u1,u2,…,uL] (5)
V=[v1,v2,…,vL] (6)
且vi=XTui/σi,i=1,2,…,L。本发明将排在首位的奇异值σi定为主奇异值MSV,σ2、σ3分别定义为第二奇异值SSV、第三奇异值TSV。
为了提升目标与海杂波之间的可分性,本发明将雷达扫描的历史数据与当前帧数据进行融合以提升可分性,具体做法是:将奇异值沿帧时间维度积累叠加,此处将主奇异值MSV的累积值用作检测器的第一个特征,称为累积主奇异值,其表达式如下:
式中,CMSV表示累积主奇异值,S表示累积起点,C表示累积帧数,C的取值范围一般在[10,30]之间。
通过多帧扫描历史数据和当前帧数据的综合应用,本发明将特征提取渠道从帧内转移至帧间,特征提取过程更加便捷。
分别将第二奇异值SSV、第三奇异值TSV在酉矩阵U中对应的奇异向量定义为第二奇异向量、第三奇异向量,然后将第二奇异向量与对应的第二奇异值相乘,将第三奇异向量与对应的第三奇异值相乘,可以得到线性拉伸后的奇异向量SVLS。
抽取相邻的k帧雷达扫描数据,可分别计算得到第二奇异向量和第三奇异向量的k组三维SVLS坐标,为了降低算法复杂度,本发明只提取其中的前两维坐标数据进行分析,并统一表示为(αl,βl),l=2,3。其中,l指向奇异向量的排列顺序。
接着针对得到的上述观测数据,利用最小二乘法拟合直线f(αl,ω),其中ω为二维向量,包括斜率和截距值。ω的求解可以转化为计算SSE(Sum of Squared Errors,误差平方和)函数最小值的问题,对应的ω值即为拟合结果。SSE函数的表达式为:
本发明用第二奇异向量、第三奇异向量的SSE值作为检测器的后两个特征,分别定义为第二奇异向量线性程度LDSSV、第三奇异向量线性程度LDTSV,表达式分别为:
LDSSV=min(L(β2,f(α2,ω))) (9)
LDTSV=min(L(β3,f(α3,ω))) (10)
为了保证检测的同步性,抽取的雷达扫描数据帧数k应与累积帧数C相等。
由此可以构建一个三特征空间(LDSSV,LDTSV,CMSV),其中X轴为第二奇异向量线性程度特征LDSSV,Y轴为第三奇异向量线性程度特征LDTSV,Z轴为累积主奇异值特征CMSV。从而得到待检测信号的特征点。
S130:对待检测信号的特征点进行检测分类,得到目标检测结果。
在本实施例中,前期需要采集海杂波数据,通过凸包算法对海杂波数据进行特征训练,得到决策区域。
采用凸包算法构建决策区域的过程,具体如下:
(1)初始化:设置海杂波数据的特征训练集为H,其中包含W个数据,计算虚警数为L=W·pF,其中pF为设定的虚警率。令起始变量l=0。
(2)计算当前数据点的凸包CH(H),其中,凸包CH(H)的顶点为{v1,v2,…,vr}。然后统计落入凸包CH(H)中的数据点数量,设为nall。
(3)设置一个循环变量q,令其从1到r,计算凸包CH(H-{vq}),即从集合H中去除顶点vq,然后计算处于新凸包CH(H-{vq})中的特征点数量,设为nq。
(4)比较集合{nall-n1,…,nall-nr},去掉该集合中最大数值所对应的顶点vi。
(5)令H-{vi}=H,l+1=l。
(6)若l<L,返回步骤(2)继续下一个顶点的移除。否则,终止移除过程,输出最终的决策区域Ω=CH(H)。
之后,判断待检测信号的特征点是否落入上述决策区域Ω内,若待检测信号的特征点落入决策区域Ω,则待检测信号为杂波单元;若待检测信号的特征点未落入决策区域Ω,则待检测信号为目标单元。
在本步骤中,采集的海杂波数据需要通过三特征空间获得相应的特征点,由海杂波数据对应的特征点构建得到特征训练集。
可以理解的是,当海杂波特征因海况或雷达视角的改变而发生明显变化时,需要重新采集海杂波数据以确定新的决策区域。
考虑到奇异谱分析是近年来兴起的一种研究非线性时间序列的强有力工具,它可以从原序列中提取出不同成分的信号并加以预测分析,而不需要对处理后的数据作任何假设,因而被广泛应用于处理非平稳、非线性、非高斯信号。因此,本发明从待检测信号的奇异谱特性入手,研究目标单元与海杂波单元之间的差异特性,并定义三种特征用于目标检测,避免了单特征检测的局限性,从而有效提高了目标检测的准确率。
由于现有技术中存在已知的基于时频三特征的检测器,该检测器融合应用归一化平滑伪维格纳-威利分布中的时频脊累积量、连通区域个数和最大连通区域尺寸信息获得。同时,还存在幅度、多普勒三特征检测器,该检测器从雷达回波中提取了相对平均幅度、相对多普勒峰高以及相对多普勒熵三个特征,并在三维空间中利用凸包算法实现检测分类。
为展示本发明提供的目标检测方法的优势,本实施例采用实测数据进行分析与验证,具体通过本发明提供的方法、上述基于时频三特征的检测器和幅度、多普勒三特征检测器以及公知的分形检测器分别对同一实测数据进行目标检测,虚警率均设置为10-3。其中,本发明实施例得到的检测结果如图2(a)所示,图2(b)、图2(c)、图2(d)分别示出了已有方法中基于时频三特征检测器、幅度、多普勒三特征检测器以及分形检测器的检测结果,从各自的检测结果图中可以直观的看出,相比已有的特征检测器,本发明实施例给出的检测方法在实际虚警率控制和检测准确率提升方面均具有明显优势。
图3示出了本发明实施例提供的基于奇异空间三特征的海面目标检测系统,包括:
获取模块310,用于获取待检测信号;
三特征提取模块320,用于从待检测信号的奇异空间中提取奇异空间三特征,构建三特征空间,得到待检测信号的特征点;其中,奇异空间三特征包括累积主奇异值、第二奇异向量线性程度和第三奇异向量线性程度;
目标检测模块330,用于对待检测信号的特征点进行检测分类,得到目标检测结果。
具体地,参见附图4,三特征提取模块320包括:
轨迹矩阵获取单元321,用于获取待检测信号对应的轨迹矩阵;
奇异值分解单元322,用于对轨迹矩阵进行奇异值分解,得到主奇异值、第二奇异值和第三奇异值;
第一特征提取单元323,用于将主奇异值沿帧时间维度累积叠加,得到累积主奇异值;
第二特征提取单元324,用于分别对第二奇异值和第三奇异值对应的奇异向量进行分布特性分析,得到第二奇异向量线性程度和第三奇异向量线性程度;
特征点获取单元325,用于以第二奇异向量线性程度特征为X轴、第三奇异向量线性程度特征为Y轴、累积主奇异值特征为Z轴,构建得到三特征空间,得到待检测信号的特征点。
具体地,参见附图5,目标检测模块330包括:
决策区域生成单元331,用于采集海杂波数据,通过凸包算法对海杂波数据进行特征训练,得到决策区域;
判断单元332,用于判断待检测信号的特征点是否落入决策区域,若待检测信号的特征点落入决策区域,则待检测信号为杂波单元;若待检测信号的特征点未落入决策区域,则待检测信号为目标单元。
更优地,参见附图5,目标检测模块330还可以包括:
决策区域更新单元333,用于当海杂波数据的特征因海况或雷达视角的改变而发生变化时,重新采集海杂波数据以确定新的决策区域。
本发明提供的基于奇异空间三特征的海面目标检测系统,通过三特征提取模块从待检测信号的奇异空间中提取累积主奇异值、第二奇异向量线性程度、第三奇异向量线性程度这三个特征,通过目标检测模块利用融合上述三个特征的特征点进行目标检测,可以更准确的区分目标单元与杂波单元,得到的目标检测结果更加准确可靠。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行基于奇异空间三特征的海面目标检测方法,该方法包括:获取待检测信号;从待检测信号的奇异空间中提取奇异空间三特征,构建三特征空间,得到待检测信号的特征点;其中,奇异空间三特征包括累积主奇异值、第二奇异向量线性程度和第三奇异向量线性程度;对待检测信号的特征点进行检测分类,得到目标检测结果。
此外,上述的存储器630中的逻辑指令可以通过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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述基于奇异空间三特征的海面目标检测方法,该方法包括:获取待检测信号;从待检测信号的奇异空间中提取奇异空间三特征,构建三特征空间,得到待检测信号的特征点;其中,奇异空间三特征包括累积主奇异值、第二奇异向量线性程度和第三奇异向量线性程度;对待检测信号的特征点进行检测分类,得到目标检测结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的基于奇异空间三特征的海面目标检测方法,该方法包括:获取待检测信号;从待检测信号的奇异空间中提取奇异空间三特征,构建三特征空间,得到待检测信号的特征点;其中,奇异空间三特征包括累积主奇异值、第二奇异向量线性程度和第三奇异向量线性程度;对待检测信号的特征点进行检测分类,得到目标检测结果。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
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 (9)
1.一种基于奇异空间三特征的海面目标检测方法,其特征在于,包括:
获取待检测信号;
从所述待检测信号的奇异空间中提取奇异空间三特征,构建三特征空间,得到所述待检测信号的特征点;其中,所述奇异空间三特征包括累积主奇异值、第二奇异向量线性程度和第三奇异向量线性程度;
对所述待检测信号的特征点进行检测分类,得到目标检测结果。
2.根据权利要求1所述的一种基于奇异空间三特征的海面目标检测方法,其特征在于,所述从所述待检测信号的奇异空间中提取奇异空间三特征,构建三特征空间,得到所述待检测信号的特征点,包括:
获取所述待检测信号对应的轨迹矩阵;
对所述轨迹矩阵进行奇异值分解,得到主奇异值、第二奇异值和第三奇异值;
将所述主奇异值沿帧时间维度累积叠加,得到累积主奇异值;
分别对所述第二奇异值和所述第三奇异值对应的奇异向量进行分布特性分析,得到第二奇异向量线性程度和第三奇异向量线性程度;
以第二奇异向量线性程度特征为X轴、第三奇异向量线性程度特征为Y轴、累积主奇异值特征为Z轴,构建得到三特征空间,得到所述待检测信号的特征点。
3.根据权利要求2所述的一种基于奇异空间三特征的海面目标检测方法,其特征在于,所述分别对所述第二奇异值和所述第三奇异值对应的奇异向量进行分布特性分析,得到第二奇异向量线性程度和第三奇异向量线性程度,包括:
分别获取所述第二奇异值和所述第三奇异值在奇异值分解时酉矩阵内对应的奇异向量,得到第二奇异向量和第三奇异向量;
从雷达扫描历史数据中抽取相邻的k帧雷达扫描数据,分别计算得到所述第二奇异向量和所述第三奇异向量对应的k组三维SVLS坐标,抽取所述三维SVLS坐标中前两维坐标数据作为观测数据;其中,k等于主奇异值的累积帧数;
将所述观测数据拟合为直线,分别获取所述第二奇异向量和所述第三奇异向量对应的观测数据直线拟合结果,计算拟合误差值,即为第二奇异向量线性程度和第三奇异向量线性程度。
4.根据权利要求3所述的一种基于奇异空间三特征的海面目标检测方法,其特征在于,所述三维SVLS坐标由所述第二奇异值与其对应的第二奇异向量相乘以及所述第三奇异值与其对应的第三奇异向量相乘得到。
5.根据权利要求1所述的一种基于奇异空间三特征的海面目标检测方法,其特征在于,对所述待检测信号的特征点进行检测分类,得到目标检测结果,包括:
采集海杂波数据,通过凸包算法对所述海杂波数据进行特征训练,得到决策区域;
判断所述待检测信号的特征点是否落入所述决策区域,若所述待检测信号的特征点落入所述决策区域,则所述待检测信号为杂波单元;若所述待检测信号的特征点未落入所述决策区域,则所述待检测信号为目标单元。
6.根据权利要求5所述的一种基于奇异空间三特征的海面目标检测方法,其特征在于,对所述待检测信号的特征点进行检测分类,得到目标检测结果,还包括:
当所述海杂波数据的特征因海况或雷达视角的改变而发生变化时,重新采集海杂波数据以确定新的决策区域。
7.一种基于奇异空间三特征的海面目标检测系统,其特征在于,包括:
获取模块,用于获取待检测信号;
三特征提取模块,用于从所述待检测信号的奇异空间中提取奇异空间三特征,构建三特征空间,得到所述待检测信号的特征点;其中,所述奇异空间三特征包括累积主奇异值、第二奇异向量线性程度和第三奇异向量线性程度;
目标检测模块,用于对所述待检测信号的特征点进行检测分类,得到目标检测结果。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于奇异空间三特征的海面目标检测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于奇异空间三特征的海面目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110831236.XA CN113608190B (zh) | 2021-07-22 | 2021-07-22 | 基于奇异空间三特征的海面目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110831236.XA CN113608190B (zh) | 2021-07-22 | 2021-07-22 | 基于奇异空间三特征的海面目标检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113608190A true CN113608190A (zh) | 2021-11-05 |
CN113608190B CN113608190B (zh) | 2023-09-26 |
Family
ID=78305155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110831236.XA Active CN113608190B (zh) | 2021-07-22 | 2021-07-22 | 基于奇异空间三特征的海面目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113608190B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756997A (zh) * | 2022-05-17 | 2022-07-15 | 中国科学院数学与系统科学研究院 | 船体外板曲面设计自交线检测方法、装置及可存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140097980A1 (en) * | 2012-10-09 | 2014-04-10 | Raytheon Company | Moving target detection using a two-dimensional folding approach |
CN104569949A (zh) * | 2015-01-27 | 2015-04-29 | 西安电子科技大学 | 基于组合自适应归一化匹配滤波的雷达目标检测方法 |
US20160041262A1 (en) * | 2014-04-09 | 2016-02-11 | Src, Inc. | Methods and Systems for Local Principal Axis Rotation Angle Transform |
CN105738888A (zh) * | 2016-03-31 | 2016-07-06 | 西安电子科技大学 | 基于海杂波抑制的双特征海面漂浮小目标检测方法 |
CN105891787A (zh) * | 2016-04-05 | 2016-08-24 | 哈尔滨工业大学 | 基于最小二乘逼近的一阶海杂波检测方法 |
CN111580064A (zh) * | 2020-06-28 | 2020-08-25 | 南京信息工程大学 | 一种基于多域多维特征融合的海面小目标检测方法 |
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 |
CN111626290A (zh) * | 2019-12-31 | 2020-09-04 | 中国航天科工集团八五一一研究所 | 一种复杂海面环境下的红外舰船目标检测识别方法 |
CN113064133A (zh) * | 2021-03-29 | 2021-07-02 | 南京信息工程大学 | 一种基于时频域深度网络的海面小目标特征检测方法 |
-
2021
- 2021-07-22 CN CN202110831236.XA patent/CN113608190B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140097980A1 (en) * | 2012-10-09 | 2014-04-10 | Raytheon Company | Moving target detection using a two-dimensional folding approach |
US20160041262A1 (en) * | 2014-04-09 | 2016-02-11 | Src, Inc. | Methods and Systems for Local Principal Axis Rotation Angle Transform |
CN104569949A (zh) * | 2015-01-27 | 2015-04-29 | 西安电子科技大学 | 基于组合自适应归一化匹配滤波的雷达目标检测方法 |
CN105738888A (zh) * | 2016-03-31 | 2016-07-06 | 西安电子科技大学 | 基于海杂波抑制的双特征海面漂浮小目标检测方法 |
CN105891787A (zh) * | 2016-04-05 | 2016-08-24 | 哈尔滨工业大学 | 基于最小二乘逼近的一阶海杂波检测方法 |
CN111626290A (zh) * | 2019-12-31 | 2020-09-04 | 中国航天科工集团八五一一研究所 | 一种复杂海面环境下的红外舰船目标检测识别方法 |
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 |
CN111580064A (zh) * | 2020-06-28 | 2020-08-25 | 南京信息工程大学 | 一种基于多域多维特征融合的海面小目标检测方法 |
CN113064133A (zh) * | 2021-03-29 | 2021-07-02 | 南京信息工程大学 | 一种基于时频域深度网络的海面小目标特征检测方法 |
Non-Patent Citations (7)
Title |
---|
关泽文: ""一种改进的基于峰值信噪比-高阶奇异值分解的天波超视距雷达自适应海杂波抑制算法"", 《电子与信息学报》, vol. 41, no. 7, pages 1743 - 1750 * |
关键: ""海杂波的多重分形关联特性与微弱目标检测"", 《电子与信息学报》, vol. 32, no. 1, pages 54 - 61 * |
李庆忠: ""基于时频分析的海杂波背景下舰船目标检测"", 《计算机应用研究》, vol. 35, no. 1, pages 52 - 56 * |
杨勇: ""基于正交投影的海面小目标检测技术"", 《电子与信息学报》, vol. 35, no. 1, pages 24 - 28 * |
梁壮: ""改进型SVD-FRFT海杂波抑制方法"", 《西安电子科技大学学报》, vol. 48, no. 2, pages 55 - 63 * |
陈世超: ""基于极化联合特征的海面目标检测方法"", 《雷达学报》, vol. 9, no. 4, pages 664 - 673 * |
鲁晓倩: ""修正Hankel矩阵SVD用于多模环境杂波对消研究"", 《现代雷达》, vol. 34, no. 3, pages 26 - 29 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756997A (zh) * | 2022-05-17 | 2022-07-15 | 中国科学院数学与系统科学研究院 | 船体外板曲面设计自交线检测方法、装置及可存储介质 |
CN114756997B (zh) * | 2022-05-17 | 2023-04-07 | 中国科学院数学与系统科学研究院 | 船体外板曲面设计自交线检测方法、装置及可存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113608190B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111505632B (zh) | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 | |
CN107305774A (zh) | 语音检测方法和装置 | |
CN113376613B (zh) | 用于雷达探测的恒虚警检测方法、装置及电子设备 | |
CN107918688B (zh) | 场景模型动态估计方法、数据分析方法及装置、电子设备 | |
US11709254B2 (en) | SAR image analysis system, image processing apparatus, image processing method, and image processing program | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN111160229A (zh) | 基于ssd网络的视频目标检测方法及装置 | |
CN113608190A (zh) | 基于奇异空间三特征的海面目标检测方法及系统 | |
Akbari et al. | The Hotelling-Lawley trace statistic for change detection in polarimetric SAR data under the complex Wishart distribution | |
CN116756594A (zh) | 一种电网数据异常点检测方法、系统、设备及介质 | |
CN114839634A (zh) | 基于雷达回波特征的海况分类方法及装置 | |
Mezache et al. | Estimation of the K-distributed clutter plus thermal noise parameters using higher order and fractional moments | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN106778692B (zh) | 一种基于s变换的电缆局部放电信号识别方法及装置 | |
CN113569695B (zh) | 基于双谱三特征的海面目标检测方法及系统 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
Zhao et al. | A modified matrix CFAR detector based on maximum eigenvalue for target detection in the sea clutter | |
Liu et al. | A nonuniform clutter intensity estimation algorithm for random finite set filters | |
KR20150120805A (ko) | 거리 영상에서 사람을 검출하는 방법 및 시스템 | |
CN113554685A (zh) | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 | |
CN114513226A (zh) | 跳频网台参数估计方法、装置、跳频监测设备及存储介质 | |
JPWO2022038758A5 (zh) | ||
CN111505645A (zh) | 雷达云图数据的显示方法、装置、计算机设备和存储介质 | |
CN114002657A (zh) | 海面慢速目标检测方法及设备、存储介质和程序产品 | |
CN109063616A (zh) | 一种基于矩阵低秩恢复的时间序列突变点检测方法 |
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 |