CN113687325A

CN113687325A - 基于lp和hrrp模型的遮蔽小目标检测方法

Info

Publication number: CN113687325A
Application number: CN202110774760.8A
Authority: CN
Inventors: 水鹏朗; 冯元; 张坤
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2021-07-08
Filing date: 2021-07-08
Publication date: 2021-11-23
Anticipated expiration: 2041-07-08
Also published as: CN113687325B

Abstract

本发明公开了一种基于LP和HRRP模型的遮蔽小目标检测方法，包括：获取原始雷达回波数据；对原始雷达回波数据进行自适应目标检测，以确定大目标所占据的目标单元；采用LP方法估计大目标的径向尺寸，以得到大目标的遮蔽区间；基于HRRP模型对大目标的回波数据进行重构，以得到剩余回波数据；根据遮蔽区间和剩余回波数据对遮蔽小目标进行检测。本发明提供的检测方法显著降低了大目标的距离副瓣遮蔽效应，解决了现有稀疏恢复方法无法用于非高斯海杂波背景下估计舰船HRRP的问题。

Description

基于LP和HRRP模型的遮蔽小目标检测方法

技术领域

本发明属于雷达信号处理技术领域，具体涉及一种基于LP和HRRP模型的遮蔽小目标检测方法。

背景技术

雷达目标检测技术是指利用雷达对单个目标或者目标群进行探测，并对所获取的信息进行分析，从而确定目标种类、型号等属性的技术。其中，海杂波背景下的目标检测技术是雷达应用技术中一个至关重要的研究方向，在军事和民用领域得到普遍应用。一般而言，雷达的观测信号由于受到环境背景的影响，会带有背景噪声，因此，常常需要从带噪观测值中恢复出稀疏信号，以边后续进行信号处理从而获取所需的信息。

目前，从带噪观测值中恢复稀疏信号的方法主要有确定型稀疏恢复方法和贝叶斯型稀疏恢复方法。例如，GORODNITSKY等人在其发表的论文《Sparse signalreconstruction from limited data using FOCUSS:a re-weighted minimum normalgorithm”(IEEE Transactions on Signal Processing,1997,45(3):600-616)》中提出的一种基于FOCUSS算法的稀疏恢复方法。该方法首先将稀疏信号解释为确定性的向量，并在近似误差范围内通过FOCUSS算法最小化其

范数来实现稀疏恢复。BABACAN SD等人在其发表的论文《Bayesian compressive sensing using Laplace priors”(IEEETransactions on Image Processing,2010,19(1):53-63)》中提出了基于拉普拉斯先验分布对未知信号进行稀疏恢复的一种方法。该方法将稀疏信号解释为某个概率空间中的随机向量或序列，而信号的稀疏性则使用拉普拉斯先验分布进行描述。

然而，在现有的稀疏恢复方法中，大都假定干扰背景为高斯噪声，而在高分辨对海雷达场景下的稀疏恢复中，需要在非高斯海杂波背景下估计舰船的HRRP，因此，现有的稀疏恢复方法无法适用于非高斯海杂波背景下估计舰船HRRP的问题。此外，由于大目标由于具有很强的距离副瓣效应，会对其距离副瓣区间内的小目标产生遮蔽效应，影响小目标的检测精度。

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LP和HRRP模型的遮蔽小目标检测方法。本发明要解决的技术问题通过以下技术方案实现：

一种基于LP和HRRP模型的遮蔽小目标检测方法，包括：

获取原始雷达回波数据；

对所述原始雷达回波数据进行自适应目标检测，以确定大目标所占据的目标单元；

采用LP方法估计大目标的径向尺寸，以得到大目标的遮蔽区间；

基于HRRP模型对大目标的回波数据进行重构，以得到剩余回波数据；

根据所述遮蔽区间和所述剩余回波数据对遮蔽小目标进行检测。

在本发明的一个实施例中，对所述原始雷达回波数据进行自适应目标检测包括：

采用GLRT-LTD相干检测器对原始雷达回波数据进行目标检测，其表达式为：

p(F_d)＝[1,exp(j2πF_dT_r),…,exp(j2π(M-1)F_dT_r)]^T

其中，ξ(z)表示待检测单元的检验统计量，z表示待检测单元的接收向量，p(F_d)表示具有多普勒偏移F_d的多普勒导向矢量，M表示海杂波的散斑协方差矩阵，P_fa表示虚警概率，

表示待检测单元不是目标单元，

表示待检测单元是目标单元。

在本发明的一个实施例中，所述大目标的遮蔽区间表示为：

其中，U{·}表示取并集，Λ_o表示大目标占据的距离区间，

表示大目标的平均功率水平，σ_c表示海杂波的功率水平，Φ(m)表示大目标脉冲压缩的点扩展函数的上包络波形。

在本发明的一个实施例中，在完成大目标的径向尺寸估计之后，还包括：

对大目标进行定位，以获得对应于大目标的距离区间。

在本发明的一个实施例中，基于HRRP模型对大目标的回波数据进行重构，包括：

确定HRRP模型的过采样因子；

利用上述过采样因子对所述大目标的距离区间中所有距离单元进行过采样，并根据过采样DFT的幅度和的最大值估计大目标的多普勒偏移；

通过NSCM估计器或迭代ML估计器从所述遮蔽区间以外的纯杂波数据估计得到散斑协方差矩阵；

根据所述大目标的多普勒偏移和所述散斑协方差矩阵建立大目标HRRP的优化模型；

对所述大目标HRRP的优化模型进行求解，得到大目标的过采样HRRP；

利用所述大目标的过采样HRRP重构大目标的回波数据。

在本发明的一个实施例中，根据所述大目标的多普勒偏移和所述散斑协方差矩阵建立大目标HRRP的优化模型，包括：

根据所述大目标的多普勒偏移和所述散斑协方差矩阵将所述遮蔽区间内的复矢量序列转换为一维复数序列；

将所述一维复数序列使用向量-矩阵形式表示，并建立大目标HRRP的优化模型；

对所述优化模型的目标函数中的正则项线性化处理，以得到LP模型。在本发明的一个实施例中，所述一维复数序列的向量矩阵表示为：

y＝HΨx_o+w+d＝Ax_o+w+d；

其中，x_o表示长度为LN的向量，其表达式为：

H表示滑动累积算子，其表达式为：

其中，1_1×L和0_1×L分别代表长度为L的全1行向量和全0行向量，A＝HΨ是大小为Q×LN的感知矩阵。

在本发明的一个实施例中，所述LP模型表示为：

其中，η、ε均表示正辅助向量。

在本发明的一个实施例中，所述重构的大目标的回波数据表示为：

其中，

表示重构的大目标的回波数据，

表示估计的HRRP的复幅度，m为脉冲编号，n为距离单元编号，Δr表示距离单元的宽度，

表示脉冲压缩的PSF，

k表示距离单元序号，l表示有效散射体的序号，L表示过采样因子，

是估计的目标多普勒偏移，T_r是雷达的PRI，Λ是大目标占据的距离区间。

在本发明的一个实施例中，根据所述遮蔽区间和所述剩余回波数据对遮蔽小目标进行检测，包括：

将所述剩余回波数据建模为沿距离单元独立同分布的复高斯随机向量，以将检测问题转换为复合高斯杂波加复高斯噪声背景下的相干检测问题；

构造GPD海杂波加复高斯噪声背景下的相干检波器，并确定其检测门限；

利用所述相干检波器对所述复高斯随机向量进行相干检测，以得到被大目标遮蔽的小目标。

本发明的有益效果：

1、本发明提供的遮蔽小目标检测方法通过使用过采样HRRP模型的基于LP的稀疏恢复方法来进行高精度重构大目标的回波，并在原始雷达回波数据中去除重构获得的大目标回波，并构造相干检波器以在去除重构获得的大目标回波的剩余回波中实现遮蔽小目标的检测，显著降低了大目标的距离副瓣遮蔽效应，同时解决了现有稀疏恢复方法无法用于非高斯海杂波背景下估计舰船HRRP的问题；

2、本发明提供的方法在当小目标被大目标回波而不是大目标本身所遮蔽时容易检测到小目标；且当大目标和小目标的归一化多普勒偏移差距大时，遮蔽小目标更容易被检测到。

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LP和HRRP模型的遮蔽小目标检测方法流程示意图；

图2是本发明实施例提供的基于LP和HRRP模型的遮蔽小目标检测方法的框架图；

图3是本发明实施例提供的两种检测方法的检测概率随信杂比变化的曲线图；

图4是本发明实施例提供的实测数据实验图。

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

请参见图1，图1是本发明实施例提供的一种基于LP和HRRP模型的遮蔽小目标检测方法流程示意图，其包括：

步骤1：获取原始雷达回波数据。

在本实施例中，高分辨对海监视雷达工作在扫描模式下，在每个波束位置发射M个相干的具有大时宽-带宽积的脉冲，雷达在某一波位沿距离单元方向接收到的一个CPI(相干处理周期)内的回波，该回波是高分辨海杂波和各种目标回波的组合，表示为：

其中，m是脉冲编号，n是距离单元编号，Δr是距离单元的宽度，F_d是目标的未知多普勒偏移，T_r是雷达的PRI(pulse repetition interval，脉冲重复间隔)，Λ是大目标占据的距离区间，

是脉冲压缩的PSF(point spread function，点扩展函数)。距离单元有时会包含目标的一些重要散射体。Δ(k)表示第k个距离单元中的有效散射体的数量，x(k,l)和υ_l分别表示第k个距离单元中的第l个有效散射体的复振幅和分数位移。沿径向距离的序列x(k,l)被称为目标的复HRRP(high resolution range profile，高分辨距离像)，并假定在一个数十毫秒的CPI中是不变的。

步骤2：对原始雷达回波数据进行自适应目标检测，以确定大目标所占据的目标单元。

一般而言，高分辨海杂波通常表现出强非高斯特性。因此，可以将被大目标距离副瓣遮蔽的海面小目标的检测问题归纳为二元假设检验：在H₀假设下，观测数据包含海杂波和大目标回波；在H₁假设下，观测数据包含海杂波、大目标回波和小目标回波，具体表示为：

where

其中，Ω是大目标回波s_o(m,n)的遮蔽区间，

是大目标的多普勒偏移，s(m,n)是待检测小目标的回波，f_d是小目标的多普勒偏移，c(m,n)是高分辨海杂波，

表示均值为0、协方差矩阵为M的复高斯随机向量。

在一个CPI内，c(m,n)可以使用SIRP模型建模，即随机纹理τ(n)和具有协方差矩阵M的复高斯散斑向量u(m,n)的乘积。

在上式中，大目标使用精细的HRRP模型，而感兴趣小目标使用简单粗糙的HRRP模型。由于雷达回波弱，小目标通常只占据一个或几个距离单元并且具有非常低的距离副瓣水平，对于海面遮蔽小目标的检测问题，采用点状目标检测方法。

通过应用于点状目标或距离扩展目标检测的常规自适应检测方法发现大目标和孤立的小目标，当使用广义Pareto分布对高分辨率海杂波进行建模时，采用自适应GLRT-LTD(广义似然比线性门限检测器)来检测大目标和孤立的小目标。

具体地，由于高分辨海杂波通常由具有逆Gamma纹理的SIRV(Sphericallylnvatiant Random Vectors，球不变随机矢量杂波)建模。在这种情况下，海杂波的幅度服从广义Pareto分布(GPD)，即：

其中，尺度参数μ和形状参数υ确定海杂波的功率水平，形状参数υ反映海杂波的非高斯特性。

在本实施例中，尺度参数和形状参数可以从海杂波数据中估计出来，因此被假定为事先已知的。

然后，基于上述分布模型，本实施例采用最优的相干检测器GLRT-LTD进行目标检测，其表达式为：

表示待检测单元不是目标单元，

表示待检测单元是目标单元。

需要说明的是，未知多普勒偏移F_d是在多普勒通道中进行搜索的，多普勒通道覆盖了感兴趣海上目标多普勒偏移的最大可能范围。至少存在一个多普勒通道中的检测统计量超过检测门限，距离单元才能被确认为目标单元。

步骤3：采用LP方法估计大目标的径向尺寸，以得到大目标的遮蔽区间。

请参见图2，图2是本发明实施例提供的基于LP和HRRP模型的遮蔽小目标检测方法的框架图。

在本实施例中，通过基于LP(线性规划)的舰船径向尺寸估计方法，确定大目标的径向尺寸或由其占据的距离区间，大目标回波的遮蔽区间定义为包含目标回波功率超过平均海杂波功率水平的所有距离单元的最小距离区间。

具体地，对于占据距离区间Λ_o的每个大目标，其雷达回波的遮蔽区间由大目标的最大SCR和脉冲压缩的PSF决定。脉冲压缩的PSF的上包络波形由下式给出：

该上包络波形在区间

中单调递增，在区间

中单调递减。大目标回波的遮蔽区间定义为包含目标回波功率超过平均海杂波功率水平的所有距离单元的最小距离区间。

假设估计的大目标HRRP和海杂波的平均功率水平分别为

和

则大目标的遮蔽区间由HRRP每个散射点的遮蔽区间的并集给出，具体表示为：

其中，U{·}表示取并集。

在遮蔽区间之外，大目标回波从距离副瓣泄漏信号的功率水平低于海杂波的功率水平。

在完成大目标的径向尺寸估计之后，还包括：对大目标进行定位，以获得对应于大目标的距离区间。

具体地，大目标对应于一个距离区间，孤立的小目标通常对应于一个或几个连续的距离单元。获通估计的大目标径向尺寸，获得对应于大目标的距离区间{Λ_o(k),k＝1,2,...,K}以及对应于孤立小目标的距离单元。

步骤4：基于HRRP模型对大目标的回波数据进行重构，以得到剩余回波数据。

在本实施例中，由于在一个几十毫秒的CPI之内可以认为大目标(如舰船)具有不变的复HRRP和固定的多普勒偏移，故而一个CPI的大目标回波可以认为是其复HRRP与脉冲压缩的点扩展函数(PSF)的卷积乘以大目标的多普勒导向矢量的形式。大目标回波的高精度重构等效于大目标复HRRP的高精度估计及其多普勒偏移的高精度估计。大目标HRRP的精细模型是HRRP高精度估计的关键。一方面，大目标(如舰船)的HRRP是稀疏的，大目标的强散射体通常与舰船的主要部件有关，因此可以采用稀疏恢复方法估计大目标的复HRRP。另一方面，大目标的强散射体沿径向距离分布在任意位置，而HRRP模型中的散射体位置总是假定为在均匀采样点上。HRRP模型中的散射体位置失配是影响大目标回波高精度重构的主要因素。

具体地，步骤4包括：

41)确定HRRP模型的过采样因子。

在本实施例中，选择HRRP模型的过采样因子L时，在不同的过采样因子L下的位置失配误差会随着过采样因子的增加而减小。当过采样因子L从1变为8时，加倍L会使误差上限降低-6dB。

具体地，本实施例通过选择HRRP模型中的过采样因子L，以使得L满足

由于HRRP模型中的过采样给大目标回波的重构带来了沉重的计算负担，因此本实施例将满足上式的最小整数确定为过采样因子L。

42)利用上述过采样因子对大目标的距离区间中所有距离单元进行过采样，并根据过采样DFT的幅度和的最大值来估计大目标的多普勒偏移，具体表示如下：

其中，L_o是DFT中的过采样因子，M是一个CPI中的脉冲数。

在上式中，过采样的DFT保证了精细的网格搜索，并且幅度的和意味着在具有较高SCR的距离单元处雷达回波对多普勒偏移估计的影响更大。进一步地，本实施例中的大目标回波的遮蔽区间使用符号Ω_o表示。

43)通过NSCM估计器或迭代ML估计器从遮蔽区间以外的纯杂波数据估计得到散斑协方差矩阵M，估计结果使用符号

表示。

44)根据大目标的多普勒偏移和散斑协方差矩阵建立大目标HRRP的优化模型。

首先，根据大目标的多普勒偏移和散斑协方差矩阵将遮蔽区间内的复矢量序列转换为一维复数序列。

具体地，通过多普勒匹配滤波和散斑白化可以将区间Ω₀内的复矢量序列转换为一维复数序列y(n)，表示为：

其中，f_d是遮蔽小目标的未知多普勒偏移，p(f)是具有多普勒偏移f的多普勒导向矢量，α₁是一个复值的常数。由于

α₁的模值接近于1。

在后续处理中，可以将α₁合并到大目标的HRRP中，这并不会影响大目标回波的重构。如果H₀成立，即在距离遮蔽区间Ω_o中不存在小目标时，α₂＝0。如果H₁成立，即在Ω_o中存在一个小目标，则α₂是一个复数，其大小取决于大目标和小目标的多普勒偏移的差值。根据参考单元足够时的近似

合成的海杂波序列d(n)是具有逆Gamma纹理的复高斯序列。

E{d(n)}＝0

其中，E{·}表示取期望，var{·}表示取方差。纹理的形状参数仍然是υ，尺度参数由估计的散斑协方差矩阵和大目标多普勒偏移确定。

然后，将上述一维复数序列使用向量-矩阵形式表示，并建立大目标HRRP的优化模型。

具体地，一维复数序列的向量矩阵形式表示为：

y＝HΨx_o+w+d＝Ax_o+w+d；

其中，x_o表示长度为LN的向量，其表达式为：

x_o＝[x_o(k1，1)，…，x_o(k₁，L)…x_o(k_n，1)，…，x_o(k_n，L)，…，x_o(k_N，1)，…，x_o(k_N，L)]^T

Λ_o＝{k₁,k₁+1,…，k_N}

H表示滑动累积算子，其表达式为：

在非高斯海杂波和可能存在的小目标回波干扰的情况下，从复观测序列中估计大目标的HRRP的x_o是一个典型的反卷积问题。由于脉冲压缩的PSF和稀疏基矩阵Ψ的特性，大目标HRRP的估计是一个病态问题。大目标的HRRP在物理机理中稀疏性正好满足解决病态解卷积问题的正则性要求。为了使用线性规划，将复数的模值用其实部和虚部的最大值所代替，则大目标HRRP的估计可归结成为一个优化问题：

subject to-ε≤Re(y-Ax_o)≤ε，

-ε≤Im(y-Ax_o)≤ε,

其中，λ>0是正则化因子，ε是正辅助向量，Re(·)和Im(·)分别表示取复数的实部和虚部。在上式中，每个距离单元的近似误差分别由辅助向量ε的各项元素来约束，这是因为必须允许个别由可能存在的小目标或者高分辨海杂波中的海尖峰所占据的距离单元上容许具有相对较大的误差。

复向量x_o的(∞,1)-范数定义为：

最后，对优化模型的目标函数中的正则项线性化处理，以得到LP模型。

在本实施例中，通过引入一个正辅助向量η将目标函数中的正则项线性化处理，以将优化问题转化为线性规划问题，得到LP模型表示如下：

subject to-ε≤Re(y-Ax_o)≤ε,

-ε≤Im(y-Ax_o)≤ε

-η≤Re(x_o)≤η,-η≤Im(x_o)≤η；

其中，该LP具有3LN+Q个实值变量和5LN+5Q个线性不等式约束。

45)对大目标HRRP的优化模型进行求解，得到大目标的过采样HRRP。

具体地，通过求解上式中的LP，可以估计出大目标的过采样HRRP。

46)利用大目标的过采样HRRP重构大目标的回波数据。

在本实施例中，重构的大目标的回波数据表示为：

其中，

表示重构的大目标的回波数据，

表示脉冲压缩的PSF，

在得到重构的大目标的回波数据之后，从接收到的雷达回波中去除重构的大目标回波，得到剩余回波数据。

在这种情况下，观测数据表示为：

其中，

是大目标的剩余回波数据。

步骤5：根据遮蔽区间和剩余回波数据对遮蔽小目标进行检测，具体包括：

51)将剩余回波数据建模为沿距离单元独立同分布的复高斯随机向量，以将检测问题转换为复合高斯杂波加复高斯噪声背景下的相干检测问题。

具体地，由于大目标的剩余回波来自于重构雷达回波时产生的近似误差，这是由许多因素导致的，包括模型失配，各个距离单元中的多普勒偏移误差以及数值计算误差。因此，大目标的剩余回波被建模为具有窄带宽和多普勒中心为

的随机向量，并且与海杂波和可能存在的小目标回波无关，则可以将46)中的检测问题重写为向量形式：

其中，α是小目标的未知复振幅，f_d是小目标的未知多普勒偏移。

对大目标的剩余回波向量进行建模是设计用于遮蔽小目标检测的有效检测器的关键。由于在大目标遮蔽区间中的剩余回波向量是由各个距离单元上的许多因素导致的，因此可以将剩余回波向量建模为沿距离单元的独立同分布的复高斯随机向量，即：

其中，σ²是大目标剩余回波信号的功率水平，M_r是剩余回波信号的归一化协方差矩阵。

因此，大目标剩余回波向量和海杂波向量之和在纹理τ(n)下是条件高斯的，即：

τ(n)服从尺度参数和形状参数为(μ,υ)的逆Gamma分布，归一化协方差矩阵M_r+c的对角线元素为1，与海杂波的SIRV模型中的散斑协方差矩阵一样。因此，原来的检测问题可以认为是在复合高斯杂波加复高斯噪声背景下的相干检测问题。

52)构造GPD海杂波加复高斯噪声背景下的相干检波器，并确定其检测门限。

首先，将GLRT-LTD和在高斯噪声背景下的最优MF检测器融合在一起，GPD海杂波加复高斯噪声背景下构造出近最优的相干检波器。

具体表示为：

其中，b是海杂波的功率水平。当b/σ²趋于无穷大时，上式左侧的统计量会变为GLRT-LTD的检测统计量；而当b/σ²趋于0时，上式左侧的统计量会变为MF检测器的检测统计量。

然后，确定相干检波器的检测门限。

具体地，根据距离区间Ω_o以外的纯杂波数据预先估计海杂波的尺度和形状参数。大目标剩余回波信号的功率水平σ²由距离区间Ω_o内的数据估计得到，海杂波的功率水平通过一些鲁棒的估计器在距离区间Ω_o以外的纯杂波数据中估计得到。归一化协方差矩阵M_r+c由NSCM估计器估计。

根据海杂波纹理的形状参数、尺度参数，大目标剩余回波信号的功率水平，累积脉冲数和虚警概率确定检波器的检测门限。

53)利用相干检波器对复高斯随机向量进行相干检测，以得到被大目标遮蔽的小目标。

本实施例首先通过对高分辨海杂波中大目标的检测和定位，在预先通过双分位点方法可以从数据中估计得到海杂波的分布服从广义Pareto分布，通过在该分布下最优的相干检测器—GLRT-LTD检测这些大目标本身所占据的距离单元及其距离副瓣泄露的信号所占据的单元；然后从雷达数据中通过使用过采样HRRP模型的基于LP的稀疏恢复方法来进行高精度重构大目标的回波。最后，在原始雷达回波数据中去除重构获得的大目标回波，将GLRT-LTD和在高斯噪声背景下的最优MF检测器融合在一起构造最优的相干检波器用于在剩余数据中检测遮蔽小目标。该方法显著降低了大目标的距离副瓣遮蔽效应，同时解决了现有稀疏恢复方法无法用于非高斯海杂波背景下估计舰船HRRP的问题。此外，当小目标被大目标回波而不是大目标本身所遮蔽时，本实施例提供的方法很容易检测到小目标，且当大目标和小目标的归一化多普勒偏移差距大时，遮蔽小目标更容易被检测到。

实施例二

下面通过仿真试验对本发明的友谊效果进行进一步说明。

1、仿真条件：

本实施例的仿真实验是在计算机配置为core i7 3.40GHZ，内存16G，WINDOWS 10系统和计算机软件配置为Matlab R2017a环境下进行的。

2、仿真内容及结果分析：

本发明仿真实验分别使用本发明提出的检测方法和现有的直接检测方法在仿真数据和实测数据中进行了目标检测实验。

在该仿真实验中，海杂波的形状参数设为υ＝5，大目标的归一化多普勒偏移设为

大目标HRRP的稀疏指标设为γ＝2，遮蔽小目标的SCR在-15至15dB中均匀选取，间隔为1dB。当小目标的归一化多普勒偏移为f_d＝0.2和-0.3并且小目标与大目标的间隔径向距离为dis＝0和40时，直接检测方法和本发明提出的检测方法的检测概率如图2所示。

其中，(a)图是小目标归一化多普勒偏移f_d为0.2且大小目标间隔径向距离dis＝0时直接检测方法和使用本发明的检测概率随信杂比变化的曲线图。(b)图是f_d为0.2且dis＝40(表示间隔为40个距离单元)时直接检测方法和使用本发明的检测概率随信杂比变化的曲线图。(c)图是f_d为-0.3且dis＝0时直接检测方法和使用本发明的检测概率随信杂比变化的曲线图。(d)图是f_d为-0.3且dis＝40时直接检测方法和使用本发明的检测概率随信杂比变化的曲线图。图3中，所有图片的横坐标为信杂比的变化范围，单位为dB，纵坐标为对应的检测概率，点画线表示本发明检测残差数据时检测概率的变化曲线，三角线表示直接检测方法检测雷达仿真数据时检测概率的变化曲线。

从图3可以得出：第一，在所有情况下，本发明提出的检测方法都比直接检测方法具有更好的检测性能。实际上，大目标的距离副瓣遮蔽效应严重影响了小目标的检测，然而提出的检测方法可以显著降低这种效应。第二，当小目标被大目标回波而不是大目标本身所遮蔽时，本发明提出的检测方法很容易检测到小目标。dis＝0表示小目标被大目标本身所遮蔽。第三，如图3中(c)图和(d)图所示，当大目标和小目标的归一化多普勒偏移差距大时，遮蔽小目标更容易被检测到。值得一提的是，当小目标被大目标本身所遮蔽并与大目标具有相同的归一化多普勒偏移时，遮蔽小目标将无法被检测到。

进一步地，请参见图4，图4是本发明实施例提供的实测数据实验图，其中，(a)图是雷达数据的幅度图(单位：dB)，其中，中间的细条部分是大船本身所占据的距离区间，中间矩形是大船回波所占据的距离区间，并且该大船沿着几乎垂直于雷达视线的方向移动。

(b)图是在雷达数据上直接应用GLRT-LTD时的检测结果，虚警率设置为10^-5。

由图4中的(a)图和(b)图可以看出，在中间矩形之外，可以有效地检测到其他小目标。不同的是，在矩形内，除了大船以外，没有检测到其他目标。这是因为大船回波的遮蔽效应，使得矩形中的小目标被漏检了。通过提出的检测方法首先对雷达数据进行处理，使用基于LP的方法和过采样HRRP模型可以高精度地重构大船的回波，从雷达数据中减去重构的大船回波得到残差数据，残差数据的幅度图(单位：dB)如(c)图所示。可以看出，残差数据的功率水平比海杂波略高。

(d)图是使用提出的检测方法时的检测结果，检测结果包括常规自适应检测结果和遮蔽小目标检测结果。

由图4中的(c)图和(d)图可以看出在检测结果中，大船周围的遮蔽小目标具有相对完整的痕迹。除了遮蔽小目标外，还有一些虚警点，这些虚警点是由海杂波的尖峰分量或大船的剩余信号引起的。这些离散的虚警点可以在随后的目标跟踪中排除。

根据航迹线，场景中有五个目标，如图3中(a)图和(d)图所示，分别用“A”，“B”，“C”，“D”和“遮蔽小目标”进行标记。从(a)图和(d)图可以看出，大船的雷达回波是完全占优的，并且遮蔽小目标所处位置的SCR没有高于该位置周围大船回波的SCR，这说明遮蔽小目标具有很低的SCR并且其完全被大船的回波所遮蔽。

综上，本发明相比与传统的直接检测方法，可以有效地发现被大目标雷达回波所遮蔽的小目标，显著降低了大目标的距离副瓣遮蔽效应。这一结果对于高分辨对海监视雷达来具有重要意义。

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。