CN115144847A - 针对海杂波中弱目标探测的参数空间多通道目标搜索技术 - Google Patents
针对海杂波中弱目标探测的参数空间多通道目标搜索技术 Download PDFInfo
- Publication number
- CN115144847A CN115144847A CN202210815748.1A CN202210815748A CN115144847A CN 115144847 A CN115144847 A CN 115144847A CN 202210815748 A CN202210815748 A CN 202210815748A CN 115144847 A CN115144847 A CN 115144847A
- Authority
- CN
- China
- Prior art keywords
- target
- tracks
- potential
- track
- time
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 26
- 238000005259 measurement Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 239000000523 sample Substances 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims 1
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method 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
- 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
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种针对海杂波中弱目标探测的参数空间多通道目标搜索技术，针对海杂波中弱目标探测，首先对雷达回波信号进行信号处理，并采用较低的目标检测门限进行初步目标检测，获得原始点迹信息，利用目标在空间中运动的连续性和连续几帧的目标回波数据在时间上的关联性，通过累积多个扫描周期获得的原始点迹，针对目标运动趋势的多样性，采用多通道并行搜索方法，寻找可能存在的航迹；针对每个搜索通道，兼顾距离、方位和时间多个维度的信息，对原始点迹进行参数变换批处理；在参数空间中，获得可能存在的目标航迹，即潜在航迹，并对潜在航迹的存在概率进行计算，利用存在概率对杂波中的弱目标进行准确检测。
Description
技术领域
本发明属于雷达技术领域，具体涉及一种基于多尺度参数变换的多通道并行目标搜索技术。
背景技术
海上雷达探测的传统任务主要是对海上船舶进行探测跟踪,主要针对在信噪比较高条件下的目标检测。然而近些年,随着海洋环境改变、海洋科技及隐身技术发展，人们对于小型舰船、海上搜救、蛙人、潜望镜、无人艇以及小型无人机等海面弱目标的探测方面的需求越来越高，雷达的探测性能却不尽如人意。
传统的雷达目标探测是对单帧回波数据经过恒虚警处理后，进行过门限检测,提取点迹,再利用多帧之间的点迹进行目标跟踪。过门限检测时,如果采用较高的门限,漏警率会变高，弱目标可能会被漏检；如果采用较低的门限,虽然能够提高检测概率，但虚警率也会变高，与此同时，相应的数据关联算法也会更加复杂。因此,传统的目标探测技术难以保证海面弱目标的可靠探测。
针对海面弱目标的探测技术研究因而也成为当前研究的热点。如何提高雷达对海面弱目标的探测能力是现代雷达的难点之一。检测前跟踪(TBD)技术作为一种新兴的弱目标探测技术，它通过对多帧雷达回波信息进行能量积累，对信杂噪比较低的海面弱目标进行探测，已成为国内外学者的研究热点。近些年来，国内外学者研究的TBD算法有很多，例如：霍夫变换TBD、动态规划TBD、粒子滤波TBD、最大似然概率TBD、随机集TBD等等。由于雷达不仅要在噪声、杂波、干扰等复杂环境完成目标探测，而且需要面对目标密集、运动趋势多样等复杂环境，TBD技术还主要停留在理论研究阶段。
针对现有技术的雷达在海杂波中的弱目标探测存在的不足之处，亟需提出一种新型的海杂波中弱目标探测技术，该新型技术应能获得比传统方法更高的准确性，并且要易于工程实现。
发明内容
本发明的目的是克服现有技术雷达对目标的探测技术难以保证海面弱目标的可靠探测的不足，提出一种新型的海杂波中弱目标探测技术。该技术利用多帧雷达回波进行信息积累，提高目标信杂噪比，在多个搜索通道中并行搜索，兼顾距离、方位和时间等多个维度的信息，采用参数变换批处理技术对目标回波信号进行聚类，并通过计算目标存在概率，对杂波中的弱目标进行检测，以其能获得比传统方法更高的探测准确性，并且易于工程实现。
本发明的目的是通过以下技术方案实现的：
一种针对海杂波中弱目标探测的参数空间多通道目标搜索技术，其特征是，针对海杂波中弱目标探测，首先对雷达回波信号进行信号处理，并采用较低的目标检测门限进行初步目标检测，获得原始点迹信息，利用目标在空间中运动的连续性和连续几帧的目标回波数据在时间上的关联性，通过累积多个扫描周期获得的原始点迹，针对目标运动趋势的多样性，采用多通道并行搜索方法，寻找可能存在的航迹；针对每个搜索通道，兼顾距离、方位和时间多个维度的信息，对原始点迹进行参数变换批处理；在参数空间中，获得可能存在的目标航迹，即潜在航迹，并对潜在航迹的存在概率进行计算，利用存在概率对杂波中的弱目标进行准确检测。
该方法对多帧数据进行联合处理，通过预测目标轨迹，对多帧数据进行能量累积，最大限度地保留了目标的信息，避免了单帧检测中的信号处理或者CFAR造成的信噪比损失。同时，该方法兼顾点迹的距离-时间、方位-时间信息，因此，可以有效避免虚假航迹的生成，可以在提高海杂波中弱目标探测概率的同时，降低虚警率。
优选方案，海杂波中弱目标探测，其算法采用滑窗的处理方式，首先累积多个扫描周期获得的原始点迹，将其按照时间顺序排序，挑选某个角度范围内的点迹，在多普勒维进行参数空间变换，将点迹的距离-时间信息变换为多普勒速度和截距信息，对变换后的截距进行排序，然后采用聚类的处理方式，挑选可能存在的航迹；对于上述挑选出的航迹，再次进行参数空间变换，将点迹的方位-时间信息变换为转向率和截距信息；之后对其余角度范围内的点迹采用相同的处理方式；经过上述两次参数空间变换和多通道搜索，找出满足条件的航迹，即为潜在航迹，同时，采用运动趋势拟合方法获得每条潜在航迹存在的先验概率；完成所有通道的搜索之后，将所有的潜在航迹按照其存在概率进行排序，将先验概率较高的潜在航迹认定为确认航迹，即目标轨迹；最后，基于潜在航迹的存在概率以及潜在航迹之间的点迹共享关系，对杂波中的弱目标进行检测。
优选方案，海杂波中弱目标探测算法采用参数变换批处理和多通道搜索的方法，该算法采用了两次参数变换批处理，首先，将笛卡尔坐标系中的观测数据(r,t)变换到参数空间中的坐标(k,b)，即：
b＝r-k×t (1)
式(1)中，k为搜索通道。对于一条直线上的点(ri,ti)，必然有两个唯一的参数k0和b0满足：
b0＝ri-k0×ti (2)
笛卡尔坐标系中的一条直线可以通过这条直线的斜率k0和截距b0来定义；
对于满足相同的斜率和截距的测量值，即可认为是一条直线，即一条航迹。海杂波中弱目标探测算法运用上述方法，分别在R-T二维平面和Az-T二维平面进行参数空间变换，并进行多通道搜索，以搜索可能存在的航迹。最后，根据搜索到的航迹，对杂波中的弱目标进行检测；
该算法适用于检测杂波环境下的目标，Δk、Δb为参数空间中k、b的优选截距尺寸，该算法的性能取决于测量值的积累时间和参数Δk、Δb两个方面，测量值的积累时间越长，起始航迹的质量越高；参数Δk、Δb选取越小，起始航迹的质量越高，但是容易造成漏警，参数Δk、Δb的选取应根据实际雷达的测量误差而定。
优选方案，所述对潜在航迹的存在概率进行计算，是基于概率假设密度(Probability Hypothesis Density，PHD)计算各个潜在航迹作为真实目标的可能性，获得潜在航迹先验概率，假设潜在航迹已获得k个测量值，则潜在航迹的先验概率LRT可以表示为：
其中，v是潜在航迹的PHD，λ为雷达观测区域的虚假目标概率密度，当雷达观测区域存在虚假目标，则虚假目标在雷达观测区域内服从均匀分布，若雷达观测区域的体积为VC，则雷达观测区域的虚假目标概率密度λ＝1/VC，对于实际雷达应用中雷达观测区域指的是雷达主波束所覆盖的范围，LRT可以表示为：
LRT(k)＝vkVC (4)
为了获得潜在航迹的先验概率，需要采用PHD滤波器，该滤波器通过潜在航迹获得的k个测量值，对PHD进行估计，PHD滤波器有两个主要运算步骤，分别为预测和更新；
PHD滤波器的主要运算步骤如下所示：
vk|k-1(x)＝∫PS(ζ)fk|k-1(x|ζ)υk-1(ζ)dζ+γk(x) (5)
其中，
(1)x是属于目标状态空间的状态，该目标状态中包含了位置、速度等信息，Zk是第k次检测获得测量值集合，该集合包含了第k次目标检测获得的测量值信息；
(2)vk-1为第k-1次更新后的PHD，vk为第k次更新后的PHD，vk|k-1为利用vk-1对vk进行的预测；
(3)fk|k-1(·|ζ)为从第k-1时刻到第k时刻的状态转移函数，ζ为在k-1时刻目标的状态，该函数通常可由一个状态转移矩阵来表示；
(4)gk(z|x)为第k次探测的测量函数，该函数表示针对目标状态x获得的目标测量值为z，该函数通常可由一个测量矩阵来表示；
(5)γk为k时刻在目标状态空间中产生新目标的概率密度，Kk(.)为杂波的概率密度分布，PD(.)为检测概率，PS(ζ)为从k-1时刻到k时刻状态为ζ的目标继续存活的概率。
在PHD滤波器的递归计算中，假设PHD可以由混合高斯分布表示，则k-1时刻的PHD可以写为：
其中，
为混合高斯分布中第i个高斯模型的权重，Jk-1为高斯模型的个数，
为第i个高斯模型的期望，
为第i个高斯模型的协方差。PHD的预测和更新可以重新表示为：
其中，vk|k-1是预测的PHD，Jk|k-1为预测的高斯模型的个数，
为预测的混合高斯分布中第i个高斯模型的权重，
为预测的第i个高斯模型的期望，
为预测的第i个高斯模型的协方差；
在PHD滤波器更新中，需要计算：
其中，Hk时观测矩阵，Rk为测量噪声协方差。
本发明的有益效果是：
1、采用较低的目标检测门限进行初步目标检测，获得原始点迹信息，有效地防止漏检；
2、利用多帧雷达回波进行信息积累，提高目标信杂噪比；
3、针对每个搜索通道，兼顾距离、方位和时间等多个维度的信息，对原始点迹进行参数变换批处理；
4、优选参数空间中k、n的截距Δk、Δb，兼顾起始航迹的高质量并防止漏警；
5、对潜在航迹的存在概率进行计算，利用存在概率对杂波中的弱目标进行检测的准确性。
附图说明
图1是海杂波中弱目标探测算法的流程框图；
图2为本发明的一种应用场景示意图；
图3为本发明针对的海杂波中目标探测效果示意图。
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例：一种针对海杂波中弱目标探测的参数空间多通道目标搜索技术，针对海杂波中弱目标探测，首先对雷达回波信号进行信号处理，去除同频异步干扰、噪声和部分海杂波干扰，并采用较低的目标检测门限进行初步目标检测，获得原始点迹信息，利用目标在空间中运动的连续性和连续几帧的目标回波数据在时间上的关联性，通过累积多个扫描周期获得的原始点迹，针对目标运动趋势的多样性，采用多通道并行搜索方法，寻找可能存在的航迹；针对每个搜索通道，兼顾距离、方位和时间多个维度的信息，对原始点迹进行参数变换批处理；在参数空间中，获得可能存在的目标航迹，即潜在航迹，并对潜在航迹的存在概率进行计算，利用存在概率对杂波中的弱目标进行准确检测。
该方法对多帧数据进行联合处理，通过预测目标轨迹，对多帧数据进行能量累积，最大限度地保留了目标的信息，避免了单帧检测中的信号处理或者CFAR造成的信噪比损失。同时，该方法兼顾点迹的距离-时间、方位-时间信息，因此，可以有效避免虚假航迹的生成，可以在提高海杂波中弱目标探测概率的同时，降低虚警率。
海杂波中弱目标探测，其算法的流程如错误！未找到引用源。所示。该算法采用滑窗的处理方式，首先累积多个扫描周期获得的原始点迹，将其按照时间顺序排序，挑选某个角度范围内的点迹，在多普勒维进行参数空间变换，将点迹的距离-时间信息变换为多普勒速度和截距1信息，对变换后的截距1进行排序，然后采用聚类的处理方式，挑选可能存在的航迹；对于上述挑选出的航迹，再次进行参数空间变换，将点迹的方位-时间信息变换为转向率和截距1信息；之后对其余角度范围内的点迹采用相同的处理方式。参见图2。
经过上述两次参数空间变换和多通道搜索，找出满足条件的航迹，即为潜在航迹。同时，采用运动趋势拟合方法获得每条潜在航迹存在的先验概率。完成所有通道的搜索之后，将所有的潜在航迹按照其存在概率进行排序，将先验概率较高的潜在航迹认定为确认航迹，即目标轨迹。最后，基于潜在航迹的存在概率以及潜在航迹之间的点迹共享关系，对杂波中的弱目标进行检测。
海杂波中弱目标探测算法采用参数变换批处理和多通道搜索的方法。该算法采用了两次参数变换批处理。首先，将笛卡尔坐标系中的观测数据(r,t)变换到参数空间中的坐标(k,b)，即：
b＝r-k×t (3)
式(1)中，k为搜索通道。对于一条直线上的点(ri,ti)，必然有两个唯一的参数k0和b0满足：
b0＝ri-k0×ti (4)
笛卡尔坐标系中的一条直线可以通过这条直线的斜率k0和截距b0来定义。
对于满足相同的斜率和截距1的测量值，即可认为是一条直线，即一条航迹。海杂波中弱目标探测算法运用上述方法，分别在R-T二维平面和Az-T二维平面进行参数空间变换，并进行多通道搜索，以搜索可能存在的航迹。最后，根据搜索到的航迹，对杂波中的弱目标进行检测。
该算法适用于检测杂波环境下的目标。Δk、Δb为参数空间中k、n的截距1尺寸。该算法的性能取决于测量值的积累时间和参数Δk、Δb两个方面。测量值的积累时间越长，起始航迹的质量越高；参数Δk、Δb选取越小，起始航迹的质量越高，但是容易造成漏警。参数Δk、Δb的选取应根据实际雷达的测量误差而定。
所述对潜在航迹存在概率计算，是基于概率假设密度(Probability HypothesisDensity，PHD)计算各个潜在航迹作为真实目标的可能性，获得潜在航迹先验概率。假设潜在航迹已获得k个测量值，则潜在航迹的先验概率LRT可以表示为：
其中，v是潜在航迹的PHD，λ为雷达观测区域的虚假目标概率密度。我们假设雷达观测区域存在虚假目标，则虚假目标在雷达观测区域内服从均匀分布，若雷达观测区域的体积为VC，则雷达观测区域的虚假目标概率密度λ＝1/VC。对于实际雷达应用中雷达观测区域指的是雷达主波束所覆盖的范围，LRT可以表示为：
LRT(k)＝vkVC (4)
为了获得潜在航迹的先验概率，需要采用PHD滤波器，该滤波器通过潜在航迹获得的k个测量值，对PHD进行估计。PHD滤波器有两个主要运算步骤，分别为预测和更新。PHD滤波器的主要运算步骤如下所示：
vk|k-1(x)＝∫PS(ζ)fk|k-1(x|ζ)vk-1(ζ)dζ+γk(x) (5)
其中，
(1)x是属于目标状态空间的状态，该目标状态中包含了位置、速度等信息，Zk是第k次检测获得测量值集合，该集合包含了第k次目标检测获得的测量值信息；
(2)υk-1为第k-1次更新后的PHD，vk为第k次更新后的PHD，vk|k-1为利用vk-1对vk进行的预测；
(3)fk|k-1(.|ζ)为从第k-1时刻到第k时刻的状态转移函数，ζ为在k-1时刻目标的状态，该函数通常可由一个状态转移矩阵来表示；
(4)gk(z|x)为第k次探测的测量函数，该函数表示针对目标状态x获得的目标测量值为z，该函数通常可由一个测量矩阵来表示；
(5)γk为k时刻在目标状态空间中产生新目标的概率密度，Kk(.)为杂波的概率密度分布，PD(.)为检测概率，PS(ζ)为从k-1时刻到k时刻状态为ζ的目标继续存活的概率。
在PHD滤波器的递归计算中，假设PHD可以由混合高斯分布表示，则k-1时刻的PHD可以写为：
其中，
为混合高斯分布中第i个高斯模型的权重，Jk-1为高斯模型的个数，
为第i个高斯模型的期望，
为第i个高斯模型的协方差。PHD的预测和更新可以重新表示为：
其中，vk|k-1是预测的PHD，Jk|k-1为预测的高斯模型的个数，
为预测的混合高斯分布中第i个高斯模型的权重，
为预测的第i个高斯模型的期望，
为预测的第i个高斯模型的协方差。
在PHD滤波器更新中，需要计算：
其中，Hk时观测矩阵，Rk为测量噪声协方差。
本发明实施例已通过实际测试证实，该新型技术能够获得比传统方法更高的准确性，并且易于工程实现。
本发明实施步骤概括简述如下：
第一步：将雷达回波数据进行信号处理，去除同频异步干扰、噪声和部分海杂波干扰，然后采用较低的目标检测门限进行初步目标检测，获得原始点迹信息。
第二步：累积多个扫描周期获得的原始点迹，将其按照时间排序。
第三步：分别在距离-时间二维平面、方位-时间二维平面进行参数空间变换。然后在变换后的参数空间，针对目标运动趋势的多样性，采用多通道并行搜索和聚类的方法，寻找可能存在的航迹，即潜在航迹。并且采用运动趋势拟合方法获得每条潜在航迹存在的先验概率。
第四步：基于潜在航迹的存在概率以及潜在航迹之间的点迹共享关系，对杂波中的弱目标进行检测。
图2所示为本发明针对海杂波中弱目标探测的参数空间多通道目标搜索技术所应用的场景之一。
图3中海杂波基本都被抑制，目标基本都被检测出来，目标探测的准确性较高，因此，可以有效避免虚假航迹的生成，可以在提高海杂波中弱目标探测概率的同时，降低虚警率。图中方框标记出的为本发明在该应用场景中检测到的目标。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种针对海杂波中弱目标探测的参数空间多通道目标搜索技术，其特征是，针对海杂波中弱目标探测，首先对雷达回波信号进行信号处理，并采用较低的目标检测门限进行初步目标检测，获得原始点迹信息，利用目标在空间中运动的连续性和连续几帧的目标回波数据在时间上的关联性，通过累积多个扫描周期获得的原始点迹，针对目标运动趋势的多样性，采用多通道并行搜索方法，寻找可能存在的航迹；针对每个搜索通道，兼顾距离、方位和时间多个维度的信息，对原始点迹进行参数变换批处理；在参数空间中，获得可能存在的目标航迹，即潜在航迹，并对潜在航迹的存在概率进行计算，利用存在概率对杂波中的弱目标进行准确检测。
2.根据权利要求1所述的一种针对海杂波中弱目标探测的参数空间多通道目标搜索技术，其特征是，海杂波中弱目标探测，其算法采用滑窗的处理方式，首先累积多个扫描周期获得的原始点迹，将其按照时间顺序排序，挑选某个角度范围内的点迹，在多普勒维进行参数空间变换，将点迹的距离-时间信息变换为多普勒速度和截距信息，对变换后的截距进行排序，然后采用聚类的处理方式，挑选可能存在的航迹；对于上述挑选出的航迹，再次进行参数空间变换，将点迹的方位-时间信息变换为转向率和截距信息；之后对其余角度范围内的点迹采用相同的处理方式；经过上述两次参数空间变换和多通道搜索，找出满足条件的航迹，即为潜在航迹，同时，采用运动趋势拟合方法获得每条潜在航迹存在的先验概率；完成所有通道的搜索之后，将所有的潜在航迹按照其存在概率进行排序，将先验概率较高的潜在航迹认定为确认航迹，即目标轨迹；最后，基于潜在航迹的存在概率以及潜在航迹之间的点迹共享关系，对杂波中的弱目标进行检测。
3.根据权利要求2所述的一种针对海杂波中弱目标探测的参数空间多通道目标搜索技术，其特征是，海杂波中弱目标探测算法采用参数变换批处理和多通道搜索的方法，该算法采用了两次参数变换批处理，首先，将笛卡尔坐标系中的观测数据(r,t)变换到参数空间中的坐标(k,b)，即：
b＝r-k×t (5)
式(1)中，k为搜索通道；对于一条直线上的点(ri,ti)，必然有两个唯一的参数k0和b0满足：
b0＝ri-k0×ti (6)
笛卡尔坐标系中的一条直线可以通过这条直线的斜率k0和截距b0来定义；
对于满足相同的斜率和截距的测量值，即可认为是一条直线，即一条航迹；海杂波中弱目标探测算法运用上述方法，分别在R-T二维平面和Az-T二维平面进行参数空间变换，并进行多通道搜索，以搜索可能存在的航迹；最后，根据搜索到的航迹，对杂波中的弱目标进行检测；
该算法适用于检测杂波环境下的目标，Δk、Δb为参数空间中k、b的优选截距尺寸，该算法的性能取决于测量值的积累时间和参数Δk、Δb两个方面，测量值的积累时间越长，起始航迹的质量越高；参数Δk、Δb选取越小，起始航迹的质量越高，但是容易造成漏警，参数Δk、Δb的选取应根据实际雷达的测量误差而定。
4.根据权利要求1、2或3所述的一种针对海杂波中弱目标探测的参数空间多通道目标搜索技术，其特征是，对潜在航迹的存在概率进行计算基于概率假设密度(ProbabilityHypothesis Density，PHD)计算各个潜在航迹作为真实目标的可能性，获得潜在航迹先验概率，潜在航迹的先验概率LRT表示为：
其中，k为潜在航迹已获得测量值的个数，v是潜在航迹的PHD，λ为雷达观测区域的虚假目标概率密度，当雷达观测区域存在虚假目标，虚假目标在雷达观测区域内服从均匀分布，若雷达观测区域的体积为VC，则雷达观测区域的虚假目标概率密度λ＝1/VC，对于实际雷达应用中雷达观测区域指的是雷达主波束所覆盖的范围，LRT可以表示为：
LRT(k)＝vkVC (4)
为了获得潜在航迹的先验概率，需要采用PHD滤波器，该滤波器通过潜在航迹获得的k个测量值，对PHD进行估计；PHD滤波器有两个主要运算步骤，分别为预测和更新；
PHD滤波器的主要运算步骤如下所示：
vk|k-1(x)＝∫PS(ζ)fk|k-1(x|ζ)vk-1(ζ)dζ+γk(x) (5)
其中，
(1)x是属于目标状态空间的状态，该目标状态中包含了位置、速度等信息，Zk是第k次检测获得测量值集合，该集合包含了第k次目标检测获得的测量值信息；
(2)vk-1为第k-1次更新后的PHD，vk为第k次更新后的PHD，vk|k-1为利用vk-1对vk进行的预测；
(3)fk|k-1(.|ζ)为从第k-1时刻到第k时刻的状态转移函数，ζ为在k-1时刻目标的状态，该函数通常可由一个状态转移矩阵来表示；
(4)gk(z|x)为第k次探测的测量函数，该函数表示针对目标状态x获得的目标测量值为z，该函数通常可由一个测量矩阵来表示；
(5)γk为k时刻在目标状态空间中产生新目标的概率密度，Kk(.)为杂波的概率密度分布，PD(.)为检测概率，PS(ζ)为从k-1时刻到k时刻状态为ζ的目标继续存活的概率；
在PHD滤波器的递归计算中，假设PHD可以由混合高斯分布表示，则k-1时刻的PHD可以写为：
其中，
为混合高斯分布中第i个高斯模型的权重，Jk-1为高斯模型的个数，
为第i个高斯模型的期望，
为第i个高斯模型的协方差；PHD的预测和更新可以重新表示为：
其中，vk|k-1是预测的PHD，Jk|k-1为预测的高斯模型的个数，
为预测的混合高斯分布中第i个高斯模型的权重，
为预测的第i个高斯模型的期望，
为预测的第i个高斯模型的协方差；
在PHD滤波器更新中，需要计算：
其中，Hk时观测矩阵，Rk为测量噪声协方差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210815748.1A CN115144847A (zh) | 2022-07-11 | 2022-07-11 | 针对海杂波中弱目标探测的参数空间多通道目标搜索技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210815748.1A CN115144847A (zh) | 2022-07-11 | 2022-07-11 | 针对海杂波中弱目标探测的参数空间多通道目标搜索技术 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115144847A true CN115144847A (zh) | 2022-10-04 |
Family
ID=83412107
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210815748.1A Pending CN115144847A (zh) | 2022-07-11 | 2022-07-11 | 针对海杂波中弱目标探测的参数空间多通道目标搜索技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115144847A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970251A (zh) * | 2024-03-28 | 2024-05-03 | 安徽隼波科技有限公司 | 一种安防雷达杂波区动态检测方法 |
| CN118465730A (zh) * | 2024-07-12 | 2024-08-09 | 安徽隼波科技有限公司 | 一种基于多层感知的雷达航迹质量评估方法 |
-
2022
- 2022-07-11 CN CN202210815748.1A patent/CN115144847A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970251A (zh) * | 2024-03-28 | 2024-05-03 | 安徽隼波科技有限公司 | 一种安防雷达杂波区动态检测方法 |
| CN118465730A (zh) * | 2024-07-12 | 2024-08-09 | 安徽隼波科技有限公司 | 一种基于多层感知的雷达航迹质量评估方法 |
| CN118465730B (zh) * | 2024-07-12 | 2024-09-20 | 安徽隼波科技有限公司 | 一种基于多层感知的雷达航迹质量评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106249232B (zh) | 基于目标运动态势信息数据关联策略的目标跟踪方法 | |
| CN115144847A (zh) | 针对海杂波中弱目标探测的参数空间多通道目标搜索技术 | |
| CN109633589A (zh) | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 | |
| CN109946671B (zh) | 一种基于双门限判决的水下机动弱目标检测跟踪方法 | |
| CN106680806A (zh) | 一种多雷达点迹融合方法 | |
| CN106443598B (zh) | 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法 | |
| CN105487061B (zh) | 目标数据关联的多特征信息融合方法 | |
| CN109100696B (zh) | 基于点状杂波图的慢速运动目标消除方法 | |
| CN105842687A (zh) | 基于rcs预测信息的检测跟踪一体化方法 | |
| CN102879774B (zh) | 高频地波超视距雷达短航迹合成方法和装置 | |
| CN111929676B (zh) | 一种基于密度聚类的x波段雷达目标检测与跟踪方法 | |
| CN106990403A (zh) | 基于多波段两级信息融合的低空目标跟踪方法 | |
| CN114114242A (zh) | 一种基于点选航迹及航迹外推的雷达目标追赶跟踪方法 | |
| CN115220021A (zh) | 一种基于声呐图像的微弱运动目标轨迹检测方法和系统 | |
| Wang et al. | Research on multi-maneuvering target tracking JPDA algorithm | |
| CN108387879A (zh) | 基于自适应归一化匹配滤波的杂波图单元中值检测方法 | |
| Zhang et al. | Track Initiation Method Based on Deep Learning and Logic Method | |
| Wang et al. | A passive sonar buoy underwater maneuvering weak target adaptive detection method | |
| CN113390406A (zh) | 基于被动多传感器系统的多目标数据关联与定位方法 | |
| Zhang et al. | Underwater multi-source DOA tracking using uniform linear array based on improved GM-PHD filter | |
| CN112213706A (zh) | 多维数字化波门帧间递进关联的逻辑tbd检测方法 | |
| Zhang et al. | Application of an Optimized Logic Track Initiation Algorithm on Vehicular Radar | |
| Li et al. | Multi-target tracking algorithm based on RSHT-TBD preprocessing | |
| Nemiro et al. | Comparison Study of State Vector Estimation Methods for Moving Objects | |
| CN115372956B (zh) | 一种基于正逆逻辑Hough变换的混合体制雷达航迹起始方法 |
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 |