CN115407299B - 基于伯努利滤波器算法的弱小目标检测方法和装置 - Google Patents

基于伯努利滤波器算法的弱小目标检测方法和装置 Download PDF

Info

Publication number
CN115407299B
CN115407299B CN202211130653.2A CN202211130653A CN115407299B CN 115407299 B CN115407299 B CN 115407299B CN 202211130653 A CN202211130653 A CN 202211130653A CN 115407299 B CN115407299 B CN 115407299B
Authority
CN
China
Prior art keywords
target
model
representing
predicted
particle
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.)
Active
Application number
CN202211130653.2A
Other languages
English (en)
Other versions
CN115407299A (zh
Inventor
范红旗
宋志勇
蔡飞
张永强
刘宇
兰初军
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202211130653.2A priority Critical patent/CN115407299B/zh
Publication of CN115407299A publication Critical patent/CN115407299A/zh
Application granted granted Critical
Publication of CN115407299B publication Critical patent/CN115407299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0248—Filters characterised by a particular frequency response or filtering method

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请涉及一种基于伯努利滤波器算法的弱小目标检测方法和装置。所述方法包括：对粒子进行初始化得到随机分布的初始粒子系统；根据当前时刻的目标状态构建目标运动模型和目标辛格模型，根据目标运动模型和目标辛格模型预测得到下一时刻的预测目标状态；根据雷达回波观测模型获取下一时刻的目标观测信息，根据目标观测信息计算粒子似然比，根据粒子似然比为预测目标状态对应的预测粒子赋予权重；根据权重对粒子进行系统化重采样，得到重采样粒子系统，根据伯努利滤波器对重采样粒子系统进行计算，得到下一时刻的目标存在概率。采用本方法能够充分利用雷达的历史观测数据直接进行目标检测，提高了连续多帧情况下的雷达弱小目标检测准确率。

Description

基于伯努利滤波器算法的弱小目标检测方法和装置
技术领域
本申请涉及目标检测技术领域，特别是涉及一种基于伯努利滤波器算法的弱小目标检测方法和装置。
背景技术
目标检测是各种信号处理应用领域面临的共同问题，复杂背景下的机动微弱目标检测是现代雷达面临的严峻挑战之一。近些年出现的无人机，隐身飞行器等现代武器，采用常规的目标检测方法往往难以有效的探测。这些目标的雷达散射截面积(radar crosssetection，RCS)较小，目标反射回波的能量非常小，且易于淹没在强复杂杂波或者噪声中，导致雷达检测能力严重下降。虽然雷达可通过增大发射功率，降低接收机噪声水平，提高天线孔径和增益等措施在一定程度上补偿RCS减小带来的雷达探测能力下降，但硬件实现水平和成本因素会在一定程度上限制这些补偿措施。
传统雷达目标检测中，由于背景噪声一般为高斯白噪声，因此一般使用单元平均恒虚警检测算法(CA-CFAR)，由于算法中干扰平均功率及相应的检测门限是由待检测单元周围的临近参考单元的干扰功率平均获得的，所以称作单元平均恒虚警检测。该算法结构简单，并在均匀瑞利分布杂波背景下的检测性能较好。但是传统检测方法并不不适用于强杂波背景下的检测问题，而且是单帧检测没有充分利用历史数据，在实际中目标往往被杂波淹没，难以检测，同时由于背景噪声非常复杂，有时存在人为干扰，检测性能进一步下降。
发明内容
基于此，有必要针对上述技术问题，提供一种能够充分利用历史数据，实现弱小目标检测的基于伯努利滤波器算法的弱小目标检测方法和装置。
一种基于伯努利滤波器算法的弱小目标检测方法，所述方法包括：
初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统；其中，初始粒子系统包括初始目标状态和初始权重；
根据当前时刻的目标状态构建目标运动模型和目标辛格模型，根据目标运动模型和目标辛格模型进行预测，得到下一时刻的预测目标状态；
根据雷达回波观测模型获取下一时刻的目标观测信息，根据目标观测信息计算粒子似然比，根据粒子似然比为预测目标状态对应的预测粒子赋予权重；
根据权重对粒子进行系统化重采样，得到重采样粒子系统，根据伯努利滤波器对重采样粒子系统进行计算，得到下一时刻的目标存在概率。
在其中一个实施例中，初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统，包括：
初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统{xi,ωi}，其中，表示初始目标状态，ωi＝P00/v表示初始权重，/>表示第i个粒子的目标相位，fi表示第i个粒子的目标多普勒频率，/>表示第i个粒子的目标功率，/>表示第i个粒子的目标辛格模型中值，/>表示第i个粒子的目标辛格模型方差，P00表示初始存在概率，i＝1,2,...v表示粒子数，v表示粒子总数，a表示复幅度，t表示矩阵转置。
在其中一个实施例中，根据当前时刻的目标状态构建目标运动模型和目标辛格模型，根据目标运动模型和目标辛格模型进行预测，得到下一时刻的预测目标状态，包括：
根据当前时刻的目标状态中的目标相位和目标多普勒频率构建目标运动模型，根据目标运动模型进行预测，得到下一时刻的预测目标运动模型；
根据当前时刻的目标状态中的目标功率、目标辛格模型中值和目标辛格模型方差构建目标辛格模型，根据目标辛格模型进行预测，得到下一时刻的预测辛格模型；
根据预测目标运动模型和预测辛格模型中的参数得到下一时刻的预测目标状态。
在其中一个实施例中，根据目标运动模型进行预测，得到下一时刻的预测目标运动模型，包括：
根据当前时刻的目标运动模型进行预测，得到下一时刻的预测目标运动模型表示为
其中，表示目标相位，f表示目标多普勒频率，T表示采样周期，/>表示过程噪声矢量，k表示时刻，/>表示噪声的时间相关系数，wc为零均值高斯白噪声。
在其中一个实施例中，根据目标辛格模型进行预测，得到下一时刻的预测辛格模型，包括：
根据当前时刻的目标辛格模型中的目标功率进行预测，得到下一时刻的预测目标功率，表示为其中，/>表示k时刻的目标功率，σP表示所述目标功率的固定方差；
根据当前时刻的目标辛格模型中的目标辛格模型中值进行预测，得到下一时刻的预测目标辛格模型中值，表示为其中，β＝e(-T/τ)表示相关系数，τ表示相关时间，μk表示k时刻的目标辛格模型中值，j表示虚数单位；
根据当前时刻的目标辛格模型中的目标辛格模型方差进行预测，得到下一时刻的预测目标辛格模型方差，表示为其中，∑k表示k时刻的目标辛格模型方差。
在其中一个实施例中，根据雷达回波观测模型获取下一时刻的目标观测信息，表示为
其中，Vk+1表示观测噪声，η(x)表示观测函数，表示为
其中，fs表示信号采样率，n表示采样点数，N表示采样总数。
在其中一个实施例中，根据目标观测信息计算粒子似然比，包括：
根据下一时刻的目标观测信息进行计算，得到目标存在假设的似然函数和目标不存在假设的似然函数；
根据目标存在假设的似然函数和目标不存在假设的似然函数进行计算，得到粒子似然比。
在其中一个实施例中，根据目标存在假设的似然函数和目标不存在假设的似然函数进行计算，得到粒子似然比，表示为
其中，表示目标存在假设的似然函数，/>表示目标不存在假设的似然函数，H1表示目标存在假设，H0表示目标不存在假设，σs表示信号复幅度的分布方差，/>表示像素点(i,j)的复幅度，/>表示/>的转置共轭，σN表示噪声方差。
在其中一个实施例中，根据权重对粒子进行系统化重采样，得到重采样粒子系统，包括：
将粒子的权重区间按照粒子总数进行均匀划分，在每一份权重子区间内选取与第一份权重子区间内位置相同的权重，并选取对应的粒子，得到权重相等的重采样粒子系统。
一种基于伯努利滤波器算法的弱小目标检测装置，所述装置包括：
初始模块，用于初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统；其中，初始粒子系统包括初始目标状态和初始权重；
预测模块，用于根据当前时刻的目标状态构建目标运动模型和目标辛格模型，根据目标运动模型和目标辛格模型进行预测，得到下一时刻的预测目标状态；
更新模块，用于根据雷达回波观测模型获取下一时刻的目标观测信息，根据目标观测信息计算粒子似然比，根据所述粒子似然比为所述预测目标状态对应的预测粒子赋予权重；
重采样模块，用于根据权重对粒子进行系统化重采样，得到重采样粒子系统，根据伯努利滤波器对所述重采样粒子系统进行计算，得到下一时刻的目标存在概率。
上述基于伯努利滤波器算法的弱小目标检测方法和装置，首先对粒子进行初始化，得到随机分布的初始粒子系统；再根据当前时刻粒子系统中的目标状态构建目标运动模型和目标辛格模型，根据目标运动模型和目标辛格模型进行预测，得到下一时刻的预测目标状态，其中，根据目标相位和目标多普勒频率构建的运动模型使得能够直接通过雷达观测数据进行目标状态的预测，根据辛格模型有利于描述粒子系统中的随机起伏目标；然后根据雷达回波观测模型获取下一时刻的目标观测信息，根据目标观测信息计算粒子似然比，根据粒子似然比为预测目标状态对应的预测粒子赋予权重；最后根据权重对粒子进行系统化重采样，得到重采样粒子系统，根据伯努利滤波器对重采样粒子系统进行计算，得到下一时刻的目标存在概率，其中，重采样保证了粒子的多样性使得历史信息被包含在粒子系统中参与后续目标检测，同时避免了粒子系统规模随时间增长，减少计算复杂度。采用本发明所提方法充分利用了雷达的历史观测数据直接进行目标检测，相比传统多帧处理算法，提高了连续多帧情况下的雷达弱小目标检测准确率。
附图说明
图1为一个实施例中基于伯努利滤波器算法的弱小目标检测方法的流程示意图；
图2为一个实施例中本发明所提方法的应用的计算机设备结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于伯努利滤波器算法的弱小目标检测方法，包括以下步骤：
步骤S1，初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统；其中，初始粒子系统包括初始目标状态和初始权重。
其中，初始化粒子状态是指对粒子系统中的粒子存活概率、粒子消失概率、新生粒子数、重采样粒子数以及初始存在概率等参数进行初始化。
步骤S2，根据当前时刻的目标状态构建目标运动模型和目标辛格模型，根据目标运动模型和目标辛格模型进行预测，得到下一时刻的预测目标状态。
可以理解，目标运动模型是基于目标相位和目标多普勒频率关系构建的模型，格模型是为描述粒子系统中的随机起伏目标构建的模型，根据目标运动模型和辛格模型可以直接通过雷达观测预测下一时刻的目标状态，使得目标状态预测过程更符合雷达感官。
步骤S3，根据雷达回波观测模型获取下一时刻的目标观测信息，根据目标观测信息计算粒子似然比，根据粒子似然比为预测目标状态对应的预测粒子赋予权重。
可以理解，通过似然比计算粒子权重的目的在于对下一时刻的预测目标状态进行评价，越接近真实目标观测情况的粒子，获得的权重越高。
步骤S4，根据权重对粒子进行系统化重采样，得到重采样粒子系统，根据伯努利滤波器对重采样粒子系统进行计算，得到下一时刻的目标存在概率。
具体地，计算公式如下：
pk+1|k＝pk|k·ps+(1-pk|k)·pB
可以理解，系统化重采样的功能在于通过保证粒子的多样性使得历史信息被包含在粒子系统中参与后续目标检测，同时避免了粒子系统规模随时间增长，减少计算复杂度。
上述基于伯努利滤波器算法的弱小目标检测方法和装置，首先对粒子进行初始化，得到随机分布的初始粒子系统；再根据当前时刻粒子系统中的目标状态构建目标运动模型和目标辛格模型，根据目标运动模型和目标辛格模型进行预测，得到下一时刻的预测目标状态，其中，根据目标相位和目标多普勒频率构建的运动模型使得能够直接通过雷达观测数据进行目标状态的预测，根据辛格模型有利于描述粒子系统中的随机起伏目标；然后根据雷达回波观测模型获取下一时刻的目标观测信息，根据目标观测信息计算粒子似然比，根据粒子似然比为预测目标状态对应的预测粒子赋予权重；最后根据权重对粒子进行系统化重采样，得到重采样粒子系统，根据伯努利滤波器对重采样粒子系统进行计算，得到下一时刻的目标存在概率，其中，重采样保证了粒子的多样性使得历史信息被包含在粒子系统中参与后续目标检测，同时避免了粒子系统规模随时间增长，减少计算复杂度。采用本发明所提方法充分利用了雷达的历史观测数据直接进行目标检测，相比传统多帧处理算法，提高了连续多帧情况下的雷达弱小目标检测准确率。
在其中一个实施例中，初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统，包括：
初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统{xi,ωi}，其中，表示初始目标状态，ωi＝P00/v表示初始权重，/>表示第i个粒子的目标相位，fi表示第i个粒子的目标多普勒频率，/>表示第i个粒子的目标功率，/>表示第i个粒子的目标辛格模型中值，/>表示第i个粒子的目标辛格模型方差，P00表示初始存在概率，i＝1,2,...v表示粒子数，v表示粒子总数，a表示复幅度，同样使用辛格模型来描述，表示为/>β＝e(-T/τ)表示相关系数，τ表示相关时间，复高斯噪声/> 为复正弦信号的瞬时平均功率，即/>t表示矩阵转置。
在其中一个实施例中，根据当前时刻的目标状态构建目标运动模型和目标辛格模型，根据目标运动模型和目标辛格模型进行预测，得到下一时刻的预测目标状态，包括：
根据当前时刻的目标状态中的目标相位和目标多普勒频率构建目标运动模型，根据目标运动模型进行预测，得到下一时刻的预测目标运动模型；
根据当前时刻的目标状态中的目标功率、目标辛格模型中值和目标辛格模型方差构建目标辛格模型，根据目标辛格模型进行预测，得到下一时刻的预测辛格模型；
根据预测目标运动模型和预测辛格模型中的参数得到下一时刻的预测目标状态。
在其中一个实施例中，根据目标运动模型进行预测，得到下一时刻的预测目标运动模型，包括：
根据当前时刻的目标运动模型进行预测，得到下一时刻的预测目标运动模型表示为
其中，表示目标相位，f表示目标多普勒频率，T表示采样周期，T表示采样周期，表示过程噪声矢量，k表示时刻，/>表示噪声的时间相关系数，wc为零均值高斯白噪声。
在其中一个实施例中，根据目标辛格模型进行预测，得到下一时刻的预测辛格模型，包括：
根据当前时刻的目标辛格模型中的目标功率进行预测，得到下一时刻的预测目标功率，表示为其中，/>表示k时刻的目标功率，σP表示目标功率的固定方差；
根据当前时刻的目标辛格模型中的目标辛格模型中值进行预测，得到下一时刻的预测目标辛格模型中值，表示为其中，β＝e(-T/τ)表示相关系数，τ表示相关时间，μk表示k时刻的目标辛格模型中值，j表示虚数单位；
根据当前时刻的目标辛格模型中的目标辛格模型方差进行预测，得到下一时刻的预测目标辛格模型方差，表示为其中，∑k表示k时刻的目标辛格模型方差。
在其中一个实施例中，根据雷达回波观测模型获取下一时刻的目标观测信息，表示为
其中，Vk+1表示观测噪声为复高斯矢量，其概率密度函数表示为
η(x)表示观测函数由雷达系统决定，表示为
其中，fs表示信号采样率，n表示采样点数，N表示采样总数，一般情况下
在其中一个实施例中，根据目标观测信息计算粒子似然比，包括：
根据下一时刻的目标观测信息进行计算，得到目标存在假设的似然函数和目标不存在假设的似然函数；
根据目标存在假设的似然函数和目标不存在假设的似然函数进行计算，得到粒子似然比。
在其中一个实施例中，根据目标存在假设的似然函数和目标不存在假设的似然函数进行计算，得到粒子似然比，表示为
其中，表示目标存在假设的似然函数，/>表示目标不存在假设的似然函数，H1表示目标存在假设，H0表示目标不存在假设，σs表示信号复幅度的分布方差，/>表示像素点(i,j)的复幅度，/>表示/>的转置共轭，σN表示噪声方差。
在其中一个实施例中，根据权重对粒子进行系统化重采样，得到重采样粒子系统，包括：
将粒子的权重区间按照粒子总数进行均匀划分，在每一份权重子区间内选取与第一份权重子区间内位置相同的权重，并选取对应的粒子，得到权重相等的重采样粒子系统。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，提供了一种基于伯努利滤波器算法的弱小目标检测装置，包括：初始模块、预测模块、更新模块和重采样模块，其中：
初始模块，用于初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统；其中，初始粒子系统包括初始目标状态和初始权重；
预测模块，用于根据当前时刻的目标状态构建目标运动模型和目标辛格模型，根据目标运动模型和目标辛格模型进行预测，得到下一时刻的预测目标状态；
更新模块，用于根据雷达回波观测模型获取下一时刻的目标观测信息，根据目标观测信息计算粒子似然比，根据所述粒子似然比为所述预测目标状态对应的预测粒子赋予权重；
重采样模块，用于根据权重对粒子进行系统化重采样，得到重采样粒子系统，根据伯努利滤波器对所述重采样粒子系统进行计算，得到下一时刻的目标存在概率。
关于基于伯努利滤波器算法的弱小目标检测装置的具体限定可以参见上文中对于基于伯努利滤波器算法的弱小目标检测方法的限定，在此不再赘述。上述基于伯努利滤波器算法的弱小目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图2所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于伯努利滤波器算法的弱小目标检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统；其中，初始粒子系统包括初始目标状态和初始权重；
根据当前时刻的目标状态构建目标运动模型和目标辛格模型，根据目标运动模型和目标辛格模型进行预测，得到下一时刻的预测目标状态；
根据雷达回波观测模型获取下一时刻的目标观测信息，根据目标观测信息计算粒子似然比，根据粒子似然比为预测目标状态对应的预测粒子赋予权重；
根据权重对粒子进行系统化重采样，得到重采样粒子系统，根据伯努利滤波器对重采样粒子系统进行计算，得到下一时刻的目标存在概率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于伯努利滤波器算法的弱小目标检测方法，其特征在于，所述方法包括：
初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统；其中，所述初始粒子系统包括初始目标状态和初始权重；
根据当前时刻的目标状态构建目标运动模型和目标辛格模型，根据所述目标运动模型和目标辛格模型进行预测，得到下一时刻的预测目标状态；
根据雷达回波观测模型获取下一时刻的目标观测信息，根据目标观测信息计算粒子似然比，根据所述粒子似然比为所述预测目标状态对应的预测粒子赋予权重；
根据权重对粒子进行系统化重采样，得到重采样粒子系统，根据伯努利滤波器对所述重采样粒子系统进行计算，得到下一时刻的目标存在概率；
初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统，包括：
初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统，其中，/>表示初始目标状态，/>表示初始权重，/>表示第i个粒子的目标相位，/>表示第i个粒子的目标多普勒频率，/>表示第i个粒子的目标功率，/>表示第i个粒子的目标辛格模型中值，/>表示第i个粒子的目标辛格模型方差，表示初始存在概率，/>表示粒子数，/>表示粒子总数，/>表示复幅度，/>表示矩阵转置；
根据当前时刻的目标状态构建目标运动模型和目标辛格模型，根据所述目标运动模型和目标辛格模型进行预测，得到下一时刻的预测目标状态，包括：
根据当前时刻的目标状态中的所述目标相位和目标多普勒频率构建目标运动模型，根据所述目标运动模型进行预测，得到下一时刻的预测目标运动模型；
根据当前时刻的目标状态中的所述目标功率、目标辛格模型中值和目标辛格模型方差构建目标辛格模型，根据所述目标辛格模型进行预测，得到下一时刻的预测辛格模型；
根据所述预测目标运动模型和预测辛格模型中的参数得到下一时刻的预测目标状态；
根据所述目标运动模型进行预测，得到下一时刻的预测目标运动模型，包括：
根据当前时刻的目标运动模型进行预测，得到下一时刻的预测目标运动模型表示为
其中，表示目标相位，/>表示目标多普勒频率，/>表示采样周期，/>表示过程噪声矢量，k表示时刻，/>表示噪声的时间相关系数，/>为零均值高斯白噪声；
根据所述目标辛格模型进行预测，得到下一时刻的预测辛格模型，包括：
根据当前时刻的所述目标辛格模型中的目标功率进行预测，得到下一时刻的预测目标功率，表示为，其中，/>表示k时刻的目标功率，/>表示所述目标功率的固定方差；
根据当前时刻的所述目标辛格模型中的目标辛格模型中值进行预测，得到下一时刻的预测目标辛格模型中值，表示为，其中，/>表示相关系数，表示相关时间，/>表示k时刻的目标辛格模型中值，/>表示虚数单位；
根据当前时刻的所述目标辛格模型中的目标辛格模型方差进行预测，得到下一时刻的预测目标辛格模型方差，表示为，其中，/>表示k时刻的目标辛格模型方差。
2.根据权利要求1所述的方法，其特征在于，根据雷达回波观测模型获取下一时刻的目标观测信息，表示为
其中，表示观测噪声，/>表示观测函数，表示为
其中，表示信号采样率，n表示采样点数，N表示采样总数。
3.根据权利要求2所述的方法，其特征在于，根据目标观测信息计算粒子似然比，包括：
根据下一时刻的目标观测信息进行计算，得到目标存在假设的似然函数和目标不存在假设的似然函数；
根据所述目标存在假设的似然函数和所述目标不存在假设的似然函数进行计算，得到粒子似然比。
4.根据权利要求3所述的方法，其特征在于，根据所述目标存在假设的似然函数和所述目标不存在假设的似然函数进行计算，得到粒子似然比，表示为
其中，表示目标存在假设的似然函数，/>表示目标不存在假设的似然函数，/>表示目标存在假设，/>表示目标不存在假设，/>表示信号复幅度的分布方差，/>表示像素点/>的复幅度，/>表示/>的转置共轭，/>表示噪声方差。
5.根据权利要求1所述的方法，其特征在于，根据权重对粒子进行系统化重采样，得到重采样粒子系统，包括：
将粒子的权重区间按照粒子总数进行均匀划分，在每一份权重子区间内选取与第一份权重子区间内位置相同的权重，并选取对应的粒子，得到权重相等的重采样粒子系统。
6.一种基于伯努利滤波器算法的弱小目标检测装置，其特征在于，所述装置包括：
初始模块，用于初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统；其中，所述初始粒子系统包括初始目标状态和初始权重；
预测模块，用于根据当前时刻的目标状态构建目标运动模型和目标辛格模型，根据所述目标运动模型和目标辛格模型进行预测，得到下一时刻的预测目标状态；
更新模块，用于根据雷达回波观测模型获取下一时刻的目标观测信息，根据目标观测信息计算粒子似然比，根据粒子似然比为预测目标状态对应的预测粒子赋予权重；
重采样模块，用于根据权重对粒子进行系统化重采样，得到重采样粒子系统，根据伯努利滤波器对重采样粒子系统进行计算，得到下一时刻的目标存在概率；
初始模块，还用于初始化粒子状态，从状态空间进行随机采样，得到随机分布的初始粒子系统，其中，/>表示初始目标状态，/>表示初始权重，/>表示第i个粒子的目标相位，/>表示第i个粒子的目标多普勒频率，/>表示第i个粒子的目标功率，/>表示第i个粒子的目标辛格模型中值，/>表示第i个粒子的目标辛格模型方差，/>表示初始存在概率，/>表示粒子数，/>表示粒子总数，/>表示复幅度，/>表示矩阵转置；
预测模块，还用于根据当前时刻的目标状态中的所述目标相位和目标多普勒频率构建目标运动模型，根据所述目标运动模型进行预测，得到下一时刻的预测目标运动模型；根据当前时刻的目标状态中的所述目标功率、目标辛格模型中值和目标辛格模型方差构建目标辛格模型，根据所述目标辛格模型进行预测，得到下一时刻的预测辛格模型；根据所述预测目标运动模型和预测辛格模型中的参数得到下一时刻的预测目标状态；
预测模块，还用于根据当前时刻的目标运动模型进行预测，得到下一时刻的预测目标运动模型表示为
其中，表示目标相位，/>表示目标多普勒频率，/>表示采样周期，/>表示过程噪声矢量，k表示时刻，/>表示噪声的时间相关系数，/>为零均值高斯白噪声；
预测模块，还用于根据当前时刻的所述目标辛格模型中的目标功率进行预测，得到下一时刻的预测目标功率，表示为，其中，/>表示k时刻的目标功率，/>表示所述目标功率的固定方差；根据当前时刻的所述目标辛格模型中的目标辛格模型中值进行预测，得到下一时刻的预测目标辛格模型中值，表示为/>，其中，表示相关系数，/>表示相关时间，/>表示k时刻的目标辛格模型中值，/>表示虚数单位；根据当前时刻的所述目标辛格模型中的目标辛格模型方差进行预测，得到下一时刻的预测目标辛格模型方差，表示为/>，其中，/>表示k时刻的目标辛格模型方差。
CN202211130653.2A 2022-09-15 2022-09-15 基于伯努利滤波器算法的弱小目标检测方法和装置 Active CN115407299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211130653.2A CN115407299B (zh) 2022-09-15 2022-09-15 基于伯努利滤波器算法的弱小目标检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211130653.2A CN115407299B (zh) 2022-09-15 2022-09-15 基于伯努利滤波器算法的弱小目标检测方法和装置

Publications (2)

Publication Number Publication Date
CN115407299A CN115407299A (zh) 2022-11-29
CN115407299B true CN115407299B (zh) 2024-06-18

Family

ID=84164942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211130653.2A Active CN115407299B (zh) 2022-09-15 2022-09-15 基于伯努利滤波器算法的弱小目标检测方法和装置

Country Status (1)

Country Link
CN (1) CN115407299B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116908848B (zh) * 2023-07-18 2024-06-21 中国人民解放军战略支援部队航天工程大学士官学校 一种低过采Staggered SAR成像方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109991597A (zh) * 2019-04-04 2019-07-09 中国人民解放军国防科技大学 一种面向弱扩展目标的检测前跟踪方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2885225B1 (fr) * 2005-04-29 2007-06-22 Thales Sa Detecteur sequentiel markovien
JP2016142705A (ja) * 2015-02-05 2016-08-08 株式会社東芝 追跡システム、方法、およびプログラム
WO2018119912A1 (zh) * 2016-12-29 2018-07-05 深圳大学 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置
JP6873009B2 (ja) * 2017-08-24 2021-05-19 株式会社デンソーテン レーダ装置および物標検出方法
CN108646237A (zh) * 2018-05-09 2018-10-12 西安电子科技大学 基于当前统计模型的雷达机动目标跟踪优化方法
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
CN110865343B (zh) * 2019-11-13 2022-04-29 中国人民解放军海军航空大学 基于lmb的粒子滤波检测前跟踪方法及系统
CN112649802B (zh) * 2020-12-01 2022-03-22 中国人民解放军海军航空大学 高分辨传感器弱小多目标检测前跟踪方法
CN113866755A (zh) * 2021-07-20 2021-12-31 桂林电子科技大学 基于多伯努利滤波的雷达微弱起伏目标检测前跟踪算法
CN115015907A (zh) * 2022-05-12 2022-09-06 大连海事大学 一种基于稀疏表示的粒子滤波检测前跟踪方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109991597A (zh) * 2019-04-04 2019-07-09 中国人民解放军国防科技大学 一种面向弱扩展目标的检测前跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
单脉冲雷达导引头联合检测与DOA估计算法;董文豪 等;航空兵器;20220228;第29卷(第1期);98-106 *
基于叠加式传感器的多普勒雷达多目标联合检测与估计;董文豪 等;信号处理;20220331;第38卷(第5期);964-972 *

Also Published As

Publication number Publication date
CN115407299A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
Davey et al. Using phase to improve track-before-detect
Bocquet Parameter estimation for Pareto and K distributed clutter with noise
Liang-Qun et al. Intuitionistic fuzzy joint probabilistic data association filter and its application to multitarget tracking
CN109154655A (zh) 目标信号检测方法、设备、无人机及农业无人机
CN115407299B (zh) 基于伯努利滤波器算法的弱小目标检测方法和装置
Liu et al. Multitarget state extraction for the PHD filter using MCMC approach
Weinberg Examination of classical detection schemes for targets in Pareto distributed clutter: Do classical CFAR detectors exist, as in the Gaussian case?
CN111796272A (zh) 穿墙雷达人体图像序列的姿态实时识别方法及计算机设备
Abu et al. CFAR detection algorithm for objects in sonar images
Ristic et al. Bernoulli track‐before‐detect filter for maritime radar
CN111562569A (zh) 基于加权群稀疏约束的Weibull背景下多目标恒虚警检测方法
Sun et al. Labelled multi‐Bernoulli filter with amplitude information for tracking marine weak targets
CN113673565A (zh) 多传感器gm-phd自适应序贯融合多目标跟踪方法
CN112485783A (zh) 目标探测方法、装置、计算机设备和存储介质
Hua et al. A divergence mean-based geometric detector with a pre-processing procedure
Wang et al. A robust constant false alarm rate detector based on the Bayesian estimator for the non-homogeneous Weibull clutter in HFSWR
Shen et al. RFS‐based extended target multipath tracking algorithm
Xue et al. Knowledge-based adaptive detection of radar targets in generalized Pareto clutter
Pan et al. Ship detection using online update of clutter map based on fuzzy statistics and spatial property
Song et al. An improved dynamic programming tracking-before-detection algorithm based on LSTM network value function
CN115327503A (zh) 基于高斯粒子滤波的固定单站无源定位方法和相关装置
CN115436902B (zh) 基于三通道联合检测的角误差估计方法和装置
CN115561748A (zh) 基于射频隐身的网络化雷达目标搜索跟踪资源分配方法
Jeong et al. Robust CFAR detector with ordered statistic of sub-reference cells in multiple target situations
Brekke et al. Target tracking in heavy-tailed clutter using amplitude information

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