CN116224271B - 基于极化散射特征的海面微弱目标检测方法 - Google Patents
基于极化散射特征的海面微弱目标检测方法 Download PDFInfo
- Publication number
- CN116224271B CN116224271B CN202310031826.3A CN202310031826A CN116224271B CN 116224271 B CN116224271 B CN 116224271B CN 202310031826 A CN202310031826 A CN 202310031826A CN 116224271 B CN116224271 B CN 116224271B
- Authority
- CN
- China
- Prior art keywords
- scattering
- polarization
- decomposition
- matrix
- cameron
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 49
- 230000010287 polarization Effects 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 125000003275 alpha amino acid group Chemical group 0.000 claims 1
- 238000002592 echocardiography Methods 0.000 abstract description 5
- 238000000342 Monte Carlo simulation Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 7
- 241001274197 Scatophagus argus Species 0.000 description 5
- 101000573901 Homo sapiens Major prion protein Proteins 0.000 description 3
- 102100025818 Major prion protein Human genes 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000012237 artificial material Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明公开了一种基于极化散射特征的海面微弱目标检测方法,能够描述目标的散射特性,而且保留了雷达回波的高分辨率细节,解决了短时观测下检测的不稳定的问题。本方法的步骤包括:1)通过Cameron分解,根据极化散射矩阵特征实现目标和杂波样本的分类;2)对于任何一个散射矩阵将其与测试散射矩阵做相似性运算,进而判断是否属于同一类样本;3)根据杂波和目标样本的散射类型差异,提出了Cameron极化分解的散射权重,记为CPD‑SW;4)通过蒙特卡罗方法计算检测率Pd和虚警率Pf。本发明提高了特征空间的可分性,增强了短时检测下的稳定性。
Description
技术领域
本发明属于雷达信号处理技术领域,尤其涉及一种结合Cameron分解的基于极化散射特征的海面目标检测方法,可用于雷达在海杂波背景下的目标检测。
背景技术
海杂波具有非线性和非平稳性,海事雷达的目标检测性能往往受到其干扰与抑制。因此,在低信杂比(SCR)的情况下,海杂波背景下的目标检测是雷达检测领域的一个研究难点,尤其是对于海面小目标的检测,由于其尺寸小、速度慢,使得检测率大幅下降。
目前,针对海面目标检测已经提出多种方法,主要可以分为两类:
1、基于特定视角下特征的阈值检测。
阈值检测通常利用特定域下海杂波与目标特征的差异,然后根据相应特征,基于二元假设检验进行目标检测,主要方法有如下三种:
(1)基于统计特征的检测器,利用非高斯特性差异,如恒虚警(CFAR)检测器;
(2)基于多普勒特征的检测器,利用信息熵等非平稳特性的差异;
(3)基于分形特征的检测器,利用非线性特征差异,如Hurst指数和计盒维数;
以上三种阈值检测方法具有易于工程实施、虚警可控制、实时性强等优点,但在低信杂比的短时观察中检测性能低下。
基于极化分解的特征检测方法,利用极化散射分量在表面粗糙度、对称性和指向性等方面的明显差异,通过极化分解可以详细区分海杂波和目标。极化分解方法可以归纳为两大类:
(1)基于散射矩阵的相干分解,要求物体的散射特性确定或稳定,如Krogager分解、Cameron分解等。
(2)基于Mueller矩阵、相干矩阵和协方差矩阵的非相干分解,其中物体的散射特性是时变的,如Cloude分解和Freeman分解。然而,对测试距离单元沿径向进行非相干分解时的统计平均会丢失细节信息。当目标通常被杂波淹没时,非相干分解一般不能很好地反映目标的散射特性。
基于Krogager和Freeman分解分析了杂波和目标单元的平面散射、二面角散射和体散射3个散射分量。但对散射成分的种类分析较少具体。此外,由于实际测量偏差和复杂海况的影响,仅利用三个散射分量来描述海面的散射特性具有一定的局限性。而Cameron分解不仅可以描述目标的散射特性,还保留了雷达目标的高分辨率细节
2、基于多视角特征的异常检测。
通过机器学习将传统的二元阈值检测转化为对异常样本的识别,选取多视角下可分性和互补性强的特征作为输入样本,在大量海杂波样本中异常样本为目标样本,提高复杂条件下目标检测性能。随着可分性特征构成的空间的维数的增加,目标和杂波的差异表现的越来越明显,检测的性能也越来越好,但是特征维数的增加带来了巨大的计算量。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于Cameron极化分解的海面目标检测方法,以在短时观测情况下具有较强稳定性的同时,提高阈值检测的目标检测率。
实现本发明目的的技术方案是:
首先,利用Cameron分解对全极化通道雷达的回波在数据层进行融合。由于目标表面的人工材料结构,可以表明目标单元的非互易性强于杂波。
然后,基于Cameron分解结果,提取了一种在极化域具有散射几何特征的新特征,记为Cameron极化分解散射权重(CPD-SW),作为检测量,利用其散射类型的差异实现了对杂波散射特性更细致的描述,具体步骤包括如下:
(1)通过Cameron分解,根据极化散射矩阵特性对信号回波样本进行极化特征分解;
(2)对于任何一个散射矩阵将其与测试散射矩阵做相似性运算,进而判断是否属于同一类散射类型。
(2a)计算与之间的夹角θt:
(2b)通过分解后,被测单元的时序可以表示为:
(2c)将采集到的雷达回波数据依次进行Cameron极化分解。
(3)根据杂波和目标单元的散射类型差异,提出了Cameron极化分解的散射权重,记为CPD-SW:
(4)通过蒙特卡罗方法计算检测率Pd和虚警率Pf为:
本发明与现有技术相比具有如下优点:
1.与传统的相干分解方法相比,Cameron分解不仅能够描述目标的散射特性,而且能够保留雷达回波的高分辨率细节;
2.与现有方法相比,该发明在短时观测下具有较强的稳定性,在IPIX数据集上的异常检测中也能提高特征空间的可分性。
实验仿真表明:随着ASCR的增大,所有阈值方法的检测率基本趋于一致。在相同观测时间下,CPD-SW方法比其他方法具有更高的检出率。CFAR和PolE方法在低ASCR条件下检测性能基本失效。Hurst方法在低ASCR条件下具有较好的检测性能,但当观测时间减少时,由于海杂波非线性的下降,检测性能明显下降。本发明提出的基于极化散射域散射几何的特征在短时阈值检测中具有良好的稳定性。
附图说明
图1是本发明的所提检测器的具体流程图;
图2是本发明中第8号数据集观测时间为1.024s时28个距离单元的时间序列图;
图3a和图3b分别表示不同数据集Wscat的CPD-SW的统计平均值。
具体实施方式
本发明通过对雷达多个极化采集通道的原始回波进行Cameron分解实现数据级信息融合。基于杂波和目标极化散射成分类型的差异,提出了一种新的特征Cameron极化分解散射权重,记为(Cameron Polarization Decomposition-Scattering Weight,CPD-SW)作为检测量。与现有方法相比,该方法在短时观测下具有较强的稳定性,在IPIX数据集上的异常检测中也能提高特征空间的可分性。
下面结合附图和具体实施例对本发明作进一步详细描述。
参照图1,本发明的结合Cameron分解的基于极化散射特征的海面目标检测方法,首先,分别接收来自海面的四极化通道的雷达回波数据,然后采用如下步骤进一步处理:
步骤1,通过Cameron分解,根据极化散射矩阵特征实现目标的分类:
(1a)将线极化基下极化散射矩阵S矢量化,有
其中,V为矢量化算子,T表示转置,为获得的散射矢量,即为极化散射矩
(1b)互易目标的散射矩阵构成子空间的Wrec由以下投影算子Prec生成:
用极化散射矩阵与互易子空间Wrec的夹角θrec表示极化散射矩阵服从互易程度:
如果那么认为目标是互易的,否则为非互易的。
(1c)经过Pauli分解,计算偏离对称(互易)子空间Wrec的程度τ,对目标进行进一步细分:
其中,为从中提取的最大对称部分,当τ=0时,散射矩阵对应于完全对称散射体子空间;当时,散射矩阵对应于完全非对称散射体子空间。为极化散射矩阵中的互易成分;
(1d)进一步对目标进行细分,以为界,大于该门限的判定为非对称散射体,反之为对称散射体。
步骤2,对于任何一个散射矩阵将其与测试散射矩阵做相似性运算,进而判断是否属于同一类目标:
(2a)计算与之间的夹角θt:
其中,θt=0时被测散射矩阵与待测矩阵属于同一类散射成分,当时,被测散射矩阵与待测矩阵属于不同类散射成分。
(2b)通过式<5>比较不同散射体的极化散射矩阵,进一步细分对称散射体和非对称散射体的归属。
通过分解后,被测目标单元的时序可以表示为:
其中,sop是Cameron分解的结果;k表示散射体的类型,k=1,…11分别表三面角、二面角、偶极子、圆柱体、窄二面角、1/4波长器件、全对称散射体、左手螺旋体、右手螺旋体、全非对称散射体和非互易散射体;i表示雷达回波样本序号;
(2c)本具体实施方式中,将表1中已公开的IPIX雷达数据中1998年采集到的8号数据集进行Cameron极化分解。结果如图2所示,海杂波的散射类型受海况影响较大,具有随机无序的特点,通过Cameron极化分解后表现出规律性和集中性。
步骤3,根据杂波和目标单元的散射类型差异,提出了Cameron极化分解的散射权重,记为CPD-SW;
(3a)计算输出时间序列中各个类型散射体的概率p(k):
其中,L是每个样本的长度,n为样本数。
(3b)Cameron极化分解的散射权重CPD-SW定义如下:
步骤4,通过蒙特卡罗方法计算检测率Pd和虚警率Pf为:
其中,x表示阈值,NTs是包含目标的数据中Wscat大于x的次数,NTa是该数据中的总次数。NCs是纯海杂波数据中大于x的次数,NCa是总次数。
下面结合具体的仿真测试结果进一步说明本发明的有益效果。
仿真条件:
IPIX雷达是一种仪器质量、相参、双极化的X波段(9.39GHz)雷达系统。本发明使用了IPIX雷达在1993年收集的四个数据集和1998年收集的四个数据集对四种极化(HH,VV,HV和VH极化)进行了研究,脉冲重复频率为1000Hz。
表1仿真IPIX数据集描述
仿真1:不同数据集Wscat的统计平均值如图3所示。由此可知,由于目标表面的极化散射较为集中,导致目标单元的Wscat大于杂波单元。
仿真2:通过分析所提发明在不同观测时间下的性能,以验证Wscat的稳定性。将每个距离单元连续时间内的回波划分为具有相同采样点数的样本。由于雷达的脉冲重复频率为1000Hz,因此选取样本的长度L分别为128、512、1024和4096,对应的观测时间分别为0.128s、0.512s、1.024s和4.096s。当Pf=10-2时,蒙特卡罗次数为1000次,结果如表2所示。从表2可以看出,随着观察时间的增加,检测率在逐渐提高。
表2不同观测时间平均检测率(%)
仿真3:通过在Pf=10-2时不同观测时间下所提专利与其他阈值检测方法的检测性能比较,所得结果如表3所示。其中,方法包括统计域中基于平均幅度的方法(记为CFAR)、分形域中基于Hurst指数的方法(记为Hurst)、极化域中基于极化熵的方法(记为PolE)和多普勒域中基于信息熵的方法(记为DopplerE),以及所提方法CPD-SW。
表3不同方法的检测性能(%)
总结
本发明的一种基于极化散射特征的海面微弱目标检测方法,能够描述目标的散射特性,而且保留了雷达回波的高分辨率细节,解决了短时观测下检测的不稳定的问题。
本方法的步骤包括:1)通过Cameron分解,根据极化散射矩阵特征实现目标和杂波样本的分类;2)对于任何一个散射矩阵将其与测试散射矩阵做相似性运算,进而判断是否属于同一类样本;3)根据杂波和目标样本的散射类型差异,提出了Cameron极化分解的散射权重,记为CPD-SW;4)通过蒙特卡罗方法计算检测率Pd和虚警率Pf。
本发明提高了特征空间的可分性,增强了短时检测下的稳定性。
Claims (3)
1.一种基于极化散射特征的海面微弱目标检测方法,其特征是包括:
步骤1)分别接收来自海面的四极化通道的雷达回波数据,组成极化散射矩阵
步骤2)通过Cameron分解,根据极化散射矩阵特性对信号回波样本进行极化特征分解,对于任何一个极化散射矩阵将其与测试散射矩阵做相似性运算,进而判断是否属于同一类散射类型;
步骤3)根据杂波和目标单元的散射类型差异,提出了Cameron极化分解的散射权重;
步骤4)基于Cameron极化分解的散射权重,计算检测率Pd和虚警率Pf;
所述步骤2)中:
2a)计算与之间的夹角θt:
其中,θt=0时,矩阵与矩阵属于同一类散射成分;当时,矩阵与矩阵正交;式<1>中,表示极化散射矩阵,表示测试散射矩阵;
2b)通过Cameron极化分解后,被测回波样本的输出时序Soutput表示为:
其中,sop是Cameron分解的结果;k表示散射体类型,k=1,…11分别表三面角、二面角、偶极子、圆柱体、窄二面角、1/4波长器件、全对称散射体、左手螺旋体、右手螺旋体、全非对称散射体和非互易散射体;
2c)将采集到的雷达回波数据依次进行Cameron极化分解;
所述步骤3)中:
3a)计算输出时间序列中不同散射体类型的概率p(k):
p(k)=p{Sop(l)=k},l=1,…L,L=N/n <3>
其中,L是每个样本的长度,n为样本数;
3b)Cameron极化分解的散射权重定义如下:
2.根据权利要求1所述的基于极化散射特征的海面微弱目标检测方法,其特征是步骤1)中极化散射矩阵的提取步骤包括:
1a)接收来自海面的四极化通道的雷达回波数据,分别记为shh,shv,svh和svv;
1b)将线极化基下极化散射矩阵S矢量化,有:
其中,V为矢量化算子,T表示转置,为获得的极化散射矩阵。
3.根据权利要求1所述的基于极化散射特征的海面微弱目标检测方法,其特征是步骤2)中通过Cameron分解,根据极化散射矩阵特征实现目标的分类的步骤包括:
2a)互易目标的散射矩阵构成子空间的Wrec由以下投影算子Prec生成:
用极化散射矩阵与互易子空间Wrec的夹角表示极化散射矩阵服从互易程度:
如果那么认为目标是互易的,否则为非互易的;
2b)经过Pauli分解,计算偏离对称子空间Wrec的程度τ,对目标进行进一步细分:
其中,为从中提取的最大对称部分,当τ=0时,散射矩阵对应于完全对称散射体子空间;当时,散射矩阵对应于完全非对称散射体子空间;为极化散射矩阵中的互易成分;
2c)进一步对目标进行细分,以为界,大于该门限的判定为非对称散射体,反之为对称散射体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310031826.3A CN116224271B (zh) | 2023-01-10 | 基于极化散射特征的海面微弱目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310031826.3A CN116224271B (zh) | 2023-01-10 | 基于极化散射特征的海面微弱目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116224271A CN116224271A (zh) | 2023-06-06 |
CN116224271B true CN116224271B (zh) | 2024-06-28 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202674A (zh) * | 2021-12-15 | 2022-03-18 | 北京化工大学 | 一种基于散射机制用于简缩极化sar的交互cnn分类方法 |
CN115372970A (zh) * | 2022-08-19 | 2022-11-22 | 陕西省土地工程建设集团有限责任公司 | 一种山区丘陵区作物sar遥感提取方法 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202674A (zh) * | 2021-12-15 | 2022-03-18 | 北京化工大学 | 一种基于散射机制用于简缩极化sar的交互cnn分类方法 |
CN115372970A (zh) * | 2022-08-19 | 2022-11-22 | 陕西省土地工程建设集团有限责任公司 | 一种山区丘陵区作物sar遥感提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Conte et al. | Statistical analysis of real clutter at different range resolutions | |
CN112462355B (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
Li et al. | Ground clutter detection using the statistical properties of signals received with a polarimetric radar | |
Golbon-Haghighi et al. | Ground clutter detection for weather radar using phase fluctuation index | |
CN109932717B (zh) | 基于环境统计建模的isar高分辨成像方法 | |
CN112462343A (zh) | 一种通过频域变换处理提取雷达信号脉内特征参数的方法 | |
JP2010038744A (ja) | 目標識別用レーダ装置 | |
CN116224271B (zh) | 基于极化散射特征的海面微弱目标检测方法 | |
Jian et al. | Fractal Poisson model for target detection within spiky sea clutter | |
Keeler et al. | Observational error covariance matrices for radar data assimilation | |
CN116224271A (zh) | 基于极化散射特征的海面微弱目标检测方法 | |
Zhang et al. | Sea clutter modeling using an autoregressive generalized nonlinear-asymmetric GARCH model | |
Wang et al. | Chaff identification method based on Range‐Doppler imaging feature | |
CN113777573B (zh) | 基于朴素贝叶斯分类器的双偏振雷达二次回波识别方法 | |
CN111580062B (zh) | 基于双圆极化高分辨一维距离像hrrp的目标鉴别方法 | |
Xu et al. | A modified anti-RGPO jamming algorithm | |
Zhang et al. | A new detecting method for weak targets in sea clutter based on multifractal properties | |
CN115166649B (zh) | 一种极窄脉冲雷达散射点特征聚合目标极化检测方法 | |
Cao et al. | An approach for high resolution radar target recognition based on BP neural network | |
Zheng et al. | Multiplicative multifractal modeling of sea clutter | |
Liu et al. | Identification and suppression of clutter using machine learning method | |
CN113189557B (zh) | 对海雷达目标检测精细化处理方法及装置 | |
Jianbin et al. | Frame segmentation and recognition algorithm for ship's HRRPs based on hypothesis testing | |
CN117452342B (zh) | 一种基于极化特征的箔条干扰检测方法 | |
Bouza et al. | Classification of sums of complex exponentials |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |