CN116430344A - 一种基于改进相位特征的海面慢速小目标检测方法 - Google Patents
一种基于改进相位特征的海面慢速小目标检测方法 Download PDFInfo
- Publication number
- CN116430344A CN116430344A CN202310622625.0A CN202310622625A CN116430344A CN 116430344 A CN116430344 A CN 116430344A CN 202310622625 A CN202310622625 A CN 202310622625A CN 116430344 A CN116430344 A CN 116430344A
- Authority
- CN
- China
- Prior art keywords
- data
- phase
- detected
- phase difference
- calculating
- 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 107
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000001934 delay Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 9
- 230000010287 polarization Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 101100162976 Sus scrofa APOR gene Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 102100024210 CD166 antigen Human genes 0.000 description 1
- 101000980840 Homo sapiens CD166 antigen Proteins 0.000 description 1
- 230000018199 S phase Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000000926 separation 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
- 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种基于改进相位特征的海面慢速小目标检测方法,包括,获取雷达回波数据;从雷达回波数据中提取海杂波数据,计算海杂波数据的最佳时间滞后,并提取相位域三特征,构造训练矩阵;其中,相位域三特征包括相对平均相位波动、相位波动方差和相位差均值偏移速率;根据训练矩阵通过快速凸包学习算法得到决策区域;获取待检测数据;提取待检测数据的相位域三特征,构造检测矩阵,得到待检测数据样本点在三维特征检测空间中的特征点分布;利用待检测数据的样本特征点计算测试统计量,并结合决策区域得到检测结果。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种基于改进相位特征的海面慢速小目标检测方法。
背景技术
在雷达目标检测领域,海面慢速小目标检测一直是一大难题。在海洋环境背景下,雷达回波中往往以海杂波为主,海杂波是指雷达电磁波照射到海洋表面时产生的后向散射回波,在一般场景下雷达回波信杂比较低,同时海杂波多普勒带宽较大,导致海面慢速小目标常常淹没于海杂波中,基于回波幅度的检测方法常常无法取得良好的效果。同时由于海面的复杂变化,导致高分辨率下的海杂波呈现非高斯、非平稳、非均匀的空时特性,一般的统计模型难以准确描述海杂波的复杂特性,一旦统计模型失配则检测器的性能将受到严重影响。而在低射掠角、大风速等情况下,海面浪高较高,雷达回波呈现出与目标回波相似的特征,进一步降低海面慢速目标检测领域检测器的性能,传统方法的海杂波背景下目标检测问题面临诸多问题及挑战。
在这一问题上,很多国内外学者进行了大量的研究,近年来,基于特征的检测方法获得关注。该方法通过挖掘海杂波和目标回波具有分离性的互补特征,将高度重叠的检测空间转换到低重叠的特征空间,实现检测性能的提高。其中,基于相位特征的海面目标检测方法通过提取回波信号的相位过零点个数、相位差PDF最大值以及去相关时间作为特征,实现海上小目标检测。然而该方法所用特征仍然会受多普勒谱重叠的影响,当海杂波单元与目标单元回波的多普勒频移接近时,特征检测效果下降。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种基于改进相位特征的海面慢速小目标检测方法,通过改进雷达回波相位域特征并结合机器学习算法实现海杂波和目标的有效区分,提高了对海面慢速小目标的检测性能,进一步加强雷达对海探测能力。
为达上述目的,本发明第一方面实施例提出了一种基于改进相位特征的海面慢速小目标检测方法,包括:
获取雷达回波数据;
从所述雷达回波数据中提取海杂波数据,计算所述海杂波数据的最佳时间滞后,并提取相位域三特征,构造训练矩阵;其中,所述相位域三特征包括相对平均相位波动、相位波动方差和相位差均值偏移速率;
根据所述训练矩阵通过快速凸包学习算法得到决策区域;
获取待检测数据;
提取所述待检测数据的相位域三特征,构造检测矩阵,得到所述待检测数据样本点在三维特征检测空间中的特征点分布;
利用所述待检测数据的样本特征点计算测试统计量,并结合所述决策区域得到检测结果。
另外,根据本发明上述实施例的一种基于改进相位特征的海面慢速小目标检测方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述从所述雷达回波数据中提取海杂波数据,计算所述海杂波数据的最佳时间滞后,并提取相位域三特征,构造训练矩阵,包括:
计算不同时间滞后下海杂波单元数据的相位差序列,并得到对应的相位差序列PDF;
分析不同时间滞后对应的相位差序列PDF分布情况,得到某特定时间滞后使得在该时间滞后下相位差序列PDF峰值小于0.004,该时间滞后即为去相关时间,对所有样本的去相关时间取均值得到该海杂波单元的平均去相关时间;
对雷达回波数据所有海杂波单元的去相关时间取平均得到该数据集的平均去相关时间,进而得到该雷达回波数据下的最佳时间滞后;
利用所述海杂波单元的最佳时间滞后计算相对平均相位波动特征以及相位波动方差特征;
分析不同时间滞后下相位差序列均值随时间滞后的偏移情况,得到相位差均值偏移速率特征;
当海面后向反射机理因海况、风速、雷达入射角的不同而发生改变,则应重新获取雷达回波得到符合当前检测情况的海杂波单元数据以更新决策区域。
进一步地,在本发明的一个实施例中,所述利用所述海杂波单元的最佳时间滞后计算相对平均相位波动特征以及相位波动方差特征,包括:
利用所述海杂波单元的最佳时间滞后,计算该时间滞后下的相位差序列并对其数值进行绝对值累积得到相位波动总量,并统计相位波动稳定样本点个数;
由所述相位波动总量除以所述相位波动稳定样本点个数,得到相对平均相位波动;
通过对所述相位差序列统计特性的计算,得到相位差波动方差。
进一步地,在本发明的一个实施例中,所述相位波动稳定样本点个数统计为所述相位波动序列相邻样本点之间的起伏小于或等于15°的数量。
进一步地,在本发明的一个实施例中,所述分析不同时间滞后下相位差序列均值随时间滞后的偏移情况,得到相位差均值偏移速率特征,包括:
利用所述不同时间滞后下的相位差序列计算不同时间滞后下的相位差序列均值,并计算其随着时间滞后线性变化的程度大小,得到相位差均值偏移速率。
进一步地,在本发明的一个实施例中,所述根据所述训练矩阵通过快速凸包学习算法得到决策区域,包括:
通过快速凸包学习算法对所述海杂波单元数据的训练矩阵进行训练,根据给定的虚警率移除凸包表面使得凸包体积减小最大的一些样本点,形成决策区域。
进一步地,在本发明的一个实施例中,所述提取所述待检测数据的相位域三特征,构造检测矩阵,得到所述待检测数据样本点在三维特征检测空间中的特征点分布,包括:
从所述待检测数据中提取相位三特征,通过所述海杂波单元的最佳时间滞后计算相对平均相位波动特征和相位波动方差特征,分析待检测数据中不同时间滞后下相位差序列均值随时间滞后的偏移情况,得到相位差均值偏移速率特征,构造检测矩阵;
将所述检测矩阵中的每一行数值作为三维特征空间中的特征点坐标,得到三位特征空间中的特征点分布。
进一步地,在本发明的一个实施例中,所述利用所述待检测数据的样本特征点计算测试统计量,并结合所述决策区域得到检测结果,包括:
判断待检测数据特征点在三维特征空间中的分布与所述决策区域的空间关系,若待检测数据特征点落入决策区域,则所述待检测数据为纯杂波数据;反之,则所述待检测数据为含目标数据。
为达上述目的,本发明第二方面实施例提出了一种基于改进相位特征的海面慢速小目标检测装置,包括以下模块:
第一获取模块,用于获取雷达回波数据;
第一提取模块,用于从所述雷达回波数据中提取海杂波数据,计算所述海杂波数据的最佳时间滞后,并提取相位域三特征,构造训练矩阵;其中,所述相位域三特征包括相对平均相位波动、相位波动方差和相位差均值偏移速率;
训练模块,用于根据所述训练矩阵通过快速凸包学习算法得到决策区域;
第二获取模块,获取待检测数据;
第二提取模块,用于提取所述待检测数据的相位域三特征,构造检测矩阵,得到所述待检测数据样本点在三维特征检测空间中的特征点分布;
检测模块,用于利用所述待检测数据的样本特征点计算测试统计量,并结合所述决策区域得到检测结果。
为达上述目的,本发明第三方面实施例提出了一种计算机设备,其特征在于,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,所述处理器执行所述计算机程序时,实现如上所述的一种基于改进相位特征的海面慢速小目标检测方法。
本发明提供的基于改进相位特征的海面慢速小目标检测方法,充分挖掘了雷达回波中海杂波与目标相位域的差异特征,针对性地解决了传统特征检测方法存在的利用相位信息过少导致检测性能有限、面对多普勒谱重叠场景性能下降以及已有相位特征受多普勒谱宽变化影响较大等问题,使得检测结果更加准确可靠。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明提供的基于改进相位特征的海面慢速小目标检测方法的流程图;
图2为在观测时长为1.024s时,用本发明的方法与现有的基于相位特征的海面小目标检测方法在HH极化方式下的检测性能对比图;
图3为在观测时长为1.024s时,用本发明的方法与现有的基于相位特征的海面小目标检测方法在HV极化方式下的检测性能对比图;
图4为在观测时长为1.024s时,用本发明的方法与现有的基于相位特征的海面小目标检测方法在VH极化方式下的检测性能对比图;
图5为在观测时长为1.024s时,用本发明的方法与现有的基于相位特征的海面小目标检测方法在VV极化方式下的检测性能对比图;
图6为本发明提供的基于改进相位特征的海面慢速小目标检测装置的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于改进相位特征的海面慢速小目标检测方法。
图1为本发明实施例所提供的一种基于改进相位特征的海面慢速小目标检测方法的流程示意图。
如图1所示,该基于改进相位特征的海面慢速小目标检测方法包括以下步骤:
S101:获取雷达回波数据;
在雷达发射机向海面发射信号后,通过雷达接收机接收来自海面反射的回波数据。其中某特定距离单元的数据可表示为x=[x(1),(2),…,x()]T,[·]T表示转置,M表示时间序列长度,若雷达回波未受目标影响,则待检测单元数据应为海杂波数据c(m),m=1,2,...,M;否则,待检测单元还应包含目标信号s(m),m=1,2,...,M;将所述某特定距离单元离散时间序列划分为有重叠的K个样本片段,即:
其中,表示第p个距离单元离散时间序列的第k个样本片段,p=1,2,...,P,k=1,2,...,K,N表示每个样本片段的长度,对于IPIX数据集,我们采用1.024s的观测时长,设定N=1024,因此可以得到1016个样本片段。
S102:从所述雷达回波数据中提取海杂波数据,计算所述海杂波数据的最佳时间滞后,并提取相位域三特征,构造训练矩阵;其中,所述相位域三特征包括相对平均相位波动、相位波动方差和相位差均值偏移速率;
进一步地,在本发明的一个实施例中,所述从所述雷达回波数据中提取海杂波数据,计算所述海杂波数据的最佳时间滞后,并提取相位域三特征,构造训练矩阵,包括:
计算不同时间滞后下海杂波单元数据的相位差序列,并得到对应的相位差序列PDF;
分析不同时间滞后对应的相位差序列PDF分布情况,得到某特定时间滞后使得在该时间滞后下相位差序列PDF峰值小于0.004,该时间滞后即为去相关时间,对所有样本的去相关时间取均值得到该海杂波单元的平均去相关时间;
对雷达回波数据所有海杂波单元的去相关时间取平均得到该数据集的平均去相关时间,进而得到该雷达回波数据下的最佳时间滞后;
利用所述海杂波单元的最佳时间滞后计算相对平均相位波动特征以及相位波动方差特征;
分析不同时间滞后下相位差序列均值随时间滞后的偏移情况,得到相位差均值偏移速率特征;
当海面后向反射机理因海况、风速、雷达入射角的不同而发生改变,则应重新获取雷达回波得到符合当前检测情况的海杂波单元数据以更新决策区域。
进一步地,在本发明的一个实施例中,所述利用所述海杂波单元的最佳时间滞后计算相对平均相位波动特征以及相位波动方差特征,包括:
利用所述海杂波单元的最佳时间滞后,计算该时间滞后下的相位差序列并对其数值进行绝对值累积得到相位波动总量,并统计相位波动稳定样本点个数;
由所述相位波动总量除以所述相位波动稳定样本点个数,得到相对平均相位波动;
通过对所述相位差序列统计特性的计算,得到相位差波动方差。
进一步地,在本发明的一个实施例中,所述相位波动稳定样本点个数统计为所述相位波动序列相邻样本点之间的起伏小于或等于15°的数量。
进一步地,在本发明的一个实施例中,所述分析不同时间滞后下相位差序列均值随时间滞后的偏移情况,得到相位差均值偏移速率特征,包括:
利用所述不同时间滞后下的相位差序列计算不同时间滞后下的相位差序列均值,并计算其随着时间滞后线性变化的程度大小,得到相位差均值偏移速率。
具体的,首先计算不同时间滞后τ下海杂波数据的相位差序列,公式如下:
其中,arg(·)表示计算复变量相位的函数,上标符号“*”表示序列的复共轭,τ表示给定的时间滞后,由于IPIX雷达数据集脉冲重复频率RPF为1000Hz,故设定最小时间滞后τmin为1ms,为方便表示以及满足公式书写需求,以下所述时间滞后τ均以毫秒为单位。
计算不同τ对应的相位差序列PDF,公式如下:
PDF=p(Δφk,τ|ck), (3)
其中,p(·)表示求PDF的函数。
海面后向散射回波数据的相位分布存在相关性,定义去相关时间DT为相位差PDF峰值小于或等于0.004对应的时间滞后,当达到去相关时,雷达回波相位差在-180°-180°的范围内呈现均匀分布。通过不同时间滞后τ对应的相位差序列PDF分布情况得到海杂波单元的平均去相关时间DTp,单位为毫秒,公式如下:
假设不同距离单元海杂波回波统计特性相同,则可以通过雷达回波数据所有海杂波单元的去相关时间求平均得到该数据集的平均去相关时间,进而可以得到最佳时间滞后τ′,如下:
为了准确描述同一时间滞后下,海杂波单元与目标单元在相位波动相对程度上的差异,本发明将相对平均相位波动RAPF作为检测器的第一个特征,其计算方法如下:
以最佳时间滞后τ′计算相位差:
相位波动序列可以通过相位差序列取绝对值即用式|Δφk(n|τ′)|表示,其衡量前后相位之间的波动数值大小,故相位波动总量PF定义为:
对于IPIX数据集而言,通过大量数据实验发现目标单元相位波动序列相邻样本点之间的起伏较小,而海杂波单元相位波动序列相邻样本点之间起伏较大,定义相位波动序列相邻样本点之间的起伏小于或等于15°的越多表示该样本数据相位波动起伏较为稳定,利用这一点可以构造更具分离性的特征,分析样本相位波动序列相邻样本点之间的起伏,得到样本中相位波动稳定的样本点个数:
其中,lk表示第k个样本序列内第l个样本点与下一个样本点之间起伏较为稳定,Lk表示第k个样本中相位波动稳定的样本点个数,为了描述差异特征,参考单元相对于目标单元的相对平均相位波动RAPF定义为第一个相位特征ξ1:
数据的相位波动序列整体起伏越稳定,ξ1越接近平均相位波动数值。
为了准确描述同一时间滞后下,海杂波单元与目标单元在相位波动数值离散性上的差异,本发明将相位波动方差PFV作为检测器的第二个特征,其计算方法如下:
计算相位波动均值:
其中N表示样本序列的长度。
相位波动方差PFV定义为第二个相位特征ξ2:
为了准确描述海杂波单元与目标单元在不同时间滞后下相位差序列均值随时间滞后的偏移程度,本发明将相位差均值偏移速率APOR作为检测器的第三个特征,其计算方法如下:
理论依据表明,不同时间滞后下的海杂波相位差均值与其对应的时间滞后在较短之后时间内,一般为去相关时间的一半左右时,呈现出较为明显的线性度。所述线性关系对应于由散射体相对雷达的运动而产生的多普勒频移,散射体相位中心的平均速度可以由这种线性关系的斜率估计得出,故相位差偏移速率APOR定义为第三个相位特征ξ3:
计算样本xk中所述不同时间滞后τ下的相位差序列Δφk(n|τ)的平均值记为Mean(Δφk|τ),对于IPIX数据集中第p个距离单元下的第k个样本序列而言,τ=1,2,...,τmax,其中 表示向上取整函数。
S103:根据所述训练矩阵通过快速凸包学习算法得到决策区域;
进一步地,在本发明的一个实施例中,所述根据所述训练矩阵通过快速凸包学习算法得到决策区域,包括:
通过快速凸包学习算法对所述海杂波单元数据的训练矩阵进行训练,根据给定的虚警率移除凸包表面使得凸包体积减小最大的一些样本点,形成决策区域。
将从海杂波数据时间序列提取的创新相位特征组成特征向量ξk=[ξ1(xk),ξ2(xk),ξ3(xk)]T。根据特征向量构造训练矩阵,矩阵大小为I×3,其中I为构成训练集的总样本个数,训练矩阵的每一行代表某样本的特征向量,训练样本数据全部来自于海杂波数据。
将本发明所述创新相位特征构成的训练矩阵输入快速凸包学习算法中,构建决策区域的过程包括:
1)设定虚警率PF,令K=I×PF,应满足K≥10,令集合G为海杂波数据模式下的训练矩阵,此矩阵的每一行代表该样本在三维特征空间中的特征点坐标值。求海杂波数据点集G的凸包,凸包的表面由R个样本点组成的一些三角面构成,每个三角面顶点在点集中的顺序为从凸包外侧看顺时针排列,凸包表面所有的顶点集合为{v1,v2,...,vR}。
3)设置移除特征点个数的初始值为k=0,找到顶点{vi}使得移除{vi}后新生成的凸包体积最小:
对于r从1到R,每次循环只移除凸包表面顶点集合中的一个点{vr},并重新生成余下所有点组成的集合G-{vr}的凸包,并计算凸包体积V(CH(G-{vr})),直到遍历整个集合{v1,v2,...,vR},找到集合{v1,v2,...,vR}中使得新生成的凸包体积最小的顶点{vi}:
其中CH(·)表示点集的凸包Convex Hull。
4)从集合G中移除该顶点,更新集合G=G-{vi},并令k=k+1,代表已完成一次特征点移除。
5)若总共移除的特征点数目k<K,则返回步骤2)执行下一次移除特征点循环;否则,终止循环并输出决策区域Ω=CH(G)。
S104:获取待检测数据;
在雷达回波数据中通常包含海杂波单元数据和目标单元回波数据,检测单元的选取通常采用快时间维的滑动处理,随着待检测单元的滑动选取,会出现不同的保护单元与参考单元,在实际检测过程中往往只关注待检测单元与参考单元。由于雷达回波数据通常具有较高的杂噪比,在这种情况下混杂噪声一般可以忽略不计。一般地,将海杂波背景下的目标检测问题归结为如下二元假设检验问题:
其中零假设H0表示待检测单元为纯杂波单元,备择假设H1表示待检测单元为目标单元。K表示一个距离单元中的样本片段个数,P表示参考单元个数,xk,sk和ck分别表示雷达回波,目标回波和待检测单元处的海杂波回波。p=1,2,...,P表示参考单元处的海杂波回波。
S105:提取所述待检测数据的相位域三特征,构造检测矩阵,得到所述待检测数据样本点在三维特征检测空间中的特征点分布;
进一步地,在本发明的一个实施例中,所述提取所述待检测数据的相位域三特征,构造检测矩阵,得到所述待检测数据样本点在三维特征检测空间中的特征点分布,包括:
从所述待检测数据中提取相位三特征,通过所述海杂波单元的最佳时间滞后计算相对平均相位波动特征和相位波动方差特征,分析待检测数据中不同时间滞后下相位差序列均值随时间滞后的偏移情况,得到相位差均值偏移速率特征,构造检测矩阵;
将所述检测矩阵中的每一行数值作为三维特征空间中的特征点坐标,得到三位特征空间中的特征点分布。
需注意在计算待检测数据的相对平均相位波动特征和相位波动方差特征时所用时间滞后应为前期采集的当前海况和雷达参数下海杂波数据计算得出的最佳时间滞后,此时特征可以达到最佳分离程度。
将得到的待检测数据特征向量组合成检测矩阵,矩阵的每一行代表一个待检测样本的特征向量,对应三维特征空间中的特征点坐标。
S106:利用所述待检测数据的样本特征点计算测试统计量,并结合所述决策区域得到检测结果。
进一步地,在本发明的一个实施例中,所述利用所述待检测数据的样本特征点计算测试统计量,并结合所述决策区域得到检测结果,包括:
判断待检测数据特征点在三维特征空间中的分布与所述决策区域的空间关系,若待检测数据特征点落入决策区域,则所述待检测数据为纯杂波数据;反之,则所述待检测数据为含目标数据。
由于现有基于特征的海上慢速目标检测技术很少利用到相位信息,导致检测性能有限,如MEMD在目标与海杂波多普勒谱分离时由于没有利用相位信息进行补偿导致累积增益较低,考虑到上述情况,本发明从待检测信号的相位域提取具有差异性的三种特征用于目标检测,在谱重叠场景具有优势的同时具有较低的计算复杂度,有效解决了已有相位三特征受谱宽变化影响严重的问题,提高了目标检测的准确度与可靠性。
本发明采用实施例对1993年的10组IPIX实测雷达数据进行分析和性能检验,其中,雷达脉冲重复频率RPF为1000Hz,待测目标是被铝丝包裹直径1m的漂浮圆球。每组数据包含四种极化方式分别为HH、HV、VH以及VV,每种极化方式下包含14个距离单元,每个距离单元时间序列长度为217。
现有技术中存在基于相位特征的海杂波背景下小目标检测器,该检测器从雷达回波中提取了相位过零点个数、相位差PDF峰值以及去相关时间三个特征,利用传统快速凸包学习算法实现了检测分类。
为了具体说明本发明提供的基于改进相位特征的海面慢速小目标检测方法的优点,通过本发明提供的技术方案与上述现有的基于相位特征的海杂波背景下小目标检测器基于同一组实测数据进行目标检测结果的对比,虚警率PF设置为10-3。本发明实施例得到的四种极化方式下与现有相位特征检测器的检测结果对比如图2、图3、图4、图5所示,其中数据#17、#26、#30、#31、#40所有极化方式下的海杂波多普勒频移均在0到50Hz之间,属于谱重叠场景,可以看到改进相位特征检测性能较已有相位特征有明显改善。
本发明提供的基于改进相位特征的海面慢速小目标检测方法,充分挖掘了雷达回波中海杂波与目标相位域的差异特征,针对性地解决了传统特征检测方法存在的利用相位信息过少导致检测性能有限、面对多普勒谱重叠场景性能下降以及已有相位特征受多普勒谱宽变化影响较大等问题,使得检测结果更加准确可靠。
为了实现上述实施例,本发明还提出基于改进相位特征的海面慢速小目标检测装置。
图6为本发明实施例提供的一种基于改进相位特征的海面慢速小目标检测装置的结构示意图。
如图6所示,该基于改进相位特征的海面慢速小目标检测装置包括,第一获取模块100,第一提取模块200,训练模块300,第二获取模块400,第二提取模块500,检测模块600,其中,
第一获取模块,用于获取雷达回波数据;
第一提取模块,用于从所述雷达回波数据中提取海杂波数据,计算所述海杂波数据的最佳时间滞后,并提取相位域三特征,构造训练矩阵;其中,所述相位域三特征包括相对平均相位波动、相位波动方差和相位差均值偏移速率;
训练模块,用于根据所述训练矩阵通过快速凸包学习算法得到决策区域;
第二获取模块,获取待检测数据;
第二提取模块,用于提取所述待检测数据的相位域三特征,构造检测矩阵,得到所述待检测数据样本点在三维特征检测空间中的特征点分布;
检测模块,用于利用所述待检测数据的样本特征点计算测试统计量,并结合所述决策区域得到检测结果。
为达上述目的,本发明第三方面实施例提出了一种计算机设备,其特征在于,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,所述处理器执行所述计算机程序时,实现如上所述的基于改进相位特征的海面慢速小目标检测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于改进相位特征的海面慢速小目标检测方法,其特征在于,包括以下步骤:
获取雷达回波数据;
从所述雷达回波数据中提取海杂波数据,计算所述海杂波数据的最佳时间滞后,并提取相位域三特征,构造训练矩阵;其中,所述相位域三特征包括相对平均相位波动、相位波动方差和相位差均值偏移速率;
根据所述训练矩阵通过快速凸包学习算法得到决策区域;
获取待检测数据;
提取所述待检测数据的相位域三特征,构造检测矩阵,得到所述待检测数据样本点在三维特征检测空间中的特征点分布;
利用所述待检测数据的样本特征点计算测试统计量,并结合所述决策区域得到检测结果。
2.根据权利要求1所述的方法,其特征在于,所述从所述雷达回波数据中提取海杂波数据,计算所述海杂波数据的最佳时间滞后,并提取相位域三特征,构造训练矩阵,包括:
计算不同时间滞后下海杂波单元数据的相位差序列,并得到对应的相位差序列PDF;
分析不同时间滞后对应的相位差序列PDF分布情况,得到某特定时间滞后使得在该时间滞后下相位差序列PDF峰值小于0.004,该时间滞后即为去相关时间,对所有样本的去相关时间取均值得到该海杂波单元的平均去相关时间;
对雷达回波数据所有海杂波单元的去相关时间取平均得到该数据集的平均去相关时间,进而得到该雷达回波数据下的最佳时间滞后;
利用所述海杂波单元的最佳时间滞后计算相对平均相位波动特征以及相位波动方差特征;
分析不同时间滞后下相位差序列均值随时间滞后的偏移情况,得到相位差均值偏移速率特征;
当海面后向反射机理因海况、风速、雷达入射角的不同而发生改变,则应重新获取雷达回波得到符合当前检测情况的海杂波单元数据以更新决策区域。
3.根据权利要求2所述的方法,其特征在于,所述利用所述海杂波单元的最佳时间滞后计算相对平均相位波动特征以及相位波动方差特征,包括:
利用所述海杂波单元的最佳时间滞后,计算该时间滞后下的相位差序列并对其数值进行绝对值累积得到相位波动总量,并统计相位波动稳定样本点个数;
由所述相位波动总量除以所述相位波动稳定样本点个数,得到相对平均相位波动;
通过对所述相位差序列统计特性的计算,得到相位差波动方差。
4.根据权利要求3所述的方法,其特征在于,所述相位波动稳定样本点个数统计为所述相位波动序列相邻样本点之间的起伏小于或等于15°的数量。
5.根据权利要求2所述的方法,其特征在于,所述分析不同时间滞后下相位差序列均值随时间滞后的偏移情况,得到相位差均值偏移速率特征,包括:
利用所述不同时间滞后下的相位差序列计算不同时间滞后下的相位差序列均值,并计算其随着时间滞后线性变化的程度大小,得到相位差均值偏移速率。
6.根据权利要求1所述的方法,其特征在于,所述根据所述训练矩阵通过快速凸包学习算法得到决策区域,包括:
通过快速凸包学习算法对所述海杂波单元数据的训练矩阵进行训练,根据给定的虚警率移除凸包表面使得凸包体积减小最大的一些样本点,形成决策区域。
7.根据权利要求1所述的方法,其特征在于,所述提取所述待检测数据的相位域三特征,构造检测矩阵,得到所述待检测数据样本点在三维特征检测空间中的特征点分布,包括:
从所述待检测数据中提取相位三特征,通过所述海杂波单元的最佳时间滞后计算相对平均相位波动特征和相位波动方差特征,分析待检测数据中不同时间滞后下相位差序列均值随时间滞后的偏移情况,得到相位差均值偏移速率特征,构造检测矩阵;
将所述检测矩阵中的每一行数值作为三维特征空间中的特征点坐标,得到三位特征空间中的特征点分布。
8.根据权利要求1所述的方法,其特征在于,所述利用所述待检测数据的样本特征点计算测试统计量,并结合所述决策区域得到检测结果,包括:
判断待检测数据特征点在三维特征空间中的分布与所述决策区域的空间关系,若待检测数据特征点落入决策区域,则所述待检测数据为纯杂波数据;反之,则所述待检测数据为含目标数据。
9.一种基于改进相位特征的海面慢速小目标检测装置,其特征在于,包括以下模块:
第一获取模块,用于获取雷达回波数据;
第一提取模块,用于从所述雷达回波数据中提取海杂波数据,计算所述海杂波数据的最佳时间滞后,并提取相位域三特征,构造训练矩阵;其中,所述相位域三特征包括相对平均相位波动、相位波动方差和相位差均值偏移速率;
训练模块,用于根据所述训练矩阵通过快速凸包学习算法得到决策区域;
第二获取模块,获取待检测数据;
第二提取模块,用于提取所述待检测数据的相位域三特征,构造检测矩阵,得到所述待检测数据样本点在三维特征检测空间中的特征点分布;
检测模块,用于利用所述待检测数据的样本特征点计算测试统计量,并结合所述决策区域得到检测结果。
10.一种计算机设备,其特征在于,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,所述处理器执行所述计算机程序时,实现如权利要求1-8中任一所述的基于改进相位特征的海面慢速小目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310622625.0A CN116430344A (zh) | 2023-05-29 | 2023-05-29 | 一种基于改进相位特征的海面慢速小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310622625.0A CN116430344A (zh) | 2023-05-29 | 2023-05-29 | 一种基于改进相位特征的海面慢速小目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116430344A true CN116430344A (zh) | 2023-07-14 |
Family
ID=87092876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310622625.0A Pending CN116430344A (zh) | 2023-05-29 | 2023-05-29 | 一种基于改进相位特征的海面慢速小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116430344A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129958A (zh) * | 2023-07-31 | 2023-11-28 | 湖南六九零六信息科技股份有限公司 | 一种基于多域特征的海面微弱目标检测方法 |
-
2023
- 2023-05-29 CN CN202310622625.0A patent/CN116430344A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129958A (zh) * | 2023-07-31 | 2023-11-28 | 湖南六九零六信息科技股份有限公司 | 一种基于多域特征的海面微弱目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7928896B2 (en) | Application of time reversal to synthetic aperture imaging | |
US7898457B2 (en) | System and method for processing imagery from synthetic aperture systems | |
CN110646773B (zh) | 一种基于汽车毫米波雷达的弱目标检测方法、跟踪方法及系统 | |
Delisle et al. | Moving target imaging and trajectory computation using ISAR | |
CN100365429C (zh) | 一种合成孔径雷达运动目标成像方法 | |
CN101498788B (zh) | 一种逆合成孔径雷达的目标转角估计和横向定标方法 | |
CN114270216A (zh) | 一种强杂波下fmcw阵列雷达运动多目标弱信号检测方法、装置、计算机设备及存储介质 | |
CN110297233B (zh) | Lfmcw阵列雷达信号并行流水化处理方法 | |
Huang et al. | Radar high speed small target detection based on keystone transform and linear canonical transform | |
CN109444896B (zh) | 水声阵列定位系统及其定位方法 | |
CN112130142B (zh) | 一种复杂运动目标微多普勒特征提取方法及系统 | |
CN106569196A (zh) | 一种基于压缩感知的地面雷达多目标检测方法 | |
CN104330787A (zh) | 水下运动阵列多目标检测和方位估计一体化方法 | |
CN116430344A (zh) | 一种基于改进相位特征的海面慢速小目标检测方法 | |
CN114708257B (zh) | Sar运动舰船目标检测方法及装置 | |
CN111352105A (zh) | 用于目标跟踪的测角方法 | |
Cosoli et al. | A real-time and offline quality control methodology for SeaSonde high-frequency radar currents | |
Qi et al. | Passive source localization based on multipath arrival angles with a vertical line array using sparse Bayesian learning | |
US7942821B2 (en) | Doppler velocity detection device and ultrasonographic device using the same | |
Lin et al. | A multi-target detection algorithm using high-order differential equation | |
CN113009473A (zh) | 一种多波束凝视雷达低仰角目标测高方法、装置及介质 | |
Llort-Pujol et al. | A new approach for fast and high-resolution interferometric bathymetry | |
CN115877350A (zh) | 一种和差波束体制雷达时变目标角度估计方法和装置 | |
CN114518564A (zh) | 一种基于特征杂波图的海面低空小目标检测方法 | |
CN108983192B (zh) | 基于gps辐射源的雷达运动目标参数估计方法 |
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 |