CN117724048A - 一种基于rdph特征的改进os-cfar检测算法、装置及介质 - Google Patents
一种基于rdph特征的改进os-cfar检测算法、装置及介质 Download PDFInfo
- Publication number
- CN117724048A CN117724048A CN202410172237.1A CN202410172237A CN117724048A CN 117724048 A CN117724048 A CN 117724048A CN 202410172237 A CN202410172237 A CN 202410172237A CN 117724048 A CN117724048 A CN 117724048A
- Authority
- CN
- China
- Prior art keywords
- rdph
- cfar
- doppler
- detection
- target
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 116
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 11
- 238000012360 testing method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NITXODYAMWZEJY-UHFFFAOYSA-N 3-(pyridin-2-yldisulfanyl)propanehydrazide Chemical compound NNC(=O)CCSSC1=CC=CC=N1 NITXODYAMWZEJY-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于RDPH特征的改进OS‑CFAR检测算法、装置及介质，属于雷达检测算法技术领域。为了解决高海况低信杂比条件下目标能量弱导致目标难以检测的问题，提供一种基于RDPH特征的改进OS‑CFAR检测算法，包括以下步骤：S1、对雷达回波数据进行矩阵划分，进行相对多普勒峰高计算；S2、将上一步得到的脉冲矩阵RDPH取均值；S3、将上一步得到的RDPH数据进行排序并选出第k个数值，得到新的背景RDPH估计值Z=RDPH(k)；S4、将新的背景RDPH估计值与门限系数的乘积作为检测门限，比较待检测统计量与检测门限的大小；若检测统计量大于检测门限，则海杂波中存在目标；若检测统计量小于或等于检测门限，则海杂波中无目标。在实测海雷达数据高海况场景下能够达到更好的检测概率。
Description
技术领域
本发明涉及一种基于RDPH特征的改进OS-CFAR检测算法、装置及介质，属于雷达检测算法技术领域。
背景技术
海洋情况复杂多变，岸基雷达和舰载雷达等海事雷达能够快速、可靠地对舰船、航道浮标、渔船、小型游艇等目标进行探测。其中，恒虚警技术是实现海面动态监测以及海上目标检测预警的一个重要手段，旨在提供一个阈值用以检测，这个阈值可以使均匀背景下目标自动检测具有恒定的虚警率且在一定程度上可以避免杂波、噪声等变化所带来的影响。
目前，采用OS-CFAR进行目标检测时，多利用回波幅度大小估计杂波功率水平。然而，在高海况条件下，RCS较低的航道浮标、小渔船等小目标回波容易淹没在海杂波中，仅利用能量信息难以得到较为理想的检测结果。在目标检测方法中引入特征，利用目标样本与海杂波在统计域、分形域、时频域、多普勒域等方面具有可分性的特点，将特征作为新的统计量，实现海面小目标与海杂波的甄别，达到目标检测的目的。随着相关研究的不断深入，所提取的可分辨特征也在不断增加，但是鉴于较好的可分性往往会伴随着较大的计算量，海杂波的特征数目众多，且分辨效果有差异，选取提取方便、计算简单且检测能力有效的特征便成为CFAR算法设计的关键。
发明内容
本发明的目的在于解决现有技术中高海况低信杂比条件下目标能量弱导致目标难以检测的问题，提供一种基于RDPH特征的改进OS-CFAR检测算法。
为了解决上述问题，本申请是通过以下技术方案实现的：
一种基于RDPH特征的改进OS-CFAR检测算法，其特殊之处在于：包括以下步骤：
S1、对雷达回波数据进行矩阵划分， 进行相对多普勒峰高（RDPH）计算；
S2、将步骤S1得到的脉冲矩阵RDPH取均值；
S3、将步骤S2得到的RDPH数据进行排序RDPH(1)≤RDPH(2)≤…≤RDPH(2n)，取第k个数值，得到新的背景RDPH估计值Z=RDPH(k)；
S4、将步骤S3得到新的背景RDPH估计值Z与门限因子T的乘积作为检测门限S， S= T*Z，比较待检测统计量RDPH与检测门限的大小；在待检测统计量RDPH大于检测门限S的情况下，判断海杂波中存在目标（H1）；在待检测统计量RDPH小于或等于检测门限S的情况下，则判定海杂波中无目标（H0），即，完成恒虚警检测。
优选的，所述基于相对多普勒峰高特征的改进有序统计类恒虚警检测算法适用于高海况低信杂比条件下目标能量弱的环境。
优选的，所述步骤S1中矩阵划分具体如下：采用脉冲数为256，步长为64的滑窗将接收的雷达回波数据各个距离单元上的脉冲进行矩阵划分。
优选的，所述步骤S1中相对多普勒峰高（RDPH）计算如下：
雷达回波{x(n),n=1,2,…,N}的多普勒幅度谱为：
；式中，fd为多普勒频率，fr为雷达的脉冲重复频率；
多普勒峰高的计算公式如下：；
多普勒偏移量为：；
相对多普勒峰高为：；
式中，δ1多普勒参考单元范围，δ2为目标的最大多普勒带宽，Δ表示多普勒参考单元组成的集合，∪表示并集，#Δ表示集合Δ内元素个数。
优选的，所述步骤S2中脉冲矩阵RDPH取均值，具体操作如下：；式中，x为步骤S1中得到的RDPH的个数。
优选的，所述步骤S4中的门限因子T通过使用蒙特卡洛法计算得到，具体操作如下：
通过蒙特卡洛法循环仿真计算，选用纯海杂波数据为参考窗，计算不含目标的随机待测单元CUT的RDPH，定义为CUT0，与参考窗RDPH特征估计Z相比CUT0/Z，计算仿真N次得到N个CUT0/Z为data={CUT0/Z1，CUT0/Z2，...，CUT0/ZN}，倒序排序，取data的第P fa_N 个有序采样，即为该CFAR检测器在预设虚警概率P fa 下的门限因子T，；式中：预设虚警概率P fa =10-4，参考窗RDPH特征估计Z为纯海杂波数据参考窗内排序第k个。
一种基于RDPH特征的改进OS-CFAR检测装置，其特殊之处在于：包括数据处理模块，其被配置为对雷达回波数据进行矩阵划分， 进行相对多普勒峰高（RDPH）计算，并对计算出的RDPH取均值；
排序取值模块，其被配置为将数据处理模块得到的RDPH数据排序RDPH(1)≤RDPH(2)≤…≤RDPH(2n)，取第k个数值，得到新的背景RDPH估计值Z=RDPH(k)；
检测门限处理模块，其被配置为利用排序取值模块得到的新的背景RDPH估计值Z与门限因子T进行乘积计算，得到检测门限S， S=T*Z；判断模块，其被配置为将待检测统计量RDPH与检测门限进行比较，在待检测统计量RDPH大于检测门限S的情况下，判断海杂波中存在目标（H1）；在待检测统计量RDPH小于或等于检测门限S的情况下，判定海杂波中无目标（H0），即。
一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于：所述计算机程序被处理器执行时运行所述基于RDPH特征的改进OS-CFAR检测算法的至少一个步骤。
本申请针对目标回波的能量在频域上相对集中而海杂波能量在频域上相对分散这一特点，设计了计算每个距离单元RDPH的检测算法流程，结合目标与海杂波的可区分特征RDPH，将其作为检测统计量，通过OS-CFAR算法形成检测门限，进行目标检测；相较于传统OS-CFAR，该算法更能适应脉冲回波序列信杂比的变化，凸显目标信号，提高检测性能；明显改善了高海况下小目标的检测性能，在实测海雷达数据高海况场景下能够达到更好的检测概率。
附图说明
图1：本发明方法的流程图；
图2：本发明的应用示意图；
图3：2级海况下海杂波与目标相对多普勒峰高及幅度对比图；
图4：3级海况下海杂波与目标相对多普勒峰高及幅度对比图；
图5：4级海况下海杂波与目标相对多普勒峰高及幅度对比图；
图6：5级海况下海杂波与目标相对多普勒峰高及幅度对比图；
图7：杂波特征分布图；
图8：实测海杂波数据下5种CFAR检测器（CA-CFAR、SO-CFAR、GO-CFAR、OS-CFAR、基于RDPH的改进OS-CFAR）的检测性能差异曲线；
图9：图8的A部放大图；
图10：双目标环境下的检测效果图；
图11：2级海况中传统OS-CFAR的实测数据测试结果；
图12：2级海况中本申请的实测数据测试结果；
图13：2级海况的距离多普勒二维OS-CFAR检测结果；
图14：图13的B部放大图；
图15：3级海况中传统OS-CFAR的实测数据测试结果；
图16：3级海况中本申请的实测数据测试结果；
图17：3级海况的距离多普勒二维OS-CFAR检测结果；
图18：图17的C部放大图；
图19：4级海况中传统OS-CFAR的实测数据测试结果；
图20：4级海况中本申请的实测数据测试结果；
图21：4级海况的距离多普勒二维OS-CFAR检测结果；
图22：图21的D部放大图；
图23：5级海况中传统OS-CFAR的实测数据测试结果；
图24：5级海况中本申请的实测数据测试结果；
图25：5级海况的距离多普勒二维OS-CFAR检测结果；
图26：图25的E部放大图；
图27：三级海况实测数据距离-频率-幅度图；
说明：图3-图6中上方数据为目标单元，下方数据为海杂波单元。
具体实施方式
以下参照附图，给出本发明的具体实施方式，用来对本发明的构成进行进一步说明。
为了便于理解本发明的实施例，首先对本发明实施例中可能涉及的缩略语和关键术语进行解释说明或定义。
CA-CFAR算法、CA-CFAR：Cell Averaging-Constant False Alarm Rate，单元平均恒虚警检测算法；
OS-CFAR算法、OS-CFAR：Order Statistics-Constant False Alarm Rate，有序统计恒虚警检测算法；
SO-CFAR算法、SO-CFAR： Smallest of-Constant False Alarm Rate，最小选择恒虚警检测算法；
GO-CFAR算法、GO-CFAR：Greatest of-Constant False Alarm Rate，最大选择恒虚警检测算法；
RDPH：Relative Doppler Peak Height，相对多普勒峰高。
实施例1。提供一种基于RDPH特征的改进OS-CFAR检测算法，算法结构框图如图1所示，具体实现流程图如图2所示，具体包括以下步骤：
S1、采用脉冲数为256，步长为64的滑窗将接收的雷达回波数据各个距离单元上的脉冲进行矩阵划分，进行相对多普勒峰高（RDPH）计算：雷达回波{x(n),n=1,2,…,N}的多普勒幅度谱为：
；式中，fd为多普勒频率，fr为雷达的脉冲重复频率；
多普勒峰高的计算公式如下：；
多普勒偏移量为：；
相对多普勒峰高为：；式中，δ1多普勒参考单元范围，δ2为目标的最大多普勒带宽，Δ表示多普勒参考单元组成的集合，∪表示并集，#Δ表示集合Δ内元素个数；
S2、将步骤S1得到的脉冲矩阵PDPH取均值：；式中，x为步骤S1中得到的RDPH的个数；
S3、将步骤S2得到的RDPH数据进行排序RDPH(1)≤RDPH(2)≤…≤RDPH(2n)，取第k个数值，得到新的背景RDPH估计值Z=RDPH(k)；
S4、将步骤S3得到新的背景RDPH估计值Z与门限因子T的乘积作为检测门限S， S= T*Z，比较待检测统计量RDPH与检测门限的大小；在待检测统计量RDPH大于检测门限S的情况下，判断海杂波中存在目标（H1）；在待检测统计量RDPH小于或等于检测门限S的情况下，则判定海杂波中无目标（H0），即，完成恒虚警检测；
门限因子T通过使用蒙特卡洛法计算得到，具体操作如下：通过蒙特卡洛法循环仿真计算，选用纯海杂波数据为参考窗，计算不含目标的随机待测单元CUT的RDPH，定义为CUT0，与参考窗RDPH特征估计Z相比CUT0/Z，计算仿真N次得到N个CUT0/Z为data={CUT0/Z1，CUT0/Z2，...，CUT0/ZN}，倒序排序，取data的第P fa_N 个有序采样，即为该CFAR检测器在预设虚警概率P fa 下的门限因子T，；式中：预设虚警概率P fa =10-4，参考窗RDPH特征估计Z为纯海杂波数据参考窗内排序第k个。
实施例2。一种基于RDPH特征的改进OS-CFAR检测算法适用于高海况低信杂比条件下目标能量弱的环境。
图3-图6分别是2-5级海况下海面目标和海杂波相对多普勒峰高及幅度对比图，比较多级海况下二者能量在时域和频域内的不同。
图3-图6表明：（1）低海况下，目标和海杂波RDPH波形波动小，分布较为集中；随着海况等级的增加，目标单元RDPH无明显变化，海杂波单元RDPH分布波形起伏较大，即海况等级变化对海杂波数据的RDPH影响更大。出现上述情况的原因在于目标通常具有规律的、可预测的运动模式，相对多普勒峰高也更加稳定；海杂波通常受到海浪、风力等多种自然因素的影响，相对多普勒峰高有较大变化。此外，目标的尺寸和形状通常比海杂波更为规则和一致，这使得目标的反射信号更易于被雷达系统识别和跟踪。海况等级增加，目标与海杂波RDPH逐渐接近，其原因是受海面扰动影响，海面目标及海杂波运动状态趋于一致，故RDPH区分度降低。（2）在同一海况下，海杂波幅度波动较大，偶尔存在海杂波幅度高于目标幅度的情况。随着海况等级的增加，海杂波与目标的区分度有较大程度的衰减，导致在幅度域上目标与海杂波难以区分。
尽管海杂波的幅度和RDPH特征在时空上都不具备长期稳定性，但同一海域同一时刻的海杂波变化不大，可视作均匀的，所以同一时刻不同距离单元的海杂波幅度及RDPH特征差异不大，而当海杂波中存在目标时，该距离单元的回波信号就会出现较大的幅度及RDPH特征差异。随着海况等级增加，幅度对目标和海杂波的区分度远不如RDPH特征。选用RDPH特征可以清晰的观察到海杂波与目标回波的差异，实现在低信杂比条件下雷达的高检测性能。
另外，如均值类恒虚警算法适用于均匀环境，针对单一目标能够保持良好的检测性能，而在复杂环境中，其性能往往迅速恶化。在非均匀杂波和多目标情况下，OS-CFAR检测器表现出色，具有一定的鲁棒性。针对高海况多目标环境下的目标检测问题，拟合其杂波特征，如图7所示，杂波特征RDPH分布直方图与对数正态分布较为接近，因此需要对OS-CFAR进行改进。
实施例3。提供一种基于RDPH特征的改进OS-CFAR检测算法的实验，用来验证基于RDPH特征的改进OS-CFAR检测算法的效果。
A、实验数据介绍
采用岸基架设的定制型X波段固态全相参雷达，位于烟台第一海水浴场旁，试验场地距离海边的直线距离约200 m，架高约为80 m。试验时，天线处于凝视工作模式，在2~5级连续变化的海况长时间观测航道浮标与海杂波，形成海杂波+海面小目标数据集。该数据集常用于研究海杂波环境中可观测目标的探测。选取单载频数据，每组数据的距离分辨率是6ｍ，每个距离单元131072采样脉冲。雷达的主要性能参数有：射频频率为9.3GHz；脉冲重复频率为1.6Hz；有HH、VV2种极化方式。
表1实例数据说明示例数据概括表
B、仿真性能评估与分析
本仿真主要基于2级海况真实纯海杂波数据，通过人工仿真加目标的方式，在原始纯海杂波上加入1个信噪比为12dB的目标，左右两侧参考单元数目为16，保护单元数目为1，检测器虚警概率P fa=10-4，待测目标考虑为点目标。同时，使用大量数据对传统单元平均恒虚警算法进行了性能仿真，比较本申请所提出的基于RDPH特征的改进OS-CFAR检测装置、传统OS-CFAR检测器和单元平均恒虚警检测器的检测性能，验证基于RDPH特征的改进OS-CFAR检测算法的有效性。
图8-图9展示了实测海杂波数据下5种CFAR检测器（CA-CFAR、SO-CFAR、GO-CFAR、OS-CFAR、基于RDPH的改进OS-CFAR）的检测性能差异曲线。
观察使用2级海况实测海杂波数据下单目标检测性能曲线，得到结论：（1）CA-CFAR，SO-CFAR，GO-CFAR，OS-CFAR这几种检测器性能相近，OS-CFAR的检测性能略低于SO-CFAR和CA-CFAR，略高于GO-CFAR。相较于其他检测器，本申请提出的基于RDPH改进OS-CFAR检测性能得到了明显的提升。（2）当目标信噪比小于5dB时，除改进OS-CFAR外检测概率几乎为0；随着信噪比的提高，检测概率明显提升；当检测概率为0.8时，改进OS-CFAR目标信杂比接近14dB，相较于OS-CFAR，其改善量约为5dB；这是因为改进OS-CFAR通过计算各距离单元多脉冲下RDPH，实现了信号能量的聚集，使目标与海杂波区分度变大，所以具有更优的检测性能。在信杂比大于25dB时，改进OS-CFAR和OS-CFAR都具有很高的检测概率。
如图10(a)回波B显图所示，在距离单元100、400处仿真出信噪比分别为10dB，5dB，多普勒速度分别为130m/s、30m/s的两个目标。如图10(b)、10(c)所示：在双目标环境中OS-CFAR、距离多普勒二维OS-CFAR都能够检测出较大目标，由于小目标能量小，检测器漏检；改进OS-CFAR通过排序参考单元的RDPH特征获得更为准确的门限，成功检测出所有目标。证明了改进OS-CFAR在双目标检测仿真实验中，相对于一维OS-CFAR及二维OS-CFAR具有更好的检测性能。
3.3 实测数据验证
考虑到距离单元总数及船只宽度等因素，参考单元N选择64，保护单元两侧各为4，恒虚警率P fa取10-4，对不同海况下实测数据进行目标检测，测试结果如图11-图26所示。从实测数据图11-14来看，目标在450、623距离单元附近，三者都成功检测出目标。这是因为低海况下目标通常具有较强的反射能力，能够有效地将发射能量反射回接收系统，海杂波反射能力较弱，能量分散在各个频率上。所以，在低海况条件下，三种方法均可使用，但传统OS-CFAR算法复杂度明显低于该特征改进算法及二维OS-CFAR，故在2级海况下选择传统一维OS-CFAR即可。如图15-18，3级海况下一维OS-CFAR和改进OS-CFAR均检测出对应距离单元的目标，而二维OS-CFAR仅检测出485距离单元附近的目标，这是由于经过多脉冲的非相参积累，幅度信息及RDPH信息压缩至距离维，使目标与海杂波形成一定的区分度，而如图27所示，经傅里叶变换后，零频附近的目标和背景信号多普勒谱重叠，信杂比比时域并不占优，二维OS-CFAR检测时参考单元矩阵中数据受距离维及多普勒维两维信息影响，从而导致门限升高，影响目标检测的结果。图19-22看出，4级海况下，在距离单元515处传统一维OS-CFAR发生漏检，在距离单元345处二维OS-CFAR发生漏检，改进OS-CFAR依旧能正确检测出目标。5级海况如图23-26，目标幅度被杂波幅度掩盖，无法辨别目标具体位置，传统一维OS-CFAR无法正确检测，RDPH图中目标与杂波有一定区分度，改进OS-CFAR、二维OS-CFAR成功检测出目标。由于高海况常伴有大浪、狂风、强降雨等极端天气条件，雷达信号受到强烈干扰，使得目标回波被淹没在海杂波中，难以分辨目标信号。选用本文所提改进OS-CFAR检测器时，基于每个距离单元中多个脉冲回波数据，对每个距离单元分别计算相对多普勒峰高特征，特征区分度高，门限受附近特征影响较小，更易检测目标。根据上述实测数据验证得出结论，低海况下选用传统OS-CFAR，高海况下选择基于RDPH特征的改进OS-CFAR，检测性能和抗干扰性都能显著提升。
实施例4。提供一种基于RDPH特征的改进OS-CFAR检测装置，包括数据处理模块，其被配置为对雷达回波数据进行矩阵划分，进行相对多普勒峰高（RDPH）计算，并对计算出的RDPH取均值；
其中，采用脉冲数为256，步长为64的滑窗将接收的雷达回波数据各个距离单元上的脉冲进行矩阵划分，进行相对多普勒峰高（RDPH）计算：
雷达回波{x(n),n=1,2,…,N}的多普勒幅度谱为：
；式中，fd为多普勒频率，fr为雷达的脉冲重复频率；
多普勒峰高的计算公式如下：；
多普勒偏移量为：；
相对多普勒峰高为：；式中，δ1多普勒参考单元范围，δ2为目标的最大多普勒带宽，Δ表示多普勒参考单元组成的集合，∪表示并集，#Δ表示集合Δ内元素个数；
脉冲矩阵RDPH取均值，；式中，x为步骤S1中得到的RDPH的个数；
排序取值模块，其被配置为将数据处理模块得到的RDPH数据排序RDPH(1)≤RDPH(2)≤…≤RDPH(2n)，取第k个数值，得到新的背景RDPH估计值Z=RDPH(k)；
检测门限处理模块，其被配置为利用排序取值模块得到的新的背景RDPH估计值Z与门限因子T进行乘积计算，得到检测门限S， S=T*Z；其中，门限因子T通过使用蒙特卡洛法计算得到，具体操作如下：通过蒙特卡洛法循环仿真计算，选用纯海杂波数据为参考窗，计算不含目标的随机待测单元CUT的RDPH，定义为CUT0，与参考窗RDPH特征估计Z相比CUT0/Z，计算仿真N次得到N个CUT0/Z为data={CUT0/Z1，CUT0/Z2，...，CUT0/ZN}，倒序排序，取data的第P fa_N 个有序采样，即为该CFAR检测器在预设虚警概率P fa 下的门限因子T，；式中：预设虚警概率P fa =10-4，参考窗RDPH特征估计Z为纯海杂波数据参考窗内排序第k个；
判断模块，其被配置为将待检测统计量RDPH与检测门限进行比较，在待检测统计量RDPH大于检测门限S的情况下，判断海杂波中存在目标（H1）；在待检测统计量RDPH小于或等于检测门限S的情况下，判定海杂波中无目标（H0），即。
实施例5。提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时运行所述基于RDPH特征的改进OS-CFAR检测算法的至少一个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代，但并不会偏离本发明的精神。
Claims (9)
1.一种基于RDPH特征的改进OS-CFAR检测算法，其特征在于：包括以下步骤：
S1、对雷达回波数据进行矩阵划分， 进行相对多普勒峰高（RDPH）计算；
S2、将步骤S1得到的脉冲矩阵RDPH取均值；
S3、将步骤S2得到的RDPH数据进行排序RDPH(1)≤RDPH(2)≤…≤RDPH(2n)，取第k个数值，得到新的背景RDPH估计值Z=RDPH(k)；
S4、将步骤S3得到新的背景RDPH估计值Z与门限因子T的乘积作为检测门限S， S=T*Z，比较待检测统计量RDPH与检测门限的大小；在待检测统计量RDPH大于检测门限S的情况下，判断海杂波中存在目标（H1）；在待检测统计量RDPH小于或等于检测门限S的情况下，则判定海杂波中无目标（H0），即，完成恒虚警检测。
2.根据权利要求1所述的一种基于RDPH特征的改进OS-CFAR检测算法，其特征在于：所述基于相对多普勒峰高特征的改进有序统计类恒虚警检测算法适用于高海况低信杂比条件下目标能量弱的环境。
3.根据权利要求1或2所述的一种基于RDPH特征的改进OS-CFAR检测算法，其特征在于：所述步骤S1中矩阵划分具体如下：采用脉冲数为256，步长为64的滑窗将接收的雷达回波数据各个距离单元上的脉冲进行矩阵划分。
4.根据权利要求3所述的一种基于RDPH特征的改进OS-CFAR检测算法，其特征在于：所述步骤S1中相对多普勒峰高（RDPH）计算如下：
雷达回波{x(n),n=1,2,…,N}的多普勒幅度谱为：, 式中，fd为多普勒频率，fr为雷达的脉冲重复频率；
多普勒峰高的计算公式如下：；
多普勒偏移量为：；
相对多普勒峰高为：；
式中，δ1多普勒参考单元范围，δ2为目标的最大多普勒带宽，Δ表示多普勒参考单元组成的集合，∪表示并集，#Δ表示集合Δ内元素个数。
5.根据权利要求4所述的一种基于RDPH特征的改进OS-CFAR检测算法，其特征在于：
所述步骤S2中脉冲矩阵RDPH取均值，具体操作如下：；式中，x为步骤S1中得到的RDPH的个数。
6.根据权利要求5所述的一种基于RDPH特征的改进OS-CFAR检测算法，其特征在于：
所述步骤S4中的门限因子T通过使用蒙特卡洛法计算得到，具体操作如下：
通过蒙特卡洛法循环仿真计算，选用纯海杂波数据为参考窗，计算不含目标的随机待测单元CUT的RDPH，定义为CUT0，与参考窗RDPH特征估计Z相比CUT0/Z，计算仿真N次得到N个CUT0/Z为data={CUT0/Z1，CUT0/Z2，...，CUT0/ZN}，倒序排序，取data的第P fa_N 个有序采样，即为CFAR检测器在预设虚警概率P fa 下的门限因子T，；式中：预设虚警概率P fa =10-4，参考窗RDPH特征估计Z为纯海杂波数据参考窗内排序第k个。
7.一种基于RDPH特征的改进OS-CFAR检测装置，其特征在于：包括数据处理模块，其被配置为对雷达回波数据进行矩阵划分， 进行相对多普勒峰高（RDPH）计算，并对计算出的RDPH取均值；
排序取值模块，其被配置为将数据处理模块得到的RDPH数据排序RDPH(1)≤RDPH(2)≤…≤RDPH(2n)，取第k个数值，得到新的背景RDPH估计值Z=RDPH(k)；
检测门限处理模块，其被配置为利用排序取值模块得到的新的背景RDPH估计值Z与门限因子T进行乘积计算，得到检测门限S， S=T*Z；
判断模块，其被配置为将待检测统计量RDPH与检测门限进行比较，在待检测统计量RDPH大于检测门限S的情况下，判断海杂波中存在目标（H1）；在待检测统计量RDPH小于或等于检测门限S的情况下，判定海杂波中无目标（H0），即。
8.根据权利要求7所述的一种基于RDPH特征的改进OS-CFAR检测装置，其特征在于：所述数据处理模块相对多普勒峰高（RDPH）计算如下：雷达回波{x(n),n=1,2,…,N}的多普勒幅度谱为：
；式中，fd为多普勒频率，fr为雷达的脉冲重复频率；
多普勒峰高的计算公式如下：；
多普勒偏移量为：；
相对多普勒峰高为：；
式中，δ1多普勒参考单元范围，δ2为目标的最大多普勒带宽，Δ表示多普勒参考单元组成的集合，∪表示并集，#Δ表示集合Δ内元素个数；
脉冲矩阵RDPH取均值，具体如下：；式中，x为RDPH的个数。
9.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于：所述计算机程序被处理器执行时运行权利要求1-6任一项所述的一种基于RDPH特征的改进OS-CFAR检测算法的至少一个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410172237.1A CN117724048B (zh) | 2024-02-07 | 一种基于rdph特征的改进os-cfar检测算法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410172237.1A CN117724048B (zh) | 2024-02-07 | 一种基于rdph特征的改进os-cfar检测算法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117724048A true CN117724048A (zh) | 2024-03-19 |
| CN117724048B CN117724048B (zh) | 2024-05-28 |
Family
ID=
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8970426B1 (en) * | 2012-11-15 | 2015-03-03 | Lockheed Martin Cproration | Automatic matched Doppler filter selection |
| US20160012164A1 (en) * | 2014-07-11 | 2016-01-14 | Eli Levi | Phase noise simulation model for pulse doppler radar target detection |
| US20190162838A1 (en) * | 2017-11-28 | 2019-05-30 | Viettel Group | Marine target detection in cluttered environments |
| CN111624605A (zh) * | 2020-05-27 | 2020-09-04 | 哈尔滨工程大学 | 一种基于角度维回波特征的航海雷达目标检测方法 |
| CN111913158A (zh) * | 2020-09-21 | 2020-11-10 | 南京理工大学 | 复杂杂波背景下检测低慢小目标的雷达信号处理方法 |
| CN112147601A (zh) * | 2020-09-03 | 2020-12-29 | 南京信息工程大学 | 一种基于随机森林的海面小目标检测方法 |
| CN112180354A (zh) * | 2020-09-29 | 2021-01-05 | 武汉大学 | 一种利用时频分析和恒虚警技术的高频雷达目标联合检测方法 |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8970426B1 (en) * | 2012-11-15 | 2015-03-03 | Lockheed Martin Cproration | Automatic matched Doppler filter selection |
| US20160012164A1 (en) * | 2014-07-11 | 2016-01-14 | Eli Levi | Phase noise simulation model for pulse doppler radar target detection |
| US20190162838A1 (en) * | 2017-11-28 | 2019-05-30 | Viettel Group | Marine target detection in cluttered environments |
| CN111624605A (zh) * | 2020-05-27 | 2020-09-04 | 哈尔滨工程大学 | 一种基于角度维回波特征的航海雷达目标检测方法 |
| CN112147601A (zh) * | 2020-09-03 | 2020-12-29 | 南京信息工程大学 | 一种基于随机森林的海面小目标检测方法 |
| CN111913158A (zh) * | 2020-09-21 | 2020-11-10 | 南京理工大学 | 复杂杂波背景下检测低慢小目标的雷达信号处理方法 |
| CN112180354A (zh) * | 2020-09-29 | 2021-01-05 | 武汉大学 | 一种利用时频分析和恒虚警技术的高频雷达目标联合检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| JIAZHENG PEI ET AL.: "Long-time coherent integration method combining pulse compression and Radon fractional Fourier transform", 《2021 CIE INTERNATIONAL CONFERENCE ON RADAR (RADAR)》, 8 February 2023 (2023-02-08), pages 1 - 4 * |
| MICHAL REZNICEK: "Doppler CW Radar Signal Processing, Implementation and Analysis", 《2017 INTERNATIONAL SYMPOSIUM ELMAR》, 30 November 2017 (2017-11-30), pages 103 - 106 * |
| TAEHEE JEONG ET AL.: "Robust CFAR Detector With Ordered Statistic of Sub-Reference Cells in Multiple Target Situations", 《IEEE ACCESS》, 18 April 2022 (2022-04-18), pages 1 - 12 * |
| 田凯祥等: "基于实测数据的海杂波与海面小目标特征分析", 《海军航空大学学报》, vol. 38, no. 4, 28 August 2023 (2023-08-28), pages 313 - 322 * |
| 秦天慈等: "一种修正k值的OS-CFAR检测器", 《电子技术应用》, vol. 48, no. 9, 6 September 2022 (2022-09-06), pages 1 - 5 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Detection of low observable targets within sea clutter by structure function based multifractal analysis | |
| Lo et al. | Fractal characterisation of sea-scattered signals and detection of sea-surface targets | |
| Watts et al. | Maritime surveillance radar. Part 2: Detection performance prediction in sea clutter | |
| EP1485730B1 (en) | An adaptive system and method for radar detection | |
| CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
| CN110609262A (zh) | 一种场面监视雷达的三维恒虚警检测方法 | |
| Hennessey et al. | Sea-clutter modeling using a radial-basis-function neural network | |
| Ishii et al. | Effect of changes in sea-surface state on statistical characteristics of sea clutter with X-band radar | |
| Kuang et al. | An improved CA-CFAR method for ship target detection in strong clutter using UHF radar | |
| KR102110973B1 (ko) | 노이즈 재밍 탐지를 위한 견고한 cfar 방법 | |
| CN109901147B (zh) | 超高频雷达强杂区船舶目标检测的改进ca-cfar方法及系统 | |
| CN111624573A (zh) | 一种海杂波背景下的时域自适应目标检测方法 | |
| CN107271973A (zh) | 韦布尔杂波环境下基于偏斜度和均值比的恒虚警检测方法 | |
| CN110133612A (zh) | 一种基于跟踪反馈的扩展目标检测方法 | |
| CN117724048B (zh) | 一种基于rdph特征的改进os-cfar检测算法、装置及介质 | |
| CN117724048A (zh) | 一种基于rdph特征的改进os-cfar检测算法、装置及介质 | |
| Joshi et al. | Sea clutter model comparison for ship detection using single channel airborne raw SAR data | |
| CN110940977B (zh) | 一种适配海况变化的恒虚警检测器及恒虚警检测方法 | |
| Dong | High grazing angle and high resolution sea clutter: correlation and polarisation analyses | |
| CN116643248B (zh) | 一种恒虚警检测方法、存储介质及设备 | |
| CN111948613A (zh) | 基于自适应背景区选取的船载地波雷达目标检测方法 | |
| Ryzhkov et al. | Discrimination between weather and sea clutter using Doppler and dual-polarization weather radars | |
| CN116224280B (zh) | 雷达目标检测方法、装置、雷达设备及存储介质 | |
| Garvanov et al. | Detection acceleration in Hough parameter space by K-stage detector | |
| KR102375061B1 (ko) | 코히어런트 레이더에서 스파이크 반사신호에 의한 오탐지의 제거 방법 |
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 |