一種基于圖像特征的雷達弱目標檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及雷達弱目標檢測領(lǐng)域，尤其涉及一種基于圖像特征的雷達弱目標檢測 方法。
【背景技術(shù)】
[0002] 隨著電磁環(huán)境的日益復(fù)雜，信噪比是影響雷達探測性能的重要因素。雖然可以通 過增大發(fā)射功率、提高天線孔徑和增益、降低接收機噪聲系數(shù)等方法改善低信噪比目標檢 測性能，但與通過信號處理實現(xiàn)對弱小目標（又稱弱目標）的檢測與跟蹤的方法相比，后者 更加靈活且成本較低。利用信號處理的雷達弱小目標檢測與跟蹤可以分為兩類，檢測后跟 蹤（TAD，Track-after-Detect)算法和檢測前跟蹤（TBD，track-before-detect)算法。
[0003] 檢測前跟蹤算法TBD是一種低信噪比下對微弱目標檢測與跟蹤的技術(shù)，最初應(yīng)用 在紅外圖像序列的檢測。在傳統(tǒng)雷達目標檢測中為了防止信號處理器的飽和一般采用恒虛 警處理，但是會帶來恒虛警損失，使得低信噪比下弱小目標無法被檢測出來。為了去掉恒虛 警處理帶來的恒虛警損失，TBD技術(shù)在雷達信號處理中應(yīng)運而生。TBD算法的實質(zhì)是在強雜 波/干擾、低信噪比下利用多次掃描積累提高信噪比，以增強雷達對弱小目標的檢測能力。
[0004] 目前國內(nèi)外研究的TBD算法主要集中在：基于三維匹配濾波的TBD算法、基于多級 假設(shè)檢驗的TBD算法、基于粒子濾波的TBD算法以及基于動態(tài)規(guī)劃的TBD算法等。三維匹 配濾波的TBD算法依據(jù)目標所有可能的運動情況設(shè)計若干個三維匹配濾波器，以輸出信噪 比最高的濾波器所獲得的目標運動狀態(tài)作為依據(jù)，對目標運動軌跡進行估計。該方法能同 時檢測多條軌跡但計算量大，搜索過程可能無法收斂，不能被廣泛應(yīng)用。
[0005] 多級假設(shè)檢驗TBD算法能夠在同一時刻檢測到若干個速度不同的直線運動目標， 但需要設(shè)置很多個軌跡樹的起始節(jié)點，計算量大。基于粒子濾波的TBD算法檢測精度高， 但是粒子數(shù)的增加相應(yīng)地造成計算量的遞增，使得基于粒子濾波的TBD算法的實際應(yīng)用受 到限制?；趧討B(tài)規(guī)劃的TBD算法（dynamicprogramming-basedtrack-before-detect， DP-TBD)能夠?qū)崿F(xiàn)對機動目標的檢測與跟蹤；為了降低無窮搜索帶來的龐大計算量和存儲 量，在每次積累后只保留積累值中最大值和其積累路徑，并及時去除偽航跡，所以該算法易 于快速實現(xiàn)，但是算法在低SNR條件下存在虛警過多的問題。

【發(fā)明內(nèi)容】

[0006] 發(fā)明目的：為了解決現(xiàn)有的雷達弱目標檢測方法在低信噪比下虛警過多的問題， 本發(fā)明提出一種基于圖像特征的雷達弱目標檢測方法，達到提高雷達檢測弱小目標性能、 增強工程適用性且易于實時實現(xiàn)的效果。
[0007] 技術(shù)方案：為了實現(xiàn)上述目的，本發(fā)明提供的基于圖像特征的雷達弱目標檢測方 法，包括以下步驟：
[0008] (1)將雷達觀測目標的單幀觀測數(shù)據(jù)進行濾波處理；
[0009] (2)確定起始觀測幀，利用DP-TBD動態(tài)規(guī)劃算法以所述起始觀測幀為起點將所述 雷達觀測目標的連續(xù)觀測數(shù)據(jù)進行目標積累，獲取并存儲所述雷達觀測目標在所述連續(xù)積 累觀測幀數(shù)K內(nèi)每一觀測時刻k的累積觀測量I(Xk)和最佳轉(zhuǎn)移狀態(tài)T(/f)，所述每一觀 測時刻k對應(yīng)一幀觀測數(shù)據(jù)；
[0010] (3)對所述連續(xù)積累觀測幀數(shù)K對應(yīng)時刻的累積觀測量I(XK)進行形態(tài)濾波，并利 用預(yù)先設(shè)定的目標判定門限VT判斷所述雷達觀測目標是否存在，獲取目標峰值位置得到所 述連續(xù)積累觀測幀數(shù)K對應(yīng)時刻的估計狀態(tài):
[0011] (4)利用所述連續(xù)積累觀測幀數(shù)K對應(yīng)時刻的狀態(tài)\和每一觀測時刻k的所述最 佳轉(zhuǎn)移狀態(tài)+ (M進行航跡回溯并排除虛假航跡，得到所述雷達觀測目標在所有觀測幀對 應(yīng)時刻的估計狀態(tài)尤。
[0012] 其中，步驟（2)中所述目標積累包括以下步驟：
[0013] (1)利用所述雷達觀測目標的坐標位置和速度信息初始化觀測數(shù)據(jù)在第一幀觀測 數(shù)據(jù)的狀態(tài)XjpDP-TBD動態(tài)規(guī)劃算法的初始值，所述第一幀觀測數(shù)據(jù)的狀態(tài)X:的表達式 如下：
[0014]
[0015] 式中，（Xl，yi)是目標初始坐標，（先,丸）是目標初始速度；
[0016] 所述DP-TBD動態(tài)規(guī)劃算法的初始值如下：
[0017]
[0018] 1成）為第一幀觀測數(shù)據(jù)的累積觀測量，zxy⑴為第一幀觀測數(shù)據(jù)在坐標（x，y)位 置處的觀測值，I(XJ為代價函數(shù)或累積觀測量(1)為目標在第一幀的最佳轉(zhuǎn)移狀態(tài)；
[0019] (2)當2彡k彡K時，第k幀觀測數(shù)據(jù)的狀態(tài)Xk的遞推表達式如下：
[0020]
[0021] 式中，I(Xk)為觀測數(shù)據(jù)在k時刻的累積觀測量，I(XkJ為觀測數(shù)據(jù)在k_l時刻的 累積觀測量，Wx〇i)(k)為最佳轉(zhuǎn)移狀態(tài)，zxy(k)表示第k幀觀測數(shù)據(jù)在坐標（x，y)處的觀測 值。
[0022] 其中，步驟（3)中所述獲取目標峰值位置包括以下步驟：
[0023] (1)提取DP-TBD多幀累積觀測數(shù)據(jù)進行形態(tài)濾波，表達式如下：
[0024] J(XK) =Tophat[I(XK),SE]
[0025] 式中，I(XK)表示連續(xù)積累觀測幀數(shù)K對應(yīng)時刻的累積觀測量，J(XK)表示至第K幀 累積觀測數(shù)據(jù)經(jīng)過頂帽變換后的雷達數(shù)據(jù)，SE是形態(tài)濾波的結(jié)構(gòu)算子；
[0026] (2)利用所述目標判定門限VT獲取所述連續(xù)積累觀測幀數(shù)K對應(yīng)時刻的估計狀態(tài) ，之的表達式如下：
[0027] 丨尤丨={A: A) >
[0028] 進一步地，為了方便運算，該方法在步驟（1)中對單幀數(shù)據(jù)進行濾波處理后還進 行了數(shù)據(jù)歸一化處理。
[0029] 進一步地，為了降低觀測數(shù)據(jù)中的噪聲干擾，步驟（1)中所述濾波處理為雙極點 濾波，所述雙極點濾波的差分遞推公式為：
[0030] yn=Xni+kA「k2yn2
[0031] 式中，y#n時刻經(jīng)過雙極點積累后的輸出信號，xn #n-l時刻的雷達輸入信號， yni為n-1時刻經(jīng)過雙極點積累后的輸出信號，yn2為n-2時刻經(jīng)過雙極點積累后的輸出信 號，V匕是雙極點積累器的加權(quán)系數(shù)。
[0032] 有益效果：本發(fā)明基于圖像特征的雷達弱目標檢測方法以雷達回波圖像為研究對 象，采用動態(tài)規(guī)劃方法積累目標能量并進行存儲，同時以目標積累數(shù)據(jù)的圖像特征即圖像 的距離、方位、速度的狀態(tài)轉(zhuǎn)移為研究目標記錄每一時刻的最佳轉(zhuǎn)移狀態(tài)，利用每幀觀測數(shù) 據(jù)的最佳轉(zhuǎn)移狀態(tài)提取弱小目標來抑制虛警，并對累積觀測量采用基于圖像的形態(tài)濾波， 提高虛警抑制能力；常規(guī)雷達目標探測只利用了目標的能量起伏信息，忽略了目標在空間 的形態(tài)特征，本發(fā)明方法采用形態(tài)濾波一方面能實現(xiàn)圖像去噪，另外一方面還能夠利用形 態(tài)特征實現(xiàn)目標提取；本發(fā)明方法通過將弱小目標的軌跡搜索目標轉(zhuǎn)換為最優(yōu)尋跡問題， 通過構(gòu)建目標函數(shù)，聯(lián)合處理多幀的觀測數(shù)據(jù)，將目標能量沿著所有可能航跡進行積累，找 出一條使得目標函數(shù)最優(yōu)的狀態(tài)序列作為目標的航跡估計，易于工程實現(xiàn)，經(jīng)過循環(huán)驗證， 本發(fā)明方法的目標檢測概率可達到95%。
【附圖說明】
[0033] 圖1是基于圖像特征的雷達弱目標檢測方法的基本流程圖；
[0034] 圖2是采用雙極點濾波前后的雷達觀測數(shù)據(jù)；圖2(a)是采用雙極點濾波前的雷達 觀測數(shù)據(jù)；圖2(b)是圖2(a)采用雙極點濾波后的雷達觀測數(shù)據(jù)；
[0035] 圖3是距離-方位向的狀態(tài)轉(zhuǎn)移示意圖；
[0036] 圖4是連續(xù)6幀數(shù)據(jù)TBD累積視頻截圖；圖4 (a)是第1幀數(shù)據(jù)視頻截圖；圖4 (b) 是前兩幀