基于多维联合的雷达对海慢速目标检测方法

1.本发明属于雷达技术领域，具体涉及一种雷达海杂波抑制与对海慢速运动目标检测的方法。本发明可用于海杂波背景下杂波与目标的分离，同时实现对海面微弱目标的检测。


背景技术：

2.海杂波背景下的雷达目标检测问题在军事领域和民用领域中具有广泛的应用场景以及重要的实践价值，同时也面临着很大的困难和挑战。由于高分辨海杂波的统计特性呈现出非高斯、非线性以及非平稳等“三非”特性，给运动目标检测造成巨大阻碍。对于慢速移动、雷达截面积较小的隐身目标或漂浮目标，由于受复杂海况的影响，信号十分微弱，在海杂波和噪声背景下极其容易被淹没，极大加剧了检测难度，检测性能也受到较大制约，因此海杂波背景下的慢速微弱目标检测问题是一个亟待解决的问题，这对于探索新的海洋信息技术具有重要意义。
3.现有的海杂波背景下的目标检测方法主要有循环对消法，基于子空间分解的方法，基于海杂波模型预测的方法以及基于分形特征的方法等。
4.(1)基于循环对消的海杂波抑制
5.对海杂波的主分量分析处理时，可以将其近似看作正弦信号，循环迭代对消方法以此为基础，提出雷达回波在时域上逐次减掉估计的正弦信号来实现海杂波的对消，该方法对海杂波的抑制性能主要取决于对正弦信号频率、相位以及幅度信息的估计精确度。
6.(2)基于子空间分解
7.基于子空间分解的方法是以杂波在子空间的聚集特性为理论基础实现对海杂波的抑制。典型的方法有特征值分解方法以及奇异值分解方法。
8.(3)基于海杂波模型预测的目标检测方法
9.由于海杂波信号具有随机起伏的特点，所以传统的建模方法主要是根据概率统计模型对其隐含的统计规律进行研究分析。最常见的四种模型有瑞利分布、对数正态分布、韦布尔分布以及k分布。常用的时域模型预测方法有支持向量机模型预测、径向基神经网络模型预测。
10.(4)基于分形特征的目标检测
11.分形理论可以解释随机信号中普遍存在的尺度不变性和自相似性，因此可以用来描述自然界中不光滑、不规则的复杂结构。在海面目标检测中，海杂波由于其具有粗糙多变的表面，已被证实具有明确的分形特性，而目标是具有人造结构的规则几何体。因此，可以通过提取海杂波单元与含目标的杂波单元的相关分形特征参数，来进行目标和杂波的区分，从而完成目标检测。
12.雷达目标检测的关键在于寻求目标与杂波之间的特性差异。由于单个距离单元内部目标与杂波的相关性较差，而相邻距离单元之间具有很强的相关性，因此考虑对多个距离单元的回波数据进行联合处理。相邻距离单元海杂波在空时平面内的能量分布具有很强
的相关性，近似满足低秩性，而运动目标的空间分布本身具有很好的稀疏性，因此本发明首先将回波数据变换到时-频-距离联合域中，利用目标与杂波的时频分布特性在相邻距离单元内的稀疏性与低秩性差异实现目标与杂波的分离，然后针对海尖峰等残留杂波干扰，利用目标和残留杂波的持续时间差异，最终实现对目标的鲁棒检测。


技术实现要素：

13.要解决的技术问题
14.针对现有海面慢速目标检测的性能瓶颈，本发明提出一种基于多维联合的雷达对海慢速目标检测方法。利用目标与杂波在相邻距离单元内的时-频稀疏性和低秩性差异，结合鲁棒主成分分析方法，实现目标与杂波的分离，然后利用目标与残留杂波的持续时间差异，实现对海面慢速运动目标的鲁棒检测。
15.技术方案
16.一种基于多维联合的雷达对海慢速目标检测方法，其特征在于步骤如下：
17.步骤1：提取雷达回波数据
18.提取雷达原始时域回波中q个距离单元的数据，并在每个距离单元中截取长度为n的时域信号xq(n)，其中1≤q≤q，1≤n≤n；
19.步骤2：获取回波数据的时频矩阵
20.依次对q个距离单元的回波数据进行短时傅里叶变换，其中提取的第q个距离单元的时域回波数据表示为xq(n)，对其进行短时傅里叶变换：
[0021][0022]
其中n、k、m和m分别表示时间采样点、频率采样点、整数序号和频率采样点的总数，h表示窗函数；stftq(n,k)表示第q个距离单元的回波信号在第n个时间离散点、第k个频率离散点处的短时傅里叶变换值，因此xq(n)的时频矩阵可以表示为stftq；
[0023]
步骤3：将时频矩阵向量化并构建距离-时频二维矩阵
[0024]
将步骤2得到的第q个时频矩阵stftq向量化，并将值存储在构建的距离-时频矩阵的第q行，由此便得到了距离-时频矩阵第q行的数据x(q,:)，这样q个距离单元的时频矩阵便可以构建一个q行的距离-时频二维矩阵x；
[0025]
步骤4：应用鲁棒主成分分析方法获取目标稀疏矩阵
[0026]
步骤3得到的距离-时频二维矩阵x＝l s n，其中s为目标稀疏矩阵，l为杂波低秩矩阵，n为噪声分量；本发明的鲁棒主成分分析采用godec算法，该算法通过最小化分解误差分解出距离-时频矩阵x中的目标稀疏矩阵s和杂波低秩矩阵l：
[0027][0028]
其中，||
·
||f表示矩阵的f范数，rank(
·
)表示对矩阵求秩，card(
·
)表示稀疏矩阵的稀疏度；
[0029]
步骤5：重构各距离单元的目标时频矩阵
[0030]
步骤4得到的目标稀疏矩阵s的第q行存储了第q个距离单元的目标时频矩阵，将目标稀疏矩阵s的第q行向量矩阵化便得到了杂波分离后第q个距离单元的目标时频分量，其矩阵表示为stft
s,q
；
[0031]
步骤6：构建时频滤波器滤除剩余杂波
[0032]
对第q个距离单元的目标时频矩阵stft
s,q
构建时频滤波器滤除剩余杂波，并绘制该距离单元剩余杂波滤除后的时频分析图
[0033]
若则stft
s,q
(f
2l-1
：f
2l
,:)＝0
[0034]
其中num()表示检测统计量，f
2l-1
和f
2l
为频率分割点，参数η表示判决阈值。将stft
s,q
矩阵的检测统计量之和与判决阈值进行比较，如果检测统计量之和小于判决阈值，则将stft
s,q
中该频率段内值置零；否则不做处理；
[0035]
步骤7：检测各距离单元中是否存在目标
[0036]
经步骤6处理后可以得到各距离单元剩余杂波滤除后的时频矩阵，对残留杂波滤除后的各距离单元的时频矩阵进行检测，若第q个距离单元的时频矩阵中存在非零值，则目标存在于当前距离单元中，记为h1；否则当前距离单元中不存在目标，记为h0。
[0037]
一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
[0038]
一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
[0039]
有益效果
[0040]
本发明提出的一种基于多维联合的雷达对海慢速目标检测方法，该方法首先将雷达回波信号变换到时-频-距离联合域内，由于目标在时频域具有较强的聚集特性，同时目标仅存在于部分距离单元内，因此具有稀疏特性；而海杂波具有较强的时域相关性和空间相关性，特别是在均匀海杂波背景下，海杂波的纹理分量在不同距离单元上完全相关，具有很好的低秩性，因此利用低秩分解理论可以实现目标与杂波的分离。但由于海尖峰的存在，其具有“类目标”特性，在低秩分解过程中，会残留部分杂波分量，增大虚警概率。考虑到目标在时间上具有连续性，其时频轨迹是关联的，而海尖峰的持续时间相对较短，因此在时频域构建滤波器用以判决目标与杂波的连续性，以消除海尖峰对目标检测的影响，从而实现对海面目标的鲁棒检测。
[0041]
本发明利用目标和海杂波在相邻距离单元的时频特性差异，结合鲁棒主成分分析方法，实现对低秩分量(杂波)和稀疏分量(目标)的分离。考虑海尖峰和残留杂波对目标检测的影响，在稀疏分量中利用目标与杂波的持续时间差异，滤除残留杂波，实现对慢速运动目标的鲁棒探测。
附图说明
[0042]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0043]
图1为本发明的算法实现流程图；
[0044]
图2为含目标距离单元的剩余杂波滤除过程及结果；
[0045]
图3为无目标距离单元的剩余杂波滤除过程及结果；
[0046]
图4为回波中含目标时本发明的仿真结果对比图：4(a)时频分析图；4(b)滤除残余杂波后各距离单元的时频图；
[0047]
图5为回波中无目标时本发明的仿真结果对比图：5(a)杂波滤除前；5(b)杂波滤除后。
具体实施方式
[0048]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0049]
如图1所示，本发明的具体步骤如下：
[0050]
步骤1：提取雷达回波数据
[0051]
提取雷达原始时域回波中q个距离单元的数据，并在每个距离单元中截取长度为n的时域信号xq(n)，其中1≤q≤q，1≤n≤n。
[0052]
步骤2：获取回波数据的时频矩阵
[0053]
依次对q个距离单元的回波数据进行短时傅里叶变换，其中提取的第q个距离单元的时域回波数据表示为xq(n)，对其进行短时傅里叶变换：
[0054][0055]
其中n、k、m和m分别表示时间采样点、频率采样点、整数序号和频率采样点的总数，h表示窗函数；stftq(n,k)表示第q个距离单元的回波信号在第n个时间离散点、第k个频率离散点处的短时傅里叶变换值，因此xq(n)的时频矩阵可以表示为stftq。
[0056]
步骤3：将时频矩阵向量化并构建距离-时频二维矩阵
[0057]
将步骤2得到的第q个时频矩阵stftq向量化，并将值存储在构建的距离-时频矩阵的第q行，由此便得到了距离-时频矩阵第q行的数据x(q,:)，这样q个距离单元的时频矩阵便可以构建一个q行的距离-时频二维矩阵x。
[0058]
步骤4：应用鲁棒主成分分析方法获取目标稀疏矩阵
[0059]
步骤3得到的距离-时频二维矩阵x＝l s n，其中s为目标稀疏矩阵，l为杂波低秩矩阵，n为噪声分量；本发明的鲁棒主成分分析采用godec算法，该算法通过最小化分解误差分解出距离-时频矩阵x中的目标稀疏矩阵s和杂波低秩矩阵l：
[0060][0061]
其中||
·
||f表示矩阵的f范数，rank(
·
)表示对矩阵求秩，card(
·
)表示稀疏矩
阵的稀疏度。
[0062]
步骤5：重构各距离单元的目标时频矩阵
[0063]
步骤4得到的目标稀疏矩阵s的第q行存储了第q个距离单元的目标时频矩阵，将目标稀疏矩阵s的第q行向量矩阵化便得到了杂波分离后第q个距离单元的目标时频分量，其矩阵表示为stft
s,q
。
[0064]
步骤6：构建时频滤波器滤除剩余杂波
[0065]
对第q个距离单元的目标时频矩阵stft
s,q
构建时频滤波器滤除剩余杂波，并绘制该距离单元剩余杂波滤除后的时频分析图；
[0066]
若则stft
s,q
(f
2l-1
：f
2l
,:)＝0
[0067]
其中num()表示检测统计量，f
2l-1
和f
2l
为频率分割点，参数η表示判决阈值。将stft
s,q
矩阵的检测统计量之和与判决阈值进行比较，如果检测统计量之和小于判决阈值，则将stft
s,q
中该频率段内值置零；否则不做处理。
[0068]
步骤7：检测各距离单元中是否存在目标
[0069]
经步骤6处理后可以得到各距离单元剩余杂波滤除后的时频矩阵，对残留杂波滤除后的各距离单元的时频矩阵进行检测，若第q个距离单元的时频矩阵中存在非零值，则目标存在于当前距离单元中，记为h1；否则当前距离单元中不存在目标，记为h0。
[0070]
实施例1：
[0071]
步骤1：提取雷达回波数据
[0072]
提取hv极化方式下雷达回波第2、3、4、5这4个距离单元的数据，并在每个距离单元中截取76000点至78047点的信号，信号长度n＝2048。
[0073]
步骤2：获取回波数据的时频矩阵
[0074]
依次对第2、3、4、5距离单元提取的长度为2048的时域回波数据进行短时傅里叶变换，实验中选取的窗为汉明窗，窗长m＝260，fft点数为512，窗长步进为1，由此得到了对应于4个距离单元的时频矩阵，并绘制了相应的时频分析图，如图4(a)所示。
[0075]
步骤3：将时频矩阵向量化并构建距离-时频二维矩阵
[0076]
将4个距离单元的时频矩阵分别向量化，然后存储在构建的距离-时频矩阵中，每一行对应一个距离单元，从而构建了一个4行的距离-时频二维矩阵x。
[0077]
步骤4：应用鲁棒主成分分析方法获取目标稀疏矩阵
[0078]
采用godec算法从距离-时频二维矩阵x中分离出目标所对应的稀疏矩阵s。
[0079]
步骤5：重构各距离单元的目标时频矩阵
[0080]
将目标稀疏矩阵s的行向量矩阵化得到杂波分离后对应于2、3、4、5距离单元的目标时频矩阵。
[0081]
步骤6：构建时频滤波器滤除剩余杂波
[0082]
分别对2、3、4、5距离单元的目标时频矩阵构建时频滤波器滤除剩余杂波，并绘制该距离单元滤除残留杂波后的时频分析图，这里选取的判决阈值η＝6000。
[0083]
步骤7：检测各距离单元中是否存在目标
[0084]
对杂波消除后的各距离单元时频矩阵进行检测，其中只有第5距离单元的时频矩阵中存在非零值，因此目标存在于第5距离单元中，其他距离单元并不存在目标，这里给出
了滤除残余杂波后各距离单元的时频图，如图4(b)所示，显然目标处于第5距离单元中，且无明显杂波存在，杂波抑制效果较好。
[0085]
本发明采用的实验数据是来自加拿大mcmaster大学的ipix雷达数据库网站的公开数据，各组数据包含同步采集的hh，vv，hv和vh四种极化方式下的数据。为了说明在不含目标距离单元时本发明依然具有有效性，这里另选取hv极化方式下第1、2、3、4距离单元55000-57047这2048个点进行处理，这四个距离单元中均不含目标，杂波滤除前后对比图分别如图5(a)和(b)所示，说明了在距离单元均不含目标的情况下，本发明依然具有有效性。
[0086]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。