CN111707999A - 一种基于多特征与集成学习结合的海面漂浮小目标检测方法 - Google Patents
一种基于多特征与集成学习结合的海面漂浮小目标检测方法 Download PDFInfo
- Publication number
- CN111707999A CN111707999A CN202010544792.4A CN202010544792A CN111707999A CN 111707999 A CN111707999 A CN 111707999A CN 202010544792 A CN202010544792 A CN 202010544792A CN 111707999 A CN111707999 A CN 111707999A
- Authority
- CN
- China
- Prior art keywords
- training
- doppler
- data
- follows
- relative
- 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
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
-
- 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
本发明公开了一种基于多特征与集成学***滑维格纳‑威利分布;3提取海杂波和目标的多个特征构成训练矩阵;构造用于XGBoost训练的数据;4采用K折交叉验证和网格搜索法确定XGBoost模型的超参数,训练XGBoost模型;5将待检测单元的多特征矩阵输入训练好的XGBoost模型,计算检测统计量D和检测门限T,根据检测统计量D与检测门限T的比较结果判断是否存在目标,做检测统计量D大于等于检测门限T,判定目标存在,反之,判定目标不存在。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种基于多特征与集成学习结合的海面漂浮小目标检测方法。
背景技术
海杂波是雷达接收到的从海表面反射回来的雷达回波,海面搜索雷达在对海面探测时,海杂波难免会对海面上诸如浮冰、小船、航标等漂浮小目标的检测造成影响。海杂波的强度会随雷达参数、照射方向、海况等的不同而发生改变。由于高分辨海杂波的空时非平稳性,传统目标检测方法面临低检测概率,高虚警的问题,使得海杂波背景下对海面漂浮小目标的检测成为难点。
针对这一难题,很多学者进行大量尝试与研究。自适应匹配滤波类方法是以假设海杂波满足统计模型为前提而提出的。在K分布海杂波模型下,可以得到最优K分布检测器。当海杂波序列满足Pareto分布时,可以得到该海杂波模型下的最优检测器。但是由于现有统计模型很难描述海杂波的复杂特性,海杂波具有较宽的多普勒带宽,海面目标通常速度较低,海面目标常常淹没在海杂波宽带内,因此上述方法在对海面目标特别是漂浮小目标检测时,检测器性能出现较大程度的下滑。
另外,基于分形的目标检测方法在观测时间较长时能达到很好的检测结果,然而当观测时间缩短时,检测性能会有明显下降,无法满足对海搜索雷达的要求。
传统上,雷达接收到的时间序列具有时域功率特性和频域的多普勒特性,检测算法基于某个特定统计量,即单特征来执行的。在面临高分辨海杂波背景下的漂浮小目标时,这些传统检测方法损失性能较大。由于海洋环境和雷达工作参数的影响,海杂波和目标都呈现出复杂的特性变化。利用单一的特征难以保证各种环境下的性能稳健。另外,基于特征类的检测方法可以转化为对海杂波和目标的分类。目前的分类器除了对海杂波和目标的多个特征缺乏充分的利用,方法的智能化程度还不高,只使用设计得到的单分类模型进行分类,使得实际应用中的分类效果完全依赖于所设计的单分类模型。若分类器的性能较差,则直接影响最终的分类性能。
发明内容
本发明的目的是提供一种基于多特征与集成学习结合的海面漂浮小目标检测方法,通过集成多个分类模型来有效区别海杂波与目标,以提高对海面漂浮小目标的检测性能,满足雷达对海搜索的要求。
本发明采用的技术方案为:
A:获取雷达回波数据
利用雷达发射机对海面发送信号,利用雷达接收机接收由海面反射回来的回波数据,获取雷达回波数据;该回波数据分为纯杂波数据和包含目标回波数据,从包含目标回波数据中选取部分距离单元作为训练单元,训练单元时间序列为:z(n),n=1,2,...,N;将纯杂波数据的距离单元作为参考单元,参考单元时间序列为:zp(n),n=1,2,...,N,p=1,2,...,Q,Q为参考单元数,N为时间序列的长度;将训练单元时间序列z和参考单元时间序列zp分别截长度为M不重叠的短向量,即:
z=[z1,z2,...,zm,...,zN/M]T (1)
zp=[zp,1,zp,2,...,zp,m,...,zp,N/M]T,p=1,2,...,Q (2)
其中向量zm表示训练单元时间训练的第m个短向量,zp,m表示参考单元时间序列的第m个短向量,m=1,2,...,N/M;
B:计算训练单元和参考单元的计算归一化平滑维格纳-威利分布
B1:利用公式(3)计算训练单元的平滑维格纳-威利分布,公式(3)如下:
B2:利用公式(4)计算参考单元的平滑维格纳-威利分布,公式(4)如下:
其中,上标*表示共轭,g(m)为时间平滑窗,h(k)为频率平滑窗,E表示时间平滑窗长的一半,F表示频率平滑窗长的一半,Δfd为归一化多普勒频率的采样间隔,n=1,2,...,N,1=1,2,...,N;
B3:从参考单元的纯杂波时间序列zp估计海杂波的均值函数(5)和方差函数(6):
其中,P代表训练单元周围参考单元的数目;
B4:则归一化平滑维格纳-威利分布SPWVD如公式(7)计算:
C:从海杂波数据和包含目标回波数据的时间序列中提取X个特征,X≥1,构造用于XGBoost训练的特征向量及训练矩阵;
利用上述提取的X个特征,构造特征向量η(z)=[η1(z),η2(z),...,η7(z)],X个特征主要有:相对平均幅度、相对多普勒峰高、相对多普勒熵、Hurst指数、脊积累、连通区域个数和最大连通区域尺寸。加上训练标签label,最终构造的训练数据矩阵为sum×(X+1)的大小,其中sum为训练的总样本数,每行的数据各为[η1(z),η2(z),...,η7(z),label];其中,训练数据矩阵的数据一部分来自包含目标的训练单元,另一部分来自包含海杂波的参考单元,将设置海杂波的训练数据的label为0,包含目标的训练数据的label为1;
所述的相对平均幅度特征的计算方法为:
计算相对平均幅度得到特征η1(z):
设长度为N的信号,平均幅度定义如下:
其中z为训练单元时间序列,通过计算参考单元周围的回波强度,计算相对平均幅度:
所述的相对多普勒峰高特征的计算方法为:
z(n)为长度为N的训练单元时间序列,其多普勒幅度谱定义如下:
其中fd为多普勒频率,Tr=0.001为IPIX雷达的脉冲重复频率,则多普勒峰高和多普勒偏移可以如下计算:
令δ1为可供参考的多普勒单元范围,δ1为目标最大可能占据的多普勒带宽,则多普勒幅度谱的相对峰高可以如下计算:
Δ=[-δ1,-δ2]∪[δ2,δ1]
其中,Δ代表所有的多普勒参考单元组成的集合,#Δ代表集合内所有元素的个数;利用训练单元的RPH和周围参考单元的RPH,计算相对多普勒峰高特征如下:
所述的相对多普勒熵特征的计算方法为:
相对多普勒向量熵定义如下:
所述的相对Hurst指数特征的计算方法为:
令ξp,p=1,2,...,P为从参考单元回波zp(n)得到的Hurst指数,其对应均值与标准差计算如下:
则序列z(n)的相对Hurst指数为:
所述的脊累积特征的计算方法为:
归一化SPWVD的时频脊定义和脊积累分别如下计算为:
所述的连通区域个数和最大连通区域尺寸特征的计算方法:
计算连通区域个数和最大连通区域尺寸得到特征η6(z)和特征η7(z):
在归一化SPWVD的每个时间尺度上取前L个最大像素值标记为1而剩余像素标记为0,生成二值图像:
STFP图像由N×L个像素(值为1)组成,在一个二值图像中通过快速标记算法获得连通区域{Ω1,Ω2,...,ΩW},则两个特征可分别计算为:
η6(z)=W
其中W为连通区域的个数,#Ωc代表第c个连通区域像素值为1的个数和。
D:训练XGBoost模型
采用K折交叉验证和网格搜索法确定适合XGBoost模型的超参数,将训练数据矩阵随机分成K组,K为正整数,其中K-1组作为训练集,剩下1组作为评估集,XGBoost模型在训练集上进行训练,在评估集上进行验证;每次选取不同的训练集和评估集,重复进行操作,直到每组数据都被用作评估集;
F:检测
将待检测单元的X个特征矩阵输入训练好的XGBoost模型,获得所有待测样本对应的分类概率值Di,1≤i≤num,num为所有待测样本的总数;利用蒙特卡洛仿真确定最终的检测阈值T,比较待测样本分类概率值Di和检测阈值T的大小,根据比较结果对目标检测进行判决:
如果Di≥T,则认为有目标;
如果Di≤T,则认为无目标。
本发明与现有技术比较具有以下优点:
1)本发明从海杂波数据和包含目标回波数据的时间序列中提取出多个不同的特征,并联合多个分类器进行融合决策完成对海面漂浮小目标的检测,相比基于分形的单特征检测器,可以在较短观测时间内获得更好的检测效果;相比基于三特征的检测器能够获得更好的检测效果;
2)本发明提出的多特征联合检测是一个开放的理论框架,并不局限于只在本发明中提到的特征。可根据实际雷达探测环境和工作模式的不同从多个不同的角度增添各种差异性大的特征,使得检测效果更加精确和稳健;
本发明使用了集成学习中的算法,集成学习通过生成多个有差别的分类器并对它们的分类结果进行融合,能够克服只用一个分类器时存在的稳定性差的欠缺,提高分类准确度和泛化能力。
附图说明
图1为本发明的流程图;
图2为在观测时间为512ms时,用本发明与现有的基于分形特征的检测方法在四种极化下的检测性能比较图a;
图3为在观测时间为512ms时,用本发明与现有的基于分形特征的检测方法在四种极化下的检测性能比较图b;
图4为在观测时间为512ms时,用本发明与现有的基于分形特征的检测方法在四种极化下的检测性能比较图c;
图5为在观测时间为512ms时,用本发明与现有的基于分形特征的检测方法在四种极化下的检测性能比较图d。
具体实施方式
如图1所示,本发明以下步骤:
A:获取雷达回波数据
利用雷达发射机对海面发送信号,利用雷达接收机接收由海面反射回来的回波数据,获取雷达回波数据;该回波数据分为纯杂波数据和包含目标回波数据,从包含目标回波数据中选取部分距离单元作为训练单元,训练单元时间序列为:z(n),n=1,2,...,N;将纯杂波数据的距离单元作为参考单元,参考单元时间序列为:zp(n),n=1,2,...,N,p=1,2,...,Q,Q为参考单元数,N为时间序列的长度;将训练单元时间序列z和参考单元时间序列zp分别截长度为M不重叠的短向量,即:
z=[z1,z2,...,zm,...,zN/M]t (1)
zp=[zp,1,zp,2,...,zp,m,...,zp,N/M]T,p=1,2,...,Q (2)
其中向量zm表示训练单元时间训练的第m个短向量,zp,m表示参考单元时间序列的第m个短向量,m=1,2,...,N/M;
B:计算训练单元和参考单元的计算归一化平滑维格纳-威利分布
B1:利用公式(3)计算训练单元的平滑维格纳-威利分布,公式(3)如下:
B2:利用公式(4)计算参考单元的平滑维格纳-威利分布,公式(4)如下:
其中,上标*表示共轭,g(m)为时间平滑窗,h(k)为频率平滑窗,E表示时间平滑窗长的一半,F表示频率平滑窗长的一半,Δfd为归一化多普勒频率的采样间隔,n=1,2,...,N,1=1,2,...,N;
B3:从参考单元的纯杂波时间序列zp估计海杂波的均值函数(5)和方差函数(6):
其中,P代表训练单元周围参考单元的数目;
B4:则归一化平滑维格纳-威利分布SPWVD如公式(7)计算:
C:从海杂波数据和包含目标回波数据的时间序列中提取X个特征,X≥1,构造用于XGBoost训练的特征向量及训练矩阵;
利用上述提取的X个特征,构造特征向量η(z)=[η1(z),η2(z),...,η7(z)],X个特征主要有:相对平均幅度、相对多普勒峰高、相对多普勒熵、Hurst指数、脊积累、连通区域个数和最大连通区域尺寸。加上训练标签label,最终构造的训练数据矩阵为sum×(X+1)的大小,其中sum为训练的总样本数,每行的数据各为[η1(z),η2(z),...,η7(z),label];其中,训练数据矩阵的数据一部分来自包含目标的训练单元,另一部分来自包含海杂波的参考单元,将设置海杂波的训练数据的label为0,包含目标的训练数据的label为1;
所述的相对平均幅度特征的计算方法为:
计算相对平均幅度得到特征η1(z):
设长度为N的信号,平均幅度定义如下:
其中z为训练单元时间序列,通过计算参考单元周围的回波强度,计算相对平均幅度:
所述的相对多普勒峰高特征的计算方法为:
z(n)为长度为N的训练单元时间序列,其多普勒幅度谱定义如下:
其中fd为多普勒频率,Tr=0.001为IPIX雷达的脉冲重复频率,则多普勒峰高和多普勒偏移可以如下计算:
令δ1为可供参考的多普勒单元范围,δ1为目标最大可能占据的多普勒带宽,则多普勒幅度谱的相对峰高可以如下计算:
Δ=[-δ1,-δ2]∪[δ2,δ1]
其中,Δ代表所有的多普勒参考单元组成的集合,#Δ代表集合内所有元素的个数;利用训练单元的RPH和周围参考单元的RPH,计算相对多普勒峰高特征如下:
所述的相对多普勒熵特征的计算方法为:
相对多普勒向量熵定义如下:
所述的相对Hurst指数特征的计算方法为:
令ξp,p=1,2,...,P为从参考单元回波zp(n)得到的Hurst指数,其对应均值与标准差计算如下:
则序列z(n)的相对Hurst指数为:
所述的脊累积特征的计算方法为:
归一化SPWVD的时频脊定义和脊积累分别如下计算为:
所述的连通区域个数和最大连通区域尺寸特征的计算方法:
计算连通区域个数和最大连通区域尺寸得到特征η6(z)和特征η7(z):
在归一化SPWVD的每个时间尺度上取前L个最大像素值标记为1而剩余像素标记为0,生成二值图像:
STFP图像由N×L个像素(值为1)组成,在一个二值图像中通过快速标记算法获得连通区域{Ω1,Ω2,...,ΩW},则两个特征可分别计算为:
η6(z)=W
其中W为连通区域的个数,#Ωc代表第c个连通区域像素值为1的个数和。
D:训练XGBoost模型
采用K折交叉验证和网格搜索法确定适合XGBoost模型的超参数,将训练数据矩阵随机分成K组,K为正整数,其中K-1组作为训练集,剩下1组作为评估集,XGBoost模型在训练集上进行训练,在评估集上进行验证;每次选取不同的训练集和评估集,重复进行操作,直到每组数据都被用作评估集;
F:检测
将待检测单元的X个特征矩阵输入训练好的XGBoost模型,获得所有待测样本对应的分类概率值Di,1≤i≤num,num为所有待测样本的总数;利用蒙特卡洛仿真确定最终的检测阈值T,比较待测样本分类概率值Di和检测阈值T的大小,根据比较结果对目标检测进行判决:
如果Di≥T,则认为有目标;
如果Di≤T,则认为无目标。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
步骤1)获取雷达回波数据:
利用雷达发射机对海面发送信号,利用雷达接收机接收由海面反射回来的回波数据,获取雷达回波数据;该回波数据分为纯杂波数据和包含目标回波数据,从包含目标回波数据中选取部分距离单元作为训练单元,训练单元时间序列为:z(n),n=1,2,...,N;将纯杂波数据的距离单元作为参考单元,参考单元时间序列为:zp(n),n=1,2,...,N,p=1,2,...,Q,Q为参考单元数,N为时间序列的长度;将训练单元时间序列z和参考单元时间序列zp分别截长度为M不重叠的短向量,即:
z=[z1,z2,...,zm,...,zN/M]T (1)
zp=[zp,1,zp,2,...,zp,m,...,zp,N/M]T,p=1,2,...,Q (2)
其中向量zm表示训练单元时间训练的第m个短向量,zp,m表示参考单元时间序列的第m个短向量,m=1,2,...,N/M。
步骤2)计算训练单元和参考单元的计算归一化平滑维格纳-威利分布
步骤21):利用公式(3)计算训练单元的平滑维格纳-威利分布,公式(3)如下:
步骤22):利用公式(4)计算参考单元的平滑维格纳-威利分布,公式
(4)如下:
其中,上标*表示共轭,g(m)为时间平滑窗,h(k)为频率平滑窗,E表示时间平滑窗长的一半,F表示频率平滑窗长的一半,Δfd为归一化多普勒频率的采样间隔,n=1,2,...,N,1=1,2,...,N;这里的时间平滑窗和频率平滑窗采用不限于汉宁窗,海明窗,布莱克曼窗,凯瑟窗,本实例采用长度为31的凯瑟窗作为时间平滑窗,长度为63的凯瑟窗作为频率平滑窗;
步骤23):从参考单元的纯杂波时间序列zp估计海杂波的均值函数(5)和方差函数(6):
其中,P代表训练单元周围参考单元的数目;
B4:则归一化平滑维格纳-威利分布SPWVD如公式(7)计算:
步骤3)从海杂波数据和包含目标回波数据的时间序列中提取X个特征,X≥1,构造用于XGBoost训练的特征向量及训练矩阵;本实例选取7个特征作为演示,实际中特征个数没有限制,可根据具体情况进一步增加特征;7个特征主要有:相对平均幅度、相对多普勒峰高、相对多普勒熵、Hurst指数、脊积累、连通区域个数和最大连通区域尺寸。
步骤3a)计算相对平均幅度得到特征η1(z):
设长度为N的信号,平均幅度定义如下:
其中z为训练单元时间序列,通过计算参考单元周围的回波强度,计算相对平均幅度:
步骤3b)计算相对多普勒峰高得到特征η2(z):
z(n)为长度为N的训练单元时间序列,其多普勒幅度谱定义如下:
其中fd为多普勒频率,Tr=0.001为IPIX雷达的脉冲重复频率,则多普勒峰高和多普勒偏移可以如下计算:
令δ1为可供参考的多普勒单元范围,δ1为目标最大可能占据的多普勒带宽,则多普勒幅度谱的相对峰高可以如下计算:
Δ=[-δ1,-δ2]∪[δ2,δ1]
其中,Δ代表所有的多普勒参考单元组成的集合,#Δ代表集合内所有元素的个数;利用训练单元的RPH和周围参考单元的RPH,计算相对多普勒峰高特征如下:
步骤3c)计算相对多普勒熵得到特征η3(z):
相对多普勒向量熵定义如下:
步骤3d)计算相对Hurst指数得到特征η4(z):
令ξp,p=1,2,...,P为从参考单元回波zp(n)得到的Hurst指数,其对应均值与标准差计算如下:
则序列z(n)的相对Hurst指数为:
步骤3e)计算脊累积得到特征η5(z):
归一化SPWVD的时频脊定义和脊积累分别如下计算为:
步骤3f)计算连通区域个数和最大连通区域尺寸得到特征η6(z)和特征η7(z):
在归一化SPWVD的每个时间尺度上取前L个最大像素值标记为1而剩余像素标记为0,生成二值图像:
STFP图像由N×L个像素(值为1)组成,在一个二值图像中通过快速标记算法获得连通区域{Ω1,Ω2,...,ΩW},则两个特征可分别计算为:
η6(z)=W
其中W为连通区域的个数,#Ωc代表第c个连通区域像素值为1的个数和。
步骤3g)构造用于XGBoost训练的数据:
利用计算得到的七个特征构造特征向量η(z)=[η1(z),η2(z),...,η7(z)],加上训练标签label,最终构造的训练数据矩阵为sum×8的大小,其中sum为训练的总样本数,每行的数据各种为[η1(z),η2(z),...,η7(z),label];其中设置海杂波的label为0,目标的label为1。
步骤4)训练XGBoost模型:
XGBoost是一种基于梯度上升的集成学习算法,利用CPU多线程并行运算,通过弱分类器进行迭代计算分类,提高了运行速度的同时也提高了模型的预测精度。
采用K折交叉验证和网格搜索法确定适合XGBoost模型的超参数,将训练数据矩阵随机分成K组,K为正整数,其中K-1组作为训练集,剩下1组作为评估集,XGBoost模型在训练集上进行训练,在评估集上进行验证;每次选取不同的训练集和评估集,重复进行操作,直到每组数据都被用作评估集。
本实例中使用5折交叉验证,并通过网格搜索法对涉及参数调优,最终根据所选取的海杂波和目标训练数据确定的超参数包括:最佳迭代次数为700,最小叶子节点样本权重和为2,树的最大深度为10,最小损失函数下降值为0.2,树随机采样比例为0.8,随机采样列数占比为0.8,权重的L1和L2正则化项都为1,学习速率为0.1;实际情况中,超参数随着训练内容的不同而不同;
步骤5)检测:
将待检测单元的七特征矩阵输入训练好的XGBoost模型,获得所有待测样本对应的分类概率值Di,1≤i≤num,num为所有待测样本的总数。利用蒙特卡洛仿真确定最终的检测阈值T,比较待测样本分类概率值Di和检测阈值T的大小,根据比较结果对目标检测进行判决:
如果Di≥T,则认为有目标;
如果Di≤T,则认为无目标。
基于步骤1到步骤5,实现了基于多特征与集成学习结合的海面漂浮小目标检测方法;下面结合仿真实验对本发明的效果做进一步说明。
1.实验数据
本实例使用的实测海杂波数据共12组。每组数据包含四种极化数据,其中两种为同极化数据HH、VV,两种为交叉极化数据HV、VH。其中10组来自1993年的IPIX雷达数据,待测目标是被铝丝包裹直径1m的漂浮圆球,每种极化数据包含14个距离单元,数据长度为217;剩余2组来自1998年的IPIX雷达数据,待测目标为漂浮的小船,每种极化数据包括28个距离单元,数据长度为60000。
2.仿真实验
在观测时间为512ms时,利用本发明与基于分形的检测方法和基于三特征的检测方法,在四种极化数据下对雷达检测性能进行仿真对比,结果如图2-5所示。其中图2(a)为同向HH极化数据下的雷达检测性能比较图;图3(b)为同向HV极化数据下的雷达检测性能比较图;图4(c)为异向VV极化数据下的雷达检测性能比较图;图5(d)为异向VH极化数据下的雷达检测性能比较图;
从图2-5可以看出,本发明对海面漂浮小目标的检测性能优于现有的基于分形的单特征检测方法的检测性能和基于三特征的检测方法的检测性能。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (8)
1.一种基于多特征与集成学习结合的海面漂浮小目标检测方法,其特征在于:包括以下步骤:
A:获取雷达回波数据
利用雷达发射机对海面发送信号,利用雷达接收机接收由海面反射回来的回波数据,获取雷达回波数据;该回波数据分为纯杂波数据和包含目标回波数据,从包含目标回波数据中选取部分距离单元作为训练单元,训练单元时间序列为:z(n),n=1,2,...,N;将纯杂波数据的距离单元作为参考单元,参考单元时间序列为:zp(n),n=1,2,...,N,p=1,2,...,Q,Q为参考单元数,N为时间序列的长度;将训练单元时间序列z和参考单元时间序列zp分别截长度为M不重叠的短向量,即:
z=[z1,z2,...,zm,...,zN/M]T (1)
zp=[zp,1,zp,2,...,zp,m,...,zp,N/M]T,p=1,2,...,Q (2)
其中向量zm表示训练单元时间训练的第m个短向量,zp,m表示参考单元时间序列的第m个短向量,m=1,2,...,N/M;
B:计算训练单元和参考单元的计算归一化平滑维格纳-威利分布
B1:利用公式(3)计算训练单元的平滑维格纳-威利分布,公式(3)如下:
B2:利用公式(4)计算参考单元的平滑维格纳-威利分布,公式(4)如下:
其中,上标*表示共轭,g(m)为时间平滑窗,h(k)为频率平滑窗,E表示时间平滑窗长的一半,F表示频率平滑窗长的一半,Δfd为归一化多普勒频率的采样间隔,n=1,2,...,N,l=1,2,...,N;
B3:从参考单元的纯杂波时间序列zp估计海杂波的均值函数(5)和方差函数(6):
其中,P代表训练单元周围参考单元的数目;
B4:则归一化平滑维格纳-威利分布SPWVD如公式(7)计算:
C:从海杂波数据和包含目标回波数据的时间序列中提取X个特征,X≧1,
构造用于XGBoost训练的特征向量及训练矩阵;
利用上述提取的X个特征,构造特征向量η(z)=[η1(z),η2(z),...,η7(z)],加上训练标签label,最终构造的训练数据矩阵为sum×(X+1)的大小,其中sum为训练的总样本数,每行的数据各为[η1(z),η2(z),...,η7(z),label];其中,训练数据矩阵的数据一部分来自包含目标的训练单元,另一部分来自包含海杂波的参考单元,将设置海杂波的训练数据的label为0,包含目标的训练数据的label为1;
D:训练XGBoost模型
采用K折交叉验证和网格搜索法确定适合XGBoost模型的超参数,将训练数据矩阵随机分成K组,K为正整数,其中K-1组作为训练集,剩下1组作为评估集,XGBoost模型在训练集上进行训练,在评估集上进行验证;每次选取不同的训练集和评估集,重复进行操作,直到每组数据都被用作评估集;
F:检测
将待检测单元的X个特征矩阵输入训练好的XGBoost模型,获得所有待测样本对应的分类概率值Di,1≤i≤num,num为所有待测样本的总数;利用蒙特卡洛仿真确定最终的检测阈值T,比较待测样本分类概率值Di和检测阈值T的大小,根据比较结果对目标检测进行判决:
如果Di≥T,则认为有目标;
如果Di≤T,则认为无目标。
2.根据权利要求1所述的基于多特征与集成学***均幅度、相对多普勒峰高、相对多普勒熵、Hurst指数、脊积累、连通区域个数和最大连通区域尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010544792.4A CN111707999B (zh) | 2020-06-15 | 2020-06-15 | 一种基于多特征与集成学习结合的海面漂浮小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010544792.4A CN111707999B (zh) | 2020-06-15 | 2020-06-15 | 一种基于多特征与集成学习结合的海面漂浮小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111707999A true CN111707999A (zh) | 2020-09-25 |
CN111707999B CN111707999B (zh) | 2023-03-31 |
Family
ID=72540700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010544792.4A Active CN111707999B (zh) | 2020-06-15 | 2020-06-15 | 一种基于多特征与集成学习结合的海面漂浮小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111707999B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064133A (zh) * | 2021-03-29 | 2021-07-02 | 南京信息工程大学 | 一种基于时频域深度网络的海面小目标特征检测方法 |
CN114429585A (zh) * | 2021-12-26 | 2022-05-03 | 西北工业大学 | 一种海面目标多特征智能辨识方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016097890A1 (en) * | 2014-12-15 | 2016-06-23 | Airbus Group Singapore Pte. Ltd. | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
CN105738888A (zh) * | 2016-03-31 | 2016-07-06 | 西安电子科技大学 | 基于海杂波抑制的双特征海面漂浮小目标检测方法 |
CN105866758A (zh) * | 2016-03-31 | 2016-08-17 | 西安电子科技大学 | 基于块白化杂波抑制的时频双特征海面小目标检测方法 |
CN110208766A (zh) * | 2019-05-31 | 2019-09-06 | 零八一电子集团有限公司 | 海面漂浮类微弱目标检测方法 |
US20190302251A1 (en) * | 2017-12-28 | 2019-10-03 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Morphological Components Analysis For Maritime Target Detection |
-
2020
- 2020-06-15 CN CN202010544792.4A patent/CN111707999B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016097890A1 (en) * | 2014-12-15 | 2016-06-23 | Airbus Group Singapore Pte. Ltd. | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
CN105738888A (zh) * | 2016-03-31 | 2016-07-06 | 西安电子科技大学 | 基于海杂波抑制的双特征海面漂浮小目标检测方法 |
CN105866758A (zh) * | 2016-03-31 | 2016-08-17 | 西安电子科技大学 | 基于块白化杂波抑制的时频双特征海面小目标检测方法 |
US20190302251A1 (en) * | 2017-12-28 | 2019-10-03 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Morphological Components Analysis For Maritime Target Detection |
CN110208766A (zh) * | 2019-05-31 | 2019-09-06 | 零八一电子集团有限公司 | 海面漂浮类微弱目标检测方法 |
Non-Patent Citations (2)
Title |
---|
刘允峰等: "改进的分形检测海面漂浮小目标方法", 《电讯技术》 * |
许述文等: "基于四极化通道融合的海面漂浮微弱目标特征检测", 《信号处理》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064133A (zh) * | 2021-03-29 | 2021-07-02 | 南京信息工程大学 | 一种基于时频域深度网络的海面小目标特征检测方法 |
CN114429585A (zh) * | 2021-12-26 | 2022-05-03 | 西北工业大学 | 一种海面目标多特征智能辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111707999B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111505643B (zh) | 基于时频图深度学习的海面小目标检测方法 | |
CN106569193B (zh) | 基于前-后向收益参考粒子滤波的海面小目标检测方法 | |
CN105738888B (zh) | 基于海杂波抑制的双特征海面漂浮小目标检测方法 | |
Leung | Applying chaos to radar detection in an ocean environment: an experimental study | |
CN111707999B (zh) | 一种基于多特征与集成学习结合的海面漂浮小目标检测方法 | |
CN111707998B (zh) | 一种基于连通区域特征的海面漂浮小目标检测方法 | |
Huang et al. | Wave height estimation from X-band nautical radar images using temporal convolutional network | |
CN106291554B (zh) | 基于k-wishart分布的极化sar舰船检测方法 | |
CN115774248A (zh) | 基于图多特征的海面小目标检测方法及*** | |
CN105334507B (zh) | 基于极化多特征的对海面漂浮雷达目标的检测方法 | |
Pelliza et al. | Optimal Canny’s parameters regressions for coastal line detection in satellite-based SAR images | |
Sun et al. | A Wave Texture Difference Method for Rainfall Detection Using X‐Band Marine Radar | |
CN111144316B (zh) | 基于堆栈自编码器的海面目标检测方法 | |
CN113093135B (zh) | 基于f范数归一化距离的目标检测方法及装置 | |
Chen et al. | Integrated processing of radar detection and classification for moving target via time-frequency graph and CNN learning | |
CN114740445A (zh) | 一种基于平均谱半径的海面漂浮小目标检测方法 | |
Bai et al. | Sea surface floating target detection based on local-distance measurement | |
Bai et al. | Enhanced local sparsity coefficient-based sea-surface floating target detection | |
Xie et al. | A Convolution Neural Network-based Method for Sea Ice Remote Sensing using GNSS-R Data | |
Narayanan et al. | Classification of SHOALS 3000 bathymetric LiDAR signals using decision tree and ensemble techniques | |
CN104715265B (zh) | 基于压缩采样与集成编码分类器的雷达场景分类方法 | |
CN117095308B (zh) | 一种基于遗传算法的全极化sar影像海面溢油检测方法 | |
CN114332151B (zh) | 一种基于阴影Video-SAR中感兴趣目标跟踪方法 | |
CN113030892B (zh) | 一种基于高维特征域梯度提升树的海面小目标检测方法 | |
CN116824221A (zh) | 一种顾及雷达目标方位对称的PolSAR城区分类方法及*** |
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 | ||
GR01 | Patent grant |