CN114609602B - 一种基于特征提取的海杂波背景下目标检测方法 - Google Patents
一种基于特征提取的海杂波背景下目标检测方法 Download PDFInfo
- Publication number
- CN114609602B CN114609602B CN202210229272.3A CN202210229272A CN114609602B CN 114609602 B CN114609602 B CN 114609602B CN 202210229272 A CN202210229272 A CN 202210229272A CN 114609602 B CN114609602 B CN 114609602B
- Authority
- CN
- China
- Prior art keywords
- beta
- target
- sea clutter
- feature extraction
- vector
- 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.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于特征提取的海杂波背景下目标检测方法,应用于雷达***中的目标检测技术领域,针对现有的海杂波背景下的海面目标检测方法主要通过统计模型拟合或非线性信号处理实现,存在着模型失配、实现方式复杂以及运算量大等问题,不利于海面目标的检测的问题;本发明利用雷达回波中目标和杂波在时频域所表现出的不同能量特性进行特征提取,再使用改进后的支持向量机分类器对目标和杂波进行分类,能够显著地提高恒虚警检测性能。
Description
技术领域
本发明属于雷达***中的目标检测技术领域,特别涉及一种海杂波背景下目标检测技术。
背景技术
近年来,随着海面目标的轻型化和隐身化,越来越多的海面目标出现在雷达对海探测领域。典型海面目标有小型船只、蛙人、碎片以及潜艇潜望镜等。此类目标通常具有移动速度慢、几何尺寸小、隐身性能强等特点,给海事雷达的警戒与检测带来了极大的挑战。传统的提高海事雷达对海面目标检测能力的方法有采用高多普勒和高距离分辨等改变雷达***参数的措施。然而,通常情况下此类方法需要更高的研发成本来实现。相对来说,可以从时频域的角度出发,重点分析海杂波的时频特性,然后利用海杂波和目标信号在时频域上表现出的不同特征,对海杂波与目标进行分类,进而实现目标检测。
目前,海杂波背景下的目标检测研究主要可以分为以下三类:第一类是基于海杂波的统计建模,第二类是基于海杂波的非线性特性,第三类是基于不同变换域下海杂波的不同特征构建特征空间。基于统计理论通常要求选取合适的模型对海杂波的分布进行建模,使得其统计模型能够较好的拟合海杂波的内部结构。常见的海杂波统计模型有高斯分布、瑞利分布、对数正态分布、韦布尔分布和复合K分布等。随着雷达技术的发展,在高分辨、低掠射角条件下采集到的雷达回波数据表现出非均匀、非线性和非平稳的随机特性,在这种情况下,上述基于统计模型的研究不能很好的拟合海杂波分布和反映海杂波的物理机理。海杂波的非线性特性研究主要从海杂波的混沌和分形特征展开,海杂波在一定的时间尺度内具有多重分形特征,可以通过计算海杂波的Hurst指数来实现对目标的检测,但是海杂波信号只在一定的时间尺度的无标度区内存在分形特征,当观测时间较短时,检测器的性能将会严重下滑。基于变换域特征的海面目标检测方法主要是从时域、频域、时频域和极化域等多个角度来描述海杂波信号与目标信号之间的差异性,在此基础上构建高维空间,将海杂波背景下的目标检测问题转换成为一个二分类问题,从而识别出目标信号和杂波信号。
总体来看,现有的海杂波背景下的海面目标检测方法主要通过统计模型拟合或非线性信号处理实现,存在着模型失配、实现方式复杂以及运算量大等问题,不利于海面目标的检测。
发明内容
为解决上述技术问题,本发明提出一种基于特征提取的海杂波背景下目标检测方法,利用雷达回波中目标和杂波在时频域所表现出的不同能量特性进行特征提取,再使用改进后的支持向量机分类器对目标和杂波进行分类,能够显著地提高恒虚警检测性能。
本发明采用的技术方案为:一种基于特征提取的海杂波背景下目标检测方法,包括:
S1、利用滑窗法从回波数据起始点按脉冲方向滑动采样,每次滑窗后的向量保存为原始数据样本向量;
S2、对原始数据样本向量进行时频变换,
S3、根据时频变换结果的能量分布特性,提取低频本征模态函数;
S4、根据提取的低频本征模态函数构建新的数据样本向量;
S5、将新的数据样本向量划分为训练集与测试集;
S6、利用训练集对支持向量机进行训练,得到最优超平面的权向量和偏置;
S7、利用测试集对最优超平面的权向量和偏置下的支持向量机进行测试,得到目标检测结果。
本发明的有益效果:本发明每次滑窗的宽度大于滑窗步长,因此得到的相邻数据样本间有部分重叠,从而可以实现数据样本的扩充;本发明利用雷达回波中目标信号与杂波信号经时频变换后具有不同的能量分布特性进行特征提取,再使用改进后的支持向量机分类器对目标和杂波进行二分类,能够显著地提高恒虚警检测性能。
附图说明
图1是本发明的实现总流程图;
图2为本发明实施例提供的IPIX雷达接收到的雷达回波数据;
图3为本发明实施例提供的二元经验模态分解后的目标单元和海杂波单元的低频IMF能量占比;
图4为本发明方法与传统CA-CFAR方法的检测结果的对比图。
具体实施方式
本发明采用科学计算软件Matlab R2020a对IPIX数据集进行处理,以验证本发明的正确性和有效性。海杂波数据中主目标所在的距离单元为7,雷达发射载频为9.3GHz,采样频率为10MHz,脉冲宽度为200ns,脉冲重复频率为1000Hz。下面结合图1给出本发明的具体实现方式:
步骤1:基带回波预处理:利用Matlab R2020a加载IPIX海杂波数据,去除I、Q通道均值和标准差并消除通道不平衡,得到预处理后的二维基带回波数据记为z(t,tn),其中t表示快时间,tn表示慢时间。令t=2r/c且n=tn/T,那么距离-脉冲二维基带回波数据为z(r,n),其中r为与t对应的距离变量,n(n∈[0,1,...,N])表示脉冲数,N为总脉冲数。令r=αc/2fs,那么距离单元-脉冲二维基带回波数据为z(α,n),其中α为与r的距离单元,fs表示采样频率,c为光速。如图2所示为距离单元-脉冲二维基带回波数据。
步骤2:原始数据样本生成:对基带回波沿距离维抽取列向量得到脉冲维回波数据,再利用滑窗法从脉冲维回波数据起始点按脉冲方向滑动采样,滑窗步长为△n=100,滑窗宽度为N=4096。将每次滑窗后截取的向量保存为一个数据样本,由于每次滑窗的宽度大于滑窗步长,因此得到的相邻数据样本间有部分重叠,从而可以实现数据样本的扩充。每个样本可以表示为
zi(α,n)=z(△n·(q-1)+1:△n·(q-1)+N),q=1,2....Ntotal
步骤3:二元经验模态分解与低频IMF能量计算:将每次滑窗后保存的数据样本向量进行二元经验模态分解得到若干个本征模态函数与一个残差值。对于第α个距离单元对应的向量,二元经验模态分解的结果为
其中,ci(n)为第i个IMF,r(n)为残差值,ci(n)和r(n)均为复值变量。
基于IMF的性质,可知越靠前的IMF的信号对应的Ti值越大,且越靠后的IMF的信号对应的Ti值依次递减。
求取相邻IMF的能量比值之差,即Pi=Ti+1-Ti(i=1,...,I-1)。寻找Pi最大值并将其下标记为i=k。由于回波中存在目标时低频IMF的能量占比会增大,因此可以将位置索引为i≥k的IMF视为低频IMF。计算低频IMF的能量并相加得到新的数据样本向量E(n),从而获得SVM分类器的训练集与数据集。数据样本向量E(n)的计算公式为
随后,将所有新的数据样本向量E(n)按照8:2的比例经过随机抽取形成训练集与测试集。二元经验模态分解后,部分样本低频IMF能量占比情况如图3所示,可以看到经时频变换后目标信号的低频IMF能量比值高于杂波信号。
步骤4:分类器的训练与检测:
在传统的支持向量机中,待分类样本共享了一个惩罚因子β,这也就意味着海杂波信号和目标信号对信号样本中的离群值有着相同的容忍度。但是在海面目标检测过程中,离群样本通常由海尖峰等异常因素引起,海尖峰对目标信号和海杂波信号的影响通常是不同的。因此,为了解决这个问题,本发明对样本中海杂波信号和目标信号引入不同的惩罚因子β0和β1来取代传统支持向量机中的惩罚因子β用于控制最优化问题中各个分量的误差权重,改进后的支持向量机的数学描述为:
s.t.ξi≥0i=1,2,...N
yi[k(ω,Fi)-b]≥1-ξi i=1,2,...N
当β0或β1改变时,ω和b确定的超平面会更向目标样本或者杂波样本倾斜,最终收敛到最优超平面,实现杂波与目标样本的有效分类。在求解ω和b时需要不断迭代β0和β1。具体迭代过程为:首先预设需要达到的虚警概率Pfa、阈值ψ、惩罚因子β0和β1、β0的取值范围边界βl和βr。迭代的初始值通常为经验值,β0和β1通常可以取1,阈值ψ通常可以取0.001,βl通常可以取0,βr通常可以取2。再利用ω和b确定的超平面对目标和杂波样本分类并计算出当前虚警概率PF,若PF与需要达到的虚警概率Pfa满足|PF-Pfa|>ψ,则可按照两种情况调整β0和β1并继续迭代,具体是:如果PF<Pfa,那么设置βr=β0且β0=(βr+βl)/2继续迭代;如果PF>Pfa,则需设置βl=β0且β0=(βr+βl)/2继续迭代。每次迭代后都可得到一组新的ω和b,直到|PF-Pfa|≤ψ停止迭代,此时的ω和b即为最优超平面的参数。
再利用测试集样本Fj对最优参数ω和b下的改进支持向量机模型进行测试,得到当前虚警概率下的检测结果。分类准则为:
其中,yj=+1表示支持向量机判别结果为目标样本,yj=-1表示支持向量机判别结果为海杂波样本。
为了说明本方法的有效性,图4对比了本发明方法与传统CA-CFAR(恒虚警算法)方法的检测结果,可以看出在相同的虚警概率下,本发明方法的检测性能更好。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (5)
1.一种基于特征提取的海杂波背景下目标检测方法,其特征在于,包括:
S1、利用滑窗法从回波数据起始点按脉冲方向滑动采样,每次滑窗后的向量保存为原始数据样本向量;
S2、对原始数据样本向量进行时频变换,
S3、根据时频变换结果的能量分布特性,提取低频本征模态函数;步骤S3具体为:
S31、计算每个本征模态函数的信号能量占所有本征模态函数信号能量的比值;
S32、计算相邻本征模态函数信号对应的比值之差,记录比值之差最大值的位置,从而得到低频本征模态函数;
S4、根据提取的低频本征模态函数构建新的数据样本向量;
S5、将新的数据样本向量划分为训练集与测试集;
S6、利用训练集对支持向量机进行训练,得到最优超平面的权向量和偏置;
S7、利用测试集对最优超平面的权向量和偏置下的支持向量机进行测试,得到目标检测结果;步骤S7采用改进后的支持向量机,其数学描述为:
s.t.ξi≥0i=1,2,...N
yi[k(ω,Fi)-b]≥1-ξii=1,2,...N
其中,ξi为松弛变量,ω和b分别表示最优超平面的权向量和偏置,β0和β1分别表示对海杂波样本和对目标样本的惩罚因子,k(ω,F1)为高斯核函数,Fi表示一个样本,N表示样本数量,yi=+1表示支持向量机判别样本Fi结果为目标样本,yi=-1表示支持向量机判别样本Fi结果为海杂波样本。
2.根据权利要求1所述的一种基于特征提取的海杂波背景下目标检测方法,其特征在于,步骤S1中滑窗宽度大于滑窗步长。
3.根据权利要求1或2所述的一种基于特征提取的海杂波背景下目标检测方法,其特征在于,步骤S2具体为:将每次滑窗后保存的原始数据样本向量进行二元经验模态分解得到若干个本征模态函数。
4.根据权利要求3所述的一种基于特征提取的海杂波背景下目标检测方法,其特征在于,步骤S4具体为:计算各低频本征模态函数的能量并相加,得到新的数据样本向量。
5.根据权利要求1所述的一种基于特征提取的海杂波背景下目标检测方法,其特征在于,步骤S6得到最优超平面的权向量和偏置的过程为:
首先设定需要达到的虚警概率Pfa、阈值ψ、惩罚因子β0和β1、β0的取值范围边界βl和βr;
利用ω和b确定的超平面对目标和杂波样本分类并计算出当前虚警概率PF;
若PF与需要达到的虚警概率Pfa满足|PF-Pfa|>ψ,则按照以下两种情况调整β0和β1并继续迭代:
如果PF<Pfa,那么设置βr=β0且β0=(βr+βl)/2继续迭代;
如果PF>Pfa,则需设置βl=β0且β0=(βr+βl)/2继续迭代;
每次迭代后得到一组新的ω和b,直到|PF-Pfa|≤ψ停止迭代,此时的ω和b即为最优超平面的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210229272.3A CN114609602B (zh) | 2022-03-09 | 2022-03-09 | 一种基于特征提取的海杂波背景下目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210229272.3A CN114609602B (zh) | 2022-03-09 | 2022-03-09 | 一种基于特征提取的海杂波背景下目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114609602A CN114609602A (zh) | 2022-06-10 |
CN114609602B true CN114609602B (zh) | 2023-04-07 |
Family
ID=81861930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210229272.3A Active CN114609602B (zh) | 2022-03-09 | 2022-03-09 | 一种基于特征提取的海杂波背景下目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114609602B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10055551B2 (en) * | 2013-10-10 | 2018-08-21 | Board Of Regents Of The University Of Texas System | Systems and methods for quantitative analysis of histopathology images using multiclassifier ensemble schemes |
CN104765979B (zh) * | 2015-04-28 | 2018-04-24 | 南京信息工程大学 | 一种基于集成经验模态分解的海杂波去噪方法 |
US11169190B2 (en) * | 2016-09-19 | 2021-11-09 | The University Of New Hampshire | Techniques for empirical mode decomposition (EMD)-based noise estimation |
CN106604229B (zh) * | 2016-12-27 | 2020-02-18 | 东南大学 | 一种基于流形学习与改进支持向量机的室内定位方法 |
CN106778694A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 |
CN109934050A (zh) * | 2017-12-15 | 2019-06-25 | 西安艾索信息技术有限公司 | 一种改进的基于emd分解的海杂波抑制算法 |
CN108875799A (zh) * | 2018-05-29 | 2018-11-23 | 齐鲁工业大学 | 一种基于改进s变换的运动想象分类识别方法 |
CN108985159A (zh) * | 2018-06-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 人眼模型训练方法、人眼识别方法、装置、设备及介质 |
CN111985426A (zh) * | 2020-08-27 | 2020-11-24 | 南京信息工程大学 | 一种基于变分模态分解的海杂波混合去噪算法 |
-
2022
- 2022-03-09 CN CN202210229272.3A patent/CN114609602B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114609602A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778610B (zh) | 一种基于时频图像特征的脉内调制识别方法 | |
Shao et al. | Deep fusion for radar jamming signal classification based on CNN | |
CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
CN103454624B (zh) | 基于降维稀疏重构空时谱的直接数据域动目标检测方法 | |
CN111610501B (zh) | 对海雷达小目标检测方法 | |
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 | |
CN109100696B (zh) | 基于点状杂波图的慢速运动目标消除方法 | |
CN111505643B (zh) | 基于时频图深度学习的海面小目标检测方法 | |
KR102275960B1 (ko) | 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법 | |
Wen et al. | Multiframe detection of sea-surface small target using deep convolutional neural network | |
CN108387880A (zh) | 一种基于多尺度有向Lyapunov指数的海杂波背景下弱小目标检测方法 | |
CN114609602B (zh) | 一种基于特征提取的海杂波背景下目标检测方法 | |
CN110275150B (zh) | 基于经验模式分解和迭代端点拟合的变加速运动目标相参积累方法 | |
Xiao et al. | Multi-target ISAR imaging based on image segmentation and short-time Fourier transform | |
Li et al. | A bi-sru neural network based on soft attention for hrrp target recognition | |
Lu et al. | Ship target recognition using high resolution range profiles based on FMT and SVM | |
Pan et al. | GAN-CRT: A novel range-doppler estimation method in automotive radar systems | |
Chen et al. | Integrated processing of radar detection and classification for moving target via time-frequency graph and CNN learning | |
Gong et al. | Lightcnn: A compact cnn for moving maritime targets detection | |
Zhang et al. | Small target detection in sea-clutter based on time-doppler spectrum | |
Zhang et al. | Track Initiation Method Based on Deep Learning and Logic Method | |
Cheng et al. | Time-frequency Feature-based Detection of Small Target on Sea-Surface | |
Kenyon et al. | Range-Doppler ambiguity mitigation via closed-loop, adaptive PRF selection | |
Cao et al. | An approach for high resolution radar target recognition based on BP neural network | |
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 |
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 |