CN110221265B - 基于强散射点自适应估计的距离扩展目标检测方法 - Google Patents

Abstract

针对传统扩展目标检测器在目标散射点信息未知时检测性能不稳健的问题，本发明提出了一种基于强散射点自适应估计的距离扩展目标检测方法，该方法采用了双门限思想，首先利用kmeans聚类算法自适应估计强散射点数量以及第一门限，然后根据虚警率、第一门限以及散射点数量确定第二门限，最后通过两次门限判决完成目标检测。本发明提出的算法相对于传统算法有更高的稳健性，且算法不需要先验任何信息。

Description

基于强散射点自适应估计的距离扩展目标检测方法

技术领域

本发明涉及雷达目标检测领域，特别涉及距离扩展目标检测，提出了一种新的基于强散射点自适应估计的距离扩展目标检测方法，本发明所提出的扩展目标检测方法具有良好性能，不需要先验目标的强散射点信息，在各种散射点分布环境下检测性能稳健。

背景技术

距离高分辨雷达可以降低每个距离单元的杂波功率，且更精确刻画目标的结构特性，因此对目标检测和分类识别等产生了有益的影响，因此获得了广泛的应用。当距离分辨率远小于目标时，目标能量分散到多个距离分辨单元，形成距离扩展目标，采用传统的点目标恒虚警检测算法，将对检测性能会有较大损失，因此研究距离扩展目标的恒虚警察检测算法具有重要意义。

上世纪八十年代提出的两种经典的扩展目标检测算法，分别为能量积累检测器(Integrater)和二进制检测器(M/N)，能量积累检测器将待检测窗内的所有散射点积累，当信号能力在检测窗内均匀分布是具有较优检测性能，当目标散射点稀疏时有较大检测损失；二进制检测器是窄带恒虚警检测器的扩展，易于理解和实现，但有两个缺点，一是需要先验目标的强散射中心数量，这种先验在实际应用中有较大局限，二是在第二次检测时只利用了散射中心数量信息而没有利用能量信息，会降低检测性能。

有一些学者研究散射点密度先验时的最优检测器。有文献提出了散射点密度先验最大似然估计检测器(Scattering Density Dependent generalized likelihood ratiotest，SDD-GLRT)，可以对稀疏度不同/散射点密度不同的扩展目标进行有效检测，是一种统计意义上的最优检测，未充分利用散射点信息。有文献利用散射点的密度和幅度信息提出了一种双门限恒虚警检测器(Doule Threshold Constant False Alarm Rate，DT-CFAR)，利用双门限完成两次检测，且每次检测采用恒虚警，对稀疏目标的检测性能有较大改善，但同样需要先验散射点的密度信息。

近年来，很多学者尝试设计不依赖散射点先验信息的扩展目标检测器。有学者提出了一种基于顺序统计量的距离扩展目标检测器(Order Statistic-Range SpreadTarget，OS-RSTD)，其首先对检测窗内的散射点能力进行降序排列，然后基于排序后的散射点，穷举所有可能的散射点个数进行积累检测依次进行积累检测，直到做出判决为止，解决了传统方法对目标散射点信息的依赖。但为了保持恒虚警，每个检测通道的虚警率要高于检测器的虚警率，当散射点数量较少时相对单点检测器有较大损失，而且由于采用了穷举式检测，运算量较大，不利于工程实现。有学者提出了一种改进的双门限最大似然估计检测器(improved double threshold detector generalized likelihood ratio test，DT-GLRT)，其并没有利用散射点先验信息估计第一门限，而是利用最大似然估计及AIC准则，采用噪声功率作为第一门限，第二门限同样是根据虚警率和强散射点数量计算得到。这种方法在不同散射点分布环境中的性能较传统方法有较大提升，但由于在第一门限计算中没有利用目标散射点信息，因此第一次检测的虚警率较高，虚警点参与第二次检测降低了系统的检测性能。

综上所示，传统扩展目标检测方法的主要问题是，一是需要先验散射点信息，这在很多应用场合不能满足；二是当先验信息未知时，传统方法在不同散射点分布时的检测性能不稳健。

发明内容

要解决的技术问题

针对传统扩展目标检测方法或需要散射点先验信息，或在不同散射点分布时检测性能不够稳健的问题，本发明提出一种基于强散射点自适应估计的距离扩展目标检测方法。

技术方案

一种基于强散射点自适应估计的距离扩展目标检测方法，其特征在于步骤如下：

步骤1：给检测器输入平方率检波后的回波信号，记为Y＝{y₁,y₂,...y_J}；

步骤2：对Y进行簇为2的k-means聚类，得到两个簇集合，均值大的簇记为C₁，另外一个簇记为C₂；

步骤3：估计强散射中心数量K的值：K＝card(C₁)，其中card代表矩阵中元素的数量；

步骤4：确定第一门限γ的值，为集合C₂中元素的最大值，即；

其中max(*)为取最大值；

步骤5：确定第二门限η的值：

强散射点数量K、一次门限γ、第二门限η之间的关系：

其中，P_fa为系统的虚警概率，σ²为噪声功率，J为输入检测点个数；

将P_fa、σ²、J、K作为已知量，对于每个η可以计算得到一个γ值，将γ和η之间的关系存成表格，供查表使用；采用查找表的方法，根据步骤4得到的γ查询相对应的η，如果表中没有精确的γ就查询表中最接近的γ相对应的η作为第二门限；

步骤6：对强散射点进行非相参积累，并得到待检测量

步骤7：当D＞η则判决目标为有，否则判决目标为无。

有益效果

本发明提出的一种基于强散射点自适应估计的距离扩展目标检测方法，该方法不需要任何先验信息就可以自适应地估计目标的强散射点数量，解决了传统扩展目标方法需要先验散射点信息的问题；该方法强散射点估计的准确率高，因此在不同散射点分布时的检测性能稳健，解决了传统方法在不同散射点分布时的检测性能不稳健的问题。

本发明与传统群目标识别方法相比较，具有的有益效果是：

1)在门限设计中不仅利用了噪声信息也利用了目标信息，可以对强散射点自适应估计，从而提升了不同散射点分布环境下的检测性能；

2)不依赖散射点先验信息，极大扩展了其应用范围；

3)采用kmeans聚类算法估计门限和强散射点数量，算法运算量小且易于工程实现。

附图说明

图1本发明提出的扩展目标检测方法流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明采用了双门限思想，首先利用kmeans聚类算法自适应估计强散射点数量以及第一门限；然后根据第一门限以及散射点数量确定第二门限，从而保证了恒虚警性能；最后通过两次判决完成检测。具体步骤如下：

1)检测器的输入为平方率检波后的回波信号，记为Y＝{y₁,y₂,...y_J}；

2)对Y进行k-means聚类(簇为2)，得到两个簇集合，均值大的簇记为C₁，另外一个簇记为C₂；

3)强散射中心数量K的估计值，K＝card(C₁)，card代表矩阵中元素的数量；

4)第一门限γ的值，为集合C₂中元素的最大值，即；

其中max(*)为取最大值；

5)公式(1)为强散射点数量K、一次门限γ、第二门限η之间的关系：

式中，P_fa为系统的虚警概率，是事先设定的。σ²为噪声功率可以实时估计得到，J为输入检测点个数，K为步骤3)中估计的强散射点个数，γ为步骤4)中估计的第一门限的值，因此公式(1)中的变量只有二次门限η。但由于η无法用含有已知量P_fa、σ²、J、K、γ的解析式表达出，在本发明中采用查找表的方法，将P_fa、σ²、J、K作为已知量，对于每个η可以计算得到一个γ值，将γ和η之间的关系存成表格，供查表使用。在查表过程中，对于给定的P_fa、σ²、J，根据不同的K值应制作若干表格，供步骤3)中估计出的不同的K值使用。当无法精确对应哪个η所对应的γ值时，用估计出的第一门限

与表中γ值最接近的

作为第二门限η；

6)对强散射点进行非相参积累，并得到待检测量

7)完成检测，D＞η则判决目标为有，否则判决目标为无。

Claims (1)

1.一种基于强散射点自适应估计的距离扩展目标检测方法，其特征在于步骤如下：

步骤1：给检测器输入平方率检波后的回波信号，记为Y＝{y₁,y₂,...y_J}；

步骤2：对Y进行簇为2的k-means聚类，得到两个簇集合，均值大的簇记为C₁，另外一个簇记为C₂；

步骤3：估计强散射中心数量K的值：K＝card(C₁)，其中card代表矩阵中元素的数量；

步骤4：确定第一门限γ的值，为集合C₂中元素的最大值，即；

其中max(*)为取最大值；

步骤5：确定第二门限η的值：

强散射点数量K、第一门限γ、第二门限η之间的关系：

其中，P_fa为系统的虚警概率，σ²为噪声功率，J为输入检测点个数；

将P_fa、σ²、J、K作为已知量，对于每个η可以计算得到一个γ值，将γ和η之间的关系存成表格，供查表使用；当无法精确对应哪个η所对应的γ值时，用估计出的第一门限

与表中γ值最接近的

作为第二门限η；

步骤6：对强散射点进行非相参积累，并得到待检测量

步骤7：当D＞η则判决目标为有，否则判决目标为无。

Images