[發明專利]基于KpN模型的海上艦船目標檢測方法

有效

• 申請號: 201710364490.7
• 申請日: 2017-05-22
• 公開（公告）號: CN107122764B
• 公開（公告）日: 2019-08-06
• 發明（設計）人: 高貴;歐陽克威;周石琳;高昇;李高升;何鵑;牟衛華;劉偉;程江華
• 申請（專利權）人: 中國人民解放軍國防科學技術大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 國防科技大學專利服務中心 43202
• 代理人: 王文惠

本發明提供一種基于KpN模型的海上艦船目標檢測方法。技術方案是：對得到的SAR圖像采用KpN分布進行統計建模并利用SAR圖像的對數累積量對KpN模型的參數進行估計，根據KpN模型參數的估計值計算CFAR檢測閾值，利用CFAR檢測實現對于海上艦船目標的檢測。本發明能夠實現對于KpN模型中形狀參數、尺度參數以及噪聲功率更加精確的估計，增強了對海上艦船目標的檢測性能，同時本發明不需要設置額外的參數或條件，簡潔易行。

技術領域

本發明屬于SAR(synthetic aperture radar，合成孔徑雷達)技術領域，涉及一種基于KpN模型的海上艦船目標檢測方法。

背景技術

海上艦船目標檢測是SAR應用的一個重要領域。在軍事情報監視、非法移民監管和大范圍海洋交通監管等領域有著廣泛的應用。CFAR(constant false alarm rate，恒虛警率)檢測是目前最常用的海上艦船目標檢測方法。CFAR檢測的核心在于海雜波建模，目前常用的海雜波模型主要為K分布模型和G⁰分布模型，但是這兩種模型并沒有考慮到通道噪聲的影響。KpN(K plus Noise，K加噪聲)模型在K分布模型的基礎上加入了通道噪聲的影響，能夠更加精確地擬合海雜波(參考文獻：K.D.Ward and R.J.A.Tough,“Radar detectionperformance in sea clutter and discrete spikes,”Radar,2002,pp.253-257)。但是現有方法對于KpN模型參數的估計精度還不夠高，這在一定程度上限制了KpN模型在海上艦船目標檢測上的作用。

發明內容

本發明提供一種基于KpN模型的海上艦船目標檢測方法。該方法對SAR圖像采用KpN分布進行統計建模并利用對數累積量實現對KpN模型的參數估計，實現了對海上艦船目標的檢測。

本發明的技術方案是：

對得到的SAR圖像采用KpN分布進行統計建模并利用SAR圖像的對數累積量對KpN模型的參數進行估計，根據KpN模型參數的估計值計算CFAR(constant false alarm rate，恒虛警率)檢測閾值，利用CFAR檢測實現對于海上艦船目標的檢測。其中，利用下式求解得到KpN模型中形狀參數v的估計值尺度參數b的估計值以及噪聲功率p_n的估計值

其中Ψ()為psi函數，Ψ(,)為polygamma函數，N為等效視數，參數A,B,C,D的具體表達式如下式所示：

并且，CFAR檢測閾值T的具體計算公式如下：

其中是KpN模型的概率密度函數；P_fa表示虛警率，通常根據實際需要人為設定。

本發明的有益效果是：

1.相比于現有方法，利用對數累積量進行KpN參數估計，能夠實現對于KpN模型中形狀參數、尺度參數以及噪聲功率更加精確的估計，增強了對海上艦船目標的檢測性能。

2.采用本發明提出的利用對數累積量進行KpN參數估計方法不需要設置額外的參數或條件，簡潔易行。

附圖說明

圖1為本發明流程圖；

圖2為本發明的實驗數據；

圖3為本發明實驗結果圖；

圖4、圖5、圖6是進行理論驗證的結果。