[發(fā)明專利]一種基于特征雜波圖的海面低空小目標檢測方法

在審

• 申請?zhí)枺?/td>: 202210194463.0
• 申請日: 2022-03-01
• 公開（公告）號: CN114518564A
• 公開（公告）日: 2022-05-20
• 發(fā)明（設計）人: 郭凱斯;侍述海;封豐;呂振彬;葉曦
• 申請（專利權）人: 上海航天電子通訊設備研究所
• 主分類號: G01S7/41
• 分類號: G01S7/41;G01S13/04;G01S13/58
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

本發(fā)明公開了一種基于特征雜波圖的海面低空小目標檢測方法包括如下步驟S1：獲取純海雜波背景若干個CPI內雷達回波數據，得到純海雜波背景下的特征雜波圖矩陣。S2：獲取待測回波數據，得到待測回波特征矩陣。S3：基于特征雜波圖矩陣和待測回波特征矩陣進行雜波圖判決處理，提取得到待測目標所在的距離單元信息。S4：基于距離單元信息對待測目標進行測速、測角處理。本發(fā)明通過提取有效的目標和海雜波區(qū)別特征，建立純海雜波背景下的特征雜波圖，通過幀間積累雜波圖逐漸穩(wěn)定，使目標和海雜波的判別不受奇異特征值影響，維度可控，所占用的存儲空間小。另外，有效的控制檢測概率和虛警概率，保證了檢測性能，降低了目標漏檢以及虛警問題。

技術領域

本發(fā)明屬于雷達信號處理技術領域，尤其涉及一種基于特征雜波圖的海面低空小目標檢測方法。

背景技術

雷達探測海面低空小目標時面臨著很多問題：1、雷達探測的目標具有 RCS小、飛行速度慢、飛行高度低等特點；2、海面環(huán)境復雜，低空的小目標會淹沒在強海雜波中，導致雷達對目標的檢測性能嚴重下降；3、對雷達檢測的實時性要求很高，要求雷達在每個CPI(相干處理周期)內具有實時檢測的能力。

傳統的雷達信號處理中，一般通過頻域濾波的方式實現海雜波背景下的目標檢測，但由于海雜波的非平穩(wěn)、非高斯、隨時間動態(tài)變化等特性，使得海雜波多普勒譜展寬嚴重，雜波譜中心的測量和其譜寬估計成為一個難題，因此傳統的自適應動目標顯示AMTI、動目標檢測MTD等頻域濾波方法已經不再適用。

傳統的雜波圖是存儲在存儲器中的雷達威力范圍內的雜波強度分布圖，天線掃描一周形成一幅完整的雜波圖，一般需經過數個至數十個天線掃描周期才能建立起比較穩(wěn)固的雜波圖。雜波圖法適用于固定地物雜波背景下的目標檢測，但對于多普勒展寬嚴重、雜波譜中心偏移的海雜波不再適用，并且受雜波圖維度以及存儲空間的影響，強度雜波圖對存儲空間的要求很高，對于高分辨、高數據量的雷達不再適用。

Peng-Lang Shui等人于2014年發(fā)表在IEEE Transactions on Aerospace andElectronic Systems上名稱為“Tri-feature-based detection of floating smalltargets in sea clutter”的論文，公開了一種基于三特征檢測器提取海面目標的方法，該方法將海雜波背景下的目標檢測問題轉化為分類問題，將三維凸包算法引入到目標和海雜波的特征分類中，通過提取有效的海雜波和目標的三維特征，形成純海雜波與目標加海雜波兩類之間的判別空間，進而判別待檢測回波屬于純海雜波類還是目標加海雜波類。這類方法對于檢測海面低空小目標具有明顯的優(yōu)勢，但是該方法只能在三維特征空間中使用。為擴展特征維度，該團隊將支持向量機、K鄰近、神經網絡等機器學習方法引入到高維特征空間的分類問題中，該方法具有更好的魯棒性和檢測效果，但使用機器學習方法首先需要獲取大量的訓練樣本，對于雷達探測的海面低空小目標而言，可獲取的目標樣本數量較少，樣本獲取難度較大。同時，機器學習方法在訓練特征檢測器時，會受到個別奇異樣本特征的影響，無法實現對虛警率的有效控制，使得雷達對海面低空小目標的檢測概率降低，虛警概率提高。

發(fā)明內容

本發(fā)明的技術目的是提供一種基于特征雜波圖的海面低空小目標檢測方法，以解決現有技術問題。

為解決上述問題，本發(fā)明的技術方案為：

一種基于特征雜波圖的海面低空小目標檢測方法包括如下步驟：

S1：獲取純海雜波背景下若干個相參處理周期CPI內雷達回波數據，依次按照脈沖重復周期PRT進行重排、脈沖壓縮以及數據提取特征，將若干個 CPI的特征矩陣迭代后得到純海雜波背景下的特征雜波圖矩陣；

S2：獲取一個相參處理周期CPI內的待測回波數據，依次按照PRT進行重排、脈沖壓縮以及數據提取特征，得到待測回波特征矩陣；

S3：基于特征雜波圖矩陣和待測回波特征矩陣進行雜波圖判決處理，提取得到待測目標所在的距離單元信息；