基于频域多通道图特征感知的海面小目标检测

许述文; 焦银萍; 白晓惠; 蒋俊正

doi:10.11999/JEIT220188

基于频域多通道图特征感知的海面小目标检测

doi: 10.11999/JEIT220188

1.
西安电子科技大学雷达信号处理国家重点实验室西安 710071
2.
桂林电子科技大学信息与通信学院桂林 541004

基金项目: 国家自然科学基金(61871303, 62071346)

详细信息

作者简介:
许述文：男，教授，博士生导师，研究方向为雷达目标检测、海杂波特性分析与统计机器学习

焦银萍：女，硕士生，研究方向为雷达目标检测、图信号处理

白晓惠：女，博士生，研究方向为雷达目标检测、机器学习和海杂波信号处理

蒋俊正：男，教授，博士生导师，研究方向为滤波器组设计、图信号处理等

通讯作者:
许述文　swxu@mail_xidian.edu.cn

中图分类号: TN957.51
计量
- 文章访问数: 1346
- HTML全文浏览量: 555
- PDF下载量: 282
- 被引次数: 12
出版历程
- 收稿日期: 2022-02-25
- 修回日期: 2022-07-13
- 网络出版日期: 2022-07-19
- 刊出日期: 2023-05-10

Small Target Detection Based on Frequency Domain Multichannel Graph Feature Perception on Sea Surface

1.
National Key Laboratory of Radar Signal Processing, Xidian University, Xi’an 710071, China
2.
School of Information and Communication, Guilin University of Electronic Technology, Guilin 541004, China

Funds: The National Natural Science Foundation of China (61871303, 62071346)

摘要

摘要: 海洋物理环境和电磁环境日趋复杂，海杂波背景下的微弱慢速小目标检测始终是一个研究难点和重点。海面小目标的雷达散射截面积小、回波能量低，传统基于能量的检测方法存在性能瓶颈。基于特征的检测方法聚焦于提取纯杂波和目标回波的差异性特征来实现目标检测，且有效提升了检测性能。该文利用回波数据间频域中幅度的关联性，将图论的方法引入到特征检测中。首先将实测数据进行块白化处理，对海杂波进行一定的抑制，然后在频域提取各多普勒通道下的数据，借助图的处理方法，构建所提取数据的距离邻接矩阵，再转换为拉普拉斯矩阵。该方法计算不同时间序列下拉普拉斯矩阵的最大特征值，并将其与刻画频域能量信息的相对多普勒峰高进行融合，得到新的检验统计量来区分纯杂波和含有目标的回波。通过全相参的X波段(IPIX)实测数据验证，该文所提方法的检测性能更为优越。
- 目标检测 /
- 海杂波 /
- 特征检测 /
- 图特征 /
- 多普勒通道
Abstract: The marine physical environment and electromagnetic environment are becoming increasingly complex, making the weak and slow small target detection in the sea clutter background be both emphasis and difficulty of radar target detection research. Due to small radar cross sections and low energy of small targets on the sea surface, traditional energy-based detection methods have a performance bottleneck. Feature-based detection methods focus on extracting distinguishing features between pure sea clutter and target returns to achieve target detection, which improve effectively the detection performance. Using the correlation of amplitude of radar returns in frequency domain, the graph theory method to feature-based detection is introduced. Firstly, measured sea clutter data are block-whitened to suppress sea clutter. Then, the data from Doppler channels are extracted in the frequency domain. With the help of graph processing methods, a distance adjacency matrix of the extracted data is constructed, and then it is converted into a Laplacian matrix. The maximum eigenvalue of Laplacian matrix under different radar returns is calculated, and fused with the relative Doppler peak height, then a new test statistic is obtained. By comparing the value of test statistics, sea clutter and returns with targets can be distinguished. Verified by the measured Ice multiParameter Imaging X-band (IPIX) database, the proposed detector attains better detection performance.
- Target detection /
- Sea clutter /
- Feature-based detection /
- Graph feature /
- Doppler channel

HTML全文

1. 引言

近年来，随着海洋战略地位的提高，许多国家投入大量的人力、物力开展海洋科学技术研究。实现复杂海面环境下的目标检测，在军事或者是民用方面都具有重要的意义。对于海面大型船舰，由于其信杂比较高，传统的基于能量的检测方法能够得到良好的检测结果。但对于雷达散射截面积小、回波能量低的海面小目标，仅依靠能量无法对其进行有效检测。因此，海杂波背景下的小目标检测一直是一个研究难点。针对该问题，一些学者提出利用杂波和目标的差异性特征来进行检测的方法，比如基于海面分形特性的检测方法^[1-3]、基于时频分析的检测方法^[4,5]等，并在实测数据集上验证了良好的检测性能。

图论以及图神经网络方法可以用来分析事物之间的联系，在计算机科学、经济领域、组合优化问题等方面有着广泛的应用^[6-8]。为了利用回波数据间幅度的关联性，基于图论的方法大量引入到了海杂波背景下的目标检测中。文献[9]直接在时域对实测海杂波数据进行处理，考虑到边的连通性，构建邻接矩阵进行目标检测。文献[10]从回波的频域幅度出发，对回波序列进行图建模，考虑边的连通性以及边的连通密度，构建拉普拉斯矩阵后提取其最大特征值作为检测统计量^[11,12]，较好地实现了海杂波背景下对目标的检测。然而现有基于图的方法仅依赖回波幅度序列或频谱序列进行图的构建和刻画，没有充分挖掘多普勒通道内及多普勒通道间的图结构。

鉴于此，本文提出频域多通道图特征感知的目标检测方法。本方法先对回波数据进行块白化^[13]，实现对海杂波的抑制，然后对白化后的数据进行子带分解，在频域提取低速多普勒通道下的数据，并根据所提取的数据构建距离邻接矩阵^[14,15]，再将邻接矩阵转化为拉普拉斯矩阵，求出最大特征值。由于最大特征值仅考虑到了回波数据间幅度的关联性，因此本文将联合另一特征即相对多普勒峰高^[16,17]，将其与最大特征值的比值作为检验统计量，实现对目标的检测。

2. 信号模型及数据说明

2.1 实测数据说明

本文使用的数据有加拿大麦克马斯特(McMaster)大学Haykin教授及其团队于1993年和1998年采集到的全相参的X波段(Ice multiParameter Imaging X-band, IPIX)雷达数据^[18]，和一组雷达学报公开共享的雷达对海探测数据^[19]。

IPIX雷达数据是典型的岸基平台小擦地角海杂波数据。1993年的每组数据由2¹⁷个脉冲和14个距离单元组成，待检测目标是被锚牵引的直径约1 m的漂浮圆球。雷达架设高度30 m，照射大西洋海面。1998年的数据由6×10⁴个脉冲和28个距离单元组成(部分数据由6×10⁴个脉冲和34个距离单元组成)，待检测目标是漂浮小船，雷达架设高度为20 m。每组数据包含HH, HV, VH, VV 4种极化方式。图1为20组IPIX雷达数据在4种极化方式下的平均信杂比(Average Signal-to-Clutter Ratio, ASCR)柱状图。可以看出，在不同极化方式下，各组数据的信杂比有很大的差异。

图 1 IPIX数据集中20组数据的平均信杂比

下载: 全尺寸图片幻灯片

选取的雷达对海探测数据为凝视模式数据，均已进行脉冲压缩。试验时风速大，天线随风有轻微转动，角度较小。待检测目标是锚泊的船只和航道浮标，雷达发射单载频和线性调频(Linear Frequency Modulation, LFM)两种脉冲。因此，每组数据文件由两个“脉冲组合”的回波数据依次排列组成。文件名为20210106160919_01_staring.mat的数据包含4 540个脉冲，文件名为20210106160919_02_staring.mat的数据包含10 000个脉冲。数据的平均信杂比如表1所示。

表 1 海航数据的信杂比(dB)

目标	单载频	LFM
浮标	13.23	14.16
船只	12.23	7.35

下载: 导出CSV

| 显示表格

2.2 信号模型及块白化杂波抑制

雷达发射相干脉冲后，接收机收到由I通道和Q通道构成的复回波信号。假设接收机接收的回波序列长度为N，则海面小目标的检测问题可以用一个2元假设模型来进行描述，如式(1)所示

$\left.\begin{aligned} & {H}_{0}:\left\{\begin{array}{l}z(n)=c(n),\qquad\quad n=1,2,\mathrm{\cdots},N \\ {z}_{p}(n)={c}_{p}(n),\qquad\, p=1,2,\mathrm{\cdots},P \end{array}\right. \\ & {H}_{1}:\left\{\begin{array}{l}z(n)=s(n)+c(n),n=1,2,\mathrm{\cdots},N \\ {z}_{p}(n)={c}_{p}(n),\qquad\; p=1,2,\mathrm{\cdots},P \end{array}\right. \end{aligned}\right\}$

(1)

其中，P为待测单元周围的参考单元个数，z(n), c(n)和s(n)分别表示待检测单元回波、海杂波以及目标回波。H₀表示待检测单元仅含有杂波不包含目标，H₁表示待测单元包含目标和杂波。而且在两种假设H₀和H₁下，待检测单元与参考单元的杂波具有相同的统计特征，且独立同分布。

对所有距离单元回波序列进行块白化，可以对杂波进行有效抑制^[13]。将待检测时间单元序列 $z(n), n = 1,2,\cdots,N$ 和参考单元序列 ${z_p}(n),n = 1,2,\cdots,N$ 分别截取长度为L且互相不重叠的短向量 ${{\boldsymbol{u}}_i}$ 和 ${{\boldsymbol{u}}_{p,i}}$ ，每个向量的长度满足P ≥2L，即

$\left. \begin{aligned} & {{{\left[ {z(1),z(2),\cdots,z(N)} \right]}^{\text{T}}} = {{\left[ {{{{\boldsymbol{u}}}_1},{{{\boldsymbol{u}}}_2},\cdots,{{{\boldsymbol{u}}}_{N/L}}} \right]}^{\text{T}}}} \\ & {{{\left[ {{z_p}(1),{z_p}(2),\cdots,{z_p}(N)} \right]}^{\text{T}}} = {{\left[ {{{{\boldsymbol{u}}}_{p,1}},{{\boldsymbol{{u}}}_{p,2}},\cdots,{{{\boldsymbol{u}}}_{p,N/L}}} \right]}^{\text{T}}}} \end{aligned} \right\}$

(2)

然后采用归一化样本协方差矩阵估计方法(Normalized Sample Covariance Matrix, NSCM)，从参考单元回波中估计待检测单元的杂波协方差矩阵，第i块杂波协方差矩阵估计为

${{\boldsymbol{\hat M}}_i} = \frac{L}{P}\sum\limits_{p = 1}^P {\frac{{{{\boldsymbol{u}}_{p,i}}{{\boldsymbol{u}}^{\text{H}}}_{p,i}}}{{{{\boldsymbol{u}}^{\text{H}}}_{p,i}{{\boldsymbol{u}}_{p,i}}}}}$

(3)

利用协方差矩阵对待检测单元的回波进行分块白化，得到白化后的待检测单元回波向量如式(4)所示，得到白化后的第p个参考单元的回波向量如式(5)

$\tilde {\boldsymbol{z}}(n) = [{\boldsymbol{\hat M}}_1^{ - 1/2}{{\boldsymbol{u}}_1},{\boldsymbol{\hat M}}_2^{ - 1/2}{{\boldsymbol{u}}_2},\cdots,{\boldsymbol{\hat M}}_{N/L}^{ - 1/2}{{\boldsymbol{u}}_{N/L}}]$

(4)

${\tilde {\boldsymbol{z}}_p}(n) = [{\boldsymbol{\hat M}}_1^{ - 1/2}{{\boldsymbol{u}}_{p,1}},{\boldsymbol{\hat M}}_2^{ - 1/2}{{\boldsymbol{u}}_{p,2}},\cdots,{\boldsymbol{\hat M}}_{N/L}^{ - 1/2}{{\boldsymbol{u}}_{p,N/L}}]$

(5)

此时，海面小目标的检测问题可以这样描述，如式(6)所示

$\left.\begin{aligned} & {H}_{0}:\left\{\begin{array}{l}\tilde{{\boldsymbol{z}}}(n)=\tilde{{\boldsymbol{c}}}(n),\qquad\quad n=1,2,\mathrm{\cdots},N \\ {\tilde{{\boldsymbol{z}}}}_{p}(n)={\tilde{{\boldsymbol{c}}}}_{p}(n),\qquad\; p=1,2,\mathrm{\cdots},P \end{array}\right. \\ & {H}_{1}:\left\{\begin{array}{l}\tilde{{\boldsymbol{z}}}(n)=\tilde{{\boldsymbol{s}}}(n)+\tilde{{\boldsymbol{c}}}(n),n=1,2,\mathrm{\cdots},N \\ {\tilde{{\boldsymbol{z}}}}_{p}(n)={\tilde{{\boldsymbol{c}}}}_{p}(n),\qquad\; p=1,2,\mathrm{\cdots},P \end{array}\right. \end{aligned}\right\}$

(6)

其中， $\tilde {\boldsymbol{z}}(n)$ 为块白化之后的待测单元时间序列， ${\tilde {\boldsymbol{z}}_p}(n)$ 为块白化之后的参考单元时间序列。

3. 基于频域多通道图特征感知的检测器

3.1 检测特征提取

传统的基于能量的检测方法依靠回波序列幅度的大小，而没有考虑到回波序列频域幅度之间的相关性。本文将图论引入到特征检测中，考虑到用图来刻画时间序列频域幅度间的相关性，对块白化后的回波序列进行多普勒子带分解，提取低速多普勒通道下的数据进行图的构建，提取最大特征值作为一个检测特征。再结合回波序列在频域中的能量信息，提取相对多普勒峰高(Relative Doppler Peak Height, RDPH)作为另一个检测特征。将两个特征进行融合构建检验统计量，并设计检测器。下面将详细介绍两个检测特征的提取过程，以及检测器设计的流程。

3.1.1 最大特征值

对时间序列x(n)(长为N)，每积累i个脉冲x(i)，做一次过M采样，这样得到Mi个不同多普勒通道下的数据

$y(i) = {\text{fft}}(x(i),Mi)$

(7)

由于雷达照射的大面积海面具有大量不同速度的散射结构，海杂波具有较宽的多普勒带宽。对于X波段的IPIX雷达，其海杂波主要带宽分布在100～150 Hz。小目标在惯性的作用下，短时间内速度改变不大，其回波的能量相对更集中一些，因此慢速漂浮小目标和海杂波均分布在有限几个低速多普勒单元内^[13]，存在着目标和杂波的多普勒耦合，传统相参检测方法在这种情况下失效。因此，本文采用了基于图的特征检测方法，首先选取目标和杂波所在的4组低速多普勒通道的数据进行分析。

变差系数可以描述数据的离散程度。图2反映了数据#17在4种极化方式下的平均变差系数，可以看出不同距离单元的变差系数不同，即目标和杂波在选取的几个多普勒单元上沿着时间维的幅度起伏存在差异，这造成了图的连通差异性。本文使用拉普拉斯矩阵的最大特征值来刻画图的连通度^[12]。最大特征值越小，说明图的连通性越弱。下面介绍最大特征值的计算过程。

图 2 4种极化方式下的平均变差系数

下载: 全尺寸图片幻灯片

首先通过选取的4组低速多普勒通道数据，构建距离邻接矩阵

${r_{mn}} = {\left\| {{{\boldsymbol{r}}_m} - {{\boldsymbol{r}}_n}} \right\|_2}$

(8)

${w}_{mn}=\left\{\begin{aligned} & \mathrm{exp}\left(-\frac{{r}_{mn}}{\tau}\right),{r}_{mn}\le \kappa \\ & \text{0},\qquad\qquad \quad\; {r}_{mn} > \kappa 且m=n\end{aligned} \right.$

(9)

其中，r_m是第m次过M采样后低速多普勒通道的数据向量(即为y(m)中低速多普勒通道下的数据向量)，r_n是第n次过采样后低速多普勒通道的数据向量，r_mn是欧氏距离， ${\text{κ }}$ 和 ${\text{τ }}$ 是常数^[14]，w_mn是构成邻接矩阵W的元素。

然后根据邻接矩阵W，计算度矩阵D，如式(10)和式(11)所示

$\qquad {d_m} = \sum\limits_{n = 1}^{N/i} {{w_{mn}}}$

(10)

$\qquad {\boldsymbol{D}} = {\text{diag}}({d_1},{d_2},\cdots,{d_{N/i}})$

(11)

其中，d_m是对邻接矩阵W每一行求和的结果。可以看出，度矩阵D是由d_m组成的一个对角矩阵。

拉普拉斯矩阵可以根据式(12)得到

${\boldsymbol{L = D}} - {\boldsymbol{W}}$

(12)

最后计算拉普拉斯矩阵的最大特征值

${\xi _1}({\boldsymbol{x}}) = \lambda \left\langle 1 \right\rangle$

(13)

图3为数据#17在HH和HV极化下拉普拉斯矩阵的平均最大特征值，其中，所标注的第8距离单元，是数据#17去除保护单元之后的目标所在的距离单元编号。从中可以看出，纯杂波距离单元构建成的拉普拉斯矩阵的平均最大特征值，要大于目标单元的平均最大特征值。这是由于目标的幅度起伏更加剧烈，所以构建图的节点之间的欧氏距离更大，从而得到的邻接矩阵的元素越趋于0，则连接节点的边越少，构建的图更稀疏，因此得到的最大特征值越小。

图 3 数据#17在HH和HV极化下拉普拉斯矩阵的平均最大特征值

下载: 全尺寸图片幻灯片

3.1.2 相对多普勒峰高RDPH

3.1.1节介绍了以最大特征值作为检测特征来分析信号频域幅度之间的相关性，但是其忽略了目标的能量信息，这一节将信号的最大多普勒通道能量也考虑进来。

通过对实测数据的分析，本文发现目标所在单元的多普勒谱在海杂波的主杂波区内会出现一个明显的尖峰。图4展示了杂波的多普勒谱与含目标回波的多普勒谱，可以明显看出目标与杂波回波的能量差异。

图 4 实测IPIX雷达回波数据的多普勒幅度谱

下载: 全尺寸图片幻灯片

为了降低海杂波距离非平稳的影响，本文将待检测单元回波的多普勒峰高与所有参考单元回波多普勒峰高的比值—即相对多普勒峰高作为另一个检测特征^[16]。接下来介绍其计算过程。

假设长为N的信号 ${\boldsymbol{x}} = {\left[ {x(1),x(2),\cdots,x(N)} \right]^{\text{T}}}$ 是某一距离单元的雷达回波时间序列，它的多普勒幅度谱可以由式(14)计算得到

$\begin{split} {\boldsymbol{X}}({f_{\text{d}}}) = &\frac{1}{{\sqrt N }}\left| {\sum\limits_{n = 1}^N {x(n)\exp ( - {\text{j}}2{\pi}{f_{\text{d}}}n{T_r})} } \right|, \\ & - \frac{1}{{2{T_r}}} \le {f_{\text{d}}} \le \frac{1}{{2{T_r}}} \end{split}$

(14)

其中，f_d为多普勒频率，T_r为脉冲重复间隔。

多普勒谱的峰值Peak及其所在的多普勒通道 $f_{\rm{d}}^{\max}$ 可以由式(15)和式(16)表示

${\text{Peak}}({\boldsymbol{x}}) = \mathop {\max }\limits_{{f_{\text{d}}}} \left\{ {\boldsymbol{X}}({f_{\text{d}}}), - \frac{1}{{2{T_r}}} \le {f_{\text{d}}} \le \frac{1}{{2{T_r}}}\right\}$

(15)

$f_{\text{d}}^{\max }({\boldsymbol{x}}) = \arg \mathop {\max }\limits_{{f_{\text{d}}}} \left\{ {\boldsymbol{X}}({f_{\text{d}}}), - \frac{1}{{2{T_r}}} \le {f_{\text{d}}} \le \frac{1}{{2{T_r}}}\right\}$

(16)

对于 IPIX 雷达数据集而言，多普勒幅度谱中海杂波区的最大可能带宽δ₁=50 Hz，目标的最大可能带宽δ₂=5 Hz，从而目标的多普勒区间相对于杂波区间的多普勒谱峰高(Doppler Peak Height, PH) 定义为

$\begin{split} & {\text{PH}}({\boldsymbol{x}}) = \frac{{{\text{Peak}}({\boldsymbol{x}})}}{{\dfrac{1}{{\# \varDelta }}\displaystyle\sum\limits_{{f_{\text{d}}} \in f_{\text{d}}^{\max }({\boldsymbol{x}}) + \varDelta } {{\boldsymbol{X}}({f_{\text{d}}})} }},\\ & \varDelta = [ - {\delta _1}, - {\delta _2}] \cup [{\delta _2},{\delta _1}] \end{split}$

(17)

其中，# $\varDelta$ 表示海杂波区排除目标可能占据的多普勒区间后，剩余的多普勒区间的通道数目。

则相对多普勒峰高检测特征定义为

${\xi _2}({\boldsymbol{x}}) = \dfrac{{{\text{PH}}({\boldsymbol{x}})}}{{\dfrac{1}{P}\displaystyle\sum\limits_{p = 1}^P {{\text{PH}}({{\boldsymbol{x}}_p})} }}$

(18)

接下本文利用3.1.1节和3.1.2节提取到的两个检测特征来构造检验统计量。通过以上分析，可以发现目标所在单元的最大特征值偏小、相对多普勒峰高偏大，因此构造检验统计量 $\alpha = {\xi _2}({\boldsymbol{x}})/{\xi _1}({\boldsymbol{x}})$ ，从而增加特征的可分性。

根据蒙特卡罗实验得到阈值 $\zeta$ 。然后将 $\alpha$ 和 $\zeta$ 进行比较，如式(19)所示，如果 $\alpha$ ＞ $\zeta$ ，判为H₁，表示目标存在；如果 $\alpha$ ＜ $\zeta$ ，判为H₀，表示没有目标存在，为纯杂波序列

$\alpha \mathop \lessgtr \limits_{{H_1}}^{{H_0}} \zeta$

(19)

3.2 检测器的设计

本文所提检测器的检测流程分为两步。第1步是训练，先从纯海杂波回波信号中提取特征，并利用这些特征通过蒙特卡罗实验计算出满足恒虚警概率的门限；第2步进行检测，根据待检测单元雷达回波中提取的特征构造检验统计量，判断其是否大于给定的门限，作出判决结果，如果该检验统计量大于门限，说明有目标存在；反之，为纯杂波序列。

本文所提方法的具体流程如图5所示。

图 5 检测流程图

下载: 全尺寸图片幻灯片

接下来分析本文所提方法的计算复杂度，算法计算复杂度为：O(NK)，其中，N为特征样本总数，K是所构建邻接矩阵的规模。本文所构建的邻接矩阵是64×64的，可以看出，本文提出的算法具有较低的计算复杂度。

4. 实验结果与性能分析

4.1 参数设置及实验结果

实验中将每段数据观测长度取为N=512，为了获得足够数量的训练样本，数据重叠的长度为128。对于1993年的IPIX雷达数据，每个距离单元可以得到1 021个样本。对于1998年的IPIX雷达数据，每个距离单元可以得到465个样本。对于选取的雷达对海探测数据，每个距离单元分别可以得到32和75个样本。为了改善信噪比，对时间序列进行过M采样，在实验中取M=2。在虚警概率为10^–3下，20组IPIX雷达数据在不同极化方式下的检测概率如图6所示。

图 6 20组数据在4种不同极化方式下的检测概率柱状图

下载: 全尺寸图片幻灯片

可以看出，本文所提方法的检测结果在部分数据上的性能较好。但通过对比图1中数据信杂比与图6数据的检测概率，可以发现，20组数据的检测概率依赖于对应数据集的平均信杂比。在信杂比较高的数据上所提方法的检测概率更高。交叉极化下的检测概率高于同极化下的检测概率，这也是由于交叉极化数据的信杂比往往高于同极化下的信杂比。由于不同数据在采集时的风速、目标运动等存在差异，多普勒谱的偏移和带宽也有不同，因此即使不同数据集的平均信杂比相近，也会存在检测概率相差较大的结果，如编号为13和17的数据集。

4.2 不同检测器的性能比较

图7是本文所提方法与基于图连通密度^[10]、归一化赫斯特(Hurst)指数^[20]、动目标检测(Motion Target Detection, MTD)方法^[21]在4种不同极化方式下的接收机性能曲线(Receiver Operating Characteristic, ROC)对比图。其中，数据的观测时长为0.512 s，虚警概率从0.001～1。可以看出，本文所提出的方法在不同虚警概率下的检测性能优于其他几种方法。基于图连通密度的方法只考虑到了时间序列频域幅度之间的相关性，丢失了能量信息。归一化 Hurst 指数检测器采用了单一特征检测且要求更长的观测时间，也有着很大的检测性能损失。MTD方法利用了频域多普勒通道的功率信息，但没有考虑到序列之间的相关性。本文提出的方法将回波时间序列频域幅度的相关性与频域能量信息相结合，有效提高了检测性能。

图 7 所提方法与图连通密度、归一化Hurst指数、MTD方法在4种不同极化方式下的ROC曲线

下载: 全尺寸图片幻灯片

图8是雷达学报中公开的海航数据^[19]两个目标在虚警为0.001时的检测概率，其中，1是船的单载频回波，2是船的LFM回波，3是浮标的单载频回波，4是浮标的LFM回波。可以看出，本文所提方法在海航数据上也具有良好的检测性能，且单载频下的检测结果高于LFM的检测结果，这是由于船只离海岸较近，LFM距离副瓣扩展导致地杂波影响了对目标的检测。

图 8 海航数据的检测概率柱状图

下载: 全尺寸图片幻灯片

5. 结论

为了充分挖掘回波序列的结构信息，本文提出一种基于频域多通道图特征感知的方法来实现对目标的检测。首先对实测数据进行海杂波块白化抑制，然后对白化后的数据进行子带分解，借助图的处理方法在频域提取多普勒通道内和多普勒通道间的结构信息。通过计算不同时间序列下拉普拉斯矩阵的最大特征值，并将相对多普勒峰高与最大特征值的比值作为检验统计量，从而设计检测器区分纯杂波和含有目标的回波。最后在实测数据集上，将所提方法与基于图连通密度的检测方法、归一化Hurst指数、MTD方法进行了比较。实验结果表明，本文提出的方法能够更好地实现海面漂浮小目标检测。

图 1 IPIX数据集中20组数据的平均信杂比

下载: 全尺寸图片幻灯片

图 2 4种极化方式下的平均变差系数

下载: 全尺寸图片幻灯片

图 3 数据#17在HH和HV极化下拉普拉斯矩阵的平均最大特征值

下载: 全尺寸图片幻灯片

图 4 实测IPIX雷达回波数据的多普勒幅度谱

下载: 全尺寸图片幻灯片

图 5 检测流程图

下载: 全尺寸图片幻灯片

图 6 20组数据在4种不同极化方式下的检测概率柱状图

下载: 全尺寸图片幻灯片

图 7 所提方法与图连通密度、归一化Hurst指数、MTD方法在4种不同极化方式下的ROC曲线

下载: 全尺寸图片幻灯片

图 8 海航数据的检测概率柱状图

下载: 全尺寸图片幻灯片

表 1 海航数据的信杂比(dB)

目标单载频 LFM

浮标 13.23 14.16
船只 12.23 7.35

下载: 导出CSV

参考文献(21)

[1]	HU Jing, TUNG W W, and GAO Jianbo. Detection of low observable targets within sea clutter by structure function based multifractal analysis[J]. IEEE Transactions on Antennas and Propagation, 2006, 54(1): 136–143. doi: 10.1109/TAP.2005.861541
[2]	GUAN Jian, LIU N B, HUANG Y, et al. Fractal characteristic in frequency domain for target detection within sea clutter[J]. IET Radar, Sonar & Navigation, 2012, 6(5): 293–306. doi: 10.1049/iet-rsn.2011.0250
[3]	陈小龙, 刘宁波, 宋杰, 等. 海杂波FRFT域分形特征判别及动目标检测方法[J]. 电子与信息学报, 2011, 33(4): 823–830. doi: 10.3724/SP.J.1146.2010.00486 CHEN Xiaolong, LIU Ningbo, SONG Jie, et al. Fractal feature discriminant of sea clutter in FRFT domain and moving target detection algorithm[J]. Journal of Electronics &Information Technology, 2011, 33(4): 823–830. doi: 10.3724/SP.J.1146.2010.00486
[4]	WOOD J C and BARRY D T. Radon transformation of time-frequency distributions for analysis of multicomponent signals[J]. IEEE Transactions on Signal Processing, 1994, 42(11): 3166–3177. doi: 10.1109/78.330375
[5]	SHUI Penglang, BAO Zheng, and SU Hongtao. Nonparametric detection of FM signals using time-frequency ridge energy[J]. IEEE Transactions on Signal Processing, 2008, 56(5): 1749–1760. doi: 10.1109/TSP.2007.909322
[6]	MEI J and MOURA J M F. Signal processing on graphs: Estimating the structure of a graph[C]. 2015 IEEE International Conference on Acoustics, Speech and Signal Processing, South Brisbane, Australia, 2015: 5495–5499.
[7]	殷剑宏, 吴开亚. 图论及其算法[M]. 合肥: 中国科学技术大学出版社, 2003. YIN Jianhong and WU Kaiya. Graph Theory and Its Algorithm[M]. Hefei: University of Science and Technology of China Press, 2003.
[8]	SU Ningyuan, CHEN Xiaolong, GUAN Jian, et al. Maritime target detection based on radar graph data and graph convolutional network[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 4019705. doi: 10.1109/LGRS.2021.3133473
[9]	YAN Kun, BAI Yu, WU H C, et al. Robust target detection within sea clutter based on graphs[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(9): 7093–7103. doi: 10.1109/TGRS.2019.2911451
[10]	时艳玲, 姚婷婷, 郭亚星. 基于图连通密度的海面漂浮小目标检测[J]. 电子与信息学报, 2021, 43(11): 3185–3192. doi: 10.11999/JEIT201028 SHI Yanling, YAO Tingting, and GUO Yaxing. Floating small target detection based on graph connected density in sea surface[J]. Journal of Electronics &Information Technology, 2021, 43(11): 3185–3192. doi: 10.11999/JEIT201028
[11]	李炯生, 张晓东, 潘永亮. 图的Laplace特征值[J]. 数学进展, 2003, 32(2): 157–165. doi: 10.3969/j.issn.1000-0917.2003.02.003 LI Jiongsheng, ZHANG Xiaodong, and PAN Yongliang. Laplacian eigenvalues of graphs[J]. Advances in Mathematics, 2003, 32(2): 157–165. doi: 10.3969/j.issn.1000-0917.2003.02.003
[12]	张海霞. 关于图的Laplace特征值[D]. [硕士论文], 大连理工大学, 2005. ZHANG Haixia. On Laplace eigenvalues of graph[D]. [Master dissertation], Dalian University of Technology, 2005.
[13]	李东宸. 海杂波中小目标的特征检测方法[D]. [博士论文], 西安电子科技大学, 2016. LI Dongchen. Feature-based detection methods of small targets in sea clutter[D]. [Ph. D. dissertation], Xidian University, 2016.
[14]	STANKOVIĆ L, MANDIC D, DAKOVIĆ M, et al. Data analytics on graphs part III: Machine learning on graphs, from graph topology to applications[J]. Foundations and Trends® in Machine Learning, 2020, 13(4): 332–530. doi: 10.1561/2200000078-3
[15]	ORTEGA A, FROSSARD P, KOVAČEVIĆ J, et al. Graph signal processing: Overview, challenges, and applications[J]. Proceedings of the IEEE, 2018, 106(5): 808–828. doi: 10.1109/JPROC.2018.2820126
[16]	SHUI Penglang, LI Dongchen, and XU Shuwen. Tri-feature-based detection of floating small targets in sea clutter[J]. IEEE Transactions on Aerospace and Electronic Systems, 2014, 50(2): 1416–1430. doi: 10.1109/TAES.2014.120657
[17]	许述文, 白晓惠, 郭子薰, 等. 海杂波背景下雷达目标特征检测方法的现状与展望[J]. 雷达学报, 2020, 9(4): 684–714. doi: 10.12000/JR20084 XU Shuwen, BAI Xiaohui, GUO Zixun, et al. Status and prospects of feature-based detection methods for floating targets on the sea surface[J]. Journal of Radars, 2020, 9(4): 684–714. doi: 10.12000/JR20084
[18]	丁昊, 刘宁波, 董云龙, 等. 雷达海杂波测量试验回顾与展望[J]. 雷达学报, 2019, 8(3): 281–302. doi: 10.12000/JR19006 DING Hao, LIU Ningbo, DONG Yunlong, et al. Overview and prospects of radar sea clutter measurement experiments[J]. Journal of Radars, 2019, 8(3): 281–302. doi: 10.12000/JR19006
[19]	刘宁波, 丁昊, 黄勇, 等. X波段雷达对海探测试验与数据获取年度进展[J]. 雷达学报, 2021, 10(1): 173–182. doi: 10.12000/JR21011 LIU Ningbo, DING Hao, HUANG Yong, et al. Annual progress of the sea-detecting X-band radar and data acquisition program[J]. Journal of Radars, 2021, 10(1): 173–182. doi: 10.12000/JR21011
[20]	LI Dongchen and SHUI Penglang. Floating small target detection in sea clutter via normalised Hurst exponent[J]. Electronics Letters, 2014, 50(17): 1240–1242. doi: 10.1049/el.2014.1569
[21]	DILLARD G M and SUMMERS B F. Mean-level detection in the frequency domain[J]. IEE Proceedings - Radar, Sonar and Navigation, 1996, 143(5): 307–312. doi: 10.1049/ip-rsn:19960457

施引文献

期刊类型引用(6)

1.	刘鑫，李慧. 运输类船舶海上多点礁石视频监测方法研究. 舰船科学技术. 2025(03): 163-166 . 百度学术
2.	田凯祥，李保珠，王中训，刘宁波. 低海况下多姿态海上目标特征分析. 雷达科学与技术. 2024(02): 126-134 . 百度学术
3.	陈小龙，何肖阳，邓振华，关键，杜晓林，薛伟，苏宁远，王金豪. 雷达微弱目标智能化处理技术与应用. 雷达学报. 2024(03): 501-524 . 百度学术
4.	汪翔，汪育苗，陈星宇，臧传飞，崔国龙. 基于深度学习的多特征融合海面目标检测方法. 雷达学报. 2024(03): 554-564 . 百度学术
5.	许述文，何绮，茹宏涛. 基于无监督图互信息最大化的海面小目标异常检测. 电子与信息学报. 2024(07): 2712-2720 . 本站查看
6.	杨政，程永强，吴昊，杨阳，黎湘，王宏强. 基于流形变换的信息几何雷达目标检测方法. 电子与信息学报. 2024(11): 4317-4327 . 本站查看

其他类型引用(6)

资源附件(0)

访问统计

图(8) / 表(1)

计量

文章访问数: 1346
HTML全文浏览量: 555
PDF下载量: 282
被引次数: 12

1. 引言
2. 信号模型及数据说明
2.1 实测数据说明
2.2 信号模型及块白化杂波抑制
3. 基于频域多通道图特征感知的检测器
3.1 检测特征提取
3.2 检测器的设计
4. 实验结果与性能分析
4.1 参数设置及实验结果
4.2 不同检测器的性能比较
5. 结论

1. 引言
2. 信号模型及数据说明
2.1 实测数据说明
2.2 信号模型及块白化杂波抑制
3. 基于频域多通道图特征感知的检测器
3.1 检测特征提取
3.2 检测器的设计
4. 实验结果与性能分析
4.1 参数设置及实验结果
4.2 不同检测器的性能比较
5. 结论

参考文献(21)

施引文献

资源附件(0)

访问统计

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于频域多通道图特征感知的海面小目标检测

doi: 10.11999/JEIT220188

通讯作者:
许述文　swxu@mail_xidian.edu.cn

计量

Small Target Detection Based on Frequency Domain Multichannel Graph Feature Perception on Sea Surface

1. 引言

2. 信号模型及数据说明

2.1 实测数据说明

2.2 信号模型及块白化杂波抑制

3. 基于频域多通道图特征感知的检测器

3.1 检测特征提取

3.1.1 最大特征值

3.1.2 相对多普勒峰高RDPH

3.2 检测器的设计

4. 实验结果与性能分析

4.1 参数设置及实验结果

4.2 不同检测器的性能比较

5. 结论

期刊类型引用(6)

其他类型引用(6)

计量

目录

1. 引言

2. 信号模型及数据说明

2.1 实测数据说明

2.2 信号模型及块白化杂波抑制

3. 基于频域多通道图特征感知的检测器

3.1 检测特征提取

3.2 检测器的设计

4. 实验结果与性能分析

4.1 参数设置及实验结果

4.2 不同检测器的性能比较

5. 结论

留言板

基于频域多通道图特征感知的海面小目标检测

doi: 10.11999/JEIT220188

通讯作者: 许述文 swxu@mail_xidian.edu.cn

计量

出版历程

Small Target Detection Based on Frequency Domain Multichannel Graph Feature Perception on Sea Surface

1. 引言

2. 信号模型及数据说明

2.1 实测数据说明

2.2 信号模型及块白化杂波抑制

3. 基于频域多通道图特征感知的检测器

3.1 检测特征提取

3.1.1 最大特征值

3.1.2 相对多普勒峰高RDPH

3.2 检测器的设计

4. 实验结果与性能分析

4.1 参数设置及实验结果

4.2 不同检测器的性能比较

5. 结论

期刊类型引用(6)

其他类型引用(6)

计量

出版历程

目录

1. 引言

2. 信号模型及数据说明

2.1 实测数据说明

2.2 信号模型及块白化杂波抑制

3. 基于频域多通道图特征感知的检测器

3.1 检测特征提取

3.2 检测器的设计

4. 实验结果与性能分析

4.1 参数设置及实验结果

4.2 不同检测器的性能比较

5. 结论

通讯作者:
许述文　swxu@mail_xidian.edu.cn