基于特征时序性的海杂波环境小目标检测方法

董云龙; 罗霄; 丁昊; 王国庆; 刘宁波

doi:10.11999/JEIT240528

基于特征时序性的海杂波环境小目标检测方法

doi: 10.11999/JEIT240528

海军航空大学烟台 264001

基金项目: 国家自然科学基金(62388102, 62101583)资助课题

详细信息

作者简介:
董云龙：男，博士，教授，研究方向为雷达目标组网检测等

罗霄：男，硕士研究生，研究方向为雷达信号处理、目标检测等

丁昊：男，博士，副教授，研究方向为海杂波特性认知、雷达目标检测等

王国庆：男，博士，副教授。研究方向为雷达信号目标检测、电路系统设计等

通讯作者:
丁昊　hao3431@tom.com

中图分类号: TN957.51
计量
- 文章访问数: 12
- HTML全文浏览量: 6
- PDF下载量: 0
- 被引次数: 0
出版历程
- 收稿日期: 2024-06-25
- 修回日期: 2025-02-17
- 网络出版日期: 2025-02-24

Funds: The National Natural Science Foundation of China (62388102, 62101583)

摘要

摘要: 特征检测作为海杂波环境下小目标检测的有效手段，受到了广泛关注与深入研究。过去对特征的研究大多关注于当前帧，近年来使用帧间时序信息融合当前帧特征的方法也被提出并在检测方面取得一定效果。但该方法不能很好地适应具有时变性的海杂波数据，且仅采用静态加权算法融合特征，对历史帧信息的利用不够充分。针对上述问题，该文提出基于模型稳定的修正Burg方法进行特征自回归AR)建模与一步预测，使模型能够自适应调整极点分布，提高了海杂波特征预测的准确性，并基于求解多变量极值问题提出了一种动态加权算法得到了最小方差的融合特征。该文结合IPIX数据集和海军航空大学共享数据集进行实验，利用相对平均幅度(RAA)、相对多普勒峰高(RDPH)、频域峰均值比(FPAR)3特征构建凸包检测器验证了所提方法的有效性。
- 小目标检测 /
- 海杂波 /
- 特征时序信息 /
- 修正Burg方法 /
- 动态加权

HTML全文

图 1 航道浮标图

下载: 全尺寸图片幻灯片

图 2 不同海况时域回波图

下载: 全尺寸图片幻灯片

图 3 加入稳定因子后AR模型极点变化

下载: 全尺寸图片幻灯片

图 4 特征频谱对比

下载: 全尺寸图片幻灯片

图 5 特征相对预测误差随稳定参数变化曲线

下载: 全尺寸图片幻灯片

图 6 修正Burg方法的AR预测曲线与观测曲线对比

下载: 全尺寸图片幻灯片

图 7 动态加权算法检测器流程

下载: 全尺寸图片幻灯片

图 8 不同滑窗宽度对应的数据方差曲线

下载: 全尺寸图片幻灯片

图 9 3种算法计算后数据方差对比

下载: 全尺寸图片幻灯片

图 10 凸包检测器图示

下载: 全尺寸图片幻灯片

图 11 不同极化3种算法计算后特征巴氏距离对比

下载: 全尺寸图片幻灯片

图 12 融合特征后平均检测概率随AR阶数增加的变化曲线

下载: 全尺寸图片幻灯片

图 13 不同极化本文所提方法与其他特征组合的检测效果对比

下载: 全尺寸图片幻灯片

图 14 不同海况背景下本文所提方法与其他检测方法的边界性能对比

下载: 全尺寸图片幻灯片

表 1 IPIX数据集信息

文件序号	采样数	浪高		风力		目标影响单元	目标所在单元	总距离
文件序号	采样数	最大(m)	一般(m)	风向(°)	风速(m/s)	目标影响单元	目标所在单元	单元个数
17	131 072	3.1	2.1	301	10	8:11	9	14
26	131 072	1.56	1.03	211	9	6:9	7	14
30	131 072	1.25	0.89	210	19	6:8	7	14
31	131 072	1.28	0.89	206	15	6:9	7	14
54	131 072	0.97	0.66	308	20	7:10	8	14
280	131 072	2.4	1.44	216	11	7:10	8	14
310	131 072	1.38	0.9	313	33	6:9	7	14
311	131 072	1.38	0.9	310	33	6:9	7	14
320	131 072	1.34	0.91	317	27	6:9	7	14

下载: 导出CSV

表 2 LSTM训练参数设置

预设参数	设置值
最大训练次数	150
梯度阈值	1
使用历史帧数	20
初始学习率	0.01
调整学习率节点	60次以后
学习率调整因子	0.2

下载: 导出CSV

表 3 不同预测方法下杂波特征的平均相对预测误差

AR预测方法	不同特征的平均相对预测误差
AR预测方法	RAA	FPAR	RDPH
本文所提方法	0.128 3	0.204 7	0.319 4
未修正Burg方法	0.153 0	0.225 6	0.345 0
文献[10]所提方法	0.198 3	0.260 3	0.338 4
LSTM	0.263 2	0.198 5	0.296 0

下载: 导出CSV

表 4 不同预测方法下目标特征的平均相对预测误差

AR预测方法	不同特征的平均相对预测误差
AR预测方法	RAA	FPAR	RDPH
本文所提方法	0.112 6	0.183 1	0.285 8
未修正Burg方法	0.126 9	0.199 9	0.315 8
文献[10]所提方法	0.198 3	0.260 3	0.338 4
LSTM	0.152 7	0.183 2	0.310 7

下载: 导出CSV

表 5 IPIX数据检测结果

检测器	使用脉冲数	不同极化方式下的平均检测概率				平均检测概率
检测器	使用脉冲数	HH	HV	VH	VV	平均检测概率
原3特征检测器	64	0.245 9	0.349 1	0.339 3	0.177 2	0.277 9
	128	0.437 2	0.574 3	0.569 9	0.368 7	0.487 5
	256	0.569 4	0.699 6	0.696 7	0.496 2	0.615 5
文献[10]所提检测器	64	0.348 1	0.472 8	0.456 1	0.276 4	0.388 4
	128	0.629 2	0.743 9	0.735 4	0.535 6	0.661 0
	256	0.709 9	0.813 9	0.809 3	0.642 0	0.743 8
本文所提检测器	64	0.417 7	0.543 2	0.537 3	0.347 4	0.461 4
	128	0.692 1	0.794 1	0.792 6	0.630 0	0.727 2
	256	0.776 3	0.856 3	0.854 4	0.732 1	0.804 8

下载: 导出CSV

表 6 海军航空大学共享数据集检测结果

检测器	使用脉冲数	检测概率				平均检测概率
检测器	使用脉冲数	4级HH	4级VV	5级HH	5级VV	平均检测概率
原3特征检测器	64	0.305 5	0.682 0	0.218 2	0.155 8	0.340 4
	128	0.456 7	0.808 4	0.453 1	0.334 8	0.513 2
	256	0.632 7	0.907 1	0.647 5	0.459 4	0.661 7
文献[10]所提检测器	64	0.400 7	0.718 6	0.334 7	0.208 9	0.415 7
	128	0.592 3	0.886 5	0.644 5	0.443 3	0.641 7
	256	0.753 3	0.959 1	0.820 8	0.534 6	0.767 0
本文所提检测器	64	0.442 4	0.778 5	0.434 1	0.255 6	0.477 7
	128	0.647 1	0.922 5	0.727 6	0.497 5	0.698 7
	256	0.803 1	0.976 6	0.866 4	0.597 9	0.811 0

下载: 导出CSV

参考文献(17)

[1]	关键. 雷达海上目标特性综述[J]. 雷达学报, 2020, 9(4): 674–683. doi: 10.12000/JR20114. GUAN Jian. Summary of marine radar target characteristics[J]. Journal of Radars, 2020, 9(4): 674–683. doi: 10.12000/JR20114.
[2]	BI Xiaowen, GUO Shenglong, YANG Yunxiu, et al. Adaptive target extraction method in sea clutter based on fractional Fourier filtering[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5115609. doi: 10.1109/TGRS.2022.3192893.
[3]	SHI Sainan and SHUI Penglang. Sea-surface floating small target detection by one-class classifier in time-frequency feature space[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(11): 6395–6411. doi: 10.1109/ TGRS.2018.2838260. doi: 10.1109/TGRS.2018.2838260.
[4]	XU Shuwen, ZHENG Jibin, PU Jia, et al. Sea-surface floating small target detection based on polarization features[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(10): 1505–1509. doi: 10.1109/LGRS.2018.2852560.
[5]	陈世超, 高鹤婷, 罗丰. 基于极化联合特征的海面目标检测方法[J]. 雷达学报, 2020, 9(4): 664–673. doi: 10.12000/ JR20072. doi: 10.12000/JR20072. CHEN Shichao, GAO Heting, and LUO Feng. Target detection in sea clutter based on combined characteristics of polarization[J]. Journal of Radars, 2020, 9(4): 664–673. doi: 10.12000/JR20072.
[6]	LO T, LEUNG H, LITVA J, et al. Fractal characterisation of sea-scattered signals and detection of sea-surface targets[J]. IEE Proceedings F: Radar and Signal Processing, 1993, 140(4): 243–250. doi: 10.1049/ip-f-2.1993.0034.
[7]	FAN Yifei, TAO Mingliang, and SU Jia. Multifractal correlation analysis of autoregressive spectrum-based feature learning for target detection within sea clutter[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5108811. doi: 10.1109/TGRS.2021.3137466.
[8]	关键, 伍僖杰, 丁昊, 等. 基于对角积分双谱的海面慢速小目标检测方法[J]. 电子与信息学报, 2022, 44(7): 2449–2460. doi: 10.11999/JEIT210408. GUAN Jian, WU Xijie, DING Hao, et al. A method for detecting small slow targets in sea surface based on diagonal integrated bispectrum[J]. Journal of Electronics & Information Technology, 2022, 44(7): 2449–2460. doi: 10.11999/JEIT210408.
[9]	关键, 姜星宇, 刘宁波, 等. 海杂波背景下的双极化最大特征值目标检测[J]. 系统工程与电子技术, 2024, 46(11): 3715–3725. doi: 10.12305/j.issn.1001-506X.2024.11.13. GUAN Jian, JIANG Xingyu, LIU Ningbo, et al. Target detection using dual-polarization maximum eigenvalue in sea clutter background[J]. Systems Engineering and Electronics, 2024, 46(11): 3715–3725. doi: 10.12305/j.issn.1001-506X.2024.11.13.
[10]	董云龙, 张兆祥, 丁昊, 等. 基于三特征预测的海杂波中小目标检测方法[J]. 雷达学报, 2023, 12(4): 762–775. doi: 10.12000/JR23037. DONG Yunlong, ZHANG Zhaoxiang, DING Hao, et al. Target detection in sea clutter using a three-feature prediction-based method[J]. Journal of Radars, 2023, 12(4): 762–775. doi: 10.12000/JR23037.
[11]	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.
[12]	IPIX Radar. The IPIX radar database[EB/OL]. http://soma.ece.mcmaster.ca/ipix/, 2021.
[13]	关键, 刘宁波, 王国庆, 等. 雷达对海探测试验与目标特性数据获取——海上目标双极化多海况散射特性数据集[J]. 雷达学报, 2023, 12(2): 456–469. doi: 10.12000/JR23029. GUAN Jian, LIU Ningbo, WANG Guoqing, et al. Sea-detecting radar experiment and target feature data acquisition for dual polarization multistate scattering dataset of marine targets[J]. Journal of Radars, 2023, 12(2): 456–469. doi: 10.12000/JR23029.
[14]	BARBARESCO F. Algorithme de burg regularise fsds (fonctionnelle stabilisatrice de douceur spectrale) Comparaison avec l'algorithme de burg mfe (Minimum free energy)[C]. Quinzieme Colloque Gretsi - Juan-Les-Pins, 1995: 29–32. (查阅网上资料, 未找到本条文献出版地信息, 请确认) .
[15]	LI Yuzhou, XIE Pengcheng, TANG Zeshen, et al. SVM-based sea-surface small target detection: A false-alarm-rate-controllable approach[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(8): 1225–1229. doi: 10.1109/LGRS.2019.2894385.
[16]	王鑫, 吴际, 刘超, 等. 基于LSTM循环神经网络的故障时间序列预测[J]. 北京航空航天大学学报, 2018, 44(4): 772–784. doi: 10.13700/j.bh.1001-5965.2017.0285. WANG Xin, WU Ji, LIU Chao, et al. Exploring LSTM based recurrent neural network for failure time series prediction[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(4): 772–784. doi: 10.13700/j.bh.1001-5965.2017.0285.
[17]	胡学骏, 罗中良. 基于统计理论的多传感器信息融合方法[J]. 传感器技术, 2002(8): 38–39,43. doi: 10.13873/j.1000-97872002.08.013. HU Xuejun and LUO Zhongliang. Method of multi-sensor information fusion based on statistics theory[J]. Transducer and Microsystem Technologies, 2002(8): 38–39,43. doi: 10.13873/j.1000-97872002.08.013.