一種針對海面弱小目標的檢測方案

趙軍輝　康克成　胡海森

摘 要：針對復雜海面背景條件下弱小目標的檢測問題，提出了一種低虛警檢測概率的弱小目標檢測算法，定義了復雜海面背景下弱小目標的信雜比，并基于粒子濾波算法的多模式搜索功能和弱小目標的分形特性，應用支持向量機（SVM）進行了檢測。該檢測方法計算簡單、準確度高。

關鍵詞：粒子濾波；弱小目標；雷達回波信號；搜索策略

中圖分類號：TN957.51 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2016.03.077

在復雜海面背景下的弱小目標檢測中，海雜波是主要干擾源，因此，根據弱小目標與海雜波的穩定特征差異檢測和識別目標是提高算法檢測準確性的關鍵。針對復雜海面背景下低信雜比弱小目標的檢測，本文提出了一種運算速度較快的目標檢測算法。該算法利用粒子濾波抑制了海雜波，并基于弱小目標的分形特性，剔除了海雜波等虛警干擾。

1 弱小目標的信雜比

在研究弱小目標檢測算法和評估算法的性能時，必須明確弱小目標的信雜比是指目標回波信號與背景海雜波起伏的比值。在復雜海面的背景下，即使在目標局部信雜比較高的情況下，受到背景海雜波起伏的影響，目標的全局信雜比比在平緩背景下低很多。因此，目標檢測算法必須能有效抑制背景干擾，從而實現低全局信雜比檢測。此外，在虛警剔除階段，可根據目標局部信雜比確認雜波干擾是否被剔除。本文處理的雷達回波信號為線性調頻（LFM）信號。

2 粒子濾波

粒子濾波具備多模式搜索功能，能在全局空間中找到最優結果。因此，其比單模式的搜索策略具有更好的魯棒性。但粒子濾波在多模式搜索中也存在一定的不足：①采用該算法在連續維持目標分配的多種模態時比較不穩定，期望跟蹤所有的模式，直到不確定性能會被自然解決；②當有不足的量測、噪聲或多目標時，無法確定目標狀態，在此情況下，跟蹤所有目標時，常發生所有粒子快速合并至一種模式，拋棄其他模式的情況，導致粒子采樣過早貧瘠，無法實現對多目標的跟蹤。本文采用粒子濾波主要用于抑制海雜波，以減少海雜波的能量聚集。經過濾波、去噪后，含有目標的回波分形維數與不含有目標的回波分形維數間的差異更加明顯，可以更好地計算回波的分形維數。

3 分形特性

海洋平面是復雜、動態、粗糙的面，變化不規則，但又不是完全隨機的。應用分形理論分析海面后發現，海雜波具有多重分形特性。弱小目標的分形特性與海雜波的不同，即含有弱小目標雷達回波信號的多重分形譜與只含有海雜波的雷達回波信號多重分形譜區別明顯。通過計算多重分形譜，可區分回波信號中是否有目標存在。本文采用的多重分形譜是通過legendre的變換而得，并對其進行了離散化，作為檢測單元輸入到SVM分類器中。

4 SVM分類器

信號多重分形譜的離散采樣值經過SVM分類器后會輸出1個二值結果，即有目標狀態和無目標狀態，分別記為“1”和“0”。根據系統辨識理論，可用于辨識的特征數據越多，辨識效果越好，準確率越高。SVM檢測分類識別過程分為以下2步：①基于一定量的訓練樣本，訓練SVM神經網絡，得到期望的訓練判斷SVM網絡；②對需要判定的數據進行分類判斷。數據樣本在初期訓練中的誤差較大，這是因為某些訓練不充分而導致的。為了提高訓練精度，需要增加數據樣本集的數量，并確定訓練次數的下限。

5 試驗結果

通過分析海雜波，并對比BP神經網絡的多重分形檢測法發現，基于多重分形的SVM檢測算法比采用BP神經網絡的多重分形檢測算法的效果好，且其在計算過程中的魯棒性和穩定性較高，但計算量較大、計算過程較為復雜。試驗結果如表1所示。

6 結束語

本文提出的檢測方案通過粒子濾波降低了海雜波對目標回波的干擾，通過對分形特征的提取，有效區分了含有目標和不含有目標的雷達信號回波，并借助SVM的強大分類能力，有效提高了目標檢測的準確率。但該算法存在計算量大、計算過程復雜等不足，需要進一步改進，以提高其運算效率。

參考文獻

[1]王永誠，吳小飛.海雜波的分數維測量在對海面目標探測中的應用研究[J].現代雷達，2000，22（5）.

[2]石志廣，周健雄，趙宏鐘.海雜波的多重分形特性分析[J].數據采集與處理，2006，21（2）.

[3]Haykin S.Detection of signals in chaos[J].Proc of IEEE，1995（1）.

〔編輯：張思楠〕