背景杂波（精选7篇）
背景杂波 篇1
1 Introduction
This paper addresses the problem of detecting small targets with very small spatial extent that are masked by spatially strong background clutter in image data.The scheme of detection is divided into two steps.The first step is prediction and suppression of strong background clutter.The second step is target detection with matched filter.
Leonov et al[1]summarized some kinds of nonparametric spatial filter for clutter estimation.Soni et al[2]and NQ[3]used TDLMS adaptive filter to obtain a background estimate of spatially varying clutter.Yu et al[4]used morphological algorithm to estimate clutter.When clutter had been estimated,detecting the small targets in the image sequence suppressed the clutter was the troublesome problem,too.At present,the TBD(track before detection)algorithms were the mainstream of dealing with this problem.Chen Y et al[5]proposed the projection-based detection algorithm.
This paper proposed a novel adaptive algorithm for prediction of background clutter,which was based on minimum cumulating-squared error(MCSE)of gradients in neighborhood.And then,this paper adopted a fas detecting algorithm based on statistical analysis,and detected the small targets from complicated infrared image Theoretic analysis and experiments proved that the algorithm of this paper was an effective method for detection of small targets from strong background clutter of images.
2 Cumulating-squared Error of Gradients in Neighborhood
Define Cumulating-Squared Error(CSE)function in neighborhood as following equation(1):
Where,(x+Δx,y+Δy)denoted neighborhood of pixel(x,y),and(x+Δxi,y+Δyi)(i=1,2…)was the each pixel in neighborhood.The image model could be represented as:
Where,IB(x,y,t)was background of image,IO(x,y,t)was target,N(x,y,t)was additive noise.The CSE of spatial gradient in neighborhood could be represented as formula(3):
Formula(3)implied that the CSE of gradients in neighborhood would be increased,when background of image polluted by additive noise or background of image included the target.
3 Background Clutter Adaptive Prediction
3.1 Clutter Prediction Algorithm
This paper proposed a new gradient-based adaptive prediction algorithm for clutter.The image had been partitioned into blocks Bmn(mn=1,2,…),which size was M×N(pixels).Supposing brightness of pixel(x,y,t)was equal to d(i),d(i)=I(x,y,t)(i=1,2,…MN;(x,y)∈Bmn),the neighborhood sizes of d(i)wasΔx×Δy pixels.Supposing the brightness of pixels in neighborhood was X(i)=[x1(i),x2(i),…xL(i)]T(i=1,2,…MN;L=ΔxΔy-1;Δx
Where,W was weight,and W=[w1,w2,…wL]T↔Bmn,namely,it was one-one correspondence between W andBmn.Supposing Reference to methodof least squares,introducing the cost function,it could be represented as equation(8).
In the equation(8),λwas oblivious factor,andλ∈(0,1).The optimal filtering problem of image came down to the following optimal problem with nonrestraint.
And then,the brightness of background was predicted as equation(7):
3.2 Optimal Weight Coefficient
Introducing the vector of M×N dimension,vdex=[dexT(1),dexT(2),…dexT(MN)]T;vdey=[deyT(1)deyT(2),…,deyT(MN)]T.In fact,the dimension of vdex and vdey was both 1×(M×N×L).Then,introducing thevector of M×N dimension,X=[XT(1),XT(2),…XT(MN)]T,NX=[X1(1),X2(1)…XL(1),X1(2),…XL(MN)]T,andΛ=Diag[λMN-1,λMN-1,…λMN-1,λMN-2,…1,1,…1].The dimension of vector X was 1×(M×N×L).However,NX wasmatrix,the order of NX was L×(M×N×L),Λwas diagonal matrix,the order was(M×N×L)×(M×N×L)Introducing the vector of cross correlation and matrix of autocorrelation,rx=(∂NX/∂x)Λ(∂X/∂x)T ry=(∂NX/∂y)Λ(∂X/∂y)T,Rx=(∂NX/∂x)Λ(∂NX/∂x)T,Ry=(∂NX/∂y)Λ(∂NX/∂y)T.
According to gradient formula of vector,from equation(6),it could get equation(8)
3.3 Detection of Target
In order to detect the target effectively,the clutter should be suppressed.Then,the tracks of targets should be cumulated.We integrated the image sequence,such as following equation.
gotten by background clutter adaptive prediction.And theσk is the variance ofε(x,y,k).We assumed that the target was in the k1th frame,then,FI(x,y)can be represented as following equation:
Where,A was gray of target,B was gray of background,εn(x,y,k)was gray of Gaussian noise.Supposing the motion of targets is linear motion in several frames.In neighborhood of FI(x,y),which size is n×n pixels(n≤m),the pixels in lines should be cumulated.If Fline(x,y)is track of targets,it included two parts,such as following:
Where,RT line(x,y)obeyed the non-centric Chi-squared(χ2)distribution with n degree of freedom,and non-centric parameter was n×SCNR2;R n line(x,y)obeyed the Chi-squared(χ2)distribution with n×(m-1)degree of freedom.According to Neyman-Pearson algorithm,we could distinguish the targets from noise.First,according to m and the false alarm probability of system(pfa),checking up the table of Chi-squared(χ2)distribution,we could get the threshold THD;Second,when Fline(x,y)>THD,it is target,otherwise,it is noise.
4 Performance of system
4.1 Performance of Clutter Prediction
Fig.1(a)is an infrared image,witch size is 250 pixels×200 pixels.We added 20 small targets into image a random,which size is 3 pixels×3 pixels.Using the algorithm of this paper,we suppressed the clutter of the image Computing the SCNR,such as table 1,it had demonstrated that the algorithm of this paper had excellent performance of background clutter prediction.The mean gain of SCNR is 6.77 d B.
Using Symmetric filter,TDLMS filter,Morphological filer and Method of this paper to Suppress the clutter.Check up the SCNR of each target in remnant image.,such as Table 2.Observing Table 2,and comparing SCNRvia clutter suppressing by various methods,it was evident that the clutter suppression algorithm introduced by this paper was more excellent performance than others.The mean gain of SCNR improved against other methods,respectively,2.94d B,3.73d B and 3.99d B.
4.2 Performance of Detection
Supposing,H0:Fline(x,y)was noise;H1:Fline(x,y)was target.H0 obeyed the Chi-squared(χ2)distribution with nm degree of freedom.Because the probability density functions of F line(x,y)on H1 is very complex.However we could use the stochastic variable to fit function P[Fline(x,y)|H1],which had same 1th order and 2th order moment as P[Fline(x,y)|H1].
Defined a function y=cx2,where,x2 obeyed the Chi-squared(χ2)distribution with k degree of freedom.Namely,x2∼χ2(k),then,E[y]=ck,D[y]=2c2k.Assume that E[y]=E[Fline(xy)|H1],D[y]=D[Fline(x,y)|H1],we could get following equation:
So,the probability of detection was represented as:
This paper adopted the ROC(receiver operating characteristic)curve to test the performance of detection system.Because n≤m,in simulation of this paper,we had defined n=m.Fig.2(a)is performance curve in different SCNR based on m=5.In practice,when n=m=5,if SCNR>6,the detecting performance of system could be accepted.Fig.2(b)is performance curve in different m based on SCNR=5.From Fig.2(b),we had concluded that m is bigger,and the performance is more excellent.However,m is bigger,the system load is bigger.
5 Experimentation
In the experiments,five moving targets which size was 3×3 pixels had been added into the image,which size was 250×200 pixels,simultaneously,Gaussian noise had been added into the image.Fig.3(a)is a frame in this sequence.In Fig.3(a),we hardly to distinguish the targets from the strong background clutter.In the experiments,the false alarm probability of system(pfa)was 10-6,the result indicated that the entire target can be detected in single image,but on the condition of single image,false targets would happen,such as Fig.3(b).In the white pane the white points were targets,and other white points were false alarm targets.Fig.3(c)was detecting result of multi-frame images,where,m=n=5.The result indicated that all the targets could be detected,and false alarm targets had been wiped off.
6 Conclusion
An effective adaptive algorithm of background clutter prediction for detecting small targets in image data was proposed in this paper.Many experiments had demonstrated that the algorithm could improve SCNR of targets,and the performance was more excellent than traditional algorithms.The detecting algorithm based on multi-frame had prominent performance on suppression of false alarm targets.
参考文献
[1] LEONOV S. Nonparametric method for clutter removal [J] . IEEE Trans. AES,2001,37(3):832-847.
[2] Tarun Soni,James Zeidler R,Walter H Ku. Performance Evaluation of 2-D Adaptive Prediction Filters for Detection of Small Objects in Image Data [J]. IEEE Trans. On Image Processing,1993,2(3):327-339.
[3] NQ L N. Detection of small target in IR image sequences using VSLMS [C] // Proc. of SPIE,Signal and Data Processing of Small Targets 2004. Orlando,FL,United States:SPIE,2004,5428:37-47.
[4] YU Nong,WU Hao,WU Chang-yong,et al. Morphological neural networks for automatic target detection by simulated annealing learning algorithm [J]. Science in China,2003,46(4):262-288.
[5] 陈颖,刘镰斧,李在铭. 一种微弱点运动目标的快速统计检测算法[J]. 电子学报,2001,29(12):1707-1709. CHEN Yin,LIU Lian-fu,LI Zai-ming. A fast detection algorithm of dim point moving target using statistical analysis[J]. Chinese Journal of Electronics,2001,29(12):1707-1709.
背景杂波 篇2
基于SAR图像对特定目标的检测, 对SAR图像更进一步的解译和理解是SAR应用的一个热点与难点。只有从SAR图像中准确检测出目标才能对目标的特征进行深入分析, 因此对SAR图像中的乘性噪声进行有效抑制和目标的准确提取, 一直是SAR图像处理的重要课题之一。
广泛应用的目标检测方法仍然以恒虚警方法 (Constant False Alarm Rate, CFAR) 为主, CFAR算法一般用于检测海上舰船和陆上雷达站等相对于背景具有强散射特性的点目标, 通过单个像素灰度和某一门限的比较达到检测目标像素的目的。其步骤为:l) 确定杂波概率密度函数的统计模型;2) 估计杂波背景分布模型的参数;3) 确定CFAR检测器阈值[1]。
多年来, 研究者们更多的在第1) 、3) 步对CFAR算法进行改进。在第1) 步方面, 研究者们致力于寻求用一个较合理的数学模型来表示杂波幅度的概率分布特性, 亦即雷达杂波模型。至今为止, 提出的不同统计分布模型有:林肯实验室在背景杂波服从高斯分布的假设条件下, 推导出的双参数CFAR[2,3];Kuttikkad提出的采用最大似然估计的Weibull分布和K分布[4];Salazar等提出的β′分布[5];Blacknell等提出的相关高斯分布[6];Bucciarelli提出的最优CFAR检测[7]等等。然而这些现有的统计分布并不能同时满足参数估计简单, 且有良好的杂波统计建模能力的要求。在第3) 步方面, Rohing提出了将目标检测面临的背景杂波分为典型的三类:均匀杂波背景;杂波边缘;多目标[8]。为了适应这三种情况下的目标检测, 各种不同的检测器被研究学者们提出。CA-CFAR、OS-CFAR、GO-CFAR、SO-CFAR组成了四类基本CFAR检测器, 后续发展的检测器大多是这些检测器的组合或变体[9,10]。著名的VI-CFAR (智能索引CFAR) 就是将这四种检测器融合在一起, 在均匀和非均匀杂波背景中都能保持CFAR检测性能, 但其缺点也很明显:1) 本文在实验结果部分对该检测器效果进行了分析比较, 结果证明此类检测器并不能在较低的虚警率下实现, 影响了算法的精度, 增大了后续处理的计算量;2) 同时由于依然是对SAR图像单一建模, 使得在不同区域适应背景杂波分布不同的情况下, 出现了模型失配的情况。
事实上, 这两个研究方向都存在着相同的问题, 即实际的检测局部滑窗可能面临种类多样的地物覆盖类型, 已有的统计模型, 即便是建模能力最强的K分布, 也不足以描述异质混合不均匀区域的统计特性, 会引起统计模型的失配。为了解决这个问题, 应在检测前先判断检测像素所在区域所对应的适合背景杂波分布模型。本文在深入分析基于不同统计分布模型的CFAR检测基础上, 考虑到各种统计模型的优缺点, 提出对待检测图像混合建模, 即通过索引值 (统计方差和均值比) 智能地判断目标所处的杂波环境, 再根据区域类型选择对应的杂波背景模型, 最后采用CFAR检测器根据已知的pf (恒虚警率) 及选择的杂波概率密度函数模型中的参数计算相应的判决门限T。
1 SAR图像地物类型区域判断
1.1 统计特征量选择
在对待检测像素所在区域进行判断时, 首先将背景窗口中的样本数据划分为前沿窗口、后沿窗口以及全窗口, 然后通过比较2个子窗的统计特征量即统计方差VI和统计均值比MR来判断子窗的类型 (同质区域、杂波边缘区域、多目标干扰区域) 。
1.1.1 统计方差
背景的变化程度一般以方差来衡量, 但在SAR图像中, 由于是乘性噪声模型, 强度小的区域背景起伏小, 强度大的区域背景起伏大[11]。单以方差不能准确表示背景变化程度, 引入VI作为表示背景变化的指数, 它可以不依赖于背景强度的影响。VI是一个二次有序统计, 设每个子窗中有n个像素单元, 按式 (1) 计算VI的值。
1.1.2 统计均值比
均值比MR的定义为前后两个窗口的均值之比如式 (3) 所示:
1.2 区域判断准则
由式 (2) 容易看出:在均匀区域, VI的概率密度函数是不依赖于杂波能量的, 但当区域呈异质时, 它就会发生改变。而由式 (1) 可知:同质区域时VI的值相对较小, 异质区域时VI的值相对较大。这表明VI反映了一个杂波对应的分布与对称性偏离的程度, 是描述SAR图像是否为异质的非常稳健的参数。给定阈值KVI, 把在子窗中计算得到的统计方差VI同这个阈值KVI比较, 来决定该子窗所在的区域是同质还是异质区域。即VI≤KVI为均匀杂波, VI>KVI为非均匀杂波。
同时由式 (3) 可以得出:当在均匀杂波环境时, MR的分布独立于杂波功率, 而当子窗口中混入干扰目标或其他类型杂波时, MR便急剧增大或减小。因此根据设置一个均值比的阈值KMR (通常设KMR≥1) , 将MR与它相比来判断全窗口是否为均匀杂波背景, 有如下假设检验:KMR-1≤MR≤KMR为均匀;MR
通过定义上面VI和MR, 可以智能地对目标像素所在区域进行判断, 其判断区域类型依据如表1。
当X1或X2为均匀区域时, 将整个区域视为均匀区域。对test1、test2、test3图像进行区域类型选择后得到的结果如图1所示。一般不均匀区域定义为检测局部滑窗处于两种或几种不同地物覆盖类型的交界时, 用灰色表示;而当两个目标靠近, 一个目标的信号泄露到另一个目标检测的滑窗杂波区域内时为极不均匀区域, 用白色表示;单独的人造或自然目标为均匀区域, 用黑色表示。
通过结果可以看出, 本文对区域类型的判断结果是正确的。test1为中电38所提供的海南陵水地区C波段VH极化图像的一部分, 大小为422×334, 成像时间为2010年5月7日, 分辨率为1 m×1 m, 图像中的目标有砖厂, 附近有一辆卡车。由于砖厂周围地物类型复杂, 有树木、土地、公路等, 而卡车目标信息非常微弱, 因此将这大幅区域标记为极不均匀区域。其他地形复杂, 多判断为一般不均匀区域;仅有较光滑的水泥公路判断为均匀区域。test2图像中包含了飞机、森林、土地等区域;由于飞机相对点目标来说, 可以看作多个点目标集合成的小面积面目标, 因此将其看作为多个点目标的情况;而森林与土地交错出现的情况下, 是两种地质的不断交接, 多判断为一般不均匀区域。在test3图像中包含了车辆、水泥地、草地等区域。其中水泥地较为光滑, 主要为镜面反射, 因此杂波是最为均匀的。而对于人造目标如车辆, 当表现为独立的亮目标时, 杂波也是均匀的;而在排列非常紧密时, 不均匀程度增加, 视为极不均匀区域。
在水泥地和车辆以及水泥地和草地的交接处, 标记为一般不均匀区域。不足的是, 在图1 (d) 、图1 (e) 、图1 (f) 中, 均匀部分和一般不均匀部分划分不够匀称, 没有表现为整块的灰色或黑色区域。为了方便下文进行模型选择, 提取了各区域的片段, 如表2所示。
2 对三种地物类型分别建模
2.1 不同地物类型的候选模型
根据SAR图像杂波统计模型分析, 杂波在不同地物类型区域所对应适合分布模型不同, 如图2所示[12]。
2.2 不同地物类型的模型选择
由此可知, 适用于均匀区域的统计分布模型参数估计简单、算法速度较快, 但对地物覆盖类型的建模能力不足。由于双参数CFAR检测算法指出了高斯分布对于均匀区域是最优的[10], 因此本文也采用高斯分布对均匀区域建模。
同时由于G0分布在单视情况下, 其强度形式GI0退化为Beta-prime分布, 因此在极不均匀区域使用两种分布的结果是相同的。因此本文采用G0分布对极不均匀区域建模。
对于一般不均匀区域, 一个适用的统计模型需要同时满足参数估计简单及对地物覆盖类型的建模能力好这两个条件。由于联合分布模型参数的个数成倍增加, 参数估计的难度也因而大大增加, 一般需要求解复杂的非线性方程组[11,12,13], 很难应用, 因此首先排除联合分布模型。接着对该区域的片段 (如表2) 分别用剩下的3种候选分布进行建模, 比较模型匹配程度。建模结果如图3所示, 为充分揭示拟合的细节, 对给定的图像数据进行幅度变换x′=x/σ′ (x对应图像原始数据, σ′为x的均值, x′为变换后的幅度, 对应于图3的横坐标) , 以压缩图像的动态范围。
用PDF误差平方和评估三种分布模型的匹配精度, 如表3所示, 其值越小代表拟合精度越高。
通过图3和表3的结果分析可知, 韦布尔分布在一般不均匀区域的建模效果优于其它两种分布, 因此本文选择用韦布尔分布对一般不均匀区域建模。
2.3 模型选择结果验证
为了对建模结果的准确性进行检验, 同时验证在不同地物类型区域, 选择适合的背景杂波分布模型的重要性, 实验中运用了高斯分布、韦布尔分布、G0分布对三种地物类型截取的区域 (见表2) 同时进行拟合。图4分别给出了每个杂波区域的三种概率密度函数的拟合结果。从图4可以看出, 不同地物类型的杂波概率密度函数有显著差异, 三种分布对这些区域拟合的效果也不同。
为了定量评估上述三种分布对3种不同区域的拟合精度, 采用拟合精度检验统计量K-S检验和KL距离度量。K-S检验值反映已知累计分布函数和图像实际累计分布函数偏差的上确界, 而KL距离度量则反映图像实际分布和遗址分布的全局相似度, KL值越小表明相似度越高, 拟合精度越高。三种分布对3个区域拟合的K-S值 (a1∼c1) 和KL值 (a2∼c2) 曲线如图5所示, 横坐标中1代表一般不均匀区域, 2代表极不均匀区域, 3代表均匀区域。
从图4和图5可以看出:整体而言, 在三种地物类型杂波区域中, 随着区域不均匀度的增加, 拟合误差增大。G0分布在检测一般不均匀区域和极不均匀区域时效果最优, 但是在均匀区域时其拟合效果的接近度却不及高斯分布, 有模型失配的情况发生;而在一般不均匀区域检测时, 韦布尔分布的拟合效果最优。这证明了不同的地物类型其适应的分布模型不同;本文算法在一般不均匀检测时选择韦布尔分布, 在极不均匀区域时选择G0分布, 在均匀区域中, 使得整幅图像的地物类型在用背景杂波分布模型来估计时, 拟合效果能非常接近, 由此不仅解决了分布在某些区域出现的模型失配的现象, 也提高了检测性能的精度, 从K-S值图中可以看出, 本文算法所选择分布的检测精度逼近10-3次方。
3 基于多背景杂波分布模型的自适应CFAR检测算法
3.1 检测器结构
本文所提出的检测器与一般CA-CFAR的不同之处在于在选择合适的特征量来判断各子窗的类型的基础上, 有根据地选择背景分布模型, 使得模型与检测环境的匹配程度提高, 检测器结构如图6所示。
3.2 算法流程
由于杂波区环窗尺寸比较大, 而且不同分布的参数估计运算较繁琐, 导致滑窗统计分布参数估计的计算量较大。从式 (1) 、 (3) 中可以看出, 本文算法主要需要计算B、F及全窗口的像素强度均值、像素强度平方的均值以及像素强度的标准差, 并由此计算出窗口的VI值、MR值、对应阈值。因此, 本文引用文献[1]中提出的快速算法, 可将算法提高10倍以上, 具体公式详见参考文献[1]。归纳起来, 算法流程如图7。
4 实验结果
为了验证本文提出的基于方差索引选择背景分布的CFAR算法, 选择了3幅待检测的SAR图像, 检测其中的目标 (即亮点区域) 。本文通过实验比较左右划分所得窗口的VIB和VIF之差与上下划分所得窗口的VIB和VIF之差, 取差值最大的划分方法, 选择上下划分方法, 其中CFAR滑窗大小均设置为37×37, 虚警率为0.000 1。对图像分别在高斯、韦布尔、G0分布以及本文所提出的算法的四种情况下进行检测, 结果如图8所示。
通过程序运行结果, 我们可以看出, test1图像中目标信息模糊, 不够完整, 而周围地物类型复杂的情况下, 本文的算法相比单一建模而言, 不仅没有出现成块的虚警, 且目标检测效果较好。test2图像中的飞机目标明确, 但是由于目标面积较大, 且边缘信息有丢失的情况下, 本文的检测结果在大大降低虚警的同时, 将均匀区域和杂波边缘的目标信息都保持完好。test3图像中虽然车辆目标排列十分紧密, 但本文算法可使目标的完整性更强。因此, 可以得出本文算法在地物类型比较复杂的情况下, 检测面积较大的点目标时, 在降低虚警和保留目标边缘信息方面有很好的性能。
同时将VI-CFAR和本文所提出的算法进行了比较。以test2为待检测图像, 在VI-CAFR中同样以统计方差值和均值比作为索引值来划分区域, 不同的是在X1或X2为均匀区域时, 只选择X1或X2参与阈值计算, 因此将X1为均匀区域的部分判断为浅灰色, X2则为深灰色;其后对图像单一建模。区域划分及检测结果如图9所示。
比较图9 (a) 和图9 (d) , 在划分区域时本文在X1或X2为均匀区域时, 视整个区域为均匀区域, 而此种划分方法并没有导致这些区域的CFAR检测损失。而通过比较图9 (b) 、图9 (c) 、图9 (e) , 我们可以看出VI-CFAR只能在恒虚警率较高的情况, 如设定pf=0.1时, 检测效果较好, 且周围虚警趋近于0, 但降低恒虚警率之后, 目标模糊, 且目标形状信息丢失。而本算法在恒虚警为10-4的情况下, 仍能较好的检测出目标。虽然和图9 (b) 比较, 虚警较多, 但是目标信息保持更完整, 尤其是边缘信息。由此就目视效果而言, 本文所提出算法的优点在于能在较低的虚警概率获得较高的检测概率, 在图像的目标边缘及多目标区域能取得很好的检测效果。进一步分析两个算法的性能, 图10给出了用SPSS软件画出的VI-CFAR和本文算法检测的ROC曲线, 其中Sensitivity等同于实际检测概率pd, 而1-Specificity等同于实际虚警概率pf。计算过程中, 首先设定全局阈值, 假定大于该阈值的像素为目标像素 (设此假设的置信区间为95%) , 则图像中的假设目标像素个数为T, 背景杂波像素个数为F=M×N-T, (M×N为图像大小) 。设实际检测的目标像素个数为TT, 背景杂波像素为FF, 则实际检测概率和实际虚警概率分别为pd=TT/T, pf=FF/T。
表4给出了ROC曲线的性能分析报告, 可以看出, 本文算法性能确实优于VI-CFAR算法。
6 小结
由于实际待检测的SAR图像地物类型复杂, 滑窗杂波区域中含有两种或以上的异质区域混合成分, 杂波在不同地物类型区域所对应的适合分布模型不同, 用某种统计分布对整幅图像单一建模并不能带来很好的检测效果, 本文提出了用混合分布对整幅图像建模的思想, 即根据背景区域的不同统计特性, 使CFAR检测器能自适应地选择杂波背景分布模型, 以提高检测效果的检测方法。实验结果证明了本算法的可行性, 且在目标边缘区域及多目标情况下检测效果均优于单一建模的情况。
参考文献
[1]匡纲要, 高贵, 蒋咏梅.合成孔径雷达目标检测理论、算法及应用[M].长沙:国防科技大学出版社, 2007:20-200.KUANG Gang-yao, GAO Gui, JIANG Yong-mei.Synthetic aperture radar detection theory、algorithms and application[M].Changsha:National University of Defense Technology Press, 2007:20-200.
[2]Novak L M.Performance of a high-resolution polarimetric SAR automatic target recognition system[J].Lincoln Laboratory Journal (S0896-4130) , 1993, 6 (1) :11-23.
[3]Oliver C J, Quegan S.Understanding synthetic aperture radar Images[M].Artech House Inc.685Canton Street, Norwood, MA02062, 1998.
[4]Kuttikkad S, Chellappa R.Non-Gaussian CFAR Techniques for Target Detection in High Resolution SAR Images Proceedings[C]//IEEE International Conference on Image Processing, 1994 (ICIP-94) , Austin, TX, USA, Nov13-16, 1994, 1:910-914.
[5]Salazar II J S.Detection Schemes for Synthetic Aperture Radar Imagery Based On a Bate Prime Statistical Model[D].The University of New Mexico, 1999.
[6]Blacknell D.Target Detection in Correlated SAR Clutter[J].IEE Proc, Radar Sonar and Navigation (S1350-2395) , 2000, 147 (1) :9-16.
[7]Bucciarelli T, Lombardo P, Tamburrini S.Optimum CFAR Detection Against Compound Gaussian Clutter with Partially Correlated Texture[J].IEE Proc, Radar Sonar and Navigation (S1350-2395) , 1996, 143 (2) :95-104.
[8]Rohling H.Radar CFAR Thresholding in Clutter and Multiple Target Situations[J].IEEE Trans.On AES (S0018-9251) , 1983, 19 (3) :608-621.
[9]高贵, 周蝶飞, 蒋咏梅, 等.SAR图像目标检测研究综述[J].信号处理, 2008, 24 (6) :1-4.GAO Gui, ZHOU Die-fei, JIANG Yong-mei, et al.SAR image in target detection[J].Signal Processing, 2008, 24 (6) :1-4.
[10]LI Jian, Zelnio E G.Target Detectin with Synthetic Aperture Radar[J].IEEE Trans.on AES (S0018-9251) , 1997, 32 (2) :613-627.
[11]林宏津.合成孔径雷达图像目标检测与优化搜索[D].成都:四川大学, 2005:14-18.LIN Hong-jin.A study of automatic target detection and optimized searching in synthetic aperture radar imagery[D].Chengdu:Sichuan University, 2005:14-18.
背景杂波 篇3
通常情况下,运动的小型舰船的雷达反射截面积(Radar Cross Section,RCS)很小,其回波常常淹没在海杂波和噪声中,因此,研究海杂波中的目标检测技术在军用和民用方面都具有很高的应用价值,如何稳健、可靠地进行海杂波中微弱动目标检测(Moving Target Detection, MTD)成为雷达信号处理领域的热点问题[1,2]。
动目标检测(MTD)是一种应用广泛的雷达信号处理方法,它主要是通过在动目标显示(Moving Target Indication,MTI)系统的基础上,增加窄带滤波器组(即MTD滤波器),从而使之更接近于最佳(匹配)线性滤波,可以进一步改善雷达系统的信噪比,最终提高在复杂背景中检测目标的能力[3]。由此可以看出,窄带滤波器组正是MTD的核心,直接决定了MTD系统的性能。而快速傅里叶变换(FFT)则是窄带滤波器组在实现过程中常用的办法之一[4],当目标回波信号的频率等于FFT滤波器组的某一个中心频率时,系统输出的信噪比最大,检测性能最好,此时被称为“匹配状态”[5]。但是在实际过程中,目标回波信号的频率通常不等于FFT滤波器组的某一个中心频率,即系统工作在失配状态时,将会导致系统输出具有较高的副瓣电平[3,5]。在强杂波环境下,高副瓣电平将会造成大量虚警,虽然可以采用时域加窗的加权FFT来获得较低的副瓣电平,但是也会造成滤波器主瓣内信噪比的牺牲。针对这一问题,文献[6]提出了利用离散小波变换(Discrete Wavelet Transform,DWT)降低副瓣的方法,通过对FFT输出信号进行DWT处理,可以提高雷达处理增益(Processing Gain,PG),在整个频率范围内都能获得较好的检测性能。但是,文献[6]只是对5种常用的小波进行了讨论,并没有给出最优小波。而文献[5]则通过比较FFT输出信号在这5种不同小波、不同边界延拓模式下的PG值,得到了不同小波、最优边界延拓模式,并给出了最优小波。但是,文献[3]并没有建立相应的MTD模型,进行具体的仿真分析。
基于以上情况,本文针对海杂波背景下DWT在MTD中的应用展开了分析。首先介绍了MTD的基本原理,其次引入了在海杂波背景下利用DWT进行MTD时雷达的处理增益,最后利用仿真验证了采用该方法可以在输出端得到较低的副瓣电平。
1 MTD原理
如前所述,MTD就是在MTI的基础上串接窄带滤波器组[7],如图1所示。
其中,MTI的本质意义是基于回波多普勒信息的提取而区分运动目标和固定目标(包括低速运动的杂波等),即利用杂波特性滤除雷达回波中的杂波信号,从而显示出雷达作用范围内的运动目标[8,9]。其基本原理是:在同一距离单元中,如果同时存在运动目标、固定目标和地杂波时,因固定目标回波的多普勒频率为零,慢速运动的杂波中所含的多普勒频移也集中在零频附近,经相位检波后,输出信号将不随时间变化或随时间作缓慢变化。相反,运动目标回波经相位检波后,输出信号随时间变化较快。因此,若将同一距离单元在相邻重复周期内的相检输出做相减运算,则可以将固定目标、慢速杂波和运动目标区别开来。通常可以采用二脉冲和三脉冲对消器(又称为一次对消及二次对消)。系统框图分别如图2和图3所示。时域模型如下:
2MTI:
3MTI:
yMTI(t)=xMTI(t)-2xMTI(t-Tr)+xMTI(t-2Tr) (2)
式中:Tr为雷达信号的重复周期;xMTI(t)和yMTI(t)分别表示对消器的输入和输出。
根据匹配滤波理论,为了进一步抑制杂波,需要对回波相参脉冲串作匹配处理。这就必须知道目标的多普勒频移以及天线扫描对脉冲串的调制情况[10]。实际工作中, 多普勒频移不能预知, 因此需要采用一组相邻且部分重叠的滤波器组,覆盖整个多普勒频率范围,这就是窄带滤波器组。其实质就是相参积累。可表示为[11]:
式中:xFILTER(t)和yFILTER(t)分别表示窄带滤波器组的输入和输出;N为积累的脉冲数;wl是加权值。如果对于每一次回波,加权系数按如下规律变换:
wlk=exp(-j2πlk/N), k=0,1,2,…,N-1 (4)
式中:k表示从0～N-1的标记,每一个l对应于一组不同的多普勒滤波器响应。这也就是MTD处理。
其脉冲相应函数为:
频率相应函数为:
因此,可以采用两种方法来实现窄带滤波器组:一种是在时域采用FTR滤波器组实现;另一种是利用DFT或者FFT在频域实现滤波器组。图4是N=8时窄带滤波器的频响。本文采用的是FFT实现。
2 雷达处理增益
为利用DWT降低副瓣,进一步调高雷达处理增益,可以通过对FFT输出信号进行DWT处理,如图5所示。
假设FFT的输入信号为:
式中:Aexp(j(2πfn+θ))和N(n)分别表示对目标回波和海杂波进行MTI处理后得到的信号。则最大的处理增益为[5]:
式中:SNRIN和SNROUT分别表示FFT端的输入信噪比和DWT端的输出信噪比;g(n)为小波滤波器的系数;NFFT为FFT的长度,f′=NFFTf。
文献[5]中已经证明,利用Haar小波和db2小波可以有效地提高雷达处理增益,并且该方法在利用db2小波时在整个频率范围内都保持了较好的检测性能,是切实可行的。
3 仿真分析
在仿真过程中,雷达工作频率f0=10 GHz,调频带宽B=2 MHz,调频时长T=42 μs,脉冲重复周期Tr=120 μs,采样率fs=4 MHz,回波脉冲数为9,信噪比为-12 dB,杂信比为25 dB。目标与雷达之间的距离为R0=7.5 km,对应的回波时延为τ0=0.05 ms,目标的运动速度为v0=600 m/s,相应的多普勒为fd=45 kHz。MTI时采用的是二脉冲对消滤波器。对其进行MTD处理所得到结果如图6所示(通过选大,选择输出幅值最大的通道)。从图中可以明显看出其副瓣电平较高,不利于后期的恒虚警检测。而利用Haar小波和db2小波得到的结果如图7,图8所示。从图中可以明显看出,对MTD处理结果进行小波变换可以明显降低其副瓣电平。
4 结 语
针对海杂波背景下MTD中利用传统窄带滤波器组会产生较高副瓣这一问题,利用仿真实验验证了在MTD系统中采用DWT可以有效提高主副瓣比,从而提高后期的恒虚警检测能力。
参考文献
[1]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,2011,31(4):823-830.
[2]陈小龙,关键,刘宁波,等.海杂波FRFT域分形特征在动目标检测中的应用[J].海军航空工程学院学报,2010,25(6):611-616.
[3]贺坤,罗丰,王炜,等.MTD雷达中滤波器组的设计和实现[J].火控雷达技术,2006,35(3):57-59.
[4]刘雁行,汪学刚.基于ADSP-TS101的雷达动目标检测模块设计[J].现代电子技术,2007,30(5):66-68.
[5]简涛,何友,苏峰.基于FFT-DWT提高MTD检测性能的仿真分析[J].数据采集与处理,2005,20(4):411-416.
[6]NOONAN J P,MARQUIS D A.Radar processing gain im-provement over frequency using the discrete wavelet trans-form[J].IEEE Transactions on Aerospace and ElectronicSystems,1999,35(1):363-368.
[7]张永顺,童宁宁,赵国庆.雷达电子战原理[M].北京:国防工业出版社,2006.
[8]朱艳萍,宋耀良.MIMO雷达动目标检测的研究[J].现代电子技术,2010,33(19):8-14.
[9]李浩.SAR/GMTI雷达动目标检测方法研究与应用[J].中国雷达,2011(3):4-14.
[10]丁鹭飞,耿富录,陈建春,等.雷达原理[M].北京:电子工业出版社,2009.
基于DSP的雷达杂波模拟实现 篇4
雷达杂波通常指的是海杂波、地杂波及气象杂波等背景杂波，同时也包括箔条云团[1]。雷达杂波的模拟是实现雷达系统性能调试和测试时不可缺少的重要部分。但是由于杂波算法复杂，而且计算量很大，常常给杂波的模拟，尤其是实时生成带来很多的不便。随着现代电子技术和计算机仿真技术的飞速发展，使得解决这一问题正变得容易。本文从雷达杂波的分布特性出发，分析了低分辨率雷达杂波的幅度统计特性和功率谱特性，对低分辨率雷达杂波的产生方法进行了分析，并介绍了在一种以AD-SP-BF533为核心处理芯片的雷达模拟器系统上实现杂波模拟的具体方法。
1 杂波模型
通常，人们将各种类型的杂波用不同统计特性的随机过程来描述[2]，杂波的统计特性包括杂波包络的概率分布特性和杂波正交分量的相关特性两个方面。前者由杂波包络的概率密度函数来描述，后者由杂波的功率谱密度来描述[3]。对于低分辨率雷达，大量的理论分析和统计分析证明，地杂波、急速的云雨杂波、海杂波都可选用幅度服从瑞利分布、而功率谱为高斯型的杂波模型[4]。
随机杂波过程可用复信号表示为:
式中，xi(t)、xq(t)均服从独立高斯随机过程，杂波的幅度A(t)服从瑞利分布，其概率密度函数可描述为:
式中，σ是杂波的标准差(或均方差)，反映杂波强度。可以证明，任何高斯分布杂波实部和虚部均服从N(0，σ2)分布，且相互独立的包络为瑞利分布。
高斯型谱模型是一种最早提出的，也是各种文献中用得最多的杂波功率谱模型，它的归一化后的密度函数可以表示为
式中，fd为杂波的多普勒频率，代表杂波的平均多普勒频移，即杂波的平均速度;σf为杂波频谱的标准偏差，代表频谱展宽的程度。其中，σf=2σv/λ，λ为雷达波长，σv为杂波速度的标准偏差。σv的值只与杂波内部起伏运动的程度有关，与雷达波长无关，是描述杂波内部运动的物理量。
2 杂波模拟
根据现代信号理论，相关高斯序列可看作均值为0的白高斯序列作用于一数字滤波器时的响应[5]，为了使高斯随机序列具有希望的相关性，可以让高斯白噪声通过相应的线性滤波器，或者在频域上采用频率变换法[6]。采用设计滤波器的方法可以得到任意长度的相关序列，但当滤波器的阶数很高时运算量非常大;采用频率变换法所得到的相关序列长度受功率谱的频域采样点数限制，由于该方法具有很快的运算速度，而且可以通过数据拼接得到长的相关序列，因此本文在产生相关高斯序列时采用了频率变换法。
2.1 概率分布特性模拟
要模拟幅度分布服从瑞利分布的杂波，首先需要模拟产生高斯分布白噪声，这需要产生两路正交独立的标准正态分布随机数。根据变换抽样法可以得到由(0,1)均匀分布随机数产生标准正态分布随机数的计算公式为:
式中，g1和g2是两个相互独立的[0,1]均匀分布随机序列，经过计算，可知xi和xq是相互独立、服从分布的随机数。
对于正态随机变量X～N(μ，σ2)，如果有随机变量Y=aX+b，则:
由此就可以将标准正态分布随机数转换成任意均值和方差的高斯分布随机数。令xi和xq分别作为复数数据的实部和虚部，就可以得到幅度分布服从瑞利分布的复高斯白噪声。
2.2 功率谱模拟
根据随机过程理论，功率谱密度为Sx(w)的复平稳随机序列x(n)通过系统响应为H(w)的线性时，不变系统会得到复平稳随机序列y(n)的功率谱密度为:
假设x(n)服从N(0，σ2)的分布的复独立高斯白噪声随机序列，则Sx(ω)=σ2，代入上式有
选取一个适合的相位角函数(如线性相位)构造系统响应H(w)，令
对Y(ω)进行反傅里叶变换就可以得到满足地面杂波功率谱特性，且幅度分布为高斯分布的复随机序列y(n)。上式中X(ω)为输入白噪声序列x(n)的傅里叶变换。
相关高斯分布的杂波序列实现原理框图如图1所示。
2.3 杂波模拟结果
设雷达波长λ为5cm，杂波平均径向速度为25km/h，径向速度的标准偏差σv为1.2m/s，根据σf=2σv/λ可求得σf为48m/s。设采样周期T0为525μs，杂波多普勒频率为0，瑞利参数σ为1.2，高斯谱瑞利杂波的仿真结果如图2-3所示。可以看出，产生的杂波数据符合幅度为瑞利分布，功率谱为高斯谱的要求。
3 系统设计与实现
某型雷达信号模拟器在设计时，采用了ADI公司Blackfin系列的高速数字信号处理器芯片ADSP-BF533作为主控芯片。ADSP-BF533拥有16位定点DSP内核，新型指令结构。该芯片支持C/C++编程，内核时钟最高可达600M，外部总线时钟最高可达133M。BF533内部集成了2个16位乘法器/累加器MAC，主频600MHz，每秒可以完成1200M次的乘加运算;外部配置了多种外设接口，如外部总线接口单元EBIU、并行外设接口PPI、串行外设接口SPI、串行端口SPORT、定时器TIMER、通用异步收发端口UART、可编程标志位PFx等，可以方便地与外部进行数据交换，尤其是它的PPI和SPI端口，能够与上变频芯片实现无缝连接，大大简化了外围电路的设计;这些接口中除了TIMER和PFx，其余均支持直接存储器访问DMA模式，意味着它们与外界进行数据交换可以不通过内核[7]。
3.1 硬件电路组成
系统回波生成模块硬件电路结构采用DSP+双路DUC结构，整个电路分为DSP模块与DUC模块两部分，其原理框图如图4所示:
DSP模块的组成部分主要包括高速DSP芯片ADSP-BF533、数据存储器、两个程序存储器、USB接口电路、网卡接口电路、JTAG调试端口、两个PF中断、通用异步串口RS232和两路同步串行端口SPORT。USB接口负责主板与上位机之间的数据通讯，接收上位机发送的指令和信号参数，反馈信号生成模块的目标状态信息。
双路DUC模块主要由三部分组成:CPLD逻辑控制电路、两路数字上变频器AD9857[8]和两路数控衰减器。
CPLD逻辑电路主要完成两大功能:一是对主板PPI端口发送的数据进行分离、存储，并按照两路DUC芯片各自的时序送出对应的数据;二是产生双路DUC正常工作时所需的控制信号，使得DSP可以随时通过SPI端口读取或改变板上芯片的工作状态。
数字上变频器负责将DSP计算的数字视频信号，上变频到中频，输出中频的模拟信号。最后送到数控增益放大器，经增益调整后输出预期的中频信号。
3.2 系统软件设计
雷达回波模拟的DSP程序流程如图5所示，DSP运行初始化程序后，将进行DSP时钟、端口等硬件的初步配置。完成后DSP打开UART中断申请，接收天线轴角转换电路的雷达天线角度信息，并向上位机反馈主板初始化状态和天线角度信息，等待上位机的回波模拟参数。DSP通过查询方式接收上位机的参数，当USB接口的接收缓冲区中有数据时，DSP从指定地址读入回波模拟数据并进行工作参数预处理工作。
由于杂波的实时模拟过程中，DSP首先依据雷达的距离分辨率建立不同的距离单元，并在各距离单元内产生杂波的幅度和相位序列。在运算过程中每个距离单元都可以看作是一个点散射源。将产生的杂波序列建成杂波数据表格，放入模拟器的存储器SDRAM中。每一个距离单元上的杂波序列存储时，实部和虚部将分开存放，以便于输入时调用。其存储格式为Re-data[2×N]，Im-data[2×N]。
但是由于系统采用的是定点型DSP，在进行浮点运算时，如果数据量较大，将耗费很大的时间。经计算DSP仅产生1000组的符合高斯特性的噪声就需要2846765个周期，约为4.7ms，远远大于雷达的主脉冲重复周期。所以本文采用预处理和实时处理相结合的办法，预处理阶段在DSP初始化阶段来完成，这样实时处理就变成了一个查询过程，速度较快，能够保证杂波产生的实时性。
实时模拟时，雷达主脉冲是回波数据计算和发送的时间基准。DSP程序设置了雷达主脉冲中断，当有雷达主脉冲中断产生时，执行回波数据的计算与发送程序。DSP根据上位机传递的雷达杂波的起始结束距离单元、起始结束角度等表征杂波区域的参数来调用杂波数据。中断产生时，DSP的其他工作还包括:根据目标航迹参数计算目标的距离延时，多普勒频移等信息，实时生成满足目标运动特性的目标回波信号;根据干扰信号类型等参数生成干扰信号。最后根据杂波区域参数将目标回波、干扰和杂波数据进行叠加并存储到指定的存储区。在回波计算的同时，将DSP的存储区中的上一个回波数据通过PPI端口发送给双路DUC。数据从AD9857的14位并口输入，分成两路进入器件的数据通道进行正交上变频。最后，经过14位的DAC数模转换后输出中频模拟信号。
图6为系统输出的一段中频模拟信号，其中目标为一个低速目标，而杂波起始位置为16000m，跨度为3000m。杂波与真实目标同方位，信杂比为3dB。
4 结束语
经过试验表明，该杂波信号产生方法结合某型雷达模拟器能够为被测雷达提供高斯瑞利谱的杂波环境。系统采用通用的点杂波模型来模拟杂波数据，能够在指定的时间或区域内产生具有一定强度的杂波，实时性较好，能够满足一般MTI、MTD体制雷达的测试和检测需求。目前该方法已成功应用于某雷达模拟器中。
摘要：从雷达杂波的分布特性出发,分析了低分辨率雷达杂波的幅度统计特性和功率谱特性,并依据其分布特性对低分辨率雷达杂波模型进行了建立,同时为了降低杂波仿真计算量,采用频率变换法给出了杂波模拟的具体算法及仿真结果。最后结合某型以ADSP-BF533为核心处理芯片的雷达模拟器,进行了相应的软件设计,实现了高斯瑞利谱杂波回波输出。仿真结果表明,杂波模拟实时性较好,能够满足一般MTI、MTD体制雷达的测试和检测需求。
关键词：DSP低分辨率雷达,杂波模拟,分布特性
参考文献
[1]倪汉昌.雷达杂波建模与仿真技术[C].2005全国仿真技术学术会议论文集.北京机电工程研究所.
[2]G Richard Curry.Radar System Performance Modelling:Second E-dition[M].Artech House,2005.
[3]沈慧芳.雷达杂波仿真机电路板的自动测试方法研究[D].西安电子科技大学,2007.
[4]温玉.雷达无源干扰建模和杂波抑制方法研究[D].电子科技大学硕士学位论文,2005.
[5]朱灿焰,何佩艰.相关杂波的AR模型及其研究[J],现代雷达,1998,10(5):36-38.
[6]米切尔RL.雷达系统模拟[M].7版.陈训达,译.北京:科学出版社,1982.
[7]ADSP-BF533 BlackfinTM Processor Hardware Reference[Z].Ana-log Devices Inc,2003.
海杂波复合K分布模型的参数估计 篇5
大量实例表明, 当雷达分辨力较低或在大的观测角下, 海杂波的幅度分布可用瑞利分布表示, 但在高分辨率雷达低擦地角情况下, 海杂波的幅度分布不再服从瑞利分布, 此时可用对数正态分布、韦布尔分布等来拟合。但对窄脉冲雷达的测量与分析发现海杂波幅度会出现很长的拖尾情况, Jakeman和Pusey第一次将K分布模型[1]用于海杂波模型研究。
针对海杂波K分布模型, 为能得到精确的统计模型, 其关键在于对模型的参数进行最优估计。目前常用的有效估计方法包括最大似然法、矩估计法[2]、神经网络估计法等。其中最大似然法的精度最高, 但其模型解析式较难获得。而神经网络法估计结果虽精确, 但收敛时间较长, 需要多次迭代, 不适用于实时计算。因此在工程上大都采用运算相对简单、适用性较广的矩估计法, 它计算简单且能达到一定的精度。国外的V.Anastassopou los等人提出了高阶矩估计法估计参数[3], 而这些方法仅仅是在矩估计的基础上, 对多参数进行优化, 并没有从根本上解决全局搜索的非线性问题。因此本文将从不依赖于非线性模型表达式的参数估计出发, 寻求一种解决海杂波模型参数估计的方法。
遗传算法 (GA) 是模拟遗传选择和生物进化过程的计算模型, 是基于自然选择和基因遗传学原理的有导向随机搜索算法。同时它具有全局搜索能力强、计算简单、鲁棒性强、并行处理及高效实用等显著特点。本文在两参数的K分布参数估计过程中, 建立非线性最优化模型, 利用GA对杂波幅度模型的参数进行优化计算, 并用Matalab实现了所提出的方法。
1 K分布参数估计
1.1 复合K分布模型
复合K分布模型是基于广义Gamma分布模型提出的复合分布模型的一种应用[4]。在这种模型中, 海杂波回波的幅度被描述为两个因子的乘积, 第一部分是斑点分量 (即快变化分量) , 它是由大量散射体的反射进行相参叠加而成的, 符合瑞利分布。第二部分是基本幅度调制分量 (即慢变化分量) , 它反映了与海面大面积结构有关的散射束在空间变化的平均电平, 具有长相关时间, 服从Gamma分布。
K分布的概率密度函数为:
式中:Γ (·) 为Gamma函数, Kv-1 (·) 为v-1阶第二类修正Bessel函数, a为尺度参数, v为形状参数。对于大多数海杂波, 形状参数的取值范围为0.1<ν<∞, 当ν→∞时, 杂波的分布接近于瑞利分布。而对于高分辨率低擦地角的海杂波ν的值在0.1到3之间。图1、图2给出了K分布概率密度随尺度参数a、形状参数v的变化情况。
1.2 统计量估计法
由K分布模型表达式可得K分布的r阶矩如下式所示:
由Gamma函数的性质:
可得:
由式 (4) 可知, 矩估计法只需计算多组zr。而对于实测海杂波观测样本{xi;i=1, 2, …, N}, 其K分布的k阶样本矩为:
用随机样本矩代替总体矩, 并进行反变换即可求取参数a和v。
1.3 最小误差逼近法
最小误差逼近法是采用误差最小的原则[5]来确定K分布的两个参数。海杂波序列xi的实际分布频率Fi定义为组距内海杂波出现次数Nvi与海杂波序列长度Ny的比值为:
若记第i个海杂波的K分布模型概率密度值为fi, 定义目标函数:
根据实测数据取Ny=900, 对于给定任意ε, 需要满足此方法的流程如图3所示, 通过迭代得到K分布的两参数a和v。
2 遗传算法参数估计
2.1 遗传算法基本原理
遗传算法 (GA) 是一种以自然选择和遗传理论为基础, 将生物进化过程中适者生存规则与群体内部染色体的随机信息交换机理相结合的搜索算法[6]。遗传算法把问题的解表示成染色体, 在算法中即是以二进制编码串。并在执行遗传算法之前, 给出一群染色体, 即是假设解。然后把这些假设解置于问题的环境中, 并按适者生存的原则, 从中选择出较适应环境的染色体进行选择, 再通过交叉、变异的过程产生更适应环境的新一代染色体群。通过不断的进化, 最后收敛得到最适应环境的染色体, 即问题的最优解。
2.2 遗传算法参数估计步骤
遗传算法流程如图4所示。其过程包含:
1) 设定终止条件、交叉概率和变异概率。
2) 编码:将a1, v1, …, ak, vk按各自需要的精度用二进制串表示, 然后将其连接成一个单一的L位二进制串。
3) 产生初始种群:随机产生n个L位的二进制串。
4) 确定适应函数:参数搜索范围可以选择参数的经验区间[7], 针对高分辨率低擦地角的海杂波的情况, 文章中参数搜索范围选用经验区间[0, 5]。适应度函数的选择是遗传算法用于参数估计的重点, 好的适应度函数可以减少计算量以及计算时间, 确保得到全局最优的搜索结果。并计算初始种群每个染色体的适应度值和适应度概率。
5) 产生子代个体:根据适应度概率从种群中选择S个染色体进行交叉和变异, 产生子代个体。
6) 选择:将适应度概率最大的个体作为当前最优个体, 并保留;本文直接选取交换后的群体中具有最大适应度的前N个个体作为下一代进行繁殖。这一步骤的存在使得当前群体是所有搜索过的解之中最优的前N个的集合。
7) 交叉:以概率fi/∑fi从种群中选出n个串 (父串) , 以概率pc (交叉概率) 在一随机位置进行交换, 按它们的适应值从大到小排序, 取前面一半为新一代解群。
8) 变异:在新的种群中挑出一个个体, 在一随机位置进行变异。在群体中随机选择一定数量个体, 对于选中的个体以概率pm (变异概率) 随机地改变串结构数据中某个基因的值。计算子代个体的适应度值和适应度概率。
9) 判断是否满足要求, 若满足结束算法, 否则转5) 继续。
2.3 遗传算法的改进
为改善遗传算法的实际性能[8], 将从编码方案、适应度函数标定等方面入手进行算法改进。
编码是遗传算法应用需要解决的首要问题, 也是设计遗传算法的一个关键步骤。编码的好坏直接影响算法中选择、交叉、变异等遗传运算。传统的编码采用二进制0、1字符构成的固定长度串, 它的缺点之一是具有较大的汉明距离, 因为在某些相邻整数的二进制代码之间有很大的差别, 比如用4位二进制编码7和8时, 分别为0111和1000, 此时若要实现从7到8的改变, 必须改变所有编码位, 这种缺陷使得遗传算法的交叉和变异难以跨越, 降低了遗传算法的搜索效率。
为此本文采用格雷码, 使得相邻整数之间汉明距离都为1, 能有效避免这一缺陷。格雷码的特点是任意两个连续的整数所对应的编码之间仅有一位编码不同, 其余均相同。把二进制码b1b2…bn转换成对应的格雷码a1a2…an, 采用下式完成变换任务:
经仿真表明遗传算法采用格雷码具有提高遗传算法的局部搜索能力、利于实现交叉、变异等遗传操作、符合最小字符集编码原则以及便于利用模式定理对算法进行理论分析等优点。
同样, 适应度函数的标定也是整个算法的关键。适应度函数是根据目标函数确定的用于区分群体中个体好坏的标准, 是进行自然选择的唯一依据。因此在函数的设计上必须满足计算量小、通用性强等原则。为此本文中选择实测数据密度函数曲线与理论模型概率密度函数之间距离的倒数为适应度函数。此外, 为避免收敛过早和除法运算出错, 在分母上进行加1处理, 如下式所示:
3 仿真研究
3.1 仿真结果
实验海杂波实测数据来自CSIR (The Council for Scientific and Industrial Research) 组织的网站http://www.csir.co.za/small_boat_detection/mtrials02.html, 提供的数据已被归一化成标准的数据。
算法中编码长度L将决定解的精度, 仿真中兼顾运算量, 选择L=16。初始种群N取值较小虽然可以提高算法速度, 但是容易降低种群的多样性, 容易引起算法早熟, 出现假收敛, 文中选取N=60。不同于传统优化方法, 遗传算法很难明确地搜索终止准则, 因此需要最大代数T来终止算法, 根据多次实验数据收敛结果, 终止进化代数T=50。图5是海杂波数据用改进遗传算法对K分布模型参数进行估计的适应度值和种群平均值的变化情况, 从中可以看出在起始的1~20代中, 适应度值以及种群平均值快速收敛, 而在其后的20~50代中两者变化缓慢直至平稳, 此时算法终止, 得到最佳适应度。
为体现改进遗传算法用于海杂波K分布模型参数估计的有效性及适应非线性系统模型的优点, 实验分别采用矩估计法、最小误差逼近法以及改进遗传算法进行参数估计并分析研究。图6是改进遗传算法得到的优化曲线与实测数据, 图7是矩估计法得到的优化曲线与实测数据, 图8是最小误差逼近法得到的优化曲线与实测数据。
摘要：海杂波幅度分布特性对雷达海面目标检测与识别、信号处理以及性能评估均有重要意义。在高分辨率雷达中, 复合K分布模型对海杂波的实测数据具有很好的拟合效果。采用粒子群优化算法进行海杂波模型的参数估计, 重点研究粒子群算法中的惯性权重和学习因子的选择以及边界问题的处理, 并利用CSIR组织公布的雷达实测数据进行仿真, 估计结果通过均方差检验评估参数估计效果, 结果表明:粒子群优化算法具有良好的适应性和估计精度, 验证了改进算法的有效性。
关键词：雷达,海杂波,K分布模型,粒子群优化
参考文献
[1]Jakeman E, Tough R.Generalized K distribution:a statistical model for weak scattering[J].Journal of the Optical Society of America A, 1987, 4:1764-1772.
[2]胡文琳, 王永良, 王首勇.基于Zlog (z) 期望的K分布参数估计[J].电子与信息学报, 2008, 30 (1) :203-205.
[3]姜斌, 任双桥, 黎湘, 等.一种新的高分辨雷达杂波模型参数估计方法[J].现代雷达, 2007, 29 (5) :14-18.
[4]Anastassopoulos V, Lampropoulos GA.Generalized radar clutter model[C]//Proc.of the IEEE National Radar Conference, 1994:41-45.
[5]陈继传, 段巍, 叶芳风.电场风频weibull分布参数的估计方法研究[J].机械设计与制造, 2011, 3 (3) :201-203.
[6]陈国良, 王煦法, 庄镇泉.遗传算法及其应用[M].北京:人民邮电出版社, 1996.
[7]朱玲, 江朝抒, 陈祝明, 等.基于矩估计的遗传算法杂波幅度模型参数估计[J].现代雷达, 2009, 12 (12) :53-56.
一种基于环境感知的杂波抑制方法 篇6
关键词：环境感知,杂波抑制,自适应
1 引言
情报雷达在国土防空担负着重要的作用。情报雷达常部署在沿海、城市边缘、沙漠等环境恶劣的地区, 面临复杂多变的杂波环境。大量研究和工程实践针对不同的杂波环境提出了各种多普勒滤波和恒虚警方法。传统的情报雷达在工程上多固定选用一种固定处理策略完成探测范围内的杂波抑制与目标检测。为应对雷达探测范围内复杂多变的杂波环境, 多采用人工设定的方法在不同区域选用不同的杂波滤波目标检测策略。存在选用的杂波抑制策略与杂波环境不匹配, 导致杂波虚警率上升, 雷达探测性能下降的风险。
本文基于环境感知, 对旧雷达的MTI和恒虚警处理进行改造, 实现杂波抑制算法的自动选择, 获取雷达工作过程中目标发现概率和虚警率的最佳平衡, 最终实现雷达在复杂多变环境下的自动录取, 如图1所示。该方法工程实施简便、成本低, 方便对旧雷达进行改造。
2 MTI
当今的军用防空雷达和民用空中管制雷达都依靠目标运动的多普勒频移, 将较小的目标回波从强杂波中分离, 即动目标显示技术 (MTI) 。从成本考虑, 情报雷达多采用多脉冲积累技术以获得远距离探测的信噪比, 从而降低单脉冲所需能量。但是, 如果采取MTI对消则没有信噪比积累得益, 与多脉冲积累存在工程矛盾。工程实现中多在近区采用MTI技术抑制地物杂波, 远区采用多脉冲积累技术。但当情报雷达部署海边时, 强空气对流、湍流等因素引起的气象杂波在不同的时间出现的不同的位置, 需及时调整MTI对消区。
本文通过建立杂波轮廓图, 通过杂波强度的变化, 获取杂波在雷达威力范围内的空间分布, 从而自动调整MTI的对消区。
其中为雷达回波的模值, T为杂波幅度门限。
根据上述杂波强度的判断, 可简单获取杂波在雷达覆盖区域内的分布情况, 从而针对杂波区采用MTI对消, 实现杂波抑制与雷达威力的平衡。
3 恒虚警处理
恒虚警率 (CFAR) 处理是雷达信号处理的重要内容之一。恒虚警处理方法利用噪声环境下雷达虚警率只与噪声的方差有关, 与噪声强度无关, 其本身就是基于环境感知的算法。
工程实践过程中对恒虚警方法进行的大量的改进, 针对不同的杂波分布模型提出了对数-正态分布CFAR, 韦布尔分布CFAR等;针对的杂波背景分布提出了CA、CA、GO、SO、OS、ML等CFAR;另外不同的参考单元的选取方法也直接影响CFAR的背景统计与性能。上述不同恒虚警方法的检测概率和虚警率存在不同, 给工程上的选用带来困难。
本文通过比较不同恒虚警方法统计的杂波背景, 选择符合当前杂波环境的CFAR方法。以长短两种CFAR参考窗背景估计方法的选取为例, 公式如下。
其中μcfar为自适应选择后的CFAR背景, μs为短参考窗估计的背景值, μl为长参考窗估计的背景值, S1为CFAR背景自适应选择的准则。通过上述公式对不同CFAR背景估值的判断, 可实现不同杂波环境下的CFAR背景选择。
上述恒虚警处理方法基于杂波随距离变化平稳的模型, 对于随空间或距离变化十分剧烈, 但随时域比较平稳的杂波情况, 工程上需要采用时间恒虚警即杂波图技术进一步降低雷达虚警率, 杂波图的损失随着目标在杂波单元停留次数逐渐增大, 如图2所示。为减小这种损失, 需要采取基于环境的感知, 使得杂波图只在杂波区起效。
其中μcmap为杂波图方法估计的背景值, μcfar为CFAR估计的背景值。S2为杂波环境下两种背景估计方法的选择准则。通过上述公式对杂波环境进行判断, 使得杂波图尽可能的只在杂波区起效, 实现雷达目标发现概率和杂波虚警率的最佳平衡。
4 试验验证
采用某情报雷达的实录数据对算法进行验证。该情报雷达为S波段低空探测三坐标雷达。根据雷达回波建立的杂波轮廓图如图3 (a) 所示, 根据公式 (1) 对杂波区进行判断, 可获得MTI对消区如图3 (b) 所示。
利用实录数据根据公式 (2) 统计杂波区和非杂波区长短两种CFAR参考窗的背景值分布如图4所示。根据仿真统计, 非杂波区96.6%的概率选择长参考窗CFAR背景, 杂波区64.4%的概率选择短参考窗CFAR背景。
利用实录数据根据公式 (3) 统计杂波区和非杂波区杂波图背景估值的分布情况如图5所示。根据仿真统计, 非杂波区91.9%的概率不选择杂波图背景, 杂波区83.2%的概率选择杂波图背景。
采用基于环境感知的杂波抑制方法后的雷达画面如图6所示, 杂波虚警率10-5目标损失1%, 验证证了该方法的有效性。
5 结论
本文基于环境感知, 实现雷达工作过程中杂波环境变化的动态获取, 从常规的MTI、CFAR和杂波图等杂波抑制与目标检测环节, 实现算法的自动选择, 最终实现情报雷达杂波的自适应抑制与自动录取。该方法工程实现简便, 成本低, 具有一定的工程价值。为进一步提高下一代情报雷达对杂波的自适应能力, 可结合数字地图和动态环境数据库等技术实现雷达对杂波环境的认知。
参考文献
[1]马晓岩, 向家彬, 朱裕生等.雷达信号处理[M].长沙:湖南科学技术出版社, 1999.
[2]JOSEPH R.GUERCI著, 吴顺君, 戴奉周, 刘宏伟译.认知雷达-知识辅助的全自适应方法[M].北京:国防工业出版社, 2013.
[3]Baldygo, W., et al., Artificial Intelligence Applications to Constant False Alarm Rate (CFAR) Processing[J].IEEE, 1993:275-280.
背景杂波 篇7
1 机载雷达杂波的建模
由于受雷达距离与频率分辨能力的影响,常将机载雷达波束照射的地面区域沿等距离-多普勒线二维区域划分成网格状单元,即网格映像法[1,2],由Jao J K和 Goggins W B在20世纪60年代末提出。此方法需假设近距离内地球表面是相对平坦的[3],同时考虑天线方向图、PRF、脉冲和距离门形状、距离模糊、频率模糊以及雷达信号处理过程等因素,可以计算任意距离-多普勒单元的杂波功率,是一种较为通用的机载PD雷达地面杂波仿真方法。
距离机载雷达为R的球面与地面相交的圆,就是等距离圆[4],圆心是载机在地表的垂直投影,半径
回波多普勒频移fs;载机速度矢量vR;雷达波长λ;散射体视线与载机航向之间的夹角ξ之间的关系式如下
fs=2vRcosξ/λ (2)
多普勒频率单元δf与脉冲重复频率fr和脉冲串的脉冲数目N的关系式
δf=fr/N (3)
多普勒频率相同的回波信号来自一个圆锥体,该圆锥体顶点为雷达载机,对称轴心为载机航向,它与地面相交得到等多普勒线,相邻两个等距离圆与相邻等多普勒线围成网格,每个网格单元是一个杂波单元,这就是网格映像法的划分方法[5]。如图1所示,载机以与X轴夹角ξ的速度V飞行,速度矢量与载机高度线所在平面为XOY平面,任意网格单元A的多普勒频移fd,O到A矢量的连线与XOY平面的夹角即俯仰角为θ,A在XOY平面的投影与X轴夹角即方位为ϕ,网格单元A与速度矢量夹角为β,有关系式
cosβ=sinξsinθ+cosξcosθcosϕ (5)
由式(5)可知,飞机的飞行姿态决定了等多普勒线的形状。确定状态下某一频率的功率σc(R0,f0)等于该频率的多普勒环所跨越的所有网格带来的功率之和[2]
式(6)中,Pr为平均发射功率;λ为雷达信号波长;L为系统损耗;G(θ,ϕ)为天线增益;θ为俯仰角;ϕ为方位角;Rm为网格单元的距离;fn为网格单元的多普勒频率[6],而面积积分
式(7)中,dA为Rm与fn对应的网格单元的面积;σ0为网格单元的后向散射系数。又有[5]
关于式(9)的解法要涉及到一系列的变形[5],在这里就不具体介绍了。由C(r,v)可以得出D(Rm,fn),继而得到杂波功率谱σc(R0,f0)计算的闭合解。
2 杂波的仿真与改进
由式(6～7,9),并根据图2中所示仿真流程可得出整个雷达作用区域杂波单元的功率谱,如图3所示。
2.1 杂波仿真
根据上述原理,假设电磁波是在标准大气状态下传播,视地球表面为平面,设定载机水平飞行400 m/s,高度8 km,雷达工作频率10 GHz,脉冲重复频率为5 kHz,FFT点数为64,考虑距离和频率模糊,最大作用距离为120 km,天线方向图采用辛克函数模型,地杂波后向散射系数模型采用修正的等γ模型[1]
仿真流程图如图2所示。
仿真输出如图3所示。
通过理论计算,天线主瓣中心位置的距离和多普勒频移分别为
H1=H/sinθ=17 040 (11)
因为存在多普勒频率模糊
f1>PRF,f1 mod PRF=2 846 (13)
由式(14)和式(15)可看出,距离和频率误差均小于距离和频率分辨单元,所以图3中的仿真结果与式(1)和式(3)的理论值基本吻合。仿真在处理器为Dual-Core2.5 GHz,2.0 GB内存的计算机上进行,计算0～120 km距离范围内的杂波需要运行19.8 s,不能满足快速仿真的需要。
2.2 杂波分析与查表法
在杂波仿真中,导致速度慢的最大因素就是计算量。设机载雷达最大作用距离为Rmax;杂波不模糊距离为Ru;距离单元宽度为ΔR;最大多普勒频率为fmax;不模糊频率为fu;多普勒单元宽度为Δf;杂波脉冲重复周期为T。则用距离-多普勒地面单元划分法划分网格单元,1 s的仿真时间需要划分的杂波网格单元个数N为[6]
将2.1节中的杂波仿真参数代入式(16)中,可得N=1.365×109。其中,后向散射系数、天线响应、网格单元面积积分等运算在循环中大部分是重复运算,影响了运算效率。因此引入查表法。
通过输入变量找到存储向量中对应的函数入口,就是查表法[1]。首先将区间(a,b)分成N个相等的增量,并且从各增量的分布函数中选取一个典型随机采样值[6],如图4所示。
图4中,f(x)为任意函数。设u是(a,b)上的均匀采样,因为与u的每个增量相对应的点,其概率均为(b-a)/N,所以,可以通过计算N×u的整数值产生该表格的随机入口p,p=0,…,N-1。
因此在对函数做表格存储时,将自变量均匀分割,只要自变量个数N选取合适,那么需要调用该函数的某个函数值时,只需将输入的自变量乘以相应的某个系数就能找到需要的函数值,而且保证了精度。
2.3 快速算法
根据查表法原理,可预先将增益函数G2(θm,ϕn)+G2(θm,-ϕn)、杂波面积积分D(Rm,fn)和后向散射系数σ0分别存储为二维查找表以0省去重复计算,提高仿真速度。
杂波增益G2(θm,ϕn)+G2(θm,-ϕn)由天线主波束方位ϕ0,天线主波束俯仰θ0和天线主瓣宽度ϕ3 dB、θ3 dB决定,可建立ϕ0与θ0为0时的G2(θm,ϕn)+G2(θm,-ϕn)表,以ϕn-ϕ0、θm-θ0为入口实现查找,其中,ϕn为杂波单元方位角;θm为俯仰角。网格单元面积积分D(Rm,fn)与飞行速度v和高度H有关,以距离单元Rm、多普勒频率单元fn为入口;杂波后向散射系数σ0表格以擦地角θ为入口。
2.4 仿真结果
图5是雷达杂波功率谱快速仿真的流程图。
仿真输出如图6所示。
图6快速算法的参数设置与计算机载体的设置与2.1节中相同,从图3和图6可以看出,它们的输出结果相同,但图 6所耗平均时间为0.306 4 s,提高了
3 结束语
研究了以网格映像法为基础的杂波功率谱仿真的距离-多普勒单元划分的算法,在Matlab下对地面杂波信号进行计算,实现对地杂波功率谱的仿真,并引入了以预先存储必要数据为条件的查表法,大幅提高了仿真速度,从而实现了杂波的快速仿真,有一定的实用价值。
摘要：机载下视雷达的地杂波具有功率大、频域宽、范围广等特点,其在计算机仿真中占用大量资源,耗时较长。为解决这一问题,文中采用基于网格映像的距离-多普勒单元划分的积分方法求杂波功率,并在此基础上引入了一种快速实时的仿真算法。该算法对天线增益、后向散射系数、网格单元面积等数据预先进行量化存储,在计算时用查表法精确快速地读取数据,节省了大量运算单元,提高了仿真速度,满足了快速实时仿真的要求。
关键词：机载雷达,地杂波仿真,网格映像法,快速算法
参考文献
[1]MITCHELL R L.Radar signal simularionm[M].北京:科学技术出版社,1982.
[2]程爱军.雷达回波信号模拟与仿真[D].南京:南京理工大学,2004.
[3]JAO J K,GOGGINS W B.Efficient closed-form computa-tion of airborne pulse-doppler radar clutter[C].IEEE In-ternational Radar Conference,1985:17-22.
[4]刘占军.机载脉冲多普勒雷达回波模拟研究[D].西安:西北工业大学,2006.
[5]柏利.PD雷达干扰环境模拟研究[D].南京:南京理工大学,2004.