目标干扰（精选5篇）
目标干扰 篇1
摘要：介绍了烟幕干扰条件下目标区域提取的总体思想及基本流程.在可识别的阈值范围内,对烟幕遮蔽下的目标进行图像增强等预处理后,采用小波多分辨分析、分形布朗随机模型及局部区域熵的计算来提取特征向量,从而判断目标所在区域.最后采用最佳熵阈值分割法将目标区域从烟幕背景中分割出来.实验证明,该方法效果明显,是对烟幕干扰条件下目标探测与识别的关键一步.
关键词：烟幕干扰,图像增强,小波分析,分形特征向量,目标区域分割
当目标被烟幕干扰时,目标的红外辐射会由于烟幕的干扰而衰减,从而使红外成像探测设备无法判断目标所在的区域,即便目标被烟幕干扰后的透过率在可识别的阈值范围内,由于捕捉到的图像中烟幕的红外辐射大于或与目标的红外辐射接近,仅仅依靠热像图进行简单的阈值判别也很难将目标区域从复杂的烟幕背景中区分出来.通过小波多分辨率分析后综合提取图像的分形特征向量和局部区域熵的特征值来判断目标所在区域并通过最佳熵阈值将目标区域分割出来.这样既克服了分形模型在单一尺度下,区域特征不确定性明显和随机性与稳定性差的局限性,又实现了在可识别阈值范围内对烟幕干扰下的目标区域的有效提取.
1 图像预处理及小波多分辨率变换
由于烟幕的干扰效应使目标图像的照度减弱、被观察到的物体表观的信噪比减小,而且还会造成目标图像照度的不均匀变化,从而使系统的跟踪误差信号发生改变,使系统的探测识别能力减弱.所以,对烟幕干扰下的目标进行识别首先要判断视频流图像中,每一帧图像烟幕透过率是否在可探测识别的阈值范围之内.对于烟幕干扰下透过率大于15%的图像,就要经过图像增强等预处理后,采用小波、分形和区域熵的理论对图像进行联合特征向量的提取估算,进而确定最佳熵阈值,对图像进行目标区域的提取.对烟幕干扰条件下目标区域提取的基本流程如图1所示.
1.1 烟幕干扰条件下图像的增强处理
为了避免红外成像设备得到的图像由于数据的剧烈变化导致局部灰度相当集中,并突出烟幕遮蔽条件下目标与背景的分辨率,需要对图像进行增强等预处理.主要采用图像空域内的对比度自适应直方图均衡化(如图2所示)和频域内的同态滤波(近高斯型高通滤波器和同态滤波器滤波示意图如图3所示)的方法对图像进行增强处理[1].图像增强处理前后的效果对比如图4所示.
1.2 基于小波多分辨率分析的图像特征提取
对于复杂形态烟幕的分析,需要应用小波多分辨分析,通过从大到小不同尺度的变换,在越来越小的尺度上观察到越来越丰富的细节.在多尺度情况下,烟幕的分形参数在一定尺度范围内能保持相对稳定,而人造目标的分形参数随尺度的不同会有显著变化,为突出烟幕和人造目标的分形特征随尺度变化的差异,采用多分辨空间下的特征参量可将烟幕区域与人造物的目标区域区分开来[2].
小波变换能够实现图像的多尺度分解,使得图像的任意细节都能够被观察到.设图像f(x,y)∈L2(R2)在分辨力2j下的近似等于在空间Vj的正交投影,可以表示为
式中,Ljf表示在分辨力2j上的低频逼近图像;H1jf、H2jf、H3jf分别表示以分辨力2j观察时,图像在不同频段的水平方向、垂直方向和对角方向的小波系数图像,它们分别表达了3个尺度下图像的高频信息.
红外图像的纹理区域含丰富的高频成分;平滑区的低频成分多.而红外目标通常表现为平滑图像,能量集中在低频区域,而烟幕区域则表现为不同的纹理图像,含有比较多的高频成分.所以采用小波多分辨变换后的低频近似图像的分维作为分形特征,采用高频分量作为图像区域特征参数实现辅助判断与决策,这样即减少了计算量,又可以抑制图像中的高频噪声对分维估算的影响.对红外烟幕干扰下的图像进行单层二维小波多尺度分解并对结果作对比度自适应直方图均衡化后的图像及直方图如图5和图6所示.
从图5、图6的分解结果看到小波分解的低频逼近图像保留了原始图像的平滑特征,并且消除了高频噪声的影响;而高频图像则使图像的细节特征得到了明显的加强,为目标区域的判断提供了依据.
2 联合特征向量的提取
经过单层小波二维多分辨率变换后,下面将结合图像低频逼近图像和有明显特征的细节图像,应用分形布朗随机场的理论,提取烟幕干扰下图像的分形维数、分形拟合误差和局部区域熵等联合特征向量,以此来确定烟幕干扰下的目标区域.
2.1 分形特征向量的提取
设一幅M×N的图像,其中M=2m,N=2n,对其进行一次单层小波分解,得到一幅低频近似图像Lf,此时图像大小为2m-1×2n-1,令M1=2m-1,N1=2n-1,并设图像灰度值为f(x,y),则由式(2)可得出[3]
undefined
令:△Ir=|f(x2,y2)-f(x1,y1)| (3)
undefined
则有:E(△fr)=K·rH (5)
等式两边取对数
lg[E(△fr)]=H×lg(r)+c (6)
其中c为常数,则
式中,r为以区域像素坐标值大小为半径的球形结构元素对图像进行膨胀处理后的像素点与区域中所有像素点对之间的距离而构成的矩阵.
这样,对每一个像素点对的距离r,便得到一对数据(lg[E(△fr)],lg(r)).再通过最小二乘法对所有距离对应的数据进行拟合,就得到该图像对应的H,由Ds=3-H得到该图像的分形维数.同时也可求得相应的分形拟合误差,其计算公式为
undefined
分形拟合误差反映了分形模型对于灰度图像的适应程度.红外烟幕作为一种类自然物在一定的尺度范围内符合分形布朗模型,因此会获得较小的分形拟合误差.而人造物目标不具有自相似性,不适用分形模型来模拟.因而,在含有目标的灰度图像区域会得出较高的拟合误差.
2.2 区域熵的提取及最佳熵阈值分割提取
为了减少搜索目标所带来的计算量,并适于并行处理,将图像经一次小波变换后的低频图像划分为大小超过烟幕形态基元的互不重叠的区块,对其进行局部区域熵的计算,从而根据区域熵的不同来准确划分图像区域,并结合获得的分形维数和分形拟合误差,来综合提取目标所在区域.图像中区域熵的计算方法如下: 设f(x,y)为图像中点(x,y)处的灰度,对于一幅图像中大小为M×N的区域图像,由泰勒展开舍去高次项得到近似计算公式有
undefined
其中,Hf就是局部区域M×N的熵.对于含有目标的烟幕干扰图像,灰度起伏较大,其熵值较小,最小熵值对应的位置就是可能存在目标的位置.
提取出红外图像的目标特征区域后,采用最佳熵自动阈值法来确定分割门限,从而将目标区域准确地分割出来,其具体算法为[4]:
(1) 目标特征区域提取后的图像的灰度范围为[0,L-1],L为图像的比特数.假设一阈值t将图像划分为目标W与烟幕背景B两类,[0,t]的分布和[t+1,L-1]的分布分别为:B:undefined;W:undefined.其中,undefined为灰度级i的出现概率.
(2) 令undefined
每个分布对应的熵分别为
undefined
(3) 图像的熵H(t)为HB(t)与HW(t)之和,即
undefined
当熵H(t)取最大值时的t将是烟幕背景与目标最佳的分割门限[5].
3 实验结果及分析
根据以上理论,运用VC++和MATLAB进行了程序实现,并对在可识别阈值范围内的一帧图像进行了处理,实验过程及结果如下:
(1) 结合小波多分辨率变换后的高频细节特征,对低频逼近图像中大于烟幕干扰基元的区块进行选取,并对区块进行区域熵的计算,选取结果如图7所示;区块中区域熵值的变化曲线如图8所示.
(2) 结合熵变化曲线结果,对熵值较小的4个区域按照其所对应的列坐标进行选取(如图7所示),并利用联合特征向量提取的方法计算分形维数、分形拟合误差和局部区域熵.4个区域的计算结果如表1所示.
(3) 从表1可看出,区域2的分形维数最小;分形拟合误差最大;区域熵均值最小.因此,区域2具有明显的目标区域特征,对其运用最佳熵阈值法,便可将目标区域提取并分割出来,区域分割结果如图9.
4 结 论
提出的基于小波、分形理论及区域熵计算和最佳熵阈值分割的红外烟幕干扰条件下目标区域的提取方法,经实验验证,取得了良好的预期效果,并且该方法经适当的调整也可推广到多频谱烟幕干扰条件下图像目标区域的提取中.虽然本文所述方法只是实现了在可识别阈值范围内,对红外烟幕干扰条件下的目标提取,但它确是烟幕干扰条件下目标识别中最为关键的一步.
参考文献
[1]闫敬文.数字图像处理[M].北京:国防工业出版社,2007:92-93.
[2]Reed Todd.A Review of Recent Texture Segmentationand Feature Extraction Techniques[J].CVGIP ImageUnderstanding,1993,57(3):359-367.
[3]田杰,陈杰,张宇河.基于小波变换及分形特征的目标检测与识别[J].北京理工大学学报,2003,23(1):96.
[4]朱忠博.目标图像自适应分割算法及其实时实现技术研究[D].西安:西安电子科技大学,2006.
[5]Nobuhiko,Morimoto Masancri Arita,Akira Suyama.Solide Phase DNA Solution to the Hamiltonian PathProblem,DNA Based Computers III[C]//DIMACS Se-riesin Discrete Mathematics and Theoretical ComputerScience.American Mathematical Society,1997:193-206.
目标干扰 篇2
生命探测雷达是一种融合雷达技术和生物医学工程技术,可以非接触、远距离地探测人体呼吸、体动等生理信号的新式雷达[1]。其应用前景非常广阔,可广泛应用于灾害救援、反恐斗争、医学监护等领域,因而成为近年来的研究热点[2]。
由于人的呼吸等生理信号非常微弱[3],所以在生命探测雷达探测过程中,环境的动目标干扰极大地影响了生命探测的效果。这种动目标干扰包括环境中风吹草动引起的干扰和非探测目标人员(包括操作人员和闲杂人员)的身体晃动引入的干扰,这两种干扰的共同特点是信号规律性不强,频谱较为丰富,所以将这两种干扰列在一起加以研究。动目标干扰信号叠加在有用信号(指被探测目标的生理信号)上,大大降低了有用信号的信噪比,如果干扰信号幅度过大的话甚至影响到雷达智能判别结果而造成误判。因此,本文考虑采用双天线、双点频实验平台来抑制环境动目标的干扰。
1 实验平台的构建
1.1 硬件平台构建
本实验中两个天线收发装置均采用点频连续波雷达体制,其天线均为收发一体天线,其中主天线为X波段,采用喇叭天线,天线增益≥30 dB,发射功率≥80 mW;辅助天线为Ka波段,采用微带天线,天线增益为80 dB,发射功率≤20 mW,波束宽度为±5°。从两个接收天线出来的信号通过信号预处理器进行信号预处理后进入采集卡进行A/D转换,然后送入计算机进行数据的分析和处理。系统组成框图如图1所示。
将硬件各部分按系统组成框图连接:将主、辅天线分别与各自的预处理器连接。预处理器连入采集卡的一共有4路信号,分别为主天线呼吸信号、主天线体动信号、辅天线呼吸信号、辅天线体动信号。为减少通道间信号串扰现象,将预处理器输出的4路信号分别接入采集卡通道1、5、9、13,并将通道2、6、10、14(相邻通道)就近与模拟地短接。
1.2 软件流程
程序运行后,首先进行采集卡的初始化,并运行打开采集卡指令,如果采集卡及其驱动程序安装正确,则打开成功,采集卡进入采集数据状态;否则显示“打开失败”对话框,此时须检查采集卡是否正确连接以及驱动程序安装是否正确。正确打开采集卡后,采集卡开始采集数据,并将A/D 4个通道采集到的数据分别送到“主天线呼吸信号”、“主天线体动信号”、“辅天线呼吸信号”、“辅天线体动信号”的软件控制界面里进行实时显示,以便观察各路信号之间的相关性,并同时对4路信号进行存储。软件流程如图2所示。
2 实验过程及结果
2.1 人体晃动干扰的抑制实验
两个天线同时对准被探测目标(目标为27岁男性青年),探测目标静止站立,平静呼吸。天线旁边有人员不规则晃动产生干扰,实验场景如图3所示。
主天线和辅天线固定在一起同时朝被检测目标方向探测,天线和被检测目标之间无障碍物,即进行自由空间探测,双天线距探测目标5.8 m,在探测的同时,另一名实验者在双天线附近来回晃动,产生不规则的干扰信号,由于天线旁瓣和后瓣的存在,加上晃动人员离天线很近,所以人体晃动信号能够被主、辅天线同时检测到,此信号将作为干扰信号叠加在被探测目标的呼吸信号之上。
相关技术是统计信号处理最基本的手段之一。相关函数表征信号在不同时刻取值间的关联程度,因此可以从时域上揭示信号间有无内在联系。由于频带越宽的信号其自相关函数随延迟时间增加而衰减越快,所以相关处理又是从宽带噪声中检测信号是否存在的有效手段。
本文采用的是非参数互相关估计的方法。非参数估计可分为直接估计法和变换域估计法等,当数据量N较大时可使用变换域的估计方法来减少相关估计的计算量。本实验数据量较小,计算机运算速度完全满足运算要求,所以采用直接估计的方法来作相关处理。根据直接法互相关估计定义,其公式如下[4]:
式中:x和y分别为主、辅天线采集到的信号序列;N为两个序列的点数。注意,上式求和项总数不是N而是N-|m|。
这个估计是有偏的,延迟值m越大,估计偏差也越大。为了使估计无偏,本文采用下面的公式来作互相关估计:
式(2)被称为互相关的无偏估计。
在人体晃动干扰抑制实验中,双天线系统采集的信号如图4～图5所示:其中图4为主天线采集的含有干扰(人员晃动干扰)的探测目标呼吸信号的时域、频域图,我们将其称为信号A;图5为辅天线采集的含有干扰的探测目标呼吸信号的时域、频域图,称为信号B。
求主天线和辅天线采集到的两路信号的相关系数,求得的相关系数值为0.615 5,为正相关且相关性较好。考虑采用互相关的无偏估计方法来抑制人体晃动干扰。图6为两路信号作互相关处理后的信号的时域、频域图,我们将其称为信号C。
由图4～图6对比可以看出:作无偏互相关处理以后,时域的波形更加光滑、规律,更加接近人的呼吸信号;频域上,处理后有用信号的波峰更突出,干扰信号频带内的谱峰被有效抑制。为了量化地说明互相关处理对人员晃动干扰抑制的效果,本文引入信噪比SNR来评价处理的效果。SNR的定义如下:
本文在实验中定义有用信号如下:在归一化频谱上以取得最大值1的点作为中心点,向其左右各频移0.25 Hz,则其中共0.5 Hz宽度的频带作为有用信号的频带。这0.5 Hz宽度频带以外的部分则认为是噪声信号。分别对有用信号和噪声信号在其频带内积分则得到有用信号和噪声的功率。再用公式(3)求其SNR。
对于人体晃动干扰抑制实验,主天线、辅天线采集的信号A、B及互相关处理后的信号C的SNR如表1所示。
由表1可知,处理后信号的SNR比主天线采集的信号的SNR提高了3.805 1 dB,比辅天线采集的信号的SNR提高了4.395 2 dB。即作互相关处理后信号的SNR比单天线采集的信号的SNR有所提高。
2.2 环境中其他动目标(风吹草动等)干扰抑制实验
风吹草动干扰的实验室模拟:在实验室摆放一盆阔叶植物,用电扇正对植物吹风,使植物叶子不规则摆动来模拟风吹草动对检测系统的影响,在此条件下采用双天线平台采集数据,然后处理分析。实验场景如图7所示。
主、辅天线固定在一起同时朝被检测目标方向进行自由空间的探测,双天线距探测目标5.8 m。在双天线侧面附近摆阔叶植物一株,用电扇正对植物吹风(注意:电扇不要吹到天线以免引天线自抖动),用植物叶子的不规则摆动来模拟环境中风吹草动等动目标的干扰。同样,此干扰能够被主、辅天线同时检测到,此信号将作为干扰信号叠加在被探测目标的呼吸信号之上。主、辅天线所采集信号分别如图8～9所示:其中图8为主天线采集的含有干扰(风吹草动干扰)的探测目标呼吸信号的时域、频域图,我们将其称为信号D;图9为辅助天线采集的含有干扰(风吹草动干扰)的探测目标呼吸信号的时域、频域图,称为信号E。
同样,求主天线和辅天线所采两路信号的相关系数,为0.473 1,正相关且相关性较好。对于风吹草动等动目标干扰,我们同样考虑用无偏互相关估计方法来抑制。图10为两路信号作互相关处理后的信号的时域、频域图,我们将其称为信号F。
由图8～图10对比可以看出:作无偏互相关处理以后,时域的波形更加光滑、规律,更加接近人的呼吸信号;频域上,互相关处理后有用信号的波峰更突出,干扰信号频带内的谱峰得到有效抑制。同样我们采用SNR来评价互相关处理的效果。
对于环境中风吹草动的干扰抑制实验,主天线、辅天线采集的信号D、E及互相关处理后的信号F的SNR如表2所示。
由表2可以看出,处理后信号的SNR比主天线采集的信号的SNR提高了7.942 5 dB,比辅助天线采集的信号的SNR提高了6.173 8 dB。即作互相关处理后信号的SNR比单天线采集的信号的SNR有所提高。根据本文SNR的定义,SNR每增加3 dB,信号和噪声功率的比值将翻倍,由此可知,互相关处理后的信号功率与噪声功率的比值比处理前增加了4倍以上,信噪比得到了有效提高。
3 结束语
本文通过实验证明,在生命探测雷达探测生命信号的过程中,采用双天线、互相关处理方法可以有效地抑制人员晃动、风吹草动等环境动目标的干扰,提高了信号的信噪比。由于实验条件所限,本实验采用的双天线发射频率不同,其中Ka波段天线频率高,波束窄,旁、后瓣很小,所以当动目标位于天线侧后方且与双天线的距离拉远以后,Ka波段天线检测的信号将只含有被探测目标人员的呼吸信号,而不再含有干扰信号。如果本实验使用两个发射频率相同的天线采集数据,再对采集到的信号作干扰抑制处理,那么干扰抑制的效果将会更好。
参考文献
[1]张杨,王健琪,荆西京,等.基于自适应滤波的生物雷达干扰抑制方法[J].仪器仪表学报,2009,30(4):807-811.
[2]倪安胜.伤员探测中生命体识别技术研究[D].西安:第四军医大学,2003:13-15.
[3]张杨,王健琪,孔婷婷,等.生命探测雷达中微波自动对消的仿真算法研究[J].医疗卫生装备,2009,30(6):7-9.
目标干扰 篇3
关键词：无源雷达,调频广播,变步长最小均方,直达波抑制,快速傅里叶变换
0 引言
近年来, 国内外正在进行无源雷达的研制, 这种雷达系统利用调频广播、电视等民用信号作为非合作照射源[1], “静默”接收飞机、导弹等飞行器目标的微弱反射信号, 再进行直达波干扰抑制及目标特征参数估计, 以完成目标定位及跟踪。由于民用辐射源具有工作频率低、频率覆盖广、发射功率大等特点, 大大提高了无源雷达在抗干扰、抗低空突防、抗反辐射导弹和反隐身等方面的性能[2]。
为了加快收敛速度, 本文提出了新的变步长公式, 并设计了基于变步长最小均方 (Least Mean Square, LMS) 算法[3⁃4]的自适应直达波干扰 (Direct Path Interference, DPI) 抑制[5⁃6]系统。为了提高雷达系统实时性能, 采用快速傅里叶变换 (Fast Fourier Transform, FFT) [7]方法计算互模糊函数, 以快速准确进行目标特征参数提取。
1 基于变步长LMS算法的自适应直达波干扰抑制系统
相对于直达波干扰来说, 目标回波具有因目标运动引起的较小的多普勒频移。因为调频广播是带宽信号, 目标回波与直达波干扰频谱混叠严重。另外, 由于传输距离较远及目标散射等原因, 目标回波强度一般比直达波信号强度小很多。使用经典滤波器很难有效滤除直达波干扰, 所以本文设计了基于变步长LMS算法的自适应直达波干扰抑制系统。
系统包括两个通道:目标通道和参考通道, 如图1所示[8]。目标通道接收受到直达波干扰污染的目标回波:d (n) =s (n) +u0 (n) , 其中s (n) 为目标回波, u0 (n) 为直达波干扰;参考通道接收信号为x (n) =u (n) , 其中u (n) 是与u0 (n) 同源的直达波信号。
自适应滤波器输出信号为:y (n) =xT (n) W (n) , 其中, W (n) 是自适应滤波器权系数向量。
系统输出误差为:e (n) =d (n) -y (n) 。
自适应滤波器权系数迭代公式为:
W (n+1) =W (n) +2μ (n) e (n) x (n) (1)
式中μ (n) 为收敛因子。系统在开始收敛或受到干扰时误差较大, 需要有较大的收敛因子以加快收敛速度;趋近稳定时, 需要有较小的收敛因子以保证较小的稳态误差[9]。所以本文引入了变步长公式:
LMS算法的收敛条件是:0<μ (n) <1λmax, 其中λmax为x (n) 自相关矩阵的最大特征值。
因为s (n) 与u0 (n) -y (n) 不相关, 系统输出均方误差为:
若系统收敛到最小均方误差ξmin, 则E[u]0 (n) -y (n) 2最小, 也即y (n) 是噪声u0 (n) 的最佳估计, e (n) 是目标回波s (n) 的最佳估计。
2 基于变步长LMS算法的自适应直达波干扰抑制系统仿真
调频广播选用载频为107.4 MHz峰峰值为1 V的余弦波, 调制信号采用频率为15 k Hz峰峰值为1 V的余弦波, 调制度为5, 则带宽为180 k Hz, 所以调频广播属于典型的高载频窄带宽信号。若直接进行乃奎斯特采样, 则采样频率至少为200 MHz, 将会对实时信号处理带来很大困难。为降低采样频率, 采用窄带采样定理[10]:对于载波频率为f0, 双边带宽为2B的窄带信号而言, 若存在x≥B, 满足 (f0+x) 2x=2k+1, k为非负整数, 那么存在欠采样频率fs=4x, 用采样频率fs对载频为f0的信号采样, 等价于把载频为f0的信号混频到中频x上。根据窄带采样定理, 选用欠采样频率最小值0.8 MHz, 等价于把载频为107.4 MHz的调频信号混频至中频0.2 MHz处。
若参考天线接收的直达波记为u (t) , 则理想目标回波s (t) 可以表示为[11]:
式中:k1为衰减系数, 取值;τd为目标回波相对直达波的时延, 取值0.000 04 s, fd为多普勒频移, 取值1 k Hz。自适应滤波器阶数取值M=2, 初始步长为0.001 2, 收敛因子μ (n) 参数取值为a=0.25, b=0.004, c=0.02。仿真结果如图2所示。
图2 (a) 为受到直达波干扰污染的目标回波频谱图, 直达波中频出现在0.2 MHz, 验证了窄带采样定理。幅值较小的目标回波仅具有1 k Hz的多谱勒频移, 与直达波干扰频谱混叠严重。图2 (b) 为重建后的目标回波频谱图, 与图2 (a) 比较可知, 幅值较大的直达波干扰得到有效滤除, 目标回波得到较好重建。为了便于比较, 图2只画出中频附近频谱, 其他位置频谱情况与此外类似, 不再累述。
图3为直达波干扰抑制后的目标回波与理想目标回波时域差值图, 其中上方蓝线为定步长收敛过程, 在800点左右趋于稳定;下方红线为变步长收敛过程, 初始收敛因子与定步长收敛因子相同, 在300点左右已趋于稳定。可见在稳态误差相同的前提下, 变步长LMS算法具有更快的收敛速度。
综上, 基于变步长LMS算法的自适应直达波抑制系统能够快速有效滤除直达波干扰, 工作性能良好。
3 基于互模糊函数的FFT计算方法的联合时频估计
无源雷达目标定位需要估算目标回波的时延及多普勒频移等参数。目前, 常用互模糊函数进行时延和多普勒频移的联合估计, 互模糊函数定义为[12]:
式中:u (t) 为直达波;s (t) 为目标回波;Ta为积分总时间。显然, 在式 (5) 中, 当τ=τd且f=fd时, 互模糊函数将出现最大值:
即可以通过计算互模糊函数最大值来估计时延τd和多普勒频移fd。设采样点数为N, 采样周期为T, 积分总时间为Ta=NT, 则式 (5) 可以离散化为:
然而, 若直接计算式 (7) , 运算量很大, 难以满足雷达系统的实时性要求。为降低运算量, 以提高系统实时性能, 式 (7) 可以应用FFT方法进行计算:
若取Nf=N, 按式 (7) 直接计算, 需要的复数乘次数为:
若应用FFT方法, 按式 (8) 进行运算, 需要的复数乘次数为:
设时延取值点数为Nτ=64, 为便于FFT计算, 采样点数取值为N=216, 217, ⋯, 225, 则互模糊函数的两种算法的复数乘次数比较结果如图4所示。
图4中, 上方红色圆圈画线为直接计算所需的复数乘次数;下方蓝色三角画线为利用FFT算法所需的复数乘次数, 与直接计算相比, 复数乘次数降低了4个数量级左右。显然, 采用FFT算法大大降低了运算量, 提高了系统的实时性能。
然后, 设采样点数为N=218, 利用FFT方法计算互模糊函数最大值, 以估计时延及多谱勒频移, 仿真结果如图5所示。
图5 (a) 是互模糊函数图对应的时间轴剖面图, 可见互模糊函数最大值对应的时间为0.000 04 s, 与时延参数仿真设置值一致。图5 (b) 是互模糊函数图对应的频率轴剖面图, 可见互模糊函数最大值对应的频率为1 k Hz, 与多谱勒频移参数仿真设置值一致。说明通过互模糊函数的FFT计算方法能够快速准确进行时延及多谱勒频移估计。
4 结论
本文选用载频为107.4 MHz, 带宽为180 k Hz的调频广播作为无源雷达非合作照射源, 属于典型的高载频窄带宽信号, 采用窄带采样定理, 使无失真采样频率降为0.8 MHz, 给实时信号处理带来了便利。针对较强的直达波干扰, 设计了基于变步长LMS算法的自适应直达波干扰抑制系统。仿真表明, 与定步长800点收敛位置相比, 系统能以300点收敛位置更加快速有效滤除直达波干扰。针对直接计算互模糊函数计算量太大问题, 本文采用FFT方法, 与直接计算相比, 复数乘次数降低了4个数量级左右, 大大提高了雷达系统的实时性能。最后, 利用FFT方法计算互模糊函数最大值, 多普勒频移及时延均估算正确, 为目标定位及跟踪奠定了良好的数据基础。
参考文献
[1]宋杰, 何友, 蔡复青, 等.基于非合作雷达辐射源的无源雷达技术综述[J].系统工程与电子技术, 2009, 31 (9) :2151-2156.
[2]范梅梅, 廖东平, 丁小峰.基于北斗卫星信号的无源雷达可行性研究[J].信号处理, 2010, 26 (4) :631-636.
[3]彭秀艳, 门志国, 王冠, 等.变步长LMS算法相空间重构的AR模型预报仿真[J].计算机仿真, 2013, 30 (1) :28-31.
[4]张晓娟, 吴长奇.使用变步长频域LMS算法的自适应Volterra均衡器[J].电路与系统学报, 2012, 17 (4) :99-102.
[5]李辉, 何友, 周洪庆, 等.外辐射源雷达系统中直达波干扰抑制技术[J].火力与指挥控制, 2013, 38 (2) :145-149.
[6]王卫国, 董绪荣.一种基于多路径对消的直达波干扰抑制算法研究[J].装备指挥技术学院学报, 2011, 22 (3) :90-94.
[7]胡广书.数字信号处理理论、算法与实现[M].3版.北京:清华大学出版社, 2012.
[8]HOWLAND P E, MAKSIMIUK D, REITSMA G.FM radio based bistatic radar[J].IEE Proceedings Radar, Sonar and Navigation, 2005, 152 (3) :107-115.
[9]沈磊, 姚善化.改进变步长LMS算法及在自适应噪声抵消中的应用[J].噪声与振动控制, 2010, 30 (5) :60-63.
[10]宋勇辉.基于调频广播信号的无源雷达[D].南京:南京理工大学, 2003.
[11]ZOELLER Christopher Lee.A passive, coherent radar using commercial FM broadcast signals[D].Huntsville, USA:The University of Alabama in Huntsville, 2002.
目标干扰 篇4
生物雷达技术采用特殊雷达发射的电磁波非接触地检测人体呼吸、心跳等生命活动引起的回波参数变化,能穿透衣物、墙壁、废墟等遮挡和障碍,因此在临床医学、国家安全、应急救援等领域具有广泛的应用价值[1,2,3,4,5,6]。在生物雷达回波中,既包含人体反射形成的回波,又包含大量遮挡和障碍散射形成的背景杂波。大部分研究认为,由于人体生命活动导致人体反射回波随时间变化、而散射背景杂波是静态的,因此通过合适的回波信号处理技术就能将后者抑制或消除,从而实现人体生命活动参数检测,并以此为依据判断有无生命迹象[1,2,3]。然而在实际应用中,生物雷达周围存在大量运动目标干扰,如操作人员的动作、无关人员走动、探测现场的风吹草动等,这些目标产生的反射回波也是随时间变化的,从而严重干扰回波信号处理,甚至引起误判和漏判。因此,动目标干扰抑制是生物雷达技术必须解决的一个关键问题。
针对这一问题,文献[7]采用双天线回波信号互相关处理,有效地降低了环境中风吹草动的干扰水平,但没有考虑操作人员的动作干扰;文献[8]不仅指出环境中风吹草动反射回波在引起干扰的同时会导致生物雷达系统产生自抖动干扰,而且在回波信号处理中采用基于最小均方(least mean square,LMS)算法的自适应技术来抑制上述干扰;由于动目标干扰可能落在人体呼吸信号的同频带内,文献[9]提出了一种跟踪干扰谱峰的二次滤波算法,对一次滤波后的信号进行功率谱估计发现可能的同频带干扰谱峰,然后通过与标准呼吸信号的相关实现干扰谱峰的定位,并进行二次滤波;文献[10-11]主要针对操作人员呼吸和动作引入的干扰,利用辅助天线检测干扰信号,建立了基于双天线系统的自适应干扰对消方法。然而,上述文献采用的方法和算法都是建立在干扰信号平稳这一前提基础之上的,而在实际中这一假设难以成立。为此,文献[12]在生物雷达回波信号处理中采用了奇异值分解(singular value decomposition,SVD)方法,在动目标干扰抑制方面取得了良好效果。但是该方法需要利用经验阈值实现信号子空间的选取,因而其实用价值大打折扣。
本文提出了一种生物雷达动目标干扰抑制的回波处理新方法,该方法基于多通道奇异谱分析(multichannel singular spectrum analysis,MSSA)技术,对生物雷达回波信号进行SVD操作,并利用人体呼吸运动信号准周期特性,可自动选择信号子空间并进行重构。与此同时,采用冲激脉冲超宽谱(impulse radio ultra wide band,IR-UWB)生物雷达回波数据进行了实验验证,研究并分析了该方法的实际性能。
1 原理与方法
SVD因其具有良好的去噪和抗干扰特性而逐渐被用于呼吸信号检测中[13,14]。通过SVD方法检测呼吸运动回波实质上是从UWB数据中进行信号重建的问题[12]。也同样是基于该方法,奇异谱分析(SSA)提供了类似的方法来解决此问题。该技术可以在很多领域用于时间序列分析,如气象、地球物理学、经济学和医学[15,16,17,18]。UWB回波数据通常可以看作分布在多个信道的时间序列组成的二维信号。因此本文利用SSA的扩展形式———MSSA开发呼吸检测算法,设计流程如图1所示。
1.1 超宽谱回波数据
超宽谱雷达探测人体信号时,离UWB雷达不同距离的目标所得的不同时延回波可以同时被采集到。这些回波经过放大、采样后被存储于二维数据矩阵R。
其中,m和n分别表示距离和时间索引;M表示距离轴的采样点数,决定了雷达探测距离;N表示距离轴采样点数,其和采样频率共同决定了该数据的总持续时间。因此,该数据的大小为M×N,相当于单通数据长度均为N的M个通道数据组成的多通道时间序列。
1.2 数据预处理
在进行MSSA处理前,需对超宽谱回波数据进行预处理以消除固定杂波和噪声,如:背景杂波和加性白高斯噪声。首先,在数据的范围和时间维度均进行平均和下采样操作。这一步骤不仅提高了数据的信噪杂比(signal to noise-and-clutter radio,SNCR),而且降低了数据大小[12]。其次,用基于时间维加窗减平均操作的有限脉冲响应(finite impulse response,FIR)运动滤波器,以去除运动目标反向散射所造成的静止背景杂波[19]。第三,每个信道中的时间序列在范围[-1,1]内被归一化,其可以补偿在不同距离处的振幅变化,同时也是MSSA操作的基础[15]。预处理之后,超宽谱数据被表示为:,矩阵大小变为M′×N′(M′<<M,N′<N)。
1.3 自适应-MSSA
在本阶段数据处理中,经预处理的UWB数据被分成2支:一支用于构造参考数据和其轨迹矩阵;另一个被作为MSSA的输入。MSSA主要包括4个连续步骤:(1)嵌入操作首先将预处理后的数据映射到L维轨迹矩阵;(2)计算出轨迹矩阵的SVD并表示为秩一正交基本矩阵的总和;(3)分组操作将所有基本矩阵分成不相交的子集(或子空间),并从选定的子集中重建呼吸运动回波;(4)将分组结果转换成汉克尔矩阵,随后被转换成时间序列的形式。
第1步:嵌入。该步骤的开始是分别将中每个通道的时间序列嵌入一个L×K矩阵,如
其中,
其大小为M′×K列,长为L。L表示嵌入长度,并且应该足够长以抓住人体呼吸运动的缓慢变化。但是较长L则要求预期信号在相对较长的时间间隔上保持平稳性,同时也增加了后续分解的计算成本。一般建议选择的窗口长度处于fS/fL和N′/2之间,其中fS表示UWB雷达回波采样频率,fL为呼吸运动的较低频率[16]。同样地,参考轨迹矩阵D也将参考数据嵌入其中。因此,D和分组输出Y之间的误差被用于监督分组程序,其中合适的子空间将用于自适应重建。
第2步:SVD。这个步骤计算处协方差矩阵XXT及其特征值分解。Λ=diag(λ1,λ2,…,λL)是特征值矩阵对角线的形式,以特征值数量级减少的顺序排列(λ1≥λ2≥…≥λL≥0)。
U=(u1,u2,…,uL)和V=(v1,v2,…,vL)分别是经验正交函数的矩阵和主成分矩阵。
根据SVD的定义,轨迹矩阵X可以被表示为秩一正交基本矩阵Xi的总和:
其中,d=max{j:λL>0}是轨迹矩阵的秩。集合(λi,ui,vi)通常称为SVD的第i个特征三变量,这为随后的重建过程提供了基本元素。
第3步:分组。所有由SVD产生的特征三变量被视为在此步骤的子空间。然后,它使用一个L×L对角矩阵W加权特征值矩阵Λ。因而通过适当地设定权重,相应的特征三变量或子空间就可以被选出,以重构呼吸运动回波,如下所示:
其中,我们将基于使参考和分组输出的Frobenius范数形式差异达到最小化的原则对权重矩阵W进行自适应设置,如公式(6)所示:
其中,||·||F表示Frobenius范数。最小化问题将通过将梯度下降的方法来解决。全新的公式将变为
其中,μ是收敛步长,k表示降级迭代指数。
第4步:汉克尔化。这一步骤在一定意义上与第一步相反。通常,重构的矩阵不一定采取汉克尔矩阵的形式。因此,首先将Y转化为汉克尔型矩阵,其随后通过平均反对角线元素转换为时间序列。此过程的详细信息可见于文献[17]。
当利用SSA或者MSSA进行信号重构时,分组步骤中子空间的选择仍然是一个悬而未决的问题。为了应对此问题,一个利用所期望信号周期特性的新分组方法曾被提出[18]。
和自适应谱线增强(adaptive line enhancement,ALE)算法中使用的方法相似,一个由一个周期严格限制延迟版本的信号被用作自适应重建中的参考信号[18]。但对于呼吸检测算法,信号周期不能被预先确定。所以相关系数矩阵C={c[i,j]}(i,j=1,…,M',i≠j)通过数据矩阵计算得到,如公式(8)所示:
其中,C的行表示时间序列的第i个信道的和与其他信道之间的相关系数。然后找到从C的每一行的最大值和其相应的信道索引,例如jmax。基于超宽谱呼吸运动信号距离相关系数特征[19],第jmax个信道上的时间序列即可看作是第i通道中时间序列的周期性时延形式。根据该方法,将被重构以嵌入参考轨迹矩阵D。
2 实验平台与实验结果
2.1 超宽谱雷达系统与实验场景
本研究采用IR-UWB雷达系统进行数据采集,其详细参数如下:雷达中心频率为400 MHz,带宽为400 MHz,采样点数为2 048点,慢时间轴采样频率fs=64 Hz,数化精度为16 bit,动态范围为115 d B,发射功率峰值为16 W。为了获得真实的实验数据,一个健康的年轻人志愿作为穿墙检测目标。实验中,目标静止站立于实验室标准砖墙一侧(砖墙厚度为30 cm),离墙体距离为4 m并正对紧贴砖墙另一侧的雷达。与此同时,另有一运动目标在探测目标一侧更远距离处小幅度运动以形成动目标干扰。以上实验设计,即包含了动目标干扰的超宽谱雷达人体呼吸信号。
2.2 实验结果
本节首先以基本自适应谱线增强(basic-ALE)[18]作为参考算法,对本文所提出的算法消除运动目标干扰的能力进行评价。其次以文献[12]中基于经验奇异值分解(empirical-SVD)的呼吸检测算法为参考,对所提出的自适应-MSSA呼吸检测算法进行信号处理性能评价。本文所用算法均由MATLAB编写完成。根据实测数据,本文对所提出的算法进行了效果验证,实验结果如图2所示。
图2展示了参考算法和本文所提出算法的数据处理结果。相对于图2(a),图2(c)仍含有显著量运动干扰,其不能由基于basic-ALE的呼吸检测算法有效去除。在距离-频率矩阵(如图2(b)、(d)所示)中,呼吸运动回波均位于25 ns距离处,频率约为0.33 Hz。另外,在2种算法所得结果距离-频率矩阵中,本文提出的呼吸检测算法所得呼吸回波位置处能量更强,相对于其他次强点在图中显示更为明显。图2(e)和(f)展示了基于empirical-SVD呼吸检测算法的前2个决策矩阵处理结果。与如图2(b)所示的信息相同,由该算法检测到的呼吸运动响应具有相同的距离和频率的信息。但在基于empirical-SVD的呼吸检测算法中,回波被分为在第一和第二决策矩阵,需要利用经验进行人工挑选。然而本文提出的方法并不存在此问题,因为其可以自适应组合信号子空间。另外,根据文献[20]中对处理结果中SNCR的定义,基于自适应-MSSA、基本自适应谱线增强和经验奇异值分解的3种呼吸检测算法实验结果的SNCR分别为9.7、0.97和6.52 d B。
3 结语
动目标干扰抑制是超宽谱雷达研究的关键技术,在灾后被压埋人员搜救中具有重要的应用价值。本文提出了一种基于MSSA进行超宽谱呼吸运动回波重构的技术。它巧妙地利用呼吸回波的周期性和距离单元信号相关性特性进行自适应确定信号子空间,在保证算法效果的基础上解决了基于empiricalSVD呼吸检测算法中需要根据经验进行手工子空间选择的问题。实验结果表明,本研究提出的呼吸运动检测算法能够较好地去除非探测目标运动带入的干扰,能提取出较为干净的呼吸运动回波,所得呼吸信号SCNR更高。其次,本研究所提出的方法只需单通道信号而不必采用双天线方式提供参考信号进行动目标干扰消除,对天线要求更低。另外,本研究所提方法不仅适用于超宽谱雷达也适用于连续波雷达,方法应用范围广,适用性强。因此,本方法必将在雷达搜救应用中解决重要问题,提高探测准确率。
摘要：目的:探索一种可以良好抑制动目标干扰的超宽谱(ultra wide band,UWB)雷达呼吸运动检测算法。方法:利用多通道奇异谱分析(multichannel singular spectrum analysis,MSSA)技术并根据呼吸回波的周期性和距离单元信号相关性的特性进行超宽带呼吸运动回波自适应重构,从而实现动目标干扰有效抑制。结果:在雷达实测数据实验中,该方法抑制动目标干扰的性能明显优于奇异值分解(singular value decomposition,SVD)等参考算法,所得信噪杂比(signal to noise-and-clutter radio,SNCR)高于参考算法。结论:该基于自适应-MSSA的呼吸运动检测算法能够较好地抑制动目标干扰,在UWB雷达研究中具有重要应用价值。
目标干扰 篇5
复杂背景下的小目标检测技术是评价红外预警系统性能的重要指标之一。由于远距离目标在红外图像上占有的像素个数比较少,且缺乏结构信息,极易被类目标干扰所淹没,在很大程度上制约了系统对目标的检测概率[1]。因此,低信噪比条件下相似性类目标干扰一直是红外图像中小目标检测的难点和热点。
所谓类目标干扰,是指红外图像中,在成像面积和灰度分布方面与真实目标相似的“凸起”所引起的干扰[2],如空中缓慢运动的云层、烟雾,地面中的建筑物、树木,或近地飞行的成群飞鸟等引起的干扰。由于背景运动的复杂性及运动估计精度的影响,类目标干扰可能在短时间内具有“有限”的独立运动,导致检测结果出现以类目标干扰为主的虚警点。
为了实现复杂背景下的小目标检测任务,人们通常需要在执行具体的目标检测算法前对单帧目标图像进行一些有效的预处理,抑制图像中的杂波和噪声,去除大面积作为虚警的类目标干扰,从而提高传输给主处理器图像的质量和信噪比[3,4]。对于点目标的检测,前人已经做了大量的研究,提出了多种图像预处理的方法,其中主要有形态学滤波法、中值滤波法、小波变换法、高通滤波法、空间匹配滤波法和最小均方滤波法等[5,6]。然而,每一种方法都有其不同的适用对象,可以说,并没有一种方法可以对各种复杂背景都表现出最好的预处理性能。在实际应用中,人们总是需要针对不同的背景条件对预处理方法做出取舍。针对扫描型红外预警系统,图像信噪比低,目标的空间分布呈一定长度线段的特征,本文首先使用形态学滤波法和区域匹配滤波法相结合的算法对背景进行抑制,增强点目标的信号;然后,利用目标头尾两侧水平方向存在阶跃信号的特征,通过Robinson滤波获得目标的头、尾图像;最后,根据红外图像中小目标的直线形态和由恒虚警概率求得的阈值,将潜在目标从类目标干扰中分离出来,达到降低类目标干扰的目的。
1 背景抑制
对于一幅包含目标的红外图像,可以用下式描述[7]:
式中:fT(x,y)为目标信号,通常远距离目标在图像中呈微弱点状;fB(x,y)为背景杂波,其空间分布具有较大的相关性,灰度值存在一些起伏,是类目标干扰的主要来源;N(x,y)为噪声,包括探测器电路工作时引起的噪声和来自外部的干扰信号等,与背景不相关,在空间上的分布是随机的。
当红外预警系统对空进行圆周搜索时,探测器在积分时间内的扫描运动造成图像模糊,目标因拖尾现象,由点状变为具有一定长度的线段,使目标像素在水平方向上具有相关性,垂直方向上因与上、下区域背景间的差异大而具有奇异性。因此,可通过判断图像中灰度值不连续的区域,将目标与背景区分开。
常用的背景抑制方法有小波变换滤波法、形态学滤波法和区域匹配滤波法等,其中,基于小波变换的滤波法对图像的信噪比要求较高[8];形态学滤波法对图像中灰度变化大的边缘抑制较好,但对目标形态特征利用不充分[9];区域匹配滤波法能够结合目标形态特征抑制噪声干扰,但对灰度边缘抑制效果较差[10]。
针对复杂背景下,红外预警系统图像信噪比低,目标水平方向相关度高且呈线性形状的特点,文中采用了将形态学滤波法与区域匹配滤波法相结合的背景抑制方法。首先利用构建的滤波模板找出图像中与之匹配的区域,然后对区域的中心点与灰度值最大的邻域点进行比较处理。该方法考虑了目标区域的灰度分布规律,一方面可以降低噪声的影响,另一方面能够消除背景中起伏较大的杂波。
在红外预警系统图像中,小目标的宽度通常为1～3个像素。因此,文中设计了如图1所示的滤波模板,灰色部分为“隔离带”,其目的是为了抑制背景杂波。“隔离带”宽度的选择是由目标尺寸决定的,若“隔离带”行数过少,目标特征体现不明显,不利于提高图像信噪比;而行数过多,将导致许多杂波进入,给后续处理带来困难。这里选择“隔离带”的行数为1,即可以保证小于3个像素宽度的目标不丢失,也可以尽量减少背景杂波的干扰。
背景抑制的算法描述如下:
在输入图像f(x,y)的[2W1+1,2W2+1]邻域内,首先使用滤波模板对邻域内同一行的像素进行累加,然后在邻域内对行灰度值进行比较处理,根据下面公式计算,得到输出结果fmb:
式中,对水平方向邻域内像素的累加,可以在不破坏原图像细节的情况下,降低噪声的干扰,提高图像的信噪比。
2 基于目标头、尾特征的检测
基于目标头、尾特征的检测方法,是根据目标头尾两侧水平方向上存在阶跃信号,且成对出现,而在目标区域内部又具有强相关性的特征提出的。目标头尾空间分布如图2所示。
检测算法的流程如下:
1)头、尾特征提取。为了能够较完整的保存目标形状特征,首先用W1为3,W2为1、隔离带为1的背景抑制算法,得到目标图像fmb。
其次,根据目标头尾存在阶跃的特征,构建如下的检测模板ght。
然后,将检测模板与背景抑制图像进行卷积,得到目标的头尾图像fht。
最后,根据头尾图像fht,求出头、尾特征参数。
2)二次滤波。在头、尾特征提取的结果中,部分类目标因灰度分布连续而残留在图像中,为了降低类目标的干扰,对目标的头尾图像再进行一次Robinson滤波处理。Robinson滤波器是通过比较中心像素与其邻域像素极值间的差异来消除干扰的,尤其对缓变的云层有很好的抑制作用[11]。这里采用的滤波器尺寸为5×5,如图3所示。
对应的滤波公式如下:
经过Robinson滤波后,最终得到的目标头、尾图像如图4所示。其中,缓变的云层和空间相关性较强的类目标被抑制,而具有一定运动速度的类目标与真实目标作为潜在目标一起被保留了下来。
3)潜在目标提取。由于受探测器积分时间和旋转速度的影响,红外图像中的小目标为具有一定长度的细线,而类目标的长度是不确定的,一般要大于目标的长度。因此,可以利用目标的长度特征,降低类目标的干扰。
首先,采用Neyman-Pearson准则,确定目标分割的阈值。Neyman-Pearson准则又称恒虚警概率(CFAR)准则,是一种在已知图像噪声方差的基础上,利用给定的探测虚警概率确定目标检测似然比阈值的方法[12],其计算公式如下:
式中:Pcfar为恒虚警概率,经实验测得,当系统探测概率达到90%时,Pcfar通常为10-4,这里Pcfar由人工设定;σn为噪声的近似均方差;T为检测阈值。
然后,利用检测阈值T对目标的头尾图像进行分割,提取出有效的头、尾特征点,分割后的图像为二值图像。分割公式如下:
最后,在[1,L+10]的邻域内,L为目标长度,如果分割后的头、尾图像f h′和f t′,满足以下三个条件,则认为存在有效的头尾对应点:
1)在头图像f h′的邻域m1内,存在灰度值不为0的点;
2)在尾图像f t′的邻域m2内,存在灰度值不为0的点;
3)在头图像f h′和尾图像f t′之间的区域m3内,不存在灰度值为1的点。
条件1和2是分割后目标头、尾的阶跃信号,而条件3是要求目标内部具有较好的相关性。图5是符合这3个条件的目标图像。
3 实验结果与分析
为了说明算法的有效性,选取三种类目标干扰作为实验对象。实验所使用的红外图像由红外预警系统扫描时采集得到,图像大小为110 mm×90 mm。表1列出了实验中所用到的数据和检测结果。
表中,SNR为图像信噪比,σn为噪声均方差,Pcfar为恒虚警检测概率,L为目标长度,Nr为真实目标数目,Nf为探测到的虚警数目,N为经头尾检测算法分割后得到的潜目标数目,P为检测概率。
第1组实验中,类目标干扰主要来自地面建筑物和树木,建筑物静止不动,但树木会发生一定晃动,如图6所示。
第2组实验中,类目标干扰主要来自空中较弱的云背景,如图7所示。
第3组实验中,目标处于云背景中,且云层随目标做同向运动,如图8所示。
从上面的3组实验可以看出,虽然头尾图像的分割结果中存在大量的干扰点,但经过加入目标长度特征后,绝大部分的类目标干扰都能够被滤除掉,只有目标点和少量的几个干扰点被保留了下来,极大的降低了虚警率。
4 结论
红外预警系统的功能是要尽可能早的发现目标,并且要求较低的虚警率,文中提出的基于单帧红外图像抗类目标干扰的算法,可以在有大量类目标干扰的复杂背景环境中,根据图像中目标在水平方向的强相关性,有效提取出潜在的目标。同时,大大降低了数据量,减轻了系统后续处理的运算压力,有利于提高红外小目标的检测概率。
参考文献
[1]王江安,王乐东,吴荣华,等.复杂背景下迎头点目标检测算法[J].光电工程,2009,36(5):1-5.WANG Jiang-an,WANG Le-dong,WU Rong-hua,et al.An Algorithm of Head-on Point Targets Detection under the Complex Background[J].Opto-Electronic Engineering,2009,36(5):1-5.
[2]董文明,吴乐华,姜德雷.基于分形特征参数的目标边缘检测算法[J].光电工程,2009,36(6):21-25.DONG Wen-ming,WU Le-hua,JIANG De-lei.Edge Detection Algorithm Based on Fractal Features[J].Opto-Electronic Engineering,2009,36(6):21-25.
[3]周立伟.目标探测与识别[M].北京:北京理工大学出版社,2004.ZHOU Li-wei.Object Detection and Identification[M].Beijing:Beijing Institute of Technology University Press,2004.
[4]张必银,张天序,桑农,等.红外弱小运动目标实时检测的规整化滤波方法[J].红外与毫米波学报,2008,27(2):95-100.ZHANG Bi-yin,ZHANG Tian-xu,SANG Nong,et al.Novel Regularizing Filtering Method for Real-Time Detection IR Dim Small Moving Target[J].Journal of Infrared and Millimeter Waves,2008,27(2):95-100.
[5]李欣,赵亦工,陈冰.基于分类的红外云层背景弱小目标检测方法[J].光学学报,2008,29(11):3036-3042.LI Xin,ZHAO Yi-gong,CHEN Bing.A New Approach of Small and Dim Target Detection in Cloud Cluster Infrared Image Based on Classification[J].Acta Optica Sinica,2008,29(11):3036-3042.
[6]Lee D S.Effective Gaussian Mixture Learning for Video Background Subtraction[J].IEEE Transactions on Pattern Analysis and Machine Intellihence(S0162-8828),2005,27(5):827-832.
[7]吴一全,罗子娟.基于最小一乘背景预测的红外小目标检测算法[J].光电工程,2008,35(4):6-11.WU Yi-quan,LUO Zi-juan.Method of Target Detection in Infrared Image Sequences Based on the Least Absolute Deviation Background Prediction[J].Opto-Electronic Engineering,2008,35(4):6-11.
[8]罗军辉,姬红兵,刘靳.一种基于空间滤波的红外小目标检测算法及其应用[J].红外与毫米波学报,2007,23(3):209-212.LUO Jun-hui,JI Hong-bing,LIU Jin.An algorithm based on spatial filter for infrared small target detection and its application to an all directional IRST system[J].Journal of Infrared and Millimeter Waves,2007,23(3):209-212.
[9]YANG Sheng-yan,HSU Chiou-ting.Background Modeling from GMM Likelihood Combined with Spatial and Color Coherence on Image Processing[C]//Proc.ICIP2006,Atlanta,GA,Oct8-11,2006:2801-2804.
[10]印勇,王亚飞.基于空间邻域相关性的运动目标检测方法[J].光电工程,2009,36(2):2-5.YIN Yong,WANG Ya-fei.Moving Object Detection Based on Spatial Local Correlation[J].Opto-Electronic Engineering,2009,36(2):2-5.
[11]张春华,周晓东,陈维真.基于背景抑制的星空图像目标运动轨迹提取[J].红外与激光工程,2008,37(1):143-146.ZHANG Chun-hua,ZHOU Xiao-dong,CHENG Wei-zhen.Small Target Trace Acquisition Algorithm for Sequence Star Images with Moving Background[J].Infrared and Laser Engineering,2008,37(1):143-146.