机载雷达杂波抑制与目标检测算法研究
机载雷达对地、海探测时面临着复杂的杂波环境,空时自适应处理(STAP)技术通过联合空时二维自由度可以有效地抑制杂波,提高动目标检测性能。考虑到实际中机载雷达接收的回波数据通常是非均匀的,本文围绕非均匀环境下的STAP技术和自适应检测方法展开研究,并进一步讨论了STAP在MIMO雷达和稀疏阵列中的相关应用,主要工作和贡献为:(1)分析了机载雷达的海杂波建模方案机载平台由于运动导致杂波能量在空域和时域中扩散,加之海杂波的物理机理复杂,非高斯、非平稳性显著,对机载雷达下的海杂波建模是信号处理算法研究的基础。本文采用积分法对机载运动平台杂波回波进行建模,分析了杂波单元上的散射机理。从统计角度入手研究了海杂波的幅度分布特性,讨论了几种适用于不同雷达分辨率和海况的幅度分布模型,对比研究了不同参数下各自的幅度统计图。结合实测海杂波数据,介绍了几种海杂波分布参数的估计方法,比较了不同分布模型的拟合性能。(2)研究了机载雷达非均匀杂波中的STAP算法当机载雷达面临的杂波环境非均匀时,STAP所需的独立同分布样本数有限,杂波协方差矩阵(CCM)难以准确估计。对此,给出了三种小样本下的杂波协方差矩阵估计方法,在样本数较少的情况下具有较准确的估计精度。在介绍STAP基本原理的基础上,讨论了几种常用的降维STAP方法选择辅助通道的方式,但往往这种固定的通道选择法不是最优方案。为了自适应地选择降维通道,本文通过对变换域的输出信杂噪比(SCNR)进行数学分解,提出一种根据角度-多普勒相关系数大小选择辅助通道的降
维STAP方法,并将其拓展到保留全空域自由度的情况,通过理论仿真和实测数据处理验证了所提算法的有效性。(3)研究了海杂波中知识辅助的自适应检测算法STAP的最终目的是检测目标,空时自适应检测实现了杂波抑制与目标检测的结合,针对采用复合高斯模型的海杂波背景,研究了纹理分量服从双参数逆高斯分布时点目标和距离拓展目标的广义似然比检测器(GLRT),提出根据纹理分量和散斑分量的先验模型,基于知识的协方差矩阵估计方法,比较了采用不同自适应检测器的检测性能。当机载平台运动时,利用杂波协方差矩阵的低秩特性估计出杂波基的幅度参数和噪声功率,提出了仅采用待检测单元回波数据的动目标GLRT检测器,在样本数较少时相比于传统需要训练样本的GLRT检测器具有更好的检测性能。(4)研究了机载MIMO雷达的STAP处理问题针对MIMO雷达在机载平台中的应用,研究了发射频分线性调频(FDLFM)信号时距离像旁瓣的抑制技术,提出一种对阵列的综合接收信号进行谱修正并在频域加窗的旁瓣抑制方法。当
FD-MIMO雷达各发射信号间的频率间隔增大时,信号处理需要考虑宽带效应的影响,本文给出了频率分集信号的模型以及机载平台下的杂波秩估计公式,研究了杂波抑制中由频率间隔增大引起的多普勒频率偏移补偿方法,有效地改善了高速目标的检测性能。根据MIMO雷达的三维级联结构特性,提出一种自由联合各级信号数据,并在每一级处理时灵活搭配不同滤波器的信号处理框架,比较了几类典型方法的计算量和杂波抑制性能。(5)研究了非均匀阵列和脉冲的稀疏STAP算法除了MIMO雷达之外,特殊结构的稀疏阵列同样能够实现空域自由度
的扩展。本文首先介绍了嵌套阵列的信号模型,对比了几种常见稀疏阵列的布阵方式,随后将嵌套阵的概念引入到机载雷达天线脉冲的布置问题中,通过一定准则布置天线位置和脉冲发射时间,使得空时联合采样位置的子集满足嵌套阵的采样形式,再利用杂波协方差矩阵的结构特性对其进行重构,实现了空时分辨率的显著提高。此外,针对采用均匀线阵和发射连续脉冲的机载雷达,提出一种从回波数据中选择满足嵌套阵采样位置的天线脉冲对,估计出压缩的杂波协方差矩阵,在此基础上增加杂波抑制能力较强的天线脉冲对的方法,相比于已有算法具有更小的计算量和更好的天线脉冲选择策略。
龙源期刊网 https://www.doczj.com/doc/c818119931.html, 目标检测方法简要综述 作者：栗佩康袁芳芳李航涛 来源：《科技风》2020年第18期 摘要：目标检测是计算机视觉领域中的重要问题，是人脸识别、车辆检测、路网提取等领域的理论基础。随着深度学习的快速发展，与基于滑窗以手工提取特征做分类的传统目标检测算法相比，基于深度学习的目标检测算法无论在检测精度上还是在时间复杂度上都大大超过了传统算法，本文将简单介绍目标检测算法的发展历程。 关键词：目标检测;机器学习;深度神经网络 目标检测的目的可分为检测图像中感兴趣目标的位置和对感兴趣目标进行分类。目标检测比低阶的分类任务复杂，同时也是高阶图像分割任的重要基础;目标检测也是人脸识别、车辆检测、路网检测等应用领域的理论基础。 传统的目标检测算法是基于滑窗遍历进行区域选择，然后使用HOG、SIFT等特征对滑窗内的图像块进行特征提取，最后使用SVM、AdaBoost等分类器对已提取特征进行分类。手工构建特征较为复杂，检测精度提升有限，基于滑窗的算法计算复杂度较高，此类方法的发展停滞，本文不再展开。近年来，基于深度学习的目标检测算法成为主流，分为两阶段和单阶段两类：两阶段算法先在图像中选取候选区域，然后对候选区域进行目标分类与位置精修;单阶段算法是基于全局做回归分类，直接产生目标物体的位置及类别。单阶段算法更具实时性，但检测精度有损失，下面介绍这两类目标检测算法。 1 基于候选区域的两阶段目标检测方法 率先将深度学习引入目标检测的是Girshick[1]于2014年提出的区域卷积神经网络目标检测模型（R-CNN）。首先使用区域选择性搜索算法在图像上提取约2000个候选区域，然后使用卷积神经网络对各候选区域进行特征提取，接着使用SVM对候选区域进行分类并利用NMS 回归目标位置。与传统算法相比，R-CNN的检测精度有很大提升，但缺点是：由于全连接层的限制，输入CNN的图像为固定尺寸，且每个图像块输入CNN单独处理，无特征提取共享，重复计算;选择性搜索算法仍有冗余，耗费时间等。 基于R-CNN只能接受固定尺寸图像输入和无卷积特征共享，He[2]于2014年参考金字塔匹配理论在CNN中加入SPP-Net结构。该结构复用第五卷积层的特征响应图，将任意尺寸的候选区域转为固定长度的特征向量，最后一个卷积层后接入的为SPP层。该方法只对原图做一
目标识别技术 摘要： 针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。最后分析了问题的可能解决思路。 引言： 雷达目标识别技术回顾及发展现状 雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标识别理论和技术。 随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反映一个国家的军事实力和作战能力。 雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减速，落在真弹头的后面，从而可以区别目标。 所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高，对雷达目标识别提出了越来越高的要求。 目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高
人体目标检测与跟踪算法研究 摘要：近些年以来，基于视频中人体目标的检测与跟踪技术研究越来越被重视。然而，由于受到目标自身特征多样性和目标所处环境的复杂性和不确定性的影响，现存算法的性能受到很大的限制。本文对目前所存在的问题进行了分析，并提出了三帧差分法和改进阈值分割法相结合的运动目标检测算法和多特征融合的改进运动目标跟踪算法。这两种算法不仅可以准确有效的检测出运动目标而且能够满足实时性的要求，有效的解决了因光照变化和目标遮挡等情况造成的运动目标跟踪准确度下降或跟踪目标丢失等问题。 关键词：三帧差分，Camshift，阈值分割 Research Based on Human Target Detectionand Tracking Algorithm Abstract: In recent years, human object detection and tracking become more and more important. However the complexity, uncertainty environment and the target’s own diversity limit the performance of existing algorithms. The main works of this paper is to study and analysis the main algorithm of the human object detection and tracking, and proposes a new moving target detection method based on three-frame difference method and threshold segmentation and improved Camshift tracking algorithm based on multi-feature fusion. These algorithm can satisfy the real-time, while accurately and efficiently detect moving targets, and also effectively solves the problem of tracking object lost or misplaced under illumination change or target occlusion. Keywords: three-frame difference, Camshift, threshold segmentation 一、绪论 （一）选题的背景和意义 人类和动物主要通过眼睛来感受和认知外部世界。人类通过视觉所获取的信息占了60%[1]，因此，在开发和完善人工智能的过程中，赋予机器视觉的功能这一操作极不可缺少。完善上述功能需要以许多技术为基础，特别是运动目标的检测与跟踪技术。近些年以来，此技术受到了越来越多的关注[2]。目前，此技术也在各领域得到了充分的应用，涵盖的领域有智能交通、导航、智能视频监控、精确制导、人机交互和多媒体视频编码压缩技术等。
运动序列目标检测算法研究及DSP实现 李文艳，王月琴，张笑微 （西南科技大学信息工程学院四川绵阳621010） 摘要：由于实际场景的多样性，目前常用的运动目标检测算法都还存在一定程度的缺陷，因此本文提出了一种将帧差法和背景减法相结合的方法，实现快速精确地检测和提取运动目标。实验结果表明，本方法是比较实用的，能较好满足实时视频监控系统的要求。最后将程序移植到基于DSP的平台上，进行相应的优化后基本满足了实时性的要求。 关键词：目标检测；帧差法；背景减法 中图分类号：TP751.1 文献标识码：A Algorism Research of Moving Object Detection and DSP Implementation LI Wen-yan，WANG Yue-qin，ZHANG Xiao-wei (Southwest University of Science and Technology Mianyang Sichuan China 621010) Abstract: Because of the environment’s variety, the methods that have been used for moving object detection need to be improved. An algorithm based on two consecutive frames subtraction and background subtraction is presented and it can detect and extract object quickly and accurately. The results show that the proposed method is a practical one. It can meet the need of the real time video surveillance and monitoring system. The coding is transplanted in DSP, and the project is executed successfully on CCS simulator. Keywords: Object detection; Frames subtraction; Background subtraction 引言 运动目标的检测在智能监控等领域中得到了广泛的应用。运动目标的检测就是从视频流中去除静止背景提取出运动的目标，运动目标的有效分割对跟踪等后期处理非常关键。 本文提出了将帧间差分和背景减法相结合的方法。首先选取一帧作为背景帧, 建立各像素点的高斯模型。再运用帧间差分法对相邻两帧图像进行差分处理, 区分出背景点和变化的区域。然后将变化区域与背景帧的对应区域进行模型拟合区分出显露区和运动物体。 1 运动目标检测算法总体流程 采用帧间差分与背景减法相结合的算法进行运动目标检测，包括运动目标的检测和将检测到的运动目标从背景中分割出来两部分，其系统框架流程图如图1所示。 图1 运动目标检测流程图 这种设计充分利用了被检测区域部分时间静止的特点，具有智能检测的功能，它只在检
49642009,30(21)计算机工程与设计Computer Engineering and Design 0引言 复杂背景下低信噪比运动目标的检测和跟踪是雷达信号处理系统的关键技术之一。在微弱运动目标检测和跟踪的应用中，雷达接收的远距离目标回波强度非常弱，信噪比很低，目标易被噪声淹没，单个脉冲回波的信噪比甚至是负的，若仅对单帧图像处理，不能可靠地检测目标。在预警雷达应用中，由于运动目标距离雷达较远，又处在强杂波环境中，对微弱运动目标的检测与跟踪是雷达信号处理的一个重要课题。早期算法主要有Kalman滤波等方法，主要采用检测后跟踪(detect before track，DBT)方法，这类方法在信噪比较高时可以取得很好的效果，否则不能检测出目标。要想对微弱目标进行有效的检测及跟踪，除了抑制杂波和降低系统噪声等方法外，一种有效的方法是检测前跟踪(track before detect，TBD)方法，即对单次观测信号先不进行判断，而是结合雷达图像特点，对目标进行多次观测，计算出目标在各帧图像之间的移动规律，预测目标在下一帧图像的可能位置，同时在帧与帧之间将多次扫描得到的数据沿着预测轨迹进行几乎没有信息损失的相关处理，从而改善目标的信噪比，提高检测性能，在得到检测结果的同时获得目标航迹。 目前，用于微弱目标检测的TBD方法主要有极大似然法、粒子滤波法、动态规划(dynamic programming，DP)法、Hough变换法，等[1-2]。其中，Hough变换法对检测沿径向做匀速直线运动的目标具有较好的检测性能，目标在直线轨迹上的能量集中在Hough变换后的单点上，目标轨迹的能量远大于其它点的能量，但计算量和存储量都较大[3]，难以实现。动态规划算法对目标信噪比要求较低，可以探测各种运动形式的目标[4-5]。 动态规划算法是美国Y.Barniv于1985年提出的，利用动态规划的分段优化思想，将目标轨迹搜索问题分解为分级优化的问题[6]。将其应用到雷达微弱目标检测中，可将雷达回波信号在多普勒频率和距离二维方向的幅度排列成图像，在多帧相继的图像序列中，运动目标轨迹可看作是一条连续变化的曲线，利用动态规划算法，检测是否存在着这样一条曲线，从而判断目标是否存在。 基于动态规划的检测前跟踪的关键在于沿目标运动航迹积累能量[7-8]，可以看出，搜索目标航迹的计算量非常大，在实际应用中存在不足。在预警雷达中，来袭目标比远离雷达的目标更具有威胁性，更需早期发现和预防，所以单独针对来袭目标进行探测，可以大大减少动态规划法搜索的运算量，提高预警雷达的探测能力。本文针对动态规划算法计算量大的缺 收稿日期：2009-02-26；修订日期：2009-06-10。
1.雷达系统中杂波信号的建模与仿真目的 雷达的基本工作原理是利用目标对雷达波的散射特性探测和识别目标。然而目标存在于周围的自然环境中，环境对雷达电磁波也会产生散射，从而对目标信号的检测产生干扰，这些干扰就称为雷达杂波。对雷达杂波的研究并通过相应的信号处理技术可以最大限度的压制杂波干扰，发挥雷达的工作性能。 雷达研制阶段的外场测试不仅耗费大量的人力、物力和财力，而且容易受大气状况影响，延长了研制周期。随着现代数字电子技术和仿真技术的发展，计算机仿真技术被广泛应用于包括雷达系统设计在内的科研生产的各个领域，在一定程度上可以替代外场测试，降低雷达研制的成本和周期。 长期以来，由于对杂波建模与仿真的应用己发展了多种杂波类型和多种建模与仿真方法。然而却缺少一个集合了各种典型杂波产生的成熟的软件包，雷达系统的研究人员在需要用到某一种杂波时，不得不亲自动手，从建立模型到计算机仿真，重复劳动，造成了大量的时间和人力的浪费。因此，建立一个雷达杂波库，就可以使得科研人员在用到杂波时无需重新编制程序，而直接从库中调用杂波生成模块，用来产生杂波数据或是用来构成雷达系统仿真模型，在节省时间和提高仿真效率上的效益是十分可观的。 从七十年代至今已经公布了很多杂波模型，其中有几类是公认的比较合适的模型。而且，杂波建模与仿真技术的发展己有三十多年的历史，己经有了一些比较成熟的理论和行之有效的方法，这就使得建立雷达杂波库具有可行性。 为了能够反映雷达信号处理机的真实性能，同时为改进信号处理方案提供理论依据，雷达杂波仿真模块输出的杂波模拟信号应该能够逼真的反映对象环境的散射环境。模拟杂波的一些重要散射特性影响着雷达对目标的检测和踉踪性能，比如模拟杂波的功率谱特性与雷达的动目标显示滤波器性能有关;模拟杂波的幅度起伏特性与雷达的恒虚警率检测处理性能有关。因此，杂波模拟方案的设计是雷达仿真设计中极其重要的内容，杂波模型的精确性、通用性和灵活性是衡量杂波产生模块的重要指标。 2.Simulink简介 Simulink是MATLAB最重要的组件之一，它提供一个动态系统建模、仿真和
雷达杂波抑制关键技术研究 摘要：针对防空系统雷达强杂波背景下雷达弱小目标检测问题，在分析传统杂 波抑制存在的问题的基础上，梳理了杂波图CFAR检测、检测跟踪联合处理、智 能杂波抑制等关键技术，并简要分析其原理及技术途径，并对雷达杂波抑制技术 发展趋势进行分析。 关键词：强杂波；CFAR；目标检测 1 引言 基于雷达信息的探测感知是现代信息化战争中武器装备的核心关键能力，随着低空突防、隐身突防、电磁干扰手段的普遍使用，造成雷达探测感知能力的急剧下降，进而导致防空武 器系统的作战效能严重下降。雷达通过向目标辐射电磁波，然后接收从目标反射回来的电磁 波信号，再通过先进的信号处理技术，将有用目标信号从杂波和干扰中提取处理，进而完成 目标检测、位置估计、分类识别等功能。巡航导弹等低空目标可通过超低空自主飞行，利用 地球曲率限制或复杂的地理环境实施攻击，雷达对其进行探测时，面临严重的地海杂波问题，为保证武器系统对低空目标的有效作战能力，必须解决强杂波背景下低小慢目标探测问题。 2 强杂波背景下目标检测面临的问题 当前，雷达探测面临复杂的地理环境，导引头下视探测以及地基雷达低空或下视探测时 不可避免会受到地理环境的制约以及地海杂波干扰。这些背景杂波强度大，按照实际的测量 可得，幅度最强的地杂波可比系统内部的噪声大70 dB 以上。另外由于地貌变换（如山区）、地表反射特性变化、离散强杂波点等使得杂波出现严重的非均匀/非平稳现象等，给杂波抑制等来严重挑战。 雷达杂波抑制技术经多年发展，目前常用的处理方法主要包括MTI、MTD、PD、STAP及 相应的改进设计等，同时也提出了多种目标检测方法，包括CA-CFAR、GO-CFAR、SO-CFAR、OS-CFAR等。然而，由于当前雷达系统处理中环境的认知有限，杂波抑制滤波器的选择和设 计缺乏针对性，目标检测处理仍主要采取针对均匀平稳杂波的方法，多数情况下不满足实际 情况，使得杂波剩余较强，目标检测困难。 3 杂波抑制主要关键技术 3.1 杂波图CFAR检测技术 利用恒虚警检测[1]方法，对杂波背景功率的估计大致有两类，一类是空域检测技术，也 称为距离恒虚警检测技术，它将邻近参考单元处理器的输出均值作为检测门限的背景值，主 要应用在杂波分布比较均匀的雷达杂波背景中。另一类是时域检测技术，即杂波图CFAR 检 测技术[2]，它是依据前面若干次天线扫描的值得到的杂波背景功率来对检测单元进行检测， 在均匀或者非均匀的雷达杂波背景中都可以稳定工作。通常，杂波强度在方位/距离上有剧烈的变化，在同一距离单元随时间变化相对平缓，空域检测中的恒虚警检测方法仅能通过减小 参考单元的个数，来减小虚警率的损失，这样却会导致虚警率无法保持恒定。因此，为了改 善目标的检测性能，必须找到更好的检测方法。杂波图CFAR 检测方法恰好可以解决这个问题，其存储在每个检测单元的估计值，是依据当前及以前的多次扫描值，然后利用一定的递 归算法进行更新的。海杂波的统计特性与地杂波和气象杂波不同，与雷达重复周期相比，海 浪的起伏比较平缓，因此海杂波在邻近的脉冲间有较强的相关性，进行脉间积累检测时，性 能并不理想。在空域中，海杂波的统计特性变化非常剧烈，而在时域中，变化相对平缓。因此，可以利用杂波图CFAR 检测方法来改善目标的检测性能。
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910344449.2 (22)申请日 2019.04.26 (71)申请人 惠州市德赛西威智能交通技术研究 院有限公司 地址 516006 广东省惠州市仲恺高新区和 畅五路西8号投资控股大厦 (72)发明人 孙靖虎 曾迪 黄力 温和鑫 盘敏容 蒋留兵 (74)专利代理机构 惠州创联专利代理事务所 (普通合伙) 44382 代理人 韩淑英 (51)Int.Cl. G01S 13/02(2006.01) G01S 13/08(2006.01) G01S 13/58(2006.01) G01S 7/41(2006.01) (54)发明名称 一种雷达目标检测方法及应用其的雷达 (57)摘要 本发明涉及一种雷达目标检测方法。本发明 提供了一种运行速度快、探测精度高的雷达目标 检测方法，本发明中，雷达的一帧检测中第二发 射波的发射次数可与第一发射波不同，可通过设 置较少的第二发射波的发射次数来缩短雷达的 检测帧周期；本发明中第二发射波只需要进行一 次一维FFT而无需进行二维FFT，降低了计算复杂 度， 提高了数据处理速度。权利要求书2页 说明书7页 附图4页CN 110133630 A 2019.08.16 C N 110133630 A
1.一种雷达目标检测方法，其特征在于，包括以下步骤： 步骤一、发射K1次周期为T1、的第一发射波，所述第一发射波被目标反射后被天线接收得到第一回波； 步骤二、对每个周期的第一回波进行N点采样一维FFT变换得到第一回波一维FFT结果； 步骤三、对所述第一回波一维FFT结果进行二维FFT变换得到坐标对应第一距离单元号、第一模糊速度号的距离多普勒谱，其中第一距离单元号为对单个周期的第一回波进行一维FFT采样的序号，第一模糊速度号为所述第一发射波的发射周期的序号；根据第一回波的目标检测距离、目标检测模糊速度与所述距离多普勒谱的峰值的对应关系求第一回波的目标检测距离及目标检测模糊速度； 步骤四、发射K2次与所述第一发射波频率互质的周期为T2的第二发射波，所述第二发射波被目标发射后被所述天线接收得到第二回波，对每个周期的第二回波进行N点采样一维FFT变换得到对应不同第二距离单元号、第二模糊速度号的第二回波一维FFT结果，其中第二距离单元号为对单个周期的第二回波进行一维FFT采样的序号，第二模糊速度号为所述第二发射波的发射周期的序号； 步骤五、根据步骤三得到的第一回波的目标检测模糊速度与目标真实速度可能值之间的关系求目标真实速度可能值的速度旋转因子，并将该速度旋转因子与步骤四得到的第二回波一维FFT结果形成关联，然后对该关联结果进行解模糊，再根据解模糊的结果对步骤2求得的第一回波的目标检测距离、目标检测模糊速度进行修正从而求得目标真实速度及目标真实距离；以及 步骤六、输出步骤四获得的目标真实速度及目标真实距离。 2.根据权利要求1所述的一种雷达目标检测方法，其特征在于，步骤三中求第一回波的目标检测距离及目标检测模糊速度方法为： 在所述距离多普勒中寻找峰值，该峰值对应的距离单元号、模糊速度号即为目标所处 的第一距离单元号 第一模糊速度号 再根据目标所处的第一距离单元号电磁波的传播速度C、第一发射波的射频带宽B1计算第一回波的目标检测距离以及 根据目标所处的第一模糊速度号所述天线中心频率对应的波长λ、步骤1中所述第一发射波的发射次数K1及周期T1计算第一回波的目标检测模糊速度 3.根据权利要求2所述的一种雷达目标检测方法，其特征在于，所述步骤五具体包括： 定义目标真实速度可能值的速度旋转因子V DFT ： 式中V r为目标真实速度可能值；z为所述第二模糊速度号； 将第一回波的目标检测模糊速 度与目标真实速度可能值V r之间的关 系代入步骤4.1中目标真实速度可能值的速度旋转因子V DFT的定义公式中， 式中m为取值范围为[-d，d]的模糊数单元号，其中d为正整数，从而求得目标真实速度可能值的速度旋转因子； 权 利 要 求 书1/2页 2 CN 110133630 A
function MovingTargetDetectionByMMI() %Moving Target Detection %Based on Maximun Mutual Information % %EDIT BY PSL@CSU %QQ：547423688 %Email：anyuezhiji@https://www.doczj.com/doc/c818119931.html, %2012-06-01 %读文件 Im1=imread('001.jpg'); Im2=imread('002.jpg'); Im3=imread('003.jpg'); Im1=rgb2gray(Im1); Im2=rgb2gray(Im2); Im3=rgb2gray(Im3); tic; d12=GetDifferenceImg(Im2,Im1); d23=GetDifferenceImg(Im2,Im3); d=d12.*d23; se =; for i=1:4 d = imfilter(d,se); end for i=1:2 d = medfilt2(d,); end %%d=abs((d12-d23).^0.7); d=uint8(d/max(max(d))*255); level = graythresh(d); BW = im2bw(d,level); s=regionprops(BW,'BoundingBox'); figure(1)
subplot(2,2,1); imshow(uint8(d12/max(max(d12))*255)); title('参考帧与前一帧的差值') subplot(2,2,2); imshow(uint8(d23/max(max(d23))*255)); title('参考帧与后一帧的差值') subplot(2,2,3); imshow(BW); title('由前后帧得出的差值') subplot(2,2,4); imshow(Im2); %imshow(d); rectangle('Position',s(1).BoundingBox,'Curvature',,'LineWidth',2,'LineStyle','--','EdgeColor', 'r') title('参考帧与检测结果') %求相邻两帧重合部分差值主函数 function outImg=GetDifferenceImg(R,F) =dwt2(R,'db1'); =dwt2(F,'db1'); CA1=uint8(CA1); CA2=uint8(CA2); fprintf('\n------PSO start\n'); =PSO(CA1,CA2); while mi<1.2 =PSO(CA1,CA2); end fprintf('tx:%f ty:%f ang:%f mi:%f\n',pa(1),pa(2),pa(3),mi); fprintf('------PSO end\n\n'); %pa=; fprintf('------Powell start\n'); mi_old=0; while abs(mi-mi_old)>0.01
对空高速目标信号处理 对于常规慢速目标，在相参处理时间内该走动量通常不会超过一个距离单元。而对于高速目标，它可能跨越多个距离单元，而必须加以处理才能实现相参处理时间内多次回波的相参积累。尤其HSV载体运动速度很高且机动能力很强，雷达目标间的高速高机动特性更加明显，雷达目标回波会出现跨距离单元、跨多普勒单元问题，加剧了目标回波相参积累的难度。为了提高雷达的探测性能，需要补偿后才能达到好的积累增益。 雷达目标间的相对速度最高可达15马赫以上，加速度最高可达20g。以速度每秒5000米为例，如果雷达相参处理时间为50ms，其运动距离可达250米，对窄带雷达来讲需要考虑回波包络的补偿。此外，速度在相参时间里变化10m/s，对X波段雷达来说，多普勒扩展为667Hz，而多普勒分辨率为20Hz。所以为了获得高的处理增益，提高探测距离，回波多普勒扩散需要补偿。 （1）高重频信号处理 高脉冲重复频率的相参脉冲串信号的频谱如图3.5所示。除了载频上的中央谱线之外，在载频PRF的整数倍处还有其它一些谱线，谱线间隔为脉冲重复频率。发射频谱的包络取决于脉冲形状，例如，矩形脉冲时为sin/x x形。运动目标回波的频谱是发射频谱偏移后的复制品，也含有一些间隔为PRF的谱线。
f 0r f f +0r f f -02r f f -02r f f + 图3.8 PD 雷达发射信号的频谱 高占空比高重频的信号没有距离门的概念，可以只考虑多普勒扩展的影响。由于加速度的存在对回波信号补偿后其多普勒仍不为常数而是时变的，故需要进一步获取目标的精确运动参数。解线性调频法是一种简单而且易于实现的运动补偿法。 可用一个调频因子2 j ut e π-（λ/2a u =）与信号相乘，即 2 (,){()}j ut d D f u FFT r t e π-= （3.1） 当u ＝02/a λ （其中 0a 为目标的加速度真值）、式（3.1）出现峰值。因而速度、加速度的精确估计问题转化为寻找最优的u 即a 的问题。 利用解线性调频法精确估计速度、加速度，关键是对式（3.1）中的u 进行最优搜索，搜索步长的选取十分重要，如果步长选得过大，就不能满足估计精度要求；如果搜索步长选得过小，则运算量剧增，不利于算法的实时处理和工程实现。 由于u 需要遍历搜索，为减少运算量以及提高估计精度，可以采用“逐次逼近法”来估计目标的速度、加速度。对u 遍历搜索时，为满足精度要求搜索步长必须选得很小，我们要计算的FFT 次数太多，运算量相当的大，“逐次逼近法”在保证估计精度的前提下，有效的解
图像显著性目标检测算法研究 随着移动电子设备的不断升级与应用,使用图像来记录或表达信息已成为一种常态。我们要想快速地在海量图像中提取出有价值的信息,那么需要模拟人类视觉系统在机器视觉系统进行计算机视觉热点问题的研究。 图像显著性目标检测对图像中最引人注意且最能表征图像内容的部分进行检测。在图像显著性目标检测任务中,传统的方法一般利用纹理、颜色等低层级视觉信息自下向上地进行数据驱动式检测。 对于含有单一目标或高对比度的自然场景图像,可以从多个角度去挖掘其显著性信息,如先验知识、误差重构等。然而,对于那些具有挑战性的自然场景图像,如复杂的背景、低对比度等,传统的方法通常会检测失败。 基于深度卷积神经网络的算法利用高层级语义信息结合上下文充分挖掘潜在的细节,相较于传统的方法已取得了更优越的显著性检测性能。本文对于图像显著性检测任务存在的主要问题提出了相应的解决方法。 本文的主要贡献如下:为充分挖掘图像多种显著性信息,并使其能够达到优势互补效果,本文提出了一种有效的模型,即融合先验信息和重构信息的显著性目标检测模型。重构过程包括密度重构策略与稀疏重构策略。 密度重构其优势在于能够更准确地定位存在于图像边缘的显著性物体。而稀疏重构更具鲁棒性,能够更有效地抑制复杂背景。 先验过程包含背景先验策略与中心先验策略,通过先验信息可更均匀地突出图像中的显著性目标。最后,把重构过程与先验过程生成的显著特征做非线性融合操作。 实验结果充分说明了该模型的高效性能与优越性能。针对图像中存在多个显
著性目标或者检测到的显著性目标存在边界模糊问题,本文提出了一种基于多层级连续特征细化的深度显著性目标检测模型。 该模型包括三个阶段:多层级连续特征提取、分层边界细化和显著性特征融合。首先,在多个层级上连续提取和编码高级语义特征,该过程充分挖掘了全局空间信息和不同层级的细节信息。 然后,通过反卷积操作对多层级特征做边界细化处理。分层边界细化后,把不同层级的显著特征做融合操作得到结果显著图。 在具有挑战性的多个基准数据集上使用综合评价指标进行性能测试,实验结果表明该方法具有优越的显著性检测性能。对于低对比度或者小目标等问题,本文提出一种新颖模型,即通道层级特征响应模型。 该模型包含三个部分:通道式粗特征提取,层级通道特征细化和层级特征图融合。该方法基于挤压激励残差网络,依据卷积特征通道之间的相关性进行建模。 首先,输入图像通过通道式粗特征提取过程生成空间信息丢失较多的粗糙特征图。然后,从高层级到低层级逐步细化通道特征,充分挖掘潜在的通道相关性细节信息。 接着,对多层级特征做融合操作得到结果显著图。在含有复杂场景的多个基准数据集上与其它先进算法进行比较,实验结果证明该算法具有较高的计算效率和卓越的显著性检测性能。
雷达目标识别发展趋势 雷达具备目标识别功能是智能化的表现，不妨参照人的认知过程，预测雷达目标识别技术的发展趋势： (1)综合目标识别 用于目标识别的雷达必将具备测量多种目标特征的手段，综合多种特征进行目标识别。我们人类认知某一事物时，可以通过观察、触摸、听、闻、尝，甚至做实验的方法认知，手段可谓丰富，确保了认知的正确性。 目标特征测量的每种手段会越来越精确，就如同弱视的人看东西，肯定没有正常人看得清楚，也就不能认知目标。 识别结果反馈给目标特征测量，使目标特征测量成为具有先验信息的测量，特征测量精度会有所提高，识别的准确程度也会相应提高。 雷达具备同时识别目标和背景的功能。人类在观察事物的时候，不仅看到了事物的本身，也看到了事物所处的环境。现有的雷达大多通过杂波抑制、干扰抑制等方法剔除了干扰和杂波，未来的雷达系统需要具备识别目标所处背景的能力，这些背景信息在战时也是有用的信息。 雷达具备自适应多层次综合目标识别能力。用于目标识别的雷达虽然需要具备测量多种目标特征的手段，但识别目标时不一定需要综合所有的特征，这一方面是因为雷达系统资源不允许，另一方面也是因为没有必要精确识别所有的目标。比如司机在开车时，视野中有很多目标，首先要评价哪几个目标有威胁，再粗分类一下，是行人还是汽车，最后再重点关注一下靠得太近、速度太快的是行人中的小孩子还是汽车中的大卡车。 (2)自学习功能 雷达在设计、实现、装备的过程中，即具备了设计师的基因，但除了优秀的基因之外，雷达还需要具有学习功能，才能在实战应用中逐渐成熟。 首先，要具有正确的学习方法，这是设计师赋予的。对于实际环境，雷达目标识别系统应该知道如何更新目标特征库、如何调整目标识别算法、如何发挥更好的识别性能。 其次，要人工辅助雷达目标识别系统进行学习，这就如同老师和学生的关系。在目标识别系统学习时，雷达观测已知类型的合作目标，雷达操作员为目标识别系统指出目标的类型，目标识别系统进行学习。同时还可以人为的创造复杂的电磁环境，使目标识别系统能更好地适应环境。 (3)多传感器融合识别 多传感器的融合识别必定会提高识别性能，这是毋容置疑的。这就好比大家坐下来一起讨论问题，总能讨论出一个好的结果，至少比一个人说的话更可信。但又不能是通过投票的方式，专家的话肯定比门外汉更有说服力。多传感器融合识别需要具备双向作用的能力。 并不是给出融合识别的结果就结束了，而是要利用融合识别的结果反过来提高各个传感器的识别性能，这才是融合识别的根本目的所在。反向作用在一定程度上降低了人工辅助来训练目标识别系统的必要性，也减少了分别进行目标识别试验的总成本。
视觉目标检测算法说明 1.功能 通过安装在战车上的摄像头，检测视野范围内的敌方战车。 2.算法： 2.1目标检测与识别 1.颜色检测 采集大量敌方机器人的图片数据，并进行训练，得到对方机器人的颜色区间， 并以此为阈值对整幅图像进行颜色检测，找到疑似敌方机器人的区域，量化 成二值图。 2.滤除噪声点 对得到的二值图像进行开运算处理，滤除颜色检测结果中的噪声点。 3.连通区域检测 对图像中的疑似区域进行连通区域检测，计算出每个疑似区域的外部轮廓， 用矩形近似表示。 4.连通区域合并 根据连通区域之间的距离和颜色相似性，将距离接近且相似性高的连通区域 进行合并。 5.形状和大小过滤 对大量敌方机器人图片进行训练，得到对方机器人的形状信息（例如长宽比） 和大小信息（面积），并以此为依据将不符合的区域过滤掉。 经过以上五步的处理，可以初步得到敌方机器人的位置、大小和形状信息。 2.2目标运动跟踪 对上步中的检测结果进行运动跟踪。 1.状态估计 根据上一时刻地方机器人的运动状态（包括位置和速度），估算当前时刻机 器人的运动状态。 2.轨迹关联 根据位置和颜色信息，对当前时刻机器人的估计状态和检测结果进行关联。 3.状态更新 若上一步中关联成功，更新当前时刻的运动状态。 通过对检测结果进行运动跟踪，可以计算出当前时刻敌方机器人的运动速度和方 向。 2.3预估提前量
1.评估延迟时间 根据己方机器人实际的调试情况，通过多次试验和统计的方法，估算己方机器人从接收命令到炮弹（或子弹）击中目标区域的时间延时（包括图像处理 时间、落弹时间和炮弹飞行时间）。 2.计算提前量 根据延迟时间和敌方机器人的运动速度，计算炮弹发射的提前量，补偿到敌方机器人的运动状态中。 3.总结： 对于机器人战车中的敌方目标检问题，有很多种方法可以实现，视觉检测只是其中的一种方法，而基于颜色识别的目标检测也只是视觉算法中比较简单有效的一种。所以，本段代码只是抛砖引玉的一个样本，适用范围只针对于2014年RoboMasters夏令营的场地和战车，希望可以看到大家更加简单有效的算法。
视频目标检测与跟踪算法综述 1、引言 运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在 视频编码、智能交通、监控、图像检测等众多领域中。本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。 2、视频监控图像的运动目标检测方法 运动目标检测的目的是把运动目标从背景图像中分割出来。运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。所有这些特点使得运动目标的检测成为一项相当困难的事情。目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。 2.1 帧差法 帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设(,)k f x y 和(1)(,)k f x y +分别为图像序列中的第k 帧和第k+1帧中象素点(x ，y)的象素值,则这两帧图像的差值图像就如公式2-1 所示： 1(1)(,)(,)k k k Diff f x y f x y ++=- (2-1) 2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。利用此原理便可以提取出目标。下图给出了帧差法的基本流程：1、首先利用2-1 式得到第k 帧和第k+1帧的差值图像1k Diff +；2、对所得到的差值图像1k Diff +二值化（如式子2-2 示）得到Qk+1；3、为消除微小噪声的干扰，使得到的运动目标更准确，对1k Q +进行必要的滤波和去噪处理，后处理结果为1k M +。 111255,,(,)0,,(,)k k k if Diff x y T Q if Diff x y T +++>?=?≤? （T 为阈值） （2-2）
基于载波域自适应迭代滤波器的无源雷达多径杂波抑制方法 赵志欣 周新华 洪 升* 翁 涛 王玉皞 (南昌大学信息工程学院 南昌 330031) 摘 要：在无源雷达系统中，监测通道信号中存在零频和非零频多径杂波，影响目标的检测。时域自适应迭代滤波器(如LMS, NLMS, RLS 等)常被用于无源雷达杂波抑制，但这些方法只适用于零频多径杂波。该文针对零频和非零频多径杂波的问题，结合数字广播电视信号的正交频分复用波形特征，提出一种基于载波域自适应迭代滤波器的杂波抑制算法。该算法利用同一载频下含有相同多普勒频移的多径杂波的相关性原理，进行杂波抑制。仿真和实测数据处理结果证明了算法的有效性。 关键词：无源雷达；数字广播电视信号；多径杂波抑制；递归最小二次方算法中图分类号：TN958文献标识码：A 文章编号：1009-5896(2018)12-2841-07 DOI : 10.11999/JEIT180097 Multipath Clutter Rejection Approach Based on Carrier Domain Adaptive Iterative Filter in Passive Bistatic Radar ZHAO Zhixin ZHOU Xinhua HONG Sheng WENG Tao WANG Yuhao (School of Information Engineering , Nanchang University , Nanchang 330031, China ) Abstract : In passive bistatic radar systems, there exists the zero and non-zero Doppler shift multipath clutter in the surveillance channel. The multipath clutter affects the target detection. Temporal adaptive iterative filter such as Least Mean Square (LMS), Normalized Least Mean Square (NLMS) and Recursive Least Square (RLS)are often used to reject multipath clutter in passive bistatic radar, but these methods are only applicable to reject zero Doppler shift multipath clutter. To solve the problem of zero and non-zero Doppler shift multipath clutter, combined with the orthogonal frequency division multiplexing waveform features of digital broadcasting television signals, a clutter rejection algorithm is proposed based on carrier domain adaptive iterative filter. The algorithm utilizes the correlation of multipath clutter with the same Doppler shift at the same carrier frequency in subcarrier domain to reject the zero and non-zero Doppler shift multipath clutter. Simulation and experiment data processing results show the superiority of the proposed algorithm. Key words : Passive bistatic radar; Digital broadcasting television signals; Multipath clutter rejection; Recursive Least Square (RLS) algorithm 1 引言 近年来，利用空间中存在的非合作式照射源进行目标探测的外辐射源雷达(又称无源雷达)因抗电子干扰、抗超低空突防、反隐身等优势而受到关注。数字广播电视信号(数字音频广播(DAB)、数字视频广播(DVB-T)、数字地面多媒体广播(DTMB)和数字调幅广播(DRM))等数字广播在全球分布广泛， 正逐渐取代传统模拟广播，可作为无源雷达优秀的照射源，国内外很多学者都在研究以数字广播作为照射源的无源雷达[1–6]。以高频段为例，DRM 广播作为世界范围内唯一的非专利数字广播，以它作为非合作照射源的雷达系统兼具无源雷达和高频雷达的多种优点。另一个方面，其类图钉性的模糊函数特性，使DRM 广播可作为理想的照射源[7–9]。 无源雷达多采用两通道：参考通道和监测通道。监测通道信号除了接收目标回波信号外，还不可避免地存在直达波和零频多径回波(统称为零频多径杂波)，且存在由于海洋等引起的非零频多径杂波，这些零频和非零频杂波会掩盖目标信息。常用的杂波抑制算法有最小均方算法(LMS)、归一化最小均方算法(NLMS)、递归最小二次方算法(RLS) 收稿日期：2018-01-24；改回日期：2018-06-01；网络出版：2018-08-14*通信作者： 洪 升 shenghong@https://www.doczj.com/doc/c818119931.html, 基金项目：国家自然科学基金(61461030, 61661032, 61761030)，江西省科技厅自然科学项目(20161BAB203079, 20161BAB212038)Foundation Items: The National Natural Science Foundation of China (61461030, 61661032, 61761030), The Natural Science Fund of Jiangxi Province (20161BAB203079, 20161BAB212038) 第40卷第12期电 子 与 信 息 学 报 Vol. 40No. 12 2018年12月Journal of Electronics & Information Technology Dec. 2018 万方数据