[发明专利]无人机集群目标检测及目标轮廓、集群规模估计方法

权利要求书

1.一种无人机集群目标检测方法，包括以下步骤：

S1.基于单个散射体与集群的关系，将单架无人机的雷达回波进行矢量叠加，得到集群目标回波S(τ,t)，其中，τ是距离维快时间变量，t是方位维慢时间变量，并通过距离维时延与距离、方位维时延与角度的关系将集群目标回波S(τ,t)改写为S(R,θ)，其中，θ是方位维的角度变量，R是距离维的距离变量；

所述的集群目标建模过程为：

其中，n是集群内目标个数，u_m是第m个目标的散射系数，h(t)是为自变量为时间t的天线方向图调制函数，rect(·)是矩形窗函数，τ_m是第m个目标的距离维时延，f_c是雷达发射信号的载频，T是雷达发射脉冲的时宽，k是雷达发射线性调频信号的调频斜率；

所述的S(R,θ)具体为：

其中，θ_m是第m个目标相对于天线法线方向的角度，R(θ_m)是第m个目标到雷达的距离，λ是雷达发射信号波长；

S2.发射端发射大的时宽带宽积的线性调频信号，基于发射的线性调频信号产生匹配滤波器，对距离维回波进行脉冲压缩处理，将距离维的分辨率提高到其中，B是发射信号带宽，c是光速，经过脉冲压缩，得到距离维超分辨结果S'(R,θ)；

所述的S'(R,θ)具体为：

S3.将方位维回波矩阵的l₁范数和核范数作为正则化约束项，在该约束下求解其中，u(θ)为集群目标的方位维散射中心分布，h(θ)为自变量为角度θ的天线方向图调制函数，S(θ)为每个距离上的方位维回波；通过迭代求解最优值，限制反卷积固有的病态性，求解出u(θ)，进而获得集群目标的两维超分辨结果u(R,θ)；

S4.设置虚警率和参考窗长，对超分辨结果u(R,θ)进行恒虚警率(CFAR)检测，初步得到集群目标的检测结果；

S5.设置一组邻域参数(ε,MinPts)，其中，ε代表所设置的集群内目标最小间距，MinPts代表集群内最少目标数，对CFAR检测结果进行基于空间密度的聚类处理，剔除CFAR过程中噪声或杂波产生的虚警点，将集群目标点检测出来。

2.根据权利要求1所述的一种基于雷达的无人机集群目标检测方法，其特征在于，

步骤S3所述的每个距离上的方位维回波S(θ)表示为：

将式(4)变为卷积形式，并考虑噪声影响，方位维回波表示为：

S(θ)＝u(θ)*h(θ)+n(θ)          (5)

其中，n(θ)为噪声；

将方位维回波矩阵的l₁范数和核范数作为约束项，基于正则化理论完成对目标方位维分布的迭代求解，得到方位维的超分辨结果：

其中，s(θ)为感兴趣目标的散射系数分布，b(θ)为背景环境的散射系数分布，||·||₂为l₂范数，||·||₁为l₁范数，||·||_*为矩阵核范数，核范数的值为矩阵所有奇异值之和，λ₁和λ₂为正则化参数；

经过距离维和方位维的超分辨处理，得到对集群目标的超分辨结果u(R,θ)。

3.一种基于权利要求1或2所述的无人机集群目标检测方法的无人机集群目标轮廓、集群规模的估计方法，其特征在于，还包括步骤：

S6.将步骤S5检测得到的集群目标点进行极角排序，遍历所有点，通过不断更新边界点的栈内元素找到集群的边界目标点，将所述边界目标点依次连接得到集群的边界信息，完成对集群目标的轮廓估计，接着在该轮廓下对集群内目标数量进行统计，结合集群的轮廓信息，完成对集群规模的估计。

4.根据权利要求3所述的无人机集群目标轮廓、集群规模的估计方法，其特征在于，所述步骤S6中将所有检测出来的集群目标点P_i(R,θ)放入同一坐标系，其中，i＝1,2,…,N，N为检测出的集群目标点的个数，先找到纵坐标最小的点，设该点为P₁，以P₁为原点，对所有点进行极角排序，排序规则为：将P_i与P₁连接，连线与横坐标正方向的夹角小的点编号小，若夹角相同，距离P₁近的编号小；排完序之后P₁、P₂、P_N这三个点一定是集群包络上的点；从P₂点依次遍历所有点，每次取栈顶的两个点连成一条直线，与当前的点P_i比较，如果P_i在直线的左侧直接入栈，如果P_i在直线的右侧，弹出栈顶的一个点，继续取栈内两个点连成的线与P_i比较，直到P_i在直线的左侧，将P_i入栈，遍历完所有点后，栈内剩下的点就是集群的边界点，将其依次连接就得到集群的边界信息，以此就可以得到对集群轮廓的估计。