[发明专利]基于极化散射特征的海面微弱目标检测方法

说明书

本发明公开了一种基于极化散射特征的海面微弱目标检测方法，能够描述目标的散射特性，而且保留了雷达回波的高分辨率细节，解决了短时观测下检测的不稳定的问题。本方法的步骤包括：1)通过Cameron分解，根据极化散射矩阵特征实现目标和杂波样本的分类；2)对于任何一个散射矩阵将其与测试散射矩阵做相似性运算，进而判断是否属于同一类样本；3)根据杂波和目标样本的散射类型差异，提出了Cameron极化分解的散射权重，记为CPD‑SW；4)通过蒙特卡罗方法计算检测率Psubgt;d/subgt;和虚警率Psubgt;f/subgt;。本发明提高了特征空间的可分性，增强了短时检测下的稳定性。

技术领域

本发明属于雷达信号处理技术领域，尤其涉及一种结合Cameron分解的基于极化散射特征的海面目标检测方法，可用于雷达在海杂波背景下的目标检测。

背景技术

海杂波具有非线性和非平稳性，海事雷达的目标检测性能往往受到其干扰与抑制。因此，在低信杂比(SCR)的情况下，海杂波背景下的目标检测是雷达检测领域的一个研究难点，尤其是对于海面小目标的检测，由于其尺寸小、速度慢，使得检测率大幅下降。

目前，针对海面目标检测已经提出多种方法，主要可以分为两类：

1、基于特定视角下特征的阈值检测。

阈值检测通常利用特定域下海杂波与目标特征的差异，然后根据相应特征，基于二元假设检验进行目标检测，主要方法有如下三种：

(1)基于统计特征的检测器，利用非高斯特性差异，如恒虚警(CFAR)检测器；

(2)基于多普勒特征的检测器，利用信息熵等非平稳特性的差异；

(3)基于分形特征的检测器，利用非线性特征差异，如Hurst指数和计盒维数；

以上三种阈值检测方法具有易于工程实施、虚警可控制、实时性强等优点，但在低信杂比的短时观察中检测性能低下。

基于极化分解的特征检测方法，利用极化散射分量在表面粗糙度、对称性和指向性等方面的明显差异，通过极化分解可以详细区分海杂波和目标。极化分解方法可以归纳为两大类：

(1)基于散射矩阵的相干分解，要求物体的散射特性确定或稳定，如Krogager分解、Cameron分解等。

(2)基于Mueller矩阵、相干矩阵和协方差矩阵的非相干分解，其中物体的散射特性是时变的，如Cloude分解和Freeman分解。然而，对测试距离单元沿径向进行非相干分解时的统计平均会丢失细节信息。当目标通常被杂波淹没时，非相干分解一般不能很好地反映目标的散射特性。

基于Krogager和Freeman分解分析了杂波和目标单元的平面散射、二面角散射和体散射3个散射分量。但对散射成分的种类分析较少具体。此外，由于实际测量偏差和复杂海况的影响，仅利用三个散射分量来描述海面的散射特性具有一定的局限性。而Cameron分解不仅可以描述目标的散射特性，还保留了雷达目标的高分辨率细节

2、基于多视角特征的异常检测。

通过机器学习将传统的二元阈值检测转化为对异常样本的识别，选取多视角下可分性和互补性强的特征作为输入样本，在大量海杂波样本中异常样本为目标样本，提高复杂条件下目标检测性能。随着可分性特征构成的空间的维数的增加，目标和杂波的差异表现的越来越明显，检测的性能也越来越好，但是特征维数的增加带来了巨大的计算量。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于Cameron极化分解的海面目标检测方法，以在短时观测情况下具有较强稳定性的同时，提高阈值检测的目标检测率。

实现本发明目的的技术方案是：