[go: up one dir, main page]

CN113030892B - 一种基于高维特征域梯度提升树的海面小目标检测方法 - Google Patents

一种基于高维特征域梯度提升树的海面小目标检测方法 Download PDF

Info

Publication number
CN113030892B
CN113030892B CN202110219374.2A CN202110219374A CN113030892B CN 113030892 B CN113030892 B CN 113030892B CN 202110219374 A CN202110219374 A CN 202110219374A CN 113030892 B CN113030892 B CN 113030892B
Authority
CN
China
Prior art keywords
cut
dimensional feature
target
domain
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110219374.2A
Other languages
English (en)
Other versions
CN113030892A (zh
Inventor
施赛楠
姜丽
杨静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110219374.2A priority Critical patent/CN113030892B/zh
Publication of CN113030892A publication Critical patent/CN113030892A/zh
Application granted granted Critical
Publication of CN113030892B publication Critical patent/CN113030892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于高维特征域梯度提升树的海面小目标检测方法，属于雷达信号处理技术领域。本方法包括如下步骤：1、获取CUT观测向量；2、构建高维特征空间；3、归一化预处理；4、训练GBDT（梯度提升树）模型参数；5、获得检验统计量；6、检测判决。本发明可以解决高维特征域分类器虚警控制的问题，提高了低信杂比条件下海面小目标的检测概率。

Description

一种基于高维特征域梯度提升树的海面小目标检测方法
技术领域
本发明涉及一种基于高维特征域梯度提升树的海面小目标检测方法，属于雷达信号处理技术领域。
背景技术
目前，高分辨雷达在小擦地角下实现对浮冰、小船、蛙人以及飞机残骸等海面小目标的检测是海洋雷达探测的热点和难点。通常，这些小目标的回波淹没在强时变海杂波背景下，处于临界可观测信杂比(signal-to-clutter ratio,SCR)条件下。
针对具有低SCR的海面小目标，长时观测条件下的特征检测技术是一种有效方法。从单个特征的角度出发，有学者根据时域回波幅度的不规则和粗糙程度特性提出了基于Hurst指数的分形检测方法。从两个或三个特征角度出发，有学者提出了基于三特征的检测器，联合了时域幅度特征、频域频谱的相对峰高和相对熵几何特性。由于不同的海洋环境下，海面小目标具有不同的特性。为了保证检测器在不同环境下性能的稳健性，更多具有互补性的特征联合是一种必然趋势。在高维特征域下，研究的难点在于设计虚警可控的分类器。有学者提出了基于KNN(K最邻近分类算法)的海面小目标检测，实现高维特征带来的优势。但是，高维KNN分类器通过某个参数控制虚警率，需要全局搜索这个参数的值，这就带来了较大的计算代价。同时，参数的准确性直接决定了虚警控制的精准性。
发明内容
本发明提出一种基于高维特征域梯度提升树的海面小目标检测方法，获得精准的判决门限，减少参数搜索的计算代价，实现海面小目标检测性能的提升。
本发明为解决其技术问题采用如下技术方案：
一种基于高维特征域梯度提升树的检测方法，包括如下步骤：
(1)假设雷达在一个距离单元接收到连续N个脉冲，这N个脉冲构成一个观测向量z＝[z(1),z(2),...,z(N)]T，称为待检测单元，即CUT；同时，获得CUT周围K个参考单元的观测向量zk,k＝1,2,...,K；
(2)根据CUT的观测向量和参考单元的观测向量，提取来自时域、频域、时频域的D个特征，记为δ1,δ2,...,δD；并将这些特征构成一个高维特征空间；因此，在高维特征域，CUT观测向量压缩为一个D维特征向量，记为δ＝[δ1,δ2,...,δD]T；
(3)对步骤(2)中的特征向量δ进行归一化处理，实现不同特征投影到相同的尺度上，得到CUT的归一化特征向量
Figure BDA0002953989660000021
(4)根据M个海杂波回波向量和M个仿真含目标回波向量，按照步骤(2)和步骤(3)计算获得2M个归一化特征向量样本
Figure BDA0002953989660000022
其中M个样本来自海杂波,标签为“0”；其余来自含目标回波,标签为“1”；搭建GBDT模型，基于上述两类样本和标签，训练最终获得最优的GBDT模型；
(5)将步骤(3)中CUT归一化特征向量
Figure BDA0002953989660000023
带入步骤(4)中的已训练好的GBDT模型中，获得属于标签“1”的概率值，将之作为最终的检验统计量η；
(6)在给定虚警率Pfa下，通过蒙特卡洛试验方法获得判决门限T，比较步骤(5)中检验统计量η和判决门限T的大小，判断出CUT中是否存在目标：
若η≥T，则表明CUT中有目标；
若η＜T，则表明CUT中没有目标。
本发明的有益效果如下：
(1)本发明充分联合了时域、频域以及时频域上的高维特征，有利于提取海杂波和含目标回波的差异性。
(2)本发明在高维特征域引入GBDT(梯度提升树)模型，获得精准虚警控制的判决门限，减少了计算代价。
(3)本发明可以解决高维特征域分类器虚警控制的问题，提高了低信杂比条件下海面小目标的检测概率。
附图说明
图1为本发明提出的检测器的流程图。
图2为HH(水平发射水平接收)极化下实测数据的检测结果图。
具体实施方式
下面结合附图对本发明作进一步说明。
参照图1，本发明的实现步骤如下：
步骤1，获取CUT观测向量
假设雷达在一个距离单元接收到连续N个脉冲，这N个脉冲构成一个观测向量z＝[z(1),z(2),...,z(N)]T，称为待检测单元(Cell Under Test，CUT)。同时，获得CUT周围K个参考单元的观测向量zk,k＝1,2,...,K。那么，目标检测问题可归为以下的二元假设检验问题：
Figure BDA0002953989660000031
其中，c表示海杂波向量，s表示目标回波向量，ck表示CUT周围k个参考单元的海杂波向量。H0假设表示观测向量只含有海杂波；H1假设表示观测向量含有目标。检测的本质就是判断CUT观测向量属于哪一类。因此，检测问题可看成是一个两分类问题，H0假设为第一类，H1假设为第二类。
步骤2，构建高维特征空间
2.1)对于步骤(1)中的CUT观测向量z和zk,k＝1,2,...,K，提取来自时域、频域以及时频域的七个特征，即D＝7。
2.1a)时域特征
特征1为Hurst指数，按下式计算
Figure BDA0002953989660000032
其中，δ1为Hurst指数，对数域中为拟合直线的斜率。
特征2为相对平均振幅，按下式计算
Figure BDA0002953989660000041
其中：δ2为相对平均幅度，表明海杂波和含目标回波在能量上的差异性；
2.1b)频域特征
特征3为相对多普勒峰高，按下式计算
Figure BDA0002953989660000042
其中，δ3为相对多普勒峰高，DPH()表述提取多普勒峰高的函数，描述了峰高值与周围局部区域的比值。
特征4为相对向量熵，按下式计算
Figure BDA0002953989660000043
其中，δ4为相对向量熵，VE()表示计算频谱的信息熵的函数，描述了频谱的混乱程度。
2.1c)时频域特征
特征5为脊能量，按下式计算
Figure BDA0002953989660000044
其中，δ5为脊能量，NTFD()表示归一化时频分布，TFD()表示计算时频分布的函数，n表示时间维度，取值从1到N，l表示频率维度，取值从1到N。
在时频图上，存在W个连通区域，记为{Ω1,Ω2,...,ΩW}。特征6为连通区域个数，特征7为最大连通区域尺寸，按下式计算
Figure BDA0002953989660000045
其中，δ6为连通区域个数，δ7为最大连通区域尺寸，#Ωw表示第w个连通区域的尺寸。
2.2)根据提取的7个特征，构建高维特征空间，即
δ＝[δ1,δ2,...,δ7]T
其中：δ为7维特征向量；
步骤3，归一化预处理
获得H0假设下M个特征向量，记为δi，i＝1，2，...，M。对步骤2中得到的特征向量δ进行归一化处理，按如下计算
Figure BDA0002953989660000051
其中，
Figure BDA0002953989660000054
为归一化特征向量，δi为第i个特征向量，μ表示均值。
步骤4，训练GBDT(梯度提升树)模型参数
4.1)雷达开机后，获取M个实测海杂波观测向量以及M个含目标观测向量。按照步骤2和步骤3计算获得M个H0假设下的归一化特征向量样本，记标签为0；M个H1假设下的归一化特征向量样本，记标签为1。因此，将这2M个样本作为训练样本。
4.2)将2M个训练样本作为GBDT模型的输入，对GBDT模型进行迭代训练。设置学习率为0.2，梯度提升树数目为15，最大深度为7，最终获取最优模型参数。
步骤5，获得检验统计量
将步骤3中的归一化特征向量
Figure BDA0002953989660000053
作为已训练GBDT模型的输入，获得属于标签1的概率值，作为检验统计量η。
步骤6，检测判决
在给定虚警率Pfa下，由蒙特卡洛试验方法离线获得虚警可控的判决门限T。
6.1)根据步骤4.1)中H0假设下M个训练样本，按照步骤5获得M个统计量，记为η1，η2,…ηM，且从大到小进行排序。
6.2)在给定虚警率Pfa条件下，判决门限T为
Figure BDA0002953989660000052
其中，η[]表示判决门限统计量，[]表示取整数。
6.3)比较检验统计量η和判决门限T，判断出CUT中是否存在目标：
若η≥T，则表明CUT中有目标；
若η<T，则表明CUT中没有目标。
下面结合实测数据的实验结果对本发明的效果做进一步说明。
一.实验数据
本实例使用来自网上公开的IPIX雷达于1993年采集的数据库，一共10组数据，数据名称为#17、#26、#30、#31、#40、#54、#280、#310、#311和#320。雷达的脉冲重复频率为1000Hz，距离分辨率30m，极化方式为HH。测试目标为直径1m的小球。
二.仿真实验
验证本发明提出的检测算法，并比较其与现有的其他检测器的检测性能，设置脉冲累积数为N＝512，即观测时间为0.512s，参考单元K＝10。结果如图2所示，其中：
基于Hurst指数的分形检测器平均检测概率为0.241，其检测性能最差，主要原因在于该检测器只利用海杂波和含目标回波在幅度上的差异性。基于三特征检测器的平均检测概率为0.585，时频三特征的检测器平均检测概率为0.660。提出的检测器在10组数据上拥有最优的检测性能，平均检测概率达0.774，相对三特征检测器提升了20％。性能提升的根本在于联合了时域、频域以及时频域的7维特征，能够充分利用海杂波和含目标回波在多域上的差异性，保证检测器在不同环境下获得最优性能。
综上可见，在低信杂比条件下本发明对海面目标的检测性能优于现有的检测方法，能解决虚警难以精准控制和计算代价大的问题。

Claims (1)

1.一种基于高维特征域梯度提升树的海面小目标检测方法，其特征在于，包括如下步骤：
(1)假设雷达在一个距离单元接收到连续N个脉冲，这N个脉冲构成一个观测向量z＝[z(1),z(2),...,z(N)]T，称为待检测单元，即CUT；同时，获得CUT周围K个参考单元的观测向量zk,k＝1,2,...,K；
(2)根据CUT的观测向量和参考单元的观测向量，提取来自时域、频域、时频域的D个特征，记为δ1,δ2,...,δD；并将这些特征构成一个高维特征空间；因此，在高维特征域，CUT观测向量压缩为一个D维特征向量，记为δ＝[δ1,δ2,...,δD]T；
(3)对步骤(2)中的特征向量δ进行归一化处理，实现不同特征投影到相同的尺度上，得到CUT的归一化特征向量
Figure FDA0002953989650000011
(4)根据M个海杂波回波向量和M个仿真含目标回波向量，按照步骤(2)和步骤(3)计算获得2M个归一化特征向量样本
Figure FDA0002953989650000012
其中M个样本来自海杂波,标签为“0“；其余来自含目标回波,标签为“1”；搭建GBDT模型，基于上述两类样本和标签，训练最终获得最优的GBDT模型；
(5)将步骤(3)中CUT归一化特征向量
Figure FDA0002953989650000013
带入步骤(4)中的已训练好的GBDT模型中，获得属于标签“1”的概率值，将之作为最终的检验统计量η；
(6)在给定虚警率Pfa下，通过蒙特卡洛试验方法获得判决门限T，比较步骤(5)中检验统计量η和判决门限T的大小，判断出CUT中是否存在目标：
若η≥T，则表明CUT中有目标；
若η＜T，则表明CUT中没有目标。
CN202110219374.2A 2021-02-26 2021-02-26 一种基于高维特征域梯度提升树的海面小目标检测方法 Active CN113030892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110219374.2A CN113030892B (zh) 2021-02-26 2021-02-26 一种基于高维特征域梯度提升树的海面小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110219374.2A CN113030892B (zh) 2021-02-26 2021-02-26 一种基于高维特征域梯度提升树的海面小目标检测方法

Publications (2)

Publication Number Publication Date
CN113030892A CN113030892A (zh) 2021-06-25
CN113030892B true CN113030892B (zh) 2022-08-19

Family

ID=76461899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110219374.2A Active CN113030892B (zh) 2021-02-26 2021-02-26 一种基于高维特征域梯度提升树的海面小目标检测方法

Country Status (1)

Country Link
CN (1) CN113030892B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3021119B1 (fr) * 2014-05-14 2017-12-22 Electricite De France Procede et systeme satellitaire de detection de nappe flottante sur une surface marine a surveiller
CN108732559B (zh) * 2018-03-30 2021-09-24 北京邮电大学 一种定位方法、装置、电子设备及可读存储介质
CN108627798B (zh) * 2018-04-04 2022-03-11 北京工业大学 基于线性判别分析和梯度提升树的wlan室内定位算法
CN111580064B (zh) * 2020-06-28 2022-07-12 南京信息工程大学 一种基于多域多维特征融合的海面小目标检测方法
CN112147601B (zh) * 2020-09-03 2023-05-26 南京信息工程大学 一种基于随机森林的海面小目标检测方法

Also Published As

Publication number Publication date
CN113030892A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN111580064B (zh) 一种基于多域多维特征融合的海面小目标检测方法
Wan et al. Sequence-feature detection of small targets in sea clutter based on Bi-LSTM
CN112462355B (zh) 一种基于时频三特征提取的对海目标智能检测方法
CN103544296A (zh) 雷达距离扩展目标自适应智能融合检测方法
CN111707999A (zh) 一种基于多特征与集成学习结合的海面漂浮小目标检测方法
CN101881826A (zh) 扫描模式海杂波局部多重分形目标检测器
CN102914769A (zh) 基于联合分形的海杂波背景下小目标检测方法
CN111505643B (zh) 基于时频图深度学习的海面小目标检测方法
CN107765228A (zh) 一种基于区域相似性的在线雷达目标检测方法
Golbon-Haghighi et al. Ground clutter detection for weather radar using phase fluctuation index
CN106772352A (zh) 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法
CN110501683B (zh) 一种基于四维数据特征的海陆杂波分类方法
CN108387880A (zh) 一种基于多尺度有向Lyapunov指数的海杂波背景下弱小目标检测方法
CN105353371B (zh) 基于ar谱扩展分形的海面雷达目标检测方法
CN111796250A (zh) 一种基于风险评估的虚假点迹多维层次化抑制方法
CN115774248A (zh) 基于图多特征的海面小目标检测方法及系统
CN111695461A (zh) 一种基于图频特性的雷达杂波智能分类方法
CN104537384A (zh) 一种结合似然比判决的sar目标鉴别方法
CN113030892B (zh) 一种基于高维特征域梯度提升树的海面小目标检测方法
CN112147603B (zh) 一种基于tKL散度的矩阵CFAR检测器的目标检测方法
Liu et al. Aleatoric uncertainty embedded transfer learning for sea-ice classification in sar images
CN113447901A (zh) 一种不依赖概率模型的海杂波识别与目标检测方法
CN114609602B (zh) 一种基于特征提取的海杂波背景下目标检测方法
CN115097408B (zh) 一种基于改进1D-Lenet网络的海面小目标检测方法
CN114594463B (zh) 一种基于组合凸包的海面小目标特征检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant