施賽楠　水鵬朗　劉　明（西安電子科技大學(xué)雷達(dá)信號(hào)處理國家重點(diǎn)實(shí)驗(yàn)室西安710071）

?

基于復(fù)合高斯雜波紋理結(jié)構(gòu)的相干檢測(cè)

施賽楠*水鵬朗劉明
（西安電子科技大學(xué)雷達(dá)信號(hào)處理國家重點(diǎn)實(shí)驗(yàn)室西安710071）

傳統(tǒng)的自適應(yīng)檢測(cè)器大多是在獨(dú)立同分布紋理的前提下推導(dǎo)出的。然而，實(shí)測(cè)海雜波數(shù)據(jù)中各個(gè)距離單元的紋理具有相關(guān)性。該文將這一紋理相關(guān)性的信息加入到似然比檢測(cè)中，提出一種基于紋理結(jié)構(gòu)的相干檢測(cè)器?；谟坷苏{(diào)制在距離上產(chǎn)生紋理相關(guān)性的先驗(yàn)知識(shí)，確定與待檢測(cè)單元紋理相關(guān)的距離單元數(shù)目，據(jù)此可以提供待測(cè)單元的紋理信息。實(shí)測(cè)數(shù)據(jù)實(shí)驗(yàn)表明，該檢測(cè)器相對(duì)于逆伽馬紋理復(fù)合高斯雜波下最優(yōu)檢測(cè)器具有一定的性能提升。

海雜波；復(fù)合高斯模型；紋理相關(guān)性；自適應(yīng)檢測(cè)

1　引言

由于海雜波具有非常復(fù)雜的空時(shí)變特性，其背景下的雷達(dá)目標(biāo)檢測(cè)算法的設(shè)計(jì)往往需要與海雜波的統(tǒng)計(jì)特性相聯(lián)系。雷達(dá)低分辨條件下，基于中心極限定理，海雜波的幅度服從瑞利分布。隨著雷達(dá)分辨率的提高和擦地角的減小，海雜波的幅度明顯偏離瑞利分布，并呈現(xiàn)出嚴(yán)重拖尾現(xiàn)象［1］。研究表明，海雜波可以用復(fù)合高斯模型建模［1，2］。復(fù)合高斯模型可以表示為一個(gè)慢變的正隨機(jī)變量和一個(gè)快變的復(fù)高斯隨機(jī)變量的乘積。目前，復(fù)合高斯模型下的雷達(dá)目標(biāo)檢測(cè)問題一直受到廣泛關(guān)注［3，4］。

文獻(xiàn)［5］于1986年提出了一種在復(fù)高斯模型下的自適應(yīng)檢測(cè)算法，該檢測(cè)器雖將參考單元數(shù)據(jù)和檢測(cè)單元的數(shù)據(jù)同時(shí)帶入到似然比中，但是參考單元只起了估計(jì)協(xié)方差矩陣的作用。文獻(xiàn)［6］給出了高斯模型下檢測(cè)性能最優(yōu)的匹配濾波（Matched Filter，MF）檢測(cè)器。在復(fù)合高斯模型下，學(xué)者們提出了許多的紋理概率模型，典型代表有伽馬分布，逆伽馬分布（Inverse Gamm a，IG）和逆高斯分布［7］。其中，伽馬紋理對(duì)應(yīng)的幅度分布即為K分布模型，該雜波模型下的最優(yōu)檢測(cè)器被稱為最優(yōu)K分布檢測(cè)器（Optimum K-distributed Detector，OKD）［8］。然而，由于檢測(cè)統(tǒng)計(jì)量中存在貝塞爾函數(shù)，OKD在實(shí)際運(yùn)用中計(jì)算量大，不滿足實(shí)時(shí)性和簡(jiǎn)單性的工程要求。隨后，一批學(xué)者采用逆伽馬紋理的復(fù)合高斯模型擬合實(shí)測(cè)海雜波數(shù)據(jù)，該模型對(duì)重拖尾的海雜波具有很好的擬合效果［911］-。文獻(xiàn)［10］推導(dǎo)了逆伽馬紋理復(fù)合高斯模型下的最優(yōu)相干檢測(cè)器，稱之為廣義似然比檢測(cè)線性門限檢測(cè)器（Generalized Likelihood Ratio Test-Linear Threshold Detector，GLRTLTD）。由于具有簡(jiǎn)單的表達(dá)式，該檢測(cè)器在實(shí)際檢測(cè)問題中具有可實(shí)行性。

近年來，一類基于知識(shí)輔助（Know ledge-Aided，KA）的信號(hào)處理方法引起了研究者的關(guān)注［12，13］?；谥R(shí)輔助是指利用某些先驗(yàn)信息，以此提高檢測(cè)性能。對(duì)于先驗(yàn)知識(shí)的使用，主要可以劃分為兩種基本途徑。第1種是利用先驗(yàn)知識(shí)對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理，從而完成對(duì)雜波的抑制。第2種是將先驗(yàn)知識(shí)使用到檢測(cè)結(jié)構(gòu)設(shè)計(jì)中，從而提高檢測(cè)性能，這也是本文采用的方法。海雜波可以看成是由大尺度的涌浪調(diào)制小尺度的破浪花形成的［1］?；谶@一形成機(jī)理，海雜波的各個(gè)分辨單元在距離上的功率存在差異性。根據(jù)這一特性，可以把海雜波分為均勻雜波（即具有完全相關(guān)的紋理），相關(guān)雜波（即紋理在距離上有相關(guān)性）和獨(dú)立同分布雜波（即紋理獨(dú)立不相干）［13］。由于紋理在距離上的這一結(jié)構(gòu)特點(diǎn)，在特定的相關(guān)系數(shù)內(nèi)，可以找到與待檢測(cè)單元具有相同紋理的距離單元。基于這一先驗(yàn)知識(shí)，我們可以把這部分紋理信息運(yùn)用到似然比檢測(cè)中，推導(dǎo)出了一種新的基于紋理結(jié)構(gòu)的相干檢測(cè)器。在新的檢測(cè)算法中，參考單元起兩方面的作用。一方面為待檢測(cè)單元提供紋理信息，另一方面提供散斑協(xié)方差矩陣的信息。實(shí)測(cè)數(shù)據(jù)表明，相對(duì)于IG紋理復(fù)合高斯雜波下的最優(yōu)檢測(cè)器（考慮的是獨(dú)立同分布紋理），新的檢測(cè)器具有很好的檢測(cè)性能。

本文安排如下，第2節(jié)推導(dǎo)了基于紋理結(jié)構(gòu)的檢測(cè)器并證明其恒虛警性質(zhì)；第3節(jié)給出了檢測(cè)器的自適應(yīng)版本并且分析了紋理結(jié)構(gòu)；在第4節(jié)中，結(jié)合仿真數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)證實(shí)了新提出的檢測(cè)器的有效性；第5節(jié)總結(jié)全文。

2　基于紋理結(jié)構(gòu)的相干檢測(cè)器

2.1推導(dǎo)

在脈沖多普勒雷達(dá)中，海雜波背景下的動(dòng)目標(biāo)檢測(cè)可以歸結(jié)為下面的二元假設(shè)問題：

其中，z，s和c分別表示待檢測(cè)單元接收向量、目標(biāo)回波向量和海雜波向量，zk表示CUT（Cell Under Test）周圍K個(gè)純雜波向量，向量維數(shù)為N。H0假設(shè)下，檢測(cè)單元只含有雜波；H1假設(shè)下，檢測(cè)單元含有目標(biāo)和雜波。

在海雜波建模方面，采用復(fù)合高斯模型進(jìn)行建模，其表示式為

其中，（）nт是一個(gè)慢變的正隨機(jī)變量，稱為紋理，表示雜波局部功率的變化，是由大尺度的涌浪引起的；u（n）是一個(gè)快變的零均值復(fù)高斯隨機(jī)變量，稱為散斑，是由破浪花的Bragg散射產(chǎn)生的［1］。當(dāng)觀測(cè)時(shí)間相當(dāng)于雷達(dá)系統(tǒng)的相干處理時(shí)間時(shí)，可認(rèn)為雜波的功率保持恒定。那么，復(fù)合高斯模型就退化為球不變隨機(jī)向量（Spherically Invariant Random Vector，SIRV）模型［3，4，710］-。

為了表示簡(jiǎn)單，先定義變量：

那么，待檢測(cè)單元和P個(gè)參考單元的聯(lián)合概率密度函數(shù)（Probability Density Function，PDF）為

其中，（）pтт表示紋理服從的概率密度函數(shù)。

假設(shè)目標(biāo)和雜波的協(xié)方差矩陣已知，根據(jù)奈曼-皮爾遜（Neyman-Pearson，NP）準(zhǔn)則，似然比函數(shù)為

其中，T是依賴于虛警率的決策門限。本文考慮紋理服從IG分布，其形狀參數(shù)為λ，尺度參數(shù)為η，

尺度參數(shù)與平均功率有關(guān)，形狀參數(shù)反映的是雜波的非高斯性。小的形狀參數(shù)意味著海雜波幅度分布具有強(qiáng)的非高斯性并表現(xiàn)為重拖尾現(xiàn)象；而λ→∞表明雜波趨向于高斯雜波。

類似于文獻(xiàn)［10］，將式（5）代入式（4）中。由此得到

并且，式（6）可以轉(zhuǎn)化為最優(yōu)檢測(cè)器的結(jié)構(gòu)［3］，即

在IG紋理的復(fù)合高斯模型下，基于紋理結(jié)構(gòu)的最優(yōu)檢測(cè)器等價(jià)為匹配濾波器的輸出與一個(gè)數(shù)據(jù)依賴項(xiàng)門限的比較，而這個(gè)門限是隨著接收向量和P個(gè)參考單元二次統(tǒng)計(jì)量的總和線性變化的。這一特性與文獻(xiàn)［10］提出的GLRT-LTD具有相似性。

在一個(gè)相干處理時(shí)間內(nèi)，信號(hào)可以建模為未知幅度和已知多普勒導(dǎo)向矢量（Doppler steering vector）的乘積，即

其中，N為累積脈沖數(shù)，fd是多普勒頻率，Tr是雷達(dá)的脈沖重復(fù)周期，p為多普勒導(dǎo)向矢量，α是未知的復(fù)數(shù)，表示信號(hào)的幅度。本文考慮信號(hào)幅度滿足Sw irling 0模型。因此，從待檢測(cè)單元的接收向量中，采用最大似然估計(jì)出信號(hào)幅度

最后，將信號(hào)幅度估計(jì)值帶入式（7）中，得到IG紋理下的相干檢測(cè)器為

考慮到與GLRT-LTD的相似性，式（9）表示的檢測(cè)器可以稱為基于紋理結(jié)構(gòu)的廣義似然比線性門限檢測(cè)器（Texture-Structure-Based GLRT-LTD，TSBGLRT-LTD）。下面給出GLRT-LTD的統(tǒng)計(jì)量［10］

在IG紋理的復(fù)合高斯模型下，GLRT-LTD是紋理在距離上獨(dú)立同分布下的最優(yōu)檢測(cè)器。注意式（9）和式（10）兩個(gè)檢測(cè)器有兩方面不同。第一，兩者的檢測(cè)統(tǒng)計(jì)量不同，式（9）中含有部分參考單元的數(shù)據(jù)依賴項(xiàng)。第二，兩者的門限不同，式（9）是關(guān)于CUT的數(shù)據(jù)依賴項(xiàng)和P個(gè)參考單元數(shù)據(jù)依賴項(xiàng)和的線性門限檢測(cè)，而式（10）只是CUT數(shù)據(jù)依賴項(xiàng)的線性門限檢測(cè)器。此外，GLRT-LTD可以看作是TSBGLRT-LTD沒有獲得紋理信息（即紋理獨(dú)立同分布，P=0）時(shí)的一個(gè)特例。

2.2恒虛警特性

恒虛警（Constant False A larm Rate，CFAR）性質(zhì)是指在某些參數(shù)變化時(shí)檢測(cè)器能夠保持恒定的虛警率（falsealarm rate）的能力，這對(duì)于雷達(dá)目標(biāo)檢測(cè)來說是重要的特性。因此，有必要對(duì)新提出的檢測(cè)器進(jìn)行恒虛警特性分析。

在H0假設(shè)下，接收向量由純雜波構(gòu)成z=c。在已知散斑協(xié)方差矩陣條件下，白化后的雜波向量為

其中，v和kv是白化后的向量，服從均值為零，協(xié)方差矩陣為單位陣IN的復(fù)高斯分布；т是紋理分量，服從形狀參數(shù)為λ，尺度參數(shù)為η的IG分布。因此，式（9）可以簡(jiǎn)化為

其中，p0表示白化后的多普勒導(dǎo)向矢量，是一個(gè)單位復(fù)向量。引入酉矩陣是一組與p0正交的單位復(fù)向量。那么，式（12）可以化簡(jiǎn)為

因此，在H0假設(shè)下，已知協(xié)方差矩陣時(shí)，TSBGLRT-LTD的門限為

可以從兩方面說明式（15）的重要性。一方面，TSBGLRT-LTD的檢測(cè)門限具有簡(jiǎn)單的表達(dá)式。檢測(cè)門限由虛警率Pfa，脈沖累積數(shù)N，形狀參數(shù)λ和與CUT具有相同紋理的部分參考單元數(shù)目P決定。這相對(duì)于蒙特卡洛方法獲得門限的方法來說，大大減少了計(jì)算量。另一方面，門限對(duì)于散斑協(xié)方差矩陣M，多普勒導(dǎo)向矢量p和尺度參數(shù)η是具有CFAR性質(zhì)?？紤]到實(shí)際環(huán)境中，海面受風(fēng)力、風(fēng)速、環(huán)境溫度、浪涌等多種自然因素以及雷達(dá)設(shè)備參數(shù)的影響，CFAR性質(zhì)對(duì)于實(shí)際環(huán)境中檢測(cè)問題是至關(guān)重要的。

3　自適應(yīng)檢測(cè)器及紋理結(jié)構(gòu)分析

3.1自適應(yīng)TSB-GLRT-LTD

基于紋理結(jié)構(gòu)的廣義似然比線性門限檢測(cè)器是在假設(shè)散斑協(xié)方差已知的條件下推導(dǎo)出的。然而，實(shí)際雜波環(huán)境中，散斑協(xié)方差矩陣是未知的，這就要求獲得其估計(jì)值?？紤]到海雜波在空間上部分均勻和短時(shí)間內(nèi)平穩(wěn)的，在全局上非均勻和非平穩(wěn)的特點(diǎn)，可以假設(shè)待檢測(cè)單元和周圍的參考單元具有相同的散斑協(xié)方差矩陣。因此，可以選取與待檢測(cè)單元鄰近的距離單元，從而獲得局部散斑協(xié)方差矩陣的估計(jì)值。這種方法，可以在大場(chǎng)景的海雜波背景下，實(shí)現(xiàn)對(duì)于散斑協(xié)方差矩陣的自適應(yīng)檢測(cè)算法。

將散斑協(xié)方差矩陣的估計(jì)值代入式（9）檢測(cè)器中，從而得到自適應(yīng)的TSB-GLRT-LTD。

由于本文考慮了紋理在距離上的相關(guān)性，雜波是介于獨(dú)立同分布和均勻情況兩者之間。因此，散斑協(xié)方差矩陣的估計(jì)采用歸一化采樣協(xié)方差矩陣（Normalized Sample Covariance Matrix，NSCM）［14］。這種方法估計(jì)簡(jiǎn)單，無需已知雜波分布模型，在實(shí)際中運(yùn)用廣泛。

3.2紋理結(jié)構(gòu)分析

本節(jié)對(duì)于紋理結(jié)構(gòu)的分析主要包括兩部分。一是紋理沿距離維的分布和參數(shù)估計(jì)，二是紋理沿距離維的相關(guān)性。大量實(shí)測(cè)數(shù)據(jù)研究表明，海雜波可以使用復(fù)合高斯模型進(jìn)行［14］-。由于實(shí)際檢測(cè)環(huán)境中紋理分布的參數(shù)未知，自適應(yīng)檢測(cè)器還需要估計(jì)紋理分布的參數(shù)。對(duì)于服從式（5）的逆伽馬紋理的海雜波，其幅度分布為

高分辨雷達(dá)下，海雜波表現(xiàn)為顯著的非高斯性和非平穩(wěn)性，而且在時(shí)間和空間上都有一定的關(guān)聯(lián)性［15］。這里，我們主要分析紋理在距離上的相關(guān)性。假設(shè)海雜波2維數(shù)據(jù)x（n，s），n表示時(shí)間維，s表示距離維。首先，海雜波時(shí)間序列分成長度為L的短向量。從每個(gè)短向量中，可以估計(jì)出紋理［16］

其中，Len表示某一距離單元的序列長度，S為總的距離單元數(shù)目。那么，紋理的距離相關(guān)系數(shù)為

根據(jù)式（20），可以估計(jì)距離去相關(guān)長度和距離完全相關(guān)長度。距離去相關(guān)長度定義為距離相關(guān)函數(shù)ρ（k）從1衰減為1/e時(shí)對(duì)應(yīng)的距離間隔［15］。當(dāng)ρ（k）小于時(shí)，可以近似認(rèn)為距離上的海雜波數(shù)據(jù)不相關(guān)。而對(duì)于距離完全相關(guān)長度，基于現(xiàn)有的知識(shí)有以下兩個(gè)結(jié)論。第一，完全相關(guān)長度對(duì)應(yīng)的相關(guān)系數(shù)ρ2是在去相關(guān)長度內(nèi)選取的，即ρ2∈（ρ1，1］。第二，實(shí)測(cè)數(shù)據(jù)分析表明，在去相關(guān)長度內(nèi)選取的參考單元可以為CUT提供紋理信息，從而使得檢測(cè)器有一定的性能提升。但是，最優(yōu)檢測(cè)性能對(duì)應(yīng)的P值，目前還沒有理論基礎(chǔ)研究。因此，本文給出了一種經(jīng)驗(yàn)選取法。由涌浪調(diào)制產(chǎn)生的紋理調(diào)制在距離上表現(xiàn)為一個(gè)快速衰減的過程，這主要由涌浪尺寸和目前雷達(dá)距離分辨率決定的［15］。通過對(duì)實(shí)測(cè)數(shù)據(jù)的分析和驗(yàn)證，本文經(jīng)驗(yàn)選取ρ2=0.6。當(dāng)ρ（k）大于ρ2時(shí)，可以近似認(rèn)為海雜波在距離上的紋理完全相關(guān)。

4　實(shí)驗(yàn)結(jié)果和性能分析

4.1仿真數(shù)據(jù)檢測(cè)性能

首先，采用仿真數(shù)據(jù)對(duì)TSB-GLRT-LTD檢測(cè)器的性能進(jìn)行了測(cè)試。在已知散斑協(xié)方差矩陣條件下，根據(jù)式（13）進(jìn)行了105次獨(dú)立仿真試驗(yàn)，并且檢測(cè)門限根據(jù)式（15）直接獲取。參數(shù)設(shè)置N=8，λ=1.5，10，100，P=0，2，4，8，信雜比（Signal-to-C lutter Ratio，SCR）SCR=-5 dB 。其中，P=0對(duì)應(yīng)的是GLRT-LTD檢測(cè)器。圖1給出了不同形狀參數(shù)下兩種檢測(cè)器的接收機(jī)工作性能（Receiver Operation Characteristic，ROC）曲線比較。可以清楚地看到，由于TSB-GLRT-LTD利用了紋理信息，它相對(duì)于最優(yōu)檢測(cè)器GLRT-LTD來說有了明顯的改善。并且，我們可以得到以下結(jié)論。第一，當(dāng)P增大時(shí)，TSB-GLRT-LTD有性能提升。這是因?yàn)楦嗟膮⒖紗卧獮榇龣z測(cè)單元提供紋理信息，提高了檢測(cè)性能。但是當(dāng)P更大時(shí)，性能提升不再明顯。第二，形狀參數(shù)越小，TSB-GLRT-LTD相對(duì)于GLRTLTD的性能越提升明顯。這是因?yàn)樾⌒螤顓?shù)下，距離維的紋理具有很強(qiáng)的隨機(jī)性，而新提出的檢測(cè)器是在減少參考單元紋理隨機(jī)性下獲得性能提升的。第三，當(dāng)形狀參數(shù)很大時(shí)，兩種檢測(cè)器的性能一致。這是因?yàn)?，形狀參?shù)趨向于無窮大時(shí)，雜波趨向于高斯雜波，此時(shí)距離維的紋理隨機(jī)性減弱，部分參考單元提供的紋理信息不再提升性能。

4.2實(shí)測(cè)數(shù)據(jù)檢測(cè)性能

接下來，我們采用實(shí)測(cè)海雜波數(shù)據(jù)對(duì)自適應(yīng)TSB-GLRT-LTD檢測(cè)器進(jìn)行性能驗(yàn)證。首先，對(duì)3組實(shí)測(cè)海雜波數(shù)據(jù)進(jìn)行分析。3組數(shù)據(jù)都是由X波段的Fynmeet雷達(dá)采用VV極化在南非西南海岸于2006年7月27日采集得到的［17］。測(cè)試目標(biāo)為一艘小船，在整個(gè)觀測(cè)時(shí)間內(nèi)，雷達(dá)采用跟蹤模式對(duì)小船進(jìn)行監(jiān)測(cè)。雷達(dá)載頻6.9 GHz，距離分辨率15m，雷達(dá)脈沖重復(fù)頻率fr=2.5 kHz。第1組數(shù)據(jù)（TFA 10_ 002.01.m at）和第2組數(shù)據(jù)（TFA10_004.02.mat）都是由64個(gè)距離單元，99973個(gè)相干脈沖序列組成。第3組數(shù)據(jù)（TFA10_007.02.mat）由64個(gè)距離單元，59738個(gè)相干脈沖序列組成。為了降低數(shù)據(jù)的脈沖重復(fù)頻率，同時(shí)不出現(xiàn)譜混疊的前提下，進(jìn)行下4采樣處理，并且刪除第14～18個(gè)距離單元的數(shù)據(jù)。圖2（a）～圖2（c）分別畫出了3組海雜波數(shù)據(jù)的時(shí)間-距離幅度圖。可以看出第1組海雜波幅度在時(shí)間-距離上具有很強(qiáng)的非平穩(wěn)性，紋理在距離上具有明顯的起伏變化。而從第2組到第3組數(shù)據(jù)，海雜波時(shí)空非平穩(wěn)性相對(duì)減弱，趨于平穩(wěn)。圖2（d）～圖2（f）分別給出了海雜波數(shù)據(jù)的經(jīng)驗(yàn)概率分布曲線和采用IG紋理分布的理論概率分布曲線。3組數(shù)據(jù)的幅度擬合參數(shù)依次為λ=1.9562，η=74.0232；λ=3.6534，η=50.3366；λ=17.6805，η=32.6409。從圖2中可知，IG紋理的復(fù)合高斯模型對(duì)于高分辨小擦地角的海雜波數(shù)據(jù)具有很好的擬合效果，這為該分布下的檢測(cè)器性能提升提供了理論依據(jù)。

然后，對(duì)3組數(shù)據(jù)的紋理在距離上的相關(guān)性進(jìn)行分析，進(jìn)而確定與CUT具有相同紋理的距離單元個(gè)數(shù)P。圖3給出了L=128時(shí)，兩組數(shù)據(jù)的紋理相關(guān)系數(shù)與距離單元延遲的關(guān)系?？梢钥闯觯y理在距離上的相關(guān)函數(shù)首先在初始點(diǎn)處出現(xiàn)一個(gè)尖峰，然后經(jīng)歷一個(gè)快速的下降期，最后出現(xiàn)一個(gè)緩慢的衰減［15］。圖中灰色直線為10.3679 ρ=對(duì)應(yīng)的值。因此，第1～3組數(shù)據(jù)對(duì)應(yīng)的去相關(guān)距離延遲單元分別為1，1.5和11。而完全相關(guān)系數(shù)2ρ=0.6時(shí)，第1～3組數(shù)據(jù)的完全相關(guān)距離單元數(shù)為0.6，1和3。也就是說，對(duì)于這3組數(shù)據(jù)可以近似認(rèn)為CUT周圍分別有1個(gè)，2個(gè)和6個(gè)參考距離單元與CUT具有相同的紋理。

圖1　不同形狀參數(shù)下兩種檢測(cè)器的ROC曲線圖

最后，在實(shí)測(cè)海雜波數(shù)據(jù)中加入仿真目標(biāo)，分析在不同信雜比下的檢測(cè)性能。仿真目標(biāo)根據(jù)式（8）模型產(chǎn)生。平均信雜比定義為為雜波的平均功率。實(shí)驗(yàn)中，虛警概率Pfa= 10-4；考慮到3組數(shù)據(jù)使用的純雜波數(shù)據(jù)量的大小，累積脈沖數(shù)目N=8；為了減少散斑協(xié)方差估計(jì)帶來的性能損失，參考單元數(shù)K=32；P分別取0，2，4，6，8；信號(hào)多普勒頻率fd在［-fr/2，fr/2］中隨機(jī)產(chǎn)生，fr= 625 Hz。為了去除多普勒的影響，分別對(duì)3組數(shù)據(jù)10～14個(gè)距離單元加上仿真目標(biāo)分別進(jìn)行了105次試驗(yàn)，獲取平均檢測(cè)概率。門限通過由蒙特卡洛實(shí)驗(yàn)獲得。從圖4（a）可知，第1組數(shù)據(jù)在考慮周圍兩個(gè)參考單元，其性能與P=0時(shí)相當(dāng)，P=0對(duì)應(yīng)的是自適應(yīng)GLRT-LTD，它是獨(dú)立同分布紋理下的最優(yōu)檢測(cè)器。但P值的增加帶來了1～2 dB性能損失。這是因?yàn)檫@組數(shù)據(jù)的功率在距離上起伏大，去相關(guān)單元數(shù)目為2。在圖4（b）中，第2組數(shù)據(jù)檢測(cè)性能最好的是P=2。由于考慮了CUT鄰近的2個(gè)參考單元的紋理信息時(shí)，自適應(yīng)TSB-GLRT-LTD檢測(cè)器有了1.5 dB的性能提升。而當(dāng)P=4時(shí)，與自適應(yīng)GLRT-LTD（P=0）dB性能相當(dāng)；P=6時(shí)，明顯有0.5 dB性能損失。這是因?yàn)榈?組數(shù)據(jù)只有2個(gè)距離單元與CUT具有相同的紋理；而當(dāng)P＞4時(shí)，紋理在距離上已經(jīng)去相關(guān)了。圖4（c）顯示了第3組數(shù)據(jù)的檢測(cè)性能曲線。P=6對(duì)應(yīng)的自適應(yīng)TSBGLRT-LTD檢測(cè)器的性能最好，相對(duì)于自適應(yīng)GLRT-LTD（P=0）提升了1 dB。同時(shí)，P=2，4，8相對(duì)于P=0時(shí)都有一定的性能提升。這是因?yàn)楦鶕?jù)圖3（c），去相關(guān)距離單元數(shù)為22，認(rèn)為完全相關(guān)的距離單元為6。根據(jù)紋理在距離上的相關(guān)性這一先驗(yàn)知識(shí)，選擇合適的P可以獲得自適應(yīng)TSB-GLRT-LTD檢測(cè)器的性能提升，這得益于紋理結(jié)構(gòu)信息的使用。

圖2　 3組海雜波數(shù)據(jù)的幅度特性

圖3　 3組數(shù)據(jù)的紋理在距離維的相關(guān)系數(shù)

圖4　 3組數(shù)據(jù)在不同P值下的檢測(cè)概率

5　總結(jié)

本文將紋理信息運(yùn)用到檢測(cè)統(tǒng)計(jì)量中，提出了一種基于紋理結(jié)構(gòu)的廣義似然比檢測(cè)線性門限檢測(cè)器并且分析了其恒虛警性質(zhì)。基于紋理在距離上相關(guān)性的先驗(yàn)知識(shí)，確定與待檢測(cè)單元具有相同紋理的參考單元數(shù)目。因此，參考單元為自適應(yīng)檢測(cè)器不僅提供了散斑協(xié)方差矩陣信息而且提供了紋理信息。實(shí)測(cè)數(shù)據(jù)表明，新提出的檢測(cè)器相對(duì)于獨(dú)立同分布紋理的最優(yōu)檢測(cè)器有了一定的性能改善。

［1］WARD K D，TOUG R J A，and WATTS S.Sea Clutter: Scattering，the K Distribution and Radar Performance［M］. London，Un ited K ingdom:The Institution of Engineering and Technology，2006:45-142.

［2］張玉石，許心瑜，尹雅磊，等.L波段小擦地角海雜波幅度統(tǒng)計(jì)特性研究［J］.電子與信息學(xué)報(bào)，2014，36（5）:1044-1048.doi: 10.3724/SP.J.1146.2013.01139.

ZHANG Yushi，XU Xinyu，YIN Yalei，et al.Research on am p litude statistics of L-band low grazing angle sea clutter［J］. Journal ofElectron ics&Information Techno logy，2014，36（5）: 1044-1048.doi:10.3724/SP.J.1146.2013.01139.

［3］SANGSTON K J，GINI F，GERCO M，et al.Structures of radar detection in com pound-Gaussian clutter［J］.IEEE Transactions on Aerospace and Electronic System s，1999，35（2）:445-458.doi:10.1109/7.766928.

［4］鄒鯤，廖桂生，李軍，等.基于Bayes框架的復(fù)合高斯雜波下穩(wěn)健檢測(cè)［J］.電子與信息學(xué)報(bào)，2013，35（7）:1555-1561.doi: 10.3724/SP.J.1146.2012.01333.

ZOU Kun，LIAO Guisheng，LIJun，et al.Robust detection in com pound Gaussian clutter based on Bayesian framework［J］. Journal ofElectron ics&Information Techno logy，2013，35（7）: 1555-1561.doi:10.3724/SP.J.1146.2012.01333.

［5］KELLY E J.An adaptive detection algorithm［J］.IEEE Transactions on Aerospace and Electronic System s，1986，22（1）:115-127.doi:10.1109/TAES.1986.310745.

［6］ROBEY F C，F(xiàn)UHRMANN D R，KELLY E J，et al.A CFAR adaptive matched filter detector［J］.IEEE Transactions on Aerospace and Electronic System s，1992，28（1）:208-216.doi: 10.1109/7.135446.

［7］閆亮，孫培林，易磊，等.基于逆高斯分布的復(fù)合高斯海雜波建模研究［J］.雷達(dá)學(xué)報(bào)，2013，2（4）:461-465.doi:10.3724/ SP.J.1300.2013.13083.

YAN Liang，SUN Peilin，YI Lei，et al.Modeling of com pound-Gaussian sea clu tter based on an inverse Gaussian distribution［J］.Journal of Radars，2013，2（4）:461-465.doi: 10.3724/SP.J.1300.2013.13083.

［8］DONG Y.Optimal coherent radar detection in a K-d istributed clutter environm ent［J］.IET Radar，Sonar& Navigation，2012，6（5）:283-292.doi:10.1049/iet-rsn.2011. 0273.

［9］BALLERI A，NEHORAI A，and WANG J.Maximum likelihood estim ation for com pound-Gaussian clu tter w ith inverse gamma texture［J］.IEEE Transactions on Aerospace and Electronic System s，2007，43（2）:775-779.doi:10.1109/ TAES.2007.4285370.

［10］SANGSTON K J，GINIF，and GRECO M S.Coherent radar target detection in heavy-tailed com pound-Gaussian clutter［J］.IEEE Transactions on Aerospace and Electronic System s，2012，48（1）:64-77.doi:10.1109/TAES.2012.6129621.

［11］DEMAIO A，F(xiàn)ARINA A，and FOGLIA G.Know ledge-aided Bayesian radar detectors&their app lication to live data［J］. IEEE Transactions on Aerospace and Electronic Systems，2010，46（1）:170-183.doi:10.1109/TAES.2010.5417154.

［12］鄒鯤，廖桂生，李軍，等.非高斯雜波下知識(shí)輔助檢測(cè)器敏感性分析［J］.電子與信息學(xué)報(bào)，2014，36（1）:181-186.doi:10. 3724/SP.J.1146.2013.00320.

ZOU Kun，LIAO Guisheng，LI Jun，et al.Sensitivity analysis of know ledge aided detector in non-Gaussian clutter［J］. JournalofElectronics&Information Technology，2014，36（1）: 181-186.doi:10.3724/SP.J.1146.2013.00320.

［13］CONTE E and DE MAIO A.M itigation techniques fornon-Gaussian sea clutter［J］.IEEE Journal of Oceanic Engineering，2004，29（2）:284-302.doi:10.1109/JOE.2004. 826901.

［14］GINI F，GRECO M V，and VERRAZZANI L.Detection problem inm ixed clutter environment asa Gaussian problem by adaptive p reprocessing［J］.Electronics Letters，1995，31（14）:1189-1190.doi:10.1049/el:19950808.

［15］關(guān)鍵，丁昊，黃勇，等.實(shí)測(cè)海雜波數(shù)據(jù)空間相關(guān)性研究［J］.電波科學(xué)學(xué)報(bào)，2012，27（5）:943-953.doi:10.13443/j.cjors. 2012.05.026. GUAN Jian，DING Hao，HUANG Yong，et al.Spatial correlation p roperty w ith measured sea clutter data［J］. Chinese Journal of Radio Science，2012，27（5）:943-953.doi: 10.13443/j.cjors.2012.05.026.

［16］JAVIER C M，JAVIER G M，ALVARO B C，etal.Statistical analysis of a high-resolution sea-clutter database［J］.IEEE Transactions on Geoscience an d Rem ote Sensing，2010，48（4）:2024-2037.doi:10.1109/TGRS.2009.2033193.

［17］The Defence，Peace，Safety，and Security Unit of the Council for Scientific and Industrial Research.The Fynmeet radar database［OL］.http://www.csir.co.za/small_boat_detection，2014.

施賽楠：女，1990年生，博士生，研究方向?yàn)槔走_(dá)信號(hào)處理和微弱目標(biāo)檢測(cè).

水鵬朗：男，1967年生，教授，博士生導(dǎo)師，研究方向?yàn)樽硬ɡ碚?、圖像處理和目標(biāo)檢測(cè).

劉明：男，1986年生，博士生，研究方向?yàn)楹Ｃ嫖⑷鮿?dòng)目標(biāo)檢測(cè).

Coherent Detection Based on Texture Structure in Compound-Gaussian Clutter

SHISainan SHUIPenglang LIU M ing
（National Key Laboratory of Radar Signal Processing，Xidian University，Xi’an 710071，China）

Trad itional adaptive detectors aremostly derived under the assum ption of independent and identically distributed texture.However，the texture correlation along the range cell exists in real sea clutter datasets.A new coherent detector based on texture structure is p roposed by adding the information of texture correlation into the likelihood ratio test.Based on the p rior know ledge that the texture correlation along range is generated by the swellmodulation，the number of range cells related to the texture of the CellUnder Test（CUT）is determ ined，and this number p rovides the information for the texture of CUT.Experimental results using real datasets show that the p roposed detector has better perform ance in com parison w ith the optimal detector in com pound-Gaussian clutter w ith inverse gamma texture.

Sea clutter；Com pound-Gaussian model；Texture correlation；Adap tive detection

The National Natural Science Foundation of China（61201296）

TN959.72

A

1009-5896（2016）08-1969-08

10.11999/JEIT 151194

2015-10-29；改回日期：2016-02-17；網(wǎng)絡(luò)出版：2016-05-05

施賽楠snshi@stu.xidian.edu.cn

國家自然科學(xué)基金（61201296）