王雅 陶海紅 代品品 柳陽

摘要： 在復雜的海雜波環(huán)境中， 海面弱小慢速目標檢測技術一直是雷達領域中的一項重點。 由于以往采用的單幀數據檢測海面弱小慢速目標容易產生較高的虛警率， 所以本文聯(lián)合多幀雷達回波數據， 在基于十字窗改進的多幀積累算法上進行算法改進， 減少了一個處理塊來抑制海雜波從而檢測海面弱小慢速目標， 降低了算法的運算復雜度， 增加了算法的可靠性與有效性， 最后通過對實測海雜波數據進行算法仿真驗證， 表明了該算法的可行性和有效性。

關鍵詞： 海雜波抑制； 弱小慢速目標檢測； 多幀積累； 十字窗； 多幀數據

中圖分類號： TJ760.1； TN911.7文獻標識碼： A文章編號： 1673-5048（2018）02-0043-06

0引言

隨著海洋環(huán)境的日益復雜， 海洋的武器平臺也在不斷增加， 因此對海事雷達探測性能的要求也越來越高。 而在極其復雜的海面環(huán)境條件下， 檢測湮沒在強海雜波中的弱小慢速目標一直是雷達對海探測研究的熱點與難點。 海事雷達接收到的回波中不僅僅包含目標信號， 更多的是海雜波以及噪聲信號， 在強海雜波環(huán)境中回波的信雜比是非常低的， 通常都為負值， 具有較低的可觀測性， 而且雜波也是復雜非均勻的， 因此負的信雜比條件下檢測海面弱小目標變得非常困難。 本文在多幀積累抑制海雜波算法的基礎上將算法進一步改進， 提出一種新的多幀積累的海面弱小慢速目標檢測算法， 降低了算法的運算復雜度。 并將算法應用于實測海雜波數據中進行算法仿真驗證， 有效地抑制了海雜波從而檢測出海面弱小慢速目標。

眾所周知， 海洋環(huán)境遠遠比其他環(huán)境的雜波復雜[1]， 因此海事雷達在海面檢測目標的背景不僅僅是常見的三類背景即均勻背景、 雜波邊緣背景和多目標環(huán)境中的任意一個單一的背景[2]， 而是非常容易受云雨、 海尖峰、 陸地、 海面溫度以及洋流等因素影響的復雜背景。 對于海雜波而言， 使用常規(guī)的雜波抑制[3]方法如動目標顯示（MTI）算法[4]、 單幀恒虛警檢測算法[5-6]等很難對其進行有效抑制。 基于此， 本文采用多幀積累的檢測算法實現(xiàn)對海雜波的抑制從而檢測出海面弱小慢速目標， 通過對實測數據的處理和性能分析驗證了所提算法的可行性和有效性。

1目前存在問題

由于海洋環(huán)境的復雜性， 海雜波的非均勻性以及多變性使海面弱小慢速目標表現(xiàn)出低可觀測性， 增加了海事雷達檢測的難度。 而以往的雜波抑制算法對于海雜波的抑制大多也是失效的。 當雜波與目標的多普勒速度相近時， MTI算法的雜波抑制效果并不理想， 因為MTI算法主要用來抑制靜止和慢速雜波， 但是海雜波會受到許多自然因素

收稿日期： 2017-08-21

基金項目： 西安電子科技大學基本科研業(yè)務費項目（BYD061428）

作者簡介： 王雅（1992-）， 女， 天津人， 碩士研究生， 研究方向為雷達信號處理。

引用格式： 王雅， 陶海紅， 代品品， 等. 基于多幀積累的海面弱小慢速目標檢測算法[ J]. 航空兵器， 2018（ 2）： 43-48.

Wang Ya， Tao Haihong， Dai Pinpin， et al. Weak and Slow Targets Detection Algorithm for Sea Surface Based on MultipleFrame Accumulation[ J]. Aero Weaponry， 2018（ 2）： 43-48. （ in Chinese）的影響， 是一種具有動態(tài)特性的復雜雜波。 除此之外， 比較常見的單幀恒虛警檢測算法在強海雜波條件下，在信雜比較低、 海面弱小慢速目標的可觀測性很差的時候會造成很高的虛警率， 因此也不適用于海面弱小慢速目標的檢測；若直接采用分數階傅里葉變換（FRFT）[7-9]的方法在較低的信雜比條件下比較容易失效；還有不少學者采用分形[10-11]的方法進行海雜波背景下目標的檢測問題， 但是分形方法無法獲得目標的運動信息。 多幀數據[12]聯(lián)合處理能更準確地檢測出海面目標。 因此， 按照目前研究情況來看， 尋找適用性強而且低復雜度的算法進行海面弱小慢速目標的檢測是一直努力和探索的方向。

2算法描述

2.1基于十字窗改進的多幀積累算法

基于十字窗改進的多幀積累（CW-SIC）算法首先通過兩個通道即SI通道[13]和CW通道對數據進行處理， 然后將處理后的數據使用掃描相關（SC）算法進一步處理， 最后通過過門限以及幀間十字窗處理的方法來實現(xiàn)檢測低速運動目標的目的。 其中SI通道主要是通過對信號進行加權達到抑制海雜波的目的， 而CW通道主要是利用海雜波在幀間的非相關性與海面弱小慢速目標在幀間的強相關性的原理來檢測海雜波中的所有目標回波， 達到檢測目標的效果。 CW-SIC算法的處理框圖如圖1所示。

圖1CW-SIC算法處理流程框圖

Fig.1The processing block diagram of CWSIC algorithm

2.1.1SI通道

SI通道最主要目的是抑制海雜波， 原理是通過對當前幀的數據處理單元（i， j）的掃描幅度Aij與前一幀的數據處理單元的歷史加權幅度Aij，old進行加權求和， 將合成的加權掃描幅度Aij，new作為下一次掃描加權處理的“舊”值， 即Ak+1，old=Ak，new， 其中k代表幀數。 根據經驗， 將加權因子[14]設為α0<α<1。 傳統(tǒng)SI算法按下式對幀間數據進行積累：

Aij，new=（1-α）Aij，old+αAij（1）

2.1.2CW通道

CW通道的原理是假設當前幀的數據處理單元（i， j）的幅度值為Aij， 則在其前一幀與后一幀數據中分別以數據處理單元（i， j）為中心拓展形成一個十字窗， 因為低速運動的弱小目標運動速度較低， 所以相鄰幀基本不會跨躍很大的距離單元和方位， 因此如果該幀的目標在數據處理單元（i， j）處， 則在其前一幀與后一幀數據中以數據處理單元（i， j）為中心形成的拓展十字窗中也會有目標存在。 根據這個原理可以大概率的檢測出目標并且能有效抑制部分海雜波。

2.1.3SC算法[15]

航空兵器2018年第2期王雅， 等： 基于多幀積累的海面弱小慢速目標檢測算法SC算法的主要目的是檢測目標， 在經SI通道與CW通道處理后的數據data_max中提取有效回波， 實現(xiàn)目標檢測， 同時去掉傳統(tǒng)SI算法處理后帶來的動目標 “尾巴”現(xiàn)象， 減少海雜波的尖峰數目。 SC算法簡單來說是一個邏輯處理問題， 假設第k幀的數據處理單元（i， j）的幅度為data{k}（i， j）， 假如data{k}（i， j）超過閾值門限T2， 而且其對應的data_max{k}（i， j）的幅度也超過閾值門限T1， 則輸出data_max{k}（i， j）， 否則就置零輸出。

2.2基于SI通道改進的多幀積累算法

基于SI通道改進的多幀積累（NCW-SIC）算法主要通過對基于十字窗改進的多幀積累算法的SI通道進行算法改進， 利用多幀數據進行海雜波抑制從而達到檢測低速運動的弱小目標的目的。

NCW-SIC算法首先通過兩個通道即NSI通道和CW通道進行數據處理， 然后將處理后的數據使用SC算法進一步處理， 以此實現(xiàn)檢測低速運動目標的目的。 NCW-SIC算法具體的處理框圖如圖2所示。

圖2NCW-SIC算法處理流程框圖

Fig.2The processing block diagram of NCWSIC algorithm

CW通道的主要目的是輸出海雜波中的所有目標回波。 處理方法與CW-SIC算法中的CW通道的處理方法相同。

NSI通道是對傳統(tǒng)SI算法改進而來的， 主要作用是抑制海雜波， 根據經驗[15]， 為了更好地抑制海雜波， 傳統(tǒng)SI算法中的加權因子α選取為α<0.5。 NSI在傳統(tǒng)SI算法處理之后增加了一步雜波抑制處理， 從而增加了原先SI通道雜波抑制的強度， 使海面弱小慢速目標有更高的檢測概率。 根據式（1）可以看出經過傳統(tǒng)SI算法處理之后， 目標回波被衰減為原來的α倍， 而在CW通道中目標都被輸出而且幅度沒有增大或者衰減， 所以在NSI通道中目標幅度應該不小于αT2的大小。 因此在NSI通道經過傳統(tǒng)SI算法處理之后的目標與雜波均存在的數據中， 若經過傳統(tǒng)SI算法處理后幅度超過αT2時則判斷該點為目標， 否則就置零輸出。

最后將經過NSI通道和CW通道處理后的數據進行一個邏輯“與”的操作， 將兩通道處理后的數據經過SC算法處理后即可得到經過NCW-SIC算法處理后的結果圖。

2.3閾值門限的選取

由于海雜波并不是均勻分布的， 因此較難提前給出海雜波的閾值門限， 同樣也不能將閾值門限設為一個固定的值。 但是小范圍內的海雜波可以近似為均勻分布的， 因此在CW-SIC算法中涉及到的兩個閾值門限T1和T2， 本文均采用對每幀數據進行分塊處理的方法來求取閾值門限， 就是將整幀數據看做一個大的矩形塊， 并將其平均分為若干個小的矩形塊。 NSI通道的門限T1的選取方法是去掉小矩形塊中的兩個最小值， 然后對剩下的值取平均求得； CW通道的門限T2的選取方法是將每個小矩形塊中的最大值與最小值剔除掉， 最后對剩余數據求取平均值。

2.4NCW-SIC算法的具體步驟

（1） 所用實測海雜波數據為對脈沖多普勒雷達的回波進行脈沖壓縮處理后的M幀多普勒雷達回波數據， 先使用SI算法對M幀數據進行處理， 將處理后的數據保存， 記作SI{k}， 然后根據2.3節(jié)閾值門限的選取方法求出其閾值門限T1。

（2） 假設選取第k幀數據作為檢測數據， 首先求出該幀的閾值門限T2； 然后將數據經過CW通道進行處理； 最后將經過拓展十字窗處理后的第k幀數據結果保存， 記作CW{k}。

（3） 將SI{k}（i， j）的幅值與步驟（2）中求出的閾值門限T2{k}（i， j）的α倍αT2{k}（i， j）作比較， 若SI{k}（i， j）>=αT2{k}（i， j）， 則暫時判定該點為目標， 否則就置零輸出， 輸出結果記作SI_OUT{k}， 然后將SI_OUT{k}（i， j）與CW{k}（i， j）的值進行“與”操作， 將滿足上述條件的數據保存為NCW{k}。

（4） 將NCW{k}與第k幀未經處理過的數據使用SC算法進行處理， 若第k幀數據處理單元（i， j）的幅度Ak（i， j）大于其對應的閾值門限T2{k}（i， j）， 而且數據處理單元（i， j）的幅度NCW{k}（i， j）也大于其閾值門限T1{k}（i， j）， 則輸出數據NCW{k}（i， j）的值， 否則就置零輸出， 最后將得到的數據記作data_end{k}， 并且畫出目標航跡圖。

對比圖1～2， 可以看出NCW-SIC算法處理起來更加簡單方便， 比CW-SIC算法少了一個幀間十字窗處理的模塊， 大大降低了算法的復雜度。 對于NCW-SIC算法來說， 在上通道中只增加了一個CW-SIC過門限的處理， 其復雜度比起算法中的幀間十字窗處理簡單很多， 假設一幀數據包括10個距離單元10個脈沖， 那么對于NCW-SIC算法中的SI_OUT的復雜度是100， 但是對于CW-SIC算法中的幀間十字窗處理來說就大得多， 比如選擇的十字窗長和寬均為3， 那么經過幀間十字窗處理后的復雜度為256， 所以可以明顯看出NCW-SIC算法比CW-SIC算法的復雜度要低， 說明了NCW-SIC算法經過改進后更有效， 也更易于工程實現(xiàn)。

3仿真實驗和性能分析

仿真實驗所用的兩組數據均為某海域實測海雜波數據， 第一組數據包含25幀數據， 海雜波不是很強； 另一組數據包含27幀數據， 但是海雜波相對于第一組數據來說強了很多， 該數據中均含有兩個小目標， 這兩個目標是敞篷小船拉著一個易拉罐， 如圖3為導航設備錄取時的PPI視頻圖片。 小目標在海面上運動情況的圖片見圖4。 對兩組數據具體的仿真效果見圖5～11。

圖3導航設備錄取時PPI視頻

Fig.3PPI video when navigation equipment accepts data

假設目標的能量為S， 雜波與噪聲的能量為C+N， 則信雜噪比可以表示為SCNR=S/（C+N）。 所取第2組數據的第23幀數據原始的信雜噪比為-21.95 dB。 該信雜噪比的計算均是在弱小慢速目標檢測成功后通過對實測海雜波數據中的信號能量與其周圍雜波及噪聲平均能量的比值得到的，所以該數據是比較真實的。 如果想在該低信雜比情況下檢測出目標是相當困難的。 但是實測海雜波數據經過NCW-SIC算法處理后兩個小目標均檢測出來， 可以看到信雜噪比得到明顯的提高， 表明了NCW-SIC算法的有效性， 具體仿真結果如圖6， 8， 11所示。

圖5～6為對第一組海雜波較弱的實測數據進行的仿真實驗； 圖7～8為對第二組較強的實測海雜波數據進行的仿真實驗。 從圖6與圖8兩張結果圖均可以明顯看出兩個小目標， 而且海雜波也被圖4小目標在海面運動情形

Fig.4The movement of small targets in the sea

圖5第7幀數據

Fig.5Data of the 7 frame

圖6第7幀數據經過NCW-SIC算法處理結果圖

Fig.6The 7 frame data are processed by NCWSIC algorithm

圖7第23幀數據

Fig.7Data of the 23 frame

圖8第23幀數據經過NCW-SIC算法處理結果圖

Fig.8The 23 frame data are processed by NCWSIC algorithm

明顯的抑制了， 表明NCW-SIC算法對海雜波抑制與海面弱小慢速目標的檢測均具有明顯效果， 表現(xiàn)出該算法的有效性與可靠性。

圖9為對第一組海雜波數據的第7幀數據采用SIC算法處理后的結果圖。 在圖9中發(fā)現(xiàn)目標并未找到， 目標依然湮沒在了海雜波中， 表明使用傳統(tǒng)SIC算法的處理效果并不理想； 圖10是未經處理的第二組強雜波數據的27幀數據的原始航跡圖，從該圖可以發(fā)現(xiàn)由于雜波太強根本看不出目標的軌跡， 小目標完全湮沒在海雜波中； 圖11是第二組數據經過NCW-SIC算法處理后的27幀數據 圖9第7幀數據經過傳統(tǒng)SIC算法處理結果圖

Fig.9The 7 frame data are processed by conventional SIC

algorithm

的航跡圖， 海雜波抑制效果比較明顯， 目標航跡圖較清晰， 均表明了NCW-SIC算法是可行的。

圖1027幀數據疊加處理的目標航跡

Fig.10Target track of 27 frames data by superimposition processing

圖1127幀數據經過NCW-SIC算法處理后航跡圖

Fig.11Target track of 27 frames data by NCWSIC algorithm processing

4結論

通過對實測海雜波數據的處理， 從處理結果上表明了基于多幀積累的海面弱小慢速目標檢測算法的可行性與有效性。 NCW-SIC算法與CW-SIC算法的性能對比結果表明了新算法對于海雜波抑制與海面弱小慢速目標的檢測更有效。 NCW-SIC算法通過對算法中的SI通道的改進降低了算法的復雜度， 使NCW-SIC算法更利于工程的實現(xiàn)。 基于此， 本文提出的基于多幀積累的海面弱小慢速目標檢測算法對于海雜波抑制與海面弱小慢速目標的檢測均具有更好的效果， 降低了算法的復雜度使算法更加高效可靠， 利于工程實現(xiàn)。

參考文獻：

[1] 何友， 黃勇， 關鍵， 等. 海雜波中雷達目標檢測技術綜述[J]. 現(xiàn)代雷達， 2014， 36（12）： 1-9.

He You， Huang Yong， Guan Jian， et al. An Overview on Radar Target Detection in Sea Clutter[J]. Modern Radar， 2014， 36（12）： 1-9.（in Chinese）

[2] 何友， 修建娟， 關欣， 等. 雷達數據處理及應用[M]. 3版. 北京： 電子工業(yè)出版社， 2013： 2-6.

He You， Xiu Jianjuan， Guan Xin， et al. Radar Data Processing with Application[M]. 3rd ed.Beijing： Publishing House of Electronics Industry， 2013： 2-6.（in Chinese）

[3] 趙翠. 海雜波特性及其抑制技術的研究[D]. 成都：電子科技大學， 2014： 48-57.

Zhao Cui. Research on Characteristics and Suppression Technology of Sea Clutter[D]. Chengdu：University of Electronic Science and Technology of China， 2014： 48-57.（in Chinese）

[4] 吳順君， 梅曉春. 雷達信號處理和數據處理技術[M]. 北京：電子工業(yè)出版社， 2008： 115-127.

Wu Shunjun， Mei Xiaochun. Radar Signal Processing and Data Processing Technology[M]. Beijing： Publishing House of Electronics Industry， 2008： 115-127.（in Chinese）

[5] 何友， 關鍵， 彭應寧，等. 雷達自動檢測與恒虛警處理[M]. 北京：清華大學出版社， 1999： 10-22.

He You，Guan Jian， Peng Yingning， et al.Automatic Radar Detection and CFAR Processing[M]. Beijing： Tsinghua University Press， 1999： 10-22.（in Chinese）

[6] 何友， 關鍵， 孟祥偉， 等. 雷達自動檢測和CFAR處理方法綜述[J]. 系統(tǒng)工程與電子技術， 2001， 23（1）： 9-14.

He You， Guan Jian， Meng Xiangwei， et al. Survey of Automatic Radar Detectionand CFAR Processing[J]. Systems Engineering and Electronics， 2001， 23（1）： 9-14.（in Chinese）

[7] 劉建成， 劉忠， 王雪松， 等. 高斯白噪聲背景下的LFM信號的分數階Fourier域信噪比分析[J]. 電子與信息學報， 2007， 29（10）： 2337-2340.

Liu Jiancheng， Liu Zhong， Wang Xuesong， et al. SNR Analysis of LFM Singal with Gaussian White Noise in Fractional Fourier Transform Domain[J].Journal of Electronics and Information Technology， 2007， 29（10）： 2337-2340.（in Chinese）

[8] 陶然， 張峰， 王越. 分數階Fourier 變換離散化的研究進展[J]. 中國科學， 2008， 38（4）： 481-503.

Tao Ran， Zhang Feng， Wang Yue. Study Evolution of Discrete Fractional Fourier Transform[J]. Science in China， 2008， 38（4）： 481-503.（in Chinese）

[9] 郭海燕， 董云龍， 關鍵. 基于分數階模糊函數的海面運動弱目標檢測[J]. 系統(tǒng)工程與電子技術， 2011， 33（6）： 1212-1216.

Guo Haiyan， Dong Yunlong， Guan Jian. Weak Target Detection of Sea Surface Motion Based on Fractional Ambiguity Function[J]. Systems Engineering and Electronic Technology， 2011， 33 （6）： 1212-1216.（in Chinese）

[10] 劉寧波， 關鍵. 海雜波的多重分形判定及廣義維數譜自動提取[J]. 海軍航空工程學院學報， 2008， 23（2）： 126-131.

Liu Ningbo， Guang Jian. Judgement of Multifractal AutoComputing of Generalized Dimension Spectrum Based on Sea Clutter[J]. Journal of Naval Aeronautical and Astronautical University， 2008， 23 （2）： 126-131.（in Chinese）

[11] 承德保， 胡風明， 楊汝良. 利用改進分形特征對SAR圖像目標檢測方法的研究[J]. 電子與信息學報， 2009， 31（1）： 164-168.

Cheng Debao， Hu Fengming， Yang Ruliang. Study on Target Detection in SAR Images Using Improved Fractal Features[J]. Journal of Electronics and Information Technology， 2009， 31 （1）： 164-168.（in Chinese）

[12] 趙元瑞. 基于多幀數據的弱小目標檢測與跟蹤算法研究[D]. 西安： 西安電子科技大學， 2015： 28-36.

Zhao Yuanrui. Study on Weak Targets Detection and Tracking Algorithms Based on MultiFrame Data[D]. Xian： Xidian University， 2015： 28-36.（in Chinese）

[13] Zhao Haibo， Hu Guangrui， Xu Xiaoxi. Application of ScantoScan IntegrationCorrelation to Detection of Small FastMoving Target on Sea Surface[J]. Journal of Shanghai University（English Edition）， 2005， 9（4）： 349-353.