陳唯實(shí)

(中國(guó)民航科學(xué)技術(shù)研究院機(jī)場(chǎng)研究所, 北京 100028)

?

基于時(shí)域特性的非相參雷達(dá)目標(biāo)檢測(cè)與跟蹤

陳唯實(shí)

(中國(guó)民航科學(xué)技術(shù)研究院機(jī)場(chǎng)研究所, 北京 100028)

將跟蹤雷達(dá)的目標(biāo)檢測(cè)策略應(yīng)用于搜索雷達(dá)數(shù)據(jù)處理,提升對(duì)復(fù)雜低空空域非相參雷達(dá)圖像中小弱目標(biāo)的檢測(cè)與跟蹤能力。首先,根據(jù)跟蹤目標(biāo)的生命周期等時(shí)域特性,修正“最優(yōu)分類面”中目標(biāo)預(yù)估位置鄰域內(nèi)的分割閾值,以提高目標(biāo)檢測(cè)靈敏度。然后,利用雜波在雷達(dá)圖像序列中的時(shí)域特性進(jìn)一步修正“最優(yōu)分類面”,剔除剩余雜波。最后,將本算法與已經(jīng)實(shí)現(xiàn)的基于空域特性的雜波抑制算法相結(jié)合,分別應(yīng)用于仿真和實(shí)測(cè)數(shù)據(jù),并采用多種方法評(píng)價(jià)檢測(cè)結(jié)果。檢測(cè)結(jié)果表明,本算法能夠在提高檢測(cè)率的同時(shí),進(jìn)一步降低虛警率。

雷達(dá); 跟蹤; 雜波; 檢測(cè)率; 虛警率

0　引　言

通用航空是指使用民用航空器從事公共航空運(yùn)輸以外的民用航空活動(dòng)[1]。我國(guó)有望在未來(lái)15年內(nèi)建成1 600個(gè)通用機(jī)場(chǎng),低空管制也將逐步開(kāi)放,屆時(shí)私人飛機(jī)無(wú)需軍方批準(zhǔn)即可使用1 000 m以下空域。隨著我國(guó)通用航空產(chǎn)業(yè)的高速發(fā)展與低空空域的逐步開(kāi)放,亟需加強(qiáng)對(duì)低空空域通用航空器等非合作目標(biāo)的監(jiān)視能力,確?？沼蚝叫邪踩玔2-3]。國(guó)外成熟的低空空域監(jiān)視系統(tǒng),如Harrier雷達(dá)[4]和Accipiter雷達(dá)[5],通常采用成本低、可靠性高的非相參海事雷達(dá)作為前端,在對(duì)雷達(dá)信號(hào)處理模塊基本不做改動(dòng)的前提下,通過(guò)雷達(dá)數(shù)據(jù)處理方法抑制低空雜波,從復(fù)雜的非相參低空空域雷達(dá)圖像中提取出小弱目標(biāo)[6]。

在前期研究中,基于“低空空域雷達(dá)監(jiān)視系統(tǒng)”采集的非相參雷達(dá)圖像數(shù)據(jù),設(shè)計(jì)了雷達(dá)目標(biāo)檢測(cè)與跟蹤算法流程[7],并實(shí)現(xiàn)了一種基于空域特性的雜波抑制算法[8]。本文將在此基礎(chǔ)上,提出一種基于時(shí)域特性的非相參雷達(dá)目標(biāo)檢測(cè)與跟蹤算法,進(jìn)一步完善該算法流程,提高非相參雷達(dá)在強(qiáng)雜波中檢測(cè)弱小目標(biāo)的能力。全文結(jié)構(gòu)如下:第一部分首先介紹了“低空空域雷達(dá)監(jiān)視系統(tǒng)”,并回顧了基于時(shí)域特性的經(jīng)典雷達(dá)目標(biāo)檢測(cè)算法;第二部分詳細(xì)介紹了基于時(shí)域特性的非相參雷達(dá)目標(biāo)檢測(cè)與跟蹤算法;第三部分在提出一系列檢測(cè)結(jié)果評(píng)價(jià)方法的基礎(chǔ)上,針對(duì)仿真和實(shí)測(cè)數(shù)據(jù),將本算法與其他經(jīng)典算法進(jìn)行對(duì)比分析;最后做出結(jié)論。

1　低空空域雷達(dá)監(jiān)視系統(tǒng)

低空空域雷達(dá)監(jiān)視系統(tǒng)采用X波段和S波段的非相參海事雷達(dá)作為前端,其主要性能指標(biāo)見(jiàn)表1?；谶@兩個(gè)波段雷達(dá)搭建的監(jiān)視系統(tǒng)已分別在民用機(jī)場(chǎng)進(jìn)行了測(cè)試,并采集了大量數(shù)據(jù),實(shí)驗(yàn)現(xiàn)場(chǎng)見(jiàn)圖1。

表1　海事雷達(dá)性能指標(biāo)

圖1　機(jī)場(chǎng)實(shí)驗(yàn)現(xiàn)場(chǎng)

本系統(tǒng)利用高清圖像采集卡獲取低空空域雷達(dá)平面位置指示(plane position indicator, PPI)圖像,由后端的雷達(dá)數(shù)據(jù)處理軟件進(jìn)行處理分析。非相參雷達(dá)目標(biāo)檢測(cè)與跟蹤算法是該軟件的核心,本文提出的基于時(shí)域特性的目標(biāo)檢測(cè)算法將進(jìn)一步完善算法流程,提升系統(tǒng)的目標(biāo)探測(cè)能力。

利用目標(biāo)的時(shí)域特性進(jìn)行目標(biāo)檢測(cè)是雷達(dá)數(shù)據(jù)處理的重要內(nèi)容,其將連續(xù)多幀雷達(dá)圖像進(jìn)行關(guān)聯(lián)處理,根據(jù)雷達(dá)圖像中雜波與目標(biāo)回波的不同時(shí)域特性,提高雷達(dá)的目標(biāo)檢測(cè)與雜波抑制能力[6]。檢測(cè)前跟蹤(tracking before detection, TBD)是應(yīng)用最為廣泛的基于時(shí)域特性的目標(biāo)檢測(cè)與跟蹤算法[9],其在不改變現(xiàn)有雷達(dá)系統(tǒng)的前提下,采用數(shù)據(jù)關(guān)聯(lián)算法聯(lián)合處理多幀原始數(shù)據(jù),積累能量,檢測(cè)目標(biāo)并恢復(fù)航跡[10-11]。針對(duì)非均勻雜波的影響,Musicki提出了集成概率數(shù)據(jù)關(guān)聯(lián)(integrated probabilistic data association, IPDA)算法[12]、基于雜波圖和融入交互式多模型(interactive multiple model, IMM)的IPDA算法[13-14]。文獻(xiàn)[15]提出了融入IMM和量測(cè)融合的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法。粒子濾波(particle filtering, PF)給非線性非高斯系統(tǒng)下的跟蹤理論研究注入了新的動(dòng)力[16-17]。文獻(xiàn)[18]最早研究了PF-TBD方法。文獻(xiàn)[19]針對(duì)幅度波動(dòng)目標(biāo),提出了一種改進(jìn)的PF-TBD方法,提高了粒子利用效率。文獻(xiàn)[20]研究了機(jī)動(dòng)目標(biāo)的PF-TBD方法及結(jié)合序貫檢測(cè)的PF-TBD方法[21]。文獻(xiàn)[22]提出將PF與目標(biāo)特征提取相結(jié)合的多目標(biāo)跟蹤方法。在前期研究中,我們也實(shí)現(xiàn)了一種基于PF的不確定數(shù)目目標(biāo)跟蹤算法,將目標(biāo)航跡的起始、延續(xù)和消亡在統(tǒng)一的數(shù)據(jù)關(guān)聯(lián)框架下處理,并估計(jì)出每個(gè)目標(biāo)的生命周期[23]。

大量研究成果表明,TBD算法通過(guò)數(shù)據(jù)關(guān)聯(lián)將部分量測(cè)與目標(biāo)航跡相關(guān)聯(lián),剔除未關(guān)聯(lián)的量測(cè),能夠降低“虛警”,但并不能提高對(duì)弱小目標(biāo)的檢測(cè)能力;此時(shí)只能通過(guò)設(shè)定低閾值檢測(cè)到小弱目標(biāo),導(dǎo)致量測(cè)中混入大量“虛警”,算法復(fù)雜度高,計(jì)算量大,在強(qiáng)雜波環(huán)境中難于實(shí)現(xiàn)實(shí)時(shí)處理。實(shí)際上,在目標(biāo)航跡形成之后,目標(biāo)預(yù)估位置鄰域出現(xiàn)量測(cè)的概率相對(duì)較高,不妨有條件地調(diào)整該區(qū)域的分割閾值,在不增加量測(cè)數(shù)量的前提下提高“檢測(cè)率”。跟蹤雷達(dá)通常會(huì)采用以上策略,它可以把很窄的波束,始終對(duì)準(zhǔn)一個(gè)目標(biāo),相當(dāng)于提高了對(duì)特定區(qū)域內(nèi)目標(biāo)的檢測(cè)靈敏度,由此得到高精度的連續(xù)數(shù)據(jù)。低空空域監(jiān)視雷達(dá)屬于搜索雷達(dá),其不同于跟蹤雷達(dá),搜索雷達(dá)需要以一定的數(shù)據(jù)率,發(fā)現(xiàn)和測(cè)量本空域全方位的所有目標(biāo),分配給單個(gè)目標(biāo)的時(shí)間和能量有限。

本文提出的基于時(shí)域特性的目標(biāo)檢測(cè)算法,在非相參搜索雷達(dá)目標(biāo)檢測(cè)中借鑒跟蹤雷達(dá)的目標(biāo)檢測(cè)策略,在建立目標(biāo)航跡之后,根據(jù)其生命周期,修正目標(biāo)預(yù)估位置鄰域內(nèi)的分割閾值,相當(dāng)于提高了該區(qū)域內(nèi)目標(biāo)的檢測(cè)靈敏度,使搜索雷達(dá)在一定程度上具備了跟蹤雷達(dá)的目標(biāo)檢測(cè)效果。通過(guò)對(duì)非相參雷達(dá)PPI圖像序列的觀察發(fā)現(xiàn),低空空域雜波通常連續(xù)多幀出現(xiàn)在相同位置或其鄰域內(nèi),其“時(shí)域”特性同樣值得關(guān)注;因此,本文在利用“目標(biāo)”的“時(shí)域”特性提高“檢測(cè)率”的同時(shí),也將充分利用“雜波”的“時(shí)域”特性降低“虛警率”。

2　本算法描述

本文根據(jù)目標(biāo)和雜波在非相參雷達(dá)圖像中的時(shí)域特性,提出一種基于時(shí)域特性的非相參雷達(dá)目標(biāo)檢測(cè)算法,并將其與前期研究中實(shí)現(xiàn)的基于空域特性的雜波抑制算法相結(jié)合[8],形成了一整套完整的非相參雷達(dá)目標(biāo)檢測(cè)與跟蹤算法,流程如圖2所示。

圖2　非相參雷達(dá)目標(biāo)檢測(cè)與跟蹤算法流程圖

該算法包括背景差分、雜波抑制、量測(cè)信息提取、不確定數(shù)目目標(biāo)跟蹤[23]和數(shù)據(jù)疊加等5個(gè)步驟,將低空目標(biāo)航跡從復(fù)雜的雷達(dá)圖像中提取出來(lái),并與地圖或坐標(biāo)系疊加,生成便于觀測(cè)的融合圖像。

其中,雜波抑制算法利用目標(biāo)與雜波的“時(shí)空域”特性,建立區(qū)分目標(biāo)和雜波的“最優(yōu)分類面”。首先,考慮目標(biāo)和雜波的“空域”特性,基于前景和背景統(tǒng)計(jì)模型,考察待檢測(cè)像素的空間位置和量測(cè)聚集程度,自適應(yīng)地調(diào)節(jié)閾值[8];其次,考慮目標(biāo)和雜波的“時(shí)域”特性,從以下兩方面修正“最優(yōu)分類面”:

(1)利用目標(biāo)的生命周期等航跡信息,調(diào)整目標(biāo)預(yù)估位置鄰域像素的分割閾值,提高“檢測(cè)率”;

(2)利用雜波出現(xiàn)規(guī)律,調(diào)整量測(cè)重復(fù)出現(xiàn)區(qū)域的分割閾值,降低“虛警率”。

由式(1)對(duì)“最優(yōu)分類面”φ中每個(gè)像素[x,y]的分割閾值θ進(jìn)行調(diào)整:

(1)

式中,θ為固定閾值;PS[x,y]為基于“空域”特性的閾值分割估計(jì)先驗(yàn)概率,其計(jì)算方法已在文獻(xiàn)[8]中做了詳細(xì)描述;PT[x,y]為基于“時(shí)域”特性的閾值分割估計(jì)先驗(yàn)概率,是本文要討論的重點(diǎn);φ[x,y]為調(diào)整后的分割閾值。

(2)

對(duì)于確認(rèn)航跡起始的目標(biāo),利用前期研究中實(shí)現(xiàn)的一種基于PF的不確定數(shù)目目標(biāo)跟蹤算法[23],進(jìn)行目標(biāo)狀態(tài)預(yù)估,其在k時(shí)刻的預(yù)估狀態(tài)為

(3)

(4)

(5)

(6)

(7)

此時(shí),基于修正后的“最優(yōu)分類面”φ,對(duì)前景圖像F進(jìn)行閾值分割,獲得二值圖像E為

(8)

3　雷達(dá)數(shù)據(jù)分析

為便于區(qū)分,本文提出的算法稱為“時(shí)域”算法,文獻(xiàn)[8]中的算法稱為“空域”算法,二者的結(jié)合稱為“時(shí)空域”算法。本節(jié)中,仿真數(shù)據(jù)用于驗(yàn)證“時(shí)域”算法的有效性,實(shí)測(cè)數(shù)據(jù)用于對(duì)比“空域”算法、“時(shí)空域”算法及其他經(jīng)典算法的效果。針對(duì)仿真數(shù)據(jù)和非相參雷達(dá)實(shí)測(cè)數(shù)據(jù),本節(jié)分別提出了不同的檢測(cè)結(jié)果評(píng)價(jià)方法。

3.1檢測(cè)結(jié)果評(píng)價(jià)方法

仿真數(shù)據(jù)能夠提供真實(shí)的目標(biāo)數(shù)、目標(biāo)回波強(qiáng)度、目標(biāo)的真實(shí)運(yùn)動(dòng)軌跡、虛警數(shù)和虛警回波強(qiáng)度。因此,基于仿真數(shù)據(jù)的目標(biāo)檢測(cè)結(jié)果,可由以下方法評(píng)價(jià)目標(biāo)檢測(cè)結(jié)果。

(1)工作特征(receiveroperatorcharacteristic,ROC)曲線,給出“檢測(cè)率(Pd)”和“虛警率(Pfa)”的對(duì)應(yīng)關(guān)系。

(2)由多次蒙特卡羅仿真實(shí)驗(yàn)獲得的跟蹤均方根誤差(root-mean-squareerror,RMSE)的平均值。

(3)單個(gè)目標(biāo)跟蹤過(guò)程中置信區(qū)域Sk的變化。

針對(duì)非相參雷達(dá)圖像數(shù)據(jù),本文將閾值分割后二值圖像中的獨(dú)立聯(lián)通區(qū)域作為一個(gè)量測(cè),量測(cè)總數(shù)為N,其中包括目標(biāo)數(shù)Ndt和虛警數(shù)Nfa,而每幀雷達(dá)圖像中已知的真實(shí)目標(biāo)數(shù)為Ntt。目標(biāo)數(shù)Ndt可以通過(guò)與已知的目標(biāo)軌跡比對(duì)獲得,虛警數(shù)Nfa=N-Ndt。采用“最優(yōu)虛警數(shù)”作為評(píng)價(jià)方法,即檢測(cè)率達(dá)到或接近100%(Ndt=Ntt)時(shí)的虛警數(shù),此值越低,則檢測(cè)結(jié)果越好。

3.2仿真數(shù)據(jù)

雷達(dá)目標(biāo)由多個(gè)散射子組成,其相對(duì)雷達(dá)視線姿態(tài)角的變化使散射子矢量合成時(shí)各自的相對(duì)相位隨機(jī)變化,產(chǎn)生回波起伏。雷達(dá)回波起伏與雷達(dá)目標(biāo)散射截面(radarcrosssection,RCS)相聯(lián)系,導(dǎo)致雷達(dá)圖像中像素灰度值的變化,因此本節(jié)以RCS值代替像素灰度值。同時(shí),低空空域監(jiān)視雷達(dá)的垂直波束較寬,容易接收到部分地雜波,造成虛警。本文以χ2分布(k=1, 2, 3, 4)定量描述低空空域目標(biāo)的RCS概率密度分布,以瑞利分布描述地雜波[24]。

χ2概率密度函數(shù)為

(9)

瑞利概率密度函數(shù)為

(10)

式中,σ為RCS隨機(jī)變量；b為瑞利系數(shù)。

下面基于仿真數(shù)據(jù)模型,分別以ROC曲線、檢測(cè)率、RMSE、目標(biāo)跟蹤過(guò)程中置信區(qū)域的變化等指標(biāo),驗(yàn)證“時(shí)域特征提取”算法中利用目標(biāo)軌跡信息修正“最優(yōu)分類面”對(duì)檢測(cè)效果的影響。假設(shè)仿真數(shù)據(jù)中所有目標(biāo)的航跡穩(wěn)定存在,且公式(6)中的調(diào)節(jié)參數(shù)β=1。實(shí)驗(yàn)1的仿真數(shù)據(jù)建立4類χ2分布模型(k=1, 2, 3, 4),實(shí)驗(yàn)2和3建立1類χ2分布模型(k=2),所有實(shí)驗(yàn)中地雜波模型均將式(10)中參數(shù)設(shè)置為b=0.5。

3.2.1ROC曲線

RCS的取值范圍是0.2～20.2dBm2,共進(jìn)行1 000次蒙特卡羅實(shí)驗(yàn),每次實(shí)驗(yàn)(掃描周期)生成100個(gè)目標(biāo)與5 000個(gè)地雜波的RCS數(shù)據(jù),對(duì)比采用固定閾值分割(fixedthreshold,FT)算法和利用目標(biāo)軌跡信息修正“最優(yōu)分類面”后的ROC曲線。FT算法對(duì)“最優(yōu)分類面”完全不做修正,“時(shí)域”算法僅對(duì)“最優(yōu)分類面”中航跡穩(wěn)定存在的目標(biāo)所在區(qū)域的分割閾值進(jìn)行修正。如圖3所示,針對(duì)4類仿真模型,修正后的檢測(cè)算法都明顯優(yōu)于修正前的FT算法。

3.2.2“檢測(cè)率”和RMSE

圖4所示對(duì)比了不同固定閾值情況下“最優(yōu)分類面”修正前后的目標(biāo)檢測(cè)率和跟蹤誤差估計(jì),RMSE為1 000次蒙特卡羅實(shí)驗(yàn)獲得的平均值,每次實(shí)驗(yàn)均對(duì)單一目標(biāo)的運(yùn)動(dòng)軌跡進(jìn)行50個(gè)掃描周期的跟蹤,目標(biāo)的運(yùn)動(dòng)軌跡隨機(jī)生成。可見(jiàn),隨著分割閾值的增大,檢測(cè)率Pd單調(diào)遞增而RMSE單調(diào)遞減,修正后的“最優(yōu)分類面”明顯提高了跟蹤過(guò)程中目標(biāo)的檢測(cè)率,并降低了RMSE。

圖3　基于4類χ2分布模型的ROC曲線

圖4　單目標(biāo)跟蹤中的檢測(cè)率與誤差

3.2.3置信區(qū)域的變化

圖5以某次單目標(biāo)跟蹤仿真實(shí)驗(yàn)為例,對(duì)比了“最優(yōu)分類面”修正前后目標(biāo)預(yù)估位置置信區(qū)域的變化情況,每個(gè)掃描周期中的置信區(qū)域大小由橢圓表示,其兩軸的長(zhǎng)度由式(4)計(jì)算。目標(biāo)的起點(diǎn)為[0, 0],目標(biāo)的運(yùn)動(dòng)軌跡隨機(jī)生成,分割閾值設(shè)為θ=12,對(duì)目標(biāo)進(jìn)行50個(gè)掃描周期的跟蹤。在“最優(yōu)分類面”修正前,由于“檢測(cè)率”較低,在很多周期內(nèi)無(wú)法檢測(cè)到目標(biāo),目標(biāo)航跡不做修正,導(dǎo)致置信區(qū)域較大;修正后,“檢測(cè)率”提高,目標(biāo)航跡得到修正,置信區(qū)域明顯縮小。

3.3實(shí)測(cè)數(shù)據(jù)

本節(jié)分別采用本算法對(duì)X波段和S波段的非相參雷達(dá)圖像進(jìn)行處理,并將“空域”算法、“時(shí)空域”算法與現(xiàn)有經(jīng)典算法的檢測(cè)結(jié)果進(jìn)行對(duì)比分析,兩組圖像數(shù)據(jù)的采集頻率均為每0.4幀/s。

3.3.1X波段雷達(dá)數(shù)據(jù)

本組測(cè)試數(shù)據(jù)為在河南南陽(yáng)機(jī)場(chǎng)采集的68幀X波段雷達(dá)圖像序列,圖像分辨率456×456,量程0.25海里,目標(biāo)為一輛沿巡場(chǎng)道運(yùn)行的驅(qū)鳥(niǎo)車。

圖5　單目標(biāo)跟蹤中置信區(qū)域的變化

圖6所示為本序列中第49幀雷達(dá)圖像的可視化檢測(cè)結(jié)果。圖6(a)在原始圖像中標(biāo)明了目標(biāo)位置;圖6(b)～圖6(f)采用的檢測(cè)算法包括FT、FT+形態(tài)學(xué)處理(morphological processing, MP)、均值恒虛警檢測(cè)(cell averaging constant false alarm rate, CA-CFAR)、“空域”和“時(shí)空域”,其中MP采用先“腐蝕”后“膨脹”,左側(cè)圖像為雜波抑制后的二值圖像,右側(cè)圖像將檢測(cè)出的目標(biāo)位置標(biāo)注在原始圖像中。以上方法的分割閾值均設(shè)定為θ=70,“空域”算法部分的各項(xiàng)參數(shù)設(shè)置為η=30,α=1,w=l=16,W=L=24[8],“時(shí)域”算法部分的各項(xiàng)參數(shù)設(shè)置為式(6)中β=1,式(7)中γ=1?？梢?jiàn),FT算法在引入63個(gè)虛警的前提下能夠檢測(cè)到目標(biāo);FT+MP算法剔除了大量虛警,同時(shí)也未檢測(cè)到目標(biāo);CA-CFAR算法作為一種經(jīng)典的雷達(dá)目標(biāo)檢測(cè)算法,雖然能夠檢測(cè)到小弱目標(biāo),但虛警數(shù)為11;采用“空域”算法,能夠在檢測(cè)到小弱目標(biāo)的同時(shí)將虛警數(shù)減少到5個(gè);增加“時(shí)域”部分而采用“時(shí)空域”算法,不僅檢測(cè)到目標(biāo),且實(shí)現(xiàn)了“零虛警”,檢測(cè)效果最優(yōu)。

圖6　X波段雷達(dá)圖像檢測(cè)結(jié)果

表2所示為其他參數(shù)不變的情況下,設(shè)定不同分割閾值時(shí),對(duì)比多種算法針對(duì)68幀雷達(dá)圖像的檢測(cè)結(jié)果,包括目標(biāo)數(shù)和虛警數(shù)?？梢?jiàn),FT+MP不能檢測(cè)到全部68個(gè)目標(biāo),在檢測(cè)到全部目標(biāo)的前提下,“空域”算法將 “最優(yōu)虛警數(shù)”降低到534個(gè),“時(shí)空域”算法將其進(jìn)一步降低到111個(gè),明顯優(yōu)于其他3種算法。同時(shí),我們發(fā)現(xiàn),由于每個(gè)目標(biāo)對(duì)應(yīng)的聯(lián)通域中所有像素的灰度值并不相同,在閾值分割時(shí)可能會(huì)分裂為多個(gè)量測(cè),其中只有一個(gè)標(biāo)定為目標(biāo),其余則標(biāo)定為雜波,造成虛警。因此,本文采用MP方法中的“膨脹”處理,將可能分裂為多個(gè)量測(cè)的目標(biāo)區(qū)域重新聯(lián)通,將“最優(yōu)虛警數(shù)”降低為36個(gè)。

圖7所示為“時(shí)空域+MP”算法對(duì)68幀圖像的目標(biāo)檢測(cè)與跟蹤結(jié)果(θ=120,Ndt=68,Nfa=36),并將目標(biāo)軌跡疊加到雷達(dá)背景圖像上,某巡場(chǎng)車輛在滑行道上進(jìn)行巡場(chǎng)。其中,可見(jiàn),仍有少量雜波出現(xiàn)在固定背景邊緣,原因在于,本雷達(dá)圖像序列的探測(cè)距離較小,回波數(shù)據(jù)分辨率高,加之?dāng)?shù)據(jù)采集過(guò)程中風(fēng)速較大,草地、樹(shù)林等固定背景晃動(dòng)劇烈,導(dǎo)致雷達(dá)圖像中固定背景邊緣變化明顯,形成大量虛警。

表2　X波段雷達(dá)目標(biāo)數(shù)與虛警數(shù)對(duì)比

圖7　X波段雷達(dá)目標(biāo)跟蹤結(jié)果

算法效率是其性能的重要指標(biāo),表3對(duì)比了Matlab運(yùn)行環(huán)境下(3.50 GHz CPU)不同算法處理一幀X波段雷達(dá)圖像的耗時(shí)。其中,FT算法最為簡(jiǎn)單,處理速度最快,CA-CFAR需要處理每個(gè)像素,速度最慢。前期研究中提出的“空域”算法僅需處理灰度值大于一定閾值的部分像素,因此耗時(shí)增加不多;“時(shí)空域”算法需將多幀雷達(dá)圖像關(guān)聯(lián)處理,耗時(shí)有所增加,但仍小于0.1 s。MP作為FT和“時(shí)空域”算法的后處理,增加的耗時(shí)亦有限。

表3　一幀X波段雷達(dá)圖像處理時(shí)間

3.3.2S波段雷達(dá)數(shù)據(jù)

本組測(cè)試數(shù)據(jù)為在廣西北海機(jī)場(chǎng)采集的144幀S波段雷達(dá)圖像序列(分辨率1024×1024,量程12海里),目標(biāo)為一架正在進(jìn)行五邊飛行訓(xùn)練的民航客機(jī)。

圖8所示為本序列中第103幀雷達(dá)圖像的可視化檢測(cè)結(jié)果。圖8 (a)在原始圖像中標(biāo)明了目標(biāo)位置;圖8(b)～圖8(f)采用的檢測(cè)算法包括FT、FT+MP、CA-CFAR、以及 “空域”和“時(shí)空域”算法,左側(cè)圖像為雜波抑制后的二值圖像,右側(cè)圖像將檢測(cè)出的目標(biāo)位置標(biāo)注在原始圖像中。以上方法的分割閾值均設(shè)定為θ=70,對(duì)于“空域”和“時(shí)空域”算法,“空域”算法的參數(shù)設(shè)置為N=10,α=1,w=l=16,W=L=24[8],“時(shí)域”算法部分的參數(shù)設(shè)置為式(6)中β=1,式(7)中γ=1?？梢?jiàn),FT算法在引入228個(gè)虛警的前提下能夠檢測(cè)到目標(biāo);FT+MP算法剔除了大量虛警,同時(shí)也未檢測(cè)到目標(biāo);CA-CFAR算法作為一種經(jīng)典的雷達(dá)目標(biāo)檢測(cè)算法,雖然能夠檢測(cè)到小弱目標(biāo),但虛警數(shù)為25;采用“空域”算法,能夠在檢測(cè)到小弱目標(biāo),且將虛警數(shù)減少到2個(gè);增加“時(shí)域”部分而采用“時(shí)空域”算法,檢測(cè)效果不變,可見(jiàn)其優(yōu)化效果需要在處理圖像序列中體現(xiàn)。

表4所示為其他參數(shù)不變的情況下,設(shè)定不同分割閾值時(shí),對(duì)比多種算法對(duì)144幀雷達(dá)圖像的檢測(cè)結(jié)果。在檢測(cè)率大于95%的情況下(Ndt≥138),“空域”和“時(shí)空域”算法分別將“最優(yōu)虛警數(shù)”降低到678個(gè)和24個(gè),明顯優(yōu)于其他算法。但是,“空域”算法最多檢測(cè)到138個(gè)目標(biāo)(θ=50),丟失了6個(gè)目標(biāo)。原因在于,這6個(gè)目標(biāo)均出現(xiàn)在背景圖像中的靜止背景邊緣區(qū)域,說(shuō)明“空域”算法更適于檢測(cè)空域中的目標(biāo),在檢測(cè)背景邊緣目標(biāo)時(shí)具有一定的局限性。當(dāng)θ=70時(shí),“時(shí)空域”算法能夠?qū)⒛繕?biāo)數(shù)提高到140個(gè),此時(shí)的“最優(yōu)虛警數(shù)”為94個(gè);當(dāng)θ=120時(shí),“時(shí)空域”算法能在檢測(cè)到138個(gè)目標(biāo)的同時(shí)將“最優(yōu)虛警數(shù)”降低為24個(gè)。與3.3.1節(jié)所述原因相同,此處繼續(xù)采用MP中的“膨脹”處理將“最優(yōu)虛警數(shù)”降低為3個(gè)。總的來(lái)說(shuō),本文提出的算法明顯優(yōu)于其他算法。

圖8　S波段雷達(dá)圖像檢測(cè)結(jié)果

θFTNdtNfaFT+MPNdtNfaCA-CFARNdtNfa301431027501401027213931779401437328514057151361820650143563601383478135111506014244072135219913267837013933557133132012540818013624667133795123232790135174061304531201311100135113841292511157371101346931127115110398120134389112352107230θ空域NdtNfa時(shí)空域NdtNfa時(shí)空域+MPNdtNfa301387368142674214257374013821321411969141159850138678141646141504601352081412091411567013587141941415680132551406514027901313714050140141001303413940139111101292113929139412012816139241393

圖9將“時(shí)空域+MP”算法對(duì)144幀雷達(dá)圖像的檢測(cè)與跟蹤結(jié)果疊加到雷達(dá)背景圖像上(θ=120,Ndt=139,Nfa=3),客機(jī)在約6 min的時(shí)間內(nèi)完成了一次起降訓(xùn)練。圖9中的3個(gè)剩余雜波中,1個(gè)出現(xiàn)在背景邊緣,2個(gè)出現(xiàn)在純凈空域,可能為未知目標(biāo)或低空氣象信息。

如表5所示,S波段的雷達(dá)圖像數(shù)據(jù)量大于X波段的雷達(dá)圖像,處理速度相對(duì)較慢,但本系統(tǒng)每2.5 s采集一幀雷達(dá)圖像,本文算法仍能滿足實(shí)時(shí)處理要求。

圖9　S波段雷達(dá)目標(biāo)跟蹤結(jié)果(標(biāo)記含義與圖7相同)

算法耗時(shí)/sFT0.0277FT+MP0.0495CA-CFAR9.3888空域0.1715時(shí)空域0.3542時(shí)空域+MP0.3863

4　結(jié)束語(yǔ)

本文提出一種基于時(shí)域特性的非相參雷達(dá)目標(biāo)檢測(cè)與跟蹤算法,并將其與前期研究實(shí)現(xiàn)的基于空域特性的雜波抑制算法相結(jié)合,在檢測(cè)出小弱目標(biāo)的同時(shí),最大限度地剔除雜波。通過(guò)將本算法與其他經(jīng)典算法進(jìn)行對(duì)比,共得出以下幾點(diǎn)結(jié)論:

(1)將本算法應(yīng)用于X波段和S波段非相參雷達(dá)圖像數(shù)據(jù),檢測(cè)結(jié)果明顯優(yōu)于其他經(jīng)典算法;

(2)最優(yōu)虛警數(shù)等評(píng)價(jià)方法更便于對(duì)非相參雷達(dá)圖像目標(biāo)檢測(cè)結(jié)果的評(píng)估;

(3)“空域”雜波抑制方法能夠在檢測(cè)率達(dá)到或接近100%的情況下,將虛警數(shù)降低到較低的水平;

(4)對(duì)于非相參雷達(dá)圖像中靜止背景邊緣的目標(biāo)檢測(cè),“空域”算法具有一定的局限性;

(5)“時(shí)域”雜波抑制方法能夠在“空域”方法的基礎(chǔ)上,進(jìn)一步提高“目標(biāo)數(shù)”并降低“虛警數(shù)”;

(6)由于雷達(dá)目標(biāo)回波起伏,雷達(dá)圖像中每個(gè)目標(biāo)聯(lián)通域中所有像素的灰度值并不相同,在閾值分割時(shí)可能會(huì)分裂為多個(gè)量測(cè),造成虛警,采用MP方法中的“膨脹”處理,將可能分裂為多個(gè)量測(cè)的目標(biāo)區(qū)域重新聯(lián)通,降低虛警。

[1] Yang Y, Sui D. Thoughts on reforming low altitude airspace and development of general aviation in China[J].JournalofNanjingUniversityofAeronauticsandAstronautics(SocialSciences), 2010, 12(2): 50-53. (楊勇, 隋東. 我國(guó)低空空域改革和通用航空事業(yè)發(fā)展有關(guān)問(wèn)題的思考[J].南京航空航天大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版), 2010, 12(2): 50-53.)

[2] Lv M H, Yu Q Y, Zhou Q, et al. Applications of new ATM technology in low altitude space management[J].CommunicationsTechnology, 2009, 42(12): 95-100. (呂茂輝, 余秦勇, 周琦, 等. 空管新技術(shù)在低空空域管理中的應(yīng)用[J].通信技術(shù), 2009, 42(12): 95-100.)

[3] Zhang J. New development and application of airspace surveillance technology[J].ActaAeronauticaetAstronauticaSinica, 2011,32(1):1-14.(張軍.空域監(jiān)視技術(shù)的新進(jìn)展及應(yīng)用[J].航空學(xué)報(bào),2011,32(1):1-14.)

[4] Anderson R. Technical data sheet of HARRIER security radars for airspace surveillance[EB/OL].[2015-07-30]. http:∥www. detect-inc. com/downloads.

[5] Nohara T J, Weber P, Jones G, et al. Affordable high-performance radar networks for homeland security applications[C]∥Proc.oftheIEEERadarConference, 2008: 1-6.

[6] He Y, Xiu J J, Zhang J W, et al.Radardataprocessingwithapplications[M]. 3rd ed.Beijing: Publishing House of Electronics Industry,2013:2-6.(何友,修建娟,張晶煒,等.雷達(dá)數(shù)據(jù)處理及應(yīng)用[M].第3版.北京:電子工業(yè)出版社,2013:2-6.)

[7] Chen W S, Ning H S. Security surveillance of low-altitude airspace with primary radar[J].JournalofBeijingUniversityofAeronauticsandAstronautics,2012,38(2):143-148.(陳唯實(shí),寧煥生.利用一次雷達(dá)實(shí)現(xiàn)低空空域的安全監(jiān)視[J].北京航空航天大學(xué)學(xué)報(bào),2012,38(2):143-148.)

[8] Chen W S, Li J. Radar target detection in low-altitude airspace with spatial features[J].ActaAeronauticaetAstronauticaSinica,2015,36(9):3060-3068.(陳唯實(shí),李敬.基于空域特性的低空空域雷達(dá)目標(biāo)檢測(cè)[J].航空學(xué)報(bào),2015,36(9):3060-3068.)

[9] Quan T F.Targettracking:advancedtheoryandtechniques[M]. Beijing: National Defense Industry Press, 2009: 1-13. (權(quán)太范. 目標(biāo)跟蹤新理論與技術(shù)[M].北京:國(guó)防工業(yè)出版社,2009:1-13.)

[10] Blackman S S.Designandanalysisofmoderntrackingsystems[M]. Boston: Artech House, 1999: 1-10.

[11] Blackman S S. Multiple hypothesis tracking for multiple target tracking[J].IEEEAerospaceandElectronicSystemsMagazine, 2004, 19(1-2): 5-18.

[12] Musicki D, Evans R, Stankovic S. Integrated probabilistic data association[J].IEEETrans.onAutomaticControl, 1994, 39(6): 1237-1240.

[13] Musicki D, Evans R. Clutter map information for data association and track initialization[J].IEEETrans.onAerospaceandElectronicSystems, 2004, 40(2): 387-398.

[14] Musicki D, Suvorova S. Tracking in clutter using IMM-IPDA-based algorithms[J].IEEETrans.onAerospaceandElectronicSystems, 2008, 44(1): 111-126.

[15] Jeong S, Tugnait J K. Tracking of two targets in clutter with possibly unresolved measurements[J].IEEETrans.onAerospaceandElectronicSystems, 2008, 44(2): 748-765.

[16] Doucet A, Freitas N, Gordon N J.SequentialMonteCarlomethodsinpractice[M]. New York: Springer, 2001: 1-15.

[17] Arulampalam M S, Maskell S, Gordon N, et al. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking[J].IEEETrans.onSignalProcessing, 2002, 50(2): 174-188.

[18] Salmond D J. A particle filter for track-before-detect[C]∥Proc.oftheIEEEAmericanControlConference, 2001: 3755-3760.

[19] Rutten M G, Gordon N J, Maskell S. Recursive track-before-detect with target amplitude fluctuations[J].IEEProceedings-RadarSonarandNavigation, 2005, 152(5): 345-352.

[20] Gong Y X, Yang H F, Hu W D, et al. Multiple model particle filter based track-before-detect for maneuvering weak target[J].JournalofElectronics&InformationTechnology, 2008, 30(4): 941-944. (龔亞信, 楊宏方, 胡衛(wèi)東, 等. 基于多模粒子濾波的機(jī)動(dòng)弱目標(biāo)檢測(cè)前跟蹤[J].電子與信息學(xué)報(bào), 2008, 30(4): 941-944.)

[21] Gong Y X, Yang H F, Hu W D, et al. Particle filter based track-before-detect for weak target[J].SystemsEngineeringandElectronics,2007,29(12):2143-2148.(龔亞信,楊宏方,胡衛(wèi)東,等.基于粒子濾波的弱目標(biāo)檢測(cè)前跟蹤算法[J].系統(tǒng)工程與電子技術(shù),2007,29(12):2143-2148.)

[22] Zhao Y, Pei H. Object tracking based on particle filter with discriminative features[J].JournalofControlTheoryandApplications, 2013, 11(1): 42-53.

[23] Ning H S, Chen W S, Li J. Radar target tracking in cluttered environment based on particle filtering[J].TheAeronauticalJournal, 2010, 114(1155): 309-314.

[24] Wu S J, Mei X C.Radarsignalprocessinganddataprocessingtechnology[M]. Beijing: Publishing House of Electronics Industry, 2008: 406-417. (吳順君, 梅曉春. 雷達(dá)信號(hào)處理和數(shù)據(jù)處理技術(shù)[M].北京:電子工業(yè)出版社,2008:406-417.)

Incoherent radar target detection and tracking with temporal features

CHEN Wei-shi

(Airport Research Institute, China Academy of Civil Aviation Science and Technology, Beijing 100028, China)

The target detection strategy of tracking radar is applied to the data processing of the searching radar to improve the detection and tracking capability of small dim targets in the incoherent radar images within complex low-altitude airspace. Firstly, according to the temporal features of the tracking targets’ life cycle, the threshold values in the optimal classification plane are modified in the neighborhood of the predicted positions to improve the detection sensitivity. Then,the optimal classification plane is further modified by taking advantage of the temporal features of clutters in radar image sequence, rejecting the remained clutter. Finally, the proposed algorithm is combined with the algorithm for clutter suppression with spatial features achieved in the previous research, and applied to the simulated data as well as the ground-truth data, with several criteria to evaluate the detection results. It is demonstrated that the proposed metho could decrease the false alarm rate in the premise of guaranteeing higher detection rate.

radar; tracking; clutter; detection rate; false alarm rate

2015-08-18；

2015-10-15；網(wǎng)絡(luò)優(yōu)先出版日期：2016-06-07。

民航科技項(xiàng)目(MHRDZ201125);國(guó)家重點(diǎn)研發(fā)計(jì)劃(2016YFC0800406)資助課題

TN 957

A

10.3969/j.issn.1001-506X.2016.08.14

陳唯實(shí)(1982-),男,高級(jí)工程師,博士,主要研究方向?yàn)榈涂湛沼虬踩O(jiān)視、雷達(dá)目標(biāo)檢測(cè)與跟蹤。

E-mail:chenwsh@mail.castc.org.cn

網(wǎng)絡(luò)優(yōu)先出版地址：http://www.cnki.net/kcms/detail/11.2422.tn.20160607.1436.010.html