施賽楠　水鵬朗　劉　明（西安電子科技大學雷達信號處理國家重點實驗室西安710071）

?

基于復合高斯雜波紋理結構的相干檢測

施賽楠*水鵬朗劉明
（西安電子科技大學雷達信號處理國家重點實驗室西安710071）

傳統(tǒng)的自適應檢測器大多是在獨立同分布紋理的前提下推導出的。然而，實測海雜波數(shù)據(jù)中各個距離單元的紋理具有相關性。該文將這一紋理相關性的信息加入到似然比檢測中，提出一種基于紋理結構的相干檢測器。基于涌浪調制在距離上產生紋理相關性的先驗知識，確定與待檢測單元紋理相關的距離單元數(shù)目，據(jù)此可以提供待測單元的紋理信息。實測數(shù)據(jù)實驗表明，該檢測器相對于逆伽馬紋理復合高斯雜波下最優(yōu)檢測器具有一定的性能提升。

海雜波；復合高斯模型；紋理相關性；自適應檢測

1　引言

由于海雜波具有非常復雜的空時變特性，其背景下的雷達目標檢測算法的設計往往需要與海雜波的統(tǒng)計特性相聯(lián)系。雷達低分辨條件下，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)出嚴重拖尾現(xiàn)象［1］。研究表明，海雜波可以用復合高斯模型建模［1，2］。復合高斯模型可以表示為一個慢變的正隨機變量和一個快變的復高斯隨機變量的乘積。目前，復合高斯模型下的雷達目標檢測問題一直受到廣泛關注［3，4］。

文獻［5］于1986年提出了一種在復高斯模型下的自適應檢測算法，該檢測器雖將參考單元數(shù)據(jù)和檢測單元的數(shù)據(jù)同時帶入到似然比中，但是參考單元只起了估計協(xié)方差矩陣的作用。文獻［6］給出了高斯模型下檢測性能最優(yōu)的匹配濾波（Matched Filter，MF）檢測器。在復合高斯模型下，學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，伽馬紋理對應的幅度分布即為K分布模型，該雜波模型下的最優(yōu)檢測器被稱為最優(yōu)K分布檢測器（Optimum K-distributed Detector，OKD）［8］。然而，由于檢測統(tǒng)計量中存在貝塞爾函數(shù)，OKD在實際運用中計算量大，不滿足實時性和簡單性的工程要求。隨后，一批學者采用逆伽馬紋理的復合高斯模型擬合實測海雜波數(shù)據(jù)，該模型對重拖尾的海雜波具有很好的擬合效果［911］-。文獻［10］推導了逆伽馬紋理復合高斯模型下的最優(yōu)相干檢測器，稱之為廣義似然比檢測線性門限檢測器（Generalized Likelihood Ratio Test-Linear Threshold Detector，GLRTLTD）。由于具有簡單的表達式，該檢測器在實際檢測問題中具有可實行性。

近年來，一類基于知識輔助（Know ledge-Aided，KA）的信號處理方法引起了研究者的關注［12，13］。基于知識輔助是指利用某些先驗信息，以此提高檢測性能。對于先驗知識的使用，主要可以劃分為兩種基本途徑。第1種是利用先驗知識對采集的數(shù)據(jù)進行預處理，從而完成對雜波的抑制。第2種是將先驗知識使用到檢測結構設計中，從而提高檢測性能，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制小尺度的破浪花形成的［1］?；谶@一形成機理，海雜波的各個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（即具有完全相關的紋理），相關雜波（即紋理在距離上有相關性）和獨立同分布雜波（即紋理獨立不相干）［13］。由于紋理在距離上的這一結構特點，在特定的相關系數(shù)內，可以找到與待檢測單元具有相同紋理的距離單元。基于這一先驗知識，我們可以把這部分紋理信息運用到似然比檢測中，推導出了一種新的基于紋理結構的相干檢測器。在新的檢測算法中，參考單元起兩方面的作用。一方面為待檢測單元提供紋理信息，另一方面提供散斑協(xié)方差矩陣的信息。實測數(shù)據(jù)表明，相對于IG紋理復合高斯雜波下的最優(yōu)檢測器（考慮的是獨立同分布紋理），新的檢測器具有很好的檢測性能。

本文安排如下，第2節(jié)推導了基于紋理結構的檢測器并證明其恒虛警性質；第3節(jié)給出了檢測器的自適應版本并且分析了紋理結構；在第4節(jié)中，結合仿真數(shù)據(jù)和實測數(shù)據(jù)證實了新提出的檢測器的有效性；第5節(jié)總結全文。

2　基于紋理結構的相干檢測器

2.1推導

在脈沖多普勒雷達中，海雜波背景下的動目標檢測可以歸結為下面的二元假設問題：

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

在海雜波建模方面，采用復合高斯模型進行建模，其表示式為

其中，（）nт是一個慢變的正隨機變量，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）是一個快變的零均值復高斯隨機變量，稱為散斑，是由破浪花的Bragg散射產生的［1］。當觀測時間相當于雷達系統(tǒng)的相干處理時間時，可認為雜波的功率保持恒定。那么，復合高斯模型就退化為球不變隨機向量（Spherically Invariant Random Vector，SIRV）模型［3，4，710］-。

為了表示簡單，先定義變量：

那么，待檢測單元和P個參考單元的聯(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)。

假設目標和雜波的協(xié)方差矩陣已知，根據(jù)奈曼-皮爾遜（Neyman-Pearson，NP）準則，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，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［10］，將式（5）代入式（4）中。由此得到

并且，式（6）可以轉化為最優(yōu)檢測器的結構［3］，即

在IG紋理的復合高斯模型下，基于紋理結構的最優(yōu)檢測器等價為匹配濾波器的輸出與一個數(shù)據(jù)依賴項門限的比較，而這個門限是隨著接收向量和P個參考單元二次統(tǒng)計量的總和線性變化的。這一特性與文獻［10］提出的GLRT-LTD具有相似性。

在一個相干處理時間內，信號可以建模為未知幅度和已知多普勒導向矢量（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是雷達的脈沖重復周期，p為多普勒導向矢量，α是未知的復數(shù)，表示信號的幅度。本文考慮信號幅度滿足Sw irling 0模型。因此，從待檢測單元的接收向量中，采用最大似然估計出信號幅度

最后，將信號幅度估計值帶入式（7）中，得到IG紋理下的相干檢測器為

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

在IG紋理的復合高斯模型下，GLRT-LTD是紋理在距離上獨立同分布下的最優(yōu)檢測器。注意式（9）和式（10）兩個檢測器有兩方面不同。第一，兩者的檢測統(tǒng)計量不同，式（9）中含有部分參考單元的數(shù)據(jù)依賴項。第二，兩者的門限不同，式（9）是關于CUT的數(shù)據(jù)依賴項和P個參考單元數(shù)據(jù)依賴項和的線性門限檢測，而式（10）只是CUT數(shù)據(jù)依賴項的線性門限檢測器。此外，GLRT-LTD可以看作是TSBGLRT-LTD沒有獲得紋理信息（即紋理獨立同分布，P=0）時的一個特例。

2.2恒虛警特性

恒虛警（Constant False A larm Rate，CFAR）性質是指在某些參數(shù)變化時檢測器能夠保持恒定的虛警率（falsealarm rate）的能力，這對于雷達目標檢測來說是重要的特性。因此，有必要對新提出的檢測器進行恒虛警特性分析。

在H0假設下，接收向量由純雜波構成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）可以簡化為

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

因此，在H0假設下，已知協(xié)方差矩陣時，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的檢測門限具有簡單的表達式。檢測門限由虛警率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。這相對于蒙特卡洛方法獲得門限的方法來說，大大減少了計算量。另一方面，門限對于散斑協(xié)方差矩陣M，多普勒導向矢量p和尺度參數(shù)η是具有CFAR性質?？紤]到實際環(huán)境中，海面受風力、風速、環(huán)境溫度、浪涌等多種自然因素以及雷達設備參數(shù)的影響，CFAR性質對于實際環(huán)境中檢測問題是至關重要的。

3　自適應檢測器及紋理結構分析

3.1自適應TSB-GLRT-LTD

基于紋理結構的廣義似然比線性門限檢測器是在假設散斑協(xié)方差已知的條件下推導出的。然而，實際雜波環(huán)境中，散斑協(xié)方差矩陣是未知的，這就要求獲得其估計值。考慮到海雜波在空間上部分均勻和短時間內平穩(wěn)的，在全局上非均勻和非平穩(wěn)的特點，可以假設待檢測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)方差矩陣的估計值。這種方法，可以在大場景的海雜波背景下，實現(xiàn)對于散斑協(xié)方差矩陣的自適應檢測算法。

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

由于本文考慮了紋理在距離上的相關性，雜波是介于獨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］。這種方法估計簡單，無需已知雜波分布模型，在實際中運用廣泛。

3.2紋理結構分析

本節(jié)對于紋理結構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，二是紋理沿距離維的相關性。大量實測數(shù)據(jù)研究表明，海雜波可以使用復合高斯模型進行［14］-。由于實際檢測環(huán)境中紋理分布的參數(shù)未知，自適應檢測器還需要估計紋理分布的參數(shù)。對于服從式（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，而且在時間和空間上都有一定的關聯(lián)性［15］。這里，我們主要分析紋理在距離上的相關性。假設海雜波2維數(shù)據(jù)x（n，s），n表示時間維，s表示距離維。首先，海雜波時間序列分成長度為L的短向量。從每個短向量中，可以估計出紋理［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，紋理的距離相關系數(shù)為

根據(jù)式（20），可以估計距離去相關長度和距離完全相關長度。距離去相關長度定義為距離相關函數(shù)ρ（k）從1衰減為1/e時對應的距離間隔［15］。當ρ（k）小于時，可以近似認為距離上的海雜波數(shù)據(jù)不相關。而對于距離完全相關長度，基于現(xiàn)有的知識有以下兩個結論。第一，完全相關長度對應的相關系數(shù)ρ2是在去相關長度內選取的，即ρ2∈（ρ1，1］。第二，實測數(shù)據(jù)分析表明，在去相關長度內選取的參考單元可以為CUT提供紋理信息，從而使得檢測器有一定的性能提升。但是，最優(yōu)檢測性能對應的P值，目前還沒有理論基礎研究。因此，本文給出了一種經驗選取法。由涌浪調制產生的紋理調制在距離上表現(xiàn)為一個快速衰減的過程，這主要由涌浪尺寸和目前雷達距離分辨率決定的［15］。通過對實測數(shù)據(jù)的分析和驗證，本文經驗選取ρ2=0.6。當ρ（k）大于ρ2時，可以近似認為海雜波在距離上的紋理完全相關。

4　實驗結果和性能分析

4.1仿真數(shù)據(jù)檢測性能

首先，采用仿真數(shù)據(jù)對TSB-GLRT-LTD檢測器的性能進行了測試。在已知散斑協(xié)方差矩陣條件下，根據(jù)式（13）進行了105次獨立仿真試驗，并且檢測門限根據(jù)式（15）直接獲取。參數(shù)設置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對應的是GLRT-LTD檢測器。圖1給出了不同形狀參數(shù)下兩種檢測器的接收機工作性能（Receiver Operation Characteristic，ROC）曲線比較?？梢郧宄乜吹?，由于TSB-GLRT-LTD利用了紋理信息，它相對于最優(yōu)檢測器GLRT-LTD來說有了明顯的改善。并且，我們可以得到以下結論。第一，當P增大時，TSB-GLRT-LTD有性能提升。這是因為更多的參考單元為待檢測單元提供紋理信息，提高了檢測性能。但是當P更大時，性能提升不再明顯。第二，形狀參數(shù)越小，TSB-GLRT-LTD相對于GLRTLTD的性能越提升明顯。這是因為小形狀參數(shù)下，距離維的紋理具有很強的隨機性，而新提出的檢測器是在減少參考單元紋理隨機性下獲得性能提升的。第三，當形狀參數(shù)很大時，兩種檢測器的性能一致。這是因為，形狀參數(shù)趨向于無窮大時，雜波趨向于高斯雜波，此時距離維的紋理隨機性減弱，部分參考單元提供的紋理信息不再提升性能。

4.2實測數(shù)據(jù)檢測性能

接下來，我們采用實測海雜波數(shù)據(jù)對自適應TSB-GLRT-LTD檢測器進行性能驗證。首先，對3組實測海雜波數(shù)據(jù)進行分析。3組數(shù)據(jù)都是由X波段的Fynmeet雷達采用VV極化在南非西南海岸于2006年7月27日采集得到的［17］。測試目標為一艘小船，在整個觀測時間內，雷達采用跟蹤模式對小船進行監(jiān)測。雷達載頻6.9 GHz，距離分辨率15m，雷達脈沖重復頻率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個距離單元，99973個相干脈沖序列組成。第3組數(shù)據(jù)（TFA10_007.02.mat）由64個距離單元，59738個相干脈沖序列組成。為了降低數(shù)據(jù)的脈沖重復頻率，同時不出現(xiàn)譜混疊的前提下，進行下4采樣處理，并且刪除第14～18個距離單元的數(shù)據(jù)。圖2（a）～圖2（c）分別畫出了3組海雜波數(shù)據(jù)的時間-距離幅度圖?？梢钥闯龅?組海雜波幅度在時間-距離上具有很強的非平穩(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)，海雜波時空非平穩(wěn)性相對減弱，趨于平穩(wěn)。圖2（d）～圖2（f）分別給出了海雜波數(shù)據(jù)的經驗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紋理的復合高斯模型對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器性能提升提供了理論依據(jù)。

然后，對3組數(shù)據(jù)的紋理在距離上的相關性進行分析，進而確定與CUT具有相同紋理的距離單元個數(shù)P。圖3給出了L=128時，兩組數(shù)據(jù)的紋理相關系數(shù)與距離單元延遲的關系。可以看出，紋理在距離上的相關函數(shù)首先在初始點處出現(xiàn)一個尖峰，然后經歷一個快速的下降期，最后出現(xiàn)一個緩慢的衰減［15］。圖中灰色直線為10.3679 ρ=對應的值。因此，第1～3組數(shù)據(jù)對應的去相關距離延遲單元分別為1，1.5和11。而完全相關系數(shù)2ρ=0.6時，第1～3組數(shù)據(jù)的完全相關距離單元數(shù)為0.6，1和3。也就是說，對于這3組數(shù)據(jù)可以近似認為CUT周圍分別有1個，2個和6個參考距離單元與CUT具有相同的紋理。

圖1　不同形狀參數(shù)下兩種檢測器的ROC曲線圖

最后，在實測海雜波數(shù)據(jù)中加入仿真目標，分析在不同信雜比下的檢測性能。仿真目標根據(jù)式（8）模型產生。平均信雜比定義為為雜波的平均功率。實驗中，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；信號多普勒頻率fd在［-fr/2，fr/2］中隨機產生，fr= 625 Hz。為了去除多普勒的影響，分別對3組數(shù)據(jù)10～14個距離單元加上仿真目標分別進行了105次試驗，獲取平均檢測概率。門限通過由蒙特卡洛實驗獲得。從圖4（a）可知，第1組數(shù)據(jù)在考慮周圍兩個參考單元，其性能與P=0時相當，P=0對應的是自適應GLRT-LTD，它是獨立同分布紋理下的最優(yōu)檢測器。但P值的增加帶來了1～2 dB性能損失。這是因為這組數(shù)據(jù)的功率在距離上起伏大，去相關單元數(shù)目為2。在圖4（b）中，第2組數(shù)據(jù)檢測性能最好的是P=2。由于考慮了CUT鄰近的2個參考單元的紋理信息時，自適應TSB-GLRT-LTD檢測器有了1.5 dB的性能提升。而當P=4時，與自適應GLRT-LTD（P=0）dB性能相當；P=6時，明顯有0.5 dB性能損失。這是因為第1組數(shù)據(jù)只有2個距離單元與CUT具有相同的紋理；而當P＞4時，紋理在距離上已經去相關了。圖4（c）顯示了第3組數(shù)據(jù)的檢測性能曲線。P=6對應的自適應TSBGLRT-LTD檢測器的性能最好，相對于自適應GLRT-LTD（P=0）提升了1 dB。同時，P=2，4，8相對于P=0時都有一定的性能提升。這是因為根據(jù)圖3（c），去相關距離單元數(shù)為22，認為完全相關的距離單元為6。根據(jù)紋理在距離上的相關性這一先驗知識，選擇合適的P可以獲得自適應TSB-GLRT-LTD檢測器的性能提升，這得益于紋理結構信息的使用。

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系數(shù)

圖4　 3組數(shù)據(jù)在不同P值下的檢測概率

5　總結

本文將紋理信息運用到檢測統(tǒng)計量中，提出了一種基于紋理結構的廣義似然比檢測線性門限檢測器并且分析了其恒虛警性質?；诩y理在距離上相關性的先驗知識，確定與待檢測單元具有相同紋理的參考單元數(shù)目。因此，參考單元為自適應檢測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。實測數(shù)據(jù)表明，新提出的檢測器相對于獨立同分布紋理的最優(yōu)檢測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)計特性研究［J］.電子與信息學報，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框架的復合高斯雜波下穩(wěn)健檢測［J］.電子與信息學報，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合高斯海雜波建模研究［J］.雷達學報，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.非高斯雜波下知識輔助檢測器敏感性分析［J］.電子與信息學報，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］關鍵，丁昊，黃勇，等.實測海雜波數(shù)據(jù)空間相關性研究［J］.電波科學學報，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，研究方向為雷達信號處理和微弱目標檢測.

水鵬朗：男，1967年生，教授，博士生導師，研究方向為子波理論、圖像處理和目標檢測.

劉明：男，1986年生，博士生，研究方向為海面微弱動目標檢測.

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；網絡出版：2016-05-05

施賽楠snshi@stu.xidian.edu.cn

國家自然科學基金（61201296）