王南孫旭（.海軍駐杭州地區(qū)軍事代表室，杭州，3003；.第七一五研究所，杭州，3003）

?

基于海雜波特性的主動(dòng)聲吶檢測(cè)前跟蹤技術(shù)研究

王南1孫旭2
（1.海軍駐杭州地區(qū)軍事代表室，杭州，310023；2.第七一五研究所，杭州，310023）

摘要根據(jù)目標(biāo)與虛警在時(shí)域、空域和回波能量上所表現(xiàn)出的不同特性，提出了基于海雜波特性的主動(dòng)聲吶檢測(cè)前跟蹤算法，以建立運(yùn)動(dòng)目標(biāo)的起始航跡。利用空域鄰域聚類的亮點(diǎn)預(yù)處理和基于LRDT的目標(biāo)檢測(cè)與航跡提取的兩步處理，較大程度的抑制虛警、提高檢測(cè)概率并生成初始目標(biāo)航跡。

關(guān)鍵詞空域鄰域聚類；時(shí)域連續(xù)性；檢測(cè)前跟蹤；航跡起始

主動(dòng)聲吶與目標(biāo)之間的距離較遠(yuǎn)時(shí)，目標(biāo)回波能量較弱，且淹沒在各種雜波背景和強(qiáng)噪音中，使得操作人員難以判定疑似目標(biāo)。同時(shí)，就水聲目標(biāo)檢測(cè)與跟蹤的整個(gè)過程而言，需要在維持跟蹤之前，提取運(yùn)動(dòng)目標(biāo)的各種有效信息生成目標(biāo)初始航跡[1]。在傳統(tǒng)航跡起始的處理上，通常有兩種方法。一種是人工判定疑似目標(biāo)并引導(dǎo)聲吶設(shè)備實(shí)施跟蹤；另一種是M/N邏輯法，即在連續(xù)的N次掃描中，如果疑似目標(biāo)出現(xiàn)M次以上，則認(rèn)為是目標(biāo)航跡，否則認(rèn)為是虛警[2]。前一種方法增加了操作人員的工作負(fù)擔(dān)；后一種方法未能直接反映出目標(biāo)初始航跡與信噪比之間的關(guān)系，對(duì)不同性噪比的目標(biāo)需要固定的N幀數(shù)才能確定目標(biāo)/虛警航跡，導(dǎo)致信噪比高的目標(biāo)起始速度過慢、而信噪比低的目標(biāo)航跡質(zhì)量較差。針對(duì)上述兩種方法的不足，2004年，Lawrence D Stone給出了似然比檢測(cè)與跟蹤（LRDT）方法[3]，該方法將目標(biāo)的檢測(cè)與跟蹤處理綜合為一個(gè)過程，使得目標(biāo)的檢測(cè)以及航跡提取過程可以同時(shí)實(shí)現(xiàn)。LRDT是檢測(cè)前跟蹤（TBD）的最初實(shí)現(xiàn)技術(shù)，該技術(shù)已成功用于美國(guó)海軍水下監(jiān)視系統(tǒng)Spotlight ATD。當(dāng)前，TBD技術(shù)的研究主要沿著動(dòng)態(tài)規(guī)劃?rùn)z測(cè)前跟蹤（DP-TBD）和粒子濾波檢測(cè)前跟蹤（PF-TBD）兩個(gè)方向進(jìn)行發(fā)展。2007年，Buzzi提出DP-TBD多目標(biāo)跟蹤算法，解決了DP-TBD算法進(jìn)行多目標(biāo)跟蹤時(shí)出現(xiàn)的維數(shù)災(zāi)難和計(jì)算量爆炸等問題。PF-TBD算法最早由Salmond、Boers在2001年提出[4]，2012年Kreucer將其應(yīng)用于雷達(dá)聲吶探測(cè)領(lǐng)域。

本文提出了一種基于海雜波特性的主動(dòng)聲吶檢測(cè)前跟蹤技術(shù)，通過空域鄰域聚類的亮點(diǎn)預(yù)處理和基于LRDT的目標(biāo)檢測(cè)與航跡提取的兩步處理，較大程度降低了主動(dòng)聲吶的檢測(cè)虛警率，同時(shí)生成多目標(biāo)的初始航跡，實(shí)現(xiàn)了跟蹤的智能化。

1 主動(dòng)聲吶目標(biāo)與虛警的差異性

1.1空域鄰域聚類

在復(fù)雜海洋環(huán)境下，主動(dòng)聲吶接收的目標(biāo)信號(hào)往往淹沒在噪聲或混響中。先驗(yàn)位置信息未知的目標(biāo)因眾多回波亮點(diǎn)的干擾而確認(rèn)困難。本文根據(jù)物理成因的不同，將主動(dòng)聲吶接收到的信號(hào)分為兩類：一類是來自目標(biāo)或類目標(biāo)的反射回波信號(hào)，另一類是噪音信號(hào)。其中，反射回波與發(fā)射信號(hào)的相關(guān)性較高，經(jīng)匹配濾波處理后，亮點(diǎn)鄰域的能量集中程度大幅提高，而噪音與發(fā)射信號(hào)卻是不相關(guān)的，匹配濾波后亮點(diǎn)鄰域的能量集中程度仍保持不變。

為了直觀說明和驗(yàn)證本文理論和算法的有效性，選取了某課題采集的實(shí)際主動(dòng)聲吶的海試數(shù)據(jù)進(jìn)行分析和處理。試驗(yàn)中，協(xié)作目標(biāo)繞本船作弧線運(yùn)動(dòng)、距離為5 km左右、弱負(fù)梯度水文，常規(guī)信號(hào)處理后，目標(biāo)的信噪比在15 dB附近波動(dòng)，偶爾會(huì)出現(xiàn)低于檢測(cè)域（8 dB）的情況。圖1中的左上角顯示的是連續(xù)四幀的亮點(diǎn)位置，參試人員記錄的目標(biāo)、類目標(biāo)干擾、噪音亮點(diǎn)的位置標(biāo)記如圖1（a）所示。將標(biāo)記亮點(diǎn)所在波束的局部數(shù)據(jù)放大，如圖1 （b）、（c）、（d）所示，目標(biāo)與噪聲的差異顯著。由此，本文提出了一種利用目標(biāo)與噪音在匹配濾波后的波形差異來實(shí)現(xiàn)抑制雜波的方法，即基于空域鄰域聚類的亮點(diǎn)預(yù)處理技術(shù)。

圖1　　匹配濾波后，目標(biāo)、類目標(biāo)、噪音的波形圖

1.2時(shí)域連續(xù)性

由魚群、航船以及海底、海面反射等引起的類目標(biāo)干擾在經(jīng)匹配濾波處理后的能量集中程度也較高，在波形上區(qū)分這類虛警困難。由此，本文進(jìn)一步研究利用多幀數(shù)據(jù)中目標(biāo)的軌跡連續(xù)性方法實(shí)施雜波抑制。

通常，水聲目標(biāo)的運(yùn)動(dòng)速度相對(duì)較為緩慢，在連續(xù)多幀的數(shù)據(jù)中，其運(yùn)動(dòng)軌跡是連續(xù)的。目標(biāo)運(yùn)動(dòng)的時(shí)域連續(xù)性決定了下一時(shí)刻的目標(biāo)亮點(diǎn)會(huì)以極大概率出現(xiàn)在預(yù)測(cè)目標(biāo)點(diǎn)鄰近區(qū)域；而虛警作為隨機(jī)信號(hào)，其在時(shí)域上表現(xiàn)出很大的隨機(jī)性，即虛警在連續(xù)幾個(gè)采樣時(shí)刻內(nèi)出現(xiàn)在預(yù)測(cè)目標(biāo)點(diǎn)鄰近區(qū)域的概率很小。圖2為連續(xù)四幀的匹配濾波處理后的探測(cè)畫面，圖中黃色框選的37號(hào)波束、采樣點(diǎn)為6 000附近均有亮點(diǎn)，直觀的顯示了目標(biāo)的時(shí)域連續(xù)性。

圖2　連續(xù)四幀數(shù)據(jù)表現(xiàn)出的目標(biāo)時(shí)域連續(xù)性

1.3能量分布規(guī)律

針對(duì)傳統(tǒng)利用M/N邏輯的多目標(biāo)航跡起始方法存在的高信噪比目標(biāo)確認(rèn)速度較慢導(dǎo)致的最佳武器使用時(shí)機(jī)的散失問題，研究了海雜波以及目標(biāo)回波能量的分布規(guī)律，同時(shí)將該分布規(guī)律與時(shí)域連續(xù)性相結(jié)合提出了基于LRDT的目標(biāo)檢測(cè)與航跡提取技術(shù)。

本文這里直接給出了雜波能量（SNR，dB）的概率密度函數(shù)：

以及目標(biāo)回波能量（SNR，dB）的概率密度函數(shù)

2 算法設(shè)計(jì)

2.1基于空域鄰域聚類的亮點(diǎn)預(yù)處理技術(shù)

基于空域鄰域聚類的亮點(diǎn)預(yù)處理技術(shù)亦可被稱為雜波抑制技術(shù)，即通過對(duì)數(shù)據(jù)的預(yù)處理操作，抑制由噪聲引起的雜波干擾，從而降低后續(xù)處理的虛警率。

2.1.1 空域鄰域聚類

受發(fā)射信號(hào)以及海洋信道相關(guān)損失的影響，接收信號(hào)處理后的時(shí)延分辨力和頻移分辨力不會(huì)很高，即亮點(diǎn)所在區(qū)域不會(huì)是一到幾個(gè)接觸點(diǎn)，而往往是一團(tuán)信噪比較大的點(diǎn)，我們將此稱為一個(gè)聚類。聚類是研究亮點(diǎn)空域鄰域特性的基礎(chǔ)，首先提取主動(dòng)聲吶探測(cè)區(qū)內(nèi)的亮點(diǎn)聚類。

由于未經(jīng)檢測(cè)門限處理的數(shù)據(jù)量較大，目標(biāo)和虛警個(gè)數(shù)先驗(yàn)未知，傳統(tǒng)基于劃分、層次的聚類方法難以實(shí)施。針對(duì)這一問題，本文提出一種峰值提取后的搜索聚類算法，流程見圖3。

圖3　空域鄰域聚類算法流程

搜索終止條件由下式確定，即當(dāng)搜索到一個(gè)點(diǎn)的幅值A(chǔ)i小于聚類峰值A(chǔ)0的一半時(shí)終止搜索。

為了不使信號(hào)周期導(dǎo)致幅值波動(dòng)對(duì)算法噪聲影響，考慮采用一個(gè)長(zhǎng)度為M的窗進(jìn)行滑窗平滑，M的數(shù)值由下式確定。

式中，非fs為采樣頻率，f0為信號(hào)中心頻率。

2.1.2 顯著性噪聲識(shí)別與抑制

在復(fù)雜的海洋環(huán)境中引起主動(dòng)聲吶目標(biāo)檢測(cè)的高虛警問題的原因是多樣的，總的來說，可以將這些虛警歸為兩類：噪聲和類目標(biāo)干擾。由于兩類虛警產(chǎn)生機(jī)理的不同，它們各自的聚簇在形狀上存在著較大差異。直觀看來，噪聲數(shù)據(jù)簇變化比較平緩，集中程度低，而類目標(biāo)和目標(biāo)數(shù)據(jù)簇的集中程度則相對(duì)較高。

貝葉斯分類方法為解決這類問題提供了一個(gè)理論基礎(chǔ)。記x=[x1, x2, L ,xl]T是一個(gè)用特征向量表示的未知樣本，w1, w2,L , wM是預(yù)先已知的M個(gè)類，則形成了M個(gè)條件概率P(wi|x)表示x∈wi的概率。

對(duì)于兩個(gè)類w1、w2的情況，貝葉斯分類規(guī)則可以描述為：若P(w1|x)> P (w2|x)，則x∈w1；若P(w1|x)< P (w2|x)，則x∈w2。當(dāng)特征向量x服從正態(tài)分布時(shí)，wi類的條件概率表達(dá)式如下：

其中，ui為均值，Σi為協(xié)方差矩陣。

定義：

上式化簡(jiǎn)后：

按貝葉斯分類原理，可以得出利用波形特征進(jìn)行分類的表達(dá)式如下：

其中，X特征向量，MB為噪聲的特征向量，MT為目標(biāo)的特征向量，PB為噪聲的特征協(xié)方差矩陣，TP為目標(biāo)的特征協(xié)方差矩陣。

貝葉斯分類方法的一個(gè)重要工作是設(shè)計(jì)合理有效的特征向量并確定相應(yīng)的特征協(xié)方差矩陣，這在實(shí)際中是困難的。本文注意到反射回波信號(hào)與發(fā)射信號(hào)相關(guān)，匹配濾波后數(shù)據(jù)集中，聚類內(nèi)的數(shù)據(jù)點(diǎn)個(gè)數(shù)少；而噪聲與發(fā)射信號(hào)不相關(guān)，聚類內(nèi)的數(shù)據(jù)點(diǎn)個(gè)數(shù)則比較多。由此，提出了一種利用聚類內(nèi)的數(shù)據(jù)點(diǎn)個(gè)數(shù)識(shí)別顯著性噪聲的方法。

統(tǒng)計(jì)各聚類內(nèi)的數(shù)據(jù)點(diǎn)個(gè)數(shù)N，當(dāng)N滿足下式時(shí)，則判定該亮點(diǎn)簇為噪聲。

其中，K為常數(shù)系數(shù)，τρ為發(fā)射信號(hào)的時(shí)延分辨力，fs為采樣頻率。

對(duì)短脈沖噪聲，聚類內(nèi)的數(shù)據(jù)點(diǎn)個(gè)數(shù)也比較少，這一方法尚不能有效區(qū)分，但可通過后續(xù)論述的時(shí)域連續(xù)性方法進(jìn)行抑制。

2.1.3 實(shí)際數(shù)據(jù)處理效果

為了驗(yàn)證算法雜波抑制效果，選取上文的連續(xù)四幀數(shù)據(jù)進(jìn)行處理。處理前后的效果如圖4所示，圖中藍(lán)色亮點(diǎn)是被抑制的顯著性噪聲，紅色亮點(diǎn)為保留下來的可疑點(diǎn)，表1為統(tǒng)計(jì)效果。從中可以看出，該方法可以降低10%到30%虛警率。

圖4　顯著性噪聲識(shí)別與抑制的效果

表1　降虛警效果統(tǒng)計(jì)

2.2基于LRDT的目標(biāo)檢測(cè)與航跡提取技術(shù)

由于空域鄰域聚類方法缺乏對(duì)類目標(biāo)干擾和短脈沖噪聲的抑制能力，其處理后的雜波干擾依然很高；另一方面，人工參與的目標(biāo)跟蹤方法往往使操作人員過于疲勞。于是，本文提出了基于LRDT的目標(biāo)檢測(cè)與航跡提取技術(shù)。

2.2.1數(shù)據(jù)關(guān)聯(lián)與跟蹤濾波

復(fù)雜海洋環(huán)境下，主動(dòng)聲吶目標(biāo)檢測(cè)不僅包含大量的虛警，而且可能存在目標(biāo)失序量測(cè)以及測(cè)量誤差偏大等多種情況。導(dǎo)致點(diǎn)跡關(guān)聯(lián)涉及到關(guān)聯(lián)雜波、目標(biāo)斷續(xù)、虛假起始等多種問題，如圖5；軌跡關(guān)聯(lián)涉及到軌跡匯合、軌跡分支、軌跡斷續(xù)等問題，如圖6。

圖6 軌跡關(guān)聯(lián)

因此，高虛警下主動(dòng)聲吶檢測(cè)目標(biāo)和航跡提取的復(fù)雜性和難度很大。常規(guī)的最近鄰（NN）關(guān)聯(lián)方法效果較差，容易出現(xiàn)錯(cuò)誤互聯(lián)而導(dǎo)致目標(biāo)跟丟的情況。本文采用多假設(shè)跟蹤（MHT）方法進(jìn)行數(shù)據(jù)關(guān)聯(lián)，有效的解決了在密集雜波、量測(cè)斷續(xù)等復(fù)雜環(huán)境下的多目標(biāo)跟蹤問題。同時(shí)針對(duì)常規(guī)Kalman濾波對(duì)于非勻速目標(biāo)出現(xiàn)的跟蹤精度降低、甚至是濾波發(fā)射問題，研究利用延遲機(jī)動(dòng)檢測(cè)的自適應(yīng)跟蹤濾波方法，以兼顧勻速和機(jī)動(dòng)兩種運(yùn)動(dòng)方式下的目標(biāo)跟蹤。

2.2.2 序列似然比計(jì)算

本文提出的基于LRDT的目標(biāo)檢測(cè)與航跡提取技術(shù)在利用目標(biāo)時(shí)域連續(xù)性的同時(shí)還利用了回波能量統(tǒng)計(jì)特性。這一處理方法有效克服了常規(guī)M/N邏輯方法對(duì)于強(qiáng)目標(biāo)確認(rèn)時(shí)間過長(zhǎng)的不足，通過序列似然比計(jì)算和判定同時(shí)完成目標(biāo)檢測(cè)與航跡提取。

記H0表示虛警，H1表示目標(biāo)，累積到第k幀時(shí)刻的序列似然比如下：

其中，f(xiH1)、f(xiH0)分別表示目標(biāo)和虛警的概率密度函數(shù)，具體如式（1）和式（2）所示。

判定門限依據(jù)修正N-P準(zhǔn)則確定，即在已知系統(tǒng)虛警概率α和漏報(bào)概率β的條件下確定似然比門限。

2.2.3 算法流程

基于LRDT的目標(biāo)檢測(cè)與航跡提取技術(shù)的算法實(shí)現(xiàn)較為復(fù)雜，本文給出簡(jiǎn)要的算法流程如圖7所示。圖中LLR表示檢測(cè)序列的累積似然比，L_up表示檢測(cè)上限，L_down表示檢測(cè)下限，DID_1表示當(dāng)前幀亮點(diǎn)生成的檢測(cè)序列，DID_2表示上一時(shí)刻的檢測(cè)序列與當(dāng)前幀數(shù)據(jù)關(guān)聯(lián)更新的序列，DID為兩類檢測(cè)序列的合集（去沉余），Target_1表示直接可確認(rèn)的強(qiáng)目標(biāo)，Target_2表現(xiàn)經(jīng)累積檢驗(yàn)確認(rèn)的（小弱）目標(biāo)航跡。

圖7　　多目標(biāo)航跡自動(dòng)起始流程

2.2.4 實(shí)際數(shù)據(jù)處理效果

為了驗(yàn)證基于LRDT的目標(biāo)檢測(cè)與航跡提取算法的處理效果，選用前文的海試數(shù)據(jù)，經(jīng)亮點(diǎn)預(yù)處理后，運(yùn)行LRDT算法模塊，結(jié)果如圖8中下圖所示。圖中，顏色深淺表示了目標(biāo)的置信度，顏色越明亮，置信度越高。圖8上圖顯示的是LRDT處理前的多幀數(shù)據(jù)的可疑亮點(diǎn)位置圖，可以看出，經(jīng)聚類預(yù)處理后的虛警亮點(diǎn)個(gè)數(shù)仍比較高；而通過LRDT算法處理后，可疑亮點(diǎn)數(shù)減小，如下圖。另一方面，圖中舷角為340°、采樣點(diǎn)為1800位置附近有一弱小目標(biāo)，在連續(xù)四次的掃描探測(cè)中僅有兩次檢測(cè)到該目標(biāo)，其統(tǒng)計(jì)的檢測(cè)概率為0.5，經(jīng)LRDT算法處理后，有效截獲了該弱小目標(biāo)。

圖8　LRDT處理前后的對(duì)比

由此可知，基于LRDT的目標(biāo)檢測(cè)與航跡提取算法通過對(duì)主動(dòng)聲吶離散觀測(cè)序列的多幀探測(cè)數(shù)據(jù)進(jìn)行聯(lián)合處理，并利用目標(biāo)運(yùn)動(dòng)軌跡的時(shí)域連續(xù)性和能量統(tǒng)計(jì)分布規(guī)律性，在較大程度降低目標(biāo)檢測(cè)虛警概率的基礎(chǔ)上提高了淹沒在多雜波亮點(diǎn)干擾下弱小目標(biāo)的發(fā)現(xiàn)概率，同時(shí)實(shí)現(xiàn)了依靠聲吶設(shè)備自主完成疑似目標(biāo)判定進(jìn)而起始跟蹤。

3 結(jié)論

本文在研究海雜波空域、時(shí)域和能量域特性的基礎(chǔ)上，設(shè)計(jì)了基于空域領(lǐng)域聚類的亮點(diǎn)預(yù)處理算法和基于LRDT的目標(biāo)檢測(cè)與航跡提取算法。實(shí)際數(shù)據(jù)處理表明，本文所提方法可以使監(jiān)視區(qū)內(nèi)的目標(biāo)虛警率降低70%到90%，并提高小目標(biāo)發(fā)現(xiàn)概率、縮短目標(biāo)初始航跡的起始時(shí)間。

參考文獻(xiàn)：

[1] 李正周, 彭素靜, 金鋼, 等. 基于假設(shè)檢驗(yàn)的小弱運(yùn)動(dòng)目標(biāo)航跡起始[J]. 光子學(xué)報(bào), 2008,37(3):613-617.

[2] 康莉. 攔截技術(shù)中目標(biāo)跟蹤若干關(guān)鍵技術(shù)研究[D]. 西安電子科技大學(xué), 2008.

[3] 易偉. 基于檢測(cè)前跟蹤的多目標(biāo)跟蹤算法研究[D]. 電子科技大學(xué), 2012.

[4] PUNITHAKUMAR K, KIRUBARAJAN T, SINHA A. A sequential monte carlo probability hypothesis density algorithm for multitarget track-before-detect[J]. Proc. Of SPIE, 2005, 5913.

[5] KENNEDY HUGH LACHLAN. Clutter-based test statistics for automatic track initiation [J]. ACTA, 2008, 34(3):266-273.