周 明 馬 亮 王 寧 楊予昊①(南京電子技術(shù)研究所 南京 210039)(中國電子科技集團(tuán)公司智能感知技術(shù)重點(diǎn)實(shí)驗(yàn)室 南京 210039)
岸對海警戒雷達(dá)在國土安全防衛(wèi),如邊境控制、海面搜索、禁毒等發(fā)揮重要作用,然而強(qiáng)海雜波背景下的微弱目標(biāo)檢測問題一直是岸對海警戒雷達(dá)的一大難題。在海面微弱目標(biāo)檢測中,主要面臨兩個(gè)問題:(1)海島和陸地會導(dǎo)致成片或離散強(qiáng)雜波點(diǎn),污染協(xié)方差矩陣估計(jì)的樣本;(2)復(fù)雜的海雜波特性制約了檢測器的檢測性能[1]。因此陸海分離和雜波分布擬合是海面目標(biāo)檢測的研究重點(diǎn)。
雷達(dá)陸海分離方法主要可以分為基于先驗(yàn)信息的海陸分離和基于圖像特征差異的海陸分離[2]。基于先驗(yàn)信息的海陸分離借助高精度電子地圖、海岸線或港口背景圖像等實(shí)現(xiàn)陸海分離,當(dāng)先驗(yàn)信息缺失或不易獲取時(shí),多采用基于圖像特征差異的海陸分離,如借助雷達(dá)回波圖、合成孔徑雷達(dá)(SAR)圖像或衛(wèi)星圖等實(shí)現(xiàn)陸海識別。文獻(xiàn)[3]利用支持向量機(jī)和基于對象分類法對衛(wèi)星圖像進(jìn)行了海岸線提取,將結(jié)果與人工數(shù)字處理結(jié)果對比,表明兩種方法對海岸線提取具有亞像素精度。文獻(xiàn)[4]利用小波變換與主動輪廓法對SAR圖像進(jìn)行海岸線提取。文獻(xiàn)[5]提出了一種基于從粗到細(xì)的層次結(jié)構(gòu)水平集和窄帶水平集的海岸線提取法。文獻(xiàn)[6]利用圖像平滑、閾值分割和邊界跟蹤等技術(shù)對SAR圖像中的海岸線進(jìn)行了提取,實(shí)現(xiàn)陸海分離。文獻(xiàn)[7]利用圖像的灰度和紋理對SAR圖像分割達(dá)到提取海岸線的目的,但由于定位精度不高和處理速度較慢,因而實(shí)用性不夠。
然而岸對海警戒雷達(dá)對海探測時(shí)通常無SAR圖像或衛(wèi)星圖像輔助完成陸海分離,且隨著數(shù)據(jù)量的增大以及分辨率的提高,對陸海分離算法的速度提出了更高的要求,因此需要提出更準(zhǔn)確更快速的陸海識別方法。
完成陸地和島礁樣本剔除后,需要對海雜波數(shù)據(jù)進(jìn)行分布族辨識及海面目標(biāo)檢測[8,9]。雷達(dá)利用相干脈沖進(jìn)行目標(biāo)檢測時(shí),已有學(xué)者基于不同雜波模型分別提出廣義似然比檢驗(yàn)(Generalized Likelihood Ratio Test, GLRT)檢測器[10]、自適應(yīng)匹配濾波(Adaptive Matched Filter, AMF)檢測器[11]和自適應(yīng)歸一化匹配濾波(Adaptive Normalized Matched Filter, ANMF)檢測器[12,13],因此雜波數(shù)學(xué)模型是自適應(yīng)檢測器推導(dǎo)的基礎(chǔ),雜波分布模型的匹配度對檢測性能影響很大。
針對上述問題,本文提出一種面向海面目標(biāo)檢測的陸海分離和海面分區(qū)算法。首先根據(jù)陸地回波序列間的相位具有強(qiáng)相關(guān)性,而海洋回波序列間的相位為隨機(jī)值這一特性,區(qū)分陸地雜波和海雜波;其次,考慮到雷達(dá)擦地角是影響海雜波模型的重要因素,本文提出了一種基于擦地角的海面分區(qū)算法,并根據(jù)分區(qū)結(jié)果,采用均方誤差檢驗(yàn)法擬合出最優(yōu)分布,進(jìn)而選擇合適的檢測器進(jìn)行自適應(yīng)檢測;最后,通過對某S波段雷達(dá)實(shí)測數(shù)據(jù)進(jìn)行分析,驗(yàn)證本文所提出算法在海雜波下目標(biāo)檢測的性能。
海面目標(biāo)檢測中,由于海雜波和目標(biāo)通常可能處于相同多普勒通道,導(dǎo)致目標(biāo)信雜比嚴(yán)重下降,給雷達(dá)目標(biāo)檢測帶來很大難度。因此自適應(yīng)檢測器(如圖1所示)逐漸成為海雜波下目標(biāo)檢測的重要途徑,自適應(yīng)檢測器通過估計(jì)參考樣本的頻譜特性,對待檢測單元進(jìn)行雜波白化和目標(biāo)積累來提高目標(biāo)的信雜比,以改善檢測性能。
圖1 自適應(yīng)檢測器檢測流程Fig.1 Adaptive detection process
自適應(yīng)檢測器高度依賴于雜波向量的協(xié)方差矩陣。通常雜波的協(xié)方差矩陣是通過待檢單元周圍的距離單元作為訓(xùn)練樣本估計(jì)得到的,并假設(shè)所選用的參考單元為純雜波單元,且滿足獨(dú)立同分布特征[14]。但實(shí)際對海目標(biāo)檢測中,海島和陸地會引入成片或離散強(qiáng)雜波點(diǎn),污染協(xié)方差矩陣估計(jì)的樣本,降低目標(biāo)檢測性能,同時(shí)導(dǎo)致虛警率增加。此外,海雜波模型對于自適應(yīng)檢測器的檢測器模型、檢測門限和檢測器性能優(yōu)化具有重要作用,在常規(guī)的自適應(yīng)檢測方法中,假設(shè)整片海面服從單一海雜波模型,可能出現(xiàn)所假設(shè)的雜波模型偏離真實(shí)雜波模型的問題,從而造成檢測性能下降。為改善上述問題,本文提出面向海面目標(biāo)檢測的陸海分離和海面分區(qū)算法,算法流程圖如圖2所示。
基于雷達(dá)回波的陸海識別算法主要是利用多普勒頻率、回波幅度、相位等信息區(qū)分海面和陸地。由于陸地回波的多普勒頻率主要位于零多普勒通道,而海雜波的多普勒頻率覆蓋較寬的范圍,因此通常利用多普勒特性區(qū)分陸地和海洋。但基于多普勒特性的陸海識別方法占用較多系統(tǒng)資源,為降低算法的計(jì)算復(fù)雜度,本文提出基于回波相位相關(guān)度的陸海識別算法。
假設(shè)雷達(dá)工作于機(jī)掃模式,在每個(gè)波位上發(fā)射脈沖數(shù)為K,基于回波相位相關(guān)度的陸海識別算法分為以下幾個(gè)步驟,首先提取出連續(xù)兩圈回波相同波位的相鄰脈沖的相位差,然后計(jì)算兩組相位差值的相關(guān)度,最后通過閾值處理算法得到陸海分割后的圖像。
圖2 本文算法流程圖Fig.2 Flow chart of this paper algorithm
3.1.1 回波序列相位提取
3.1.2 回波相位相關(guān)度計(jì)算
回波相位相關(guān)度是通過計(jì)算連續(xù)兩圈回波數(shù)據(jù)中同一波位上相鄰脈沖的相位差的相關(guān)度得到。對于陸地回波,連續(xù)兩圈數(shù)據(jù)之間的相位相關(guān)度很高,而對于海洋雜波,由于海面是時(shí)變的,因此連續(xù)兩圈數(shù)據(jù)的相位之間的相關(guān)度很低,利用這一特性可以區(qū)分陸地區(qū)域和海洋區(qū)域。相鄰脈沖回波相位差k(m,n)定義為
3.1.3 閾值處理
計(jì)算所有分辨單元中的相位相關(guān)系數(shù),量化到[0, 255]后得到一幅灰度圖像,稱為相位線性度圖像。對相位線性度圖像的背景分割可采用最大類間方差法(又叫做大津法)。大津法[15]是圖像學(xué)中一種自適應(yīng)確定分割閾值的方法,將圖像按灰度級分為目標(biāo)像元和背景像元,按照大津法原理自動求得的閾值對圖像進(jìn)行二值化分割后,使得目標(biāo)像元與背景像元的類間方差最大。本文將大津法推廣運(yùn)用于陸海分離算法中,自動判定分割閾值,將相位線性度圖像進(jìn)行二值化分割為陸地區(qū)域和海洋區(qū)域。大津法的基本過程如下:
假設(shè)相位線性度圖像灰度范圍為[0,L],圖像的大小為M×N,陸地區(qū)域和海洋區(qū)域的分割閾值記作T,屬于陸地區(qū)域的像素點(diǎn)數(shù)占整幅圖像的比例記為w0,其平均灰度;屬于海洋區(qū)域占整幅圖像的比例為w1,其平均灰度為。圖像的總平均灰度記為,類間方差定義為
為避免出現(xiàn)邊界處模糊,分類不準(zhǔn)確的現(xiàn)象,同時(shí)考慮兩類別內(nèi)各像元的內(nèi)聚性。定義類內(nèi)方差為
將回波相位相關(guān)系數(shù)映射到[0, 255]后,應(yīng)用大津法計(jì)算得到分割閾值T,回波相位相關(guān)系數(shù)大于閾值處為海洋區(qū)域,反之為陸地區(qū)域。
3.1.4 算法可靠性分析
相位相關(guān)性區(qū)分陸海區(qū)域利用陸地回波序列間的相位具有強(qiáng)相關(guān)性,而海洋回波序列間的相位為隨機(jī)值這一特性,區(qū)分陸地雜波和海雜波。對于零多普勒的陸地區(qū)域,假設(shè)發(fā)送的線性調(diào)頻信號為
自適應(yīng)檢測器中雜波分布模型的準(zhǔn)確性對檢測性能影響很大。雷達(dá)檢測和信號處理中,常見的分布包括Rayleigh, Lognormal, Weibull和K分布等[8]。Rayleigh分布是最早應(yīng)用的海雜波模型之一,其主要適用于中等或較高擦地角條件下低分辨率雷達(dá)海雜波的幅度分布建模,Lognormal分布適用于雜波變化較為劇烈,擦地角較小的場景,Weibull分布可以比較好的描述低海情、小擦地角雜波,K分布通常用于高分辨雷達(dá)的高海情、小擦地角的雜波建模中。圖3為某S波段雷達(dá)一圈數(shù)據(jù)作為擬合的數(shù)據(jù)輸入時(shí),Rayleigh, Lognormal, Weibull和K分布的擬合結(jié)果。
采用均方誤差檢驗(yàn)法衡量每個(gè)模型的擬合精度。均方誤差是實(shí)測概率密度與擬合的各分布模型概率密度的差平方的平均值
圖3 全局?jǐn)M合結(jié)果Fig.3 Fitting result of radar data
從圖3可以看出,K分布具有更好的擬合性能,但將海雜波區(qū)域按距離相平均分為20份后重新擬合,擬合后的結(jié)果如表1所示。
表1 分塊后擬合結(jié)果Tab.1 Fitting result of uniformly partitioned data
從統(tǒng)計(jì)結(jié)果來看,由于海面真實(shí)狀況復(fù)雜,針對海面數(shù)據(jù)擬合時(shí)采用單一模型難以達(dá)到較好的擬合準(zhǔn)確度,考慮到雷達(dá)擦地角是影響海雜波模型的重要因素,因此本文提出一種基于擦地角的海面分區(qū)算法,將海面劃分為多個(gè)區(qū)域后擬合,從而提高雜波模型的匹配度。
假設(shè)雷達(dá)部署在高度為H的山頂,第1個(gè)距離門距離雷達(dá)直線距離為R1,最后1個(gè)距離門距離雷達(dá)直線距離為R2,地球半徑為R0,第1個(gè)距離門和最后一個(gè)距離門的擦地角差為,具體位置如圖4所示。
圖4 雷達(dá)位置示意圖Fig.4 Radar position diagram
本文所采用的數(shù)據(jù)來自某S波段雷達(dá),該雷達(dá)架設(shè)在海邊海拔183 m的山上,采集對應(yīng)的實(shí)際起始距離R1為1.8 km,每個(gè)距離門長度37.5 m,雷達(dá)工作在機(jī)掃模式,每個(gè)波位發(fā)射脈沖數(shù)為8個(gè)。
圖5給出了基于回波相位相關(guān)度的陸海分離結(jié)果。圖5(a)給出了該雷達(dá)連續(xù)掃描兩圈的相同距離門和波位上的回波間的相位相關(guān)系數(shù)值的2維圖,將量化到[0, 255]后,應(yīng)用大津法將其分割得到圖5(b)的二值圖像,其中白色區(qū)域?yàn)殛懙貐^(qū)域,黑色區(qū)域?yàn)楹ks波區(qū)域。在自適應(yīng)檢測的樣本選擇中,將避免選擇白色區(qū)域中的樣本參與檢測,從而提高協(xié)方差矩陣估計(jì)的準(zhǔn)確性。
得到純海雜波區(qū)域后,將海雜波區(qū)分割為若干區(qū)域后精細(xì)化檢測。圖6給出了本文所提出的基于擦地角的分割結(jié)果,從分割結(jié)果可以看出,距離雷達(dá)較近處分割較細(xì),距離雷達(dá)較遠(yuǎn)處分割較粗,由于近海處海雜波受海礁、船舶等影響較大,因而分割較細(xì)有利于得到更準(zhǔn)確的雜波模型。
根據(jù)圖6分割后的結(jié)果,對分割后的每個(gè)區(qū)域擬合,采用均方誤差檢驗(yàn)法得到10個(gè)分塊的最優(yōu)擬合結(jié)果,具體擬合結(jié)果如表2所示。從表2可以看出,10個(gè)分塊均服從復(fù)合高斯分布,其中6塊服從Weibull分布,4塊服從K分布,這表明復(fù)合高斯分布模型具有較好的雜波擬合度。
圖5 基于回波相位線性度的陸海分離結(jié)果Fig.5 Land-sea separation result based on the correlation of phases
圖6 基于擦地角的海面分區(qū)結(jié)果Fig.6 Sea surface zoning result according to the rubbing angle
最后通過蒙特卡洛仿真給出了所提出算法的海面目標(biāo)檢測性能。在待檢測的分辨單元中加入給定信雜比和給定多普勒頻率的仿真目標(biāo)信號,s(n)=aej(2nfd/fr+φ),其中fd為多普勒頻率,位于區(qū)間[–fr/2,fr/2],fr為脈沖重復(fù)頻率,初相是區(qū)間[-,]上均勻分布的隨機(jī)變量,幅度參數(shù)Pclutter為仿真目標(biāo)信號所加雜波單元N個(gè)脈沖的平均功率,SCR為信雜比。仿真中假設(shè)目標(biāo)多普勒頻率fd=200 Hz,給定的目標(biāo)虛警率Pf=10–4,此時(shí)目標(biāo)的多普勒頻率接近海雜波譜的偏移量,即待檢測目標(biāo)位于強(qiáng)雜波區(qū)。圖7(a)給出了位于島礁附近目標(biāo)的檢測性能,仿真中在島礁附近隨機(jī)加入仿真目標(biāo),分別仿真了直接自適應(yīng)檢測和剔除島礁樣本后自適應(yīng)檢測的性能。圖7(b)給出了海面上隨機(jī)加入仿真目標(biāo)時(shí)檢測性能對比,根據(jù)海面分區(qū)結(jié)果,在每個(gè)分區(qū)中隨機(jī)加入1個(gè)仿真目標(biāo),分別對比了直接自適應(yīng)檢測和剔除島礁樣本后根據(jù)目標(biāo)所在區(qū)域的雜波分布選擇合適自適應(yīng)檢測器時(shí)的檢測性能。從圖7可以看出,兩種仿真場景下,隨著信雜比提升,目標(biāo)的檢測概率逐步提升,采用本文提出的目標(biāo)檢測算法,相對于傳統(tǒng)檢測算法性能提升比較明顯。
表2 雜波分區(qū)后的擬合結(jié)果Tab.2 Fitting results of partitioned data according to the rubbing angle
圖7 海面目標(biāo)檢測性能Fig.7 Detection performance of targets on sea surface
本文提出了一種面向海面目標(biāo)檢測的陸海分離和海面分區(qū)算法。通過基于回波相位相關(guān)度的陸海分離算法和基于擦地角的海面分區(qū)算法,有效解決了自適應(yīng)檢測中海島和陸地導(dǎo)致的成片或離散強(qiáng)雜波點(diǎn)污染協(xié)方差矩陣估計(jì)的樣本和自適應(yīng)檢測中雜波模型匹配度不夠的問題。實(shí)測數(shù)據(jù)的分析與檢測結(jié)果表明,通過所提出的陸海分離算法和海面分區(qū)算法,目標(biāo)檢測性能相對于傳統(tǒng)檢測算法性能提升比較明顯,從而驗(yàn)證了本文的算法的有效性。