[发明专利]一种基于时频域深度网络的海面小目标特征检测方法

说明书

本发明公开了一种基于时频域深度网络的海面小目标特征检测方法，获取待检测单元的观测向量，并建立三元假设检验问题；将观测向量转换到二维时频域中，获得二维时频图；对二维时频图进行归一化处理，获得归一化时频图；构建深度网络模型，提取属于三类假设的概率值作为特征值；构建一个2D特征向量，作为最终的检验统计量；在给定虚警率下，结合三次样条曲线算法，确定虚警可控的判决区域；计算检验统计量是否在判决区域内。本发明结合了神经网络和特征检测技术，具有自主学习特征提取和多维特征联合的优势，提升了雷达对处在低信杂比下的海面小目标的探测性能。

技术领域

本发明属于雷达信号处理技术领域，具体涉及一种基于时频域深度网络的海面小目标特征检测方法，适用于具有长时观测体制的对海探测雷达。

背景技术

目前，小船、快艇、飞机残骸等海面小目标已成为海洋雷达探测的重点和难点对象。通常，这些小目标的物理尺寸较小且具有隐身材料，使得信杂比(signal-to-clutter，SCR)往往临界可检测。相对于空中目标，低速运动的海面目标通常具有较弱的机动性，这导致其频谱容易落在海杂波主杂波区，加大了检测的难度。

在雷达信号处理中，长时观测累积是提高海面小目标检测性能的一种有效途径。在长时观测下，海杂波具有较强的空-时变特性，其幅度建模为具有时变纹理的复合高斯模型。在时频域，海杂波频谱占据较大的带宽且呈现出主杂波区和噪声区，其频谱过程可建模为随机过程。运动刚体目标的频谱占据较小的带宽且能量汇聚在瞬时频率曲线上。因此，时频域蕴含着更多的海杂波和目标特性，从理论上保证了目标检测性能的上升空间。

目前，长时观测累积的检测方法主要分为三大类。第一类，基于分形理论的检测方法，适用于秒级以上观测条件。根据海杂波的多尺度分形特性，有学者提出基于Hurst指数的海面目标检测方法。第二类，基于多维特征的目标检测方法。有学者提出基于三特征检测器以及特征检测框架，联合了1个时域能量和2个频域几何特征。有学者提出一种基于改进SVM的三特征检测方法和基于决策树的三特征检测，两者都需要搜索最优的参数进行虚警控制。这类方法需要人为提取特征，提取的特征往往是经验的、定性的和不完备的。第三类，基于卷积神经网络(convolutional neural network，CNN)的智能检测方法。有学者将时频图作为CNN的输入，用于仿真数据下的多种海面机动目标检测和分类中。有学者将平面位置显示器(PPI)图像作为输入，实现基于INet的杂波抑制和中小型船的检测。这类智能检测方法是提升检测性能的有效途径，难点在于虚警可控判决区域的设计。

针对人工特征提取的局限性和虚警可控判决区域设计的问题，本发明提出一种基于时频域深度网络的海面小目标特征检测方法，将深度网络作为特征提取器，进而深入挖掘海杂波和含目标回波在时频图上的差异性，实现低信杂比下海面小目标的检测。

发明内容

发明目的：本发明提出一种基于时频域深度网络的海面小目标特征检测方法，结合了神经网络和特征检测技术，具有自主学习特征提取和多维特征联合的优势，旨在提升雷达对处在低信杂比下的海面小目标的探测性能。

技术方案：本发明所述的一种基于时频域深度网络的海面小目标特征检测方法，包括以下步骤：

(1)雷达在一个距离单元接收到连续N个脉冲，构成一个观测向量z＝[z(1),z(2),...,z(N)]^T，构成待检测单元，然后获取待检测单元周围P个观测向量，z_p,p＝1,2,...,P；建立三元假设检验问题H₀、H₁₊、H_1-，精细化目标落在海杂波带内外的不同特性；

(2)将观测向量z和z_p,p＝1,2,...,P，转换到二维时频域中，通过计算平滑伪魏格纳-维尔分布SPWVD，获得二维时频图TFG(z)和TFG(z_p),p＝1,2,...,P；

(3)对二维时频图TFG(z)进行归一化处理，获得归一化时频图NTFG(z)