近场小慢目标雷达检测前跟踪技术研究

2019-12-04周明利苏贝贝

舰船电子对抗 2019年5期

周明利，吴俭，柯涛，苏贝贝

(中国船舶重工集团公司第七二三研究所，江苏扬州 225101)

0 引言

近年的科技发展，直接带动了小型飞行器的广泛应用。旋翼无人机的普及化使得不法分子的行凶手段变得多样化，民防工程同时受到了更加严峻的挑战。战场上，现阶段低空-超低空作战手段已经是主要作战方式，分辨率低的警戒雷达所能发挥出的效能也就越来越低。例如目前小型飞行器主要在600 m以下低空飞行，最具代表性的就是无人机。它可以充分利用地形地势以及杂乱背景来躲避雷达波束的扫描[1]，使其很难被雷达有效发现并确定其为可疑飞行目标。

为了应对小慢目标在军民领域带来的重大威胁，解决如何对此类目标进行准确探测并进行拦截和打击已成为具有现实意义的研究课题。而采用信号处理的方法提高对此类目标的检测能力不仅手段灵活，且成本较低[2]。开展对杂噪背景下此类目标检测技术的研究，对充分发挥我国预警雷达潜力，改进现役雷达性能、研制新体制雷达和提高我国警戒雷达网的能力具有十分重要的现实意义。

1 检测前跟踪(TBD)技术

对比传统检测跟踪技术，检测前跟踪不对雷达原始数据设置门限，允许更多的弱小慢目标信息进入系统，通过多帧积累检测慢速运动小目标[3]。

TBD技术的数据处理流程如图1所示，TBD技术利用的是非相参积累[4]。

图1 检测前跟踪处理流程

TBD具备以下两点优势:

(1) 对原始信号无门限处理，规避了由于数据缺失造成的无法恢复的漏检情况，再进行后一步的检测处理。

(2) 通过多帧积累，形成可观可分辨的信噪比，提高检测概率。直接估计航迹，目标更不容易断航。

2 基于动态规划的TBD算法

s(k+1)=F·s(k)+G(k)w(k)

(1)

(2) 算法步骤：

k时刻的观测数据表示为：

z(k)={zij(k)}，i,j=1，…，N

(2)

其中每个分辨单元的数据统计特性表示为:

(3)

式中：A(k)为复随机变量，相位属于[0,2π]，且幅度恒定服从均匀分布。

利用零均值复高斯白噪声wij(k)来描述系统的过程噪声。

动态规划算法与维特比算法在本质上是相似的，下面给出具体步骤:

(4)

ψsk(1)=0

(5)

(2) 循环递归:当2≤k≤K时，对k时刻的状态：

(6)

(7)

值得注意的是，其中式(6)及式(7)在求最大值时，在有效状态sk-1中求，即所有可能转移到k时刻特定状态的有效状态。

(3) 设置终止条件:找到并记录满足式(8)条件的所有终状态sk:

(8)

式中：VT为检测门限。

(9)

依据式(9)依次逆推，即可得到对目标的轨迹估计：

(10)

(3) 仿真对比

假设目标做匀速直线运动，采取CV模型，幅度恒定，为A=2.15，门限为VT=24。附加噪声wij～N(0,1)，帧间有效状态转移数q=4。x,y方向的距离分辨单元总数都是50，每帧间隔T=2.5 s，积累帧数为10，目标初始位置设置为x=2.6，y=3.2，初始速度分别为2.5、2.2。离散化目标状态时，进行向下取整。仿真结果如图2所示。

图2 小目标检测结果仿真图

3 算法实现流程

(1) 图像预处理：对第t帧图像利用高斯模型进行背景提取，并根据当前像素对模型参数进行更新。相关参数设定如下：历史帧数为25帧;高斯模型个数为15个;背景概率设定为0.95;前景0.06;训练时学习率α=0.001 5;学习帧数100帧;检测时学习率为0.000 8。对第t帧图像同时采用Canny边缘检测算子检测当前图像的边缘信息，采用形态学处理中的闭运算对图像进项连接处理，获得更为光滑的轮廓线条。

(2) TBD：为了突出检测效果，采用了二级检测的方法，第1级是对疑似目标进行判断，获得疑似目标绘制轨迹，第2级是对绘制的疑似轨迹进行判断，确认或删除目标轨迹。先对基于高斯混合模型的图像分割程序处理后得到的图像进行处理，对于每一帧图像中获得的疑似目标，在匹配过程中，在轨迹队列中的每个疑似目标点都要搜寻最适合的轨迹，若该轨迹没有临时点，则该目标点成为临时点；否则，当有点进入队列时，判断是否合适，合适则成为临时点。判断的门限值为算法中设置的两点间前后两速度差模值，根据动态规划理论得知，对于每个点的下一时间段，由设置的最大速率和最小速率再根据“不后退”运动，可以推测一个目标转移状态范围。当下一目标点落入该范围，我们将其视为疑似目标，对其进行跟踪，绘制轨迹。

在算法中，各参数的设定如下：设两点之间速率最大值为10 m/s；前后两速度差模值为10 m/s；目标警告检出次数为6；两点之间速率最小值0；轨迹最大平均速度20 m/s；轨迹最小平均速度0。对于最终检测得到的目标轨迹，当目标连续出现的次数大于等于6次，就被认定为是所要检测的小慢目标，即图3中方框处的离散点所标记的位置；而圈中的点表示的是目标出现次数大于警告检测次数的轨迹，即确定为小慢目标。

4 检测结果及分析

场景：由于条件限制，雷达于地面架高1.5 m，主要测试目标为行人以及低空近距离无人机，测试距离≤500 m，无人机飞行空域在雷达的仰角10°以内，目标速度控制在0～20 m/s。

首先对慢速近距离无人机目标进行检测实验，飞行速度为0～2 m/s，相对雷达做径向飞行运动。经过多帧的检测积累后，检测到无人机飞行轨迹，并能够持续跟踪。检测结果如图3划圈处航迹所示。

图3 小慢目标监测情况

通过图3的检测结果可以看出，慢速飞行的无人机在弱杂波区可被检测到，经过多帧判断，当其被系统判断为目标后，目标运动的机动性较弱时，系统能够对无人机进行持续有效的跟踪。

其次对2个临近目标进行观测，控制无人机与行人相伴运动，间距1～2 m。运动速度在1～2 m/s。通过雷达对2个目标同时检测。检测结果如图4所示。

图4(a)中，目标1实际中为2个目标，其一为行人目标，其二为与行人相伴的无人机目标；图4(b)中，靠近图像中间位置的目标1为行人目标，目标2为无人机目标。观察检测结果可知，在两目标距离相近时，即便利用了方向加权对算法进行改进，但仍然会出现目标混叠。目标在初始阶段虽然可以监测到2个目标，但由于目标距离过近，以及团聚效应的产生，导致算法认为其是同一个目标，最终只建立一个航迹。在图4(b)中，可以观察到，两目标相距较大时，算法的检测性能基本没有影响，可有效对多目标进行检测跟踪。图4(c)中，目标2和目标3分别为无人机和行人，两目标在同一起点沿同一线路不同时出发，检测结果显示在成功对无人机建航后，在同一线路上还可对其他目标有效建航。