一种基于支持向量机的航海雷达目标快速检测方法技术

本发明专利技术公开了一种基于支持向量机的航海雷达目标快速检测方法，首先离线开展现场观测试验，选取一定量的单一扫描线上的两类径向回波样本，一类为含有目标雷达回波的样本，另一类为不含目标的纯海杂波雷达回波的样本，根据样本的特点提取两个合适的径向回波特征参数，利用SVM进行训练获取分类器模型；第二步为获取雷达单一扫描线上的待测数据，计算待测数据在第一步中的两种径向回波特征的值，并输入分类器模型，得到对应的决策函数值K。最后将得到的决策函数值K和分类器的阈值进行比较，判断单一扫描线上是否存在目标。本发明专利技术可以有效提升目标检测效率，并降低虚警。

A Fast Target Detection Method for Navigation Radar Based on Support Vector Machine

【技术实现步骤摘要】
一种基于支持向量机的航海雷达目标快速检测方法
本专利技术涉及一种航海雷达目标快速检测方法，特别是一种基于支持向量机的航海雷达目标快速检测方法，属于海洋环境条件下舰船目标探测
，该技术适用的导航雷达类型为：其工作原理是单脉冲体制的X波段航海雷达。
技术介绍
几十年来，随着科技的发展与进步，雷达技术得到了迅速发展，已经在船舶导航、目标搜索等领域被广泛应用。在船舶导航领域中，海杂波背景下的目标检测问题一直都是研究中的热点，它对船舶安全的保障有着至关重要的作用。目前常用的目标检测技术为恒虚警率(CFAR,constantfalsealarmrate)检测技术。根据检测种类的不同一般可以分为均值类CFAR检测与有序统计类CFAR检测。1968年，Finn等人首次提出了基于单元平均的CA-CFAR检测器。在此之后，国外学者相继提出了基于选大单元的GO-CFAR检测器[1]与基于选小单元的SO-CFAR检测器[2]。2000年Smith与Varshney等人提出了一种基于可变标识的VI-CFAR检测器。但是均值类CFAR检测器在多目标环境与非均匀环境下的检测性能会有下降，针对这种问题，1983年Rohling等人根据中值滤波的思想，提出了一种有序统计类CFAR检测器[3]。1988年，Gandhi等人在其基础上，提出了一种基于剔除平均的TM-CFAR检测器，进一步提高了其在均匀环境中检测的性能，但计算方法却比较复杂，检测耗时严重[4]。1993年，BarKat等人使用一种移动有序统计处理的方式进一步提高了有序统计类CFAR检测器在非均匀环境中的检测性能[5]。2007年，胡文琳等人结合有序统计的思想，使用有序统计类算法对VI-CFAR检测器中的均值类算法进行替换，大幅提高了VI-CFAR检测器在多目标环境中的抗干扰能力，却也提高了检测器在均匀环境中的损失[6]。2014年姜劼等人改善了VI-CFAR检测器的判定条件，提出了一种EOSVI-CFAR检测器，进一步提高了检测器的抗干扰能力[7]。2016年，芮义斌等人在其基础上，进一步提出了一种多策略CFAR检测器，通过仿真实验证明了检测性能的提升[8]。见参考文献[1-8](AmoozegarF,SundareshanMK.Constantfalsealarmratetargetdetectioninclutter:aneuralprocessingalgorithm[C]ApplicationsofArtificialNeuralNetworKsV.InternationalSocietyforOpticsandPhotonics,1994.TrunK,G.V.RangeResolutionofTargetsUsingAutomaticDetectors[J].IEEETransactionsonAerospaceandElectronicSystems,1978,AES-14(5):750-755.RohlingH.RadarCFARThresholdinginClutterandMultipleTargetSituations[J].IEEETransactionsonAerospaceandElectronicSystems,1983,19(4):608-621.GandhiPP,KassamSA,GandhiP,etal.AnalysisofCFARProcessorsinNon-homogenousBacKground[J].IEEETrans.aerosp.electron.syst,1988,24(4):427-445.HimonasSD,BarKatM.AutomaticcensoredCFARdetectionfornonhomogeneousenvironments[J].IEEETransactionsonAerospaceandElectronicSystems,1992,28(1):286-304.胡文琳,王永良,王首勇.一种基于有序统计的鲁棒CFAR检测器[J].电子学报,2007,35(3):530-533.姜劼.EOSVI-CFAR算法研究及硬件设计与实现[D].西安电子科技大学,2014芮义斌,魏知寒,KhoasangN,etal.一种非均匀背景下的多策略CFAR检测器[J].南京理工大学学报(自然科学版),2016,40(02))在检测效率上，目前文献公布的CFAR类检测器均采用逐点扫描检测的方式进行目标检测，随着CFAR类算法复杂度的增长，以及雷达分辨率的细化，目标检测速度对于雷达系统的影响已经不能忽略。为了实现检测的快速性，可将检测算法优化为2个步骤：第一步是对雷达回波中每根扫描线的径向数据集合进行整体检测，筛选出存在目标的扫描线，即粗检测阶段；第二步只针对筛选出存在目标的扫描线进行逐点检测，即精检测阶段。本专利涉及的算法属于上述粗检测阶段，用于筛选出存在目标的扫描线。为了有效提高检测精度，本专利通过增加采用的特征参数个数，联合多种参数来区分目标与纯海杂波，设计的算法采用了双特征参数，通过已有数据计算出单一扫描线上的两个特征参数，能够更好地区分含有目标的线与不含目标的纯海杂波的线。支持向量机(SupportVectorMachine,SVM)是由VapniK等人在统计学理论的基础上于1995年提出的用于解决分类问题的方法[9]。相比传统的机器学习方法，SVM不仅能在小样本的条件下对样本特征进行有效学习实现对未知数据的准确分类，还能够在处理高维数据时有效解决“维数灾难”问题。2012年，英国学者TanvirIslam等人分别使用SVM、人工神经网络、决策树等方法对不同特征下的两类数据进行了分类，该实验结果表明SVM在二类区分时拥有更好的检测效果[10]。为SVM区分雷达单一扫描线上有无目标提供了理论基础。2018年，熊伟等人利用SVM实现了对SAR图像中舰船目标有无的检测[11]见参考文献[9-11](VapnikV.Thenatureofstatisticallearningtheory[M].IslamT,Rico-RamirezMA,HanD,etal.Artificialintelligencetechniquesforclutteridentificationwithpolarimetricradarsignatures[J].AtmosphericResearch,2012,109-110(none):0-113.Springer,1995.熊伟,徐永力,姚力波,etal.基于SVM的高分辨率SAR图像舰船目标检测算法[J].遥感技术与应用,2018)本专利技术的设计采取双特征参数联合检测的算法，提出了一种基于SVM的航海雷达目标快速检测方法，并以X波段导航雷达的实测数据为依托实现了算法性能评估。最后使用不同海况下的雷达实测数据分别使用本文提出的SVM检测算法与传统CFAR算法进行了比对实验。结果表明，相比传统算法，本文方法不仅能够大幅提升目标检测效率，还能降低一部分虚警。
技术实现思路
针对上述现有技术，本专利技术要解决的技术问题是提供一种提升目标检测效率，并降低虚警的基于支持向量机的航海雷达目标快速检测方法。本文档来自技高网...

【技术保护点】
1.一种基于支持向量机的航海雷达目标快速检测方法，其特征在于，包含以下步骤：步骤1：确定分类器模型：离线开展现场观测试验，选取单一扫描线上的两类径向回波样本，一类为含有目标雷达回波的样本，另一类为不含目标的纯海杂波雷达回波的样本；选取两个径向回波特征参数，径向回波特征参数包括：方差系数、峰度、均值和拟合相关系数，利用支持向量机进行训练，获取分类器模型；步骤2：将待测数据的步骤1中的径向回波特征参数输入到分类器模型中：获取雷达单一扫描线上的待测数据，包括回波径向距离、强度，计算待测数据的步骤1中选择的两种径向回波特征参数的值，并输入到步骤1获取的分类器模型中，最终得到对应的决策函数值K；步骤3：判断有无目标：将得到的决策函数值K和分类器的阈值进行比较，判断该扫描线上是否存在目标，当K大于0时，判定为有目标，当K小于0时，判定为无目标。

【技术特征摘要】
1.一种基于支持向量机的航海雷达目标快速检测方法，其特征在于，包含以下步骤：步骤1：确定分类器模型：离线开展现场观测试验，选取单一扫描线上的两类径向回波样本，一类为含有目标雷达回波的样本，另一类为不含目标的纯海杂波雷达回波的样本；选取两个径向回波特征参数，径向回波特征参数包括：方差系数、峰度、均值和拟合相关系数，利用支持向量机进行训练，获取分类器模型；步骤2：将待测数据的步骤1中的径向回波特征参数输入到分类器模型中：获取雷达单一扫描线上的待测数据，包括回波径向距离、强度，计算待测数据的步骤1中选择的两种径向回波特征参数的值，并输入到步骤1获取的分类器模型中，最终得到对应的决策函数值K；步骤3：判断有无目标：将得到的决策函数值K和分类器的阈值进行比较，判断该扫描线上是否存在目标，当K大于0时，判定为有目标，当K小于0时，判定为无目标。2.根据权利要求1所述的一种基于支持向量机的航海雷达目标快速检测方法，其特征在于：步骤1中径向回波特征参数为方差系数和拟合相关系数。3.根据权利要求1所述的一种基于支持向量机的航海雷达目标快速检测方法，其特征在于：样本的选择满足：径向回波数据长度大于离线开展现场观测试验中的最大的船只目标尺寸；含目标的径向回波需包含离线开展现场观测试验中不同尺寸的船只目标，纯海杂波的径向回波需包含不同情况下的杂波区域，包括海天背景、人为干扰、自然干扰；样本为离线开展现场观测试验中能够准确表示有无目标的数据。4.根据权利要求1所述的一种基于支持向量机的航海雷达目标快速检测方法，其特征在于：利用支持向量机进行训练，获取分类器模型包括：步骤1.1：定义一个分类函数f(X)，将含有目标雷达回波样本的分类标记y计为1，不含目标的纯海杂波样本的分类标记y计为-1，y＝1的点代入f(X)得到大于0的值，y＝-1的点代入f(X)得到小于0的值，根据f(X)得到几何间隔：分类函数的计算公式为：f(x)＝ωTx+b式中：ω表示权重向量，b为偏置，x表示n维向量；几何间隔的计算公式为：γ＝y|ωTx+b|＝y|f(x)|式中：为函数间隔，γ表示点到超平面的垂直距离，y表示分类标记，ω表示权重向量，b为偏置；步骤1.2：令取的最大值，并确保所有大于得到最优超平面，并将最优超平面最大形式转化为等同的最小形式：最优超平面公式：s.t.yi(ωTxi+b)≥1，i＝1，2，3…，n式中：ω表示权重向量，b为偏置，xi表示第i条线的n维向量，yi表示第i条线的分类标记；将最大形式转化为等同的最小形式：s.t.yi(ωTxi+b)≥1，i＝1，2，...，n式中：ω表示权重向量，b为表示偏置，xi表示第i条线的n维向量，yi表示第i条线的分类标记；步骤1.3：定义一个拉格朗日函数L(ω，b，α)，其中αi≥0，定义一个关于ω的函数θp(ω)，计算出最优值p*：拉格朗日函数的计算公式为：式中：ω表示权重向量，b为偏置，xi表示第i条线的n维向...

【专利技术属性】
技术研发人员：卢志忠，文保天，吴鑫，李磊，胡佳幸，黄玉，骈根，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23