基于時域特性的非相參雷達目標檢測與跟蹤

陳唯實

(中國民航科學技術研究院機場研究所, 北京 100028)

?

基于時域特性的非相參雷達目標檢測與跟蹤

陳唯實

(中國民航科學技術研究院機場研究所, 北京 100028)

將跟蹤雷達的目標檢測策略應用于搜索雷達數據處理,提升對復雜低空空域非相參雷達圖像中小弱目標的檢測與跟蹤能力。首先,根據跟蹤目標的生命周期等時域特性,修正“最優分類面”中目標預估位置鄰域內的分割閾值,以提高目標檢測靈敏度。然后,利用雜波在雷達圖像序列中的時域特性進一步修正“最優分類面”,剔除剩余雜波。最后,將本算法與已經實現的基于空域特性的雜波抑制算法相結合,分別應用于仿真和實測數據,并采用多種方法評價檢測結果。檢測結果表明,本算法能夠在提高檢測率的同時,進一步降低虛警率。

雷達; 跟蹤; 雜波; 檢測率; 虛警率

0　引　言

通用航空是指使用民用航空器從事公共航空運輸以外的民用航空活動[1]。我國有望在未來15年內建成1 600個通用機場,低空管制也將逐步開放,屆時私人飛機無需軍方批準即可使用1 000 m以下空域。隨著我國通用航空產業的高速發展與低空空域的逐步開放,亟需加強對低空空域通用航空器等非合作目標的監視能力,確保空域航行安全[2-3]。國外成熟的低空空域監視系統,如Harrier雷達[4]和Accipiter雷達[5],通常采用成本低、可靠性高的非相參海事雷達作為前端,在對雷達信號處理模塊基本不做改動的前提下,通過雷達數據處理方法抑制低空雜波,從復雜的非相參低空空域雷達圖像中提取出小弱目標[6]。

在前期研究中,基于“低空空域雷達監視系統”采集的非相參雷達圖像數據,設計了雷達目標檢測與跟蹤算法流程[7],并實現了一種基于空域特性的雜波抑制算法[8]。本文將在此基礎上,提出一種基于時域特性的非相參雷達目標檢測與跟蹤算法,進一步完善該算法流程,提高非相參雷達在強雜波中檢測弱小目標的能力。全文結構如下:第一部分首先介紹了“低空空域雷達監視系統”,并回顧了基于時域特性的經典雷達目標檢測算法;第二部分詳細介紹了基于時域特性的非相參雷達目標檢測與跟蹤算法;第三部分在提出一系列檢測結果評價方法的基礎上,針對仿真和實測數據,將本算法與其他經典算法進行對比分析;最后做出結論。

1　低空空域雷達監視系統

低空空域雷達監視系統采用X波段和S波段的非相參海事雷達作為前端,其主要性能指標見表1?；谶@兩個波段雷達搭建的監視系統已分別在民用機場進行了測試,并采集了大量數據,實驗現場見圖1。

表1　海事雷達性能指標

圖1　機場實驗現場

本系統利用高清圖像采集卡獲取低空空域雷達平面位置指示(plane position indicator, PPI)圖像,由后端的雷達數據處理軟件進行處理分析。非相參雷達目標檢測與跟蹤算法是該軟件的核心,本文提出的基于時域特性的目標檢測算法將進一步完善算法流程,提升系統的目標探測能力。

利用目標的時域特性進行目標檢測是雷達數據處理的重要內容,其將連續多幀雷達圖像進行關聯處理,根據雷達圖像中雜波與目標回波的不同時域特性,提高雷達的目標檢測與雜波抑制能力[6]。檢測前跟蹤(tracking before detection, TBD)是應用最為廣泛的基于時域特性的目標檢測與跟蹤算法[9],其在不改變現有雷達系統的前提下,采用數據關聯算法聯合處理多幀原始數據,積累能量,檢測目標并恢復航跡[10-11]。針對非均勻雜波的影響,Musicki提出了集成概率數據關聯(integrated probabilistic data association, IPDA)算法[12]、基于雜波圖和融入交互式多模型(interactive multiple model, IMM)的IPDA算法[13-14]。文獻[15]提出了融入IMM和量測融合的聯合概率數據關聯算法。粒子濾波(particle filtering, PF)給非線性非高斯系統下的跟蹤理論研究注入了新的動力[16-17]。文獻[18]最早研究了PF-TBD方法。文獻[19]針對幅度波動目標,提出了一種改進的PF-TBD方法,提高了粒子利用效率。文獻[20]研究了機動目標的PF-TBD方法及結合序貫檢測的PF-TBD方法[21]。文獻[22]提出將PF與目標特征提取相結合的多目標跟蹤方法。在前期研究中,我們也實現了一種基于PF的不確定數目目標跟蹤算法,將目標航跡的起始、延續和消亡在統一的數據關聯框架下處理,并估計出每個目標的生命周期[23]。

大量研究成果表明,TBD算法通過數據關聯將部分量測與目標航跡相關聯,剔除未關聯的量測,能夠降低“虛警”,但并不能提高對弱小目標的檢測能力;此時只能通過設定低閾值檢測到小弱目標,導致量測中混入大量“虛警”,算法復雜度高,計算量大,在強雜波環境中難于實現實時處理。實際上,在目標航跡形成之后,目標預估位置鄰域出現量測的概率相對較高,不妨有條件地調整該區域的分割閾值,在不增加量測數量的前提下提高“檢測率”。跟蹤雷達通常會采用以上策略,它可以把很窄的波束,始終對準一個目標,相當于提高了對特定區域內目標的檢測靈敏度,由此得到高精度的連續數據。低空空域監視雷達屬于搜索雷達,其不同于跟蹤雷達,搜索雷達需要以一定的數據率,發現和測量本空域全方位的所有目標,分配給單個目標的時間和能量有限。

本文提出的基于時域特性的目標檢測算法,在非相參搜索雷達目標檢測中借鑒跟蹤雷達的目標檢測策略,在建立目標航跡之后,根據其生命周期,修正目標預估位置鄰域內的分割閾值,相當于提高了該區域內目標的檢測靈敏度,使搜索雷達在一定程度上具備了跟蹤雷達的目標檢測效果。通過對非相參雷達PPI圖像序列的觀察發現,低空空域雜波通常連續多幀出現在相同位置或其鄰域內,其“時域”特性同樣值得關注;因此,本文在利用“目標”的“時域”特性提高“檢測率”的同時,也將充分利用“雜波”的“時域”特性降低“虛警率”。

2　本算法描述

本文根據目標和雜波在非相參雷達圖像中的時域特性,提出一種基于時域特性的非相參雷達目標檢測算法,并將其與前期研究中實現的基于空域特性的雜波抑制算法相結合[8],形成了一整套完整的非相參雷達目標檢測與跟蹤算法,流程如圖2所示。

圖2　非相參雷達目標檢測與跟蹤算法流程圖

該算法包括背景差分、雜波抑制、量測信息提取、不確定數目目標跟蹤[23]和數據疊加等5個步驟,將低空目標航跡從復雜的雷達圖像中提取出來,并與地圖或坐標系疊加,生成便于觀測的融合圖像。

其中,雜波抑制算法利用目標與雜波的“時空域”特性,建立區分目標和雜波的“最優分類面”。首先,考慮目標和雜波的“空域”特性,基于前景和背景統計模型,考察待檢測像素的空間位置和量測聚集程度,自適應地調節閾值[8];其次,考慮目標和雜波的“時域”特性,從以下兩方面修正“最優分類面”:

(1)利用目標的生命周期等航跡信息,調整目標預估位置鄰域像素的分割閾值,提高“檢測率”;

(2)利用雜波出現規律,調整量測重復出現區域的分割閾值,降低“虛警率”。

由式(1)對“最優分類面”φ中每個像素[x,y]的分割閾值θ進行調整:

(1)

式中,θ為固定閾值;PS[x,y]為基于“空域”特性的閾值分割估計先驗概率,其計算方法已在文獻[8]中做了詳細描述;PT[x,y]為基于“時域”特性的閾值分割估計先驗概率,是本文要討論的重點;φ[x,y]為調整后的分割閾值。

(2)

對于確認航跡起始的目標,利用前期研究中實現的一種基于PF的不確定數目目標跟蹤算法[23],進行目標狀態預估,其在k時刻的預估狀態為

(3)

(4)

(5)

(6)

(7)

此時,基于修正后的“最優分類面”φ,對前景圖像F進行閾值分割,獲得二值圖像E為

(8)

3　雷達數據分析

為便于區分,本文提出的算法稱為“時域”算法,文獻[8]中的算法稱為“空域”算法,二者的結合稱為“時空域”算法。本節中,仿真數據用于驗證“時域”算法的有效性,實測數據用于對比“空域”算法、“時空域”算法及其他經典算法的效果。針對仿真數據和非相參雷達實測數據,本節分別提出了不同的檢測結果評價方法。

3.1檢測結果評價方法

仿真數據能夠提供真實的目標數、目標回波強度、目標的真實運動軌跡、虛警數和虛警回波強度。因此,基于仿真數據的目標檢測結果,可由以下方法評價目標檢測結果。

(1)工作特征(receiveroperatorcharacteristic,ROC)曲線,給出“檢測率(Pd)”和“虛警率(Pfa)”的對應關系。

(2)由多次蒙特卡羅仿真實驗獲得的跟蹤均方根誤差(root-mean-squareerror,RMSE)的平均值。

(3)單個目標跟蹤過程中置信區域Sk的變化。

針對非相參雷達圖像數據,本文將閾值分割后二值圖像中的獨立聯通區域作為一個量測,量測總數為N,其中包括目標數Ndt和虛警數Nfa,而每幀雷達圖像中已知的真實目標數為Ntt。目標數Ndt可以通過與已知的目標軌跡比對獲得,虛警數Nfa=N-Ndt。采用“最優虛警數”作為評價方法,即檢測率達到或接近100%(Ndt=Ntt)時的虛警數,此值越低,則檢測結果越好。

3.2仿真數據

雷達目標由多個散射子組成,其相對雷達視線姿態角的變化使散射子矢量合成時各自的相對相位隨機變化,產生回波起伏。雷達回波起伏與雷達目標散射截面(radarcrosssection,RCS)相聯系,導致雷達圖像中像素灰度值的變化,因此本節以RCS值代替像素灰度值。同時,低空空域監視雷達的垂直波束較寬,容易接收到部分地雜波,造成虛警。本文以χ2分布(k=1, 2, 3, 4)定量描述低空空域目標的RCS概率密度分布,以瑞利分布描述地雜波[24]。

χ2概率密度函數為

(9)

瑞利概率密度函數為

(10)

式中,σ為RCS隨機變量；b為瑞利系數。

下面基于仿真數據模型,分別以ROC曲線、檢測率、RMSE、目標跟蹤過程中置信區域的變化等指標,驗證“時域特征提取”算法中利用目標軌跡信息修正“最優分類面”對檢測效果的影響。假設仿真數據中所有目標的航跡穩定存在,且公式(6)中的調節參數β=1。實驗1的仿真數據建立4類χ2分布模型(k=1, 2, 3, 4),實驗2和3建立1類χ2分布模型(k=2),所有實驗中地雜波模型均將式(10)中參數設置為b=0.5。

3.2.1ROC曲線

RCS的取值范圍是0.2～20.2dBm2,共進行1 000次蒙特卡羅實驗,每次實驗(掃描周期)生成100個目標與5 000個地雜波的RCS數據,對比采用固定閾值分割(fixedthreshold,FT)算法和利用目標軌跡信息修正“最優分類面”后的ROC曲線。FT算法對“最優分類面”完全不做修正,“時域”算法僅對“最優分類面”中航跡穩定存在的目標所在區域的分割閾值進行修正。如圖3所示,針對4類仿真模型,修正后的檢測算法都明顯優于修正前的FT算法。

3.2.2“檢測率”和RMSE

圖4所示對比了不同固定閾值情況下“最優分類面”修正前后的目標檢測率和跟蹤誤差估計,RMSE為1 000次蒙特卡羅實驗獲得的平均值,每次實驗均對單一目標的運動軌跡進行50個掃描周期的跟蹤,目標的運動軌跡隨機生成?？梢?隨著分割閾值的增大,檢測率Pd單調遞增而RMSE單調遞減,修正后的“最優分類面”明顯提高了跟蹤過程中目標的檢測率,并降低了RMSE。

圖3　基于4類χ2分布模型的ROC曲線

圖4　單目標跟蹤中的檢測率與誤差

3.2.3置信區域的變化

圖5以某次單目標跟蹤仿真實驗為例,對比了“最優分類面”修正前后目標預估位置置信區域的變化情況,每個掃描周期中的置信區域大小由橢圓表示,其兩軸的長度由式(4)計算。目標的起點為[0, 0],目標的運動軌跡隨機生成,分割閾值設為θ=12,對目標進行50個掃描周期的跟蹤。在“最優分類面”修正前,由于“檢測率”較低,在很多周期內無法檢測到目標,目標航跡不做修正,導致置信區域較大;修正后,“檢測率”提高,目標航跡得到修正,置信區域明顯縮小。

3.3實測數據

本節分別采用本算法對X波段和S波段的非相參雷達圖像進行處理,并將“空域”算法、“時空域”算法與現有經典算法的檢測結果進行對比分析,兩組圖像數據的采集頻率均為每0.4幀/s。

3.3.1X波段雷達數據

本組測試數據為在河南南陽機場采集的68幀X波段雷達圖像序列,圖像分辨率456×456,量程0.25海里,目標為一輛沿巡場道運行的驅鳥車。

圖5　單目標跟蹤中置信區域的變化

圖6所示為本序列中第49幀雷達圖像的可視化檢測結果。圖6(a)在原始圖像中標明了目標位置;圖6(b)～圖6(f)采用的檢測算法包括FT、FT+形態學處理(morphological processing, MP)、均值恒虛警檢測(cell averaging constant false alarm rate, CA-CFAR)、“空域”和“時空域”,其中MP采用先“腐蝕”后“膨脹”,左側圖像為雜波抑制后的二值圖像,右側圖像將檢測出的目標位置標注在原始圖像中。以上方法的分割閾值均設定為θ=70,“空域”算法部分的各項參數設置為η=30,α=1,w=l=16,W=L=24[8],“時域”算法部分的各項參數設置為式(6)中β=1,式(7)中γ=1?？梢?FT算法在引入63個虛警的前提下能夠檢測到目標;FT+MP算法剔除了大量虛警,同時也未檢測到目標;CA-CFAR算法作為一種經典的雷達目標檢測算法,雖然能夠檢測到小弱目標,但虛警數為11;采用“空域”算法,能夠在檢測到小弱目標的同時將虛警數減少到5個;增加“時域”部分而采用“時空域”算法,不僅檢測到目標,且實現了“零虛警”,檢測效果最優。

圖6　X波段雷達圖像檢測結果

表2所示為其他參數不變的情況下,設定不同分割閾值時,對比多種算法針對68幀雷達圖像的檢測結果,包括目標數和虛警數。可見,FT+MP不能檢測到全部68個目標,在檢測到全部目標的前提下,“空域”算法將 “最優虛警數”降低到534個,“時空域”算法將其進一步降低到111個,明顯優于其他3種算法。同時,我們發現,由于每個目標對應的聯通域中所有像素的灰度值并不相同,在閾值分割時可能會分裂為多個量測,其中只有一個標定為目標,其余則標定為雜波,造成虛警。因此,本文采用MP方法中的“膨脹”處理,將可能分裂為多個量測的目標區域重新聯通,將“最優虛警數”降低為36個。

圖7所示為“時空域+MP”算法對68幀圖像的目標檢測與跟蹤結果(θ=120,Ndt=68,Nfa=36),并將目標軌跡疊加到雷達背景圖像上,某巡場車輛在滑行道上進行巡場。其中,可見,仍有少量雜波出現在固定背景邊緣,原因在于,本雷達圖像序列的探測距離較小,回波數據分辨率高,加之數據采集過程中風速較大,草地、樹林等固定背景晃動劇烈,導致雷達圖像中固定背景邊緣變化明顯,形成大量虛警。

表2　X波段雷達目標數與虛警數對比

圖7　X波段雷達目標跟蹤結果

算法效率是其性能的重要指標,表3對比了Matlab運行環境下(3.50 GHz CPU)不同算法處理一幀X波段雷達圖像的耗時。其中,FT算法最為簡單,處理速度最快,CA-CFAR需要處理每個像素,速度最慢。前期研究中提出的“空域”算法僅需處理灰度值大于一定閾值的部分像素,因此耗時增加不多;“時空域”算法需將多幀雷達圖像關聯處理,耗時有所增加,但仍小于0.1 s。MP作為FT和“時空域”算法的后處理,增加的耗時亦有限。

表3　一幀X波段雷達圖像處理時間

3.3.2S波段雷達數據

本組測試數據為在廣西北海機場采集的144幀S波段雷達圖像序列(分辨率1024×1024,量程12海里),目標為一架正在進行五邊飛行訓練的民航客機。

圖8所示為本序列中第103幀雷達圖像的可視化檢測結果。圖8 (a)在原始圖像中標明了目標位置;圖8(b)～圖8(f)采用的檢測算法包括FT、FT+MP、CA-CFAR、以及 “空域”和“時空域”算法,左側圖像為雜波抑制后的二值圖像,右側圖像將檢測出的目標位置標注在原始圖像中。以上方法的分割閾值均設定為θ=70,對于“空域”和“時空域”算法,“空域”算法的參數設置為N=10,α=1,w=l=16,W=L=24[8],“時域”算法部分的參數設置為式(6)中β=1,式(7)中γ=1?？梢?FT算法在引入228個虛警的前提下能夠檢測到目標;FT+MP算法剔除了大量虛警,同時也未檢測到目標;CA-CFAR算法作為一種經典的雷達目標檢測算法,雖然能夠檢測到小弱目標,但虛警數為25;采用“空域”算法,能夠在檢測到小弱目標,且將虛警數減少到2個;增加“時域”部分而采用“時空域”算法,檢測效果不變,可見其優化效果需要在處理圖像序列中體現。

表4所示為其他參數不變的情況下,設定不同分割閾值時,對比多種算法對144幀雷達圖像的檢測結果。在檢測率大于95%的情況下(Ndt≥138),“空域”和“時空域”算法分別將“最優虛警數”降低到678個和24個,明顯優于其他算法。但是,“空域”算法最多檢測到138個目標(θ=50),丟失了6個目標。原因在于,這6個目標均出現在背景圖像中的靜止背景邊緣區域,說明“空域”算法更適于檢測空域中的目標,在檢測背景邊緣目標時具有一定的局限性。當θ=70時,“時空域”算法能夠將目標數提高到140個,此時的“最優虛警數”為94個;當θ=120時,“時空域”算法能在檢測到138個目標的同時將“最優虛警數”降低為24個。與3.3.1節所述原因相同,此處繼續采用MP中的“膨脹”處理將“最優虛警數”降低為3個?？偟膩碚f,本文提出的算法明顯優于其他算法。

圖8　S波段雷達圖像檢測結果

θFTNdtNfaFT+MPNdtNfaCA-CFARNdtNfa301431027501401027213931779401437328514057151361820650143563601383478135111506014244072135219913267837013933557133132012540818013624667133795123232790135174061304531201311100135113841292511157371101346931127115110398120134389112352107230θ空域NdtNfa時空域NdtNfa時空域+MPNdtNfa301387368142674214257374013821321411969141159850138678141646141504601352081412091411567013587141941415680132551406514027901313714050140141001303413940139111101292113929139412012816139241393

圖9將“時空域+MP”算法對144幀雷達圖像的檢測與跟蹤結果疊加到雷達背景圖像上(θ=120,Ndt=139,Nfa=3),客機在約6 min的時間內完成了一次起降訓練。圖9中的3個剩余雜波中,1個出現在背景邊緣,2個出現在純凈空域,可能為未知目標或低空氣象信息。

如表5所示,S波段的雷達圖像數據量大于X波段的雷達圖像,處理速度相對較慢,但本系統每2.5 s采集一幀雷達圖像,本文算法仍能滿足實時處理要求。

圖9　S波段雷達目標跟蹤結果(標記含義與圖7相同)

算法耗時/sFT0.0277FT+MP0.0495CA-CFAR9.3888空域0.1715時空域0.3542時空域+MP0.3863

4　結束語

本文提出一種基于時域特性的非相參雷達目標檢測與跟蹤算法,并將其與前期研究實現的基于空域特性的雜波抑制算法相結合,在檢測出小弱目標的同時,最大限度地剔除雜波。通過將本算法與其他經典算法進行對比,共得出以下幾點結論:

(1)將本算法應用于X波段和S波段非相參雷達圖像數據,檢測結果明顯優于其他經典算法;

(2)最優虛警數等評價方法更便于對非相參雷達圖像目標檢測結果的評估;

(3)“空域”雜波抑制方法能夠在檢測率達到或接近100%的情況下,將虛警數降低到較低的水平;

(4)對于非相參雷達圖像中靜止背景邊緣的目標檢測,“空域”算法具有一定的局限性;

(5)“時域”雜波抑制方法能夠在“空域”方法的基礎上,進一步提高“目標數”并降低“虛警數”;

(6)由于雷達目標回波起伏,雷達圖像中每個目標聯通域中所有像素的灰度值并不相同,在閾值分割時可能會分裂為多個量測,造成虛警,采用MP方法中的“膨脹”處理,將可能分裂為多個量測的目標區域重新聯通,降低虛警。

[1] Yang Y, Sui D. Thoughts on reforming low altitude airspace and development of general aviation in China[J].JournalofNanjingUniversityofAeronauticsandAstronautics(SocialSciences), 2010, 12(2): 50-53. (楊勇, 隋東. 我國低空空域改革和通用航空事業發展有關問題的思考[J].南京航空航天大學學報(社會科學版), 2010, 12(2): 50-53.)

[2] Lv M H, Yu Q Y, Zhou Q, et al. Applications of new ATM technology in low altitude space management[J].CommunicationsTechnology, 2009, 42(12): 95-100. (呂茂輝, 余秦勇, 周琦, 等. 空管新技術在低空空域管理中的應用[J].通信技術, 2009, 42(12): 95-100.)

[3] Zhang J. New development and application of airspace surveillance technology[J].ActaAeronauticaetAstronauticaSinica, 2011,32(1):1-14.(張軍.空域監視技術的新進展及應用[J].航空學報,2011,32(1):1-14.)

[4] Anderson R. Technical data sheet of HARRIER security radars for airspace surveillance[EB/OL].[2015-07-30]. http:∥www. detect-inc. com/downloads.

[5] Nohara T J, Weber P, Jones G, et al. Affordable high-performance radar networks for homeland security applications[C]∥Proc.oftheIEEERadarConference, 2008: 1-6.

[6] He Y, Xiu J J, Zhang J W, et al.Radardataprocessingwithapplications[M]. 3rd ed.Beijing: Publishing House of Electronics Industry,2013:2-6.(何友,修建娟,張晶煒,等.雷達數據處理及應用[M].第3版.北京:電子工業出版社,2013:2-6.)

[7] Chen W S, Ning H S. Security surveillance of low-altitude airspace with primary radar[J].JournalofBeijingUniversityofAeronauticsandAstronautics,2012,38(2):143-148.(陳唯實,寧煥生.利用一次雷達實現低空空域的安全監視[J].北京航空航天大學學報,2012,38(2):143-148.)

[8] Chen W S, Li J. Radar target detection in low-altitude airspace with spatial features[J].ActaAeronauticaetAstronauticaSinica,2015,36(9):3060-3068.(陳唯實,李敬.基于空域特性的低空空域雷達目標檢測[J].航空學報,2015,36(9):3060-3068.)

[9] Quan T F.Targettracking:advancedtheoryandtechniques[M]. Beijing: National Defense Industry Press, 2009: 1-13. (權太范. 目標跟蹤新理論與技術[M].北京:國防工業出版社,2009:1-13.)

[10] Blackman S S.Designandanalysisofmoderntrackingsystems[M]. Boston: Artech House, 1999: 1-10.

[11] Blackman S S. Multiple hypothesis tracking for multiple target tracking[J].IEEEAerospaceandElectronicSystemsMagazine, 2004, 19(1-2): 5-18.

[12] Musicki D, Evans R, Stankovic S. Integrated probabilistic data association[J].IEEETrans.onAutomaticControl, 1994, 39(6): 1237-1240.

[13] Musicki D, Evans R. Clutter map information for data association and track initialization[J].IEEETrans.onAerospaceandElectronicSystems, 2004, 40(2): 387-398.

[14] Musicki D, Suvorova S. Tracking in clutter using IMM-IPDA-based algorithms[J].IEEETrans.onAerospaceandElectronicSystems, 2008, 44(1): 111-126.

[15] Jeong S, Tugnait J K. Tracking of two targets in clutter with possibly unresolved measurements[J].IEEETrans.onAerospaceandElectronicSystems, 2008, 44(2): 748-765.

[16] Doucet A, Freitas N, Gordon N J.SequentialMonteCarlomethodsinpractice[M]. New York: Springer, 2001: 1-15.

[17] Arulampalam M S, Maskell S, Gordon N, et al. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking[J].IEEETrans.onSignalProcessing, 2002, 50(2): 174-188.

[18] Salmond D J. A particle filter for track-before-detect[C]∥Proc.oftheIEEEAmericanControlConference, 2001: 3755-3760.

[19] Rutten M G, Gordon N J, Maskell S. Recursive track-before-detect with target amplitude fluctuations[J].IEEProceedings-RadarSonarandNavigation, 2005, 152(5): 345-352.

[20] Gong Y X, Yang H F, Hu W D, et al. Multiple model particle filter based track-before-detect for maneuvering weak target[J].JournalofElectronics&InformationTechnology, 2008, 30(4): 941-944. (龔亞信, 楊宏方, 胡衛東, 等. 基于多模粒子濾波的機動弱目標檢測前跟蹤[J].電子與信息學報, 2008, 30(4): 941-944.)

[21] Gong Y X, Yang H F, Hu W D, et al. Particle filter based track-before-detect for weak target[J].SystemsEngineeringandElectronics,2007,29(12):2143-2148.(龔亞信,楊宏方,胡衛東,等.基于粒子濾波的弱目標檢測前跟蹤算法[J].系統工程與電子技術,2007,29(12):2143-2148.)

[22] Zhao Y, Pei H. Object tracking based on particle filter with discriminative features[J].JournalofControlTheoryandApplications, 2013, 11(1): 42-53.

[23] Ning H S, Chen W S, Li J. Radar target tracking in cluttered environment based on particle filtering[J].TheAeronauticalJournal, 2010, 114(1155): 309-314.

[24] Wu S J, Mei X C.Radarsignalprocessinganddataprocessingtechnology[M]. Beijing: Publishing House of Electronics Industry, 2008: 406-417. (吳順君, 梅曉春. 雷達信號處理和數據處理技術[M].北京:電子工業出版社,2008:406-417.)

Incoherent radar target detection and tracking with temporal features

CHEN Wei-shi

(Airport Research Institute, China Academy of Civil Aviation Science and Technology, Beijing 100028, China)

The target detection strategy of tracking radar is applied to the data processing of the searching radar to improve the detection and tracking capability of small dim targets in the incoherent radar images within complex low-altitude airspace. Firstly, according to the temporal features of the tracking targets’ life cycle, the threshold values in the optimal classification plane are modified in the neighborhood of the predicted positions to improve the detection sensitivity. Then,the optimal classification plane is further modified by taking advantage of the temporal features of clutters in radar image sequence, rejecting the remained clutter. Finally, the proposed algorithm is combined with the algorithm for clutter suppression with spatial features achieved in the previous research, and applied to the simulated data as well as the ground-truth data, with several criteria to evaluate the detection results. It is demonstrated that the proposed metho could decrease the false alarm rate in the premise of guaranteeing higher detection rate.

radar; tracking; clutter; detection rate; false alarm rate

2015-08-18；

2015-10-15；網絡優先出版日期：2016-06-07。

民航科技項目(MHRDZ201125);國家重點研發計劃(2016YFC0800406)資助課題

TN 957

A

10.3969/j.issn.1001-506X.2016.08.14

陳唯實(1982-),男,高級工程師,博士,主要研究方向為低空空域安全監視、雷達目標檢測與跟蹤。

E-mail:chenwsh@mail.castc.org.cn

網絡優先出版地址：http://www.cnki.net/kcms/detail/11.2422.tn.20160607.1436.010.html