一種距離模糊下三維空間高超聲速弱目標HT-TBD算法

李岳峰，王國宏，張翔宇，于洪波

(海軍航空工程學院信息融合研究所，煙臺264001)

一種距離模糊下三維空間高超聲速弱目標HT-TBD算法

李岳峰，王國宏，張翔宇，于洪波

(海軍航空工程學院信息融合研究所，煙臺264001)

針對雷達測距模糊條件下臨近空間高超聲速弱目標的檢測跟蹤問題，提出一種基于分時多重頻多假設(shè)的分級降維HT-TBD算法。首先，為重構(gòu)因距離模糊而丟失的目標時空相關(guān)性，利用多種脈沖重復頻率分時交替工作并對各時刻的距離模糊量測在所有多假設(shè)區(qū)間進行距離延拓；然后，為了在保證檢測性能的同時減小計算量，將延拓后的三維點跡依次降維映射至徑向距離-時間、方位角-時間和仰角-時間平面進行三級二維Hough變換，并在每級采用非相參積累和二值積累相結(jié)合的雙重積累方式進行點跡篩選以在充分利用點跡能量信息的同時盡量減小強干擾的影響。仿真結(jié)果表明，該算法可在距離模糊條件下對臨近空間高超聲速弱目標進行有效檢測跟蹤，并同時實現(xiàn)距離解模糊。

臨近空間；檢測前跟蹤；高超聲速弱目標；三維Hough變換；距離模糊

0 引 言

臨近空間為縱跨電離層和非電離層、距地面約20～100公里的空域。臨近空間飛行器是以不低于5馬赫的速度在臨近空間內(nèi)執(zhí)行任務的飛行器[1-2]。臨近空間飛行器的高超聲速特性使其可在兩小時內(nèi)對全球任意目標實施打擊；同時，高超聲速運動產(chǎn)生的激波效應將明顯減小目標的散射截面積(Radar cross-section, RCS)，微弱的回波使目標具有較強隱身性，從而進一步增大探測難度。因此，關(guān)于臨近空間高超聲速弱目標的檢測跟蹤問題研究[3-6]對于國家空天安全具有重要影響。

檢測前跟蹤(Track-before-detect, TBD)技術(shù)是一種通過長時間積累實現(xiàn)微弱目標檢測跟蹤的有效技術(shù)。對目標多幀數(shù)據(jù)的非相參積累提高了目標航跡的信噪比(Signal-noise ratio, SNR)，進而提升了對微弱目標的檢測性能。現(xiàn)有的TBD技術(shù)主要包括投影變換方法[7]、三維匹配濾波器方法[8]、動態(tài)規(guī)劃方法[9]、粒子濾波方法[10]等。其中，三維匹配濾波器方法與動態(tài)規(guī)劃方法對低信噪比下的目標均具有較好檢測性能，但當目標速度變化時，速度失配會造成計算量的明顯增大與檢測性能的下降；粒子濾波方法在處理非線性和非高斯問題上有顯著優(yōu)勢，然而較高的計算復雜度限制了實際應用；投影變換方法通過降維映射大大減小了運算量，合理的投影方式亦可最大化地避免可能產(chǎn)生的噪聲積累問題。基于Hough變換(Hough transform, HT)的TBD算法(HT-TBD)是一種典型的投影變換方法，它將數(shù)據(jù)空間的曲線檢測問題轉(zhuǎn)換成參數(shù)空間的峰值提取問題[11-13]，具有對隨機噪聲魯棒性強、對目標位置不確定性不敏感等優(yōu)點，因此適用于強雜波環(huán)境。

近年來，國內(nèi)外學者對常規(guī)目標HT-TBD算法展開了積極研究：文獻[14]針對傳統(tǒng)HT-TBD算法計算量大、航跡起始慢的問題，引入角度約束條件判斷點跡是否共線，有效減少了虛假航跡；文獻[15]為解決同一目標對應多條檢測航跡的問題，提出一種基于相似航跡合并的HT-TBD算法，進一步精簡了檢測航跡。但上述算法只針對二維目標，未考慮目標仰角信息，不適應戰(zhàn)場實際情況。對于三維目標，文獻[16]在三維空間內(nèi)直接進行三維Hough變換，產(chǎn)生的高維參數(shù)空間導致算法計算量過大，無法滿足實際需要；文獻[17]利用包含多普勒速度與斜距的量測信息，通過兩個時間平面內(nèi)的Hough變換起始目標航跡，進而解決三維空間目標的檢測問題。

然而，上述研究只針對常規(guī)目標進行航跡檢測并未考慮臨近空間目標的特殊性，具有較大局限。考慮到臨近空間目標距離較遠，目標實際距離通常大于脈沖重復頻率對應的最大不模糊距離，因此會產(chǎn)生距離量測模糊問題。對于測距模糊條件下的目標檢測，文獻[18]提出一種基于概率假設(shè)密度濾波的航跡起始算法，將距離模糊下的檢測跟蹤問題轉(zhuǎn)換成混合狀態(tài)濾波問題，對于多目標檢測跟蹤有較好效果；文獻[19]采用Hough變換的思路，利用徑向距離與時間信息，通過多重頻條件下模糊距離與模糊數(shù)的聯(lián)合估計，實現(xiàn)了在目標檢測的同時解距離模糊。但是以上算法也只是針對二維目標檢測，目前，作者尚未檢索到將Hough變換用于測距模糊下三維臨近空間目標檢測的報道。

針對上述問題，本文在文獻[19]的基礎(chǔ)上提出一種基于分時多重頻多假設(shè)的修正三級HT-TBD算法。相比上述研究，本文算法考慮了徑向距離、方位角、仰角、能量、時間與目標運動信息，提升了信息利用率；將三維空間Hough變換分級降維成二維平面Hough變換的處理方式大大減小了計算量；三級時間平面的投影方式與雙重積累方式提升了參數(shù)空間積累效率；航跡約束與歸并有效減少了虛假航跡；分時多重頻多假設(shè)的處理模式可以實現(xiàn)三維臨近空間目標有效檢測跟蹤的同時解距離模糊。

1 問題描述

假設(shè)三坐標雷達位于坐標原點，目標為臨近空間內(nèi)做勻速直線運動的點目標，在運動過程中始終存在高斯白噪聲過程擾動，雷達循環(huán)掃描周期為T，每次批處理N幀回波信號，則k時刻目標狀態(tài)向量：

Xk=[rk,?k,φk,Sk]T

(1)

式中：rk,?k,φk分別為目標k時刻的徑向距離、方位角和仰角坐標，Sk為目標回波功率值。因此，量測方程為

Zk=HXk+Wk

(2)

式中：Zk=[rk,?k,φk,Ek]T為k時刻量測向量，量測值為真實值與量測誤差之和，即rk=rreal+dr，?k=?real+d?，φk=φreal+dφ，量側(cè)誤差dr、d?、dφ均服從零均值正態(tài)分布。Ek為回波功率量測值，Wk為量測噪聲，量測矩陣H為四階單位陣。

(3)

式中：Nk(rk,?k,φk)表示k時刻(rk,?k,φk)點零均值高斯白噪聲功率值，Sk(rk,?k,φk)表示k時刻目標點(rk,?k,φk)的功率值，根據(jù)雷達方程[20]：

(4)

式中：Pt為發(fā)射功率，G為發(fā)射增益，σ為目標散射截面積，λt為發(fā)射波長，R為徑向距離。

測距作為雷達的基本功能之一是通過測量回波相對發(fā)射脈沖的時延來實現(xiàn)的。作為雷達常用的工作模式，高脈沖重復頻率(PRF)工作模式具有良好的速度分辨力。但是較小的脈沖重復周期Tr使得目標的真實回波時延τtrue大于脈沖重復周期Tr，如圖1所示，由于脈沖是連續(xù)發(fā)射延遲接收，很難確定回波E1的原始發(fā)射脈沖是P1到P3中的哪一個，因此存在測距模糊現(xiàn)象。通常默認回波脈沖E1源于最近的發(fā)射脈沖P3，進而獲得模糊時延：

τamb=mod[τtrue,Tr]

(5)

式中：mod[A,B]表示A對B取余。

圖1 高PRF模式下雷達測距原理圖Fig.1 Schematic of radar ranging under high PRF pattern

(6)

2 算法原理

本文算法從結(jié)構(gòu)上主要分成兩部分：距離模糊條件下的多假設(shè)映射處理以及三維空間分級降維HT-TBD算法，算法處理流程如圖2所示。

由于距離雷達較遠，臨近空間目標往往會出現(xiàn)目標距離大于雷達重頻對應最大不模糊距離的情況，從而產(chǎn)生距離模糊現(xiàn)象，破壞目標量測時空連續(xù)性與相關(guān)性，為后續(xù)積累檢測帶來困難。同時，一方面由于臨近空間目標回波微弱，較難利用傳統(tǒng)的余數(shù)定理法在同一時刻有效獲得多個重頻的回波信號用于解模糊；另一方面，由于臨近空間目標運動速度很快，若利用傳統(tǒng)的余數(shù)定理法解模糊可能出現(xiàn)某一時刻發(fā)射多重頻脈沖期間目標運動跨越距離模糊區(qū)間的情況，因此傳統(tǒng)的多重頻解距離模糊的方法不適用于臨近空間目標。

為實現(xiàn)距離模糊條件下對于臨近空間高超聲速弱目標的有效檢測跟蹤，考慮到無測距誤差時實際距離與模糊距離的差值必定是雷達重頻對應最大不模糊距離的整數(shù)倍，本文算法采用不同脈沖重復頻率分時交替工作的方式，利用距離多假設(shè)的思想將所有量測點依次映射至各個多假設(shè)距離空間。由于多假設(shè)處理后只有目標實際量測點才滿足目標運動特性從而可以進行有效積累，因此，對于擴展后的量測點利用提出的分級降維HT-TBD算法能夠?qū)崿F(xiàn)有效檢測跟蹤，并且可以同時達到距離解模糊的目的。

為了在降低三維Hough變換因高維參數(shù)空間而產(chǎn)生的大計算量的同時減小噪聲積累和遠距離條件下角度偏差引起的較大橫向誤差的不利影響，分級降維HT-TBD算法將依次把三維空間量測點投影至距離-時間、方位角-時間、仰角-時間平面進行三級檢測，通過逐級二維Hough變換篩選目標點跡，以最大限度提升算法精度；為了在充分利用能量信息提升積累效率的同時，盡可能減小強干擾的影響，從而有效避免二進制積累方式的明顯缺陷，分級降維HT-TBD算法并行采用非相參積累和二值積累相結(jié)合的雙重積累方式；同時，引入速度、角度和加速度的多種運動約束及航跡歸并措施，進一步減少了虛假航跡數(shù)。

圖2 算法總體流程圖Fig.2 Overview flow chart of the algorithm

2.1距離模糊條件下分時多重頻多假設(shè)映射處理

圖3 距離模糊原理剖面圖Fig.3 Profile map of range ambiguity principle

(8)

(9)

(10)

zmn(k)={rmn(k),?mn(k),φmn(k),Smn(k)}

(11)

式中：映射處理后距離rmn(k)如式(8)所示，包含所有可能多假設(shè)距離延拓值。由于所有擴展量測中只有真實航跡中的量測點跡滿足原始時空相關(guān)性，因此可以利用后續(xù)分級降維HT-TBD算法通過積累檢測的方式挖掘出三維空間的潛在目標航跡，同時實現(xiàn)距離解模糊。

2.2分級降維HT-TBD算法

在多假設(shè)映射處理的基礎(chǔ)上，針對臨近空間內(nèi)多重距離延拓后的量測點跡，考慮到HT-TBD算法具有對隨機噪聲魯棒性強、對目標位置不確定性及局部缺損不敏感等優(yōu)點，采用HT-TBD算法實現(xiàn)距離模糊下臨近空間高超聲速目標的檢測跟蹤。

為了在減小數(shù)據(jù)處理量的同時盡可能保留目標量測，本文在較高虛警率下設(shè)置較低初始門限，僅對過門限量測點進行三級Hough變換點跡篩選。由于三級變換的基本流程類似，僅以第一級為例闡述。

第一級Hough變換在映射后的徑向距離-時間平面進行，并通過式(12)將t-r平面的數(shù)據(jù)點變換到參數(shù)空間Ω1：

ρ=tcosθ+rsinθ

(12)

式中：ρ為量測點所在直線與原點的垂線距離，θ為該垂線與橫軸正方向的夾角。

由于數(shù)據(jù)空間中的共線點跡對應參數(shù)空間中一簇正弦曲線的交點(ρ0,θ0)，因此，可以通過提取峰值參數(shù)(ρ0,θ0)將數(shù)據(jù)空間內(nèi)的對應直線檢測出來。

(13)

由于實際每幀數(shù)據(jù)只存在一個目標點，為提升積累效率，避免大量雜波點的無效積累湮沒目標航跡積累值，算法將按照以下兩項原則進行雙重積累：

(14)

(15)

在利用目標點的時空相關(guān)性通過三級Hough變換篩選出真實目標點跡的基礎(chǔ)上，通過進一步引入航跡速度、角度和加速度約束以及相似航跡歸并進一步對航跡進行精簡，有效減少虛假航跡數(shù)，提升算法性能。根據(jù)式(9)，可解出模糊量測點在各重頻下所對應的唯一脈沖間隔數(shù)，從而在檢測出目標點跡的同時實現(xiàn)距離解模糊。

3 仿真校驗

3.1參數(shù)設(shè)置

本文仿真試驗平臺為ASUS TW100-E5工作站(CPU: Intel core II，主頻: 2.6GHz，內(nèi)存: 4GB)，仿真軟件為Matlab 2010a，并采用航跡檢測概率Pd、航跡虛警概率Pf和平均運行時間Trun三項指標來評估算法性能：

(16)

式中：M為蒙特卡洛試驗次數(shù)，εi為邏輯變量，若在第i次試驗中檢測到目標，εi賦1，否則置0。

(17)

式中：fi為第i次試驗檢測到的虛假航跡數(shù)；Fi為在第i次試驗檢測到的航跡總數(shù)。

(18)

式中：ti表示第i次試驗算法運行時間。

3.2仿真結(jié)果與分析

為全面驗證本文算法的有效性，本文從目標運動跨距離模糊區(qū)間情況、不同信噪比、不同雜波密度三個方面進行仿真驗證，并在測距模糊條件下與文獻[16]、文獻[17]和文獻[19]中的3種HT-TBD算法進行檢測性能的比較。3.2.1 目標運動跨距離模糊區(qū)間情況下的算法性能

為檢驗目標跨距離模糊區(qū)間運動對算法性能的影響，在信噪比等于6 dB、雜波密度λc=400條件下在上述參數(shù)設(shè)置的基礎(chǔ)上進行仿真試驗，并與文獻[16]、文獻[17](利用單重頻f=1.75 kHz檢測)和文獻[19]算法進行檢測性能比較。易知，此時7幀目標的運動點跡跨越距離模糊區(qū)間，由于量測誤差的引入，臨近空間目標量測已與標準直線有不小偏差，線性弱化的目標航跡增大了檢測難度。無距離模糊真實三維量測、模糊三維量測與多假設(shè)處理后的擴展量測點跡分別如圖4(a)～(c)所示。

當目標跨距離模糊區(qū)間運動時，由圖4(b)可知，折疊后雷達最大不模糊區(qū)間內(nèi)的目標量測點已失去原有的特定時空相關(guān)性，此時目標點跡完全偏離直線，很難直接利用HT-TBD方法檢測出目標。

圖4 三維量測分布圖Fig.4 Three-dimensional measurement point distribution

為實現(xiàn)對臨近空間目標的有效檢測，采用第2.1節(jié)的分時多重頻多假設(shè)的方法將模糊量測映射至各個多假設(shè)區(qū)間，如圖4(c)所示，經(jīng)過第2.2節(jié)的分級降維HT-TBD算法，最終檢測出目標點跡，如圖5所示。由式(8)可知，多重頻分時交替延拓后的量測點中必然包括所有真實目標量測，可在三維空間積累檢測出真實航跡；而對于在其他多假設(shè)區(qū)間內(nèi)的擴展目標點跡，由于各時刻重頻的差異性，后續(xù)映射至徑向距離-時間平面的各幀目標擴展量測點的相對位置發(fā)生改變，無法通過分級降維HT-TBD積累到一條直線。因此，本文算法可以有效檢測出大部分真實目標量測點。

在分級降維HT-TBD中，本文采用點數(shù)、能量雙重積累方式將數(shù)據(jù)空間映射到參數(shù)空間進行峰值提取，三級積累結(jié)果如圖6所示。經(jīng)過三級Hough變換點跡篩選，雜波點被逐級剔除，積累峰值也愈發(fā)顯著，如圖6(c)和6(f)所示，第三級雙重積累直方圖的峰值已經(jīng)十分尖銳，算法篩選效果較好，可以有效提取對應參數(shù)單元峰值點參數(shù)并進行回溯。

最終，算法可以實現(xiàn)在目標檢測的同時解距離模糊。當雷達采用上述3種脈沖重復頻率分時交替工作時，由式(9)計算可得，目標量測點所對應的脈沖間隔數(shù)qm分別為q1=3,q2=4,q3=6。

分別經(jīng)過500次蒙特卡洛仿真試驗的上述4種算法檢測性能如表1所示。

圖5 算法最終檢測航跡Fig.5 Final detected trajectory

圖6 三級Hough變換雙重積累直方圖Fig.6 Double accumulation model histogram of three-stage Hough transform

評估指標PdPfTrun/s本文算法0.810.429.89文獻[16]0.290.9157.36文獻[17]0.220.956.21文獻[19]0.610.628.67

當目標運動跨模糊區(qū)間時，原始的不模糊目標點跡經(jīng)過折疊喪失了原有航跡連續(xù)性，因此難以利用文獻[16]和文獻[17]的算法直接檢測出目標，加之未利用能量信息且未進行航跡檢驗，航跡虛警概率均在90%以上；文獻[19]利用多重頻的方法進行解模糊，能夠估計出真實目標點位置，但由于只利用了距離、時間信息，檢測性能受到制約，檢測概率維持在60%左右；本文算法將量測點跡進行多假設(shè)延拓，可恢復出所有目標點真實位置，從而利用目標時空相關(guān)性檢測出目標量測點跡，信息利用率的提升以及航跡約束與航跡歸并的引入使得檢測概率可達80%以上，航跡虛警概率也遠小于其他3種算法。在運行時間方面，針對三維目標的文獻[16]算法因5維參數(shù)空間的構(gòu)建耗費了大量運算資源，運行用時高達約1分鐘，無法用于實際；文獻[17]在單重頻條件下由于未設(shè)置合適初始門限相對多重頻延拓算法未在計算用時上體現(xiàn)出明顯優(yōu)勢；在多重頻解模糊框架下，采用三級二維Hough變換結(jié)構(gòu)的本文算法相比采用單級二維Hough變換的文獻[19]算法運行用時增長約14%。綜上所述，本文算法相對其他3種算法具有更優(yōu)檢測性能，在解距離模糊的基礎(chǔ)上，計算量的適度增加是可以接受的。

3.2.2 不同信噪比對算法性能的影響

為進一步分析不同信噪比下算法的檢測性能，對于同一目標在參數(shù)設(shè)置不變的條件下，針對不同信噪比各進行500次蒙特卡洛仿真試驗，并與上述3種算法對比分析，相應檢測概率曲線如圖7所示。

圖7 不同信噪比條件下的檢測概率比較Fig.7 Detection probability comparison under different SNR

由圖7可知，4種算法的檢測概率均隨信噪比的升高而增大。由于此時目標運動跨距離模糊區(qū)間，個別跨模糊區(qū)間的目標點跡在折疊后已經(jīng)與其他模糊目標量測點完全失去線性關(guān)聯(lián)性，從而導致僅利用單重頻信號的文獻[16]與文獻[17]算法的檢測概率大幅下降，始終處于50%以下，基本無法進行有效檢測；文獻[16]算法相對文獻[17]算法由于多利用了高度維信息，因此檢測概率稍高。在多重頻解距離模糊框架下，目標運動是否跨模糊區(qū)間并不影響檢測，因此本文算法與文獻[19]算法在大多數(shù)情況下均可檢測到目標航跡；由于多利用了方位角、仰角信息，本文算法相比文獻[19]算法檢測概率有較為明顯的提升。當信噪比大于10 dB時，過初始門限干擾點較少，本文算法與文獻[19]算法的檢測概率超過90%；隨著信噪比的降低，過門限干擾點逐漸增多，檢測概率下降較為明顯，當信噪比小于4 dB時，本文算法檢測概率降到50%以下，文獻[19]算法的檢測概率則降至30%以下。綜上所述，不同信噪比條件下，本文算法的檢測概率明顯優(yōu)于其他3種算法；當信噪比較高時，本文算法對于距離模糊條件下臨近空間高超聲速弱目標具有較好檢測能力。

3.2.3 不同雜波密度對算法性能的影響

為進一步驗證不同雜波密度下本文算法的有效性，在信噪比等于6 dB且參數(shù)設(shè)置不變的條件下，對同一目標針對不同雜波密度各進行500次蒙特卡洛仿真試驗，并通過與上述3種算法檢測性能的對比分析體現(xiàn)本文算法優(yōu)越性，仿真結(jié)果如表2所示。

表2 不同雜波密度下檢測性能比較Table 2 Comparison of detection performance under different clutter density

從表2可以看出：

1) 4種算法的航跡檢測概率均隨雜波密度λc的增加而降低。由于跨模糊區(qū)間的目標運動破壞了折疊后第一模糊區(qū)間內(nèi)目標點跡的連續(xù)性，未解距離模糊的文獻[16]與文獻[17]算法的檢測概率始終處于50%以下，明顯低于可以實現(xiàn)解模糊的本文算法與文獻[19]算法；文獻[19]算法由于較低的信息利用率，檢測概率與本文算法相比仍有一定差距，當λc=100時，本文算法的檢測概率可達90%以上；隨著雜波密度的增加，文獻[19]算法相比本文算法檢測概率下降更為明顯，因此對雜波密度更加敏感。

2) 4種算法的航跡虛警概率均隨雜波密度λc的增加而升高。跨模糊區(qū)間運動的目標點跡使得所有目標點無法在參數(shù)空間積累到同一單元，加大了峰值提取難度，使得文獻[16]與文獻[17]算法更易引發(fā)航跡誤判，虛警率始終高于65%；文獻[17]算法相比文獻[16]算法由于未利用仰角信息，檢測效果進一步降低；本文算法與文獻[19]算法由于實現(xiàn)了距離解模糊具有明顯較低的虛警率，三級點跡篩選的引入以及多條件航跡約束與航跡歸并措施剔除了大部分雜波點，使本文算法的虛假航跡數(shù)大大降低，當λc=700時，本文算法的航跡虛警率Pf僅為文獻[19]算法的69%，文獻[17]算法的57%。

3) 4種算法的運行時間均隨雜波密度的增加而延長。由于高維參數(shù)空間的構(gòu)建，文獻[16]算法耗時明顯高于其他算法并且隨著雜波密度的增加，運行時間上升最為明顯，當λc=700時，運行時長已增加至其它算法的4倍以上。單重頻條件下采用兩級二維Hough變換的文獻[17]算法用時最短，但由于未設(shè)置合適初始門限相對多重頻延拓算法未在計算用時上體現(xiàn)出明顯優(yōu)勢。在多重頻解模糊框架下，多假設(shè)點跡延拓以及多級Hough變換的引入使得本文算法相對文獻[19]算法用時更長；當雜波密度λc較低時，過初始門限點跡較少，因此多級Hough的引入不會額外增加過多計算量，二者用時相近；隨著雜波密度的增大，多假設(shè)處理后的延拓點跡成倍增加，各級Hough變換處理點跡也越來越多，相比采用單級二維Hough變換的文獻[19]算法，此時本文算法計算量有較為明顯的增加，當λc=700時，運行用時增長約20%。因此，測距模糊條件下本文算法的良好檢測性能是以增加計算量為代價的。

在實際應用中，為進一步加快HT-TBD算法對高超聲速目標檢測的運行速度，可以采用硬件加速的實現(xiàn)方式，從而大大縮短算法實際運行時間并可基本滿足實際需要。此外，關(guān)于HT-TBD的各種快速實現(xiàn)算法(例如遞推、并行的處理方式)也可達到算法加速的目的，有待后續(xù)進一步的深入研究。

4 結(jié) 論

為解決測距模糊條件下雷達對臨近空間高超聲速弱目標的檢測跟蹤問題，提出一種基于分時多重頻多假設(shè)的分級降維HT-TBD算法。該方法通過將距離模糊量測映射至不同重頻下的多個距離假設(shè)區(qū)間提取真實目標點的時空相關(guān)性，從而在實現(xiàn)檢測跟蹤的同時解距離模糊。為提升三維空間航跡檢測性能，在三個時間平面內(nèi)依次進行三級Hough變換點跡篩選，并采用非相參積累和二值積累相結(jié)合的雙重積累方式提升積累效果。與現(xiàn)有HT-TBD算法相比，在距離模糊條件下本文算法檢測性能更佳，并可同時實現(xiàn)距離解模糊，具有一定工程實踐意義。

[1] Zhang J M, Sun C Y, Zhang R M, et al. Adaptive sliding mode control for re-entry attitude of near space hypersonic vehicle based on backstepping design[J]. IEEE/CAA Journal of Automatica Sinica, 2015, 2(1): 94-101.

[2] 張翔宇, 王國宏, 宋振宇，等. LFM雷達對臨近空間高超聲速目標的跟蹤研究[J]. 電子學報, 2016, 44(4): 846-853. [Zhang Xiang-yu, Wang Guo-hong, Song Zhen-yu, et al. Tracking of hypersonic target in near-space with LFM radar[J]. Acta Electronica Sinica, 2016, 44(4): 846-853.]

[3] Zhu S Q, Liao G S, Yang D, et al. A new method for radar high-speed maneuvering weak target detection and imaging[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(7): 1175-1179.

[4] Mu C X, Ni Z, Sun C Y, et al. Air-breathing hypersonic vehicle tracking control based on adaptive dynamic programming[J]. IEEE Transactions on Neural Networks and Learning Systems, 2017, 28(3): 584-598.

[5] 李林, 王國宏, 于洪波，等. 一種臨近空間高超聲速目標檢測前跟蹤算法[J]. 宇航學報, 2017, 38(4): 420-427. [Li Lin, Wang Guo-hong, Yu Hong-bo, et al. A TBD algorithm for near space hypersonic target[J]. Journal of Astronautics, 2017, 38(4): 420-427.]

[6] 翟岱亮, 雷虎民, 李炯，等. 基于自適應IMM的高超聲速飛行器軌跡預測[J]. 航空學報, 2016, 37(11): 3466-3475. [Zhai Dai-liang, Lei Hu-min, Li Jiong, et al. Trajectory prediction of hypersonic vehicle based on adaptive IMM[J]. Acta Aeronautica et Astronautica Sinica, 2016, 37(11): 3466-3475.]

[7] Yu H, Wang G H, Wu W, et al. A novel RHT-TBD approach for weak targets in HPRF radar[J]. Science China Information Series, 2016, 59(12): 1-14.

[8] Kennedy H L. Efficient velocity filter implementa-tions for dim target detection[J]. IEEE Transactions on Aerospace and Electronic Systems, 2011, 47(4): 2991-2999.

[9] Zhang D, Wang S, Meng Q. Dynamic programming track-before-detect algorithm for radar target detection based on polynomial time series prediction[J]. IET Radar, Sonar & Navigation, 2016, 10(8): 1327-1336.

[10] Garcia-fernandez A F. Track-before-detect labeled multi-bernoulli particle filter with label switching[J]. IEEE Transactions on Aerospace and Electronic Systems, 2016, 52(5): 2123-2138.

[11] Carson B D, Evans E D, Wilson S L. Search radar detection and track with the Hough transform part I: system concept[J]. IEEE Transactions on Aerospace and Electronic Systems, 1994, 30(1): 102-108.

[12] Carson B D, Evans E D, Wilson S L. Search radar detection and track with the Hough transform part II: detection statistics[J]. IEEE Transactions on Aerospace and Electronic Systems, 1994, 30(1): 109-115.

[13] Carson B D, Evans E D, Wilson S L. Search radar detection and track with the Hough transform part III: detection performance with binary integration[J]. IEEE Transactions on Aerospace and Electronic Systems, 1994, 30(1): 116-125.

[14] Chen J, Henry L, Tiyus L, et al. A modified probabilistic data association filter in a real clutter environment[J]. IEEE Transactions on Aerospace and Electronic Systems, 1996, 32(1): 300-313.

[15] 王國宏, 李林, 于洪波. 基于點集合并的修正Hough變換TBD算法[J]. 航空學報, 2017, 38(1): 203-213. [Wang Guo-hong, Li Lin, Yu Hong-bo. A modified Hough transform TBD algorithm based on point set merging[J]. Acta Aeronautica et Astronautica Sinica, 2017, 38(1): 203-213.]

[16] Moqiseh A, Nayebi M M. 3-D Hough transform for surveillance radar target detection[C]. Proceedings of IEEE Radar Conference, Rome, Italy, May 26-30, 2008.

[17] 金術(shù)玲, 梁彥, 王增福，等. 兩級Hough變換航跡起始算法[J]. 電子學報, 2008, 36(3): 590-593. [Jin Shu-ling, Liang Yan, Wang Zeng-fu, et al. A two-hierarchy Hough transform based track initiation algorithm[J]. Acta Electronica Sinica, 2008, 36(3): 590-593.]

[18] Tan S C, Wang G H, Yu H B. Joint range ambiguity resolving and multiple maneuvering targets tracking in clutter via MMPH-DF-DA[J]. Science China Information Series, 2014, 57(8): 1-12.

[19] Li L, Wang G H, Zhang X Y, et al. A TBD algorithm for near space hypersonic target under the condition of range ambiguity[C]. The 2nd IEEE International Conference on Computer and Communication, Chengdu, China, October 14-17, 2016.

[20] Mark A R, James A S, William A H．Principles of modern radar[M]. Edison,New Jersey: Science Technology Publishing, 2010.

AHoughTransformTBDAlgorithminThree-DimensionalSpaceforHypersonicWeakTargetunderRangeAmbiguity

LI Yue-feng, WANG Guo-hong, ZHANG Xiang-yu, YU Hong-bo

(Institute of Information Fusion, Naval Aeronautical and Astronautical University, Yantai 264001, China)

To address the problem of detection and tracking for the near-space hypersonic weak targets under range ambiguity, a novel hierarchical and dimension-decreasing Hough transform track-before-detect (TBD) algorithm is proposed based on the multiple pulse repetition frequencies (PRF) and range multi-hypothesis processing with time-sharing. Firstly, to rebuild the lost space-time relativity of the target points under range ambiguity, different PRFs are utilized alternately at different times and measurements with range ambiguity are extended to all range multi-hypothesis intervals. Then, the three-dimensional measurements after range extension are mapped into the range-time plane, azimuth-time plane and elevation-time plane by turns before two-dimensional Hough transform in each plane to ensure the great detection performance and decrease the calculation load. In addition, point selection is conducted by the double integration means of the non-coherent integration and binary integration to decrease the impact from the strong interference and utilize the energy information of points simultaneously. Simulation results demonstrate the effectiveness of the proposed algorithm.

Near space；Track-before-detect；Hypersonic weak target；Three-dimensional Hough transform; Range ambiguity

V243.2; TN957

A

1000-1328(2017)09- 0979- 10

10.3873/j.issn.1000-1328.2017.09.011

2017- 04- 18;

2017- 07- 06

國家自然科學基金(61731023,61372027,61501489,61671462,61701519); “泰山學者”建設(shè)工程專項經(jīng)費資助項目

李岳峰(1992-)，男，博士生，主要從事機動目標檢測與跟蹤等方面的研究。

通信地址：山東省煙臺市二馬路118號海軍航空工程學院信息融合研究所(264001) 電話：15506591185 E-mail:liyuefeng1992@126.com