拋錨狀態下的船載地波雷達目標自適應檢測方法

公維春 紀永剛 黎明 王祎鳴 張杰

（1. 自然資源部第一海洋研究所, 青島 266061；2. 中國石油大學(華東), 青島 266580；3. 中國海洋大學, 青島 266100）

引 言

高頻地波雷達(high frequency surface wave radar,HFSWR)，工作于高頻(3～30 MHz)頻段，利用垂直極化高頻電磁波沿海表面繞射的傳播特性，可以對視距以外的低空飛行目標和船只等海上移動目標進行超視距探測，提供目標的距離、方位和速度信息[1].由于這種探測優勢，目標檢測成為地波雷達海上目標探測的關鍵一步，因此對于相關方法的研究一直備受關注. 相對于岸基地波雷達，船載地波雷達由于具備探測靈活等優勢，近年來也開始迅速發展起來.然而，平臺運動狀態的靈活性也會使得目標檢測難度隨之增大，本文將對平臺拋錨狀態時的目標檢測方法開展研究.

理想的地波雷達目標檢測是在保證檢測率與虛警率的前提下進行的，可以適用于不同檢測場景，即目標自適應檢測，而實現自適應檢測的關鍵在于如何自適應選取背景區來估計背景噪聲. 針對岸基地波雷達的目標檢測方法，國內外學者開展了大量研究. 由于岸基地波雷達平臺固定，目標回波特性不變，因此采用常規的檢測方法即可實現較好的檢測效果，如經典的岸基地波雷達目標檢測方法—恒虛警率(constant false alarm rate，CFAR)檢測[2]. 近年來還發展了基于二次統計的改進CFAR 處理方法[3]、基于誤差自校正極限學習機(error self-adjustment extreme learning machine，ES-ELM)和分數階傅里葉變換(fractional Fourier transform，FRFT)方法的雜波內目標檢測方法[4]，以及基于粒子濾波方法目標檢測跟蹤聯合處理方法[5]. 但這些研究中都缺少對檢測背景的統計特性研究，而掌握檢測背景的統計特性對提高目標檢測性能尤為重要，因此文獻[6-7]中針對岸基地波雷達的檢測背景劃分了多種檢測區域，對其統計特性開展了研究，并基于統計特性，提出采用檢測背景歸一化處理的方法來提高目標檢測性能. 然而，如何準確且自適應地選取檢測背景卻始終是一個難題. 同時，目前還缺少對船載平臺下地波雷達檢測背景統計特性的相關研究.

對于船載地波雷達，其平臺運動狀態主要包括拋錨狀態和航行狀態. 由于船載平臺的運動，尤其是航行狀態，一階海雜波可能會發生展寬，掩蓋展寬區域內的目標，因此國內外對船載地波雷達目標檢測的研究熱點主要是發展展寬的海雜波抑制方法，以此來提高船載地波雷達目標檢測性能[8-12]. 除此之外，還可以采用先引入相關算法對數據進行預處理再進行目標檢測的處理方式. 對于數據預處理方法，主要是從運動補償處理方面來開展研究的：黃為民等人為了抑制船載地波雷達海雜波展寬，提出了一種基于HFSWR 一階散射截面積方程的運動補償處理方法[13-14]；文獻[15]采用了基于姿態數據補償回波相位的運動補償處理方法，可以較好地消除由于平臺航行運動過程中引起的回波相位偏移對目標檢測、參數估計的影響；文獻[16]針對浮動平臺偏航導致的陣列幅相誤差問題提出了一種整體校準方法.

但實際上船載平臺的運動還可能會影響目標回波特性和目標檢測背景統計特性，從而從目標自身和檢測背景兩個方面對目標檢測造成影響. 特別是當船載平臺處于拋錨狀態時，其艏向變化幅度大，對目標回波特性影響尤為明顯，需要開展運動補償處理，并且為了準確估計檢測背景，對拋錨狀態下船載地波雷達目標檢測背景統計特性的研究也不可缺少，而以往對上述情況的相關研究是未涉及到的，這些也是本文將要開展的研究. 綜上，在拋錨狀態下，如何進行艏向補償處理、自適應選取背景區以及根據統計特性來處理檢測背景成為目標檢測過程中的難題. 為了解決這一系列的難題，本文將探討船載平臺拋錨狀態下的回波特性以及檢測背景統計特性，以此來總結拋錨狀態下的目標檢測特點與難題，并在此基礎上針對相關問題提出一種適用于拋錨狀態下的船載地波雷達自適應目標檢測方法，最后用實測數據對相關算法和整體處理結果進行驗證.

1 拋錨狀態下船載地波雷達目標回波特性與檢測背景統計特性分析

1.1 目標回波特性

船載平臺由于受到海流等因素的影響，將會出現不同程度的艏向變化. 基于船載平臺拋錨時長60 min 內獲取到的實測姿態數據，典型的艏向變化如圖1 所示.

圖1 船載平臺拋錨狀態下的典型運動情況Fig. 1 Typical motion of the platform in the anchored state

在海流海浪等影響下，會出現周期性較長的艏向搖擺運動，但由于在每一幀數據的積累時間內艏向變化是有限的，因此對整個檢測區域的改變影響不大.

假設艏搖角頻率為 ωp，初始艏向角為0 時，艏向角變化 θ(t)=ωp×t. 由于目標回波方向與船載平臺運動方向的夾角 φ發生較大變化，此時應修正為φ′(t)=φ+θ(t)，如圖2 所示.

圖2 船載地波雷達回波譜產生機理圖Fig. 2 Generation mechanism diagram of shipborne HFSWR echo spectrum

可以發現，由于船載平臺艏向變化導致陣列位置發生改變，積累時間內同一目標的回波信號到達陣列的時刻不同，其值也會不同. 因此，從回波信號幅度特性來看，相對于平臺艏向不變的情況，拋錨狀態下的目標回波特性也將因艏向變化而發生改變.

基于上述理論分析，影響拋錨狀態下船載地波雷達回波特性的主要因素為目標徑向速度變化和平臺艏向變化，下面將從這兩個方面來仿真分析其對目標檢測的影響.

1.1.1 目標徑向速度變化時的回波譜仿真分析

仿真一個單一目標，雷達頻率為4.7 MHz，相干積累個數為1 024，目標相對于船載雷達的徑向速度分別為9.26 km·h-1勻速和9.26 km·h-1勻加速變化到14.816 km·h-1，其回波與船載雷達陣列法線方向的夾角為30°，船載平臺航速為0，目標回波譜如圖3 所示.

圖3 目標速度變化時的回波譜Fig. 3 Echo spectrum when target velocity changes

從圖3 可以看出，當目標相對于船載雷達作非勻速運動時，導致不同時刻自身的回波多普勒頻率2vrcos φ/λ不同，從而經過相干積累后得到的回波譜中出現展寬現象. 對于不同目標，其徑向速度不同，回波譜展寬也不同，速度的多變性使展寬具有不規則性，因此在估計目標檢測背景幅度大小時應依據展寬范圍來自適應選取檢測背景的采樣值.

1.1.2 船載平臺艏向變化時的回波譜仿真分析

拋錨狀態下的船載平臺主要表現為艏向變化大，這將改變雷達接收陣列的主軸角度，進而影響目標在雷達坐標中的角度變化.

下面仿真雷達頻率為4.7 MHz，相干積累個數為1 024，陣元數為8，陣元間距為15 m，目標相對于船載雷達的徑向速度為9.26 km·h-1，初始回波方向與船載雷達陣列法線方向夾角(即波達角)為30°，船載平臺航速0，艏向(假設平臺航向與艏向一致)分別為保持260°和由260°變化到290°兩種情況時，即波達角分別對應為30°和由30°變化到0°，波束指向為相對于陣列法向30°時，得到仿真的天線方向特性如圖4 所示. 此時目標的波束形成回波譜結果如圖5 所示.

圖4 仿真的天線方向特性Fig. 4 Simulated antenna directional characteristics

圖5 船載平臺艏向變化時的目標波束形成回波譜Fig. 5 Target beamforming echo spectrum when the heading of ship borne platform changes

通過仿真結果可以得知：船載平臺航速為0，其他條件不變，只有平臺艏向變化時，此時目標展寬也較小，但在不同時刻艏向的變化會引起船載雷達陣列位置及主軸角度發生變化，目標在雷達坐標系中的方位也會發生變化，導致積累時間內對同一目標的回波強度無法疊加到理論上的最大值，引起目標信噪比降低. 因此，需要在目標檢測前引入針對艏向變化的運動補償處理來消除由船載平臺運動導致的目標信噪比降低問題.

1.2 檢測背景統計特性

獲取拋錨狀態下船載地波雷達數據后，針對作為目標檢測背景的背景噪聲和一階海雜波做統計分布估計，給出了連續獲取20 幀數據期間的艏向變化圖和單幀距離多普勒(range-Dopper, RD)譜，如圖6所示.

根據1.1 節分析，拋錨狀態下的海雜波基本不展寬，該特性與岸基基本一致，并且海雜波理論公式也已知(式(3))，因此可以先從理論上得到海雜波的大體范圍，再結合岸基地波雷達研究中對一階海雜波的識別方法，如信噪比方法，可實現對海雜波范圍進行確定，精確確定海雜波的邊界，背景噪聲一般不會被劃分為海雜波. 即使少量背景噪聲被劃定為海雜波，由于背景噪聲數據量小，且相對于海雜波幅度低，因此也不會改變海雜波的整體統計分布特性. 在此基礎上，給出了圖6 中背景噪聲與一階海雜波的統計分布，如圖7 所示.

圖6 拋錨狀態下的數據獲取結果Fig. 6 Data acquisition results in anchored state

圖7 檢測背景統計分布圖Fig. 7 Statistical distribution of detection background

為了更直觀地表現背景噪聲的統計分布特性，將背景噪聲和一階海雜波的Gauss 分布和Weibull分布估計曲線轉化為線性形式，分別如圖8 和9所示.

圖8 背景噪聲分布特性Fig. 8 Distribution characteristics of background noise

圖9 一階海雜波分布特性Fig. 9 Distribution characteristics of the first order sea clutter

圖10 統計了拋錨期間連續20 幀數據檢測背景中背景噪聲和一階海雜波分別與兩種分布模型的相關系數.

圖10 相關系數圖Fig. 10 Correlation coefficient chart

結合岸基數據，分析在拋錨期間艏向變化對背景噪聲Weibull 分布統計估計參數中尺度參數B和形狀參數C、海雜波Gauss 分布統計估計參數中均值 μ和 標準差 σ的影響，結果如圖11 所示.

圖11 艏向變化對統計估計參數的影響Fig. 11 Influence of heading variation on statistical estimation parameters

綜合上述結果可以發現，盡管拋錨狀態下船載平臺艏向變化，但地波雷達檢測背景中背景噪聲成分始終服從Weibull 分布，一階海雜波始終服從Gauss 分布. 相對于岸基地波雷達，拋錨狀態下船載平臺艏向變化時，背景噪聲的統計估計參數波動更加明顯，尤其是形狀參數C，但海雜波的統計估計參數基本不會發生波動. 由于經典的CFAR 檢測大多假設目標檢測背景服從Gauss 分布，因此為了保證檢測性能，在CFAR 檢測前應對檢測區域中的背景噪聲區域做歸一化處理[6].

2 拋錨狀態下船載地波雷達目標檢測方法

總結1.1 節所分析的船載平臺拋錨運動對目標檢測的影響，提出適用于拋錨狀態下船載地波雷達的目標檢測方法，其整體流程如圖12 所示.

圖12 拋錨狀態下的船載地波雷達目標檢測流程圖Fig. 12 Target detection flow chart of Shipborne HFSWR in anchored state

2.1 前端數據預處理

為了解決船載平臺艏向變化影響目標檢測問題，提出拋錨狀態下船載地波雷達的數據預處理方法，如圖13 所示.

圖13 拋錨狀態下的數據預處理方法Fig. 13 Data preprocessing method in the state of anchor

將一個積累周期內所有時刻的波束合成輸出利用式(8)進行補償后再積累，即可消除艏向變化帶來的波束合成影響.

2.2 檢測區域劃分

拋錨狀態下船載地波雷達回波譜中的檢測背景主要包括背景噪聲和一階海雜波. 根據前文的分析，背景噪聲與一階海雜波兩種檢測背景服從不同的統計估計，因此為了加以區分，需要在目標檢測前先通過相關方法來提取一階海雜波[6]. 這樣，將整個目標檢測區域劃分為背景噪聲區域和海雜波區域，在這兩種區域內分別做目標檢測.

2.3 檢測背景自適應選取

為了解決目標展寬不規則導致檢測背景估計不準確的問題，提高目標回波展寬情況下的目標檢測性能，提出了一種自適應背景區選取的方法，具體如下：

圖14 給出了不同檢測背景區選取方法的示意圖.

圖14 背景區選取示意圖Fig. 14 Schematic diagram of background area selection

2.4 檢測背景歸一化處理

由于海雜波區域的檢測背景本身服從Gauss 分步，因此，僅需要對背景噪聲區域做檢測背景歸一化處理即可. 在目標檢測背景自適應識別完成的基礎上，采用如下公式將服從Weibull 分布的背景噪聲區域做歸一化：

經過目標檢測背景歸一化處理后，可選用合適的CFRA 檢測方法對拋錨狀態下的船載地波雷達開展目標檢測.

3 實測數據處理結果及驗證

3.1 試驗數據及處理結果

當船載平臺處于拋錨狀態下時，雷達陣元數為5，獲取了船載地波雷達數據與船舶自動識別系統(automatic identification system, AIS)同 步 點 跡 數 據，并基于慣導設備獲取了對應的船載平臺姿態數據.圖15、16 分別給出了拋錨期內船載平臺的速度、艏向變化和船載地波雷達通道RD 譜結果.基于獲取到的船載平臺姿態數據對通道RD 譜數據進行預處理，采用不同波束指向角度做波束形成，得到對應的ARD 譜數據，將檢測區域劃分為一階海雜波區域和背景噪聲區域，采用自適應背景區選取的方法對檢測區域做背景選取(圖17)，檢測背景用黑色“+”加以標注，并對整個檢測區域進行歸一化處理，結果如圖18 所示.

圖15 船載平臺航速和艏向變化圖Fig. 15 Chart of ship speed and heading change of the platform

圖16 船載地波雷達RD 譜Fig. 16 RD spectrum of Shipborne HFSWR

圖17 自適應背景區選取結果Fig. 17 Adaptive background selection results

圖18 檢測背景歸一化處理結果Fig. 18 Detection background normalization results

在虛警概率P=10-3的前提下，采用單元平均恒fa虛警率(cell average-constant false alarm rate, CA-CFAR)檢測，最終檢測結果如圖19 所示.

圖19 拋錨狀態下的船載地波雷達目標檢測結果Fig. 19 Target detection results of Shipborne HFSWR in anchored state

3.2 結果驗證

圖20 為船載平臺航速為0，陣元數為5，波束指向為相對陣列法線方向0°，目標航速5 kn，起始方位相對于陣列法線方向為0°時針對艏向不同變化的補償處理結果.

從圖20 可以看出，經過艏向補償處理的目標回波譜信噪比均會提升，但艏向變化越快，對信噪比的提升性能會有所下降.

圖20 艏向補償處理仿真結果Fig. 20 Simulation results of heading compensation processing

在一批船載地波雷達實測數據中，選取一個目標個例，該目標點相對于船載雷達站初始位置的方位為0°(以陣元法線方向為參考). 在一個積累時間內，由于平臺艏向的變化，目標方位由0°變化到-18°.如圖21 所示波束指向為相對于陣列法向0°時的艏向補償處理結果.

從圖21 可以看出，經過艏向補償處理，所選目標點的信噪比得以提高，這有利于目標的檢測.

圖21 艏向補償處理結果Fig. 21 Compensation processing results of the heading

在虛警概率P=10-3的前提下，分別采用固定背fa景區選取的CA-CFAR 檢測和自適應背景區的CACFAR 檢測方法，對一批拋錨狀態下的船載地波雷達數據做目標檢測，結果如圖22 和23 所示(黑色圓圈標注).

圖22 固定背景區選取的CA-CFAR 檢測結果Fig. 22 CA-CFAR detection results of fixed background area selection

從檢測結果可以看出：采用同一種CFAR 檢測方法時，相對于固定背景區選取的CFAR 檢測方法，自適應背景區選取的CFAF 檢測方法能夠有效提高目標檢測率. 同時可以發現，盡管虛警率恒定，采用自適應背景區選取的方法時虛警點仍有所增加，這是由于雜波點的回波幅度較高，在RD 譜中與目標點表現類似，在檢測階段對其進行區分難度較大. 因此我們期望在這一階段最大限度地將目標點檢測出來，而在此期間出現的虛警點可以從后續方位估計和航跡跟蹤階段來進行剔除.

圖24 兩目標V-T 分布圖Fig. 24 V-T distribution of 2 targets

為了更好地驗證本文提出的船載地波雷達自適應目標檢測方法的性能，基于獲取到的同步AIS 數據，從檢測結果中選取了兩個目標個例，如圖23 中所標注的目標1、目標2，其V-T 分布圖如24 所示.

圖23 自適應背景區選取的CA-CFAR 檢測結果Fig. 23 CA-CFAR detection results of adaptive background area selection

根據目標的V-T 分布圖可以確認兩個目標均為真實目標且可被雷達實際探測到，其AIS 信息如圖25和26 所示.

圖25 目標1 AIS 信息Fig. 25 AIS information of target 1

圖26 目標2 AIS 信息Fig. 26 AIS information of target 2

船只目標1 的船舶號MMSI 為413 958 000，是一艘船長160 m、船寬24 m 的貨船；船只目標2 的船舶號MMSI 為374 518 000，是一艘船長199 m、船寬32 m 的貨船. 當采用固定背景區選取的方法時，兩個目標均未檢測到，而采用自適應背景區選取的方法后兩個目標被成功檢測到，這說明本文所提出的目標檢測方法是有效的.

4 結 論

本文針對拋錨狀態下的船載地波雷達目標檢測難題，提出了一種適用于拋錨狀態的船載雷達目標自適應檢測方法，給出了整體處理流程，并結合實測數據對算法的有效性進行了驗證. 利用這種自適應目標檢測方法可以有效消除船載平臺拋錨運動對目標檢測的不利影響，對目標檢測性能有較大提升. 本文研究發現：拋錨狀態下，作為目標檢測背景的背景噪聲服從Weibull 分布，而一階海雜波服從Gauss 分布，在背景噪聲區域的目標檢測過程中利用檢測背景歸一化處理方法能夠提高CFAR 檢測效果. 除此之外，利用基于自適應背景區選取的CFAR 檢測方法，可解決目標回波展寬不規則導致背景噪聲估計不準確的難題，進一步提高了拋錨狀態下的船載地波雷達目標檢測性能. 本文在數據預處理階段僅考慮了平臺艏向變化帶來的一系列問題，實際上船載平臺的運動往往更加復雜，而數據預處理的結果將對目標檢測效果產生更大的影響，因此未來應將船載平臺的運動補償處理作為研究重點.