本技术提出了一种融合雷达多特征图表征和图网络的目标检测系统及方法,旨在提升复杂海杂波环境中的目标识别能力。该系统通过综合利用雷达信号的多种特征,结合图网络技术,增强了对目标与背景的区分度,从而提高了检测的准确性和鲁棒性。
背景技术
受海杂波时变性、非平稳性,以及目标类型、运动状态多样性等因素影响,基于特征模型和深度学习数据驱动的目标检测方法在实际观测环境中对目标和杂波信号区分能力有限,检测性能难以进一步提升。诸多学者利用不同特征的互补效应,从多特征联合检测的角度开展研究,为检测性能提升提供了新的途径,因此特征检测由单一的特征检测逐渐演变为多特征联合检测。当前多特征联合检测方法以凸包学习类算法为主,在高维特征空间难以使用。其中时频特征反应了海面背景和目标的频率分布随时间的变化信息,在雷达分辨率逐步提升的背景下,为海面目标检测方法的发展提供了有效支撑。微多普勒理论研究表明海面目标具有微动特性,反映了目标径向速度随时间的变化情况,以及受海浪影响目标的姿态变化(如横滚、俯仰、偏航等),提供更多可用于检测的信息。因此时频特征通过增强目标与海杂波径向速度变化趋势上的差异,在海面目标检测中得到广泛应用。
然而时频特征检测方法与其他特征检测方法存在相似的问题,由于雷达对海探测环境复杂,目标特性多样,目标微动特征具有时变性,并非表现出规律的调频周期特性,从而影响检测方法性能。此外,受海尖峰等因素影响,有时海杂波信号出现与目标类似的二维时频特征。例如有学者通过CNN对几类微动目标时频特征进行处理,实现目标识别,并获得了不错的识别性能。然而,在对海雷达回波数据分析时发现,时频特征对海杂波和目标信号区分效果不稳定,这种性能上的差异主要与背景特性有关。海面目标检测过程中,目标受海浪等因素影响,回波起伏性复杂,可能出现间断,在时频特征中的表现为目标信号能量集中分布区域在时间上不连续。且目标微动状态与海面起伏情况相关,其时频谱上关联信息复杂,缺乏有效的量化或建模方式。此外,目标速度低或目标航向与观测方向夹角较大导致径向速度低等情况下,其在时频图上更容易与杂波重叠,难以被有效检测。因此在对海观测实际应用环境中,单一时频特征有时难以区分目标和杂波。
实际探测条件下,受复杂环境和目标特性影响,幅度-时频两特征检测仍存在诸多问题。幅度序列特征在高海况或弱目标等条件下对目标和杂波信号区分性显著降低,而STFT时频特征也在很多条件下难以区分目标和杂波信号,如图1所示。由于杂波信号可能具有宽多普勒谱、目标在运动过程中径向速度可能较低等原因,杂波可能淹没目标。此外,有时杂波表现出与目标类似的时频特征,因此易产生漏警和虚警。
实现思路