基于超寬帶雷達(dá)的葉簇隱蔽目標(biāo)檢測(cè)算法

張金元+張晶+付慶霞

摘 要 超寬帶雷達(dá)對(duì)葉簇具有較強(qiáng)的穿透性，對(duì)葉簇后處于徑向運(yùn)動(dòng)的人體目標(biāo)具有較好的探測(cè)能力，首先采用脈沖積累與小波聯(lián)合去噪的方法提高信噪比；然后提出EMD方法，對(duì)信號(hào)進(jìn)行分解重構(gòu)來(lái)提取運(yùn)動(dòng)人體目標(biāo)信號(hào)，最后利用幅度排序點(diǎn)跡凝聚算法進(jìn)行航跡提取。實(shí)驗(yàn)結(jié)果表明提出算法可以有效提高信噪比和信雜比并得到理想的檢測(cè)結(jié)果。

【關(guān)鍵詞】超寬帶雷達(dá) 葉簇隱蔽目標(biāo)檢測(cè) 小波變換 EMD分解

超寬帶雷達(dá)其信號(hào)具有豐富的低頻分量，可穿透葉簇探測(cè)叢林目標(biāo)，并具有測(cè)距精度高、穿透能力強(qiáng)、分辨能力高、反隱身能力好等優(yōu)點(diǎn)。本文應(yīng)用脈沖積累與小波聯(lián)合去噪的方法提高信噪比，小波變換由于具有時(shí)頻局部化，小波基選擇的靈活性，計(jì)算速度快，適應(yīng)性廣，成為信號(hào)去噪的一個(gè)強(qiáng)有力的工具；EMD分解方法可以更準(zhǔn)確有效地掌握原數(shù)據(jù)的特征信息，重構(gòu)出有用信息，去除靜物雜波和部分噪聲，提取運(yùn)動(dòng)人體目標(biāo)信號(hào)。最后應(yīng)用幅度排序點(diǎn)跡凝聚算法來(lái)提取人體運(yùn)動(dòng)軌跡。

1 脈沖積累與小波變換級(jí)聯(lián)去噪方法

首先把輸入信號(hào)進(jìn)行適當(dāng)?shù)拿}沖積累來(lái)提高信噪比，然后再利用小波變換方法進(jìn)行去噪，去除高頻噪聲。

運(yùn)動(dòng)目標(biāo)信號(hào)本質(zhì)上是一個(gè)低頻信號(hào)，經(jīng)小波變換后，它的小波變換系數(shù)在某些尺度上具有較大的幅值。而噪聲的頻帶大大寬于信號(hào)的頻帶。因此噪聲在小波變換系數(shù)上的表現(xiàn)與信號(hào)相反。根據(jù)這種情況，利用某尺度下小波變換中的低頻系數(shù)來(lái)重建信號(hào)，直接舍棄信號(hào)在其他尺度上的系數(shù)分量，可使得信號(hào)的噪聲部分被削弱。

2 EMD分解重構(gòu)

應(yīng)用EMD方法對(duì)去噪后的信號(hào)依特征尺度分解成從低頻到高頻的幾組固有模態(tài)，選出符合人體運(yùn)動(dòng)范圍內(nèi)的模態(tài)累加求和，進(jìn)一步提高信噪比。

該方法將一個(gè)給定的信號(hào)月y（t）分解成L個(gè)IMF分量hi（t）和一個(gè)殘余分量rL（t），每個(gè)IMF代表了信號(hào)y（t）在某個(gè)尺度上的細(xì)節(jié)。

IMF的篩分過(guò)程是一個(gè)迭代的過(guò)程，對(duì)于第j次迭代，rj-1（t）為當(dāng)前殘余分量，并且當(dāng)j=1時(shí)，有r0（t）=y（t）。

（1）令hj，i（t）=rj-1（t），i=1；

（2）求hj，i（t）的極大值和極小值，并利用3次樣條插值求得極大值確定的上包絡(luò)線和極小值確定的下包絡(luò)線；

（3）求上下包絡(luò)線的均值mj，i（t）；

（4）更新hj，i+1（t）=hj，i（t）-mj，i（t），i=i+1；

（5）判斷hj，i（t）是否滿足IMF的兩個(gè)條件，若滿足，則hj（t）=hj，i（t）為第j階IMF分量，若不滿足，重復(fù)步驟（2）-（4）；

（6）更新殘余值rj（t）=rj-1（t）-hj（t），j=j+1，如果rj（t）中的極值點(diǎn)少于兩個(gè)，終止迭代，否則，從第1步開(kāi)始繼續(xù)迭代過(guò)程。

篩分過(guò)程結(jié)果為各階IMFhj（t）和殘余值rL（t）的組合：

3 點(diǎn)跡凝聚算法

文中在形成目標(biāo)航跡之前應(yīng)用了幅度排序點(diǎn)跡凝聚算法。排序器首先對(duì)點(diǎn)跡幅度值進(jìn)行了大小排序，再選擇排序后的前m個(gè)點(diǎn)跡作為目標(biāo)的一種估計(jì)。為保證鄰近的或者交叉的目標(biāo)不凝聚到一個(gè)點(diǎn)跡中，最有特征的區(qū)別是多普勒頻率值。具體步驟為：

（1）選擇出距離上相鄰的點(diǎn)；

（2）連續(xù)點(diǎn)跡多普勒差值小于門限值，這個(gè)門限的確定要根據(jù)雷達(dá)濾波器精度來(lái)確定；

（3）相鄰點(diǎn)跡幅度差不大于某個(gè)門限，這個(gè)差值的大小取決于脈沖寬度和脈內(nèi)取樣點(diǎn)，超過(guò)脈寬的相鄰點(diǎn)可能由副瓣引入；

（4）根據(jù)凝聚后得到的點(diǎn)跡進(jìn)行平滑處理得到目標(biāo)的航跡。

該方法是在質(zhì)量中心算法的基礎(chǔ)上更加突出了幅度值大的點(diǎn)跡，主要是為了避免大量偏離中心的回波較小虛假點(diǎn)跡影響目標(biāo)凝聚的效果。

4 實(shí)驗(yàn)結(jié)果與分析

如圖1-3所示為雷達(dá)數(shù)據(jù)矩陣，橫坐標(biāo)為快時(shí)間，即距離維；縱坐標(biāo)為慢時(shí)間，即時(shí)間維。從圖中可以看出紋路為人當(dāng)前時(shí)刻所在的位置。圖1中的豎條紋路為靜止物體回波，處理后的數(shù)據(jù)中仍然含有較嚴(yán)重的靜止物體雜波，因此引入了EMD分解重構(gòu)的方法去除雜波。從圖2可以看出該方法不僅可以有效去除靜物雜波，而且還有二次去噪的作用。

最后進(jìn)行幅度排序點(diǎn)跡凝聚算法進(jìn)行航跡提取。點(diǎn)跡凝聚算法對(duì)目標(biāo)航跡的形成產(chǎn)生了極大地改善作用。如圖3所示，由于實(shí)驗(yàn)過(guò)程中人體采用繞過(guò)葉簇的方式行走，在繞行的過(guò)程中超出了雷達(dá)的探測(cè)范圍，因此運(yùn)動(dòng)軌跡在20米的葉簇處消失，直至進(jìn)入雷達(dá)的探測(cè)范圍后軌跡重新出現(xiàn)。最終獲得了理想的檢測(cè)結(jié)果。

5 結(jié)束語(yǔ)

本文研究了超寬帶雷達(dá)葉簇隱蔽目標(biāo)運(yùn)動(dòng)人體檢測(cè)跟蹤技術(shù)，首先應(yīng)用脈沖積累與小波聯(lián)合去噪以及EMD分解重構(gòu)方法提高SNR，再利用幅度排序點(diǎn)跡凝聚算法提取出了人體運(yùn)動(dòng)軌跡。文中最后通過(guò)實(shí)測(cè)數(shù)據(jù)驗(yàn)證了該算法的有效性，得到了滿意的檢測(cè)結(jié)果，具有較好的工程實(shí)用意義。

參考文獻(xiàn)

[1]李超，李悅麗，安道祥，王廣學(xué).基于視覺(jué)注意機(jī)制的UWB SAR葉簇隱蔽目標(biāo)變化檢測(cè)[J].電子學(xué)報(bào)，2016，44（01）：39-45.

[2]陳小莉，郭靜，田茂.小波分析在穿墻雷達(dá)回波奇異性檢測(cè)的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)，2010，56（04）：487-490.