一種基于極化分解特征和SVDD的擴(kuò)展目標(biāo)檢測(cè)算法

李強(qiáng)，姚遠(yuǎn)昕，孔祥琦

研究與開發(fā)

一種基于極化分解特征和SVDD的擴(kuò)展目標(biāo)檢測(cè)算法

李強(qiáng)1，姚遠(yuǎn)昕2，孔祥琦3

（1. 工業(yè)和信息化部機(jī)關(guān)服務(wù)局，北京 100804；2. 中國信息通信研究院西部分院，重慶 401336；3. 國家無線電監(jiān)測(cè)中心檢測(cè)中心，北京 100041）

多極化距離高分辨雷達(dá)是地面靜止目標(biāo)檢測(cè)的重要手段，其回波中目標(biāo)占據(jù)多個(gè)距離單元，成為擴(kuò)展目標(biāo)。傳統(tǒng)基于回波能量的擴(kuò)展目標(biāo)檢測(cè)方法的性能隨信雜比的降低而下降。提出一種基于極化分解特征的擴(kuò)展目標(biāo)檢測(cè)算法，利用目標(biāo)和雜波之間的極化散射特性差異提升低信雜比下的檢測(cè)性能。所提方法提取16種極化分解特征組成特征向量作為檢測(cè)統(tǒng)計(jì)量，再使用支持向量數(shù)據(jù)描述（SVDD）算法估計(jì)判別門限。在判別門限的訓(xùn)練階段，雜波數(shù)據(jù)的極化分解特征被提取用作訓(xùn)練數(shù)據(jù)。并且為保證虛警概率，在SVDD的目標(biāo)函數(shù)中引入了兩個(gè)懲罰參數(shù)。使用實(shí)測(cè)數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)驗(yàn)證，所提方法在戈壁背景、虛警概率為10?4、檢測(cè)概率為90%的情況下，所需信雜比約為12.6 dB，相較于基于能量的對(duì)比方法降低約1.7 dB。

極化高分辨雷達(dá)；擴(kuò)展目標(biāo)檢測(cè)；極化分解；FAC-SVDD

0 引言

在對(duì)地靜止目標(biāo)檢測(cè)中，極化高分辨雷達(dá)扮演著重要的角色。高分辨雷達(dá)下距離分辨率小于目標(biāo)尺寸，目標(biāo)回波能量分布在不同的距離單元中，從而豐富了回波信號(hào)中的目標(biāo)信息，減少了目標(biāo)散射的波動(dòng)，提高了對(duì)目標(biāo)的探測(cè)能力[1]。極化描述了電磁波的矢量特征，展現(xiàn)了電場(chǎng)矢端在傳播截面上隨時(shí)間變化的軌跡特性，能夠反映目標(biāo)的姿態(tài)、尺寸、結(jié)構(gòu)、材料等物理屬性，有利于提升雷達(dá)的目標(biāo)檢測(cè)、抗干擾、分類和識(shí)別等能力。對(duì)于極化高分辨雷達(dá)，目標(biāo)的強(qiáng)散射點(diǎn)能夠被孤立出來而形成一維高分辨距離像（high resolution range profile，HRRP），提供更為豐富的目標(biāo)細(xì)節(jié)信息[2]，在目標(biāo)檢測(cè)等領(lǐng)域具有極大的應(yīng)用潛力。

在極化高分辨雷達(dá)下，目標(biāo)信息散落在HRRP上成為距離擴(kuò)展目標(biāo)?，F(xiàn)有極化距離擴(kuò)展目標(biāo)檢測(cè)方法多先進(jìn)行極化通道融合，再在融合通道上基于能量域進(jìn)行擴(kuò)展目標(biāo)檢測(cè)。其中，關(guān)于極化通道融合方式的研究有最佳極化檢測(cè)器（optimal polarimetric detector，OPD）、極化匹配濾波器（polarimetric matched filter，PMF）、極化白化濾波器（polarimetric whitening filter，PWF）、SPAN檢測(cè)器（span detector，SD）等[3]。關(guān)于擴(kuò)展目標(biāo)檢測(cè)方法有能量積累檢測(cè)器[4]、M/N檢測(cè)器[4]、基于順序統(tǒng)計(jì)量的檢測(cè)[5]、自適應(yīng)檢測(cè)[6-8]、廣義似然比檢測(cè)器（generalized likelihood ratio test，GLRT）[9-11]等。然而，當(dāng)對(duì)地探測(cè)中存在強(qiáng)雜波時(shí)，能量域檢測(cè)算法存在以下問題：一方面，強(qiáng)雜波環(huán)境下回波中信雜比（signal-to-clutter ratio，SCR）降低，地面車輛目標(biāo)和雜波的能量分布接近，為了從回波中檢測(cè)出目標(biāo)，需要降低檢測(cè)門限，這會(huì)引起大量虛警，導(dǎo)致誤擊；另一方面，能量域檢測(cè)算法通常基于雜波和目標(biāo)的分布模型來計(jì)算檢測(cè)門限，在實(shí)際的應(yīng)用條件下雜波分布難以使用常用的分布模型進(jìn)行描述且目標(biāo)分布無法提前獲知，檢測(cè)門限計(jì)算不準(zhǔn)致使難以準(zhǔn)確檢測(cè)到目標(biāo)，導(dǎo)致導(dǎo)彈無法準(zhǔn)確命中目標(biāo)。從復(fù)雜背景中檢測(cè)目標(biāo)是空地導(dǎo)彈雷達(dá)導(dǎo)引頭面臨的實(shí)際問題，是制約雷達(dá)導(dǎo)引頭在空地導(dǎo)彈領(lǐng)域大范圍應(yīng)用的重要因素[12]，亟須開展檢測(cè)新方法的研究。

近年，為了提高在強(qiáng)雜波環(huán)境下的檢測(cè)性能，一些特征域算法在分析實(shí)測(cè)雜波數(shù)據(jù)的基礎(chǔ)上已被用于雷達(dá)目標(biāo)檢測(cè)。這類方法提取特征作為檢測(cè)量，在特征空間中使用分類平面判斷是否存在目標(biāo)，能夠挖掘能量以外的散射特性差異，已被證明通常可以取得比能量域檢測(cè)方法更好的性能。例如，文獻(xiàn)[13]使用相關(guān)特征來消除海雜波非平穩(wěn)特性的負(fù)面影響。文獻(xiàn)[14]提取歸一化Hurst指數(shù)、相對(duì)多普勒峰值高度和相對(duì)多普勒矢量熵作為檢測(cè)特征得到分類超平面，提高海雜波背景下的檢測(cè)性能。文獻(xiàn)[15]利用散斑一致性因子特征來提高非平穩(wěn)海雜波下的檢測(cè)性能。此外，還有時(shí)頻特征[16]、波形對(duì)比特征[17]等。但是，基于極化特征的HRRP擴(kuò)展目標(biāo)特征檢測(cè)在國內(nèi)外研究較少，只是在極化合成孔徑雷達(dá)（synthetic aperture radar，SAR）領(lǐng)域有少量研究[18-21]。

受到特征域檢測(cè)算法的啟發(fā)，本文提出使用極化特征進(jìn)行距離擴(kuò)展目標(biāo)檢測(cè)。首先，提取多極化擴(kuò)展目標(biāo)回波的多種極化特征作為特征檢測(cè)量，可以從能量以外提供更加豐富的目標(biāo)和雜波的結(jié)構(gòu)、材料等差異信息。然后，考慮實(shí)際檢測(cè)場(chǎng)景中通常僅能獲取雜波數(shù)據(jù)以計(jì)算檢測(cè)門限，本文通過構(gòu)建對(duì)雜波的單類別分類器實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè)。但是在實(shí)際應(yīng)用中，雷達(dá)目標(biāo)檢測(cè)任務(wù)通常要求虛警可控以保證穩(wěn)定的檢測(cè)性能，而分類器算法本身并沒有虛警概率指標(biāo)，因此，本文提出一種虛警可控的支持向量數(shù)據(jù)描述（false alarm controllable support vector data description，F(xiàn)AC-SVDD）方法，通過對(duì)SVDD設(shè)置懲罰因子實(shí)現(xiàn)虛警可控的單類別分類器。最終，形成一種基于極化特征和FAC-SVDD的擴(kuò)展目標(biāo)檢測(cè)算法，其通過提取多種極化特征的方式深入挖掘目標(biāo)和雜波的特性差異，并且通過數(shù)據(jù)驅(qū)動(dòng)的方式自適應(yīng)尋找檢測(cè)邊界，可以提高復(fù)雜場(chǎng)景下的檢測(cè)能力。在實(shí)測(cè)數(shù)據(jù)上，本文對(duì)所提方法的檢測(cè)性能進(jìn)行了驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，與經(jīng)典的和新穎的擴(kuò)展目標(biāo)檢測(cè)方法相比，本文所提方法取得了最高的檢測(cè)概率。在虛警概率設(shè)置為10?4時(shí)，若要達(dá)到90%的檢測(cè)概率，本文所需的信雜比約為12.6 dB，比對(duì)比方法所需的信雜比降低約1.7 dB。

1 檢測(cè)方法

1.1 總體思路

本文從特征檢測(cè)的角度設(shè)計(jì)了檢測(cè)模型，利用目標(biāo)和雜波在特征域的差異性進(jìn)行檢測(cè)以剔除雜波虛警。檢測(cè)器設(shè)計(jì)的關(guān)鍵在于2點(diǎn)：極化特征提取和單類別分類器。針對(duì)第一點(diǎn)，采用極化分解的思路提取極化特征；針對(duì)第二點(diǎn)，通過FAC-SVDD在高維空間中尋找雜波邊界實(shí)現(xiàn)對(duì)雜波的單類別分類器。檢測(cè)流程如圖1所示。

圖1 檢測(cè)流程

1.2 極化特征提取

目標(biāo)的極化信息與其結(jié)構(gòu)、材料有著本質(zhì)的聯(lián)系。通過極化分解對(duì)目標(biāo)極化信息進(jìn)行提取，可獲得目標(biāo)材料、結(jié)構(gòu)等信息，有助于完整刻畫目標(biāo)特征。目標(biāo)極化分解理論[22]作為一種極化特征提取手段已在極化SAR識(shí)別中得到了有效的應(yīng)用[18-21]。本文基于雙極化目標(biāo)高分辨距離一維像分別提取了極化散射熵、極化散射角等極化特征，所提取各類特征具體說明如下所示。

（1）極化散射熵、極化散射角

（2）結(jié)構(gòu)相似性

（3）Freeman分解

（4）極化不變量

（5）通道平均功率比、通道相關(guān)性

如上所述，本文共提取極化HRRP數(shù)據(jù)的16種極化特征，以此作為第1.3節(jié)單類別分類器的輸入。

1.3 單類別分類器設(shè)計(jì)

在使用SVDD進(jìn)行檢測(cè)時(shí)，通過使用雜波數(shù)據(jù)訓(xùn)練SVDD，得到能對(duì)雜波進(jìn)行單一分類的SVDD分類器。測(cè)試數(shù)據(jù)中若只含有雜波，數(shù)據(jù)點(diǎn)則全部落在訓(xùn)練得到的超球體空間內(nèi)；若含有目標(biāo)，數(shù)據(jù)點(diǎn)則不會(huì)落入超球體空間，因此將檢測(cè)問題很好地轉(zhuǎn)換成單分類問題，通過單分類實(shí)現(xiàn)目標(biāo)的檢測(cè)。

在實(shí)際雷達(dá)目標(biāo)檢測(cè)中，虛警概率是一個(gè)需要考慮的重要因素。若直接使用SVDD算法對(duì)目標(biāo)進(jìn)行檢測(cè)，雖然能得到一定的檢測(cè)效果，但卻沒有對(duì)虛警概率做出限制。針對(duì)這個(gè)問題，在文獻(xiàn)[24]的啟發(fā)下，本文設(shè)計(jì)了一種虛警可控的SVDD算法FAC-SVDD使單類別分類器具有虛警概率指標(biāo)，有助于評(píng)估不同檢測(cè)算法的性能。

過程：

參數(shù)初始化

計(jì)算虛警概率，定義如下：

break

else

end if

else

end if

end if

end while

計(jì)算測(cè)試數(shù)據(jù)目標(biāo)檢測(cè)概率為：

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)設(shè)置

本文基于文獻(xiàn)[25]中的外場(chǎng)采集數(shù)據(jù)進(jìn)行檢測(cè)性能分析，雷達(dá)工作在W波段，距離分辨率0.1 m，采集背景為戈壁，目標(biāo)選擇廂貨車和卡車。采集獲得50 000條雜波數(shù)據(jù)用于訓(xùn)練FAC-SVDD分類器，每種目標(biāo)的每個(gè)姿態(tài)采集5 000條數(shù)據(jù)用于測(cè)試檢測(cè)概率。將采集得到的目標(biāo)數(shù)據(jù)的HH極化通道進(jìn)行展示，實(shí)測(cè)車輛目標(biāo)HRRP數(shù)據(jù)如圖2所示，每個(gè)目標(biāo)有20 000幀數(shù)據(jù)，每幀數(shù)據(jù)包含90個(gè)距離單元，其幅度使用最大值進(jìn)行了歸一化操作。

圖2 實(shí)測(cè)車輛目標(biāo)HRRP數(shù)據(jù)

因?yàn)椴杉膶?shí)測(cè)數(shù)據(jù)信雜比很高，所以為分析檢測(cè)器在不同信雜比下的檢測(cè)性能，本文通過仿真疊加雜波的方式獲取特定信雜比的數(shù)據(jù)，信雜比的計(jì)算式為目標(biāo)平均功率與雜波平均功率的比值，即：

最終，使用的HRRP實(shí)驗(yàn)數(shù)據(jù)說明見表1。

表1 實(shí)驗(yàn)數(shù)據(jù)說明

2.2 可行性分析

本文提出對(duì)SVDD進(jìn)行改進(jìn)使其虛警概率可控，為驗(yàn)證其可行性，基于蒙特卡洛實(shí)驗(yàn)方法[26]使用10余萬條實(shí)測(cè)雜波數(shù)據(jù)對(duì)實(shí)際虛警概率進(jìn)行測(cè)試。測(cè)試中選取了不同數(shù)量的雜波分別對(duì)FAC-SVDD進(jìn)行訓(xùn)練，訓(xùn)練中虛警概率設(shè)置為10?4，所得實(shí)際虛警概率測(cè)試結(jié)果如圖3所示?？梢钥闯觯?dāng)訓(xùn)練樣本數(shù)量大于40 000時(shí)，所提方法就可以工作在期望的虛警概率下。后續(xù)的實(shí)驗(yàn)中，訓(xùn)練樣本數(shù)量設(shè)置為50 000。

圖3 實(shí)際虛警概率測(cè)試結(jié)果

2.3 檢測(cè)結(jié)果

為驗(yàn)證所提距離擴(kuò)展目標(biāo)檢測(cè)方法的有效性，本文基于第2.1節(jié)提到的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。并且，本文選擇了文獻(xiàn)[27]中新穎的自適應(yīng)雙門限廣義似然比檢測(cè)算法（后簡(jiǎn)稱雙門限算法），以及近年擴(kuò)展目標(biāo)檢測(cè)領(lǐng)域中常用的對(duì)照組M/N檢測(cè)器算法和SDD-GLRT（scatterer density dependent generalized likelihood ratio test）算法作為本文實(shí)驗(yàn)的對(duì)照組[28]。另外，由于雙門限算法、M/N算法和SDD-GLRT算法僅能在單個(gè)極化通道數(shù)據(jù)上檢測(cè)，本文將通過PWF得到的融合數(shù)據(jù)作為對(duì)照組檢測(cè)器的輸入進(jìn)行測(cè)試。實(shí)驗(yàn)中各個(gè)檢測(cè)器的虛警概率均設(shè)置為10?4，檢測(cè)結(jié)果曲線如圖4所示。

圖4 檢測(cè)結(jié)果曲線

從圖 4中可以看出，對(duì)于兩種目標(biāo)，本文所提方法均取得了最高的檢測(cè)概率。并且，對(duì)于基于能量的檢測(cè)方法（雙門限算法、SDD-GLRT算法、M/N算法）而言，受目標(biāo)能量分布的影響較大，而不同目標(biāo)具有不同的散射中心能量分布情況，因此檢測(cè)性能存在較為明顯的差異。相比之下，本文所提方法主要依賴于目標(biāo)和雜波的極化散射特性差異，與目標(biāo)的散射中心分布的直接關(guān)聯(lián)較弱，因此可在相同的信雜比條件（12～13 dB）下取得相近的檢測(cè)概率（約90%）。

進(jìn)一步地，檢測(cè)問題中通常關(guān)注兩種定量性指標(biāo)：固定SCR下的檢測(cè)概率，以及固定檢測(cè)概率下所需的SCR。因此，本文根據(jù)典型值分別在SCR為13 dB和檢測(cè)概率為90%的條件下對(duì)檢測(cè)算法的性能進(jìn)行了定量分析，并將以廂貨車目標(biāo)的結(jié)果展示如圖5所示。從圖5（a）中可以看到，在SCR為13 dB時(shí)，本文所提方法的檢測(cè)概率為91.7%，相比于對(duì)比方法提升13.5%；從圖5（b）中可以看到，在檢測(cè)概率要求達(dá)到90%時(shí)，所提方法所需的SCR約為12.6 dB，相比于對(duì)比方法降低約1.7 dB。

圖5 不同檢測(cè)方法性能定量對(duì)比

此外，目標(biāo)的HRRP因具有姿態(tài)敏感性會(huì)產(chǎn)生不同的能量分布和成像結(jié)果，因此本文分別統(tǒng)計(jì)了4種目標(biāo)姿態(tài)（迎頭、前斜、正側(cè)、尾追）下的檢測(cè)概率來分析目標(biāo)姿態(tài)對(duì)檢測(cè)結(jié)果的影響。廂貨車目標(biāo)不同姿態(tài)檢測(cè)概率如圖6所示。從圖6中可以看到，本文所提方法在各個(gè)姿態(tài)下均取得最高的檢測(cè)性能。并且，對(duì)于雙門限算法和SDD-GLRT算法，不同目標(biāo)姿態(tài)下的檢測(cè)概率具有較大的變化，說明其對(duì)目標(biāo)能量分布情況較為敏感，相比之下本文所提方法較為穩(wěn)定，受能量分布變化的影響較小。

圖6 廂貨車目標(biāo)不同姿態(tài)檢測(cè)概率

2.4 算法復(fù)雜度

對(duì)算法的復(fù)雜度進(jìn)行分析，分別記錄測(cè)試階段的算法運(yùn)行時(shí)間和內(nèi)存占用情況，見表2。其中，仿真測(cè)試平臺(tái)為搭載英特爾酷睿i7-12700處理器的臺(tái)式計(jì)算機(jī)，運(yùn)行時(shí)間為對(duì)40萬條測(cè)試樣本進(jìn)行檢測(cè)的總耗時(shí)，內(nèi)存占用情況為程序運(yùn)行中占用內(nèi)存的峰值。從結(jié)果可以看出，所提方法的運(yùn)行時(shí)間介于多種基于能量檢測(cè)的方法之間，內(nèi)存占用情況有一定增加，但在可接受范圍內(nèi)。

表2 算法運(yùn)行時(shí)間和內(nèi)存占用情況

3 結(jié)束語

面向極化高分辨雷達(dá)在復(fù)雜場(chǎng)景下的檢測(cè)需求，本文提出了一種基于極化特征和SVDD的擴(kuò)展目標(biāo)檢測(cè)算法，充分利用目標(biāo)和雜波在極化域特征之間的差異以獲取比基于能量信息時(shí)更好的區(qū)分性，從而提高目標(biāo)檢測(cè)性能。具體來說，首先基于極化分解技術(shù)提取了16種極化特征作為檢測(cè)的輸入特征。這些特征的綜合利用能夠更全面地描述目標(biāo)和雜波之間的差異，從而更好地區(qū)分雜波和目標(biāo)。然后，針對(duì)僅可提前獲取雜波數(shù)據(jù)的實(shí)際應(yīng)用場(chǎng)景，本文引入了SVDD作為關(guān)鍵組成部分，并在其中引入了兩個(gè)懲罰參數(shù)。這一設(shè)計(jì)使得本文算法能夠在期望的虛警概率下自動(dòng)學(xué)習(xí)并實(shí)現(xiàn)雜波和目標(biāo)的有效區(qū)分。在實(shí)測(cè)極化HRRP數(shù)據(jù)上進(jìn)行了驗(yàn)證，本文所提方法在更低的SCR條件下達(dá)到了比基于能量的檢測(cè)方法更好的檢測(cè)性能，能夠更好地應(yīng)用于復(fù)雜場(chǎng)景下的擴(kuò)展目標(biāo)檢測(cè)任務(wù)。在未來的研究工作中，將進(jìn)一步探索如何將能量信息與極化特征相結(jié)合來進(jìn)一步增加目標(biāo)與雜波的可分性，從而進(jìn)一步提升擴(kuò)展目標(biāo)的檢測(cè)性能。這一方向的深入研究將有助于滿足不斷演化的雷達(dá)應(yīng)用需求。

[1] LONG T, LIANG Z N, LIU Q H. Advanced technology of high-resolution radar: target detection, tracking, imaging, and recognition[J]. Science China (Information Sciences), 2019, 62(4): 5-30.

[2] 王雪松. 雷達(dá)極化技術(shù)研究現(xiàn)狀與展望[J].雷達(dá)學(xué)報(bào), 2016, 5(2): 119-131.

WANG X S. Status and prospects of radar polarimetry techniques[J]. Journal of Radars, 2016, 5(2): 119-131.

[3] NOVAK L M, SECHTIN M B,CARDLLO M J. Studies of target detection algorithms that use polarimetric radar data[J]. IEEE Transactions on Aerospace and Electronic Systems, 1989, 25(2): 150-165.

[4] HUGHES P K. A high resolution radar detection strategy[J]. IEEE Transactions on Aerospace and Electronic Systems, 1983, 19(5): 663-667.

[5] CHEN X L, HOU K Y, CHAND S Q, et al. Detection of range-spread targets based on order statistics[J]. Digital Signal Processing, 2023(133).

[6] JIANG Y, WANG Y H, LI Y, et al. Eigenvalue-based ground target detection in high-resolution range profiles[J]. IET Radar Sonar and Navigation, 2020, 14(11): 1747-1756.

[7] WANG Z Y, LI G, LI M. Adaptive detection of distributed target in the presence of signal mismatch in compound Gaussian clutter[J]. Digital Signal Processing, 2020(102).

[8] 石星宇,許述文, 王曉峰, 等. 復(fù)合高斯雜波下距離擴(kuò)展目標(biāo)斜對(duì)稱自適應(yīng)子空間檢測(cè)器[J]. 信號(hào)處理, 2023, 39(6): 1036-1046.

SHI X Y, XU S W, WANG X F, et al. Persymmetric adaptive subspace detectors for range-spread targets in compound-Gaussian clutter[J]. Journal of Signal Processing, 2023, 39(6):1036-1046.

[9] REN Z C, YI W, ZHAO W J, et al. Range-spread target detection based on adaptive scattering centers estimation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023(61): 1-14.

[10] JING X C, SU H T, SHEN L, et al. Adaptive radar detection in the clutter and noise cover pulse jamming environment[J]. Signal Processing, 2022, 205: 108852.

[11] SHI X Y, YANG C Q, WANG X F, et al. Dual-polarimetric persymmetric adaptive subspace detector for range-spread targets in heavy tailed non-Gaussian clutter[J]. IEEE Geoscience and Remote Sensing Letters, 2023(20): 1.

[12] 郭鵬程. 復(fù)雜背景下雷達(dá)地面目標(biāo)檢測(cè)與識(shí)別技術(shù)研究[D].西安: 西安電子科技大學(xué), 2022.

GUO P C. Detection and recognition for radar ground target in complex environments[D]. Xi'an: Xidian University, 2022.

[13] YUAN Y, ZHU H, WANG Q, et al. Correlation feature-based detector for range distributed target in sea clutter[J]. Eurasip Journal on Advances in Signal Processing, 2018(1): 1.

[14] XU S, ZHU J, SHUI P, et al. Floating small target detection in sea clutter by one-class SVM based on three detection features[C]//Proceedings of International Applied Computational Electromagnetics Society Symposium - China. Piacataway: IEEE Press, 2019.

[15] SHI Y, XIE X, LI D. Range distributed floating target detection in sea clutter via feature-based detector[J]. IEEE Geoscience and Remote Sensing Letters, 2016: 1847-1850.

[16] SHUI P L, LIU H W, BAO Z. Range-spread target detection based on cross time-frequency distribution features of two adjacent received signals[J]. IEEE Transactions on Signal Processing, 2009, 57(10): 3733-3745.

[17] YANG X L, WEN G J, MA C H, et al. CFAR detection of moving range-spread target in white Gaussian noise using waveform contrast[J]. IEEE Geoscience & Remote Sensing Letters, 2016, 13(2): 282-286.

[18] LIU C, YANG J, ZHENG J, et al. An unsupervised port detection method in polarimetric SAR images based on three-component decomposition and multi-scale thresholding segmentation[J]. Remote Sensing, 2022, 14(1): 205.

[19] LI H L, CUI X C, CHEN S W. PolSAR ship detection with optimal polarimetric rotation domain features and SVM[J]. Remote Sensing, 2021, 13(19): 3932.

[20] PRAJAPATI K, PRAJAPATI P, RAMAKRISHNAN R, et al. Feature combination of Pauli and H/A/Alpha decomposition for improved oil spill detection using SAR[J]. Recent Trends in Image Processing and Pattern Recognition, 2021(1380): 134-147.

[21] ZHAI W, WANG X Q, BI Y X, et al. Extraction of earthquake damage information and mapping of buildings from single post-earthquake polarimetric synthetic aperture radar image based on polarimetric decomposition and texture features[J]. Sens. Mater., 2022, 34(12): 4451-4462.

[22] RODING M, THOMA R S. Polarimetric covariance matrix processing for target discrimination in time domain[A]//2015 16th International Radar Symposium (IRS)[C]. 2015.

[23] 陳華華, 陳哲. 基于釘板分布稀疏變分自編碼器的異常檢測(cè)算法研究[J]. 電信科學(xué), 2022, 38(12): 65-77.

CHEN H H, CHEN Z. Research on anomaly detection algorithm based on sparse variational autoencoder using spike and slab prior[J]. Telecommunications Science, 2022, 38(12): 65-77.

[24] LI Y Z, XIE P C, TANG Z S, et al. SVM-based sea-surface small target detection: a false-alarm-rate-controllable approach[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(8): 1225-1229.

[25] ZHANG L, LI Y, WANG Y H, et al. Polarimetric HRRP recognition based on ConvLSTM with self-attention[J]. IEEE Sensors Journal, 2021, 21(6): 7884-7898.

[26] LIANG Z N, GAI J Y, CHEN X L, et al. A method for threshold setting and false alarm probability evaluation for radar detectors[J]. Signal Processing, 2023(207).

[27] CHEN X L, GAI J Y, LIANG Z N, et al. Adaptive double threshold detection method for range-spread targets[J]. IEEE Signal Processing Letters, 2022(29): 254-258

[28] GERLACH K, STEINER M, LIN F. Detection of a spatially distributed target in white noise[J]. IEEE Signal Processing Letters, 1997(4): 198-200.

A range spread target detection algorithm based on polarimetric features and SVDD

LI Qiang1, YAO Yuanxin2, KONG Xiangqi3

1. Agency Service Bureau of the Ministry of Industry and Information Technology, Beijing 100804,China 2. West Institute of CAICT, Chongqing 401336, China 3. The State Radio Monitoring Center Testing Center, Beijing 100041, China

Multi-polarization range high resolution radar is an important mean for ground target detection. In the echo formed by it, the target occupies multiple range cells and becomes an extended target. The traditional spread target detection method relies on energy, and the detection performance decreases when the signal-to-clutter ratio decreases. A spread target detection algorithm based on polarization decomposition features was proposed, which improved the detection performance under low signal-to-clutter ratio by using the difference of polarization scattering characteristics between target and clutter. Specifically, 16 kinds of polarization decomposition features were extracted to form feature vectors as detection statistics, and then support vector data description (SVDD) was used to obtain the detection threshold. When training the detection threshold, the polarization decomposition features of clutter were extracted as training data. In order to ensure the false alarm probability, two penalty parameters were introduced into the objective function of SVDD. The experimental results show that the proposed method requires a signal-to-clutter ratio of about 12.6 dB in the case of Gobi background, false alarm probability of 10?4and detection probability of 90%, which is about 1.7 dB lower than the energy-based methods.

polarimetric high resolution radar, range spread target detection, polarimetric decomposition, FAC-SVDD

TN956

A

10.11959/j.issn.1000?0801.2023197

2023?05?21；

2023?09?19

孔祥琦，kongqikq@126.com

李強(qiáng)（1976? ），男，工業(yè)和信息化部機(jī)關(guān)服務(wù)局高級(jí)工程師，主要研究方向?yàn)橛?jì)算機(jī)技術(shù)、軟件工程、無線電技術(shù)等。

姚遠(yuǎn)昕（1996? ），男，中國信息通信研究院西部分院工程師，主要研究方向?yàn)闊o線電頻譜規(guī)劃、國內(nèi)外無線電管理相關(guān)政策。

孔祥琦（1995? ），女，國家無線電監(jiān)測(cè)中心檢測(cè)中心工程師，主要研究方向?yàn)闊o線電設(shè)備檢測(cè)、無線電頻譜管理等。