一種基于極化分解特征和SVDD的擴展目標檢測算法

李強，姚遠昕，孔祥琦

研究與開發(fā)

一種基于極化分解特征和SVDD的擴展目標檢測算法

李強1，姚遠昕2，孔祥琦3

（1. 工業(yè)和信息化部機關服務局，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)測中心檢測中心，北京 100041）

多極化距離高分辨雷達是地面靜止目標檢測的重要手段，其回波中目標占據(jù)多個距離單元，成為擴展目標。傳統(tǒng)基于回波能量的擴展目標檢測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展目標檢測算法，利用目標和雜波之間的極化散射特性差異提升低信雜比下的檢測性能。所提方法提取16種極化分解特征組成特征向量作為檢測統(tǒng)計量，再使用支持向量數(shù)據(jù)描述（SVDD）算法估計判別門限。在判別門限的訓練階段，雜波數(shù)據(jù)的極化分解特征被提取用作訓練數(shù)據(jù)。并且為保證虛警概率，在SVDD的目標函數(shù)中引入了兩個懲罰參數(shù)。使用實測數(shù)據(jù)進行了實驗驗證，所提方法在戈壁背景、虛警概率為10?4、檢測概率為90%的情況下，所需信雜比約為12.6 dB，相較于基于能量的對比方法降低約1.7 dB。

極化高分辨雷達；擴展目標檢測；極化分解；FAC-SVDD

0 引言

在對地靜止目標檢測中，極化高分辨雷達扮演著重要的角色。高分辨雷達下距離分辨率小于目標尺寸，目標回波能量分布在不同的距離單元中，從而豐富了回波信號中的目標信息，減少了目標散射的波動，提高了對目標的探測能力[1]。極化描述了電磁波的矢量特征，展現(xiàn)了電場矢端在傳播截面上隨時間變化的軌跡特性，能夠反映目標的姿態(tài)、尺寸、結(jié)構、材料等物理屬性，有利于提升雷達的目標檢測、抗干擾、分類和識別等能力。對于極化高分辨雷達，目標的強散射點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細節(jié)信息[2]，在目標檢測等領域具有極大的應用潛力。

在極化高分辨雷達下，目標信息散落在HRRP上成為距離擴展目標。現(xiàn)有極化距離擴展目標檢測方法多先進行極化通道融合，再在融合通道上基于能量域進行擴展目標檢測。其中，關于極化通道融合方式的研究有最佳極化檢測器（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檢測器（span detector，SD）等[3]。關于擴展目標檢測方法有能量積累檢測器[4]、M/N檢測器[4]、基于順序統(tǒng)計量的檢測[5]、自適應檢測[6-8]、廣義似然比檢測器（generalized likelihood ratio test，GLRT）[9-11]等。然而，當對地探測中存在強雜波時，能量域檢測算法存在以下問題：一方面，強雜波環(huán)境下回波中信雜比（signal-to-clutter ratio，SCR）降低，地面車輛目標和雜波的能量分布接近，為了從回波中檢測出目標，需要降低檢測門限，這會引起大量虛警，導致誤擊；另一方面，能量域檢測算法通常基于雜波和目標的分布模型來計算檢測門限，在實際的應用條件下雜波分布難以使用常用的分布模型進行描述且目標分布無法提前獲知，檢測門限計算不準致使難以準確檢測到目標，導致導彈無法準確命中目標。從復雜背景中檢測目標是空地導彈雷達導引頭面臨的實際問題，是制約雷達導引頭在空地導彈領域大范圍應用的重要因素[12]，亟須開展檢測新方法的研究。

近年，為了提高在強雜波環(huán)境下的檢測性能，一些特征域算法在分析實測雜波數(shù)據(jù)的基礎上已被用于雷達目標檢測。這類方法提取特征作為檢測量，在特征空間中使用分類平面判斷是否存在目標，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方法更好的性能。例如，文獻[13]使用相關特征來消除海雜波非平穩(wěn)特性的負面影響。文獻[14]提取歸一化Hurst指數(shù)、相對多普勒峰值高度和相對多普勒矢量熵作為檢測特征得到分類超平面，提高海雜波背景下的檢測性能。文獻[15]利用散斑一致性因子特征來提高非平穩(wěn)海雜波下的檢測性能。此外，還有時頻特征[16]、波形對比特征[17]等。但是，基于極化特征的HRRP擴展目標特征檢測在國內(nèi)外研究較少，只是在極化合成孔徑雷達（synthetic aperture radar，SAR）領域有少量研究[18-21]。

受到特征域檢測算法的啟發(fā)，本文提出使用極化特征進行距離擴展目標檢測。首先，提取多極化擴展目標回波的多種極化特征作為特征檢測量，可以從能量以外提供更加豐富的目標和雜波的結(jié)構、材料等差異信息。然后，考慮實際檢測場景中通常僅能獲取雜波數(shù)據(jù)以計算檢測門限，本文通過構建對雜波的單類別分類器實現(xiàn)對目標的檢測。但是在實際應用中，雷達目標檢測任務通常要求虛警可控以保證穩(wěn)定的檢測性能，而分類器算法本身并沒有虛警概率指標，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SVDD設置懲罰因子實現(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的擴展目標檢測算法，其通過提取多種極化特征的方式深入挖掘目標和雜波的特性差異，并且通過數(shù)據(jù)驅(qū)動的方式自適應尋找檢測邊界，可以提高復雜場景下的檢測能力。在實測數(shù)據(jù)上，本文對所提方法的檢測性能進行了驗證，實驗結(jié)果表明，與經(jīng)典的和新穎的擴展目標檢測方法相比，本文所提方法取得了最高的檢測概率。在虛警概率設置為10?4時，若要達到90%的檢測概率，本文所需的信雜比約為12.6 dB，比對比方法所需的信雜比降低約1.7 dB。

1 檢測方法

1.1 總體思路

本文從特征檢測的角度設計了檢測模型，利用目標和雜波在特征域的差異性進行檢測以剔除雜波虛警。檢測器設計的關鍵在于2點：極化特征提取和單類別分類器。針對第一點，采用極化分解的思路提取極化特征；針對第二點，通過FAC-SVDD在高維空間中尋找雜波邊界實現(xiàn)對雜波的單類別分類器。檢測流程如圖1所示。

圖1 檢測流程

1.2 極化特征提取

目標的極化信息與其結(jié)構、材料有著本質(zhì)的聯(lián)系。通過極化分解對目標極化信息進行提取，可獲得目標材料、結(jié)構等信息，有助于完整刻畫目標特征。目標極化分解理論[22]作為一種極化特征提取手段已在極化SAR識別中得到了有效的應用[18-21]。本文基于雙極化目標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 單類別分類器設計

在使用SVDD進行檢測時，通過使用雜波數(shù)據(jù)訓練SVDD，得到能對雜波進行單一分類的SVDD分類器。測試數(shù)據(jù)中若只含有雜波，數(shù)據(jù)點則全部落在訓練得到的超球體空間內(nèi)；若含有目標，數(shù)據(jù)點則不會落入超球體空間，因此將檢測問題很好地轉(zhuǎn)換成單分類問題，通過單分類實現(xiàn)目標的檢測。

在實際雷達目標檢測中，虛警概率是一個需要考慮的重要因素。若直接使用SVDD算法對目標進行檢測，雖然能得到一定的檢測效果，但卻沒有對虛警概率做出限制。針對這個問題，在文獻[24]的啟發(fā)下，本文設計了一種虛警可控的SVDD算法FAC-SVDD使單類別分類器具有虛警概率指標，有助于評估不同檢測算法的性能。

過程：

參數(shù)初始化

計算虛警概率，定義如下：

break

else

end if

else

end if

end if

end while

計算測試數(shù)據(jù)目標檢測概率為：

2 實驗結(jié)果與分析

2.1 實驗數(shù)據(jù)設置

本文基于文獻[25]中的外場采集數(shù)據(jù)進行檢測性能分析，雷達工作在W波段，距離分辨率0.1 m，采集背景為戈壁，目標選擇廂貨車和卡車。采集獲得50 000條雜波數(shù)據(jù)用于訓練FAC-SVDD分類器，每種目標的每個姿態(tài)采集5 000條數(shù)據(jù)用于測試檢測概率。將采集得到的目標數(shù)據(jù)的HH極化通道進行展示，實測車輛目標HRRP數(shù)據(jù)如圖2所示，每個目標有20 000幀數(shù)據(jù)，每幀數(shù)據(jù)包含90個距離單元，其幅度使用最大值進行了歸一化操作。

圖2 實測車輛目標HRRP數(shù)據(jù)

因為采集的實測數(shù)據(jù)信雜比很高，所以為分析檢測器在不同信雜比下的檢測性能，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)，信雜比的計算式為目標平均功率與雜波平均功率的比值，即：

最終，使用的HRRP實驗數(shù)據(jù)說明見表1。

表1 實驗數(shù)據(jù)說明

2.2 可行性分析

本文提出對SVDD進行改進使其虛警概率可控，為驗證其可行性，基于蒙特卡洛實驗方法[26]使用10余萬條實測雜波數(shù)據(jù)對實際虛警概率進行測試。測試中選取了不同數(shù)量的雜波分別對FAC-SVDD進行訓練，訓練中虛警概率設置為10?4，所得實際虛警概率測試結(jié)果如圖3所示。可以看出，當訓練樣本數(shù)量大于40 000時，所提方法就可以工作在期望的虛警概率下。后續(xù)的實驗中，訓練樣本數(shù)量設置為50 000。

圖3 實際虛警概率測試結(jié)果

2.3 檢測結(jié)果

為驗證所提距離擴展目標檢測方法的有效性，本文基于第2.1節(jié)提到的數(shù)據(jù)進行實驗。并且，本文選擇了文獻[27]中新穎的自適應雙門限廣義似然比檢測算法（后簡稱雙門限算法），以及近年擴展目標檢測領域中常用的對照組M/N檢測器算法和SDD-GLRT（scatterer density dependent generalized likelihood ratio test）算法作為本文實驗的對照組[28]。另外，由于雙門限算法、M/N算法和SDD-GLRT算法僅能在單個極化通道數(shù)據(jù)上檢測，本文將通過PWF得到的融合數(shù)據(jù)作為對照組檢測器的輸入進行測試。實驗中各個檢測器的虛警概率均設置為10?4，檢測結(jié)果曲線如圖4所示。

圖4 檢測結(jié)果曲線

從圖 4中可以看出，對于兩種目標，本文所提方法均取得了最高的檢測概率。并且，對于基于能量的檢測方法（雙門限算法、SDD-GLRT算法、M/N算法）而言，受目標能量分布的影響較大，而不同目標具有不同的散射中心能量分布情況，因此檢測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和雜波的極化散射特性差異，與目標的散射中心分布的直接關聯(lián)較弱，因此可在相同的信雜比條件（12～13 dB）下取得相近的檢測概率（約90%）。

進一步地，檢測問題中通常關注兩種定量性指標：固定SCR下的檢測概率，以及固定檢測概率下所需的SCR。因此，本文根據(jù)典型值分別在SCR為13 dB和檢測概率為90%的條件下對檢測算法的性能進行了定量分析，并將以廂貨車目標的結(jié)果展示如圖5所示。從圖5（a）中可以看到，在SCR為13 dB時，本文所提方法的檢測概率為91.7%，相比于對比方法提升13.5%；從圖5（b）中可以看到，在檢測概率要求達到90%時，所提方法所需的SCR約為12.6 dB，相比于對比方法降低約1.7 dB。

圖5 不同檢測方法性能定量對比

此外，目標的HRRP因具有姿態(tài)敏感性會產(chǎn)生不同的能量分布和成像結(jié)果，因此本文分別統(tǒng)計了4種目標姿態(tài)（迎頭、前斜、正側(cè)、尾追）下的檢測概率來分析目標姿態(tài)對檢測結(jié)果的影響。廂貨車目標不同姿態(tài)檢測概率如圖6所示。從圖6中可以看到，本文所提方法在各個姿態(tài)下均取得最高的檢測性能。并且，對于雙門限算法和SDD-GLRT算法，不同目標姿態(tài)下的檢測概率具有較大的變化，說明其對目標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 廂貨車目標不同姿態(tài)檢測概率

2.4 算法復雜度

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

表2 算法運行時間和內(nèi)存占用情況

3 結(jié)束語

面向極化高分辨雷達在復雜場景下的檢測需求，本文提出了一種基于極化特征和SVDD的擴展目標檢測算法，充分利用目標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更好的區(qū)分性，從而提高目標檢測性能。具體來說，首先基于極化分解技術提取了16種極化特征作為檢測的輸入特征。這些特征的綜合利用能夠更全面地描述目標和雜波之間的差異，從而更好地區(qū)分雜波和目標。然后，針對僅可提前獲取雜波數(shù)據(jù)的實際應用場景，本文引入了SVDD作為關鍵組成部分，并在其中引入了兩個懲罰參數(shù)。這一設計使得本文算法能夠在期望的虛警概率下自動學習并實現(xiàn)雜波和目標的有效區(qū)分。在實測極化HRRP數(shù)據(jù)上進行了驗證，本文所提方法在更低的SCR條件下達到了比基于能量的檢測方法更好的檢測性能，能夠更好地應用于復雜場景下的擴展目標檢測任務。在未來的研究工作中，將進一步探索如何將能量信息與極化特征相結(jié)合來進一步增加目標與雜波的可分性，從而進一步提升擴展目標的檢測性能。這一方向的深入研究將有助于滿足不斷演化的雷達應用需求。

[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. 雷達極化技術研究現(xiàn)狀與展望[J].雷達學報, 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. 復合高斯雜波下距離擴展目標斜對稱自適應子空間檢測器[J]. 信號處理, 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. 復雜背景下雷達地面目標檢測與識別技術研究[D].西安: 西安電子科技大學, 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算法研究[J]. 電信科學, 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（1976? ），男，工業(yè)和信息化部機關服務局高級工程師，主要研究方向為計算機技術、軟件工程、無線電技術等。

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

孔祥琦（1995? ），女，國家無線電監(jiān)測中心檢測中心工程師，主要研究方向為無線電設備檢測、無線電頻譜管理等。