基于多维特征的海面微弱目标检测理论与方法研究

With the development of stealth technology and the miniaturization of many targets, detection of sea-surface weak targets has become the key and difficult task for marine radars. The main difficulties lie in the spatially-temporal complexity of high-resolution sea clutter and weak targets at the critical signal-to-clutter ratio cases. At present, multidimensional feature detector has become an effective way to detect weak targets, but its development is limited to the bottleneck of multidimensional feature extraction and high-dimensional classifier design. This project aims to focus on the establishment of the information base called sea clutter multidimensional characteristic cognition, combine the refined detection methods and machine learning theory and propose detection methods of sea-surface weak targets in the high-dimensional feature domain. Firstly, in order to reduce dimension, a multidimensional feature information fusion detection method matching the full velocity spectrum is proposed. Secondly, the design of single classifier in high-dimensional feature domain based on machine learning is explored. Finally, the image-like detection method via convolutional neural network is investigated to study feature independently, which solves the problem of detector design between classes of unbalanced samples and false alarm control. The research results can be applied to high-resolution shipborne or reef anti-intrusion radars, high-resolution anti-submarine radars, etc., in order to improve the detection performance and identification of weak targets in high-resolution sea clutter.

随着隐身技术的发展和许多目标的小型化，海面微弱目标探测已成为对海雷达的重点和难点任务，主要难点在于高分辨海杂波的空时复杂性和微弱目标的临界信杂比。目前，多维特征检测器已成为微弱目标检测的一种有效途径，但其发展限制于多维特征提取方法和高维分类器设计的瓶颈。本项目拟围绕“海杂波多维度特性认知”信息库的建立展开，结合精细化检测方法和机器学习理论，发展和提出高维特征域的海面微弱目标检测方法。首先，以降低维度出发，提出匹配于速度全谱的多维特征信息融合目标检测方法。其次，探索基于机器学习的高维特征域单分类器设计方法。最后，以自主学习特征为目的，研究基于卷积神经网络的类图像目标检测方法，解决类间样本非均衡和虚警可控约束下的检测器设计问题。研究成果可应用在高分辨舰载或岛礁反入侵雷达、高分辨反潜雷达等，以便全面提升高分辨海杂波下雷达探测和鉴别微弱目标的能力。

海面小目标的探测是对海监视雷达面临的一项艰巨任务，主要难点在于高分辨海杂波的复杂性和目标回波的低信杂比。因此，高空间分辨率和长观测时间是两种常用的技术手段。前者降低了海杂波的功率水平，后者增加了目标回波的累积增益。在长时观测下，多维特征检测是一种有效的途径。本项目以挖掘“海杂波多维度特性认知”为核心，开展了以下四个方面的研究工作。第一，首次研究了高分辨海杂波结构性纹理，提出了非相干径向速度谱的新概念。在快速扫描模式下，发展了匹配径向速度谱的双通道多帧检测方法和基于多普勒引导的多帧检测方法，实现了海尖峰的抑制和目标的性能提升。第二，研究了多维特征提取和信息融合。在时域、频域、时频域、极化域等中，提取多种有效特征，并提出了一种基于离散相对熵的单特征检测器。在高维特征空间中，提出了基于多域多维特征融合的检测方法，计算代价小。第三，在高维特征域中，发展了多种虚警可控的两分类器。通过建立分裂因子与虚警率的经验公式，实现随机森林的虚警控制，但控制不够精准。为了精准控制虚警率，提出了梯度提升树的两分类器。第四，研究了基于类图像的智能目标检测方法。由于人工提取的特征往往是经验的、定性的，显然存在局限性。因此，在时频域提出了基于卷积神经网络的两分类检测方法和基于深度网络的三分类检测方法。前者对时频图自主学习特征；后者更加精细化区分时频图。最后，通过实测数据验证，相对于现有的检测器，上述提出的检测器获得了显著的性能提升，为海面小目标检测提供了新思路和新方法。后续，这些成果有望应用于机载雷达、岸基雷达、舰载雷达的探测小目标中。