一种基于多时空尺度的无人机集群目标检测前识别方法技术

本发明专利技术公开了一种基于多时空尺度的无人机集群目标检测前识别方法，获取目标回波数据，送入多时间尺度系统；设置多时间尺度恒虚警检测方法的滑动窗口参数，并分别在三种时间尺度下的目标窗口中对不同类型的目标进行检测；分别设置双参数恒虚警、短时间统计双参数恒虚警和长时间统计双参数恒虚警三种算法的判决门限，对检测结果进行判决；将三者的判决结果联合判定，初步识别并区分出检测窗口内的回波数据；采用最邻近峰值搜索的方法将初步检测出的目标与预设的多空间类型数据库进行匹配搜索，输出目标分类结果；根据匹配结果对多空间类型数据库进行迭代更新和类型扩充。本发明专利技术实现了多目标检测与识别的闭环系统，有效完成无人机集群的编队识别。成无人机集群的编队识别。成无人机集群的编队识别。

【技术实现步骤摘要】
一种基于多时空尺度的无人机集群目标检测前识别方法


[0001]本专利技术属于雷达信号处理领域，具体涉及一种基于多时空尺度的无人机集群目标检测前识别方法。

技术介绍

[0002]现如今雷达所面临的检测环境愈发复杂多变，对于无人机集群的目标检测属于在强地杂波干扰的复杂环境下多目标检测问题。由于强地杂波大多集中在多普勒零频率附近，与静止目标在多普勒域重合，导致传统的动目标检测技术难以适用。而且城市、山地等复杂地形的地杂波强度通常大于或远大于目标反射强度，目标很容易被掩盖在杂波背景下，导致传统CFAR检测技术难以适用，无法在准确剔除杂波的同时保留目标。此外，对于无人机编队的检测大多是以分辨目标数量为主，而对于编队类型的研究较少，但在空域作战背景下，对于无人机集群的编队类型识别具有重要意义，这将直接影响后续的作战策略。
[0003]因此，研究复杂背景下无人机集群的检测和识别方法具有重要意义。

技术实现思路

[0004]专利技术目的：本专利技术旨在解决复杂背景下无人机集群的检测与识别问题，提供一种基于多时空尺度的无人机集群目标检测前识别方法，采用多时间尺度与空间尺度相结合的方法对无人机集群目标进行检测前识别；多时间尺度系统对目标回波进行初步检测并滤除部分干扰目标与背景杂波，多空间尺度系统通过建立典型的编队类型数据库对预处理后的目标集群进行空间分布特征匹配，从而完成无人机集群的编队识别。
[0005]技术方案：本专利技术提供了一种基于多时空尺度的无人机集群目标检测前识别方法，包括以下步骤：
[0006](1)获取目标回波数据，送入多时间尺度系统；所述多时间尺度系统包括恒虚警检测系统、逻辑判决器和反馈系统；其中恒虚警检测系统包括双参数恒虚警、短时间统计双参数恒虚警和长时间统计双参数恒虚警三种检测算法；
[0007](2)设置多时间尺度恒虚警检测方法的滑动窗口参数，并分别在三种时间尺度下的目标窗口中对不同类型的目标进行检测；
[0008](3)分别设置双参数恒虚警、短时间统计双参数恒虚警和长时间统计双参数恒虚警三种算法的判决门限，对步骤(2)的检测结果进行判决；
[0009](4)使三种时间尺度检测算法对于同一目标窗口的点通过逻辑判决器输出各自的判决结果；将三者的判决结果联合判定，初步识别并区分出检测窗口内的回波数据；
[0010](5)根据目标类型把目标窗口中会影响检测效果的部分真实目标对应的区域剔除后，对目标窗口中剩余的分辨单元计算均值和标准差再分别通过反馈系统反馈给短时间统计双参数和长时间统计双参数恒虚警中下一帧的背景窗口均值和标准差的计算；
[0011](6)建立无人机集群编队的多空间类型数据库，其包含几种典型的编队类型的回波仿真图；
[0012](7)采用最邻近峰值搜索的方法将步骤(4)中初步检测出的目标与预设的多空间类型数据库进行匹配搜索，输出目标分类结果；
[0013](8)根据步骤(7)的匹配结果对多空间类型数据库进行迭代更新和类型扩充。
[0014]进一步地，步骤(1)所述回波数据包含运动目标、静止目标、干扰目标与杂波。
[0015]进一步地，步骤(2)所述滑动窗口参数包括：当前帧目标窗口的均值、背景窗口的均值和标准差；短时间尺度下目标窗口的均值、背景窗口的均值和标准差；长时间尺度下目标窗口的均值、背景窗口的均值和标准差。
[0016]进一步地，所述步骤(3)实现过程如下：
[0017]对于DP
‑
CFAR检测算法，其阈值门限的背景窗口均值及标准差计算方法为：
[0018][0019][0020]其中，n为背景窗口的总点数，x
i
为第i个点的数值大小，μ
b
为背景窗口均值，σ
b
为背景窗口的标准差；
[0021]将DP
‑
CFAR检测下的目标窗口的均值同背景窗口均值相减并除以背景窗口的标准差，其结果与标称因子作比较，判定目标窗口中的点是否为目标点：
[0022][0023]其中，μ
c
为目标窗口的均值；μ
b
为背景窗口均值；σ
b
为背景窗口的标准差；T为标称因子；若满足上式，输出为1时表示有目标，反之输出为0时表示没有目标；
[0024]对于SSDP
‑
CFAR和LSDP
‑
CFAR检测算法，其用于判决的均值和标准差除第一帧图像数据是直接进行DP
‑
CFAR检测外，第二帧开始需要分别将短时间尺度和长时间尺度下的均值和标准差考虑进来；则第p帧用来计算阈值门限的背景窗口均值及标准差数学模型如下：
[0025][0026][0027]其中，为前p帧目标窗口所统计的均值(当计算长时间尺度时，p趋于无穷大)；μ'
b
为分别计算短时间尺度和长时间尺度下阈值门限的背景窗口均值；为前p帧目标窗口所计的标准差(当计算长时间尺度时，p趋于无穷大)；σ'
b
为分别计算短时间尺度和长时间尺度下阈值门限的背景窗口标准差；k为0.7～0.99的权值。
[0028]进一步地，所述步骤(6)实现过程如下：
[0029]对实际采集的雷达回波数据进行多个扫描周期的数据提取，对提取到的回波数据进行归一化处理：
[0030][0031][0032]其中，V
imax
为每个扫描周期内采集的回波数据中的峰值；为每个周期内的V
imax
求平均值；V％(t)为归一化后的回波数据；
[0033]根据雷达方程，对归一化后的回波数据计算其不同时刻的回波强度，假设目标与雷达的距离为R，理想情况下雷达天线截面的接收功率为：
[0034][0035]其中，P
t
为雷达发射脉冲的峰值功率，G为天线增益，σ为目标平均雷达截面积；得到目标的回波强度如下式：
[0036]P
r
＝P
r0
F4L
a
[0037]其中，F为传播因子，L
a
为大气衰减。
[0038]进一步地，所述步骤(7)实现过程如下：
[0039]采用最近邻搜索算法，依次搜索与回波峰值个数最相邻的回波仿真图，计算回波各峰值点与仿真图中各峰值点的欧式距离，计算公式如下：
[0040][0041]其中，x
i
为各回波峰值幅值，y
i
为仿真图各峰值幅值，i为峰值个数；
[0042]标准化欧式距离，将各计算值标准化处理到区间[0,1]之间，寻找最小值对应的回波仿真图，即为目标的最优类型，输出目标的识别结果。
[0043]进一步地，所述步骤(8)实现过程如下：
[0044]匹配到的回波空间分布作为真实目标的特征信息可丰富该类型数据库，而未匹配到的回波类型也可以作为先验信息反馈给多空间类型数据库，扩充数据库的回波类型。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多时空尺度的无人机集群目标检测前识别方法，其特征在于，包括以下步骤：(1)获取目标回波数据，送入多时间尺度系统；所述多时间尺度系统包括恒虚警检测系统、逻辑判决器和反馈系统；其中恒虚警检测系统包括双参数恒虚警、短时间统计双参数恒虚警和长时间统计双参数恒虚警三种检测算法；(2)设置多时间尺度恒虚警检测方法的滑动窗口参数，并分别在三种时间尺度下的目标窗口中对不同类型的目标进行检测；(3)分别设置双参数恒虚警、短时间统计双参数恒虚警和长时间统计双参数恒虚警三种算法的判决门限，对步骤(2)的检测结果进行判决；(4)使三种时间尺度检测算法对于同一目标窗口的点通过逻辑判决器输出各自的判决结果；将三者的判决结果联合判定，初步识别并区分出检测窗口内的回波数据；(5)根据目标类型把目标窗口中会影响检测效果的部分真实目标对应的区域剔除后，对目标窗口中剩余的分辨单元计算均值和标准差再分别通过反馈系统反馈给短时间统计双参数和长时间统计双参数恒虚警中下一帧的背景窗口均值和标准差的计算；(6)建立无人机集群编队的多空间类型数据库，其包含几种典型的编队类型的回波仿真图；(7)采用最邻近峰值搜索的方法将步骤(4)中初步检测出的目标与预设的多空间类型数据库进行匹配搜索，输出目标分类结果；(8)根据步骤(7)的匹配结果对多空间类型数据库进行迭代更新和类型扩充。2.根据权利要求1所述的一种基于多时空尺度的无人机集群目标检测前识别方法，其特征在于，步骤(1)所述回波数据包含运动目标、静止目标、干扰目标与杂波。3.根据权利要求1所述的一种基于多时空尺度的无人机集群目标检测前识别方法，其特征在于，步骤(2)所述滑动窗口参数包括：当前帧目标窗口的均值、背景窗口的均值和标准差；短时间尺度下目标窗口的均值、背景窗口的均值和标准差；长时间尺度下目标窗口的均值、背景窗口的均值和标准差。4.根据权利要求1所述的一种基于多时空尺度的无人机集群目标检测前识别方法，其特征在于，所述步骤(3)实现过程如下：对于DP
‑
CFAR检测算法，其阈值门限的背景窗口均值及标准差计算方法为：CFAR检测算法，其阈值门限的背景窗口均值及标准差计算方法为：其中，n为背景窗口的总点数，x
i
为第i个点的数值大小，μ
b
为背景窗口均值，σ
b
为背景窗口的标准差；将DP
‑
CFAR检测下的目标窗口的均值同背景窗口均值相减并除以背景窗口的标准差，其结果与标称因子作比较，判定目标窗口中的点是否为目标点：
其中，μ
c
为目标窗口的均值；μ
b
为背景窗口均值；σ
b
为背景窗口的标准差；T为标称因子；若满足上式，输出...

【专利技术属性】
技术研发人员：张逸雯，胡文，董浩，王原正，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：