下载文档原格式
一种新的MIMO雷达动目标检测方法作者：李国强来源：《科技资讯》 2014年第10期李国强(长春理工大学电子信息工程学院吉林长春 130022)摘要:针对MIMO雷达的动目标显示(MTI)特性,通过与传统单延时对消方法对比,采用双延时对消和变T技术处理盲速的方法进行动目标检测。
最后对比仿真实验结果证明,在动目标检测中使用双延迟线对消和变T技术处理盲速的方法,能够更好地提取杂波中的运动目标。
关键词:MIMO雷达动目标显示(MTI) 延时对消中图分类号:S763 文献标识码:A 文章编号:1672-3791(2014)04(a)-0018-02多输入多输出(MIMO)雷达是近几年发展起来的一种新体制雷达。
通常将MIMO雷达分为两大类:一类是共置MIMO雷达,这类雷达系统的发射阵元间距很小,发射机从同一个角度照射目标,通过波形分集提高雷达系统性能;另一类是统计MIMO雷达,这类雷达发射阵元间距分散开,利用多个不同方位的雷达发射信号,较好地克服了目标RCS的角闪烁所带来的性能损失,获得较大的空间分集增益,能够根据多普勒频移解决慢目标的检测问题,而且能够克服带宽的限制,实现更高精度的目标定位[1]。
由于雷达天线接收到的信号除了感兴趣的目标回波以外,还包括接收机的噪声、以及各种杂波。
因此,当杂波和运动目标回波同时被接收时,会使目标的观测显得困难。
一方面,如果目标回波信号混叠在强干扰杂波中,不可能完成自动门限信号检测。
即使目标回波信号与干扰杂波处在不同的距离、方位和仰角上,杂波背景也会影响杂波邻近目标回波信号的分辨;另一方面,如果雷达终端采用自动检测和数据处理系统,则由于大量杂波的存在,将引起终端过载或不必要地增加系统的容量和复杂性。
因此,无论从抗干扰或改善雷达工作质量的观点来看,选择运动目标回波而抑制杂波背景很重要。
可以从速度的差别上来区分运动目标和杂波。
由于运动速度不同而引起回波信号频率产生的多普勒频移不相等,这就可以从频率上区分不同速度目标的回波[2]。
一种新的背景预测方法在红外弱小目标检测中的应用摘要：针对空中红外弱小目标的检测，提出了一种新的背景预测方法。
该方法对云层边缘区域的点采用亮暗点分类，寻求最相似点的方法进行预测；对非边缘区域的点采用基本背景预测法进行预测；最后经过背景对消和阈值分割，将弱小目标检测出来。
实验结果表明，该方法能够提高对起伏背景预测的准确性，减小由于云层边缘预测不准确而引起的虚警，从而能够更加有效地检测到弱小目标。
关键词：背景预测红外弱小目标目标检测红外弱小目标检测技术作为红外成像制导中的关键技术之一，越来越受到人们的重视。
但由于红外弱小目标具有距离远、面积小、形状特征弱、细节特征部分丧失、信噪比低等特点，对红外弱小目标的检测依然具有极大的挑战性。
目前，基于背景预测的红外弱小目标检测技术得到了很大的发展。
主要包括基本背景预测法[1]、自适应背景预测法[2]、分块背景预测法(包括区域最大化背景预测法[1]、区域最小化背景预测法[3]、区域均值背景预测法[4]、区域最相似背景预测法[1])、基于神经网络的背景预测方法[5]等。
在图像信噪比较高、背景较均匀的情况下，这些方法检测效果良好；但当背景起伏较大，图像信噪比较低时，在背景的起伏边缘就会出现较多的虚警。
以含有起伏云层的天空背景为例,当图像信噪比较低时，云层边缘预测值与真实灰度值之间就会产生较大差异，检测结果会出现以云层亮边缘为主的虚警点。
因此，应尽可能地对边缘进行准确预测，使残差图中边缘被极大抵消，达到抑制背景、突出目标的目的。
鉴于此，本文提出一种新的基于边缘区域亮暗点分类的背景预测方法，以减小起伏背景对检测结果的影响。
1 红外弱小目标图像特性分析红外图像是利用红外探测器扫视被摄景物空间而获得的红外热辐射图像。
红外弱小目标图像可描述为：f(x，y)=s(x，y)+b(x，y)+n(x，y) (1)式中，(x，y)为像素点的坐标，f(x，y)为在红外焦平面传感器获取的场景图像，s(x，y)、b(x，y)和n(x，y)分别为红外目标、红外背景和噪声的图像。
一种新的红外图像目标检测方法
宗思光;王江安
【期刊名称】《海军工程大学学报》
【年(卷),期】2004(016)003
【摘要】提出了一种新的海空背景下受强杂波、噪声污染的红外图像目标检测算法.算法利用了小波变换的多分辨率、多尺度特性,将要检测的图像分解到不同频率的多个尺度上,再采用形态学的背景估计和形态滤波技术,对分解后的子图像进行处理、小波重构.仿真实验表明,该算法可较强地抑制云层、海浪以及海天线的强杂波背景和强噪声的干扰,可检测出信杂比(SCR)为2的目标,适用于舰载红外警戒系统.【总页数】4页(P94-96,100)
【作者】宗思光;王江安
【作者单位】海军工程大学,兵器工程系,湖北,武汉,430033;海军工程大学,兵器工程系,湖北,武汉,430033
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种新的基于红外图像的道路边界检测方法 [J], 孙涵;刘宁钟
2.一种双波段红外图像弱小目标融合检测新算法 [J], 王建涛
3.一种红外图像序列弱小目标的检测方法 [J], 刘建华;毕笃彦;王红卫
4.一种基于视觉显著图的舰船红外图像目标检测方法 [J], 马新星;沈同圣;徐健
5.一种红外图像快速目标检测方法 [J], 王宁;周铭;杜庆磊;王冰
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于背景预测的红外弱小目标检测方法
杨丽萍;冯晓毅
【期刊名称】《红外技术》
【年(卷),期】2007(29)7
【摘要】介绍了一种新的基于背景预测的空中红外弱小目标检测方法,以提高对复杂背景预测的准确性,减小云层边缘预测不准确形成的虚警.该方法对云层边缘处的点根据其不同尺度邻域上的亮暗点分布特点进行预测;对非边缘点采用基本背景预测法进行预测,最后经过背景对消,将弱小目标检测出来.实验结果表明,与已报导的其它方法比较,该方法能够更有效地抑制云层边缘引起的虚警.
【总页数】5页(P404-408)
【作者】杨丽萍;冯晓毅
【作者单位】西北工业大学,电子信息学院,陕西,西安,710072;西北工业大学,电子信息学院,陕西,西安,710072
【正文语种】中文
【中图分类】TP751
【相关文献】
1.改进的基于背景预测的红外弱小目标检测方法 [J], 张科;刘彦
2.一种新的背景预测方法在红外弱小目标检测中的应用 [J], 杨丽萍;冯晓毅
3.一种基于区域背景预测的红外弱小目标检测方法 [J], 尹超;向健勇;韩建栋
4.一种基于自适应背景预测的红外弱小目标检测方法 [J], 王宇翔;韩振铎;王宏敏;
臧传吉
5.基于小波滤波背景预测的红外弱小目标检测方法 [J], 焦姣;谢永杰;张华良;张颂因版权原因，仅展示原文概要，查看原文内容请购买。
第39卷，增刊 红外与激光工程 2010年5月 V ol.39 Supplement Infrared and Laser Engineering May .2010收稿日期：2010-04-09作者简介：李国强（1981-），男，陕西扶风人，工程师，主要从事目标检测、跟踪方面研究。
Email:bqmsc@一种天空背景红外图像目标检测方法李国强，艾淑芳（中航工业集团公司 洛阳电光设备研究所 国防科技重点实验室，河南 洛阳 471009）摘要：天空背景下红外图像中大小目标共存时，通常无法采用一种方法完成检测。
该文提出了一种适合于大小目标同时兼顾检出的算法。
该方法首先采用数学形态学滤波对原图像进行Top-Hat 变换，进行预检测，同时对原始图像进行拉普拉斯梯度处理，得到面目标的边缘轮廓，从而得到完整的大目标。
最后，对两个流程检测得到的目标结果进行信息融合，防止同一目标多次被检测，最终完成检测。
试验表明，该方法能有效兼顾大小目标共存的检测。
关键词：目标检测； 红外图像； Top-Hat 变换； 拉普拉斯梯度中图分类号：TN24 文献标识码：A 文章编号：1007-2276(2010)增(信息处理)-0685-04A detecting method of infrared image target in sky backgroundLI Guo-qiang, AI Shu-fang（Key Laboratory of National Defense Science and Technology, Luoyang 471009, China ）Abstract : While the big targets and small targets coexist on a sky background, It is usually unable to achieve detection through only one method. The paper puts forward a kind of arithmetic which is fit for detecting big targets and small targets at the same time. The arithmetic adopted morphological filter to make a Top-Hat transform and pre-detection to the original image firstly, simultaneity through a laplacian grads processing to gain the edge outline of side-target, and a complete big target would be given out thereafter. At last, information of targets’ results, which were given by detections of two processes, would be integrated, to prevent times of detections for the same target, the detection would be completed finally. The test shows that this method could afford the detection for the co-existence of big and small targets effectively.Key words: Target detecting; Infrared image; Top-hat transform; Laplacian grads0 引 言随着光电技术的迅速发展，红外探测技术作为一种被动的探测手段，已经在军事领域被广泛应用。
一般情况下，由于目标距离远，目标成像为弱小的点目标，但随着距离的接近，目标将逐渐成为团状乃至面目标，而且可能存在近距离的目标和远距离的目标共存的情况，这时，就会出现点、面目标共存的情况。
由于天空存在云层大面积起伏的背景干扰，而小目标只有灰度信息和运动信息可用，一般的检测方法都采用抑制大面积的起伏背景来检出小目标，此时大目标的部分区域会被抑制，从而只有若干棱角边缘被当作几个目标检测出来。
文中针对这种情况，在小目标检测的基础上，提出了一种大小目标共存的检测方法。
该方法分为预检测和边缘提取两个阶段。
预检测阶段采用小目标的预处理方法，进行背景抑制，在检测小686 红外与激光工程：光电信息处理 第39卷目标的同时会检测到大目标的部分边角；边缘提取阶段对图像进行梯度计算，得到大目标的边缘轮廓，在与预检测阶段的结果进行融合，完成目标检测。
1 预检测由于图像中起伏背景的干扰，加上红外小目标只有灰度信息和运动信息可用，因此预检测阶段对红外图像的预处理是关键。
在空中红外小目标图像中，背景主要对应大面积平缓变化的场景，灰度之间有很强的相关性，因此属于图像的低频部分；而小目标灰度比背景高，与背景不相关，是孤立的亮斑，属于图像的高频部分；同时噪声、大目标和起伏背景的边缘也都属于高频分量；大目标内部变化缓慢，属于低频分量。
预检测就是要检出属于高频分量的小目标和大目标的边缘棱角部分，并且很好的抑制大面积的背景，文中的预处理采用数学形态学的top －hat 变换[1,2]。
腐蚀和膨胀属于数学形态学的两个基本运算，假设灰度图像为f(x,y)，结构元为g(x,y)，腐蚀、膨胀定义如下：()(,)min{(,)(,)|(),();(,)}f b f b s t f x s y t b x y x s y t D x y D Θ=++−++∈∈（1）()(,)max{(,)(,)|(),();(,)}f b f b s t f s x t y b x y s x t y D x y D ⊕=−−+−−∈∈（2）式中：f D 和b D 分别表示f ，b 的定义域。
对图像先腐蚀，后膨胀就构成了形态学的开运算，定义如下：()f b f bb =Θ⊕D （3）腐蚀可以去掉图像中较小尺寸的亮细节，而膨胀可以填充图像中较小尺寸的暗细节，形态学开运算对图像处理后，腐蚀先滤除了图像中小的亮细节，膨胀又使得大区域被滤除的部分得到恢复，而被滤除的小亮细节不会恢复出来，因此经开运算处理后，图像中小于结构元尺寸的小目标以及大目标的部分边缘将会被滤除，只剩下大目标内部和大面积起伏的背景，并且背景的边缘部分能很好的保留。
可以看出开运算是具有低通效果的，利用原图和开运算后的图像相减，将会有高通的效果，此时背景将被抑制，而开运算滤除的亮目标将会被提取出来，这就是开top-hat 变换。
文中考虑到处理的实时性，结构元选取简单的1×11大小对图像进行top-hat 变换，效果如图1、2所示。
图1 原图 Fig.1 Original image图2 Top-hat 变换结果 Fig.2 Result of top-hat2 边缘提取图像中，虽然存在起伏云层干扰，但是云层的灰度在图像中具有一定的渐变分布，而面目标的灰度高于云层，而且较背景变化具有一定的突变。
因此，利用梯度算子，对图像进行处理后，渐变的云层分布将会被抑制，目标将留下边缘轮廓，从而可以实现面目标的检测。
梯度算子选用二阶的拉普拉斯梯度算子[3]。
其定义为：22222f f f x y ∂∂∇=+∂∂ （4）利用二阶差分代替二阶导数，构成拉普拉斯二阶微分算子，即2(1,)(1,)(,1)(,1)4(,)f f i j f i j f i j f i j f i j ∇=++−+++−−（5）对图1采用拉普拉斯梯度算子处理，其结果图像如图3所示。
图3 拉普拉斯梯度结果 Fig.3 Result of Laplacian grads增刊 李国强等：一种天空背景红外图像目标检测方法 6873 图像分割上述处理后，目标并未完全从背景中分离出来，需要进一步的分割处理。
图像分割采用了最大类间方差法[4,5]，对一幅M ×N 的灰度图像I ，每一级灰度出现的个数记为k n ，记t 为目标与背景的分割阈值，假设目标为高灰度值，背景｛0，1，……，t ｝的概率为：0tkk nw M N==×∑ （6）平均灰度为：00tkk tkk k nu n ==×=∑∑ （7）目标{t +1,……,255}的概率为：25511kk t nw M N=+=×∑ （8）平均灰度为：255112551kk t kk t k nu n=+=+×=∑∑ （9）图像的总平均灰度为：0011u w u w u =×+×。
从最小灰度值到最大灰度值遍历t ，当t 使得值：220(0)1(1)g w u u w u u =×−+×− （10）最大时t 即为分割的最佳阈值。
对该式可作如下理解：阈值t 分割出的目标和背景两部分构成了整幅图像，而背景取值u 0，概率为w 0，目标取值u 1，概率为w 1，总均值为u ，根据方差的定义即得该式。
因为方差是灰度分布均匀性的一种度量，方差越大，说明构成图像的两部分差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此使类间方差最大的分割意味着错分概率最小。
对图和图3进行分割后，结果如图4，图5所示。
图4 预检测图分割结果Fig.4 Segmentation resultof advance detecting image图5 边缘检测分割结果Fig.5 Segmentation result of edge detecting4 信息融合对上述两幅图像分割后，可以发现预检测在得到小目标的同时，得到了面目标的部分边角；边缘提取在得到完整面目标轮廓的同时，也得到了小目标。
因此，需要对两幅图像的检测结果进行信息融合，将多次检测的目标合并。
融合采用简单的规则进行：若在边缘提取检测的每个目标的外接矩形范围内，发现预检测得到的目标外接矩形与其有交联，则合并这两个目标，否则该目标为独立目标，不需合并，从而完成目标检测。
5 结 论试验对一组350幅连续运动的序列图像进行了测试，图像为对空红外图像，目标由小变大，最大达到40×60，试验结果表明，该方法能有效检测图像中的大小目标，并对云层背景有良好的抑制效果。
在试验中发现，在一些亮云层边缘会存在错误检测的情况，下一步工作将重点解决虚警率的问题。
