基于SPWVD-STFT的海面弱目标检测方法

doi:10.12068/j.issn.1005-3026.2024.10.005

摘要/Abstract

摘要：

为了进一步提升时频域特征检测海面弱目标的能力，提出一种平滑伪魏格纳-威利分布（smoothed pseudo Wigner-Ville distribution，SPWVD）-短时傅里叶变换（short?time Fourier transform，STFT）海面弱目标检测算法.首先，采用STFT对回波信号进行时频特征分析，优化SPWVD的时频特征分析结果，并引入 K-medoids聚类算法对二者时频矩阵进行降噪处理.然后，提取时频域特征多普勒频率稳定度（Doppler frequency stability，DFS），利用快速凸包学习算法获得虚警可控的判决区域，从而判定海杂波与目标.最后，基于IPIX数据集中实测数据的实验结果表明所提出的检测算法在相同虚警率下比时频三特征检测器的平均检测概率高6.3%.

关键词: 海杂波, 弱目标检测, 时频分析, K-medoids聚类, 凸包检测器

Abstract:

To further improve the capability of time?frequency domain features to detect weak targets on the sea?surface， a smoothed pseudo Wigner-Ville distribution （SPWVD）-short?time Fourier transform （STFT） sea?surface weak target detection algorithm is proposed. Firstly， STFT is adopted to perform time?frequency features analysis on the echo signals， and to optimize the time?frequency features analysis results of SPWVD. The K-medoids clustering algorithm is introduced to denoise the time?frequency matrix. Then， the time?frequency features Doppler frequency stability （DFS） is extracted， and the fast convex hull learning algorithm is utilized to obtain the false alarm controllable judgment region， so as to determine the sea clutter and the target. Finally， results of experiments based on Ice multiparameter imaging X-Band radar （IPIX） measured data show that the detection probability of the proposed detection algorithm is 6.3% higher than that of the time?frequency tri?feature detector at the same false alarm rate.

Key words: sea clutter, weak target detection, time?frequency analysis, K-medoids clustering, convex hull detector

中图分类号:

TN 957.51

成怡, 王阳. 基于SPWVD-STFT的海面弱目标检测方法[J]. 东北大学学报（自然科学版）, 2024, 45(10): 1401-1408.

Yi CHENG, Yang WANG. Sea-Surface Weak Target Detection Method Based on SPWVD-STFT[J]. Journal of Northeastern University(Natural Science), 2024, 45(10): 1401-1408.

图/表 8

图1 去噪前后的STFT时频分布对比（a）—去噪前目标信号的STFT时频分布；（b）—去噪后目标信号的STFT时频分布；（c）—去噪前海杂波信号的STFT时频分布；（d）—去噪后海杂波信号时频分布.

Fig.1 STFT time?frequency distribution comparison before and after denoising

图2 目标与海杂波DFS的差别（a）—目标的DFS；（b）—海杂波的DFS.

Fig.2 Difference between DFS of target andsea clutter

图3 SPWVD-STFT检测方法流程图

Fig.3 Flowchart of SPWVD-STFT detection method

表1 IPIX数据集参数

Table 1 IPIX dataset parameters

编号	数据名称	风速/（km·h ^-1）	浪高/m	目标单元	影响单元	平均信杂比/dB
1	19931107_135603_starea	9	2.2	9	8,10,11	12.00
2	19931108_220902_starea	9	1.1	7	6,8	5.45
3	19931109_191449_starea	19	0.9	7	6,8	2.26
4	19931109_202217_starea	19	0.9	7	6,8,9	7.38
5	19931110_001635_starea	9	1.0	7	5,6,8	11.55
6	19931111_163625_starea	20	0.7	8	7,9,10	14.78
7	19931118_023604_stareC0000	10	1.6	8	7,9,10	5.78
8	19931118_162155_stareC0000	33	0.9	7	6,8,9	2.70
9	19931118_162658_stareC0000	33	0.9	7	6,8,9	12.5
10	19931118_174259_stareC0000	28	0.9	7	6,8,9	11.5

图4 SPWVD时频分布的DFS直方图（a）—#311数据集；（b）—#320数据集.

Fig.4 DFS histogram of SPWVD time?frequency distribution

图5 二分类结果（a）—#311数据集；（b）—#320数据集.

Fig.5 Results of binary classification

图6 10组实测数据4种极化方式的6种检测器性能对比（a）—HH极化方式；（b）—HV极化方式；（c）—VH极化方式；（d）—VV极化方式.

Fig.6 Comparison of the performance of 6 detectors of 4 polarization modes in 10 groups of measured data

表2 不同观测时间6种检测器检测概率对比

Table 2 Comparison of detection probability of 6 detectors at different observation time

检测器	观测时间/s		检测概率				平均检测概率
检测器	观测时间/s		HH	HV	VH	VV	平均检测概率
STFT检测器	0.512	0.249		0.267	0.309	0.350	0.294
STFT检测器	1.024	0.325		0.374	0.361	0.418	0.369
SPWVD检测器	0.512	0.557		0.561	0.558	0.534	0.553
SPWVD检测器	1.024	0.601		0.624	0.625	0.586	0.609
SPWVD-STFT检测器	0.512	0.667		0.659	0.676	0.657	0.665
SPWVD-STFT检测器	1.024	0.714		0.707	0.728	0.715	0.716
三特征检测器	0.512	0.534		0.622	0.619	0.518	0.573
三特征检测器	1.024	0.588		0.674	0.667	0.542	0.618
时频三特征检测器	0.512	0.673		0.688	0.703	0.627	0.673
时频三特征检测器	1.024	0.746		0.774	0.759	0.698	0.744
K-medoids降噪后的SPWVD-STFT检测器	0.512	0.776		0.705	0.719	0.744	0.736
K-medoids降噪后的SPWVD-STFT检测器	1.024	0.844		0.793	0.816	0.837	0.823

参考文献 21

1	Guo Z X， Shui P L. Anomaly based sea‑surface small target detection using K-nearest neighbor classification［J］. IEEE Transactions on Aerospace and Electronic Systems， 2020， 56（ 6）： 4947- 4964.
2	Li J Y， Shui P L， Guo Z X， et al. Fast principal component analysis‑based detection of small targets in sea clutter［J］. Iet Radar Sonar and Navigation， 2022， 16（ 8）： 1282- 1291.
3	Shi S N， Jiang L， Cao D， et al. Sea‑surface small target detection using entropy features with dual‑domain clutter suppression［J］. Remote Sensing Letters， 2022， 13（ 11）： 1142- 1152.
4	Gu T C. Detection of small floating targets on the sea surface based on multi‑features and principal component analysis［J］. IEEE Geoscience and Remote Sensing Letters， 2020， 17（ 5）： 809- 813.
5	Zhao W J， Chen Z， Jin M L. Subband maximum eigenvalue detection for radar moving target in sea clutter［J］. IEEE Geoscience and Remote Sensing Letters， 2021， 18（ 2）： 281- 285.
6	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.
7	Yan K， Bai Y， Wu H C， et al. Robust target detection within sea clutter based on graphs［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（ 9）： 7093- 7103.
8	许述文，白晓惠，郭子薰，等．海杂波背景下雷达目标特征检测方法的现状与展望［J］. 雷达学报， 2020， 9（ 4）： 684- 714.
	Xu shu‑wen， Bai Xiao‑hui， Guo Zi‑xun， et al. Status and prospects of feature‑based detection methods for floating targets on the sea surface［J］. Journal of Radars， 2020， 9（ 4）： 684- 714.
9	Shen X L， Song Z Y， Zhu Y F， et al. Fractal detector design and application in maritime target detection［J］. Journal of Systems Engineering and Electronics， 2017， 28（ 1）： 27- 35.
10	Shui P L， Li D C， Xu S W. Tri‑feature‑based detection of floating targets in sea clutter［J］. IEEE Transactions on Aerospace and Electronic Systems， 2014， 50（ 2）： 1416- 1430.
11	Shi S N， Shui P L. Sea‑surface floating small target detection by one‑class classifier in time‑frequency feature space［J］. IEEE Transactions on Geoscience and Remote Sensing， 2018， 56（ 11）： 6395- 6411.
12	Xu S W， Zheng J B， Pu J， et al. Sea‑surface floating small target detection based on polarization features［J］. IEEE Geoscience and Remote Sensing Letters， 2018， 15（ 10）： 1505- 1509.
13	苏宁远，陈小龙，关键，等．基于卷积神经网络的海上微动目标检测与分类方法［J］. 雷达学报， 2018， 7（ 5）： 565- 574.
	Su Ning‑yuan， Chen Xiao‑long， Guan Jian， et al. Detection and classification of maritime target with micro‑motion based on CNNs［J］. Journal of Radars， 2018， 7（ 5）： 565- 574.
14	刘宇．基于岸基雷达的海面弱目标检测算法研究［D］．西安：西安电子科技大学， 2021.
	Liu Yu. Study on the algorithm of weak target detection on sea surface based on shore‑based radar［D］. Xi’an： Xidian University， 2021.
15	孔慧芳，陶文益，闫嘉鹏．基于FRFT的Wigner-Ville分布交叉项抑制方法［J］. 测控技术， 2019， 38（ 10）： 15- 19.
	Kong Hui‑fang， Tao Wen‑yi， Yan Jia‑peng. Wigner-Ville distribution cross term suppression method based on FRFT［J］. Measurement & Control Technology， 2019， 38（ 10）： 15- 19.
16	Liu X W， Li J Z， Zhu Y， et al. Scattering characteristic extraction and recovery for multiple targets based on time frequency analysis［J］. Applied Computational Electromagnetics Society Journal， 2020， 35（ 8）： 962- 970.
17	Mohammadi M， Khan N A， Hassanpour H， et al. Spike detection based on the adaptive time‑frequency analysis［J］. Circuits Systems and Signal Processing， 2020， 39（ 11）： 5656- 5680.
18	黎炳君，黄汉明，王婷婷，等. 基于STFT和CNN的地震信号分类识别研究［J］. 地球物理学进展， 2021， 36（ 4）： 1404- 1411.
	Li Bing‑jun， Huang Han‑ming， Wang Ting‑ting， et al. Research on seismic signal classification and recognition based on STFT and CNN［J］. Progress in Geophysics， 2021， 36（ 4）： 1404- 1411.
19	舒亚海. 基于圈间时频特性的海面小目标检测技术［J］. 现代雷达， 2022， 44（ 7）： 15- 18.
	Shu Ya‑hai. A small sea surface target detection method based on time‑frequency transform［J］. Modern Radar， 2022， 44（ 7）： 15- 18.
20	Kalra M， Kumar S， Das B. Moving ground target detection with seismic signal using smooth pseudo Wigner-Ville distribution［J］. IEEE Transactions on Instrumentation and Measurement， 2019， 69（ 6）： 3896- 3906.
21	贺玉海，周庆琨，程埮晟，等．基于改进 K-Medoids的组合聚类算法及异常值检测研究［J］. 大连理工大学学报， 2022， 62（ 4）： 403- 410.
	He Yu‑hai， Zhou Qing‑kun， Cheng Tan‑sheng， et al. Research on combinatorial clustering algorithm and outlier detection based on improved K-medoids［J］. Journal of Dalian University of Technology， 2022， 62（ 4）： 403- 410.

[1]	张驰，卢绍文，王宏，王宏*. 磨矿过程控制中专家操作人员脑电特征分析[J]. 东北大学学报:自然科学版, 2017, 38(6): 828-833.
[2]	李允公;姚兆;刘杰;刘劲涛;. 基于瞬时频率的窗宽递增寻优的短时傅里叶变换[J]. 东北大学学报(自然科学版), 2007, 28(12): 1737-1740.