基于稀疏重构的空域大目标背景下的小目标检测方法

现代战争经常需要大小平台协同作战,较为典型的是有/无人编队协同作战。在协同作战过程中,由于大目标的回波副瓣掩盖了小目标回波,导致无法实现大小目标一体化检测,给指挥员战场态势的判断带来了严峻的挑战。为此研究了一种基于稀疏重构的空域大目标背景下的小目标检测方法,利用压缩感知稀疏重构算法的高分辨特性实现大小目标在空域上分离,进而消除大目标对小目标的检测影响。针对传统稀疏重构方法存在重构准确率与计算效率相互矛盾的问题,提出了一种基于虚变换的稀疏重构方法。仿真分析结果表明,所提方法相对于传统正交投影(Orthogonal Matching Projection,OMP)方法具有更好的大小目标分离准确度,而相对于传统凸优化重构方法,可以实现计算效率提升16%。

基于时频分形特征的雨杂波环境目标检测算法

针对雨杂波环境下传统目标检测方法虚警和漏警双高的问题,本文主要研究雨杂波频谱的联合分形特征及其在目标检测中的应用,提出了一种基于定向毯子覆盖法的联合分形特征检测方法,首先通过利用毯子覆盖法测量回波距离多普勒域的分形维数和模型拟合误差特征,然后将分形维数和模型拟合误差作为检验统计值,构造基于联合特征的阈值检测方法。通过优化毯子法的计算步骤,减少了对非目标信息的冗余运算,使得方法具有更好的实时性能。通过对雨杂波环境中实测数据的处理结果表明,相比于传统的目标检测算法,该方法在处理雨杂波等非平稳数据时,可以有效降低虚警,同时提升对目标的检测性能。

基于IMM-BF的自适应扩张箱粒子机动目标跟踪算法

针对箱粒子滤波算法在杂波量测环境下跟踪机动目标精度不足和目标丢失的问题,提出一种基于交互多模型伯努利滤波的自适应扩张箱粒子机动目标跟踪(Interacting Multiple Model-Extended Box Particle-Bernoulli Filter, IMM-EBox-BF)算法,采用多个模型并行滤波,在预测步骤后引入自适应箱粒子扩张算法,在每个箱粒子分割成小箱粒子后自适应扩张小箱粒子区间长度,以提高对目标位置估计精度。在更新步骤,改进箱粒子收缩算法,增加对加速度分量的约束,以提高对目标速度估计精度。对仿真与实测数据的处理结果表明,在杂波量测和传感器发生漏检情况下,所提的IMM-EBox-BF算法与传统算法相比,位置跟踪精度提升了16.5%,具备更准确的目标估计精度和连续性。