王南孫旭（.海軍駐杭州地區(qū)軍事代表室，杭州，3003；.第七一五研究所，杭州，3003）

?

基于海雜波特性的主動聲吶檢測前跟蹤技術研究

王南1孫旭2
（1.海軍駐杭州地區(qū)軍事代表室，杭州，310023；2.第七一五研究所，杭州，310023）

摘要根據(jù)目標與虛警在時域、空域和回波能量上所表現(xiàn)出的不同特性，提出了基于海雜波特性的主動聲吶檢測前跟蹤算法，以建立運動目標的起始航跡。利用空域鄰域聚類的亮點預處理和基于LRDT的目標檢測與航跡提取的兩步處理，較大程度的抑制虛警、提高檢測概率并生成初始目標航跡。

關鍵詞空域鄰域聚類；時域連續(xù)性；檢測前跟蹤；航跡起始

主動聲吶與目標之間的距離較遠時，目標回波能量較弱，且淹沒在各種雜波背景和強噪音中，使得操作人員難以判定疑似目標。同時，就水聲目標檢測與跟蹤的整個過程而言，需要在維持跟蹤之前，提取運動目標的各種有效信息生成目標初始航跡[1]。在傳統(tǒng)航跡起始的處理上，通常有兩種方法。一種是人工判定疑似目標并引導聲吶設備實施跟蹤；另一種是M/N邏輯法，即在連續(xù)的N次掃描中，如果疑似目標出現(xiàn)M次以上，則認為是目標航跡，否則認為是虛警[2]。前一種方法增加了操作人員的工作負擔；后一種方法未能直接反映出目標初始航跡與信噪比之間的關系，對不同性噪比的目標需要固定的N幀數(shù)才能確定目標/虛警航跡，導致信噪比高的目標起始速度過慢、而信噪比低的目標航跡質(zhì)量較差。針對上述兩種方法的不足，2004年，Lawrence D Stone給出了似然比檢測與跟蹤（LRDT）方法[3]，該方法將目標的檢測與跟蹤處理綜合為一個過程，使得目標的檢測以及航跡提取過程可以同時實現(xiàn)。LRDT是檢測前跟蹤（TBD）的最初實現(xiàn)技術，該技術已成功用于美國海軍水下監(jiān)視系統(tǒng)Spotlight ATD。當前，TBD技術的研究主要沿著動態(tài)規(guī)劃檢測前跟蹤（DP-TBD）和粒子濾波檢測前跟蹤（PF-TBD）兩個方向進行發(fā)展。2007年，Buzzi提出DP-TBD多目標跟蹤算法，解決了DP-TBD算法進行多目標跟蹤時出現(xiàn)的維數(shù)災難和計算量爆炸等問題。PF-TBD算法最早由Salmond、Boers在2001年提出[4]，2012年Kreucer將其應用于雷達聲吶探測領域。

本文提出了一種基于海雜波特性的主動聲吶檢測前跟蹤技術，通過空域鄰域聚類的亮點預處理和基于LRDT的目標檢測與航跡提取的兩步處理，較大程度降低了主動聲吶的檢測虛警率，同時生成多目標的初始航跡，實現(xiàn)了跟蹤的智能化。

1 主動聲吶目標與虛警的差異性

1.1空域鄰域聚類

在復雜海洋環(huán)境下，主動聲吶接收的目標信號往往淹沒在噪聲或混響中。先驗位置信息未知的目標因眾多回波亮點的干擾而確認困難。本文根據(jù)物理成因的不同，將主動聲吶接收到的信號分為兩類：一類是來自目標或類目標的反射回波信號，另一類是噪音信號。其中，反射回波與發(fā)射信號的相關性較高，經(jīng)匹配濾波處理后，亮點鄰域的能量集中程度大幅提高，而噪音與發(fā)射信號卻是不相關的，匹配濾波后亮點鄰域的能量集中程度仍保持不變。

為了直觀說明和驗證本文理論和算法的有效性，選取了某課題采集的實際主動聲吶的海試數(shù)據(jù)進行分析和處理。試驗中，協(xié)作目標繞本船作弧線運動、距離為5 km左右、弱負梯度水文，常規(guī)信號處理后，目標的信噪比在15 dB附近波動，偶爾會出現(xiàn)低于檢測域（8 dB）的情況。圖1中的左上角顯示的是連續(xù)四幀的亮點位置，參試人員記錄的目標、類目標干擾、噪音亮點的位置標記如圖1（a）所示。將標記亮點所在波束的局部數(shù)據(jù)放大，如圖1 （b）、（c）、（d）所示，目標與噪聲的差異顯著。由此，本文提出了一種利用目標與噪音在匹配濾波后的波形差異來實現(xiàn)抑制雜波的方法，即基于空域鄰域聚類的亮點預處理技術。

圖1　　匹配濾波后，目標、類目標、噪音的波形圖

1.2時域連續(xù)性

由魚群、航船以及海底、海面反射等引起的類目標干擾在經(jīng)匹配濾波處理后的能量集中程度也較高，在波形上區(qū)分這類虛警困難。由此，本文進一步研究利用多幀數(shù)據(jù)中目標的軌跡連續(xù)性方法實施雜波抑制。

通常，水聲目標的運動速度相對較為緩慢，在連續(xù)多幀的數(shù)據(jù)中，其運動軌跡是連續(xù)的。目標運動的時域連續(xù)性決定了下一時刻的目標亮點會以極大概率出現(xiàn)在預測目標點鄰近區(qū)域；而虛警作為隨機信號，其在時域上表現(xiàn)出很大的隨機性，即虛警在連續(xù)幾個采樣時刻內(nèi)出現(xiàn)在預測目標點鄰近區(qū)域的概率很小。圖2為連續(xù)四幀的匹配濾波處理后的探測畫面，圖中黃色框選的37號波束、采樣點為6 000附近均有亮點，直觀的顯示了目標的時域連續(xù)性。

圖2　連續(xù)四幀數(shù)據(jù)表現(xiàn)出的目標時域連續(xù)性

1.3能量分布規(guī)律

針對傳統(tǒng)利用M/N邏輯的多目標航跡起始方法存在的高信噪比目標確認速度較慢導致的最佳武器使用時機的散失問題，研究了海雜波以及目標回波能量的分布規(guī)律，同時將該分布規(guī)律與時域連續(xù)性相結(jié)合提出了基于LRDT的目標檢測與航跡提取技術。

本文這里直接給出了雜波能量（SNR，dB）的概率密度函數(shù)：

以及目標回波能量（SNR，dB）的概率密度函數(shù)

2 算法設計

2.1基于空域鄰域聚類的亮點預處理技術

基于空域鄰域聚類的亮點預處理技術亦可被稱為雜波抑制技術，即通過對數(shù)據(jù)的預處理操作，抑制由噪聲引起的雜波干擾，從而降低后續(xù)處理的虛警率。

2.1.1 空域鄰域聚類

受發(fā)射信號以及海洋信道相關損失的影響，接收信號處理后的時延分辨力和頻移分辨力不會很高，即亮點所在區(qū)域不會是一到幾個接觸點，而往往是一團信噪比較大的點，我們將此稱為一個聚類。聚類是研究亮點空域鄰域特性的基礎，首先提取主動聲吶探測區(qū)內(nèi)的亮點聚類。

由于未經(jīng)檢測門限處理的數(shù)據(jù)量較大，目標和虛警個數(shù)先驗未知，傳統(tǒng)基于劃分、層次的聚類方法難以實施。針對這一問題，本文提出一種峰值提取后的搜索聚類算法，流程見圖3。

圖3　空域鄰域聚類算法流程

搜索終止條件由下式確定，即當搜索到一個點的幅值Ai小于聚類峰值A0的一半時終止搜索。

為了不使信號周期導致幅值波動對算法噪聲影響，考慮采用一個長度為M的窗進行滑窗平滑，M的數(shù)值由下式確定。

式中，非fs為采樣頻率，f0為信號中心頻率。

2.1.2 顯著性噪聲識別與抑制

在復雜的海洋環(huán)境中引起主動聲吶目標檢測的高虛警問題的原因是多樣的，總的來說，可以將這些虛警歸為兩類：噪聲和類目標干擾。由于兩類虛警產(chǎn)生機理的不同，它們各自的聚簇在形狀上存在著較大差異。直觀看來，噪聲數(shù)據(jù)簇變化比較平緩，集中程度低，而類目標和目標數(shù)據(jù)簇的集中程度則相對較高。

貝葉斯分類方法為解決這類問題提供了一個理論基礎。記x=[x1, x2, L ,xl]T是一個用特征向量表示的未知樣本，w1, w2,L , wM是預先已知的M個類，則形成了M個條件概率P(wi|x)表示x∈wi的概率。

對于兩個類w1、w2的情況，貝葉斯分類規(guī)則可以描述為：若P(w1|x)> P (w2|x)，則x∈w1；若P(w1|x)< P (w2|x)，則x∈w2。當特征向量x服從正態(tài)分布時，wi類的條件概率表達式如下：

其中，ui為均值，Σi為協(xié)方差矩陣。

定義：

上式化簡后：

按貝葉斯分類原理，可以得出利用波形特征進行分類的表達式如下：

其中，X特征向量，MB為噪聲的特征向量，MT為目標的特征向量，PB為噪聲的特征協(xié)方差矩陣，TP為目標的特征協(xié)方差矩陣。

貝葉斯分類方法的一個重要工作是設計合理有效的特征向量并確定相應的特征協(xié)方差矩陣，這在實際中是困難的。本文注意到反射回波信號與發(fā)射信號相關，匹配濾波后數(shù)據(jù)集中，聚類內(nèi)的數(shù)據(jù)點個數(shù)少；而噪聲與發(fā)射信號不相關，聚類內(nèi)的數(shù)據(jù)點個數(shù)則比較多。由此，提出了一種利用聚類內(nèi)的數(shù)據(jù)點個數(shù)識別顯著性噪聲的方法。

統(tǒng)計各聚類內(nèi)的數(shù)據(jù)點個數(shù)N，當N滿足下式時，則判定該亮點簇為噪聲。

其中，K為常數(shù)系數(shù)，τρ為發(fā)射信號的時延分辨力，fs為采樣頻率。

對短脈沖噪聲，聚類內(nèi)的數(shù)據(jù)點個數(shù)也比較少，這一方法尚不能有效區(qū)分，但可通過后續(xù)論述的時域連續(xù)性方法進行抑制。

2.1.3 實際數(shù)據(jù)處理效果

為了驗證算法雜波抑制效果，選取上文的連續(xù)四幀數(shù)據(jù)進行處理。處理前后的效果如圖4所示，圖中藍色亮點是被抑制的顯著性噪聲，紅色亮點為保留下來的可疑點，表1為統(tǒng)計效果。從中可以看出，該方法可以降低10%到30%虛警率。

圖4　顯著性噪聲識別與抑制的效果

表1　降虛警效果統(tǒng)計

2.2基于LRDT的目標檢測與航跡提取技術

由于空域鄰域聚類方法缺乏對類目標干擾和短脈沖噪聲的抑制能力，其處理后的雜波干擾依然很高；另一方面，人工參與的目標跟蹤方法往往使操作人員過于疲勞。于是，本文提出了基于LRDT的目標檢測與航跡提取技術。

2.2.1數(shù)據(jù)關聯(lián)與跟蹤濾波

復雜海洋環(huán)境下，主動聲吶目標檢測不僅包含大量的虛警，而且可能存在目標失序量測以及測量誤差偏大等多種情況。導致點跡關聯(lián)涉及到關聯(lián)雜波、目標斷續(xù)、虛假起始等多種問題，如圖5；軌跡關聯(lián)涉及到軌跡匯合、軌跡分支、軌跡斷續(xù)等問題，如圖6。

圖6 軌跡關聯(lián)

因此，高虛警下主動聲吶檢測目標和航跡提取的復雜性和難度很大。常規(guī)的最近鄰（NN）關聯(lián)方法效果較差，容易出現(xiàn)錯誤互聯(lián)而導致目標跟丟的情況。本文采用多假設跟蹤（MHT）方法進行數(shù)據(jù)關聯(lián)，有效的解決了在密集雜波、量測斷續(xù)等復雜環(huán)境下的多目標跟蹤問題。同時針對常規(guī)Kalman濾波對于非勻速目標出現(xiàn)的跟蹤精度降低、甚至是濾波發(fā)射問題，研究利用延遲機動檢測的自適應跟蹤濾波方法，以兼顧勻速和機動兩種運動方式下的目標跟蹤。

2.2.2 序列似然比計算

本文提出的基于LRDT的目標檢測與航跡提取技術在利用目標時域連續(xù)性的同時還利用了回波能量統(tǒng)計特性。這一處理方法有效克服了常規(guī)M/N邏輯方法對于強目標確認時間過長的不足，通過序列似然比計算和判定同時完成目標檢測與航跡提取。

記H0表示虛警，H1表示目標，累積到第k幀時刻的序列似然比如下：

其中，f(xiH1)、f(xiH0)分別表示目標和虛警的概率密度函數(shù)，具體如式（1）和式（2）所示。

判定門限依據(jù)修正N-P準則確定，即在已知系統(tǒng)虛警概率α和漏報概率β的條件下確定似然比門限。

2.2.3 算法流程

基于LRDT的目標檢測與航跡提取技術的算法實現(xiàn)較為復雜，本文給出簡要的算法流程如圖7所示。圖中LLR表示檢測序列的累積似然比，L_up表示檢測上限，L_down表示檢測下限，DID_1表示當前幀亮點生成的檢測序列，DID_2表示上一時刻的檢測序列與當前幀數(shù)據(jù)關聯(lián)更新的序列，DID為兩類檢測序列的合集（去沉余），Target_1表示直接可確認的強目標，Target_2表現(xiàn)經(jīng)累積檢驗確認的（小弱）目標航跡。

圖7　　多目標航跡自動起始流程

2.2.4 實際數(shù)據(jù)處理效果

為了驗證基于LRDT的目標檢測與航跡提取算法的處理效果，選用前文的海試數(shù)據(jù)，經(jīng)亮點預處理后，運行LRDT算法模塊，結(jié)果如圖8中下圖所示。圖中，顏色深淺表示了目標的置信度，顏色越明亮，置信度越高。圖8上圖顯示的是LRDT處理前的多幀數(shù)據(jù)的可疑亮點位置圖，可以看出，經(jīng)聚類預處理后的虛警亮點個數(shù)仍比較高；而通過LRDT算法處理后，可疑亮點數(shù)減小，如下圖。另一方面，圖中舷角為340°、采樣點為1800位置附近有一弱小目標，在連續(xù)四次的掃描探測中僅有兩次檢測到該目標，其統(tǒng)計的檢測概率為0.5，經(jīng)LRDT算法處理后，有效截獲了該弱小目標。

圖8　LRDT處理前后的對比

由此可知，基于LRDT的目標檢測與航跡提取算法通過對主動聲吶離散觀測序列的多幀探測數(shù)據(jù)進行聯(lián)合處理，并利用目標運動軌跡的時域連續(xù)性和能量統(tǒng)計分布規(guī)律性，在較大程度降低目標檢測虛警概率的基礎上提高了淹沒在多雜波亮點干擾下弱小目標的發(fā)現(xiàn)概率，同時實現(xiàn)了依靠聲吶設備自主完成疑似目標判定進而起始跟蹤。

3 結(jié)論

本文在研究海雜波空域、時域和能量域特性的基礎上，設計了基于空域領域聚類的亮點預處理算法和基于LRDT的目標檢測與航跡提取算法。實際數(shù)據(jù)處理表明，本文所提方法可以使監(jiān)視區(qū)內(nèi)的目標虛警率降低70%到90%，并提高小目標發(fā)現(xiàn)概率、縮短目標初始航跡的起始時間。

參考文獻：

[1] 李正周, 彭素靜, 金鋼, 等. 基于假設檢驗的小弱運動目標航跡起始[J]. 光子學報, 2008,37(3):613-617.

[2] 康莉. 攔截技術中目標跟蹤若干關鍵技術研究[D]. 西安電子科技大學, 2008.

[3] 易偉. 基于檢測前跟蹤的多目標跟蹤算法研究[D]. 電子科技大學, 2012.

[4] PUNITHAKUMAR K, KIRUBARAJAN T, SINHA A. A sequential monte carlo probability hypothesis density algorithm for multitarget track-before-detect[J]. Proc. Of SPIE, 2005, 5913.

[5] KENNEDY HUGH LACHLAN. Clutter-based test statistics for automatic track initiation [J]. ACTA, 2008, 34(3):266-273.