一种利用稀疏表示的距离扩展目标检测新方法

doi:10.3969/j.issn.1001-2400.2014.03.004

J4 ›› 2014, Vol. 41 ›› Issue (3): 20-25.doi: 10.3969/j.issn.1001-2400.2014.03.004

一种利用稀疏表示的距离扩展目标检测新方法

张晓伟;李明;左磊

(西安电子科技大学雷达信号处理国家重点实验室，陕西西安 710071)

收稿日期:2013-03-06 出版日期:2014-06-20 发布日期:2014-07-10
通讯作者: 张晓伟
作者简介:张晓伟(1983-)，男，西安电子科技大学博士研究生，E-mail：xwzhang@stu.xidian.edu.cn．
基金资助:
国家自然科学基金资助项目(61271297, 61272281)；博士点基金资助项目(20110203110001)；国家部委预研基金资助项目(9140A01060411DZ0101)；航空科学基金资助项目(20110181006)

New detection method for extended targets using sparse representation

ZHANG Xiaowei;LI Ming;ZUO Lei

(National Key Lab. of Radar Signal Processing, Xidian Univ., Xi'an 710071， China)

Received:2013-03-06 Online:2014-06-20 Published:2014-07-10
Contact: ZHANG Xiaowei

摘要/Abstract

摘要：

针对在高斯白噪声背景下距离扩展目标检测问题，通过构造Sinc基来线性表示距离扩展目标的一维距离像，将稀疏表示理论引入到目标检测中，提出了基于Sinc基的自适应子空间检测器检测新方法．首先由基追踪算法估计噪声功率，再由基追踪去噪算法得到的残余分量估计噪声协方差矩阵，最后通过一阶高斯模型自适应子空间检测器来实现距离扩展目标检测．基于实测宽带雷达回波数据的实验结果表明，所构造的Sinc基可以很好地线性表示距离扩展目标的一维距离像，有效地实现距离扩展目标检测．

关键词: 基追踪去噪, Sinc基, 子空间检测器, 稀疏表示

Abstract:

The problem of detecting extended targets embedded in the Gaussian noise is considered. The Sinc basis is introduced to sparsely represent the high resolution range profile (HRRP) of extended targets. Bringing the sparse representation theory into the target detection, a new method is proposed to solve the problem by the adaptive subspace detector (ASD) based on Sinc basis. Firstly, the noise power is estimated by basis pursuit (BP), then the basis pursuit de-noising (BPDN) is used to estimate the noise covariance by the residues and finally, the ASD of the first order Gaussian model realizes the extended target detection. Experimental results based on the raw data measured by the wideband radar show that the Sinc basis can sparsely represent HRRPs very well and that the proposed method can effectively realize the extended target detection.

Key words: basis pursuit de-nosing, Sinc basis, subspace detector, sparse representation

张晓伟;李明;左磊. 一种利用稀疏表示的距离扩展目标检测新方法[J]. J4, 2014, 41(3): 20-25.

ZHANG Xiaowei;LI Ming;ZUO Lei. New detection method for extended targets using sparse representation[J]. J4, 2014, 41(3): 20-25.

参考文献

［1］徐刚, 陈倩倩, 侯育星, 等. 前视扫描SAR超分辨成像［J］. 西安电子科技大学学报, 2012, 39(5): 79-84.
Xu Gang, Chen Qianqian, Hou Yuxing, et al. Super-resolution Imaging of Forward-looking Scan SAR ［J］. Journal of Xidian University, 2012, 39(5): 79-84.
［2］盛佳恋, 张磊, 邢孟道, 等. 一种利用稀疏统计特性的超分辨ISAR成像方法［J］. 西安电子科技大学学报, 2012, 39(6): 55-60.
Sheng Jialian, Zhang Lei, Xing Mengdao, et al. Super-resolution ISAR Imaging Method with Sparse Statistics ［J］. Journal of Xidian University, 2012, 39(6): 55-60.
［3］李志鹏, 马田香, 杜兰, 等. 在雷达HRRP识别中多特征融合多类分类器设计［J］. 西安电子科技大学学报, 2013, 40(6): 111-117.
Li Zhipeng, Ma Tianxiang, Du Lan, et al. Multi-classifier Design for Feature Fusion in Radar HRRP Recognition ［J］. Journal of Xidian University, 2013, 40(6): 111-117.
［4］王鹏辉, 杜兰, 刘宏伟, 等. 雷达高分辨距离像分帧新方法［J］. 西安电子科技大学学报, 2011, 38(6): 22-29.
Wang Penghui, Du Lan, Liu Hongwei, et al. New Frame Segmentation Method for Radar HRRPs ［J］. Journal of Xidian University, 2011, 38(6): 22-29.
［5］戴奉周, 刘宏伟, 吴顺君. 一种基于顺序统计量的距离扩展目标检测器［J］. 电子与信息学报, 2009, 31(10): 2488-2492.
Dai Fengzhou, Liu Hongwei, Wu Shunjun. Order-statistic-based Detector for Range Spread Target ［J］. Journal of Electronics ＆ Information Technology, 2009, 31(10): 2488-2492.
［6］ Liu J, Zhang Z, Yang Y, et al. A CFAR Adaptive Subspace Detector for First-order or Second-order Gaussian Signals Based on a Single Observation ［J］. IEEE Transactions on Signal Processing, 2011, 59(11): 5126-5140.
［7］ Shui P, Liu H, Bao Z. Range-spread Target Detection Based on Cross Time-frequency Distribution Features of Two Adjacent Received Signals ［J］. IEEE Transactions on Signal Processing, 2009, 57(10): 3733-3745.
［8］杜兰. 雷达高分辨距离像目标识别方法研究［D］. 西安：西安电子科技大学, 2007.
［9］张晓伟, 李明, 左磊. 基于基追踪-Moore Penrose逆矩阵的稀疏信号重构［J］. 电子与信息学报, 2013, 36(2): 388-393.
Zhang Xiaowei, Li Ming, Zuo Lei. Sparse Signal Reconstruction Based on Basis Pursuit-Moore-Penrose Inverse Matrix ［J］. Journal of Electronics ＆ Information Technology, 2013, 36(2): 388-393.
［10］ Chen S, Donoho D L, Saunders M A, et al. Atomic Decomposition By Basis Pursuit ［J］. SIAM Journal of Science Computating, 1998, 20(1): 33-61.

[1]	逯彦,廖桂生,黄庆享. 结合稀疏表示的跨摄像头运动目标跟踪算法[J]. 西安电子科技大学学报, 2021, 48(2): 197-204.
[2]	赵辉,张乐,刘莹莉,张静,张天骐. 低相干高鲁棒性观测矩阵优化[J]. 西安电子科技大学学报, 2019, 46(6): 171-178.
[3]	贺王鹏,胡洁,陈彬强,李诚,郭宝龙. 一种叶片裂纹检测的稀疏共振解调算法[J]. 西安电子科技大学学报, 2019, 46(6): 75-80.
[4]	杨磊,岳云泽,李埔丞,章涛,杨桓. 多地面运动目标大动态SAR成像稀疏表示[J]. 西安电子科技大学学报, 2019, 46(5): 31-40.
[5]	王洪雁,邱贺磊,裴腾达. 利用判别字典学习的视觉跟踪方法[J]. 西安电子科技大学学报, 2019, 46(4): 150-158.
[6]	贾海蓉,王卫梅,王雁,裴俊华. 区分性联合稀疏字典交替优化的语音增强[J]. 西安电子科技大学学报, 2019, 46(3): 74-81.
[7]	喻丽红,赵加祥. 采用最小角回归的稀疏MIMO均衡器设计方法[J]. 西安电子科技大学学报, 2019, 46(1): 73-78.
[8]	王川川,曾勇虎,付卫红,汪连栋. 一种最大密度检测欠定混合矩阵估计算法[J]. 西安电子科技大学学报, 2019, 46(1): 106-111.
[9]	李龙;刘峥. 采用多特征联合学习的噪声稳健HRRP识别方法[J]. 西安电子科技大学学报, 2018, 45(4): 57-62.
[10]	郭欣;贾海蓉;王栋. 利用子空间改进的K-SVD语音增强算法[J]. 西安电子科技大学学报, 2016, 43(6): 109-115.
[11]	孔繁锵;卞陈鼎;李云松;郭文骏. 非凸稀疏低秩约束的高光谱解混方法[J]. 西安电子科技大学学报, 2016, 43(6): 116-121.
[12]	丁军;刘宏伟;陈渤;王英华. 姿态图像缺失情况下的SAR目标识别[J]. 西安电子科技大学学报, 2016, 43(4): 5-9.
[13]	赵永红;张林让;刘楠;解虎. 采用协方差矩阵稀疏表示的DOA估计方法[J]. 西安电子科技大学学报, 2016, 43(2): 58-63+101.
[14]	王勇;冯唐智;陈楚楚;乔倩倩;杨笑宇;王国栋;高全学. 结合自适应稀疏表示和全变分约束的图像重建[J]. J4, 2016, 43(1): 12-17+109.
[15]	解虎;冯大政;虞泓波;袁明冬;聂卫科. 一种采用稀疏表示的快速空时自适应方法[J]. J4, 2015, 42(5): 55-62.

一种利用稀疏表示的距离扩展目标检测新方法

New detection method for extended targets using sparse representation

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0