基于高斯混合模型的杂波背景提取方法

1.本发明属于信号处理技术领域，涉及一种杂波背景提取方法，具体涉及一种基于高斯混合模型的杂波背景提取方法，提取到的背景杂波可用于雷达多普勒-距离图像中的杂波抑制。


背景技术：

2.在目标检测的过程中，雷达接收机除接收目标的回波信号外，还可以接收到许多不同种类的杂波和噪声信号。部分杂波信号有较强的信号幅度，这部分杂波会对检测的性能产生影响，因而杂波背景的提取是雷达信号处理技术领域亟需解决的关键问题之一。
3.目前，常用的杂波背景提取方法是采用阈值分割法。阈值分割，是一种图像分割技术，由于图像的目标和背景具有较大差异的灰度级，依据图像在直方图上有明显的峰值确定阈值，将图像分割。阈值分割法通常具有单阈值和多阈值两种方式，而阈值的选取则决定了分割效果的好坏。杂波背景提取方法的原理是，通过设定不同的阈值，根据灰度值或彩色特征将图像像素点划分为不同的类别。但是这种方法并不能有效地将多普勒-距离图像中的目标与杂波分离，通常与目标较近位置的杂波，由于具有较高的信号强度未能被成功提取。
4.例如申请公布号为cn111060880a,名称为“一种基于恒虚警检测原理的气象杂波抑制方法”的专利申请，公开了一种基于恒虚警检测原理的气象杂波抑制方法,实现步骤为：获取第一次恒虚警检测处理后输出的所有回波信号频谱；从所有回波信号频谱的有效频谱中依次选取待测频点并记录其待测频点功率；分别在速度维、距离维上在待测频点的两侧设置第一检测窗口、第二检测窗口、第三检测窗口和第四检测窗口并对窗口内的各个频点进行回波幅度的功率采样；若待测频点功率大于所有窗口的平均功率及预设阈值之和,则保留待测频点,否则滤除待测频点；通过第二次恒虚警检测及目标筛选过滤,对各个待测频点在速度维和距离维上进行幅度检测、比较及识别处理,把提取到的杂波提前滤除,使其不能进入后级目标跟踪处理环节。该方法可以根据杂波回波的强弱，自适应地调整阈值大小，对于使用全局阈值杂波提取造成的性能不足有了改善，但其对多普勒-距离图像中具有较高强度的杂波背景的提取能力较差，导致其杂波抑制能力较低。


技术实现要素：

5.本发明的目的是针对上述现有技术的不足，提出了一种基于高斯混合模型的杂波背景提取方法，用于解决现有技术中存在的杂波抑制能力较低的技术问题。
6.为实现上述目的，本发明采取的技术方案包括如下步骤：
7.(1)获取训练样本集和测试样本集：
8.(1a)获取机载ka频段雷达通过脉冲-多普勒工作模式在l秒的跟踪时长内以n为脉冲重复频率对无人机目标连续跟踪的n
×
l个脉冲回波数据，并对每个脉冲回波数据进行m次采样，得到m
×n×
l个离散数字信号，然后对每个离散数字信号进行预处理，再利用预处
理后的所有时域脉冲信号构建维度为m
×
(n
×
l)的时域脉冲信号矩阵，其中，n≥32000hz，l≥2，m≥319；
9.(1b)以脉冲数目n/40为间隔对时域脉冲信号矩阵进行距离单元数目为r的相参脉冲积累，得到由j＝l
×
40幅维度为m
×
r的多普勒-距离图像组成的图像集d，并将图像集d中的t幅图像作为训练样本集d
train
，将其余的q＝j-t幅图像作为测试样本集d
test
，其中，r≥128，j/2＜t；
10.(2)构建高斯混合模型：
11.构建由并行排布的m
×
r个子模型组成的高斯混合模型，第m次采样第r个距离单元对应的子模型p
m,r
包含k个高斯分布函数，其中，3≤k≤7,m＝1,2,
…
,m,r＝1,2,
…
,r；
12.(3)对高斯混合模型进行迭代训练：
13.(3a)初始化迭代次数为i，最大迭代次数为i，i≥j/2，随机抽取训练样本集d
train
中的任意一个训练样本初始化第m
×
r个子模型p
m,r
中第k个高斯分布函数gk的权值、均值、方差分别为w
k,0
、μ
k,0
、并令i＝1；
14.(3b)将训练样本集d
train
作为高斯混合模型的输入，每个子模型p
m,r
对每个训练样本中的每个像素数值的类别进行预测，得到的预测结果
[0015][0016][0017]
其中，表示第t个训练样本中第m个采样点的第r个距离单元位置上信号的预测类别结果，表示预测的类别结果为目标信号，表示预测的类别结果为杂波信号；
[0018]
(3c)通过全局学习率α对每个子模型p
m,r
中的每个高斯分布函数gk的权值w
k,t
、均值μ
k,t
、方差进行更新，得到每个高斯分布函数参数为的更新后的子模型；
[0019]
(3d)选取参数更新后的子模型p
m,r
中最大的个高斯分布函数组成当前迭代次数为i后的子模型其中b表示满足前b个wk的和大于阈值threshold时刻的b的数值大小，1≤b≤k；
[0020]
(3e)判断i≥j/2是否成立，若是，得到训练好的高斯混合模型，否则，令i＝i+1，并执行步骤(3b)；
[0021]
(4)对每个测试样本的类别进行预测：
[0022]
将测试样本集d
test
作为训练好的高斯混合模型的输入，每个子模型p
m,r
对每个测
试样本中的每个像素数值的类别进行预测，得到d
test
的预测结果y
test
；
[0023]
(5)获取杂波背景的提取结果：
[0024]
统计测试样本集d
test
对应的q个预测结果在第m个采样点的第r个距离单元位置上类别预测数值为1的次数b
mr
，并将满足b
mr
＞q/2的第q个预测结果对应的测试样本中在第m个采样点的第r个距离单元位置上的像素数值置零，得到q个测试样本中的杂波背景。
[0025]
本发明与现有的技术，具有以下优点：
[0026]
本发明所构建的高斯混合模型包含并行排布的多个子模型，在对该高斯混合模型进行迭代训练以及获取测试样本预测结果的过程中，高斯混合模型可以有效地确定运动目标信息，利用运动目标信息将虚假目标信息排除确定真实目标，通过剔除样本中的真实目标信号，可以提取到包含具有较高强度杂波背景在内的杂波背景信息，得到较为全面的杂波背景信息，避免了现有技术对多普勒-距离图像中具有较高强度的杂波背景的提取能力较差的缺陷，有效提高了对杂波的抑制能力。
附图说明
[0027]
图1为本发明的实现流程图；
[0028]
图2为本发明的高斯混合模型迭代训练的实现流程图；
[0029]
图3为本发明的获取杂波背景的实现流程图；
[0030]
图4为本发明仿真实验采用的多普勒-距离图像,以及本发明和现有技术的仿真结果图。
具体实施方式
[0031]
下面结合附图和具体实施例，对本发明作进一步详细描述。
[0032]
参照图1，本发明包括如下步骤：
[0033]
步骤1)获取训练样本集和测试样本集：
[0034]
步骤1a)首先获取机载ka频段雷达通过脉冲-多普勒工作模式在l秒的跟踪时长内以n为脉冲重复频率对无人机目标连续跟踪的n
×
l个脉冲回波数据，并对每个脉冲回波数据进行m次采样，得到m
×n×
l个离散数字信号。对得到的每个离散数字信号进行数字下变频处理，可以得到经过混频后比原始信号的频率低的基带信号，并对每个数字下变频处理后的基带信号进行下采样，然后对每个下采样信号进行脉冲压缩处理。利用脉冲压缩处理后的所有时域脉冲信号构建维度为m
×
(n
×
l)的时域脉冲信号矩阵，本实施例中，n＝32000hz，l＝2，m＝319；
[0035]
步骤1b)以脉冲数目n/40为间隔对时域脉冲信号矩阵进行距离单元数目为r的相参脉冲积累，得到由j＝l
×
40幅维度为m
×
r的多普勒-距离图像组成的图像集d，并将图像集d中的t幅图像作为训练样本集d
train
，将其余的q＝j-t幅图像作为测试样本集d
test
，本实施例中，r＝128，t＝74；
[0036]
步骤2)构建高斯混合模型：
[0037]
构建由并行排布的m
×
r个子模型组成的高斯混合模型，第m次采样上第r个距离单元对应的子模型p
m,r
由k个高斯分布函数组成，本实施例中，k＝5,m＝1,2,
…
,319,r＝1,2,
…
,128；
[0038]
步骤3)对高斯混合模型进行迭代训练，其实现步骤如图2所示。
[0039]
步骤3a)初始化迭代次数为i，最大迭代次数为i，i≥j/2，随机抽取训练样本集d
train
中的任意一个训练样本初始化第m
×
r个子模型p
m,r
中第k个高斯分布函数gk的权值、均值、方差分别为w
k,0
、μ
k,0
、并令i＝1，本实施例中，i＝74；
[0040]
步骤3b)将训练样本集d
train
作为高斯混合模型的输入，利用每个子模型p
m,r
对每个训练样本中的每个像素数值的类别进行预测，实现步骤为：
[0041]
计算每个训练样本中每个像素数值与高斯混合模型中每个子模型p
m,r
中每个高斯分布函数gk的均值μ
k,t-1
的距离并判断是否成立，若是，则令第m个采样点的第r个距离单元位置的数值表示预测的类别结果为杂波信号，否则，令表示预测的类别结果为目标信号。得到的预测结果
[0042][0043][0044]
其中，表示第t个训练样本中第m个采样点的第r个距离单元位置的类别预测结果。
[0045]
通过高斯混合模型对每个训练样本中的每个像素数值类别的预测，可以有效地确定具有目标特征的信息，即时的位置信息m,r；
[0046]
步骤3c)通过全局学习率α和对每个子模型p
m,r
中的每个高斯分布函数gk的权值w
k,t
、均值μ
k,t
、方差进行更新，得到每个高斯分布函数参数为的更新后的子模型，其中：
[0047]
当时，更新公式为：
[0048]
通过μ
k,t-1
、σ
k,t-1
计算子模块p
m,r
中令最小的高斯分布函数的索引l：
[0049][0050]
其中，argmink[
·
]表示返回使目标函数func(
·
)取最小值时的变量值k；
[0051]
通过α、l对子p
m,r
中的高斯分布函数gk的权值w
k,t-1
进行更新，得到w
k,t
，并对权值w
k,t
做归一化处理，得到归一化后的权值其中：
[0052][0053][0054]
通过α对每个高斯分布函数gk的μ
k,t-1
、进行更新得到
[0055][0056][0057][0058]
其中，ρ表示改变因子。
[0059]
当时，更新公式为：
[0060][0061][0062][0063]
通过对高斯混合模型中参数的更新，更新后的高斯混合模型对样本中的具有运动目标特征的信息的抗干扰能力更强；
[0064]
步骤3d)选取参数更新后的子模型p
m,r
中最大的个高斯分布函数组成当前迭代次数为i后的子模型其中b表示满足前b个wk的和大于阈值threshold时刻的b的数值大小，1≤b≤k；
[0065]
步骤3e)判断i≥j/2是否成立，若是，得到训练好的高斯混合模型，否则，令i＝i+1，并执行步骤3b)；
[0066]
步骤4)对每个测试样本的类别进行预测：
[0067]
将测试样本集d
test
作为训练好的高斯混合模型的输入，每个子模型p
m,r
对每个测试样本中的每个像素数值的类别进行预测，得到d
test
的预测结果y
test
；
[0068]
步骤5)获取杂波背景的提取结果，其实现步骤如图3所示。
[0069]
步骤5a)首先统计测试样本集d
test
所对应的q个预测结果在第m个采样点的第r个距离单元位置上类别预测数值为1的次数b
mr
；
[0070]
步骤5b)记录真实目标的位置，即满足b
mr
＞q/2的位置；
[0071]
步骤5c)将第q个预测结果对应的测试样本中第m个采样点的第r个距离单元位置上的像素数值置零，得到测试样本中的杂波背景信号，所有测试样本中的杂波背景信号组成q个杂波背景。
[0072]
利用训练好的高斯混合模型以及q个预测结果，将其中虚假的目标信息排除可以确定真实目标，由真实目标通过剔除样本中的真实目标信号，可以提取到包含具有较高强
度杂波背景在内的杂波背景信息，最终得到较为全面的杂波背景信息。
[0073]
以下通过仿真实验，对本发明的技术效果作进一步说明。
[0074]
1.仿真实验条件：
[0075]
仿真实验使用python3.8版本的pycharm开发工具，开发语言为python，仿真采用的多普勒-距离图像如图4(a)所示。
[0076]
2.仿真内容及结果分析：
[0077]
对本发明及现有的基于恒虚警原理cfar的杂波抑制算法的杂波抑制能力进行仿真，设置基于恒虚警原理cfar的杂波抑制算法中的保护单元与参考单元分别为48和72，其结果分别如图4(b)和图4(c)所示，并通过仿真结果计算两种方法的杂波抑制率并进行对比，其结果如表1所示：
[0078]
表1
[0079]
方法本发明现有cfar算法杂波抑制率88.7381.62
[0080]
图4中三幅子图的横轴表示速度，纵轴表示距离。如图4(b)所示的采用本发明提取到的杂波背景图与如图4(c)所示的现有cfar方法提取到的杂波背景图相比，保留了较多的具有较高强度的杂波信号。
[0081]
表1中的杂波抑制率，表示提取出来的杂波背景与整体杂波背景的比率。本发明杂波抑制率为88.73％，大幅高于现有基于恒虚警原理cfar算法的杂波抑制率81.62％，可以看出，本发明提出的基于高斯混合模型的杂波背景提取方法具有更好的杂波抑制效果。

技术特征：
1.一种基于高斯混合模型的杂波背景提取方法，其特征在于，包括如下步骤：(1)获取训练样本集和测试样本集：(1a)获取机载ka频段雷达通过脉冲-多普勒工作模式在l秒的跟踪时长内以n为脉冲重复频率对无人机目标连续跟踪的n
×
l个脉冲回波数据，并对每个脉冲回波数据进行m次采样，得到m
×
n
×
l个离散数字信号，然后对每个离散数字信号进行预处理，再利用预处理后的所有时域脉冲信号构建维度为m
×
(n
×
l)的时域脉冲信号矩阵，其中，n≥32000hz，l≥2，m≥319；(1b)以脉冲数目n/40为间隔对时域脉冲信号矩阵进行距离单元数目为r的相参脉冲积累，得到由j＝l
×
40幅维度为m
×
r的多普勒-距离图像组成的图像集d，并将图像集d中的t幅图像作为训练样本集d
train
，将其余的q＝j-t幅图像作为测试样本集d
test
，其中，r≥128，j/2＜t；(2)构建高斯混合模型：构建由并行排布的m
×
r个子模型组成的高斯混合模型，第m次采样第r个距离单元对应的子模型p
m,r
包含k个高斯分布函数，其中，3≤k≤7,m＝1,2,
…
,m,r＝1,2,
…
,r；(3)对高斯混合模型进行迭代训练：(3a)初始化迭代次数为i，最大迭代次数为i，i≥j/2，随机抽取训练样本集d
train
中的任意一个训练样本初始化第m
×
r个子模型p
m,r
中第k个高斯分布函数g
k
的权值、均值、方差分别为w
k,0
、μ
k,0
、并令i＝1；(3b)将训练样本集d
train
作为高斯混合模型的输入，每个子模型p
m,r
对每个训练样本中的每个像素数值的类别进行预测，得到的预测结果的预测结果的预测结果其中，表示第t个训练样本中第m个采样点的第r个距离单元位置上信号的类别预测结果，表示预测的类别结果为目标信号，表示预测的类别结果为杂波信号；(3c)通过全局学习率α对每个子模型p
m,r
中的每个高斯分布函数g
k
的权值w
k,t
、均值μ
k,t
、方差进行更新，得到每个高斯分布函数参数为的更新后的子模型；(3d)选取参数更新后的子模型p
m,r
中最大的个高斯分布函数组成当前迭代次数为i后的子模型其中b表示满足前b个w
k
的和大于阈值threshold时刻的b的数值大小，1≤b≤k；
(3e)判断i≥j/2是否成立，若是，得到训练好的高斯混合模型，否则，令i＝i+1，并执行步骤(3b)；(4)对每个测试样本的类别进行预测：将测试样本集d
test
作为训练好的高斯混合模型的输入，每个子模型p
m,r
对每个测试样本中的每个像素数值的类别进行预测，得到d
test
的预测结果y
test
；(5)获取杂波背景的提取结果：统计测试样本集d
test
对应的q个预测结果在第m个采样点的第r个距离单元位置上类别预测数值为1的次数b
mr
，并将满足b
mr
＞q/2的第q个预测结果对应的测试样本中在第m个采样点的第r个距离单元位置上的像素数值置零，得到q个测试样本中的杂波背景。2.根据权利要求1所述的基于高斯混合模型的杂波背景提取方法，其特征在于，步骤(1a)中所述的对每个离散数字信号进行预处理，实现步骤为：对每个离散数字信号进行数字下变频处理，并对每个数字下变频处理后的基带信号进行下采样，然后对每个下采样信号进行脉冲压缩处理，得到m
×
n
×
l个时域脉冲信号。3.根据权利要求1所述的基于高斯混合模型的杂波背景提取方法，其特征在于，步骤(3b)中所述的每个子模型p
m,r
对每个训练样本中的每个像素数值的类别进行预测，实现步骤为：计算每个训练样本中每个像素数值与高斯混合模型中每个子模型p
m,r
中每个高斯分布函数g
k
的均值μ
k,t-1
的距离并判断是否成立，若是，则令第m个采样点的第r个距离单元位置的数值表示预测的类别结果为杂波信号，否则，令表示预测的类别结果为目标信号。4.根据权利要求1所述的基于高斯混合模型的杂波背景提取方法，其特征在于，步骤(3c)中所述的通过全局学习率α对每个子模型p
m,r
中的每个高斯分布函数g
k
的权值w
k,t
、均值μ
k,t
、方差进行更新，其中：当时，更新公式为：时，更新公式为：时，更新公式为：时，更新公式为：时，更新公式为：时，更新公式为：其中，argmin
k
[
·
]表示返回使目标函数func(
·
)取最小值时的变量值k，ρ表示改变因子。
当时，更新公式为：时，更新公式为：时，更新公式为：

技术总结
本发明公开了一种基于高斯混合模型的杂波背景提取方法，实现步骤为：获取训练样本集和测试样本集；构建高斯混合模型；对高斯混合模型进行迭代训练；对每个测试样本的类别进行预测；获取杂波背景的提取结果。本发明中使用的高斯混合模型可以有效地确定具有目标特征的信息，利用目标信息将其中虚假的目标信息排除可以确定真实目标，由真实目标通过剔除样本中的真实目标信号，可以提取到包含具有较高强度杂波背景在内的杂波背景信息，最终得到较为全面的杂波背景信息，避免了现有技术对多普勒-距离图像中具有较高强度的杂波背景的提取能力较差的缺陷，有效提高了对杂波的抑制能力。力。力。


技术研发人员：刘向丽 许明辉 王志国 李赞 范文靖 付祎 李思远
受保护的技术使用者：西安交通大学
技术研发日：2023.02.28
技术公布日：2023/7/12