[发明专利]一种海环境下基于双参数KNN的小目标检测方法

说明书

本发明公开了一种海环境下基于双参数KNN的小目标检测方法，本发明考虑传统KNN算法无法控制虚警率的问题，通过调节k值和比例参数η，来达到控制虚警率的目的，是模式识别技术或理论在对海雷达慢速小目标检测领域的延展。能够更加深入小目标检测问题，具有泛化性优良的特点，是一种新的有应用潜力的小目标检测方法。

技术领域

本发明属于对海雷达慢速小目标检测技术领域，该方法在联合多维特征的基础上，设计双参数的KNN进行海上小目标检测。

背景技术

海面小目标主要指浮冰、小船、蛙人和飞机残骸，是对海雷达执行预警、探测和跟踪的重点和难点对象。慢速小目标回波微弱，海面小型目标具有很小的雷达截面积(Radercross section，RCS)和较弱的雷达回波，低SCR情况下传统检测方法很难进行检测。以往的基于自适应类的检测算法,主要用于广域的警戒雷达和监视雷达，但是，海杂波具有较宽的多普勒带宽，当海面目标速度较低或较小时，目标回波往往会淹没在强的海杂波中，因此对于海面微弱目标，自适应检测算法性能存在较大程度的下滑。面对这个问题，高距离分辨率和长时间累积下的海面微弱目标特征检测算法应运而生。研究人员提取时域，频域，时频域等特征，将样本投射到区分度更高的特征空间，进而使用模式识别等方法进行分类。

普通的二分类问题中，两类错分概率是等价的，但是在目标检测中，虚警概率比漏检概率更重要(通常，虚警概率要低于10^-3而漏检概率可能达十分之几)，并且我们希望虚警率是可控的。因此，基于双参数KNN的小目标检测算法成为解决这一问题的另一个有效途径，现有的算法有基于三特征的凸包算法和可控虚警SVM等。

发明内容

本发明针对现有技术的不足，凸包算法存在特征限制，特征一旦多于3个便难以运算，SVM需要选取合适的核函数，且计算复杂。提出一种基于双参数KNN的方法。本发明的核心技术是可控虚警。本发明的使用，能够实现虚警率的可控，提高检测精度。本发明是对海雷达慢速小目标检测应用领域的创新发展。

为了实现上述目的，本发明采用的技术方案如下所述：

步骤一：特征提取；根据需要提取时域频域时频域的特征构成特征向量；

步骤二：计算每一个测试特征向量与所有训练样本之间的欧式距离，得到距离向量D；

步骤三：将距离向量D中的元素按从小到大的顺序进行排列，并取k个最小距离值所对应的k个训练样本，构成k近邻；

步骤四：计算k近邻中，海杂波样本的数量和目标样本数量p和q，其中p+q＝k；

步骤五：通过网格寻优找到最佳的k_*和η_*；

步骤六：对于每个测试样本，在k_*个近邻中，若η_*·p≥q,测试样本判定成海杂波标签H₀，否则判定为目标标签H₁。

作为优选，所述的特征提取；具体为：训练样本集和测试样本集，提取所需特征构成特征向量，将训练样本中海杂波标签记为H₀，目标标签记为H₁。

作为优选，通过网格寻优找到最佳的k_*和η_*；具体为：

设置网格寻优的范围k∈[k₁,k₂],η∈[η₁,η₂]，寻优得到最佳参数k_*,η_*，使得实现的虚警概率P_fa^*和预设的虚警概率P_fa之间差的绝对值小于一个极小值，并且得到的检测概率P_d最大。