基于極化聯(lián)合特征的海面目標(biāo)檢測方法

陳世超 高鶴婷 羅 豐*

①(西安電子科技大學(xué)雷達(dá)信號(hào)處理國家重點(diǎn)實(shí)驗(yàn)室 西安 710071)②(中國人民解放軍海軍701工廠 北京 100016)

1 引言

海事雷達(dá)的首要任務(wù)是早期預(yù)警，尤其是對(duì)海面小目標(biāo)的檢測，如海面上的小船、低空飛行器、浮冰等[1—3]。海雜波背景下常用的目標(biāo)檢測技術(shù)是基于幅度分布統(tǒng)計(jì)模型的目標(biāo)檢測方法，該類方法假設(shè)海雜波符合某種幅度分布模型，通過統(tǒng)計(jì)假設(shè)檢驗(yàn)將目標(biāo)檢測變?yōu)榻?jīng)典的二元假設(shè)問題，也稱為基于加性模型的方法[4,5]。然而，隨著高分辨技術(shù)和精細(xì)化建模技術(shù)的發(fā)展，目標(biāo)的存在使得海雜波表面散射的細(xì)微結(jié)構(gòu)發(fā)生改變，此時(shí)目標(biāo)所在單元的海雜波與純雜波單元的海雜波不再滿足統(tǒng)計(jì)一致性，傳統(tǒng)的基于加性模型的方法不再適用，由此引入非加性的目標(biāo)檢測觀測模型[6—9]。基于特征的目標(biāo)檢測方法基于非加性觀測模型，是近年來海面目標(biāo)檢測的研究熱點(diǎn)，該類方法將模式識(shí)別與海雜波特性相結(jié)合，為高海情下的海面目標(biāo)檢測提供了新的思路：利用純雜波和目標(biāo)樣本的在統(tǒng)計(jì)域、多普勒域、時(shí)頻域、分形域等方面的差異，通過特征提取和模式識(shí)別，將目標(biāo)的二元檢測問題轉(zhuǎn)化為異常檢測中的一元分類問題，從而完成目標(biāo)檢測。然而良好的可分性通常伴隨較大的運(yùn)算量，特征的可分性和分類器的魯棒性直接決定目標(biāo)檢測性能的優(yōu)劣[10—14]。

極化作為矢量波共有的一種性質(zhì)，在紅外、光學(xué)、雷達(dá)等領(lǐng)域均受到了廣泛關(guān)注。就雷達(dá)而言，極化描述的是電磁波的電場矢量在傳播截面上隨時(shí)間的變化軌跡，它反映了電磁波的矢量特性，是電磁波除時(shí)域、頻域和空域信息以外可利用的重要信息，充分挖掘極化信息為現(xiàn)代雷達(dá)探測系統(tǒng)性能的改善提供了廣闊的空間[15]。與單極化體制雷達(dá)相比，全極化雷達(dá)回波中所包含的信息更加豐富，近年來有學(xué)者發(fā)現(xiàn)它在海面小目標(biāo)檢測方面也存在巨大潛力[16—18]。文獻(xiàn)[15]首次使用Cloude特征分解方法，研究了低擦地角下海雜波散射的隨機(jī)性。文獻(xiàn)[13]從全極化信息角度提出一種基于極化特征分解的海面目標(biāo)檢測算法，通過對(duì)回波特征矩陣進(jìn)行Cloude極化特征分解，提出了基于聯(lián)合熵間距(Distance Between Entropy and Anisotropy, DBEA)的海面目標(biāo)檢測方法。然而，由于目標(biāo)的球面散射與海雜波的表面散射接近一致，在觀測時(shí)間較短時(shí)檢測性能有所下降。文獻(xiàn)[14]利用基于模型的極化分解方法，提出了基于三維極化特征的方法，該方法分別從平面散射、體散射和二次散射角度對(duì)海雜波和目標(biāo)的特性進(jìn)行了詳細(xì)分析，并通過實(shí)測數(shù)據(jù)證明了該方法具有良好的檢測性能。然而由于基于模型的分解方法存在平面散射分量可能被高估或計(jì)算結(jié)果可能出現(xiàn)負(fù)值的缺陷，將導(dǎo)致呈現(xiàn)的散射機(jī)理與理論相悖[18]。

本文從全極化體制角度出發(fā)，提出一種基于極化聯(lián)合特征的海面目標(biāo)檢測方法。首先基于極化協(xié)方差矩陣，通過Cloude特征分解，提取反映回波極化散射隨機(jī)程度的極化熵和極化反熵的數(shù)學(xué)期望；接著直接基于極化散射矩陣，通過Krogager特征分解，提取反映回波散射分量結(jié)構(gòu)組成的球散射體分量、二面角散射體分量和螺旋體散射分量的歸一化系數(shù)；利用提取的特征組成五維特征空間并通過主成分分析(Principal Component Analysis, PCA)降維證明所提特征具有良好的可分性，最后采用一類支持向量機(jī)(One Class Support Vector Machine,OCSVM)進(jìn)行學(xué)習(xí)和分類，實(shí)現(xiàn)目標(biāo)檢測。

2 極化特征分解

現(xiàn)有的基于極化特征的海面目標(biāo)檢測方法通常僅通過基于極化協(xié)方差矩陣的非相干分解方法對(duì)回波信號(hào)進(jìn)行分解，如Cloude極化特征分解和基于模型的特征分解方法。雖然采用此類方法描述目標(biāo)散射特性時(shí)，具有明確的物理含義且檢測效果良好，但基于單一極化角度分析使得可利用的極化信息有限。為解決上述問題，本節(jié)中將分別從極化散射矩陣和極化協(xié)方差矩陣兩方面對(duì)海雜波和小目標(biāo)進(jìn)行分析。

2.1 Cloude分解

Cloude極化分解是一種基于極化協(xié)方差矩陣的非相干分解方法[19]。對(duì)于接收機(jī)采集的信號(hào)回波，散射回波往往是一些簡單散射體散射回波的疊加，加之相干斑噪聲的影響，散射特性無法用單個(gè)點(diǎn)的散射矩陣來準(zhǔn)確描述。對(duì)于這種情況，通常采用非相干分解的方法，即需要引入對(duì)回波信號(hào)的統(tǒng)計(jì)描述，如使用回波的各種統(tǒng)計(jì)矩來減小相干斑噪聲的影響，并且有效利用極化通道之間的相關(guān)性信息。Cloude極化分解是經(jīng)典的非相干分解方法，該方法通過極化協(xié)方差矩陣將特征值分解引入到極化分解領(lǐng)域，其優(yōu)勢(shì)在于分解的結(jié)果不受極化基選取的影響。在特征值分解中，大特征值對(duì)應(yīng)主要的散射方式。利用雷達(dá)測量數(shù)據(jù)的極化信息，首先要通過極化散射矩陣求出散射矢量。在利用Pauli基矩陣的基礎(chǔ)上，將極化散射矩陣矢量化為極化散射矩陣kp

其中， sHH, sVV, sHV和 sVH分別為HH, VV, HV和VH 4個(gè)極化通道的雷達(dá)回波數(shù)據(jù)的信號(hào)幅值，T代表矩陣的轉(zhuǎn)置。由于Pauli基矩陣的散射矢量中的元素 kp與回波散射的物理特性非常接近，因此可以用于解釋回波的物理散射機(jī)理。根據(jù)文獻(xiàn)[19,20]，可完成對(duì)信號(hào)回波的Cloude極化特征分解

其中， λ1＞ λ2＞ λ3為 T 的 特征值， ui是 第i個(gè)特征值對(duì)應(yīng)的特征向量。

最后，根據(jù) { λi,μi}3i=1的計(jì)算結(jié)果，極化熵和極化反熵可以定義為

極化熵 H 的取值范圍為[ 0 ,1]，表示極化散射機(jī)理的無序程度，即 H的值越大，回波散射的隨機(jī)性就越強(qiáng)。當(dāng) H值為0時(shí)，回波只包含一個(gè)主散射分量；隨著 H的增大，散射的隨機(jī)性增加，此時(shí)回波的散射中便不再認(rèn)為其僅存在一個(gè)占主要地位的散射機(jī)理，而由幾種散射過程組成；當(dāng) H=1時(shí)，3個(gè)特征值相等，回波的散射是完全隨機(jī)的。 A反映了第2散射分量和第3散射分量的比值，體現(xiàn)了各散射分量之間的相對(duì)關(guān)系，是對(duì)利用熵值 H描述目標(biāo)極化散射特性的有效補(bǔ)充。 H和 A特征表征了目標(biāo)散射的隨機(jī)性。文獻(xiàn)[15]通過Cloude分解，利用雷達(dá)在低擦地角工作時(shí)海雜波極化隨反射角和方位角變化的曲線線性關(guān)系，得出結(jié)論：當(dāng)反射角＞85°時(shí)，海雜波屬于完全隨機(jī)散射。另一方面，由于人造目標(biāo)通常具有特定的形狀，因此目標(biāo)的存在降低了海面散射的隨機(jī)性，此時(shí)對(duì)應(yīng)的純海雜波回波的H值較大，而包含目標(biāo)的海雜波回波的 H值較小。

根據(jù)上述分析，本文提取極化熵和反熵的數(shù)學(xué)期望，利用二者在純雜波單元和含目標(biāo)單元的隨機(jī)性方面呈現(xiàn)的差異，作為檢測的特征量，記二者的數(shù)學(xué)期望為

其中， p (Hi)表 示 Hi的 概率密度函數(shù)， p( Ai)表示Ai.的概率密度函數(shù)。

2.2 Krogager分解

Krogager分解是一種典型的基于復(fù)Sinclair矩陣和正則散射機(jī)制的相干分解方法[21]。對(duì)于確定性目標(biāo)，即目標(biāo)的散射特性是確定性的(或非時(shí)變性的)，通常將目標(biāo)的1階散射矩陣分解為幾個(gè)獨(dú)立的散射矩陣的疊加。對(duì)于這種情況，通常采用相干分解的方法，即將目標(biāo)的散射特性分解為幾種簡單、基本的散射體散射特性的疊加。Sinclair散射矩陣中包含著豐富的信息，描述了電磁波照射在目標(biāo)上后與之發(fā)生電磁相互作用時(shí)的復(fù)雜現(xiàn)象，并且矩陣信息中包括雷達(dá)目標(biāo)的散射能量、相位及極化特性，因此雷達(dá)照射目標(biāo)的電磁散射特性可以通過散射矩陣中的極化信息來描述[22]。Krogager分解的核心是在旋轉(zhuǎn)角度變化的情況下，3個(gè)相干分量對(duì)應(yīng)于球面散射(也可作平面散射或三面角散射[22])、二面角散射和螺旋體散射。該方法的一個(gè)優(yōu)點(diǎn)是，3個(gè)分量系數(shù)包含了散射矩陣原始元素的振幅和相位，這進(jìn)一步說明這些分量與實(shí)際的物理散射機(jī)制密切相關(guān)，因此，Krogager分解可以用來分析海面目標(biāo)檢測中的海雜波和目標(biāo)在極化域的特征差異。

Krogager分解可表示為基于線性極化基的公式，如

其中， S 為目標(biāo)單元的極化散射矩陣， ks為球面散射體分量的實(shí)系數(shù)， kd為二面角散射體的實(shí)系數(shù)，kh為 螺旋散射體的實(shí)系數(shù)。φ , φs和 θ 為相位參數(shù)。

對(duì)式(6)中的參數(shù)進(jìn)行求解是一個(gè)較為復(fù)雜的問題，此時(shí)可將線極化基(H,V)轉(zhuǎn)換為圓極化基(R.L)完成相關(guān)的計(jì)算。圓極化基下基本散射體的極化散射矩陣元素的幅值不變，形式較為簡單，便于求解[22]。根據(jù)文獻(xiàn)[22]對(duì)信號(hào)回波進(jìn)行Krogager極化特征分解，最終可得到球面散射體系數(shù) ks，二面角散射系數(shù) kd和 螺旋體散射系數(shù) kh，分別可表示為

其中， srr, sll和 srl分別表示圓極化基下信號(hào)回波的各散射分量值。

由于在不同海情下海雜波的回波能量變化起伏較大，檢測單元中提取的絕對(duì)散射分量系數(shù)可能無法區(qū)分出目標(biāo)與雜波?？紤]檢測單元和參考單元的散射能量的相對(duì)比值，可以降低雜波對(duì)特征分辨力的影響。因此定義這3個(gè)散射體在目標(biāo)回波中的歸一化散射系數(shù)如

Kks, Kkd和 Kkh分別代表了回波中球面散射、二面角散射和螺旋體散射的歸一化系數(shù)。海情等級(jí)較低時(shí)，純海雜波回波中的主要散射成分為球面散射，隨著海情等級(jí)的增加，純海雜波回波的散射成分復(fù)雜度增加，難以用具體的某種散射成分來描述。然而由于人造目標(biāo)往往表面光滑平整，相對(duì)于高海情下散射成分復(fù)雜的海雜波回波而言，此時(shí)目標(biāo)的球面散射特性更為明顯，此外大量的實(shí)測數(shù)據(jù)也已證明目標(biāo)會(huì)呈現(xiàn)出明顯的二面角散射特性。由式(6)可以得出，二面角散射可看做左旋螺旋體散射和右旋螺旋體散射的集合體，因此在高海情下，目標(biāo)單元回波的螺旋體散射成分也明顯高于雜波單元回波的螺旋體散射成分。

3 基于極化聯(lián)合特征的目標(biāo)檢測方法

3.1 實(shí)測數(shù)據(jù)說明

本文采用的實(shí)驗(yàn)數(shù)據(jù)來自加拿大McMaster大學(xué)的IPIX雷達(dá)數(shù)據(jù)庫網(wǎng)站，雷達(dá)頻率為9.39 GHz，脈沖重復(fù)頻率為1 kHz。各組數(shù)據(jù)包含同步收集的HH, VV, HV和VH這4種極化方式數(shù)據(jù)，1993年的實(shí)驗(yàn)中，雷達(dá)架設(shè)在加拿大東海岸Dartmouth附近30 m高的懸崖上，雷達(dá)朝大西洋海面照射，待檢測目標(biāo)為一個(gè)直徑1 m的球形密封救生器，表面包裹一層用來增強(qiáng)信號(hào)的鋁箔。目標(biāo)漂浮在海面上，不斷上浮和下落。每個(gè)數(shù)據(jù)文件含14個(gè)距離單元的回波信號(hào)，每個(gè)距離單元的采樣點(diǎn)數(shù)為131072個(gè)，目標(biāo)主要占據(jù)1個(gè)距離單元，目標(biāo)所在單元旁邊有2～3個(gè)影響單元，其他均為純雜波單元。所選數(shù)據(jù)的信雜比在—2～18 dB范圍內(nèi)[8,9]，數(shù)據(jù)文件的主要參數(shù)如表1所示。

3.2 極化特性分析

通過Cloude極化特征分解，可以得出來自純海雜波單元的雷達(dá)回波僅包含隨機(jī)散射的海雜波回波，而來自目標(biāo)單元的雷達(dá)回波，目標(biāo)的存在使得回波中極化散射的隨機(jī)性降低。因此，目標(biāo)單元的極化熵小于海雜波單元的極化熵，而極化反熵相反。通過Krogager極化特征分解，可以得出來自目標(biāo)單元的球面散射分量、二面角散射分量和螺旋體散射分量的歸一化系數(shù)均明顯高于純海雜波單元的這3種分量，且隨著海情等級(jí)的增加，海雜波的極化散射特性的復(fù)雜性增加，而目標(biāo)依舊呈現(xiàn)出明確的球面散射、二面角散射和螺旋體散射特性，目標(biāo)和海雜波的可分性增強(qiáng)。以1993年IPIX數(shù)據(jù)中的4個(gè)數(shù)據(jù)文件為例驗(yàn)證所提特征的可分性，為保證數(shù)據(jù)相關(guān)性，隨機(jī)選取觀測時(shí)間為1.024 s的連續(xù)時(shí)間序列，提取回波數(shù)據(jù)的極化熵期望 GH，極化反熵期望 GA， 球散射體散射系數(shù) Kks，二面角散射系數(shù) Kkd， 螺旋體散射系數(shù) Kkh等5個(gè)特征。為了得到可視化的結(jié)果，采用PCA[23]對(duì)五維特征進(jìn)行降維，定性地對(duì)目標(biāo)和雜波的特征可分性進(jìn)行描述。圖1為所選數(shù)據(jù)第一距離單元(雜波單元)和目標(biāo)距離單元特征降維后的二維散布圖。可以看出，目標(biāo)距離單元的樣本和雜波距離單元的樣本是基本可分的，證明了所提特征的有效性和可分性。

表 1 1993年IPIX雷達(dá)數(shù)據(jù)主要參數(shù)說明Tab. 1 The description of IPIX datasets in 1993

3.3 基于極化聯(lián)合特征的目標(biāo)檢測算法

實(shí)際應(yīng)用會(huì)存在某類樣本獲取代價(jià)太大，甚至無法獲取的情況，從而導(dǎo)致不同類的樣本數(shù)量不均衡甚至某類樣本不存在。在這種情況下，兩類或多類分類器就會(huì)發(fā)生分類界面偏移甚至是分類器無法訓(xùn)練的問題。而一類分類器由于訓(xùn)練時(shí)只需要一類樣本參與，可以用來解決上述問題，因此廣泛用于異常檢測、故障排除、目標(biāo)檢測和目標(biāo)鑒別等任務(wù)中[24]。

OCSVM作為一種基于域的一類分類方法，尋找的是一個(gè)滿足如下條件的分類超平面：(1)所有的訓(xùn)練樣本都位于超平面的上方；(2)原點(diǎn)到超平面的距離最大。原點(diǎn)到超平面的最大距離稱之為“最大間隔”，因此OCSVM也被稱為“最大間隔一類分類器”。OCSVM的函數(shù)可以表示成形式如

其中， w是 超平面的斜率， ρ為超平面的截距， ξi為松弛變量， N 為訓(xùn)練樣本數(shù)， η為超參數(shù)，高函數(shù)可以轉(zhuǎn)化為對(duì)偶形式

在所提方法中，由于海雜波回波的數(shù)目遠(yuǎn)大于目標(biāo)回波的數(shù)目，因此使用OCSVM作為檢測器，在訓(xùn)練步驟中只使用海雜波這一類樣本。結(jié)合OCSVM，整個(gè)過程可以描述如下：

(1) 采集全極化通道數(shù)據(jù)，將其分割成不同的時(shí)間序列作為實(shí)驗(yàn)樣本；

(2) 對(duì)所有樣本進(jìn)行Cloude和Krogager極化特征分解，提取 GH, GA, Kks, Kkd, Kkh構(gòu)成五維極化聯(lián)合特征，并分別為其附加類別標(biāo)簽(1表示純海雜波，—1表示目標(biāo)單元回波)，作為實(shí)驗(yàn)數(shù)據(jù)集；

(3) 選取前1/2的雜波樣本訓(xùn)練OCSVM，選擇高斯核函數(shù)；

(4) 選取后1/2的雜波樣本和所有目標(biāo)樣本作為測試樣本，利用訓(xùn)練好的OCSVM檢測器來確定測試樣本是純雜波還是目標(biāo)。

基于極化特征的檢測器的流程圖如圖2所示。

4 檢測性能分析

在這一部分中，本文通過在1993年的IPIX數(shù)據(jù)驗(yàn)證所提檢測方法的性能。定義準(zhǔn)確率 CR和虛警率 FR以 定量評(píng)估本文方法的性能。 CR越 大，F(xiàn)R越小，檢測方法的性能越好。

4.1 不同數(shù)據(jù)集的方法的檢測性能

在1993年的數(shù)據(jù)集中(除#26和#30這兩個(gè)數(shù)據(jù)集的雜波單元為11個(gè))，大部分雜波單元為10個(gè)，目標(biāo)雜波單元為1個(gè)。在訓(xùn)練步驟中，利用每組海雜波回波的前半部分樣本訓(xùn)練OCSVM，剩余的海雜波和目標(biāo)樣本進(jìn)行測試。數(shù)據(jù)集(#26和#30除外)的劃分說明如表2所示。

觀測時(shí)間類型設(shè)置為： 2nms( n的取值從7到12)，因此每個(gè)單元對(duì)應(yīng)的特征向量樣本為1024,512, 256, 128, 64和32。圖3表示出了該方法在不同觀測時(shí)間下的檢測性能，其中水平坐標(biāo)表示觀測時(shí)間(觀測時(shí)間從27ms到212ms)，垂直坐標(biāo)表示檢測的準(zhǔn)確率。通過對(duì)OCSVM超參數(shù)的微調(diào)，將其FR值設(shè)為0.01上下，波動(dòng)幅度在20%以內(nèi)。從圖3可以看出，該方法在不同觀測時(shí)間的檢測性能良好。隨著選取每個(gè)樣本的觀測時(shí)間的增加，每個(gè)目標(biāo)或雜波的回波樣本中包含的采樣點(diǎn)數(shù)增加，則每個(gè)目標(biāo)樣本或每個(gè)雜波樣本獲得的回波信息增加，因此從樣本中提取的目標(biāo)和雜波樣本的特征可分性增強(qiáng)，從而提高了檢測性能。且信雜比高的數(shù)據(jù)集的檢測準(zhǔn)確率要遠(yuǎn)高于信雜比低的數(shù)據(jù)集。

4.2 不同核函數(shù)下方法的檢測性能

圖 2 基于極化聯(lián)合特征的海面目標(biāo)檢測流程圖Fig. 2 Flow chart of surface target detection based on polarization joint feature

表 2 實(shí)驗(yàn)樣本數(shù)說明Tab. 2 The description of experimental sample number

對(duì)于標(biāo)準(zhǔn)的兩類支持向量機(jī)來說，線性核函數(shù)、多項(xiàng)式核函數(shù)、Sigmoid核函數(shù)以及高斯核函數(shù)在不同的應(yīng)用中都取得了不錯(cuò)的效果。但是，對(duì)于本文使用的OCSVM來說，文獻(xiàn)[25—28]的研究表明：相比于其他類型的核函數(shù)，高斯核函數(shù)最適合OCSVM。因此，在文中的OCSVM中核函數(shù)的選擇上，我們使用高斯核函數(shù)。為了驗(yàn)證文獻(xiàn)[25—28]中的結(jié)論，本文以IPIX雷達(dá)1993年數(shù)據(jù)集中的#54, #280和#311為例，虛警率控制在0.01左右。比較不同核函數(shù)下OCSVM在這3組數(shù)據(jù)集上的檢測性能，實(shí)驗(yàn)結(jié)果如表3所示。從表3中可以看出，在3組數(shù)據(jù)集上，高斯核函數(shù)下的一類支持向量機(jī)都取得了最高的檢測正確率，其次是多項(xiàng)式核函數(shù)以及Sigmoid核函數(shù)，最差的是線性核函數(shù)。表3的實(shí)驗(yàn)結(jié)果和文獻(xiàn)[25—28]的理論分析吻合，即高斯核函數(shù)是OCSVM中最適合的核函數(shù)。

4.3 不同方法的檢測性能對(duì)比

圖 3 不同觀測時(shí)間下不同數(shù)據(jù)集的檢測準(zhǔn)確率Fig. 3 Detection accuracy of different data sets in different observation time

在本節(jié)中，首先驗(yàn)證所提方法中不同分解后各自的檢測性能。以#280, #311, #320和#54數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)。采用[ GH,GA,Ks,Kd,Kh]作為OCSVM的輸入特征向量進(jìn)行訓(xùn)練和測試，并與單獨(dú)以[ GH,GA]或[ Ks,Kd,Kh]為特征向量的實(shí)驗(yàn)結(jié)果進(jìn)行比較，實(shí)驗(yàn)結(jié)果如表4所示。由表4可以得出：由兩種極化分解方法提取到的特征不僅有良好的可分性，同時(shí)也有較好的互補(bǔ)性。所提檢測方法綜合了兩種極化分解提取的特征，獲取了更為豐富的極化散射信息，因此，檢測的正確率要高于單獨(dú)以[GH,GA]或[Ks,Kd,Kh]為特征向量的檢測方法，而虛警率與單獨(dú)以[ GH,GA]或[ Ks,Kd,Kh]為特征向量的檢測方法相比有所降低。

其次，將所提出的方法與經(jīng)典的三特征法[11]和現(xiàn)有的兩種基于極化特征的檢測方法進(jìn)行比較。為方便表示，文獻(xiàn)[13]中的方法稱為極化熵間距法(簡稱DBEA)，文獻(xiàn)[14]中的方法稱為三維極化特征法(Tri-Polarization-Features Method, 3D-PFM)，文獻(xiàn)[11]中所提出的四極化通道三特征法為經(jīng)典三特征方法在四極化通道下的改進(jìn)，這里簡稱為四極化通道三特征法(Tri-feature method in Four Polarization Channels, Tri-FPC)。在分類器的選擇上，統(tǒng)一選擇OCSVM作為檢測器。另外，觀測時(shí)間分別設(shè)置為128 ms, 1024 ms和4096 ms，檢測結(jié)果如表5所示。

表 3 不同核函數(shù)下OCSVM在3組數(shù)據(jù)集上的檢測正確率(%)Tab. 3 The detection accuracy of OCSVM in the three datasets with different kernel functions

表 4 不同極化分解后的檢測性能Tab. 4 The detection performance after different polarization decomposition

表 5 不同觀測時(shí)間下不同方法的檢測性能Tab. 5 The detection performance of different methods in different observation time

由表5可以看出，隨著觀測時(shí)間的增加，各種方法的檢測性能都有所提高，而 FR相差不大。其中基于DBEA的方法由于海表面的極化散射矩陣與小球表面的極化散射矩陣相同，因此檢測效果最差。與基于3D-PFM的方法和基于Tri-FPC方法相比，所提方法的 CR平均要高出2%，尤其是當(dāng)觀測時(shí)間為0.128 s時(shí)，所提方法具有明顯的優(yōu)勢(shì)。這是因?yàn)樗岱椒▽⒒跇O化散射矩陣的相干分解方法和基于極化協(xié)方差矩陣的非相干方法相結(jié)合，獲得了更加豐富的極化信息。因此，利用目標(biāo)和海雜波回波的極化信息，特別是在較短的觀測時(shí)間內(nèi)，所提方法具有更好的檢測性能。

5 結(jié)束語

本文從全極化體制角度出發(fā)，通過對(duì)IPIX雷達(dá)四極化通道的數(shù)據(jù)進(jìn)行Cloude和Krogager兩種不同的極化特征分解，更為詳細(xì)地分析了復(fù)雜海情下海面小目標(biāo)和純雜波的散射特性。通過提取回波信號(hào)的5種極化特征，構(gòu)成五維特征空間，針對(duì)目標(biāo)和雜波的極化聯(lián)合特征可分性，利用OCSVM進(jìn)行分類識(shí)別，得到了良好的目標(biāo)檢測結(jié)果。本文首次將Krogager極化特征分解方法引入海面目標(biāo)檢測，更為直觀地闡述了純雜波和目標(biāo)的散射分量構(gòu)成，為進(jìn)一步研究海雜波極化散射特性在海面目標(biāo)檢測中的應(yīng)用奠定了基礎(chǔ)。此外，海雜波的極化散射特性復(fù)雜多變，關(guān)于海雜波極化散射的更進(jìn)一步研究是下一步的研究方向。