[论文解读] Small-floating Target Detection in Sea Clutter via Visual Feature Classifying in the Time-Doppler Spectra

Yi Zhou, Yin Cui+3 more|arXiv (Cornell University)|Sep 9, 2020

Underwater Acoustics Research参考文献 19被引用 4

一句话总结

本文提出了一种新型雷达目标检测方法，用于在海杂波中检测小型漂浮物体，通过利用时频谱（TDS）中的视觉纹理特征。该方法采用局部二值模式（LBP）捕捉由目标干扰海面运动引起的纹理变化，并应用一类支持向量机（one-class SVM）在LBP特征空间中检测异常值，在IPIX雷达数据上的检测率优于现有方法。

ABSTRACT

It is challenging to detect small-floating object in the sea clutter for a surface radar. In this paper, we have observed that the backscatters from the target brake the continuity of the underlying motion of the sea surface in the time-Doppler spectra (TDS) images. Following this visual clue, we exploit the local binary pattern (LBP) to measure the variations of texture in the TDS images. It is shown that the radar returns containing target and those only having clutter are separable in the feature space of LBP. An unsupervised one-class support vector machine (SVM) is then utilized to detect the deviation of the LBP histogram of the clutter. The outiler of the detector is classified as the target. In the real-life IPIX radar data sets, our visual feature based detector shows favorable detection rate compared to other three existing approaches.

研究动机与目标

• 解决在回波幅度相似导致基于幅度的分离方法失效的海杂波中检测小型漂浮目标的挑战。
• 克服基于多普勒的方法在难以与海面运动区分的慢速移动目标上表现不佳的局限性。
• 识别时频谱（TDS）图像中可可靠区分含目标回波与仅含杂波回波的通用视觉纹理特征。
• 开发一种在标注数据有限且样本不平衡情况下仍能有效运行的无监督检测框架。
• 通过使用鲁棒的通用纹理描述符（LBP）和一类SVM异常检测，提升现有基于特征方法的检测性能。

提出的方法

• 从雷达回波中提取时频谱（TDS），以可视化海杂波和目标回波的多普勒-频率特性。
• 采用P=8个邻域和R=1半径的局部二值模式（LBP），以提高鲁棒性，计算TDS图像中的纹理特征，使用“uniform”格式。
• 将每张TDS图像表示为9-bin的LBP直方图，以编码局部纹理变化，捕捉目标存在引起的扰动。
• 使用仅含杂波的单元中提取的LBP直方图训练一类支持向量机（SVM），以建模正常杂波分布。
• 将LBP直方图位于训练后一类SVM边界之外的任意TDS图像分类为潜在目标。
• 采用高斯核函数，带宽s=1/m（m为训练样本数量），并将ν参数设为0.4，以处理样本不平衡和噪声较多的训练数据。

实验结果

研究问题

• RQ1 TDS图像中的视觉纹理差异是否能可靠地区分小型漂浮目标与海杂波？
• RQ2 LBP特征是否能有效捕捉目标在原本一致的海面运动中引起的结构扰动？
• RQ3 当仅能使用杂波样本进行训练时，一类SVM是否能有效检测LBP特征空间中的目标类异常值？
• RQ4 在真实IPIX雷达数据上，所提出的基于LBP的检测器与现有基于多特征或启发式特征的方法相比，检测率如何？
• RQ5 LBP特征在真实雷达数据中不同极化模式和环境条件下的泛化能力如何？

主要发现

• 基于LBP的特征空间成功将含目标的TDS图像与仅含杂波的图像区分开来，直方图分布差异明显。
• 在1993年达特茅斯IPIX数据集中，该方法在HH和VH极化模式下检测率达到0.90，优于NTFD（0.754）、Tri（0.577）和分形方法（0.303）。
• 在1998年格里姆斯比数据集中，该方法在HV和VH模式下检测率达到0.90，部分情况下优于NTFD（分别为0.997和1.000），且显著优于Tri和分形方法。
• 在1993年数据集中，该方法在所有极化模式下均保持高检测性能（总体检测率0.80），所有模式的检测率均超过0.70。
• LBP特征的检测性能与多特征NTFD方法相当或更优，证明其作为通用、低维纹理描述符的价值。
• 一类SVM分类器即使在训练数据有限且样本不平衡的情况下，也能有效检测目标作为异常值，验证了其在真实雷达场景中的鲁棒性。