数据TBD累积视频截图；图4(c)是前二帧数据TBD累积视频截图；图4(d)是前四 帧数据TBD累积视频截图；图4(e)是前五帧数据TBD累积视频截图；图4(f)是六帧数据 TBD累积视频截图；
[0037] 图5是形态特征的目标检测变换图；图5 (a)是DP-TBD多帧累积观测数据；图5 (b) 是对图5(a)中的数据进行顶帽变换后的数据；图5(c)是目标检测结果；
[0038] 图6是6dB仿真目标从第1帧到第10帧航迹关联结果示意图；图6 (a)是目标真 值航迹，图6(b)是目标检测航迹。
【具体实施方式】
[0039] 下面结合附图对本发明作进一步详细描述。
[0040] 图1中基于图像特征的雷达弱目标检测方法包括以下步骤：
[0041] 1.滤波处理：对雷达观测目标的单帧观测数据进行滤波处理，可以采用双极点滤 波来消除观测数据中的噪声，增强信号信噪比。双极点滤波的差分递推公式为：
[0042] yn=Xni+kA「k2yn2
[0043] 其中，xgn时刻的雷达输入信号，xn屬n-1时刻的雷达输入信号，y"是n时刻 经过双极点积累后的输出彳目号，yn :是n_l时刻经过双极点积累后的输出彳目号，yn2是n_2 时刻经过双极点积累后的输出信号，kp匕是双极点积累器的加权系数。
[0044] 除了采用双极点滤波，还可以采用单极点滤波、滑窗检测、低速目标检测器等等， 只要满足信号非相干积累条件即可。
[0045] 2.数据归一化：计算输入数据的噪声功率均值^，利用噪声功率均值对雷达单帧 观测数据M幻进行归一化，归一化后的雷达单帧观测数据为Zxy(k):
[0046] z^ {k) =z, {k)lPa
[0047] 3.动态规划的目标积累：利用DP-TBD动态规划算法，把目标可能经历的所有轨迹 的观测值累积起来，采用连续K帧数据进行积累，连续积累观测帧数K可以根据雷达的性能 预先设定，获取并存储雷达观测目标在K帧内每一观测时刻k的累积观测量和最佳转移状 态，每一观测时刻k对应一帧观测数据。具体表述为：
[0048] (a).初始化：以第1帧数据为起始观测帧，初始状态设为{ f:，即认 为初始时刻目标可能在状态空间的任何位置，其中（Xl，yi)是目标坐标，是目标速度。 记
[0049]
[0050] 其中，&表示目标在观测时刻1的目标初始位置和初始速度信息；zxy(l)表示第一 帧观测数据在（X，y)这一坐标位置的观测值，大小由信号的幅度和噪声共同决定；I(Xi)为 第一帧观测数据的累积观测量，I(xk)称为代价函数或累积观测量，记录沿某一轨迹的观测 值的非相干累积，可采用幅度值进行累积；为目标在第一帧的最佳转移状态，记录 目标在k时刻的状态在（x，y)这一坐标位置最可能自上一时刻的哪个状态转移而来。上述 初始化条件表示初始时刻，目标可能在观测范围内的任意分辨单元。
[0051 ] (b) ?递推：当2彡k彡K时，对所有的状态:
[0052]
[0053] 其中，I(Xk)为观测数据在k时刻的累积观测量，I(Xkl)为k_l时刻的累积观测量， d表示状态Xk:在所有搜索区域M*N内最大的累积观测量，该值所对应的状态为 该搜索区域内最可能转移到状态Xk的状态，Wx〇i)(k)为目标在第k帧的最佳转移状态，用 于记录Xkl中最大的累积观测值I(Xkl)对应的Xkl的目标位置和速度信息，zxy(k)表示第 k帧观测数据在（x，y)这一坐标位置的观测值。递推过程计算并存储状态转移过程和其相 应的累积观测值。图3是距离-方位向的状态转移示意图。
[0054] 4.基于图像特征的目标检测：形态滤波能够从图像中提取感兴趣的目标形状特 征，在图像去噪声、图像像素化处理、修剪毛刺、背景分割等方面具有广泛应用，例如人脸识 另IJ、显微镜图像中细菌计数、图像增强等。常规雷达目标探测只利用了目标的能量起伏信 息，忽略了目标在空间的形态特征，而将形态滤波，一方面能实现图像去噪，另外一方面还 能够利用形态特征实现目标提取，因此基于形态特征的目标检测具有良好应用前景，本发 明利用顶帽变换法可以有效过滤雷达观测目标的背景噪声，实现不均匀背景中目标提取。 本发明中采用形态滤波的顶帽变换方法，实现DP-TBD多帧累积观测数据中的目标提取。
[0055] J(XK) =Tophat[I(XK),SE]
[0056] 式中，I(XK)表示连续积累观测帧数K对应时刻的累积观测量，J(XK)表示至第K帧 累积观测数据经过顶帽变换（Tophat变换）后的雷达数据，SE是形态滤波的结构算子，顶帽 变换表示图像Image与图像Image的开运算之差，为了方便描述，利用H指代，表达式为：
[0057]H=Image-(Image〇SE)
[0058] 寻找连续积累观测帧数K对应时刻的目标状态估计:
[0059] {i,} = {^,：./(.V；)>K/|
[0060] 其中^是门限。J(XK)表示至连续积累观测帧数K时，状态XK经过顶帽变换后的 累积观测数据。当该函数超过门限^时，即认为该目标在第K个观测时刻状态可能是XK。
[0061] 5.航迹回溯：提取DP-TBD算法的最优观测轨迹，实现航迹回溯。通过目标位置 xk，yk、运动速度4.，為等信息，排除虚假航迹，完成第k帧数据目标检测和航迹回溯。根据步 骤4中所得到的K时刻的目标状态估计，找出其对应的(K)，获取K-1时刻的目标状 态估计戈h，再利用状态XKi对应的(K-_1)获取K-2时刻的状态，依次类推，获取所有 连续观测帧的目标估计，即如下表达式：
[0062] X,=VPV (A' +l)k=K-1,
[0063]其中，VPA||G々 +l)保留的是14+1最可能自k时刻哪个状态转移而来，将此状态作为k时刻目标状态的估计。
[0064] 6.航迹关联：以第2帧数据为起始观测帧，重复步骤1到步骤5,进行连续帧数据 处理，即可得到第K+1帧的目标状态估计并进行记录，由于第2帧至第K帧观测数据的目标 状态估计已经获取，此时可不再进行更新；再以第3帧数据为起始观测数据，重复步骤1至 步骤5得到第K+2帧的目标状态估计并进行记录；依次类推，得到所有观测帧的目标状态估 计顺序连接，便可以得到目标的跟踪轨迹，完成目标跟踪。利用目标跟踪轨迹和目标的真实 轨迹进行对比，可以直观的验证弱目标检测方法的检测准确率。
[0065] 下面结合具体数值设置对本发明的基于图像特征的雷达弱目标检测方法做进一 步详细的描述。
[0066] 在200X100的观测区域中存在两个匀速运动的目标，不考虑目标动机；雷达天线 扫描l〇s/转，因此数据积累过程两帧的间隔为10s;目标SNR为5dB，运动方向相对于正北 顺时针195°，运动速度15单元/10s，目标初始位置分别为（40, 30)和（70, 30)。
[0067] 即对于目标1有：
[0068] Xi=[40, 30, 15*cos (195/180*it)，15*sin (195/180*it)]
[0069] 对于目标2有：
[0070] Xi=[70, 30, 15*cos (195/180*it)，15*sin (195/180*it)]
[0071] 扫描帧数为10帧，扫描间隔时间T= 10s;测量噪声为高斯白噪声。
[0072] 1.滤波处理：对雷达的每帧观测数据均进行双极点滤波，双极点积累器的加权系 数为：ki= 1. 26,k2= 0. 49,双极点滤波前后雷达视