基于分形和粗集理论的云杂波背景下序列图像弱目标检测

提出了云杂波背景下序列图像中弱目标检测新方法.基于粗糙集理论建立了云杂波背景下弱目标检测模型,使之符合两种不同图像边缘的局部分形维的奇异值改变,根据目标和背景的时域特征完成目标检测.实验及仿真结果表明,该算法能够抑制空间和时间相关性强的云杂波背景,且算法简单.     

基于跳跃马尔可夫模型的红外点目标检测方法

提出一种基于跳跃马尔可夫模型的红外点目标检测方法,根据模型设计了采用粒子滤器的模型参数与状态估计算法.该方法既能用于图像的空域滤波,也能用于序列图像的时域滤波.实验表明采用该方法进行空域/时域滤波可以极大地抑制杂波背景并增强点目标的可检测性.     

基于OS和UMVE的最大选择恒虚警检测算法

为了提高恒虚警检测器在多目标环境下的检测性能及有效控制杂波边缘环境中虚警率的上升,基于结合高效的无偏最小方差估计(UMVE)算法提出了一种新的最大选择恒虚警检测算法(OSUMGO-CFAR),它的前、后沿滑窗分别采用OS和UMVE方法得到两个局部估计,将其中的最大值作为背景杂波功率水平估计,去设置自适应检测门限。在SwerlingⅡ型目标假设下,推导了该算法在均匀背景下的矩产生函数MGF、平均判决阈值ADT、多目标环境下检测概率Pd和杂波边缘环境中虚警尖峰的数学解析表达式。采用数值计算的方法,将恒虚警损失及虚警尖峰分别作为衡量算法在多目标和杂波边缘环境下性能优劣的标准。分析结果表明,该算法在多目标和杂波边缘引起的非均匀背景中的性能,均比OSTMGO和GOSGO算法得到了改善。     

一种非均匀背景下的多策略CFAR检测器

为了提高非均匀背景下的雷达目标恒虚警(CFAR)检测性能,该文基于变化指数CFAR(VI-CFAR)检测器,提出一种多策略CFAR(MS-CFAR)检测器。该检测器通过对参考窗中的杂波背景进行估计,自适应选择单元平均CFAR(CA-CFAR)、逼近CFAR(AC-CFAR)和交互式CFAR(S-CFAR)中的一种作为最优检测策略。仿真结果表明,MS-CFAR在继承了VI-CFAR优点的基础上,在均匀背景、杂波边缘和多目标干扰等背景下都表现出更好的检测性能,且具有更稳健的抗杂波边缘和抗多目标干扰性能。     

复合高斯海杂波模型下最优相干检测进展

 不同于噪声背景下的目标检测,增加雷达发射功率对海杂波背景下的目标检测性能并不能带来重大的改善,因此海杂波的精细化建模和海杂波特性的充分利用成为改善目标检测性能的最重要途径。复合高斯模型是目前广泛使用的海杂波模型,为海杂波特性的精细描述提供了有力工具,而相应的最优检测理论和方法为目标检测性能改善提供了技术支持。本文综述复合高斯海杂波模型下最优及近最优相干检测理论和方法。首先,对K分布、广义Pareto分布及逆高斯纹理3种复合高斯模型进行了概述,并介绍了3种模型下已有的最优及近最优检测方法;然后,对目前复合高斯杂波加噪声混合模型下相干检测方法的进展和应用瓶颈进行了分析;最后,针对未来该方面研究的进一步完善,探讨了几种计算可实现近最优检测方法的研究思路。     

基于Rayleigh分布杂波模型的动态目标检测算法

为了解决传统的动态目标检测算法在功率波动明显的非均匀复杂背景噪声下,检测性能严重下降的问题,基于杂波分布模型和恒虚警理论,提出一种基于Rayleigh分布杂波模型的单元最大最小平均恒虚警(CMMA-CFAR)检测算法,通过均值和均方差估计噪声平均功率并动态调整检测门限参数,在保持较低虚警率的前提下,提高目标的检测率.采用了数字滤波器组降低旁瓣功率,抑制强杂波干扰.经过与其它算法仿真对比,该算法具有最优的检测性能,检测率大于95.00%.该方法已应用于车辆开门防撞预警系统,在奇瑞G5车型上进行了标定测试,针对典型接近目标:自行车、摩托车和轿车,平均预警率大于97.50%,误警率小于3.00%.结果表明,该算法在杂波边缘干扰和非均匀噪声背景下,仍具有良好的检测性能.     

基于各向异性双边滤波红外背景抑制方法研究

红外复杂背景抑制作为红外弱小目标检测的重要环节,直接影响着后续算法的目标检测概率和虚警率.针对各向同性双边滤波背景抑制方法因无法改变背景预测方向,在方向性的结构化云边缘存在较大预测残差的问题,本文设计了一种利用原始图像邻域统计信息自适应更新滤波尺度、掩模尺寸和滤波方向的各向异性双边滤波背景预测器,以最大限度地分离目标和背景.仿真实验表明该方法对输入信杂比为4的目标的信杂比增益大于4和对原始图像邻域杂波的背景抑制算子大于4.     

经验模式分解后海杂波的分形特性

针对实测海杂波数据信号进行分析,判定海杂波信号具有多重分形的特性.鉴于海杂波是一种非线性非平稳性的雷达回波信号,充分发挥经验模式分解(EMD)的优势,并结合多重分形的特性,提出一种新的海杂波背景下的目标检测方法.首先,使用EMD方法将海杂波信号分解为若干个固有模态函数分量(IMF);然后,利用多重分形趋势起伏分析法(MF-DFA)求主IMF分量的广义Hurst指数;最后,通过实测的海杂波数据进行训练和测试.研究结果表明,该方法可有效实现海杂波下的目标探测,且性能优于经典时域和分数阶傅里叶变换(FRFT)域下的广义Hurst指数的目标检测方法.     

CMCAM恒虚警率检测器性能分析

分析了CMCAM恒虚警率(CFAR)检测器在杂波边缘中的性能.在斯威林Ⅱ型目标假设下给出了它在杂波边缘情形中虚警尖峰的数学解析表达式,并与经典的有序统计(OS)恒虚警率检测器进行了比较.分析结果表明在杂波边缘环境中CMCAM检测器的虚警控制能力比OS检测器有效,当r≤7时它的虚警尖峰比OS检测器的虚警尖峰要低1-2个数量级,当7相似文献   

基于线性与非线性模型的海杂波预测

为对海杂波进行准确预测,根据海杂波具有的非线性不确定性,应用线性和非线性预测理论建立预测模型.针对logistic混沌映射信号和IPIX实际海杂波数据背景下的弱目标,分别采取基于自回归(AR)的线性模型、基于径向基神经网络(RBF)和Volterra级数滤波器的非线性模型进行预测.实验结果表明:非线性预测模型更适合于混沌背景下,因其目标和杂波的预测误差相差较大,可采取非线性预测并设置门限的方法进行目标检测;对于IPIX雷达数据,其混沌特性较logistic弱,目标和杂波的预测结果相差不大,可采用似然比检测方法.     

混沌预测用于红外目标检测算法

提出一种基于混沌特性的红外云背景图像预测算法,在分析云背景红外图像空间分布上存在混沌现象的基础上,引入Volterra级数对云背景进行混沌预测.仿真结果表明,该算法对云背景杂波具有良好的抑制效果,能有效地提高云背景的预测精度,预测残差符合白噪声特性,显著提高目标的信杂比,从而改善目标的检测性能.     

M估计的稳健平面标靶中心定位算法

标靶在地面激光扫描仪多测站点云配准,以及在全球卫星导航信号不良状况下改善移动激光雷达系统精度具有重要作用,标靶的精确提取与定位是关键问题之一。本文提出基于M估计的标靶中心定位方法：先根据标靶与周围环境反射强度差异,构建强度变化率特征,提取标靶边缘点云;再对标靶候选区域点云进行主成分分析,计算标靶平面法向量,对标靶边缘点云进行投影变换;最后通过M估计选权迭代法,剔除标靶噪声与粗差点云,拟合标靶形状,精确定位标靶中心。试验表明,本文算法能够在标靶存在冗余、缺损状态时排除非标靶圆形边缘的粗差点,获得高精度标靶中心。     

基于匹配傅里叶变换的舰船目标成像算法

为解决逆合成孔径雷达(ISAR)对非合作、机动目标成像时的散焦问题,提出利用瞬时多普勒参数估计补偿相位的成像方法.分析舰船目标的回波特性及其偏航、俯仰、侧摆等转动分量引起的多普勒非线性变化,将回波近似为噪声和杂波背景下的多分量线性调频信号.比较二阶、二步两种匹配傅里叶变换的多普勒参数估计精度.蒙特卡罗实验验证.二步匹配傅里叶变换均具有更好的多普勒分辨力,估计误差较小.利用匹配傅里叶变换估计多普勒频率完成瞬时成像的方法,去除了传统算法中的严重散焦现象,提高了聚焦性能,可获得舰船目标在观测时间内的姿态变化.仿真实验及实测结果验证了该方法的有效性.     

自适应更新上下文相关滤波补充学习跟踪算法

为了使跟踪算法在遇到背景混乱、遮挡等问题时,能具有更好的鲁棒性,提出了一种自适应更新的上下文感知相关滤波补充学习跟踪算法(adaptive context-aware correlation tracking,ACCT)。首先,利用上下文感知相关滤波计算出响应图;接着,在更新阶段,加入了峰旁比(peak-to-sidelobe,PSR)置信度检测机制,自适应地更新相关滤波器模型;最后,与颜色直方图分类器进行线性融合,得到最终的响应值,响应值最大的位置即跟踪结果。实验上,将所提方法与先进的实时跟踪算法进行对比,结果表明,所提算法在跟踪标准测试集OTB50和TC128上,相比基准算法成功率有显著提高;并且能很好地解决背景混乱、目标被遮挡等问题。     

动态卷积的3D点云目标检测算法

针对不规则且稀疏的点的提取特征问题,提出一种以动态卷积作为特征提取的3D点云目标检测算法.首先,以一种新型的动态卷积的方式自适应学习点的位置特征,分类出前景点与背景点,同时对提取出的前景点逐一做回归框;然后,用非极大值抑制选出分数值最好的回归框.其次,进行粒度的细化,得到修正规范的3D回归框,完成3D物体的目标检测.最后,在KITTI数据集上验证算法的有效性.结果表明：文中所提算法在汽车类、行人类、自行车类数据集上的3D点云目标检测精度更高.     

基于双剔除门限的Switching-CFAR目标检测算法

为了解决传统的目标检测算法在非均匀噪声环境下检测性能严重下降的问题,提出了一种基于双剔除门限的Switching-CFAR（switching-constant false alarm rate based on dual censoring thresholds,DCS-CFAR）目标检测算法。基于参考窗参考单元样本期望值和测试单元,得到双重剔除功率比较门限。通过双重比较,剔除参考窗中极大值参考单元,根据剩余参考单元数,选择合适的参考单元来估计背景噪声功率,并得到功率检测门限。在Matlab环境下,通过蒙特卡洛方法和SwerlingII模型对DCS-CFAR目标检测算法的关键参数,以及在各种仿真环境下与其它目标检测算法的检测性能进行了仿真对比分析,DCS-CFAR目标检测算法在均匀背景噪声下,检测率为98.76%,接近于CA-CFAR算法;在杂波和多干扰目标环境下,检测率分别为97.83%和98.23%。在均匀和非均匀噪声环境下,DCS-CFAR检测算法均优于ACCA-CFAR和GO-CFAR算法。结果表明,提出的DCS-CFAR检测算法在均匀和非均匀噪声环境下, 均具有良好的检测性能。     

起伏背景噪声下地震波传感器阵列目标检测算法研究

针对起伏背景噪声下传统地震波传感器阵列检测算法虚警概率高、检测概率低的问题,提出一种基于信号相关性的阵列目标检测算法.利用传感器阵列在一个检测周期内接收到的数据建立信号检测矩阵,由检测矩阵列向量之间的相关性标记信号中目标成分的大小,进而引入相关性参数并构建检测统计量,利用信号相关消除时变的环境噪声干扰,有效克服起伏噪声对目标检测结果的影响.推导算法虚警概率与检测门限之间的定量关系,得到一定虚警率下的检测概率.基于计算机仿真和舰船目标实测试验对比本文提出算法与现有方法,结果表明本文算法可以在起伏背景噪声下有效检测出目标,且检测性能优于现有检测算法.     

飞行对抗场景中云红外图像仿真研究

云背景对各种红外探测系统的探测识别能力有很大影响。为了更好的研究云背景对红外探测系统的影响,需要建立准确、形象、直观的探测器观察到的云背景红外辐射模型,生成相应的云红外图像。利用分形云插值计算方法和高斯一维随机插值算法,建立云的运动模型和光照模型,利用云层浓度跟高度的关系建立云层模型,实现了对云层形象、直观、准确的仿真。研究结果对红外制导武器在有云飞行对抗过程中的抗干扰评估具有一定参考价值。     

纹理模型驱动的基于背景分析的小目标检测

为有效地实现复杂背景下小目标的检测,利用背景分析的思想,提出了纹理模型驱动的基于背景分析的小目标检测方法,可提高对小目标的检测精度且具有较强抗噪能力,实验结果证明了该方法的有效性．