基于极化合成孔径雷达的舰船检测方法

特征提取是极化合成孔径雷达图像处理的一个重要问题,也是海上目标检测的关键。相似性参数和极化熵可以表征目标的电磁散射特性。为了增强目标与背景的对比,提出了一种基于特征融合的新参数。这种参数可表达区域的差异性,处理后目标与背景的对比更加明显。研究了该参量在海杂波区域的分布模型,进而提出了一种新的海上船只检测方法,该方法可用于多视情况下的舰船检测。最后用机载合成孔径雷达(airborne synthetic aperture radar, AirSAR) 数据验证了该方法的有效性。     

环境特征与散射特性融合的PolSAR飞机目标检测

针对复杂场景下极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像飞机目标检测问题,提出了一种融合目标环境特征与散射特性的PolSAR飞机目标检测方法。首先,利用极化白化滤波(polarimetric whitening filter, PWF)图提取疑似飞机目标,将疑似飞机目标转换成超像素得到混合图像。然后,经极化分解与分类构造一个新的环境特征,并与散射特性融合得到飞机目标检测特征,通过阈值判别检测出飞机目标。最后,使用AIRSAR和UAVSAR系统采集的实测数据进行实验,并与其他检测方法进行对比。结果表明,所提方法产生的虚警和漏警较已有方法有所改善,检测结果更好。     

环境特征与散射特性融合的PolSAR飞机目标检测

针对复杂场景下极化合成孔径雷达(polarimetric synthetic aperture radar, PolSAR)图像飞机目标检测问题,提出了一种融合目标环境特征与散射特性的PolSAR飞机目标检测方法。首先,利用极化白化滤波(polarimetric whitening filter, PWF)图提取疑似飞机目标,将疑似飞机目标转换成超像素得到混合图像。然后,经极化分解与分类构造一个新的环境特征,并与散射特性融合得到飞机目标检测特征,通过阈值判别检测出飞机目标。最后,使用AIRSAR和UAVSAR系统采集的实测数据进行实验,并与其他检测方法进行对比。结果表明,所提方法产生的虚警和漏警较已有方法有所改善,检测结果更好。     

基于KFD+ICA特征提取的SAR图像目标识别

提出了一种用基于核函数的Fisher判别分析(kernel based Fisher discriminant analysis,KFD)和独立分量分析(independent component analysis,ICA)特征提取的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。用基于核函数的Fisher判别分析提取SAR图像样本在高维特征空间中的最佳分类向量,对最佳分类向量做独立分量分析,得到表征图像样本的特征向量,用支持向量机(support vector machine,SVM)对提取得到的特征向量分类完成目标识别。对MSTAR数据库中三类军事目标用该方法进行特征提取和识别实验,识别率为96.92%。结果表明,KFD ICA特征提取方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

弹道目标电磁特征提取技术的研究进展

随着弹道导弹突防和防御技术研究的不断深入,对目标特征提取提出了更加严格的要求。在突防设计中需要对目标和诱饵进行特征控制,以提升突防能力;在防御系统中,则需要从多传感器获取的信息中提取目标各种特征,以实现真假弹头的区分。分析和研究了弹道导弹中段目标电磁特征提取技术以及近年取得的成果,包括中段复杂目标逆合成孔径雷达成像技术、目标几何特性反演技术、目标微动特征提取技术等,最后对弹道目标特征提取技术的难点进行了分析,提出了一些解决思路。     

基于改进小波变换的海上目标检测

为提高弹道导弹打击舰船的命中精度,研究分析弹载合成孔径雷达的海上目标检测具有重大意义。针对基于传统小波变换的检测算法在相干噪声下难以快速实现目标检测的问题,提出基于改进小波变换的检测模型。首先,利用方向可调的小波函数改进传统小波变换,在提高检测精度的情况下,可避免进行非极大值抑制;其次,重点针对方向小波变换运算复杂的问题,从算法原理和实际应用两方面着手,分别构造可变方向角和掩模矩阵,减少了运算量;然后,在此基础上利用高低帽滤波和闭运算的组合处理,增强边缘区分度,即可通过二值化处理完成目标检测;最后,以舰船的目标检测为例,从检测精度和运算时间两方面验证改进模型的有效性。     

基于Keystone变换的地面运动目标检测研究

合成孔径雷达 (SAR)在检测地面运动目标中所面临的难题之一是距离和速度的耦合导致了地面运动目标在SAR图像中模糊、错位、甚至消失。分析了Keystone变换的原理 ,提出了Keystone变换在一般正侧式SAR系统具体实现的方法与步骤 ,分析了Keystone方法对不同运动类型目标成像效果的修正作用。最后通过仿真证明了实现方法和分析结果的正确性。     

基于二维积累的雷达分布式目标检测新方法

利用单元积累的思想,先在各个方位上提取目标散射中心后,对分布式目标进行一维化处理,然后对各个方位的目标散射中心能量进行非相干积累,得到了高斯背景中高分辨率雷达分布式目标的检验统计量。仿真结果表明,该方法较距离扩展目标检测方法的检测性能有明显改善,且其检测性能随着角分辨率的提高而进一步改善。此方法可用于信号级检测SARI、SAR等分布式目标。     

基于单通道合成孔径雷达子图像的动目标检测性能分析

详细分析了基于单通道子图像的运动目标检测性能,给出了图像序列间协方差矩阵分解后特征值与运动目标速度间的关系。首先通过方位向的频谱划分获得单通道子孔径对应的子图像,再利用子孔径间协方差矩阵第二特征值对目标信号的敏感性实现运动目标的检测。详细推导了特征值与运动目标距离向速度的关系,并通过理论分析给出了协方差矩阵第二特征值的概率密度函数。最后,经过仿真实验给出了该方法的仿真结果与性能曲线。     

基于知识的SAR图像目标检测

提出了一种基于知识的SAR图像目标检测算法。针对军用车辆,利用各种先验知识,以地形类型信息、距边界的距离信息、目标聚集程度为影响目标出现概率的因素,通过分类获得SAR图像的地形及边缘信息,得到影响因子,并综合地形信息使用MAP准则,从而获得目标检测的结果。使用真实SAR图像进行了测试,结果表明,与CFAR检测算法相比,该算法有效地提高了目标的检测率,虚警目标数目明显减少。     

SAR图像目标解译算法研究

针对SAR图像目标解译的困难,首先从SAR图像中的目标信息特点出发,深入分析和探讨了SAR图像中斑点噪声抑制算法,点状目标、线状目标和面状目标的特征表现及其检测算法;然后针对它们的不足进行了相应的改进,获得了更佳的性能;最后在此基础上提出了一个半自动人机协作的SAR图像目标解译框架.实验结果表明,所采用的解译算法和提出的方案是切实可行的.     

一种新的FOPEN UWBSAR目标检测方法

针对VHF/UHF波段超宽带合成孔径雷达探测叶簇隐蔽目标的应用场合,提出了一种目标检测算法。该算法依据目标与树干回波的子孔径轨迹的起伏差异,以主成分分析的第二主元为特征,提取了超宽带合成孔径雷达对目标进行大积累角观测所提供的方向性信息,能够有效检测隐蔽于树林中的隐蔽目标。给出了该方法的数学模型、物理原理和实现步骤,并运用实际数据进行了试验,结果表明了该方法的有效性。     

Method of moving target detection based on sub-image cancellation for single-antenna airborne synthetic aperture radar

The method of moving target detection based on subimage cancellation for single-antenna airborne SAR is presented.First the subimage is obtained through frequency processing is pointed out.The imaging difference of a stationary objects and moving object in the subimage based on the frequency division is analyzed from the fundamental principle.Then the developed method combines the shear averaging algorithm to focus on the moving target in the subimage,after the clutter suppression and the focusing position in each subimage is obtained.Next the observation model and the relative movement of the moving targets between the subimages estimate the moving targets.The theoretical analysis and simulation results demonstrate that the method is effective and can not only detect the moving targets,but also estimate their motion parameters precisely.     

基于YOLO框架的无锚框SAR图像舰船目标检测

面向合成孔径雷达(synthetic aperture radar, SAR)多目标检测应用, 提出了一种基于YOLO (you only look once) 框架的无锚框SAR图像舰船目标检测方法。该方法针对YOLOv3锚框需要预先设定且无法完美契合的弊端, 通过采用无锚框方法更好适应所检测目标的大小, 便于多尺度目标使用。在此基础上, 给CSPDarknet53网络增加了注意力机制作为特征提取网络, 然后经过能够增大感受野的改进特征金字塔网络(feature pyramid network, FPN)后, 把特征图传给无锚框检测头, 有效提升了目标类别和位置的预测精度。实验证明, 所提算法在公开SAR舰船数据集上平均精度比YOLOv3提高3.8%,达到了94.8%, 虚警率降低4.8%。