基于多站微多普勒融合的弹道目标特征提取

宽、窄带混合组网雷达数据融合处理是弹道中段目标特征提取的重要途径。提出了一种基于宽、窄带雷达混合组网的弹道目标融合提取算法,该算法通过窄带自相关处理,获得锥体弹头的进动周期,并结合非线性最小二乘估计,分别估计出组网雷达中各散射中心的幅相参数。然后根据宽、窄带雷达微多普勒特征的融合特性和关联特性,利用加权平均和散射中心关联相结合的方法,提取出锥体弹头的三维进动特征及结构参数,从而实现宽、窄带混合组网雷达的数据融合。计算机仿真验证了该方法的可行性与有效性。     

基于CSS角点提取的红外与可见光图像匹配算法

针对红外与可见光图像中特征点匹配的难题,提出了一种基于曲率尺度空间（curvature scale space,CSS)角点提取的特征点匹配算法。首先采用基于曲率尺度空间的角点检测算法进行特征点提取;其次利用三维二次函数剔除低对比度的特征点;然后以特征点所在曲线的法线作为主方向,避免了图像的旋转代价;再通过计算构建特征点邻域的梯度方向在［0,π)范围的分布直方图,计算其统计特征并构造一个64维的特征点描述符,并进行归一化;最后采用最近邻算法实现直线匹配。实验结果表明,该算法能够有效地实现对红外与可见光图像特征点的精确匹配。     

基于窄带雷达组网的高速自旋目标成像

针对单部窄带雷达无法获得高速自旋目标无失真二维像的问题,研究了基于多部窄带雷达组网的自旋目标无失真成像方法。首先在建立自旋目标窄带雷达回波模型基础上,分析了单基窄带雷达成像方法;然后分别研究了基于多幅窄带雷达图像配准的旋转对称目标和非旋转对称目标图像二维定标方法;最后,对配准后的各窄带雷达图像进行融合得到了目标的无失真二维像。仿真实验验证了本文方法的有效性,并分析了算法的鲁棒性。     

高分辨率雷达二维图像的图像处理与特征提取

首先分析了雷达目标散射信号特征。在此基础上 ,根据MUSIC算法得到的雷达图像特点 ,通过平滑、量化、增强等适当的图像处理方式对F - 16、HY - 2 0 0 0两种飞机缩比模型在阶梯变频雷达上所获取的雷达图像进行处理 ,并形成雷达二维灰度图 ;最后 ,采用图像矩阵描述方示进行雷达图像的特征提取     

基于散射中心关联的三维成像方法

基于目标三维散射中心在雷达视线上的几何投影关系,提出了一种雷达目标散射中心关联和三维成像的新方法,采用随机抽样一致性方法实现了对关联样本有效性的检验以及对各散射中心最优关联方案的选取。仿真实验表明,该算法简单易行,适用于目标散射中心和姿态数目较多的情况,并可以对存在缺失点、虚假点等复杂情况的散射中心进行关联和三维成像,具有较高的鲁棒性。     

基于相干Doppler干涉的微动目标宽带成像方法

二维像是雷达目标最重要的特征之一,它反映了目标的几何形状、散射结构等特性。在目标存在微动的情况下,即使目标散射中心不发生越距离单元走动,微动带来宽带回波的非线性相位也会导致方位向的散焦。针对这一问题,提出了基于相干多普勒干涉的微动目标宽带雷达成像算法,其核心思想是在对强散射中心所在的距离单元进行相干多普勒干涉成像的基础上,再进行目标二维像重构。仿真实验验证了所提算法的有效性。     

一种新的图像融合及性能评价方法

通过重新定义交叉熵,并将其与熵相结合,提出了一种新的评价图像融合性能的目标函数,即综合熵。将取亮度最大值和对两幅图像进行加权平均的两类图像融合方法相结合,对上述目标函数进行迭代寻优,给出了一种新的图像融合算法。对包括红外与可见光图像,雷达与可见光图像,以及不同性能的可见光图像等多组图像进行实验,结果表明图像融合新算法和性能评价指标都是有效的。     

基于频域稀疏压缩感知的雷达目标三维散射中心反演方法

基于平面阵列的微波天线结构可以获取多视角下的目标散射中心三维分布。针对平面阵列稀疏分布导致的目标成像及散射中心反演精度较差的问题, 设计了一种基于组合巴克码的稀疏孔径分布方式。在此基础上, 利用稀疏孔径回波和频域主成分分析得到参考复数信号。利用该参考复数信号对原始回波进行干涉处理, 获得回波频谱的稀疏表征方式。在频域建立基于压缩感知的目标散射中心三维分布模型并进行优化求解, 得到重构后的目标三维频谱, 并逆变换至空间域, 可实现目标散射中心幅度及三维位置重建。暗室试验数据处理结果表明, 所提方法在X波段和稀疏采样率为50%的条件下, 目标散射中心幅度及三维位置反演精度均优于90%。     

复杂目标散射中心建模的修正

实际雷达目标的散射中心属性非常复杂,如不规则的几何结构、遮挡,均会增加散射中心精确建模的难度。现有的散射中心模型并未考虑这些实际问题,为了提高建模精度,需对现有模型进行合理修正。对散射中心模型中的频率依赖项、不规则平面的反射、局部遮挡造成的散射强度变化问题,给出了具体的修正方法。通过数值验证,证实了修正模型模拟复杂目标雷达散射截面起伏特性、雷达距离方位图像以及时频像特征的精确性。     

基于Faster R-CNN的电子海图和雷达图像的数据融合

船载导航雷达和电子海图(electronic navigational chart, ENC)是船舶重要的导航仪器,雷达图像和ENC图像的融合能够给出更加丰富的航行和避碰信息。为此,提出了一种基于深度学习理论的提取雷达图像中鲁棒特征的数据融合算法,实现了ENC和雷达图像较高层次的数据融合。首先,利用深度学习算法对雷达图像进行目标检测,识别船舶雷达的特征目标。其次,对检测到的特征区域执行图像处理,并确定用于ENC和船舶雷达图像配准的参考点。最后,根据参考点进行仿射变换,实现融合算法。利用连续时间段的狭窄水域中的真实船舶雷达图像数据对融合算法进行验证,结果显示船舶雷达图像和ENC的海岸线边缘信息匹配良好且满足实时性要求。该算法与简单的像素级图像融合算法相比鲁棒性更强,实现了ENC与雷达图像的特征级融合。     

多视角属性散射中心模型的部件提取与合成

传统的点散射中心模型只能表征目标的位置信息,无法表示目标的长度和角度,而属性散射中心模型表征了目标的几何特性。为了能得到目标的全方位部件信息,鉴于属性散射中心模型参数估计的缘故,提出基于属性散射中心的多视角参数化部件提取与合成算法。首先将大视角有重叠的划分为若干子视角,分别进行属性散射中心模型的参数估计,然后将各参数统一投影到同一坐标系下,再进行参数的融合,最终得到目标参数集。该算法得到的这套参数可以反演目标回波数据,提高图像可视性,进行目标识别与分类。最后用两个仿真实验验证了此算法的有效性。     

基于奇异值分解的复杂转动目标成像

目标在三维空间复杂转动时,传统的逆合成孔径成像算法得不到聚焦的二维像。通过对复杂转动目标等效散射中心相位变化的分析,提出了一种基于奇异值分解的成像算法。该算法首先估计多个散射中心的相位历程,获得相位矩阵|然后对相位矩阵进行奇异值分解,并根据奇异值之间的关系对目标是在三维空间转动还是在二维平面内转动进行判断。根据判断结果分别进行处理：当目标在平面内转动时得到目标的二维像|当目标在三维空间转动时得到失真的三维散射中心模型。仿真及实测数据处理结果验证了所提算法的有效性。     

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。     

基于差准则的二维非参数特征分析的SAR目标识别

提出一种基于差准则的二维非参数特征分析(2 dimensional nonparametric feature analysis based on difference criterion,2DDNFA)的图像特征提取方法,它结合了二维线性判决分析(2-dimensional linear discriminant analysis,2DLDA)、最大散度差(maximum scatter difference,MSD)、非参数判决分析(nonparametric feature analysis,NFA)3种方法的思想。首先利用二维图像样本的近邻样本构造类内、类间散布矩阵,再基于差准则计算投影矩阵,最后将二维图像向投影矩阵投影得到特征矩阵。基于实测合成孔径雷达(synthetic aperture radar,SAR)数据的实验结果表明,方法的性能优于基于Fisher准则的2DLDA、二维非参数特征分析(2 dimension nonparametric feature analysis, 2DNFA)方法、也优于基于差准则的二维最大散度差(2-dimensional maximum scatter difference,2DMSD)鉴别分析方法。     

散射中心特征序贯匹配的SAR图像目标识别方法

在合成孔径雷达（synthetic aperture radar, SAR）图像目标识别领域,提取目标区分性强的识别特征一直是研究热点之一。设计了一种SAR图像目标识别的算法,利用目标散射中心点集特征和属性散射中心特征分量估计值序贯匹配识别车辆目标。实测数据的实验证实了算法在目标方位角变化情况下和俯仰角变化情况下,车辆目标的识别都有较好的表现。