基于多尺寸特征叠加的SAR舰船目标检测方法

针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求.SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.     

基于低复杂度卷积神经网络的星载SAR舰船检测

星载SAR(合成孔径雷达)舰船检测广泛应用于海上救援和国土安全防护等领域.鉴于传统的检测方法仍存在虚警率高等缺点,本文将具有强大表征能力的卷积神经网络(CNN)引入到星载SAR舰船检测中,面向SAR舰船检测的精准快速的需求,提出了基于低复杂度CNN的星载SAR舰船检测算法.算法结合星载SAR图像的特点,利用ROI提取方法实现目标粗提取,得到可疑目标切片及其对应的位置信息;通过构建的低复杂度CNN对所有的可疑目标切片进行精确分类,确定舰船目标,从而实现舰船目标检测.实验测试结果表明:本文提出的算法可以实现精准的星载SAR舰船检测;与传统双参数CFAR目标检测和基于现有深度网络框架(LeNet、GoogLeNet)的检测算法相比,该算法检测性能更好、检测时间更短,可有效降低检测漏检率和虚警率.     

基于H-CFAR的SAR图像快速舰船目标检测

SAR舰船目标的快速、准确检测是SAR海洋业务化应用中的重要需求,文章提出了一种基于直方图恒虚警率(H-CFAR)的快速检测方法.该方法直接利用SAR图像的灰度直方图信息,并结合CFAR算法,实现了SAR舰船目标的检测;利用ASAR、TerraSAR和Radarsat-2数据对此方法进行了检验,结果表明,该方法与现有的K CFAR相比,在相同的硬件条件下,能够更快更准确地实现SAR舰船目标检测.     

一种SAR图像Kelvin尾迹反演舰船速度的方法

SAR海洋图像中Kelvin尾迹是所有尾迹中包含较多舰船信息的一个。通过对Kelvin尾迹水动力产生机理和SAR成像机理分析,提出一种从SAR图像中的Kelvin尾迹反演舰船速度的方法。通过改变SAR参数、海况参数和舰船本身几何参数,分别对该方法进行了仿真实验,并对实际SAR图像进行处理。结果表明比传统方法具有精度高、稳定性好的优点。     

跨模态域自适应SAR图像舰船检测与识别

针对合成孔径雷达(SAR)数据成像质量差和标注不足的问题,提出一种跨模态域自适应端到端的SAR图像舰船目标检测与识别方法．首先,针对SAR舰船检测中目标特征辨识度低和背景信息复杂度高的问题,设计了融合多尺度特征和局部上下文信息及背景抑制来改进兴趣区域变换网络(RoITransformer)的特征表达能力;然后,针对SAR数据属性标签标注困难及样本缺乏的问题,设计了域适应模块在全局和实例级别实现对齐特征,将属性知识从光学数据跨模态迁移到SAR数据上．自建了近岸区域高分辨率SAR舰船数据集(HRSSRD),结果表明：所提方法在HRSSRD上实现了88.5%的检测精度,在舰船检测和军民识别任务上具有良好的性能．     

舰船目标雷达视景仿真研究

针对舰船目标雷达视景仿真中舰船目标实体建模和雷达视景仿真两个主要模块,在分析各个模块实现方法及原理的基础上,提出基于积木式模型结构细化分割的建模方法,探讨了三维动态海洋场景开发的方法和基于Vega的舰船目标雷达视景仿真流程.仿真结果表明建模和仿真方法具有可行性,仿真产生的雷达图像与实际图像较为接近,并符合实际成像条件下的成像规律.     

基于高分辨率SAR的目标识别技术研究

本文以高分辨率SAR在舰船目标识别方面的应用为研究对象,论文首先分析了SAR成像的特点,提出一种基于Radon变换和直方图分析等方法改善舰船目标几何特征提取的性能,在此基础上,结合SAR图像舰船目标分类自身存在的问题和特点,引入稀疏表示理论,提出一种基于特征字典的稀疏表示分类算法,将其应用于Terra SAR-X SAR图像中三类典型舰船目标分类识别,验证了稀疏表示分类对SAR图像舰船目标分类识别的有效性。     

高分辨率SAR卫星图像舰船目标识别可用性分析

SAR卫星图像的分辨率直接影响着舰船目标识别结果.采用高分辨率SAR遥感图像,选取了两个较为直观的几何特征即长度和轮廓形状,对当前SAR图像舰船目标识别的能力进行了分析;给出了不同分辨率下的SAR图像的目标几何结构量算能力比对结果,为高分辨率SAR图像的舰船目标类型、识别算法研究提供相应支持.     

低分辨率SAR图像舰船目标检测

针对低分辨率合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标受背景及杂波影响难以检测的问题,通过构建一种基于生物视觉侧抑制理论的背景抑制网络模型,有效地抑制了背景杂波.采用基于RENYI熵的分割方法提取舰船目标兴趣区域,以低分辨率SAR图像中舰船目标的成像特点为先验知识,结合同质性检验,滤除了兴趣区域中的虚假目标,降低了虚警率.实验结果表明:所提出的算法能够有效地抑制强海杂波背景,突出目标,既能用于检测SAR图像中带尾迹特征的舰船等运动目标,也可用于检测无尾迹特征的舰船目标.     

基于RetinaNet的SAR图像舰船目标检测

在合成孔径雷达图像舰船目标检测中,由于背景复杂多变,传统的基于人工特征的目标检测方法效果较差.基于深度学习中的单阶段目标检测算法RetinaNet,结合合成孔径雷达图像本身特征信息较少的特点,采用了多特征层融合的思想,改进了网络特征提取能力,提出了相适应的损失函数的计算方法.采用SAR图像舰船目标检测数据集(SSDD)对网络进行训练,并通过样本增强和迁移学习的方法提升算法的鲁棒性和收敛速度.通过实验与其他基于深度学习的目标检测算法所得结果进行比较,结果表明本算法具有更高的检测精度.     

基于SAR卫星资料的船速估算

为利用SAR卫星图像中的船舶尾迹来估算船舶速度,介绍了船舶尾迹在SAR卫星中的成像机理,分析了估算船速的可行性,对目前船舶速度估算算法进行了比较,并采用船舶尾迹多普勒位移方法实现对船舶速度的估算.利用相匹配的AIS数据对实例数据进行验证,结果表明,可以利用SAR资料对船速进行粗略估算.     

基于改进Mask R-CNN的可见光图像中舰船目标检测方法

针对基于卷积神经网络的目标识别方法中经典的矩形检测框在检测舰船目标时会框出很多无关区域,易出现漏检、误检等问题,提出基于改进Mask R-CNN （mask region-based convolution neural networks）的舰船目标检测方法,在Mask R-CNN网络的基础上通过增加判别模块、类别预测分支和语义分割分支对视觉系统采集的可见光图像中的舰船目标进行目标定位和类别预测,同时获得舰船目标的边缘轮廓并实现对军舰目标的语义分割,为海上无人作战系统提供更精确的信息.实验结果表明,该方法在保持较高检出率和运行效率的同时误检率较低,舰船目标的平均检测精度较高,具有良好的舰船目标检测性能.      

基于可见光遥感图像的船只目标检测识别方法

 基于光学遥感图像提取船只目标是海洋信息感知中的重要应用方向,主要任务包括在广域大视场图像中快速检测定位船只目标,并在检测船只目标的基础上对目标信息进行进一步的提取与分类,该研究无论在民用及军事方面都具有重要意义。本文围绕船只检测识别方法中预处理及目标检测、分类等主要环节,阐述了各环节面临的难点问题及主要解决方法,指出了目前存在的问题,展望了基于光学遥感图像技术的发展趋势。     

基于改进YOLOV3的遥感图像舰船目标检测

对于舰船遥感目标检测中存在精度低、速度慢等问题,以YOLOV3为框架对YOLOV3网络进行改进,从而使其更适用于检测遥感舰船目标,为了使检测精度更高,在原本3个不同尺度的卷积特征图与深度残差网络中相应尺度的特征图进行融合前提下,增加了第4个尺度104×104,有效地学习样本的特征.实验结果表明:改进的YOLOV3网络能...     

基于改进YOLOv3的合成孔径雷达影像舰船目标检测

为了提高合成孔径雷达(synthetic aperture radar,SAR)影像舰船目标的召回率和准确率,降低漏检率,通过以YOLOv3(you olny look once)为检测框架,对锚点框(anchor boxes)生成机制进行改进,提出了利用K-median++生成anchors的聚类算法.结果表明不当的初始聚类中心会降低anchor boxes的平均交并比(mean intersection over union,meanIOU);同时由于SAR舰船数据集存在少量大尺寸box(离群数据点),因此在实验中使用中位数代替平均值,对簇群计算聚类中心,聚类后anchor boxes的meanIOU高达77.10％,在均值聚类算法(K-means clustering algorithm)基础上提高了3.7个百分点,并且减少了迭代次数,计算量得到大幅度降低.可见相比传统基于K-means的YOLOv3,检测效果有了明显提升,召回率达到92.21％,均值平均精度(mean average precision,mAP)达到93.56％,分别提高了2.55、3.82个百分点.     

SAR图像舰船目标的特征识别

详细分析了舰船在SAR图像中的特征;并且根据海上目标所具有的背景单一、结构复杂的特点,提出了利用舰船目标的特征量识别目标类型的新思路,提取了舰船的面积、周长、积分光学密度、欧拉数、长度、主轴方向角、细长度等特征量,给出了相应的提取算法.     

基于视觉注意机制的视频监控中海上舰船目标检测

当天空、海面和岸上建筑等自然背景比较复杂时,容易干扰视觉注意的对象,而影响舰船目标的检测。本文提出了一种改进的视觉注意模型来检测海上舰船目标,首先利用小波变换获得舰船目标图像的高频特征和低频特征;然后利用改进的Top-hat滤波器抑制云雾和较强的海杂波,采用改进的Gabor滤波器得到方向特征,采用离散矩变换（DMT,discrete moment transform）得到边缘纹理特征;同时将图像进行色彩空间转换,由HSI（Hue-Saturation-Intensity）空间提取图像亮度、色调和饱和度来构成运动特征和颜色特征;最后将各特征图通过加权线性融合得到兴趣图,通过自适应阈值分割出舰船目标区域。实验证明该舰船目标检测算法具有较好的检测效果。     

基于高分三号卫星的实时船舶检测算法

针对目前在轨星载合成孔径雷达(synthetic aperture radar,SAR)船舶检测主要基于地面处理平台,无法满足星上实时任务规划发展需求的问题,基于现场可编程门阵列(field programmable gate array,FPGA)处理架构,设计了一套用于星上实时处理系统的SAR船舶目标检测算法.结合星载SAR对海观测典型参数指标,在现有处理平台架构上优化所设计算法,最终形成可用于星载SAR船舶目标实时处理系统的检测算法.通过高分三号的59幅SAR图像数据详尽的验证所设计算法的性能.测试结果表明,算法满足系统的可行性和时效性需求.