面向雷达高速目标检测的RFT快速实现方法

基于Chirp-Z变换(Chirp-Z transform, CZT)的Radon-Fourier变换(Radon Fourier transform, RFT)是一种频域RFT算法,然而对多普勒模糊数的遍历搜索使得该算法运算量较大,同时该方法对积累结果采用选大处理抬高了噪声电平。针对上述不足,提出了一种由粗到精(coarse-to-fine,CTF)的RFT快速算法(CTF-RFT)。在粗检测阶段,首先对多普勒模糊数进行跨间隔搜索,对多组二维积累结果进行粗检测提取潜在目标,再利用目标积累能量在多普勒模糊数维的变化规律剔除虚假目标,得到目标所在的多普勒模糊数区间及粗略参数;在精检测阶段,对粗检测确定的多普勒模糊数区间进一步搜索,确定目标的精确参数。理论分析和实验结果表明,与CZT-RFT相比,CTF-RFT在获得几乎相同检测性能的同时进一步降低了计算量。     

基于融合视觉词袋的高分遥感水体提取算法

针对高分遥感影像中水体目标提取易受植被阴影及光照条件等影响问题,提出基于融合视觉词袋的高分遥感水体目标提取算法。在分析遥感水体特性基础上,提出一种遥感水体目标频谱特征提取方法。为增强水体目标特征表达能力,设计一种基于局部二值模式和频谱特征的融合视觉词袋模型。基于提出的模型,设计水体目标分类器。为进一步细化水体和非水体边界,提出对水陆交界区域进行二次识别,得到优化后的水体目标提取结果。实验结果表明：提出算法能有效检测高分遥感影像中水体目标,在准确率和Kappa系数上表现良好。     

交通微观仿真中的驾驶员视觉感知模型

驾驶员视觉感知模型是交通微双肪真中机动车模型的—部分，其作用是表现出实际驾驶活动中，驾驶员对外界的视觉感知能力，也就是哪些物体可以被驾驶员看到，哪些不能。通过驾驶员视觉关注焦点的移动规律、视场范围和障碍物遮挡等3个方面的研究，提出了一个新的驾驶员视觉感知模型，并注意了该模型的运算速度问题。通过计算机模拟实际场景，对比受试者和模型标注的感知对象，完成了模型有效性验证。对10位受试者进行了194次测试，受试者标注了528个目标，而感知机模型标注了516个目标，其中吻合率为84．30％，漏检率17．61%，误检率15．34％。对出现差异的情况进行细致地分析，可以发现这些差异全部来源于受试者的感觉误差，而且受试者在看到视觉感知模型的输出后，没有一例表现出异议。此外，该模型在避免以往的理想全局明縻模式的带来的缺点的同时1还能使模型的计算量大为减少。     

基于关键点的遥感图像舰船目标检测

针对当前舰船目标检测算法存在锚框遍历计算成本高和特征旋转适应性不足等问题, 提出基于关键点的遥感图像舰船目标检测方法, 通过预估舰船中心点实现目标检测。首先, 引入深度可分离卷积降低参数冗余, 结合SimAM无参注意力机制, 增强对舰船目标的关注度。其次, 引入方向不变模型(orientation-invariant model, OIM)生成方向不变特征图, 增强网络对旋转目标的适应能力。最后, 考虑到遥感图像舰船目标任意方向密集排列, 但舰船目标中心点不变的特点, 采用直接预测目标的中心点, 再回归偏移量、目标尺度和角度的思路, 摆脱锚框遍历机制, 提高检测速度。在HRSC2016和RFUE2021数据集上进行对比实验, 实验结果充分说明了本文方法的有效性和先进性。     

基于卷积神经网络的小型建筑物检测算法

针对基于传统卷积神经网络的建筑物目标检测算法对于小型建筑物检测准确率低的问题, 提出一种基于Mask-区域卷积神经网络(Mask-region convoluional neural networks, Mask-RCNN)模型的小目标检测算法模型。该模型对Mask-RCNN模型中的特征提取网络进行了改进, 设计了一种带有注意力机制的多尺度组卷积神经网络, 有效解决了小目标有用特征较少且易被背景特征和噪声干扰的问题。航拍图像实验结果表明, 改进的检测模型使小型建筑物目标检测准确率较原始Mask-RCNN模型提升了28.9%, 达到了0.663。并且整体检测准确率达到了0.843, 有效提升了航拍建筑物检测准确性。     

基于HMM的融合多模态的事件检测

事件检测是视频语义分析中的一大难题。在视频中有多种语义丰富的模态信息,融合多模态信息可以帮助准确的检索出所需的事件。提出了一种基于HMM有效融合多模态对象的足球视频语义分析方法。首先从视频中抽取音频流,然后基于CHMM将音频分类。接着根据时间对应关系将音频对象与视频流融合,然后在相应的视频流镜头中基于DHMM融合多种模态对象实现精彩事件如射门、犯规及一般事件的检测,对射门事件进一步结合比分字幕的出现检测进球事件。另外,对DHMM模型的结构、参数初始值尤其是参数约束条件进行了详细地描述。实验证实提出的算法具有较好的效率。     

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像近岸舰船目标易受背景杂波的影响, 造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题，提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集, 基于Yolov5目标检测算法, 在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置, 增强目标的特征提取能力, 提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔, 进行不同层级的特征融合。同时，使用空洞卷积扩大特征提取的视觉感受野, 增强网络对复杂背景近岸多尺度舰船目标的适应性, 降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验, 结果表明: DFF-Yolov5的平均准确率为85.99%, 相比于原始的Yolov5, 所提方法平均准确率提高了5.09%, 精度提高了1.4%。     

双基地雷达微动空间目标全极化回波仿真方法

由于双基地雷达具有反隐身、抗干扰、抗摧毁等诸多天然优势, 双基地雷达的目标探测和识别问题逐渐成为研究热点。以双基地雷达微动空间目标为研究对象, 首先分析了电磁计算双基地散射数据和双基地雷达目标回波的对应关系, 然后指出了利用电磁计算数据获得的目标仿真回波与目标真实回波极化坐标系的差异, 并提出了相应的校正方法, 最后进行了仿真验证。结果表明, 所提方法保证了电磁仿真回波数据与实测回波数据的极化一致性, 可以为后续的双基地雷达目标特征提取、目标识别等算法研究提供数据支撑。     

改进YOLO的遮挡行人检测仿真

针对已有的YOLO(you only look once)模型在行人目标检测中对遮挡及多尺度行人易造成漏检和精度较低的问题,提出改进YOLO行人检测算法YOLO-SSC-s(YOLO-spatial pyramid poolingshuffle attention-convolutional block attention module-simplified)。修改YOLO模型骨干网络,增强跨尺度特征提取能力;在3个YOLO层前的不同位置引入空间金字塔池化模块以及空间与通道、组特征2种注意力机制,加强对不同尺度行人的特征融合;为了缓解网络模型过于复杂而降低检测性能,提高模型训练效率,根据实际情况对网络结构进行简化。实验结果表明：与YOLOv3等检测模型相比,YOLO-SSC-s可有效提高遮挡情形下中、小行人目标的检测精度、速度,降低漏检率。     

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.     

基于卷积神经网络与注意力机制的SAR图像飞机检测

在合成孔径雷达(synthetic aperture radar, SAR)图像应用领域, 对SAR图像中飞机目标的检测备受关注。针对现有检测算法模型运算复杂度高、检测性能较低的问题, 提出一种基于深度可分离卷积神经网络与注意力机制的SAR图像飞机检测算法。首先使用深度可分离卷积神经网络提取图像特征, 同时在网络中引入逆残差块, 以有效防止通道数压缩引起的特征信息丢失问题; 其次在网络中引入多尺度空洞卷积—空间注意力模块和全局上下文通道注意力模块, 通过重新分配显著区域和各特征图更有代表性的权值, 以更好地捕捉空间有效信息和通道间语义相关性, 提高模型特征表达能力; 最后在SAR飞机数据集(SAR aircraft dataset, SAD)上进行对比实验验证。实验结果表明, 所提算法具有更好的检测效果, 平均准确率达到86.3%, 检测速度达到22.4 fps/s。     

巡航导弹的被动声检测与分类技术

给出了一种基于被动声信号处理技术的巡航导弹被动声检测与分类技术。在检测目标时 ,综合利用目标声信号与环境信号的能量、过零率及线谱对频率的变化量构成多边界判决函数 ,在分类时提取Mel倒谱特征参数 ,利用隐马尔可夫模型进行分类。通过对实际的 4类目标噪声信号进行检测和分类实验 ,结果令人满意 ,证明了该方法的优越性和工程应用前景。     

多尺度特征融合车辆检测方法

针对传统的车辆目标检测算法检测精度低,小尺度目标识别效果差等问题,提出了一种基于YOLOv4(you only look once v4)算法的目标检测方法,以提升对交通场景小目标车辆的检测性能。通过对YOLOv4网络进行再设计,使用MobileNetv2深度可分离卷积模块代替传统卷积,将CBAM(convolutional block attention module)注意力模块融合到特征提取网络中,在保证模型检测精度的同时减少模型参数。采用PANet-D特征融合网络融合获取到4个尺度特征图深浅层的语义信息,增强对小目标物体的检测能力。通过使用Focal loss优化分类损失函数,加快网络模型的收敛速度。实验结果表明,改进后的网络识别准确率达到96.55%,网络模型大小较原YOLOv4网络降低了92.49 M,同时检测速度比原网络提升了17%,充分证明了本算法的可行性。     

基于时频分布的空间锥体目标微动形式分类

空间锥体目标的微动形式分类对空间目标识别、参数估计等有着重要意义。针对这一问题,提出了一种从雷达回波时频分布中提取特征对微动形式进行分类的方法。首先分析了空间锥体目标的散射特性,在此基础上建立了等效散射点模型,并与传统的一般散射点模型比较,电磁计算结果进一步证明了提出模型的正确性;在特征提取阶段,基于能量强弱提取了回波时频分布中包含微动信息的区域,并针对自旋、进动、章动3种微动形式下瞬时频率变化的差别提取了4种特征;最后基于等效散射点模型仿真产生训练数据集、电磁计算产生测试数据集的模式,使用支持矢量机（support vector machine, SVM）分类器的分类实验结果表明新方法在一定信噪比条件下可有效实现对微动形式的分类。     

基于区域协方差和目标度的航空侦察图像舰船目标检测

为了实现岛岸复杂环境下航空侦察图像舰船目标检测,提出一种基于区域协方差和目标度的显著目标检测方法。在联合条件随机场和字典学习的图像显著性检测框架下,首先提取每个区域增强的sigma特征,并进行稀疏编码,然后又设计基于显著优化的目标度特征,利用信念传播算法推断生成舰船目标显著图,最后应用高效子窗口搜索方法实现舰船目标检测。实验结果表明,新方法的显著图结果目标区域一致高亮,背景杂波抑制效果好,可实现准确的目标检测。     

雷达小样本目标识别方法及应用分析

针对雷达小样本目标识别问题,结合元学习和迁移学习提出一套综合解决方案,旨在根据实际应用场景的不同提供合适的模型学习方式和分类方式,从而提升雷达小样本目标识别效率和准确率.同时,通过多组对比实验深入分析小样本学习算法在实际雷达目标识别场景下的模型性能变化,得出两个可有效指导工程化应用的重要结论.元学习模型在源任务信息充足...     

基于并行映射卷积网络的超分辨率重建算法

针对基于卷积网络的超分辨率重建算法对不同场景下的图像存在复原质量不佳、细节信息丢失的问题,对卷积网络结构详细分析,结合重建模块和损失函数约束条件存在的问题,提出了基于并行映射卷积网络的超分辨率重建模型。该模型基于端到端的思想,构建并行映射网络及正则化约束条件,能对图像特征进行层次化自主提取,在高分辨率图像重建时极大地丰富图像特征的维数;并且将全变分正则化引入到重建模块,有效地克服了超分辨率的病态问题,从而获得鲁棒、丰富的图像信息,提升了重建图像的质量。实验结果表明,所提出的网络模型具有更优异的性能,其超分辨率算法在视觉评价和量化指标上取得了更好的重建效果。     

基于Wishart距离和超像素的极化SAR图像车辆检测

针对极化合成孔径雷达(synthetic aperture radar, SAR)在城市区域复杂地物条件下的密集车辆目标检测问题, 提出了一种结合超像素分割和Wishart分类器的非监督目标检测方法。首先，根据不同地物的极化散射特征检测出建筑物。然后，利用不包含建筑物的Wishart分类器和超像素分割获得目标的形态信息。接着，利用包含建筑物的Wishart分类器获得目标中心点。最后，通过区域生长对二者进行信息融合并完成目标检测任务。基于X波段的机载极化SAR数据表明, 所提算法不仅可以对密集目标进行区分和定位, 并且目标形态保持完整; 相比于传统方法, 目标检测与虚警鉴别性能得到较大提升。     

侧扫声纳检测沉船目标的轻量化DETR-YOLO法

基于YOLOv5算法的侧扫声纳海底沉船目标检测方法虽然在检测精度和速度上取得了不错的成绩, 但是如何在复杂海洋噪声背景下进一步提高小目标检测的准确性、降低重叠目标漏警和虚警率的同时实现模型的轻量化是一个亟需解决的课题。为此, 本文创新融合DETR(end-to-end object detection with transformers)与YOLOv5结构, 提出了基于DETR-YOLO模型的轻量化侧扫声纳沉船目标检测模型。首先, 加入多尺度特征复融合模块, 提高小目标检测能力。然后, 融入注意力机制SENet(squeeze-and-excitation networks), 强化对重要通道特征的敏感性。最后, 采用加权融合框(weighted boxes fusion, WBF)策略, 提升检测框的定位精度和置信度。实验结果表明, 本文模型在测试集AP_0.5和AP_0.5∶0.95值分别达到84.5%和57.7%, 较Transformer和YOLOv5a模型大幅度提高, 以较小的效率损失和权重增加为代价取得了更高的检测精度, 在提升全场景理解能力和小尺度重叠目标处理能力的同时满足轻量化工程部署需求。     

Multiple model tracking algorithms based on neural network and multiple process noise soft switching

A multiple model tracking algorithm based on neural network and multiple-process noise soft-switching for maneuvering targets is presented. In this algorithm, the “current” statistical model and neural network are running in parallel. The neural network algorithm is used to modify the adaptive noise filtering algorithm based on the mean value and variance of the “current” statistical model for maneuvering targets, and then the multiple model tracking algorithm of the multiple processing switch is used to improve the precision of tracking maneuvering targets. The modified algorithm is proved to be effective by simulation.