基于复值HRRP CICA特征的多方位SAR目标识别

提出了一种基于雷达目标复距离像复值独立分量分析（complex independent component analysis, CICA）的合成孔径雷达（synthetic aperture radar, SAR）目标多方位散射特征提取和识别方法。根据雷达目标散射机理,将目标高分辨率复距离像建模为多个散射中心的复相干叠加。在分析复距离像的基础上,采用CICA方法实现了距离像中每个散射中心响应的分离。针对每个散射中心响应,利用高阶矩方法提取特征矢量。分类器基于隐马尔可夫模型（hidden Markov model, HMM）设计。采用美国运动和静止目标获取与识别（moving and stationary target acquistion and recognition, MSTAR）计划公开发布的目标实测数据进行算法实验,实验结果说明了提出方法具有较好的识别率。     

基于门控多尺度匹配网络的小样本SAR目标识别

为了解决传统合成孔径雷达(synthetic aperture radar, SAR)目标识别方法在小样本条件下泛化能力差、识别准确率低的问题, 通过在匹配网络的基础上引入权重门控单元和多尺度特征提取模块, 提出了基于门控多尺度匹配网络的小样本SAR目标识别方法。在该方法中, 多尺度特征提取模块能够提取匹配网络不同卷积层的多尺度特征, 权重门控单元能够根据不同的识别任务赋予特征不同的权重大小, 实现根据具体任务选择最具代表性的目标特征, 从而以该特征为主导完成目标识别任务。在运动和静止目标获取与识别(the moving and stationary target acquisition and recognition, MSTAR)数据集上对提出的方法进行了验证, 实验结果表明，所提方法较其他3种小样本学习方法和两种小样本SAR目标识别方法表现出了一定的优越性, 而且所提方法经实验验证在噪声环境下表现出了一定的鲁棒性。     

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。     

基于改进R-FCN的SAR图像识别

由于深度学习在目标识别方面取得了显著的成绩,为提高合成孔径雷达(synthetic aperture radar, SAR)图像目标识别的精度与速度提供了新的思路。本文将区域全卷积网络(region-based fully convolutional networks, R-FCN)结构应用于SAR图像目标识别中,取得了良好的效果。对于数据集较小和数据相似度较高的问题,提出了基于迁移学习的R-FCN模型用于SAR图像目标识别。对更快的区域卷积神经网络(faster region convolutional neural networks, Faster R-CNN)和R-FCN进行模型训练及优化,并与所提出的基于迁移学习的改进R-FCN模型实验结果进行对比。结果表明,所提方法对SAR图像具有更好的识别效果和更快的识别速度。     

基于SAR仿真图像的地面车辆非同源目标识别

充分的合成孔径雷达(synthetic aperture radar, SAR)模板数据是目标识别算法(尤其是基于深度学习的智能目标识别算法)获得优异识别性能的关键, 基于实际测量获取充分SAR数据是不现实的, 基于电磁散射建模的SAR仿真成为当前获取充分样本的一种有效途径。SAR仿真图像与实测图像为非同源数据, 由于SAR仿真的目标几何模型与实物之间差异、SAR仿真过程中的传感器模型与实际传感器性能之间差异、实物所处的背景环境与SAR仿真的环境之间差异、电磁建模方法本身误差等因素导致SAR仿真图像与实测图像存在差异, 会影响识别性能。针对这一问题, 首先采用一种基于高频渐近技术和离散射线追踪技术的SAR仿真方法获取地面车辆目标的SAR仿真图像, 再利用卷积神经网络方法、线性/非线性特征变换方法实现对MSTAR实测数据的非同源SAR目标识别性能对比分析。实验结果表明, 直接使用SAR仿真数据无法实现对实测SAR数据有效识别, 而线性/非线性特征变换可以改善非同源SAR目标识别性能, 一定程度上缓解由于SAR仿真数据与实测数据存在差异导致的识别性能差的问题。     

基于目标轮廓特征的SAR图像目标识别

提出了一种基于目标轮廓特征的合成孔径雷达目标识别(SAR ATR)方法,该方法充分利用目标的局部空间结构信息进行识别。利用基于马尔可夫随机场(MRF)的图像分割及形态学处理提取SAR图像目标轮廓,在此基础上使用傅里叶描述子作为目标轮廓的特征量,选择最近邻准则下的模板匹配方法构造分类器,实现了基于轮廓特征的SAR图像目标识别。实验结果表明,本文方法具有优良的识别性能。     

基于HMM和小波网络模型的抗噪语音识别方法

提出一种隐马尔可夫模型(HMM)和小波神经网络(WNN)混合模型的抗噪语音识别方法。该方法首先利用HMM对语音信号进行时序建模，并计算出待识语音对HMM的输出概率评分，再将此概率评分作为小波神经网络的输入，获取分类识别信息，最后根据混合模型的识别算法作出识别决策。实验结果表明，在噪声环境下，由于HMM的强时序建模能力和小波神经网络的强模式分类能力，该混合模型比单纯HMM具有更强的噪声鲁棒性，明显改善了语音识别系统的性能。     

识别SAR图像中车辆和车辆群目标的综合方法

提出了一种对SAR(syntheticapertureradar)图像中的车辆和车辆群目标进行识别的综合方法。它利用SAR图像所具有的统计特性、CFAR检测和数学形态学方法相结合对SAR图像进行预处理和目标分割。找到了一组能够正确表示SAR图像中车辆和车辆群目标的单体不变特征和组合不变特征,给出了相应的目标分类和识别算法、参数选择方法及优化参数。实验证明该方法具有良好的识别效果。     

基于贝叶斯压缩感知的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)目标识别问题,提出一种基于贝叶斯压缩感知(Bayesian compressive sensing, BCS)的图像域SAR目标识别方法。该方法首先对SAR图像进行分割预处理,得到目标区图像数据;然后基于BCS模型,根据训练样本构造传感矩阵;求解测试样本相应的稀疏系数矢量,根据稀疏系数矢量中对应训练样本类别元素的L2范数判定目标类型。采用美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)计划公开发布的SAR目标数据库进行实验,结果表明该方法具有良好的识别效果。     

MSTAR图像分割算法研究

由于SAR图像中具有极其严重的乘性斑点噪声 ,不可能用纯粹的传统的基于强度的分割方法来获取目标。分析了马尔可夫随机场在各向同性的连续模型 ,提出了一种新的分割方法 ,采用该方法不仅分割出了目标而且较好地保持了其空间结构。通过形态学中的膨胀和腐蚀运算得到了感兴趣的目标区域 ,并给出了它的轮廓图。利用实际的运动和静止目标获取与识别 (movingandstationarytargetacquisitionandrecognition ,MSTAR)合成孔径雷达 (syntheticapertureradar,SAR) ,图像数据得到了较好的实验效果。     

基于距离像时频非负稀疏编码的SAR目标识别

提出了一种基于目标高分辨距离像时频域非负稀疏编码的合成孔径雷达(synthetic aperture radar,SAR)目标识别方法。首先,将目标的SAR复图像转换为高分辨距离像。然后,采用自适应高斯基表示方法计算每个距离像的非负时频矩阵。其次,对训练目标所有距离像的时频矩阵采用非负稀疏编码方法学习时频字典。在目标识别中,通过将每个距离像的时频矩阵投影到低维的时频字典上来提取特征矢量。最后,在提取特征矢量的基础上,通过支撑向量机目标识别决策实现目标识别。采用美国“运动和静止目标获取与识别计划”公开发布的SAR图像数据库进行算法验证实验。实验结果说明了提出方法的有效性。     

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%。     

复数兼容全变分SAR目标结构特征增强

针对合成孔径雷达(synthetic aperture radar, SAR)成像目标复杂结构特征难以精准提取的问题,设计复数兼容的多通道结构张量全变分(structure tensor total variation, STV)正则先验表征函数,进而提出面向SAR目标结构特征增强的复数兼容-STV(complex value compatible-STV,CV-STV)优化算法。所提算法的结构先验函数设计涵盖实部/虚部两个通道的结构张量,能适应SAR复成像数据特征并解析推导得到其近端算子,进而简化求解问题的模型复杂度。同时,将CV-STV正则优化算法引入稀疏驱动先验,借助交替方向多乘子法(alternating direction method of multipliers, ADMM)多任务优化框架实现目标散射点多特征的联合表征与增强。实验部分分别应用SAR仿真与实测数据对所提CV-STV正则优化算法进行有效性验证;同时利用相变分析实验对比传统特征增强算法,验证了所提算法的优越性。     

双层稀疏组Lasso高分辨SAR结构特征增强成像

针对合成孔径雷达(synthetic aperture radar,SAR)成像中,基于l1正则化线性回归(简称为Lasso)的凸优化类算法在进行稀疏特征增强时会导致弱散射体结构特征丢失,进而影响稀疏信号恢复精度的问题,本文提出一种基于双层稀疏组Lasso罚高斯回归模型的交替方向多乘子算法.该算法以散射体的块结构(组)...     

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%。     

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。     

S变换在雷达目标识别中的应用

针对雷达目标回波的非平稳特性,推导了S变换及其实现算法,利用电磁场时域有限差分算法仿真了三种军用飞机的宽带散射信号,采用S变换对飞机目标的雷达回波进行时频分析,提取时频分布图的奇异值特征作为目标特征矢量,利用径向基函数神经网络对特征矢量进行训练和学习,最后对三种飞机做了分类识别,取得了很好的识别效果.     

基于超密集特征金字塔网络的SAR图像舰船检测

针对星载合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测困难的问题,提出了一种基于超密集特征金字塔网络的检测算法。首先,利用残差神经网络提取原始图像特征,构建特征图。其次,跨尺度连接多个特征层获取超密集特征金字塔,建立多尺度的高层语义特征映射,增强特征传播和重用。然后，再利用区域建议网络提取每层金字塔的候选区域输入检测网络。最后,通过融合候选区域及其周边上下文信息,将检测网络注意力集中至海域以抑制虚警,并为分类器计算置信度和边框回归提供补充信息。多组仿真实验证明,所提网络框架设定合理且检测性能优越。