基于高分辨距离像的目标姿态角估计算法

目标的姿态角是目标运动状态的一个重要参数,在目标监控、目标跟踪、目标识别、导弹制导律设计等多个领域都有着很广泛的应用。不同于传统的利用图像传感器得到光学图像估计目标姿态角的方法,针对有翼导弹等弹体目标跟踪应用中的姿态角估计问题,利用高分辨雷达得到的距离像,给出了姿态角估计的流程,提出了基于距离像匹配及运动状态滤波辅助的估计算法,并针对一个导弹末端机动场景实现了姿态角的连续跟踪,验证了本文提出的姿态角估计算法的可行性。

基于雷达扩展目标的速度矢量估计方法

针对引信段相对匀速直线运动的目标,提出了基于雷达扩展目标多散射点特性估计速度矢量的方法。通过导引头雷达测量得到多散射点的多普勒速度、角度等信息,利用最小二乘法便可在一个观测周期内快速准确地估计目标速度矢量。该估计值可用于爆炸点和引爆时间预测,从而极大地提高引信性能。仿真结果验证了该方法的有效性。

末制导中估计器与制导律设计方法新进展

对末制导中估计器与制导律设计方法的最新进展进行了较为全面的综述.首先根据确定性等价定理(Certainty equivalence principle,CEP)是否成立,给出了现有设计方法的三种分类;随后对三类方法中典型算法的基本思想、优缺点以及相互关系做了详细介绍;最后提出了进一步优化现有估计器与制导律设计的新思路,并展望了改善大机动目标拦截末制导性能方法的发展方向.

集成多普勒观测的目标机动检测算法

基于决策的单模目标跟踪方法的关键是及时而稳健的目标机动检测,充分利用目标多普勒观测量能够有效提高机动检测性能。提出一种集成多普勒观测的目标机动检测算法,利用基于马氏距离的预测寻优方法,克服了多普勒观测噪声水平较高时估计式无解的情况,提高了加速度估计精度;基于奈曼-皮尔逊准则设计机动检测器,避免了因目标机动检测的滞后性带来的门限漂移。仿真实验表明,算法提高了加速度估计的精度和稳健性,显著降低了平均检测延迟,有效提高了机动检测性能。

基于运动特性约束的中段目标群角轨迹关联算法

中段目标群角轨迹关联问题是天基跟踪监视系统的核心和难点之一。常用的基于倾角差关联方法仅利用了目标与传感器之间的几何约束方法,几何约束方法具有计算简单、不依赖目标运动特性的优点,但关联性能受观测几何关系的影响大,在中段目标群场景下关联效果不理想。该文提出一种基于中段目标群运动特性的角轨迹关联算法。首先,给出中段目标群的运动模型和角轨迹测量模型。其次,构建中段目标群的似然函数作为代价因子,采用基于二维指派的角轨迹关联算法。接下来进行Mont Carlo仿真试验,从角轨迹长度、视线测量误差、弹头诱饵间距三方面对算法性能进行验证。结果表明,该关联算法可以获得良好的中段目标群角轨迹关联性能。

使用等效偏移角稀疏测量的面阵相机序贯图像几何校正

天基光学相机实际在轨对地观测成像的畸变需通过几何校正抑制。目前主流面阵相机对地观测获得的小尺寸、高帧频序贯图像很难满足传统几何校正方法逐帧解算对单帧图像控制点数量与空域分布的要求且计算量巨大。针对这一问题,提出一种使用等效偏移角稀疏测量的面阵相机序贯观测图像几何校正方法,将逐帧校正参数解算问题转化为时域稀疏测量条件下等效偏移角信号恢复问题,利用等效偏移角信号时频信息可有效降低对单帧图像控制点数量和空域分布要求。通过高分四号卫星面阵相机在轨实测图像数据验证了所提方法的可行性且其能大大降低序贯图像几何校正处理的计算量。

远距离探测条件下红外序列中弱特征目标检测

远距离探测情况下红外目标无纹理特征、易受噪声和杂波干扰,属于弱特征目标,检测难度大。将红外序列中的多尺度目标检测视为图像中的逐像素分割问题,更好适应复杂环境下的小尺度目标;提出了基于注意力全卷积的弱特征目标分割方法,通过构建时域显著图,将源自不同相机的图像在同一空间进行表征,提高模型的泛化能力和收敛速度;通过注意力机制自适应学习双模态多层次信息,强化对目标区域的特征学习能力。利用实测数据和仿真数据对检测方法在不同条件下的性能进行了对比分析,实验结果表明,所提方法能够有效提升多尺度弱特征目标检测性能。

基于HMM-PNN模型的助推段目标类型识别

针对卫星视野下导弹目标的识别问题,将经典隐马尔科夫模型(HMM)识别算法应用在助推段目标类型识别上并加以改进。首先,分析了通用弹道助推段运动特性,确定了不同射程导弹的分类依据。其次,针对HMM模型时序特性差异较小而引起的识别率低的问题,引入概率神经网络(PNN)与HMM模型相结合的结构算法,该方法整合了HMM模型的时间序列数据处理能力和PNN的自学习能力、贝叶斯决策理论,对不同射程导弹目标实现了分类识别。仿真实验结果表明该算法是一种有效的导弹目标识别算法,识别率优于传统的HMM模型方法,误判率较低,且易于工程实现。

基于深度时空卷积神经网络的点目标检测

由于点目标可用信息少,点目标检测技术是红外搜索与跟踪系统(IRST)中的挑战性难点。基于人工提取特征的传统目标检测,智能化水平低,对点目标检测的难度大。针对此问题,提出一种新的基于深度时空卷积神经网络的点目标检测方法。该方法采用全卷积架构,输入输出尺度相同,可用于处理任意尺度图像。为了提高实时性,卷积分解技术被引入3D时空卷积处理中,将复杂3D时空卷积分解为低复杂度的2D空域卷积和1D时域卷积。根据点目标特点,多权值损失函数被提出,分别采用样本均衡因子和能量均衡因子降低样本不均衡和误差分布不均衡对点目标检测性能的影响。测试结果表明,该方法能够有效抑制复杂背景杂波,并以较低计算量实现点目标检测。