基于时频图自主学习的海面小目标检测

多维特征检测方法已成功运用于海面小目标探测中。针对人工特征提取的局限性,将检测问题转变为两分类问题,提出了一种基于时频图深度学习的目标检测方法。首先,将一维观测回波变换到二维时频域,并通过归一化时频图进行白化预处理。其次,建立半仿真含目标回波数据库,解决两类训练样本非均衡问题。然后,搭建迁移学习模型自主学习时频图特性,具有深度网络结构和减小训练代价的优势。最后,将两分类的概率值作为统计量,获得虚警可控的判决区域。基于IPIX实测数据实验结果表明:所提的检测器能深入挖掘目标和杂波的差异性,低信杂比下仍能有效提升海面小目标的探测能力。

基于高维特征域随机森林的海面小目标检测

特征检测是提高海面小目标检测的有效途径。针对低维特征检测概率低和高维特征虚警难控制的问题,文中提出一种基于虚警可控随机森林的高维特征检测方法。首先,从时域、频域、时频域等多域提取多维特征,将检测问题转换为高维特征空间中的两分类问题;其次,通过仿真含目标回波,获取海杂波和含目标回波的两类均衡训练样本;然后,将随机森林算法引入到高维特征空间中,建立分裂因子和虚警率的函数关系,获得虚警可控的判决区域;最后,基于IPIX实测数据验证所提检测器具有一定的性能提升,满足实际雷达恒虚警检测的要求。

基于时频域深度网络的海面小目标特征检测

为了提升海杂波背景下小目标探测性能,本文提出一种基于时频域深度网络的特征检测方法。首先,将观测向量转换为归一化时频图(Normalized Time-Frequency Graph,NTFG),实现海杂波抑制。在时频域,建立海杂波、含正多普勒偏移目标回波、含负多普勒偏移目标回波的三分类问题,精细化目标落在主杂波带内外的不同特性。其次,引入Inception-ResNet V2深度网络作为特征提取器,自主学习不同类别在NTFG上的深层差异性,并将差异性浓缩为一个2D特征向量。然后,在2D特征空间中,设计具有引导的三次样条曲线,获得虚警可控的判决区域,实现异常检测。最后,IPIX实测数据验证了所提算法的性能优势,能深入挖掘时频域的特性。