海面小目标检测的AR双极点分析

针对舰载(或岸基)雷达对海面小目标检测问题,尤其对较短时间内完成检测的应用场合,基于自回归(AR)模型的解决方案,对其中具有代表性的算法———最大幅度极点法(ARLPM)的不足进行了详细分析,提出同时利用次大幅度极点信息的AR双极点分析法。给出了应用该方法的具体步骤,雷达数据检测结果证明该方法优于ARLPM法。

海杂波中基于可控虚警K近邻的海面小目标检测

由于高分辨海杂波具有复杂的特性以及海面小目标具有多样性,没有精确的简单统计模型可以较好地描述海杂波和目标回波时间序列,这导致目标检测遇到了很多阻碍。为了区分海杂波和目标回波,分别提取它们的特征将检测问题转化为特征空间中的分类问题是一种有效的方法。基于特征的检测可以归结为在特征空间中的一种2元假设检验问题,但是其有两个问题需要解决:一是目标回波数据远少于杂波数据;二是虚警概率不可控。为了解决第1个问题,一种典型小目标的仿真回波产生器被用于产生充足的典型目标回波数据,以辅佐后续检测器的设计。K近邻(K-NN)是一种简单有效的分类方法,但是因为无法精确地控制虚警率而不能直接在目标检测中使用。该文提出一种基于改进K-NN的海面小目标检测方法,可以很好地实现可控虚警。经IPIX雷达数据集验证,所提出的方法在观测时间分别为0.512 s和1.024 s时获得了85.1%和89.2%的检测概率,相比现有的检测器获得了7%和5%的提升,具有良好的检测效果和稳定性。

基于重排频谱时频脊的海面小目标检测

针对由于传统W-H算法计算量大,检测效率不高,海面小目标检测难度较大的问题,提出了基于重排频谱时频脊的小目标检测新算法。通过研究实测数据的时频谱能量分布特点,对比了在不同极化条件下,传统算法与新算法对多组实测数据的分析结果,研究了Hough参数域内的尖峰特性,对小目标实现了有效检测,验证了算法的可行性。最终得出结论:新算法选取重排算法以及提取重排谱时频脊提高了检测能力,降低了运算量,对海面小目标实现有效检测,且HH极化条件下新算法的检测性能更好。

基于变换域分形的海面小目标快速检测

针对传统海杂波中分数阶傅里叶变换(FRFT)域分形检测算法确定最优阶次困难、性能不稳定等问题,提出改进的变换域分形的海面小目标快速检测算法。新算法利用快速估计算法快速确定目标回波在FRFT变换的最优阶次,目标回波经FRFT变换后使得能量得到积累,提高回波信杂比。在此基础上,利用优化多重分形去趋势波动分析算法(IMFDFA)进行海杂波的多重分形研究。对IPIX雷达实测数据进行目标检测,实验证明:新算法中提出的最优阶次寻优算法性能稳定;与传统算法分形结果对比,新算法性能得到明显改进且更稳定,在一定程度上有利于算法应用于检测海面小目标。

高海况条件下海面漂浮小目标特征提取与分析

在高海况条件下,海面小目标回波信杂比很低,且在海浪影响下,小目标姿态变化引起的能量起伏严重,以能量为主导的目标检测方法具有较大的性能损失。从不同表示域提取小目标与海杂波差异特征,并进行特征检测是解决该问题的有效途径。以此为背景,通过开展海面小目标数据采集试验,分别从时域、频域、时频域、时频脊变换域进行特征提取与可分性分析,在4个表示域共提取出10个特征,包括时域相对平均幅度(Relative Average Amplitude,RAA)、频域相对多普勒向量熵(Relative Vector Entropy,RVE)、时频脊累积量(Ridge Integration,RI)等,通过分析得到了4级海况条件下不同特征可分性程度的结论,为后续多特征融合以及多维特征目标检测工作提供支撑。

中大口径舰炮“同时弹着”打击海面快速小目标方法

从近几年的海上安全形势来看,机动性好、体积较小的自杀式小艇已成为除反舰导弹外水面舰艇面临的最大杀手,如何实现对海面快速小目标的拦截和打击,是各国海军普遍面临的难题。因此,提出了中大口径舰炮“同时弹着”打击海面快速小目标的射击新方法,并建立了中大口径舰炮“同时弹着”模型,验证了中大口径舰炮2发同时弹着的可行性。同时,对中大口径舰炮“同时弹着”的误差、射击效力和适用距离等关键问题开展了研究。最后,结合实际战术应用,给出了中大口径舰炮基于梯次射的“同时弹着”射击方法,并通过仿真验证了该方法对打击海面快速小目标的有效性。

注意力机制改进轻量SSD模型的海面小目标检测

目的海面目标检测图像中的小目标数量居多,而基于深度学习的目标检测方法通常针对通用目标数据集设计检测模型,对图像中的小目标检测效果并不理想。使用一般目标检测模型检测海面目标图像的特征时,通常会出现小目标漏检情况,而一些特定的小目标检测模型对海面目标的检测效果还有待验证。为此,在标准的SSD(single shot multi Box detector)目标检测模型基础上,结合Xception深度可分卷积,提出一种轻量SSD模型用于海面目标检测。方法在标准的SSD目标检测模型基础上,使用基于Xception网络的深度可分卷积特征提取网络替换VGG-16(Visual Geometry Group network-16)骨干网络,通过控制变量来对比不同网络的检测效果;在特征提取网络中的exit flow层和Conv1层引入轻量级注意力机制模块来提高检测精度,并与在其他层引入轻量级注意力机制模块的模型进行检测效果对比;使用注意力机制改进的轻量SSD目标检测模型和其他几种模型分别对海面目标检测数据集中的小目标和正常目标进行测试。结果为证明本文模型的有效性,进行了多组对比实验。实验结果表明,模型轻量化导致特征表达能力降低,从而影响检测精度。相对于标准的SSD目标检测模型,本文模型在参数量降低16.26%、浮点运算量降低15.65%的情况下,浮标的平均检测精度提高了1.1%,漏检率减小了3%,平均精度均值(mean average precision,mAP)提高了0.51%,同时,保证了船的平均检测精度,并保证其漏检率不升高,在对数据集中的小目标进行测试时,本文模型也表现出较好的检测效果。结论本文提出的海面小目标检测模型,能够在压缩模型的同时,保证模型的检测速度和检测精度,达到网络轻量化的效果,并且降低了小目标的漏检率,可以有效实现对海面小目标的检测。

基于SSD的海面小目标检测综述

针对提高小目标信息提取能力、解决目标遮挡问题,对基于单次多核探测器(SSD)的小目标检测方法进行总结,归纳出三种改进途径:一是通过更改骨干网络加强浅层特征图对细节的提取能力;二是通过引入视觉注意力机制获得更有效的特征信息表达;三是将浅层、深层特征信息进行充分融合,提高特征信息利用率及强化各特征层之间的信息交流。最后,对SSD网络结构的改进和多元特征的利用进行展望,旨在为该领域的研究提供参考。