基于STAP的高速空中微弱多目标检测

空时自适应处理(Space-time adaptive processing,STAP)是一种有效的机载雷达动目标检测方法。为了对高速微弱空中动目标进行检测,常常要求相干累积时间较长。在此情况下,目标会发生严重的距离走动,一般常用Keystone变换来校正。但由于目标存在严重的速度模糊,此时Keystone变换会对STAP性能产生影响,而且Keystone变换无法对模糊数不同的各目标的线性距离走动进行统一校正。针对这些问题,本文提出了一种基于STAP、Keystone变换及Clean技术的高速微弱空中多目标检测方法。该方法首先进行杂波抑制,从而避免了Keystone变换降低STAP性能的问题,同时借助于Clean技术逐个检测出各目标并将其从总的数据中消除,因此对于模糊数不同的多个目标也是有效的。仿真结果证明了该方法能够有效的实现高速空中微弱多目标检测。

一种基于改进YOLOv7的无人机多目标光学检测方法

为解决由于空中多目标及其多尺度特征导致的目标检测召回率低、精确度低等问题,提出了一种基于YOLOv7改进的无人机多目标光学检测方法。针对无人机蜂群目标,使用K-means算法对自制的多尺度无人机数据集(Multi Scale Drone Dataset,MSDD)优化聚类,对原有YOLOv7锚框进行增改;在特征融合网络部分加深网络层数,使更深层的特征与浅表特征进一步融合,增强小尺度目标的特征表达能力;在网络预测部分增加一个极小目标预测头,有效增强多尺度、多目标的检测性能。较原YOLOv7算法,改进算法在自制数据集上mAP达到75.69%,提升了6.25%,对于多尺度特征的无人机多目标检测具有更好检测效果。