船只目标三维转动对SAR成像影响的定量分析

在分析船只三维转动(横滚、俯仰、偏航)对合成孔径雷达(Synthetic Aperture Radar,SAR)成像质量的影响方面,现有文献只考虑了仅存在一维转动时的影响,未考虑三维转动同时存在时对SAR成像质量的影响。另外,现有文献主要基于船只转动对船只散射点瞬时多普勒频率的影响进行分析,并未真正与对SAR图像质量的影响关联起来。本文推导了适用于船只存在三种一维转动、同时存在三维转动时的SAR图像二维时域表达式,以及散射点方位向坐标的表达式。在上述表达式的基础上,通过分析船只上的散射点在SAR图像中的偏移情况,扩展到分析船只整体在SAR图像中的形变情况;通过分析一维转动对SAR成像的影响,扩展到分析三维转动同时存在时对SAR成像的影响。研究表明:船只三维转动引入了包络误差和相位误差,导致SAR图像中散射点模糊并在方位向偏移,且不同散射点的偏移量不同,从而使船只形状发生畸变。仿真结果验证了所推导表达式的准确性及理论分析的正确性。

多时相SAR船只目标的特征点匹配方法对比分析

多时相合成孔径雷达(SAR)卫星数据的组合能有效缩短重访周期、提高船只目标匹配跟踪能力,但多时相SAR工作参数(波段、分辨率等)、船只特点(尺寸小、常处于运动等)均会影响匹配跟踪方法的精度与效率。因此,将Harris方法、FAST(Features from Accelerated Segment Test)方法、尺度不变特征转换(SIFT)方法和SAR尺度不变特征转换(SAR-SIFT)这4种匹配方法应用至多时相SAR船只目标,从抗噪性、描述目标能力以及特征点稳定性三方面综合评估各方法的性能。在抗噪性方面,SAR-SIFT、FAST和Harris方法均未检测到海洋背景的干扰特征点;在描述目标能力方面,SAR-SIFT方法提取的特征点数比其他方法高出15%,并且特征点分布均匀;在特征点稳定性方面,SAR-SIFT方法的同名特征点重复检测率比其他方法高10%以上。实验结果表明,SAR-SIFT方法在多时相SAR船只目标特征点提取匹配中更具优势。

基于Mask-RCNN算法的无人机巡检影像船只目标检测方法研究

为了进一步保护水库饮用水源地一级保护区的水质安全,采用测绘无人机手段对水库进行周期性无人机航拍巡检,进而对无人机巡检影像数据中水库船只非法捕捞、非法养殖违法特征目标智能识别、提取,提高水库生态环境检测与管理效率。本文基于卷积神经网络思想,提出了一种基于Mask-RCNN算法的无人机水库巡检影像船只目标检测方法,采用迁移学习方法,利用COCO训练集对船只目标影像进行预训练,再根据本文创建的样本数据集进行训练得到训练模型。通过对增强训练样本并采用ResNet+FPN作为特征提取器得到最优化的无人机巡检影像船只目标检测模型。在不同场景图像中,可以检测识别出水库违法特征目标,实验结果达到了预期要求,提高了无人机水库巡检影像中违法特征目标识别的准确性。

一种基于全极化SAR数据广义多子视相干的海面船只目标检测方法

传统基于子视相干的检测算法,如2L-IHP(Two Looks Internal Hermitian Product)和Pol-IHP(Polarimetric Internal Hermitian Product)等,通常利用两个子视影像进行相干来检测海面弱小船只目标.但受子视影像个数的限制,无法大幅度地提高船海对比度,进而影响了检测精度.针对该问题,本文提出了一种基于全极化SAR的广义多子视相干检测算法,首先利用子视分解方法对全极化SAR数据进行处理得到多个子视全极化影像;接着,基于广义相似性参数(Generalized Similarity Parameter,GSP)定义这些子视影像间的相关矩阵和相干算子来计算相干图;然后,利用恒虚警率(Constant False Alarm Rate,CFAR)检测方法结合统计的相干图累积分布函数进行船只目标检测.通过实验,表明利用本文算法船海对比度随着子视影像个数的增加而得到大幅提高,从而减少了弱小船只目标的漏检,显著提高了船只目标检测精度.

C波段紧缩极化合成孔径雷达船只目标检测性能分析

本文全面分析了C波段紧缩极化SAR 40种极化特征的船只目标检测性能。首先利用船只目标和海面的欧式分类距离统计分析了各极化特征的船只目标检测性能,结果表明,极化特征圆极化比、圆极化度、椭圆方位角、圆度、相对相位、平均散射角和紧缩极化散射角的船只目标检测性能最好。在此基础上,针对上述7个紧缩极化特征,进一步分析了船海对比度、入射角、窗口大小和船长对紧缩极化SAR船只目标检测性能的影响。

改进核相关滤波器的海上船只目标跟踪

提高海上智能监测水平,为了实现对海上船只目标的跟踪,文中针对典型海况环境下的海上船只目标跟踪问题,提出了一种改进核相关滤波器(Kernelized Correlation Filters,KCF)的船只目标跟踪算法。首先,针对KCF算法的特征,提出船只目标跟踪临界概率的概念,用来判断目标跟踪是否异常;接着,加入卡尔曼滤波模块,用来预测跟踪目标下一时刻的位置;然后,对跟踪异常的目标设计目标跟踪异常处理模块进行处理;最后,针对4组典型的海上目标跟踪场景,通过实验验证了算法的性能。实验结果表明:文中算法在海上船只大幅度晃动、跟踪目标被遮挡、目标出界、目标尺寸变换等复杂情况下,跟踪准确率和速率比原KCF算法分别提高17.23%和7.86%。满足海上目标跟踪精度、实时性、适用性等方面的要求。

基于旋翼无人机雷达的船只目标成像与类型识别研究进展综述

载有成像雷达的旋翼无人机具有成本低廉、对起降条件要求低、飞行姿态灵活多样等优点,可以在热点区域进行普查、详查或长时间悬停凝视等多模式成像监测,现已成为海上船只目标监测识别的重要手段。本文分别从旋翼无人机雷达硬件系统、无人机载雷达动目标成像、船只目标类型识别和目标三维结构特征提取等四方面开展国内外研究进展综述。总结分析发现当前利用旋翼无人机雷达进行船只目标成像和类型识别,尚存在运动船只成像散焦、三维结构重建难度大、类型识别精度低等问题,迫切需要推动相关技术的发展。

光学遥感图像船只目标检测识别技术

船只目标检测识别技术是现阶段遥感图像研究领域的一个重要发展方向。随着国产高分辨率卫星的快速发展,高分遥感卫星陆续发射,基于光学遥感图像的船只检测识别技术会逐步成为研究热门。主要介绍了近年来基于光学图片的船只检测识别技术发展、以及当前技术存在的问题。当前基于深度学习的船只目标检测识别技术取得了较好的检测效果,成为主流研究方向,但在光学遥感图像船只检测领域基于深度学习的方法有一些基本问题限制了检测效果,对这些问题进行了归纳总结,并对未来光学遥感图像船只检测技术的发展进行了展望。

基于深度卷积神经网络的红外船只目标检测方法

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题,提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域,并对原图相应的目标位置进行标记和归一化处理,提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别,将提取的候选区域送入改进的AlexNet进行特征提取和预测,得到最终检测结果。分水岭方法可大大减少候选区域检测时间,以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据,并对其平移缩放形成的数据集进行仿真实验。结果表明,标记分水岭与深度CNN的结合,可有效识别船只目标,所提方法具有良好的性能,能够更加快速准确地识别红外船只目标。

利用香农熵的双极化合成孔径雷达船只检测

针对传统恒虚警率(CFAR)船只目标检测方法存在虚警率设置困难、算法自动性差的问题,该文结合香农熵特征对于船只目标和海面表现出不同特性的原理,即船只目标的香农熵为正值,海面的香农熵为负值,提出了一种基于香农熵的船只目标检测方法。文中利用8景C波段Radarsat-2双极化SAR数据进行检验,与KCFAR、G0-CFAR及基于反射对称性的XC船只目标检测算法进行对比分析,结果表明本文提出的方法具有较好的检测性能。

基于多尺度静态小波分解的改进型CFAR船只检测算法

SAR船只目标检测是实现海上安全监测的有效手段。由于在海杂波较为复杂的情况下,传统CFAR算法对于弱小船只检测效果不佳,本文提出了基于多尺度静态小波分解的改进型CFAR检测算法。首先通过实验选出最优小波基及最佳小波分解级数,再利用幂运算对经多尺度乘性增强的小波系数进行优化,以增强船只与海洋背景的对比度,从而运用简单的CFAR算法即可得到较好的检测效果。最后,以新型星载ALOS-PALSAR数据为例,通过与传统CFAR算法的对比实验,验证本文算法的有效性。实验表明,利用Sym2最优小波基的较强边缘检测能力以及小波多尺度乘性增强,双重强化了船只目标的边缘影像特征,并有效抑制了海杂波噪声,使得本文算法在提高检测率与降低虚警率两方面都优于传统CFAR算法,有利于高海杂波下弱小船只的检测。

基于改进区域卷积神经网络的SAR图像船只检测方法

准确地掌握船只目标的位置和分布对海上交通管理、海洋事故救援及海洋环境保护等非常重要。近年来,合成孔径雷达(SAR)广泛应用到海上船只目标探测中。本文提出一种基于深度学习框架的船只检测方法,该方法根据SAR图像中船只目标的特点,对区域卷积神经网络的输入部分及目标候选框提取部分做出了适应性改进,并对训练方法进行了优化。实验表明,本文提出的方法能够在不同分辨率的SAR图像中检测出密集分布、沿岸分布等不同场景下不同大小的船只目标,且检测结果不受旁瓣等噪声的干扰,能够完整地保留船只目标的细节信息,实现整体检测。

基于残差谱显著性区域提取的极化SAR船只检测

极化合成孔径雷达(synthetic aperture radar,SAR)包含了丰富的目标散射信息,已被广泛用于海上船只检测.文中将机器视觉中基于残差谱视觉显著性区域提取方法扩展到极化SAR船只检测.首先,全面分析SAR极化特征的船海区分能力,利用5景RADARSAT-2全极化数据,对比45种极化特征的船海欧式距离、巴氏距离和对比度,筛选出16个船海对比度大于20 dB的极化特征;其次,挑选出适用于残差谱显著性区域提取船只检测的极化特征组合,通过特征间互信息、图像对数谱特性分析,确定利用相干矩阵的三个幅度极化特征组合成RGB图像进行船只检测;最后,将本文方法与基于恒虚警率的方法比较.在测试图像中,传统方法的品质因数小于0.9,本文方法的品质因数为0.95.本文方法能够很好地抑制虚警,同时还可直接提取出目标的轮廓等几何信息,具有一定的应用前景.