复杂场景SAR图像的船舰目标快速检测研究

复杂场景SAR图像容易受地物和强散射干扰的影响。为提高船舰目标检测算法的效率和精确率,本文提出一种基于改进YOLOv3和注意力机制的检测网络方案。该检测网络主要由目标筛选网络P-FCN和目标精确检测网络S-SSD组成。PFCN是一个轻量型的全卷积网络,用于快速筛选船舰目标。S-SSD是一个改进的YOLOv3网络,通过多层次特征融合系统结合双通道注意力机制CBAM,结合P-FCN对船舰的目标定位实现了对船舰目标的精确检测。实验结果表明,本文算法对于复杂场景SAR图像船舰目标具有较好的检测性能。

基于改进YOLOV3-Tiny的海面船舰目标快速检测

为实现海面船舰目标的快速、准确检测,提出一种改进的船舰目标检测算法。在网络结构方面根据船舰目标的特点,对浅层信息进行强化重构以降低小目标的漏检率,同时引入改进的残差网络增加网络深度和降低网络参数计算量,并且采用金字塔网络进行多尺度特征融合,以兼顾图像中大小船舰目标的检测性能。在网络训练中利用迁移学习策略进行网络模型的训练,以克服船舰图像样本集有限的问题。在视频检测中利用帧间图像结构相似度进行选择性网络前向计算,以提高视频帧检测速率。实验结果表明,该算法海面船舰目标检测的准确率达到92.4%,较YOLOV3-Tiny提高7个百分点,召回率达到88.6%,且在CPU平台上船舰目标的检测速度达到12 frame/s。

基于不变矩和支持向量机理论的船舰目标识别

基于支持向量机(Support Vector Machine,SVM)理论和不变矩(Invariant Moments)理论,提出一种船舰目标识别方法。首先,对图像进行预处理,将彩色图像转化为灰度图像;然后利用Hu不变矩来提取图像的七个不变矩特征;最后,选用支持向量机作为分类器,并将计算出的图像的七个矩特征作为支持向量机的输入对支持向量机进行训练和测试。实验证明,将不变矩特征提取方法与SVM相结合用于模式识别,可以得到很高的分类效率和准确率。

基于FEKO软件的高分辨距离像建模仿真

为了满足雷达目标识别的需求,提出了一种在海面背景下仿真船舰目标雷达散射截面积(RCS)和高分辨距离像(HRRP)的方法。利用FEKO软件进行仿真得到目标RCS,对比不同仿真方法的仿真效率。仿真船舰海面混合模型的散射特性,对频域回波数据进行IFFT得到海面背景下船舰模型的高分辨距离像,仿真结果表明,在海面背景下运用FEKO获取高分辨距离像的方法仍具有有效性,可以用于雷达目标识别。

Classifying ships by their acoustic signals with a cross-bispectrum algorithm and a radial basis function neural network

An algorithm for estimating the cross-bispectrum of an acoustic vector signal was formulated. Composed features of sound pressure and acoustic vector signals are extracted by the proposed algorithm and other estimating algorithms for secondary and higher order spectra. Its effectiveness was tested with lake and sea trial data. These features can be used to construct an input vector set for a radial basis function neural network. The classification of vessels can then be made based on the extracted features. It was shown that the composed features of acoustic vector signals are more easily divided into categories than those of pressure signals. When using the composed features of acoustic vector signals, the recognition rate of underwater acoustic targets improves.