雷达信号与遥感地图融合的深度学习低慢小目标检测算法

雷达复杂环境低慢小目标检测是一项具有挑战性的任务,而利用深度学习以及数据特征融合等方法是解决这一难题的有效手段。本文在雷达地图融合检测网络(Radar Map fusion Detection Network,RMDN)的基础上进行了优化,主要优化方向为将雷达与地图信息在检测过程中进行重要性程度区分,具体优化内容为减少地图特征提取模块的网络深度,加入通道注意力机制,让神经网络自主学习雷达信息与地图信息特征的权重,使神经网能够更好地利用地图信息对雷达目标进行辅助检测。在此优化基础上,本文重新设计出了雷达地图融合检测网络RMDN-V2。算法的主要思想为利用卫星遥感地图来提供背景环境信息,作为雷达信号检测的辅助,通过将目标背景中的特征信息融入检测决策中,提高目标检测的准确性和鲁棒性,减少对强杂波和移动物体的干扰敏感性,改善目标检测算法在复杂环境下的表现。最后的无人机雷达实测数据实验结果表明,本文所做的针对性优化是有效的,RMDN-V2的检测性能优于原始的RMDN,同时本文算法检测性能远超传统的雷达检测算法,同时也优于目前主流的一些深度学习雷达目标检测算法。本文为解决当下低慢小目标检测的难题提出了新的算法。

基于改进YOLOv4的低慢小无人机实时探测算法

针对低慢小无人机探测任务中精度不高、在嵌入式平台上部署实时性能差的问题,提出了一种基于改进YOLOv4的小型无人机目标检测算法。通过增加浅层特征图、改进锚框、增强小目标,提高网络对小目标的检测性能,通过稀疏训练和模型修剪,大大缩短了模型运行时间。在1080Ti上平均精度(mAP)达到85.8%,帧率(FPS)达75 frame/s,实现了网络轻量化。该模型部署在Xavier边缘计算平台上,可实现60 frame/s的无人机目标检测速度。实验结果表明:与YOLOv4和YOLOv4-tiny相比,该算法实现了运行速度和检测精度的平衡,能够有效解决嵌入式平台上的无人机目标检测问题。

一种基于航迹特征的无人机与飞鸟目标雷达识别方法

对于现代雷达探测系统而言,无人机与飞鸟同属于具有“低慢小”特征的一类典型目标,而面对比较复杂的作战环境,其对功能的要求已经不仅局限于对两者目标实现稳定探测跟踪,如何有效区分两者类型并完成识别更是当下急迫且重要的难题。常规方法是从目标的微动特征差异进行区分,但由于两者回波微弱,很难通过时频分析方法提取目标特征。针对该问题,从航迹特征出发,提出一种无人机与飞鸟目标雷达识别方法。首先对比两者目标在运动轨迹上的差异性,进行特征分析,提出时间相关的航向震荡频率与速度震荡频率特征量描述方法,并在离线状态下,利用实测雷达系统记录的航迹数据,提取两者的有效特征量;然后利用支持向量机算法对样本进行训练,并在获得最优模型参数后,通过测试样本进行测试,测试分类结果显示准确识别率能够达87%;最后在线状态下跟飞实验,其结果既表明该方法的正确性,也体现了在工程实现角度上的轻量性、实用性、适用性,具有较高价值。

海空背景下低慢小目标泛探雷达多域多维特征建模与分析

飞鸟和无人机等“低慢小”目标回波微弱、特征不明显,对雷达探测和识别提出了很高的要求,对其特征建模与特性分析是基础,而获取雷达多域多维的目标特征是前提。数字阵泛探雷达通过“宽发窄收”工作模式,实现目标的长时间积累,实现更高的积累增益和多普勒分辨率,能够获得目标的多域多维特征,为“低慢小”目标的精细化处理和探测识别一体化奠定了基础。该文针对海空背景下的飞鸟、旋翼和固定翼无人机、直升机等“低慢小”目标,利用数字阵泛探雷达系统获得的距离-方位-帧间、距离-脉冲-帧间等多维数据,提取目标的时域回波特征(单帧脉冲回波、动态脉冲回波)、变换域多普勒特征(多普勒瀑布图、微多普勒谱)、长时间机动特征(加速度序列、加加速度序列、航迹)7类19种多域多维特征,能够充分的反映目标在单帧和多帧数据间的幅值起伏、能量变化、运动、机动、微动等特性,从而实现对“低慢小”目标的精细化特性描述与分析。最后,采集并构建了数字阵泛探雷达“低慢小”目标特征数据集,对典型目标的特征进行验证和定量、定性分析,总结不同目标的特征差异,验证结果表明,四种类型的“低慢小”目标的多维特征具有明显的区别,获得的特征和差异将为后续的“低慢小”目标分类和识别提供重要支撑。

“低慢小”目标防控体系建设及发展思路

近年来,以无人机为代表的“低慢小”目标发展迅速,通过搭载侦察、通信、干扰、打击等载荷和运用先进信息技术,已应用于实战或恐怖袭击,对城市防护、要人要地、公共安全造成了重大安全隐患;其以廉降耗、以量增效的新战法和新特点,对现有的防控体系构成了极大挑战。文中结合近10年工程经验,分析“低慢小”目标的特点和防控问题,提出基于OODA理论的“低慢小”目标防控作战流程以及复合组网、态势融合、多元分级、平台开放的体系建设发展思路;面向应用,充分探索各探测、处置手段的发展方向,为开展“低慢小”目标防控技术的发展和能力建设提供重要参考。文中指出,“低慢小”防控任务需要多学科、跨领域的协同配合,并通过常态化的测试与使用,对相关经验进行总结,不断优化迭代体系能力,才有可能解决“低慢小”目标防护的问题。

异类传感器协同探测跟踪技术研究

低小慢消费级无人机的非法滥用,对社会公共安全带来了安全隐患和威胁。文中提出综合的探测和跟踪方法,该方法结合无线电侦测、雷达、光电和声学等传感器各自探测的优势,协同探测来袭无人机目标,互相补盲,并将信息进行融合,形成高质量的目标航迹,提高系统的探测跟踪能力和探测精度,为后续处置设备提供高质量的目标拦截打击引导数据。

低空光电探测系统的研究现状及发展趋势

以无人机为代表的低慢小目标对当前军事产生了重大变革,特别是在复杂作战环境下对现代战争产生的威胁。本文通过对多种探测手段的分析,阐明了光电探测在低空复杂背景探测下的绝对性优势,分析了光电探测系统的研究现状,介绍了当前光电系统面临的四个主要的挑战难题:大视场远距离探测、大视场与高分辨兼容、复杂背景低虚警探测与高精度识别、多目标跟踪定位,并给出了对应的解决思路,同时也是未来光电探测系统的发展趋势,通过光电探测能力的提升,实现真正与雷达能力的匹配。

面向低慢小目标探测的稳健发射波束控制技术

针对低空、慢速小目标探测易被地面动目标或强地物杂波影响的问题,提出一种抑制近地侧杂波对低慢小目标检测影响的稳健发射波束控制算法。通过约束发射波束对地侧副瓣电平,可以减少对地侧区域的动目标或强地物杂波的回波。算法以波束稳健性为目标函数,以峰均比约束优化发射能量利用率,将该优化问题转换为二阶锥优化(Second-Order Cone Programming,SOCP)问题,并求解该优化问题。仿真结果表明,该算法能够在保持发射效率的同时有效减少近地侧副瓣发射功率,同时提高发射波束的稳健性。

“低慢小”无人机雷达探测研究与展望

小型无人机的雷达截面较小,对它实施远距离探测难度较大,且环境因素和误报问题也会影响雷达探测的表现。然而,雷达探测仍是最前沿的无人机探测技术之一。探讨无人机雷达探测系统在探测和追踪无人机方面的应用和挑战。介绍无人机雷达探测系统的基本原理和研究热点,详细分析无人机雷达探测系统在探测和追踪无人机方面的效果以及遇到的性能和技术上的挑战。未来的研究可以使用合成孔径雷达和集成多个传感器的方法来进一步提高雷达探测系统的探测性能并减少误报数量。同时,机器学习和人工智能技术的应用也可能有助于提高探测精度,使雷达系统适应不同的环境和目标。

低慢小飞行物实时检测原理与实验研究

飞鸟撞击飞机与无人机黑飞是威胁航班起降安全的两大隐患,上述的飞鸟和无人机都属于“低慢小”飞行物。为保卫机场净空区的安全,需要研制具有反低慢小功能的预警系统。对此,设计并实现了一套低慢小飞行物实时检测系统,基于FPGA(field programmable gate array)驱动相机阵列实时采集大视场天空视频,将适于硬件操作的奇偶分流算法与帧间差分算法相结合进行运动目标检测,系统帧率达到17帧/s@1 024×768 pixel,平均检测准确率为99.69%。采用千兆以太网、光纤和交换机将前端跑道视频传输至后端塔台指挥中心,支持3 km远距离传输。相比于传统基于软件串行处理的方式,该系统具有高实时性、低功耗与小体积的优势,适合部署在实际应用场景中。

改进YOLOv5的小型旋翼无人机目标检测算法

低空慢速小型目标检测一直是预警探测领域关注的重点和难点。目前,基于神经网络的主流目标检测算法在设计时主要考虑应用于VOC数据集或COCO数据集,在特定场景下检测精度不够理想。针对复杂背景下小型旋翼无人机目标检测的特定检测场景,提出一种基于改进YOLOv5的小型旋翼无人机目标检测算法。首先,增加小目标检测层以获得大尺寸的浅层特征图,从而提升算法对小目标的检测能力;其次,针对小型旋翼无人机尺寸不一的问题,利用K-Means++聚类算法对先验框的尺寸进行优化并将其与各特征层进行匹配;最后,使用Mosaic-SOD方法进行数据增强以及改进损失函数,增强算法对小目标的感知能力以及提高网络训练效率。将改进后的算法应用在复杂背景下的小型旋翼无人机目标检测中,实验结果表明,相较于原始YOLOv5算法,该算法在小型旋翼无人机目标检测上具有更高的检测精度和特征提取能力,虽然检测速度有一定下降,但通过对可见光视频流进行检测可知其仍能够满足实时性的要求。

强杂波背景下FMCW雷达低小慢目标探测研究

强杂波背景下的雷达回波处理一直是雷达信号处理的难点和重要工作。对调频连续波雷达信号处理进行了详细分析,完成了中频采样、数字下变频、FFT处理、MTI/AMTI处理、反异步处理、CFAR和杂波图处理原理框图设计。通过对强杂波背景下FMCW雷达低小慢目标的探测能力分析,提升了强杂波背景下对近距离小木船及海面漂浮的浮筒等低小慢目标的探测能力。为复杂海洋环境下FMCW雷达低小慢目标探测提供了一种新方法。

基于新型全景光电的超近空防护系统设计

近年来,随着消费级无人机市场需求的快速增长,由“低慢小”目标造成所引起的安全隐患不断增多,对重点区域的低空安全威胁日益增大,研究对“低慢小”目标的有效探测技术迫在眉睫。基于此,本文对现有反无人机技术体系的组成及各类探测技术手段的特点进行分析,总结出现有防护系统对中近距离突然起降、快速穿越防护区域周界的“低慢小”目标的探测预警能力不足。为解决此问题,本文开展一种新型全景光电探测技术的研究,采用低成本的低照度、大视场可见光探测器件,通过多传感器的拼接技术,实现单节点大空域范围的覆盖与显示,利用类人视觉机制的智能算法,实现复杂场景内目标的快速检测与准确识别,通过多节点分布式组网部署方式,有效提升了系统在超近空的防护能力。

应对“低小慢”目标防空武器装备建设问题研探

“低小慢”目标以其自身特殊性能,被越来越多的国家和组织所使用,特别是近年来,无人机等目标多次被用做恐怖袭击、战场情报收集、要点打击等用途,严重威胁国土防空安全,如何对抗“低小慢”目标也成为了各国研究的重点。论文主要从“低小慢”目标打击难度,探测方法,打击武器等方面对防空武器装备建设问题进行研究探讨,并结合当前已成功研制的防空武器系统现状,为防空武器装备建设提供方向。

导航雷达慢速小目标检测方法

针对常用导航雷达在检测强海杂波环境下慢速小目标的困难问题,利用扫描间海杂波非相关特性,提出采取提高天线转速的措施和扫描间信号平滑处理技术,从而抑制或削弱海杂波,增强目标信号强度,改善检测性能。实验表明,本方法显著提高了导航雷达在海杂波环境下检测慢速小目标能力。

新型“低慢小”目标探测处置系统的体系建设

随着通用航空事业的快速发展,以无人机为代表的“低慢小”目标在数量规模、技术手段、作战模式方面发生了深刻变化,使得“低慢小”目标的威胁能力不断增大,安全防范需求日趋紧迫。本文立足当前国内探测处置现状存在的主要问题,针对新型目标和城市场景的特点,提出新型“低慢小”目标探测处置体系建设方案,构建指挥控制、预警探测、干扰拦截一体的防控体系。其中,指挥控制作为系统核心,实现整体系统的一体化集成;预警探测通过多传感器构成全天时全天候全空域预警网络;干扰拦截通过“软”“硬”手段结合构成多层次防御体系。通过研制新型“低慢小”目标探测处置体系设计,将“低慢小”目标防范纳入信息化作战范畴,具备更强的体系对抗能力,适应未来信息战争要求。

海杂波环境下慢速小目标检测方法

海杂波环境下慢速小目标检测一直是雷达目标识别的难点,在分析海杂波特性的基础上,设计了脉间信号平滑处理和时频分析两种实用的海杂波抑制和慢速小目标检测方法,通过实验验证,在雷达长时间照射下采取一定时间间隔的扫描间信号平滑处理,而在短时间照射下采取时频分析方法均能有效地区分出淹没于海杂波环境下的慢速小目标。

一种强杂波背景下弱小目标长时间相参积累方法

伴随无人机技术的发展，低空慢速小目标面临杂波强和目标回波弱的问题，同时相控阵雷达需要兼顾空域警戒等多种任务，需要将弱小目标的多次观测信号进行积累检测。文中提出一种基于线性约束最小方差法（LCMV）稀疏基压缩感知（LCMV-CS）的相参积累技术，实现弱小目标多次观测信号片段相参积累，同时实现对强杂波的抑制处理。仿真条件不等间隔积累损失≤1dB，解决常规FFrll相参积累栅瓣的问题，同时抑制强地物杂波40dB，利用实录数据验证该方法可以有效抑制强杂波的同时提升目标信噪比。

一种舰载毫米波雷达海杂波背景下的慢速小目标检测算法研究

掠海飞行慢速小目标的检测一直是雷达信号处理领域研究的热点问题。分析了海杂波数据的统计特性,利用天线扫描间海杂波非相关特性,采取单次扫描脉冲间非相参积累,结合天线扫描间积累和杂波图迭代平滑处理技术,抑制海杂波,积累目标能量,改善检测性能。仿真结果表明利用本方法毫米波雷达能有效检测海杂波环境下的慢速小目标。

低慢小目标雷达探测技术研究

低慢小目标的探测,需要从强杂波抑制和多路径效应两个解决途径入手,针对低慢小目标高度低、速度慢、反射截面积小的目标特性,综合采用高分辨技术(窄波束、高距离分辨、高速度分辨)、精细化处理、频率捷变技术实现对目标的可靠检测,理论分析和试验数据分析表明,这些方法对于低慢小目标的探测是有效的。