SAR目标检测中的一种稳健变化检测算法

在合成孔径雷达(SAR)目标检测中,目前采用的变化检测算法主要包括构造似然比法和最小二乘图像相减法,这两种算法在实际变化检测中分别存在如下问题:构造似然比法需要目标、杂波及噪声充分的先验知识,而最小二乘图像相减法则存在稳健性差的问题,鉴于上述问题,该文提出一种稳健可行的变化检测算法,该算法在最小二乘图像相减法的基础上引入了误差影响因子,通过迭代的方法求取待定参数,大大提高了变化检测的稳健性,文章最后基于不同算法进行了变化检测试验,试验结果进一步证明了该文提出算法的稳健性。

基于多层显著性模型的SAR图像舰船目标检测

针对合成孔径雷达图像舰船目标检测问题,提出了一种结合选择机制与轮廓信息的多层显著性目标检测方法。首先,利用非下采样剪切波和频谱残差法进行全局显著性区域提取。其次,提出了一种基于动态恒虚警率的活动轮廓显著性模型,逐步滤除候选区域的虚警,提取目标轮廓,从而实现目标的精确检测。所提方法能够由粗到细地快速捕获目标区域,从而实现高效、高分辨率合成孔径雷达图像舰船检测。最后,在真实SAR数据集进行了测试,与其他经典的舰船检测方法相比,所提算法不仅有效地抑制了海杂波的影响,而且在检测精度上有较大提高。

基于阴影的视频SAR动目标检测

视频合成孔径雷达(SAR)是雷达成像邻域的研究重点之一,其具有高帧率连续成像特性,有利于对地面运动目标进行实时监测。虽然动目标自身图像难以聚焦,但由于雷达工作频率高,合成孔径时间较短,其真实位置会存在阴影,利用此特征可进行动目标检测。本文对基于阴影的动目标检测流程进行了探讨,并提出了一种新的背景建模方法用于对消待检测图像的背景目标。通过实验验证,该方法能更好地剔除目标阴影对背景的影响,使对消后目标阴影完整保留,从而改善漏警率。

基于感兴趣区域池化的SAR图像目标检测算法

针对复杂场景下合成孔径雷达(synthetic aperture radar,SAR)图像目标检测的鲁棒性差和准确性低等问题,提出一种基于感兴趣区域池化的方法进行SAR图像目标检测。在YOLOv3模型中,引入可变形卷积,加入池化层,通过图像增强的方式对感兴趣区域的目标进行特征选择;通过增加全连接层,生成每个位置的偏移量进行扩张,在偏移量中增加权值;在FPN部分增加DropBlock模块;改进YOLOV3的训练策略方法,采用平滑地调整学习率和增量的方式进行训练,提升模型对SAR图像感兴趣目标的检测准确率。在SAR图像上进行验证,精度可以达到98.2%,验证了模型的有效性。

基于STAP-FrFT-DPCA的SAR运动目标检测与参数估计算法研究

在深入分析STAP技术和FrFT的基础上,提出了一种对SAR动目标检测的新方法。新算法将STAP技术、FrFT和DPCA技术有机地结合起来,在三通道的工作情况下,能够实现对运动目标的定位和两个方向(方位向和地面距离向)上速度的估计。由于STAP技术良好的杂波对消功能和FrFT对chirp信号的良好检测效果,因此在不同信噪比情况下,本算法都能有效地抑制静止背景、获得良好的测速和定位效果。仿真结果证明了该算法的正确性和有效性。

基于迁移学习的SAR图像目标检测

针对深度卷积神经网络训练需要大数量样本,采用迁移学习的方法辅助网络训练,解决了SAR图像样本不足的问题。通过控制对比实验,对每个卷积块权重进行迁移与分析,使用微调与冻结相结合的训练方式有效提高网络的泛化性与稳定性;然后根据目标检测任务的时效性对网络模型进行改进,提高了网络检测速度的同时减少了网络参数;最后结合复杂场景杂波切片对网络进行训练,降低了背景杂波的虚警目标数量,复杂多目标场景的检测结果表明所提出方法具有较好的检测性能。

SAR图像目标检测方法综述

目标检测是合成孔径雷达(synthetic aperture radar,SAR)图像方面的研究热点,综述SAR图像目标检测的几种方法。通过对传统方法SAR图像目标检测和基于深度学习的SAR图像目标检测进行梳理总结,从实验方面验证深度学习在复杂背景下SAR图像舰船检测存在的问题,分析目前SAR图像目标检测算法的优势和存在的不足,明确SAR图像目标检测急需解决的问题。

基于特征转移金字塔网络的SAR图像跨尺度目标检测

SAR图像多尺度目标检测能够实现大场景SAR图像中关键目标的定位与识别,是SAR图像解译的关键技术之一。然而针对尺寸相差较大的SAR目标的同时检测,即跨尺度目标检测问题,现有目标检测方法难以实现。该文提出一种基于特征转移金字塔网络(FTPN)的SAR图像跨尺度目标检测方法。在特征提取阶段采用特征转移方法,实现各层特征图的有效连接,实现不同尺度特征图的提取;同时采用空洞卷积群方法,增大特征提取的感受野,促使网络提取到大尺度目标特征。上述环节能够有效保留不同尺寸目标特征,从而实现SAR图像中跨尺度目标的同时检测。基于高分三号SAR数据、SSDD数据集及高分辨率SAR舰船检测数据集-2.0等数据集的试验表明,该文方法能够实现SAR图像中机场、舰船等跨尺度目标的检测,在已有数据集上mAP达96.5%,较特征金字塔网络算法提升8.1%,并且整体性能优于现阶段最新的YOLOv4等目标检测算法。

结合贝叶斯分类器与伪孪生网络的SAR舰船目标检测

为了发挥合成孔径雷达(synthetic aperture radar,SAR)检测系统在军事和航海领域的重要作用,提升高分辨率SAR图像目标检测的精度,提出了基于贝叶斯分类器与轻量伪孪生网络(pseudo-siamese network,PSN)的SAR舰船目标检测算法。针对大部分卷积神经网络(convolutional neural networks,CNN)目标检测模型因参数多、模型大而不利于移动端嵌入式使用的特点,利用视觉显著结合贝叶斯分类,获得舰船疑似切片,降低数据量。引入一维直方图信息,在PSN的基础上自主设计了SAR舰船目标检测框架。基于HRSID数据集进行检测实验,并与各种基于深度学习的目标检测算法进行比较,检测结果表明了所构建模型的有效性。

基于DPCA-FrFT算法的SAR运动目标参数估计

在双通道的工作模式下,结合DPCA技术和分数阶傅立叶变换实现了对SAR运动目标的定位和两个方向(方位向和地面距离向)上速度的估计。首先建立了双通道SAR系统对运动目标的回波信号模型,阐述了动目标DPCA信号为线性调频信号这个特点,并且根据这个特点采用了分数阶傅立叶变换对其进行检测和参数估计。由于DPCA技术具有良好的杂波对消功能以及FrFT对chirp信号的良好检测效果,在不同信噪比情况下,DPCA-FrFT算法都能有效地抑制静止背景、获得良好的测速和定位效果。仿真结果证明了该算法的正确性和有效性。

公开SAR图像目标数据集及其在深度学习中的应用综述

由于合成孔径雷达(SAR)图像可读性较差,所以对其进行目标检测与识别处理的难度也较大。近年来,随着深度学习(DL)方法的不断发展,许多学者将其引入SAR图像目标检测与识别研究中。该类方法以数据为驱动。其中,监督学习方法更以已标注的数据为基础。但是,SAR图像目标的标注通常是昂贵且耗时的。鉴于此,本文对已公开的SAR图像目标数据集进行了归纳总结。首先,对典型的SAR系统平台进行了介绍,具体包括星载SAR和机载SAR。其次,按照是否包含目标类型信息将已公开的SAR图像目标数据集分为两类,并分别对其进行了介绍。最后,为了说明上述数据集的建立具有现实意义,对近年来基于DL方法的SAR图像目标数据集的应用情况进行了总结。这也从侧面说明国内外公开的SAR图像目标数据集可助力基于DL的SAR图像目标检测与识别方法的研究。本文能够为后续展开基于DL方法的SAR图像目标的检测与识别方法研究提供数据和研究思路的参考。

基于非参估计的局部滑窗双参CFAR目标检测

针对特定杂波概率模型不能有效的描述SAR图像背景杂波这一问题,提出了一种基于非参估计的局部滑窗双参CFAR目标检测算法。该方法首先用非参估计方法逼近SAR图像局部背景,完成对局部背景的精确建模;在此基础上,理论推导了局部双参CFAR检测算法的阈值,设计了阈值求解的数值算法。对典型目标图像进行实验,结果表明,该方法检测速度较快、精度较高。

一种复杂环境下改进的SAR图像双边CFAR舰船检测算法

双边恒虚警率(BCFAR)检测算法通过高斯核密度估计器计算出合成孔径雷达(SAR)图像的空间信息,并将它与图像的强度信息相结合得到联合图像以进行目标检测。相较于只使用强度信息来进行目标检测的经典CFAR检测算法,双边CFAR有着更好的检测性能和鲁棒性。然而,在复杂环境下出现连片的高强度异质点时(例如防波堤、方位模糊和幻影等),核密度估计器计算出的空间信息会出现较多误差,这会导致检测结果中出现大量虚警。此外,当遇到相邻像素点间相似度较低的弱目标时,双边CFAR会发生漏检。为了有效改善这些问题,该文设计一种复杂环境下改进的SAR图像双边CFAR舰船检测算法(IB-CFAR)。该文所提IB-CFAR主要分为3个阶段来实现,分别为基于非均匀量化法的强度层级划分、强度-空间域信息融合、杂波截断后的参数估计。基于非均匀量化法的强度层级划分可以提升弱目标的相似度和对比度信息,从而提升舰船检测率。强度-空间域信息融合在于将空间相似度、距离向和强度等信息进行融合,在进一步提升检测率的同时对舰船的结构信息进行精细化描述。杂波截断后的参数估计可以去除背景窗口中连片的高强度异质点,最大限度地保留真实海杂波样本,使参数估计更加精确。最后,根据估计出的参数建立精确的海杂波统计模型以进行CFAR检测。该文使用高分3号和TerraSAR-X数据来验证该算法的有效性和鲁棒性。实验结果表明,所提出的算法在包含较多密集分布的弱目标环境下表现良好,在此类环境下能获得97.85%的检测率和3.52%的虚警率,相比于现有的检测算法,检测率提升了5%,并且虚警率降低了10%,但在弱目标个数较少且背景十分复杂的环境下,则会出现少量虚警。

基于原始数据的SAR-GMTI通道均衡方法(英文)

本文研究多孔径合成孔径雷达(SAR)通道间的失配问题,提出了一种在两个SAR原始数据域进行两步滤波的通道均衡方法。针对天线波束方向图差异进行距离多普勒域上的幅相滤波,在距离频域方位时域进行的幅相滤波针对的是频率响应差异。在第一步滤波中,为消除通道间的确定性差异,对高相干性区域构造一个自适应滤波器,对噪声区域则采用非自适应滤波。经过第二步滤波后,噪声被滤除,剩余就是运动目标信号。机载实测数据处理验证了原始数据域通道均衡方法的可行性。

基于频率分集阵列的多功能一体化波形设计与信号处理方法

频率分集阵(FDA)是在相控阵基础上的一次体制革新,其通过在发射天线阵元间进行频率步进,得到的发射方向图是角度、距离、时间的多维函数,显著提升了波束控制能力与信号处理维度,经过收发联合处理后,可应用于多维参数联合估计、主瓣欺骗式干扰抑制、模糊杂波抑制、高分宽幅成像等方面。该文从系统层面出发,研究基于FDA的多功能一体化波形设计与信号处理方法,重点对其在检测与估计一体化、解模糊与抗干扰一体化、合成孔径雷达(SAR)成像与动目标检测一体化的信号处理新方法进行综述、评述及研究,并对FDA多功能一体化系统的应用前景进行展望。