基于双曲嵌入的露天矿区暗光环境下道路多目标检测模型

露天矿环境特殊,道路场景复杂多变,在光照不足时会导致矿区道路多目标识别不清、定位不准,进而影响检测效果,给矿区无人矿用卡车的安全行驶带来严重安全隐患。目前的道路障碍物检测模型不能有效解决矿区暗光环境对模型检测效果的影响,同时对矿区小目标障碍物的识别也有较大误差,不适用于矿区特殊环境下障碍物的检测与识别。针对上述问题,提出了一种基于双曲嵌入的露天矿区暗光环境下多目标检测模型。首先,在模型的图像预处理阶段引入卷积神经网路Retinex-Net对暗图像进行增强,提高图像清晰度;然后,针对数据集中特征过多而无重点偏好的问题,在加强特征提取部分添加全局注意力机制,聚集3个维度上更关键的特征信息;最后,在检测模型预测阶段引入双曲全连接层,以减少特征丢失,并防止过拟合现象。实验结果表明:(1)基于双曲嵌入的露天矿区暗光环境下道路多目标检测模型不仅对露天矿区暗光环境下的大尺度目标具有较高的分类与定位精度,对矿用卡车及较远距离的小尺度目标即行人也可准确检测与定位,能够满足无人矿用卡车在矿区特殊环境下驾驶的安全需求。(2)模型的检测准确率达98.6%,检测速度为51.52帧/s,较SSD、YOLOv4、YOLOv5、YOLOx、YOLOv7分别提高20.31%,18.51%,10.53%,8.39%,13.24%,对于矿区道路上的行人、矿用卡车及挖机的检测精度达97%以上。

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。

基于随机化张量算法的红外弱小目标检测

为了降低基于张量低秩稀疏分解的红外弱小目标检测算法的计算复杂度,提升红外弱小目标的检测性能,将图像时空张量与随机化算法进行结合,提出了一种基于随机化张量算法的红外弱小目标检测算法。首先将红外图像序列构造成时空张量作为张量优化模型的输入,然后使用随机化张量算法求解张量优化模型,最后将计算得到的稀疏张量还原为图像,获得目标图像。结果表明,相比于传统基于低秩稀疏分解的算法,所提出的算法不仅计算速度快,而且具有较好的弱小目标检测性能。该研究为提升基于张量低秩稀疏分解的红外弱小目标检测算法的运算速度提供了参考。

红外图像的目标检测研究

红外搜索与跟踪系统被广泛应用于现代国防中针对远距离目标的检测、跟踪及预警。但是,该统检测的目标一般为尺寸较小且模糊的点状结构通常难以辨别,一种基于图像中目标与背景局部结构的差异性,采用NRAM模型实现的方法可以对单帧红外图像中的小目标进行有效检测。

“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。

基于机器学习的低信噪比图像序列小目标检测

低信噪比图像中的噪声会对图像序列小目标检测结果造成影响,为了提升检测精度,提出基于机器学习的低噪声比图像序列小目标检测方法。针对低信噪比图像中的噪声,对图像实行预处理,以此降低外界因素影响,提升检测效果;根据预处理结果采用Harris角点检测方法提取图像中的全部候选目标区域,将HOG算法与机器学习中的支持向量分类器结合,对低信噪比图像序列内的小目标展开检测,从中检测出真实小目标,实现最终检测。实验结果表明,通过对上述方法实行小目标检测结果与实际结果对比测试、目标丢失率测试,验证了上述方法的检测可靠性高、实用性强。

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。

基于低秩和重加权稀疏表示的红外弱小目标检测算法

红外弱小目标检测技术是红外告警系统中的关键技术之一,但如何精确、快速、鲁棒地进行弱小目标检测依然是个难题。该文提出了基于低秩和重加权稀疏表示的红外弱小目标检测算法,设计了新的优化方程,更精确地描述了背景矩阵的秩,利用结构张量提取红外图像的局部先验信息权重,同时提取目标矩阵的自增强稀疏权重,使模型能够更好地抑制背景中的边缘干扰来提取目标。实验表明:所提算法精度优于现有的经典基线算法,速度超越了一些经典算法。从性能和时间两个方面综合考虑,所提算法有着较好的优越性,对远距离红外弱小目标告警具有积极的意义和良好的应用价值。

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。

水面导航与监视雷达技术进展

国土与领海安全以及水面和海洋经济的发展,对水面导航与监视雷达提出了新的需求。梳理了水面导航与监视雷达的应用功能需求变化,综述了近十年来国内外的最新产品与技术发展状况,分析了该类雷达相关技术的一些发展方向,指出综合集成多种雷达体制、多频段、多极化与多功能将是新产品的常态,基于特征的目标检测与弱小目标检测前跟踪是学术研究的主要方向,经典的目标检测与跟踪算法仍然在工程应用上持续完善。

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。

基于统计特征空间提取和支持向量机的极暗弱小天体检测方法

小天体检测是小天体防御和预警的前提。针对小天体目标信噪比低、检测难的问题,提出了基于统计特征空间提取和支持向量机(SVM)的极暗弱小天体检测方法。区别于传统方法基于时间或空间上目标的能量和背景噪声能量的瞬时能量差别或是瞬时能量差别的累积,对目标进行检测。该方法不依赖目标能量大小,提取运动目标穿过背景时对稳定性产生的扰动来反演运动目标。将输入的图像序列转化为单像元时序信号,划分时序窗口提取统计特征,关联形成统计特征空间,利用更高维度的变化特性检测目标变化。通过SVM将暗弱小天体检测问题转化为目标与背景的二分类问题,避开了较难解决的阈值分割问题同时具有更好的泛化性能。利用真实数据与其他经典方法进行对比分析,使得分类准确率提高4.02%。该方法能够适应更低的信噪比,在极低信噪比下仍表现出稳定的检测性能。

运动弱小目标先跟踪后检测技术的研究进展

对低信噪比下图像序列运动小目标先跟踪后检测技术进行了较为系统地研究。首先针对运动弱小目标检测问题,分析比较了先检测后跟踪技术与先跟踪后检测技术;详细阐述了先跟踪后检测技术的主流算法,包括时空域匹配滤波器、基于投影变换与三维匹配滤波相结合的算法、多阶假设检验、动态规划算法、高阶相关方法、递推贝叶斯滤波等算法,并比较了其中几种算法。

红外序列图像中缓动点目标的投影检测算法及其改进

应用形态学滤波算法获得红外图像的背景 ,利用局域窗口估计的噪声均值和方差对噪声进行归一化 ,将归一化图像在时域上构成组合帧 ,然后在组合帧内对目标进行统计检测 ,分析得到了目标及噪声在组合帧中的统计分布 .针对噪声和目标幅值的不同分布特性 ,进一步对投影算法进行了改进 ,提高了投影算法的信噪比 .实际红外图像仿真表明 ,该算法可以成功检测信噪比为