基于几何特征的水面舰船快速检测算法

针对水面舰船在复杂背景下存在大量虚警问题,提出了一种基于几何特征的水面舰船快速检测方法。首先,通过计算原灰度图的下采样序列,获得高斯降维图;其次,利用改进Sobel算法在粗分辨率下增强舰船的对比度,突显目标像素区域,用于区分降维图中目标与背景区域;再次,由于舰船目标与非舰船目标几何形状的不同,计算了长宽比、面积、区域矩形度等因子,结合先验信息鉴别大的舰船目标,同时剔除由于噪声、亮斑等引起的小虚警目标;最后,利用连通区域检测法标记出目标区域,实现海面目标的快速检测。实验结果表明:该方法具有一定的鲁棒性,能够快速、准确地实现海面舰船的自动检测。     

基于深度学习的SAR图像目标检测实验

针对目前SAR图像目标检测算法只能进行单一目标检测和检测精度不高的问题,对深度学习目标检测框架在SAR图像目标检测的应用进行了实验研究,并结合SAR图像特点进行了优化。比较了基于区域建议的Faster-RCNN和无需区域建议的SSD目标检测框架在SAR图像上的目标检测精度和速度,分析优缺点;研究了预训练模型对SAR图像目标检测精度的影响;最后通过零均值规整化提高收敛速度和检测精度。实验结果表明优化后的目标检测框架,实现了SAR图像多目标识别并提高了检测精度,可以有效地应用于SAR图像多目标检测。     

基于频域CFAR方法的SAR图像自动目标检测

针对机载合成孔径雷达中常见的图像目标,以基于对比度的目标检测方法为根本出发点,简单介绍了频域恒虚警检测方法以及SAR图像自动目标CFAR检测原理.重点分析了均值类恒虚警检测器的基本原理与处理过程,最后以模拟点目标为例进行方案验证,实现了频域中不同CFAR处理方法对于SAR图像中异质区域的MATLAB仿真,并对仿真性能进行了深入分析,证明了频域恒虚警处理在SAR图像自动目标检测处理中的可行性和有效性.     

基于CNN-PCA-DT算法的合成孔径雷达目标识别

合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别是SAR图像解译的重要环节,已广泛应用于国防和国民经济领域。在传统的卷积神经网络(Convolutional Neural Network,CNN)的基础上,提出了将CNN,主成分分析(Principle Component Analysis,PCA)和决策树(Decision Tree,DT)相结合的算法,记为CNN-PCA-DT:利用CNN提取出SAR图像的特征向量,再用PCA降维,最后用DT分类器取代CNN中的Softmax分类器实现SAR目标识别。实验结果表明,所提出的算法在MSTAR实测数据集上取得了较高的识别准确率,从而说明了实验的有效性。     

低空复杂场景红外弱小目标快速精准检测

针对低空复杂场景下红外弱小动目标检测难度大、虚警率高等问题,面向探测系统中高帧频图像实时处理应用需求,提出基于全卷积网络的弱小目标精准检测方法和基于现场可编程逻辑门阵列(field programmable gate array, FPGA)的低时延并行处理方法。采用轻量化全卷积网络对红外图像中弱小目标进行空域检测,对相邻图像帧疑似目标进行时域轨迹关联以进一步降低虚警率。实验结果表明:上述方法相比于五种传统方法在检测率和虚警率性能方面均有显著提升,并在单片FPGA上完成100 Hz图像实时处理,处理时延低于1.8 ms,实现低空复杂场景弱小目标高精度高鲁棒快速实时检测。     

基于目标先验知识的二次CFAR检测算法

舰船检测与监视有着广泛的军事和民用意义,而SAR图像是舰船检测的有效手段。针对双参数CFAR算法存在的问题,本文提出了一种基于目标先验知识的二次恒虚警检测(CFAR)算法,能自适应的调整检测窗口的大小,有效提高算法的效率。实验证明,该算法在效率和精度方面都有较大提高。     

基于卷积神经网络的无人机侦察图像去雨算法

提出了一种改进的无人机侦察图像去雨算法,该算法采用双边滤波和引导滤波相结合的方法提取有雨侦察图像的高频子图。根据无人机侦察图像中一般存在天空、地面等纹理相对平滑区域的特点,提取侦察图像中的纯雨区域。最后,将提取的纯雨区域作为训练样本,输入卷积神经网络中进行训练,提取图像特征信息,得到卷积神经网络的最优参数,完成神经网络训练,得到去雨侦察图像。通过仿真实验表明,该算法能够有效去除雨线对无人机侦察图像的干扰,提升侦察图像质量,具有一定的军事应用价值。     

基于目标特征的光学遥感图像舰船检测方法

针对在大场景、高分辨率的光学遥感图像舰船目标检测中,传统的阈值检测方法效果不佳,而恒虚警法计算量大的缺点,研究一种根据检测舰船目标的特征,对每个可能的目标区域,快速计算检测阈值的方法。同时,研究基于RNN网络及信噪比的特征选择方法,对目标的特征进行优选并对候选目标进行鉴别。实验结果表明,采用本文方法进行舰船目标检测能获得较好的检测结果.     

一种PCNN和边缘检测协同的SAR图像分割算法

针对高分辨率SAR(synthetic aperture radar)图像目标复杂,且具有严重的相干斑噪声,灰度出现剧烈起伏导致目标边缘模糊难以实现精准分割的问题,提出了一种分数阶傅里叶变换(fractional Fourier transform,Fr FT)域中里兹分数导数(Riesz fractional derivative,RFD)边缘检测和脉冲耦合神经网络(pulse coupled neural network,PCNN)协同的高分辨率SAR图像分割算法。该算法首先将原始图像经过边缘检测处理以保留较好的边缘信息,再由PCNN模型进行图像分割,最后通过形态学进一步去除相干斑点。将所提算法应用到不同区域的高分辨SAR图像分割中,实验结果表明该方法能够有效抑制相干斑噪声和灰度边界模糊的影响,获得精准的分割效果。     

改进Faster R-CNN的视频SAR动目标检测算法

针对当前可用于深度学习的视频SAR数据稀少的现状,以及动目标检测算法中存在较多的漏检和虚警问题,基于美国桑迪亚国家实验室真实视频SAR数据制作深度学习数据集,提出一种改进Faster R-CNN的视频SAR动目标检测算法。算法以截取后的ResNet50为特征提取网络,利用K-means加遗传算法自适应计算锚框,并在数据预处理环节加入S型曲线增强方法,来增强图像的对比度信息。经实验验证,所提出方法能够显著提升动目标检测率和检测速度,其中,平均精度（AP）和F1分数提升均达到10个点以上,有效降低了虚警和漏检,整体表现优于一阶段算法SSD和RetinaNet。     

基于局部双参数估计的SAR图像CFAR目标检测技术

提出了在背景杂波呈现Weibull分布条件下的SAR图像恒虚警目标检测方法.从统计分析观点,推导了基于局部窗口的Weibull分布参数估计和自适应CFAR目标检测阈值的计算公式;对检测后的图像进行形态滤波处理以消除检测中的虚假目标;最后提出了应适当选择恒虚警率.仿真结果表明该方法的有效性.     

典型隐身目标SAR仿真与检测

典型隐身目标SAR图像仿真对SAR图像解译和目标识别具有重要意义。以国外某新型飞机为例,对隐身目标进行合成孔径雷达(SAR)成像,给出了隐身目标的SAR图像仿真结果。在此基础上,进一步研究了隐身目标SAR图像的边缘检测方法,利用边缘增强算子突出局部边缘,通过定义边缘强度设置门限法提取边缘点,进而为雷达快速识别隐身目标提供理论支持。     

联合多层次深度特征的SAR图像目标识别方法

提出了联合多层次深度特征的合成孔径雷达(SAR)目标识别方法。采用卷积神经网络(CNN)学习SAR图像的多层次深度特征。多层次的深度特征从不同方面描述原始SAR图像中的目标特性,从而为目标识别提供更充分的决策依据。为了充分发掘不同层次深度特征的独立特性以及它们之间的内在关联,采用联合稀疏表示对多层次的深度特征进行联合分类。根据各层次特征的整体重构误差判定目标类别。采用MSTAR (Moving and Stationary Target Acquisition and Recognition)公共数据集对提出方法进行了性能测试。实验结果表明,该方法的识别性能显著优于现有的SAR目标识别方法。     

对象边框标注数据的弱监督图像语义分割

针对图像语义分割应用中像素级标注数据费时昂贵的问题,主要研究以对象边框标注数据为代表的弱监督模型下的图像语义分割方法。使用基于金字塔的密集采样全卷积网络提取图像的像素级特征,并用GrabCut算法转化对弱监督数据进行数据标记,通过将图像特征和标记数据进行联合训练,构建了基于金字塔密集采样全卷积网络的对象边框标注弱监督图像语义分割模型,并在公开数据集上进行了验证。实验结果表明,所构建的弱监督模型与DET3-Proposed模型、全矩形转化模型以及Bbox-Seg模型相比,达到了更好的分割效果。     

基于改进Faster R-CNN的舰船目标三维识别算法

针对二维图像无法深度表征目标、远海舰船目标表征困难等问题,提出基于更快卷积神经网络和区域组合识别模型相结合的三维舰船目标识别框架。重建舰船三维模型,在原始的区域生成网络上利用级联的方法改进了生成滑动窗口的方法,同时提出实际标注与区域建议联合识别模型,采用非极大值抑制的方法对容错框进行去除。实验结果表明所改进的算法在舰船目标三维识别的精确率和召回率上均有较大优势。     

基于卷积神经网络和随机森林的毁伤效果评估方法

目标毁伤效果评估是现代化战争中的重要一环。针对传统的毁伤效果评估方法无法区分目标特征与背景特征而导致评估结果不准确的问题,提出了卷积神经网络(convolutional neural network,CNN)和随机森林(random forest,RF)相结合的方法,记为CNN-F算法。通过卷积神经网络处理图像,提取图像特征,再使用随机森林替换卷积神经网络中的部分全连接层和softmax分类器进行目标毁伤结果分类。实验结果表明,该算法在准确度、精确度、召回率和F₁值4个指标上都达到了较高的水平,达到了83.050%、83.585%、83.050%和82.945%,其评估结果可以为指挥员下一步决策提供参考。     

基于神经网络和功率谱的水中目标信号检测方法

将功率谱和神经网络相结合,应用于高海况、低信噪比条件下,水中目标信号的特征提取中.文中首先对信号进行功率谱估计,利用目标信号功率主要集中在低频部分的特点,提取低频信号的能量作为特征,然后利用人工神经网络对目标信号进行检测.利用不同浪级情况下海洋水压场的仿真信号数据,对某型目标舰船的水压信号进行了检测计算,验证了该方法的有效性,尤其是达到了在高海况、低信噪比条件下,对目标信号检测率比较高、虚警率比较低的效果.     

基于SAR图像的目标散射中心特征提取方法研究

针对SARATR需要,基于属性散射中心模型,研究了从SAR图像提取目标散射中心特征的方法。该方法首先从SAR图像分割出包括单个散射中心响应的目标区域,然后判断该区域对应的散射中心的类型,最后再采用相应的参数模型进行参数初值选择和数字优化,从而得到对应该区域的目标散射中心特征。通过循环执行上面的步骤,就可以从SAR图像提取出目标所有散射中心特征。仿真结果表明,该算法具有良好的估计性能。     

基于卷积神经网络的空中目标粗分类研究

空中目标的准确分类与识别是防空作战的关键环节。将卷积神经网络应用到空中目标粗分类任务。实验基于Alex Net卷积神经网络模型,并利用建立的小规模数据集进行微调训练,从而提取目标特征并进行分类识别。再和利用HOG特征的分类方法进行对比实验,发现前者具有较大准确率的提升。得出利用卷积神经网络提取的特征具有更强大的表示目标的能力,为进一步实现跟踪空中目标打下实践基础。     

一种新的星载高分辨宽测绘带SAR运动目标检测与参数估计方法

针对星载多通道高分辨宽测绘带合成孔径雷达系统,提出了一种地面运动目标检测和参数估计方法,该方法利用空时自适应处理进行杂波抑制,采用传统SAR成像处理得到模糊的运动目标图像,接着利用恒虚警检测技术检测出所有运动目标,包括真实目标和由于多普勒模糊引起的虚假目标,再根据模糊图像的空间位置关系,从所有成像目标中检测出运动目标的真实成像位置,根据运动目标的斜距历程得到因运动目标速度引起的图像位置偏移,由此估计得到运动目标速度。该方法具有运算量小、检测精度高等优点,星载仿真数据验证了本文方法有效性。