基于CFAR海上溢油检测研究

在SAR图像处理的基础上,提出一种新的基于恒虚警率( CFAR-Constant False Alarm Rate) 技术,确定SAR 图像中检测溢油整体阈值的方法。该方法采用高斯分布(正态分布) 作为SAR 图像灰度的概率密度函数,由CFAR 技术直接导出用于检测海上溢油整体阈值的计算公式,进行虚警去除。该算法避免了复杂公式迭代和求解形状参数计算过程,也避免了用二分法寻找阈值的循环解算过程,提高了检测速度。使用ENVISAT图像对该算法进行检验,结果显示所提出的算法在检测精度和检测速度上都有明显的改进。     

基于局部窗口K分布的快速舰船检测算法

针对局部窗口K分布检测算法运算速度慢、计算效率低的问题,提出了一种基于局部窗口K分布的快速舰船目标检测算法。该算法首先采用迭代分割算法对原始合成孔径雷达(SAR)图像进行预筛选处理,根据预筛选选出潜在目标,在原始SAR图像中剔除潜在目标像素;然后利用背景图像计算二阶和四阶积分图像,在每一个像素点处采用滑动窗口的方式,在积分图像中进行加减计算确定所在位置的二四阶矩并估计K分布的参数;其次,确定概率密度函数后,通过求解函数得到检测阈值,根据检测阈值确定感兴趣区域;最后,通过模糊差影的鉴别方法对目标中的虚警目标进行进一步剔除,进而完成检测。通过实测SAR图像检测实验,积分算法与局部窗口的K分布算法相比将运算所需时间降低了50%,基于模糊差影的鉴别算法将品质因素由44.4%提高到100%。所提算法既保证了算法的实时性,又提高了检测的精度,在进行SAR舰船自动检测方面具有一定的应用价值。     

SAR图像中目标的自动检测与辨别

SAR图像自动目标识别(automatic target recognition,ATR)是当前的一大研究热点。典型的ATR系统分为检测、辨别和识别3个阶段。在检测和辨别过程中对图像进行预筛选,找出感兴趣区域,是进行目标识别前的一个重要步骤。高效的预筛选过程可以大大减少目标识别过程的计算量。目前,目标检测的方法有CFAR方法、多分辨率方法以及基于相位信息的检测方法3类。目标辨别的方法也有多种。本文就目标检测和辨别阶段的主要算法及其效果作了系统的介绍,并对该领域未来的发展方向进行了展望。     

一种基于自适应背景杂波模型的宽幅SAR图像CFAR舰船检测算法

利用海洋宽幅SAR图像进行大范围海域舰船检测在海洋监视、军事侦察等方面具有重要应用。由于海况的复杂性,宽幅SAR图像背景杂波特性随海域不同而变化。采用双参数CFAR检测算法和基于K分布CFAR检测算法在处理宽幅SAR图像时,由于在待检测的所有区域采用同种背景杂波模型,导致使用的杂波模型在不适应区域失配,使CFAR检测性能下降。针对这个问题,提出了一种基于自适应背景杂波模型的CFAR宽幅SAR图像舰船检测算法,该算法通过背景窗口的多尺度统计方差判断目标所处的杂波环境,自适应选择对应的背景杂波分布模型,最后根据已知的恒虚警率及选择的杂波概率密度函数进行CFAR检测。对20多幅宽幅SAR图像进行了试验,实验结果表明:该算法在检测精度上有明显的改善。     

梯度-纹理特征超像素分割的SAR图像阴影识别

为了克服基于像素的合成孔径雷达(synthetic aperture radar, SAR)图像阴影自动识别中图斑离散和精度低的问题，提出基于梯度-纹理特征超像素分割的SAR图像阴影自动识别方法。首先，提取SAR图像梯度和纹理特征；然后，综合SAR图像梯度和纹理特征进行主成分分析，再采用简单线性迭代聚类算法(SLIC)对前3个主成分合成的图像进行超像素分割；最后，以超像素为分析单元，采用恒虚警率(CFAR)检测算法识别SAR图像阴影。采用MSTAR图像数据集开展实验，并与“像素+CFAR”和“SAR图像超像素分割+CFAR”阴影识别方法进行定性和定量对比。对比实验显示，该方法识别阴影的MIoU值最高(0.882),Hausdorff距离最小(43.55)。实验结果表明，该方法不仅有效解决了SAR图像阴影识别图斑离散问题，而且识别阴影的准确度、识别的阴影边界与真实边界的符合程度均达到了较理想的效果。     

基于SVM的高分辨率SAR图像舰船目标检测算法

针对高分辨率合成孔径雷达(SAR)图像舰船检测对检测精度、智能化水平、实时性和处理效率的要求,在研究了高分辨率SAR图像海洋背景和目标特点的基础上,提出了一种基于支持向量机的高分辨率SAR图像舰船目标检测算法。算法首先设计了一个对分块区域进行线下训练的支持向量机(SVM)分类器对SAR图像分块进行舰船目标区域筛选,进而实现对包含不同观测部分的舰船目标分块的筛选,之后对筛选出的舰船目标区域进行最大熵阈值(KSW)算法进行舰船目标精细检测。采用TerraSAR-X等多幅商业卫星数据进行了实验验证,通过与经典CFAR检测算法的对比得出结论,算法在改善了由斑点噪声和海洋杂波背景不均匀导致检测结果产生大量虚警的同时,检测速度也较之提高了20%~35%。     

一种识别SAR图像中椭圆目标的方法

提出了一种对SAR图像中的椭圆形目标进行自动识别的综合方法。它利用SAR图像所具有的统计特性、CFAR检测对SAR图像进行预处理。根据中心椭圆算法构造椭圆并计算以此灰度占空比系数,采用马氏距离从背景中识别出目标。实际SAR图像实验结果表明了该方法的有效性。     

利用高斯混合模型的SAR图像目标CFAR检测新方法

SAR（合成孔径雷达）图像杂波分布模型种类繁多且对实际地物的建模能力有限。在使用基于杂波统计模型的CFAR(恒虚警率)算法对SAR图像进行目标检测时,杂波统计模型的失配会导致检测结果产生较大的CFAR损失,算法精度不高。提出了一种基于高斯混合模型的CFAR检测新方法。该方法以理论上可以拟合任意形状概率密度分布的高斯混合模型对实际SAR图像的背景杂波进行拟合,利用拟合后得到的分布模型,根据CFAR检测的原理推导出目标检测阈值的计算公式完成目标的检测。新方法对服从不同分布模型的背景杂波,使用形式上统一的模型进行描述,克服了CFAR检测高度依赖背景杂波分布的缺点,提高了CFAR的通用性。实验结果表明,即使在背景杂波类型未知的情况下,新方法依然得到了良好的目标检测效果。     

基于NSCT分解系数的SAR图像目标检测算法*

恒虚警率(Constant False Alarm Ratio,CFAR)目标检测法用于合成孔径雷达(Synthetic Aperture Radar, SAR)图像时,通常要求图像有强的对比度,而实际上此条件很难满足。为提高SAR图像目标的检测率,特别是低信噪比图像,本文从SAR成像机理入手,结合非下采样Contourlet变换（Nonsubsampled Contourlet Transform,NSCT）理论的多尺度、多方向和平移不变性等特点,提出了一种新的SAR图像目标提取算法,即TD-NSCT（Target Detection based on NSCT）算法。该方法融合了CFAR检测器和NSCT变换的优点,通过对分解系数特征的选取和组合,达到改善SAR图像信噪比、提高SAR目标检测率的目的。用不同实际SAR图像数据和不同方法进行了比较实验,实验结果表明TD-NSCT算法能效提高SAR目标的检测率,特别是对于那些隐藏地物目标的低信噪比SAR图像。 TD-NSCT算法是一种可行和有效的SAR图像目标检测算法。     

频域CFAR技术在SAR图像目标检测中的效能评估

针对SAR图像目标检测缺乏客观效能评估的问题,提出了一种利用平均阀值ADT来评估频域CFAR检测性能的方法。实现了频域中三种CFAR处理器对于SAR图像中异质区域的MATLAB仿真,利用ADT对仿真效果进行评估,验证了频域CFAR技术在SAR图像自动目标检测处理中的可行性、准确性和有效性。     

Detection-recognition algorithm based on the Gabor transform for unknown signals embedded in unknown noise

In this paper we present the CFAR (Constant False Alarm Rate) two-step detection-recognition algorithm for unknown, non-stationary signals embedded in unknown noise, based on the discrete Gabor transform. In the detection step, the decision about the absence or the presence of a signal of interest in a background of noise should be taken. The term ‘recognition’ means recovering the signal waveform from a noisy signal after the detection step. The recognition can be reformulated as the non-stationary, time-varying filtering problem in a time–frequency domain. In this paper the Gabor time–frequency domain is taken into account and the Gabor transform is used both in the detection and the in the filtering step. The discrete Gabor transform (DGT) is under intensive study of mathematicians, what results in a number of new, efficient computational algorithms for long time series. The Gabor frame approach is used for computation analysis and synthesis windows. Data-driven approach to develop the detection-recognition algorithm is based on the assumption, that disturbing noise signal after the Gabor transform, can be successfully approximated by the Weibull distribution regardless noise distribution before the transformation. It is shown by intensive simulations, that a two-parameter model like the Weibull distribution is really appropriate. Scale and shape parameters of the Weibull distribution are easily estimated and the CFAR threshold used in detection, based on estimated parameters, can be computed. The case of a low SNR ratio, with additional assumption about a signal, is also considered. It is shown that the iterative form of the time-varying filtering, significantly improves the quality of the whole detection-recognition CFAR algorithm. This approach is successfully investigated on a real-life radar signal.     

Randomized or probabilistic Hough transform: unified performance evaluation

Rapid computation of the Hough transform is necessary in very many computer vision applications. One of the major approaches for fast Hough transform computation is based on the use of a small random sample of the data set rather than the full set. Two different algorithms within this family are the randomized Hough transform (RHT) and the probabilistic Hough transform (PHT). There have been contradictory views on the relative merits and drawbacks of the RHT and the PHT. In this paper, a unified theoretical framework for analyzing the RHT and the PHT is established. The performance of the two algorithms is characterized both theoretically and experimentally. Clear guidelines for selecting the algorithm that is most suitable for a given application are provided. We show that, when considering the basic algorithms, the RHT is better suited for the analysis of high quality low noise edge images, while for the analysis of noisy low quality images the PHT should be selected.     

一种SAR图像机动目标检测与分析方法

从SAR(合成孔径雷达)图像中检测和分析目标是进行SAR自动目标识别的关键步骤,提出了一种SAR图像中地面机动目标检测与分析的方法,该方法在对图像进行预处理后首先利用背景杂波强度分布为指数分布假设的恒虚警率算法以及形态学运算对原始的SAR场景数据进行快速检测获得感兴趣的目标区域,然后提取目标区域8个特征构成特征矢量以详细描述目标。实验结果表明,该方法计算速度快,能够从获得的目标区域得到大量有用的信息,而且该方法具有一定的通用性。     

多符号差分球形译码在无线传感器网络分布式检测中的应用研究

在无线传感器网络分布式检测中,信道条件复杂,难于估计.比较相关检测,差分检测的优势是不需要信道估计,但总是付出一定的性能损失.为了缩短这一差距,本文提出多符号差分检测,并结合低复杂度球形译码算法,对多符号差分球形检测的迭代搜索过程进行了详细分析.算法检测性能和复杂度的分析表明,该检测算法不仅能有效降低计算复杂度,而且能保证较好的检测性能.结果证明该算法可作为一种有效检测算法应用于无线传感器网络分布式检测中.     

TPC基于相关运算的迭代译码算法

Chase-Pyndiah算法（简称C-P算法）为Turbo乘积码（TPC）译码中常采用的算法之一。在C-P算法的基础上,引入一种基于相关运算的迭代译码算法,采用相关作为度量,可以避免复杂的欧氏距离计算;在选择候选码字时引入度量比较的方法,省去了对竞争码字的搜索;通过去除候选码字中相同元素对符号集合进行简化,降低了译码复杂度和译码延时。经算法分析与仿真表明,与已有的软判决算法相比,该算法的译码速度更快而译码性能没有降低,非常适合硬件实现。     

Constant false alarm rate detector based on the maximal reference cell

In order to improve the detection performance of constant false alarm rate (CFAR) detectors in multiple targets situations, a CFAR detector based on the maximal reference cell (MRC) named MRC-CFAR is proposed. In MRC-CFAR, a comparison threshold is generated by multiplying the amplitude of MRC by a scaling factor. The number of the reference cells left, whose amplitudes are smaller than the comparison threshold, is counted and compared with a threshold integer. Based on the comparison result, proper reference cells are selected for detection threshold computation. A closed-form analysis for MRC-CFAR in both homogeneous and non-homogeneous environments is presented. The performance of MRC-CFAR is evaluated and compared with other CFAR detectors. MRC-CFAR exhibits a very low CFAR loss in a homogeneous environment and performs robustly during clutter power transitions. In multiple targets situations, MRC-CFAR achieves a much better detection performance than switching CFAR (S-CFAR) and order-statistic CFAR (OS-CFAR). Experiment results from an X-band linear frequency modulated continuous wave radar system are given to demonstrate the efficiency of MRC-CFAR. Because ranking reference cells is not required for MRC-CFAR, the computation load of MRC-CFAR is low; it is easy to implement the detector in radar system in practice.     

Matrix CFAR detectors based on symmetrized Kullback–Leibler and total Kullback–Leibler divergences

Target detection in clutter is a fundamental problem in radar signal processing. When the received radar signal contains only few pulses, it is difficult to achieve a satisfactory performance using the traditional detection algorithm. In recent times, a generalized constant false alarm rate (CFAR) detector on the Riemannian manifold of Hermitian positive-definite (HPD) matrix was proposed. The employment of this detector, which compares the Riemannian distance between the covariance matrix of the cell under test (CUT) and an average matrix of reference cells with a given threshold, has significantly improved the detection performance. However, the application of this detector in real scenarios is still limited by two problems; it is computationally expensive and the detection performance is not very good since the Riemannian distance is utilized. In this paper, the symmetrized Kullback–Leibler (sKL) and the total Kullback–Leibler (tKL) divergences, instead of the Riemannian distance, are used as dissimilarity measures in the matrix CFAR detector. According to sKL and tKL divergences, three average matrices, the sKL mean, the sKL median, and the tKL t center, are derived. Furthermore, the relationship between the detection performance and the anisotropy of the distance measure used in the matrix CFAR detector is explored. Numerical experiments and real radar sea clutter data are given to confirm the superiority of the proposed algorithms in terms of the computational complexity and the detection performance.     

机场跑道异物监测雷达的杂波图恒虚警率检测

随天线扫描平稳变化的强地杂波是实现机场跑道异物(FOD)检测的主要干扰,传统的空域恒虚警率(CFAR)处理不能有效地检测到目标,针对上述问题,提出了一种单元平均杂波图恒虚警率检测算法。首先基于系统特性和跑道环境建立了回波信号模型;然后通过杂波图划分、单元平均、递归滤波等处理技术,实现了距离—方位二维恒虚警率检测;最后进一步分析影响检测性能的主要参数。仿真结果表明,所提算法在低信杂比背景下能有效检测到弱目标,并获得较高的检测概率。     

基于改进TLD算法的无人机自主精准降落

四旋翼无人机（Unmanned Aerial Vehicle,UAV）在航拍、测绘、环境监测、快递等航空领域的广泛应用,对四旋翼无人机的可用性和可靠性提出了更高的要求,而其实现自主精准降落的功能是必不可少的。对目标进行快速鲁棒性跟踪是实现降落的重要基础,TLD（Tracking Learning Detector）算法为这一问题提供了一种有效的解决办法,虽然许多学者对其进行了研究并对传统的TLD算法进行了改进,但算法的跟踪精度及速度仍然难以满足无人机的降落要求。提出了一种基于TLD框架的目标跟踪算法来实现无人机与特定降落目标之间的相对定位。该算法在TLD框架下,提出一种基于目标形状特征自主确定降落目标的算法,提高了降落流程的自主性;用核相关滤波器（Kernelized Correlation Filter,KCF） 实现了TLD框架中的跟踪器,提高了算法的实时性、精准度及鲁棒性;同时在降落过程中采用一种基于方向梯度直方图特征（Histogram of Gradient,HOG）和支持向量机（Support Vector Machine,SVM） 的目标识别方法,以实现目标检测自矫正,保证长时间准确跟踪目标。在七类模拟无人机进行降落的视频集下验证了该算法,与其他三种跟踪算法进行对比,并进行实际降落测试。测试结果表明,该算法的鲁棒性和精准度均优于其他算法,处理速度可达到31.47?f/s,故而在TLD框架下采用核相关滤波器作为跟踪器,对跟踪及检测结果进行有效融合并提高算法实时性的同时,增加的检测自矫正环节保证了长时间跟踪的准确度,从而有效地实现了无人机全自主精准降落。     

基于CUDA的GMM模型快速训练方法及应用

由于能够很好地近似描述任何分布,混合高斯模型(GMM)在模式在识别领域得到了广泛的应用.GMM模型参数通常使用迭代的期望最大化(EM)算法训练获得,当训练数据量非常庞大及模型混合数很大时,需要花费很长的训练时间.NVIDIA公司推出的统一计算设备架构(Computed unified device architecture,CUDA)技术通过在图形处理单元(GPU)并发执行多个线程能够实现大规模并行快速计算.本文提出一种基于CUDA,适用于特大数据量的GMM模型快速训练方法,包括用于模型初始化的K-means算法的快速实现方法,以及用于模型参数估计的EM算法的快速实现方法.文中还将这种训练方法应用到语种GMM模型训练中.实验结果表明,与Intel DualCore PentiumⅣ3.0 GHz CPU的一个单核相比,在NVIDIA GTS250 GPU上语种GMM模型训练速度提高了26倍左右.