非高斯背景下跑道异物监测雷达的杂波图CFAR技术

随天线扫描呈时变性的强地杂波是影响机场跑道异物检测的主要原因之一,传统的杂波图恒虚警检测方法在处理非高斯分布杂波时目标检测能力很差。文中提出一种双参数杂波图恒虚警率(CFAR)检测方法,首先分析了跑道场景和雷达系统特性,根据调频连续波雷达体制建立了接收信号模型;然后通过非相参积累、双参数估计、一阶递归滤波等处理,对每次扫描测量值的样本均值和样本方差分别进行时域迭代平均,获得检测门限阈值,实现了对非高斯背景杂波中跑道异物的CFAR检测;最后进一步分析了影响检测性能的主要参数。     

基于计算机视觉的机场跑道异物检测

本文介绍了基于计算机视觉的机场跑道异物检测算法。文章结构分为两部分,即对静止的异物和运动的异物分别进行检测。对静止的异物用基于梯度的边缘检测方法。对运动的异物则是先建立背景,对当前输入的图像减去背景图像得到目标前景,实现对异物目标的跟踪,然后对运动的目标前景进行形态学处理、区域增长等方法进行处理。实验结果表明,该算法能够检测出各种颜色形状大小各异的异物。     

机场场面监视雷达反杂波性能分析

机场场面监视雷达主要监视目标为机场场面上的飞机、汽车及跑道异物等。作为一次雷达,其波束照射范围内除有用目标外同时还存在其他无关物体回波,如机场场面上的跑道、滑行道、停机坪、草地、环场路等的表面反射和传输路径上的雨、雾霾的反射回波等。如何在这些无用回波的背景下,可靠地检测并跟踪有用目标是机场场面监视雷达需要解决的重要问题。针对该问题,通过对机场场面监视雷达基本功能的分析,论述了机场场面监视雷达主要杂波的评估方法及相应的反杂波措施。     

机场道面复杂背景下异物特征分析与检测

机场道面异物是威胁跑道运行安全的常见病害,及时、准确的检测异物具有现实意义.针对现有的人工目视检测方法,本文基于图像处理理论,提出了一种机场道面异物的自动检测算法.根据机场道面的复杂背景和常见异物的特点,本文采取了分块的方法,选择Harris角点、灰度共生矩阵、灰度级分布范围等特征,分别用阈值法和SVM法对实际机场道面异物图像进行检测.初步实验证明,该方法可以有效检测出机场道面复杂背景下的异物,实验结果显示,检测正确率达到了98％.     

机场跑道异物监测雷达回波建模

跑道异物严重影响飞机的安全,有效检测跑道异物是保障飞机安全急需解决的问题。根据跑道监测雷达固定工作环境,采用坐标系统变换的方法建立几何模型,为简化运算,对模型参数做了近似表示。在此基础上,运用统计模型法模拟跑道杂波,并建立目标回波模型。杂波主要来自草地和跑道,结合几何模型计算该复合场景的后散射系数,对杂波随机序列和回波分别进行了仿真,给出了仿真结果。     

结合形态学和Canny算法的红外弱小目标检测

为了解决红外弱小目标精确自适应检测的问题,本文提出了一种基于Canny算法、top-hat算法和中值滤波算法结合的红外弱小目标检测方法。该方法不同于传统的Canny弱小目标检测方法,本方法先选定合适的窗口对图像进行中值滤波处理,在去除噪声的同时有效保持图像的边缘信息;再用形态学处理中的top-hat算法抑制复杂背景,去除云层;最后使用自适应Canny算法提取红外小目标的边缘信息精确定位目标的位置。实验结果证明了该方法的有效性和优越性,本文设计的组合算法能够精确定位小目标的位置,信噪比增益达到10倍以上,排除噪声以及云层的干扰作用较强,具有一定的自适应性。     

基于深度卷积神经网络的气象雷达噪声图像语义分割方法

针对新一代多普勒气象雷达的散射回波图像受非降雨等噪声回波干扰导致精细化短时气象预报准确度降低的问题,该文提出一种基于深度卷积神经网络(DCNN)的气象雷达噪声图像语义分割方法。首先,设计一种深度卷积神经网络模型(DCNNM),利用MJDATA数据集的训练集数据进行训练,通过前向传播过程提取特征,将图像高维全局语义信息与局部特征细节融合;然后,利用训练误差值反向传播迭代更新网络参数,实现模型的收敛效果最优化;最后,通过该模型对气象雷达图像数据进行分割处理。实验结果表明,该文方法对气象雷达图像的去噪效果较好,与光流法、全卷积网络(FCN)等方法相比,该文方法对气象雷达图像中真实回波和噪声回波的识别准确率高,图像的像素精度较高。     

基于自适应高斯滤波的红外机场跑道识别方法

针对前视红外地面目标图像背景复杂、噪声干扰大的特点,提出了一种机场跑道识别算法.首先,用基于梯度信息的自适应高斯滤波对图像预处理,平滑噪声、增强边缘,然后在Canny边缘检测的图像上,利用空间邻接关系、梯度等信息进行像素级的边缘点搜索,再用最小二乘法拟合直线,在已提取的直线符号上使用多种特征进一步连接修正,最后,利用几何特征、灰度信息进行跑道识别.经实测数据检验,本算法能够准确、快速地识别跑道.     

一种基于图像融合的红外图像预处理算法

在使用传统的滤波去噪方法对红外图像进行预处理时,会在削弱噪声信息的同时模糊了图像中目标和背景的边缘成分,不利于对图像信息进一步处理。针对该问题,提出基于图像融合的红外图像预处理方法,通过对同一幅退化降质的红外图像分别实施改进的中值滤波算法和改进的Sobel算子边缘提取算法,进行去噪处理和边缘提取,最后利用图像融合算法,将不同算法处理的结果图像加以合并,形成融合后图像。实验结果表明,所提出的基于图像融合的预处理方法能够滤除红外图像中大部分噪声,且很好地保留了目标和背景的细节特征,而且运算简单,便于硬件实时计算,有利于后续的目标检测与识别处理。     

海天背景下红外小目标检测的背景抑制及海天线检测方法

针对复杂海天背景下红外弱小目标难以检测与识别的问题,提出了基于海天线检测实现远距离弱小目标识别的方法。该方法对采集到的红外图像进行相关处理。通过用多级小波变换方法抑制背景杂波噪声提高目标信杂比;然后使用多方向Gabor滤波融合方法增强海天线边缘,并通过霍夫变换方法实现海天线定位和检测;最后通过定位海天线确定海天线附近区域的目标搜寻范围,缩小目标点潜在区,从而提高弱小目标在海天背景下的检测和识别概率。     

机场跑道异物检测系统研究

为了解决机场跑道上的异物对飞机安全造成的极大威胁,在研究了国外现有的跑道异物检测技术的基础上,提出了易于实现的组合式毫米波探测系统及机场布局方法,分析了地杂波对跑道异物检测的影响,采用高距离与方位分辨探测技术实现对地面杂波的抑制,提出了超宽带毫米波线性调频探测单元的构成方法并对高分辨测距的基本原理和实现算法进行了理论分析.针对探测单元以及环境杂波的分布模型进行了仿真研究,仿真结果表明组合式毫米波探测系统对小目标具有较好的分辨能力.     

毫米波雷达机场跑道异物分层检测算法

强杂波背景下的弱小静止目标检测是毫米波机场跑道异物(FOD)检测雷达面临的核心问题。该文提出一种基于功率谱特征和支持向量域描述(SVDD)一类分类器的FOD分层检测算法。该算法首先利用杂波图恒虚警率(CFAR)检测器对复杂背景杂波进行杂波对消处理,针对对消后虚警过多的问题,对对消后的数据提取功率谱特征,将其转换到特征域,最后利用SVDD一类分类器在特征域实现对FOD和虚警的分类。基于实测数据的试验结果表明所提方法可以获得较好的检测性能。     

基于复像分析的雷达目标弱信号检测

论述了在强噪声下利用复像分析（Complex-Image Analysis）检测雷达目标弱信号的方法,通过这种方法,可以提高雷达在强噪声下对目标的检测能力,使得利用阈值检测无法检测到的目标经过复像分析的处理之后,可以被正确地检测出来,利用复像分析的检测是一种识别检测,即在目标被检测到的同时,一些目标的基本特性也可以由复像分析的结果得到。     

基于小波变换和数学形态学的激光成像雷达图像边缘检测

边缘检测是激光雷达图像处理的重要组成部分,其性能直接影响雷达系统的精度和性能。针对激光雷达图像的特点,提出了一种基于小波变换和数学形态学方法结合算法对激光成像雷达图像进行边缘检测。首先从小波理论出发,从小波多尺度分解入手,对图像分解的弱边缘信息适当加强,然后对加强边缘信息的的图像从灰度形态学的角度出发,对图像进行腐蚀或膨胀,进行边缘提取,而后得到其边缘。用Matlab进行仿真实验,结果表明:结合算法边缘算子对激光雷达图像检测效果优于仅用小波或仅用形态学进行边缘提取的效果;在边缘精度、强弱边缘提取和噪声抑制方面,证明所提方法是有效的。     

一种基于图像融合的红外图像增强新方法

介绍了一种红外图像增强的新方法。该算法对红外图像处理过程中不同类型的噪声采用不同的方法滤波，有效地滤除了高斯噪声和脉冲噪声，同时增强了目标和背景中的边缘成分。该方法以增加检测系统硬件复杂程度为代价换取对红外图像特定信息的增强，可用于地面背景下红外图像目标检测或匹配跟踪的预处理。     

基于Duffing振子的机场异物自动判决算法

基于毫米波雷达的机场异物(FOD)检测技术具有高分辨率和低功耗的特点,但是传统恒虚警(CFAR)类检测算法在低信杂比(SCR)情况下虚警过高。该文提出一种基于Duffing振子的FOD检测算法。该算法首先利用杂波图CFAR检测算法将雷达接收机接收回波中的背景杂波初步分离,获得目标(包含虚警)的距离信息,并利用该信息构造Duffing方程,之后将此方程作为系统检测模型,输入接收回波信号,求解输出信号方差,采用方差极值法区分目标和虚警。仿真结果表明,在低信杂比情况下,即使虚警概率为10–3,该文检测算法也可以降低虚警率,实现目标与虚警的自动判决。与传统CFAR检测算法相比,该算法的检测概率高于传统检测算法且随信杂比的下降减小速度缓慢,即使在信杂比–30 dB的情况下所提算法仍然可以保持84%的检测概率。     

基于变参数随机共振和归一化变换的时变信号检测与恢复

非线性随机共振系统具有利用噪声增强微弱信号的能力,为强噪声背景下的信号检测开辟了新的途径。该文提出一种变参数随机共振(VPSR)模型,实现对非周期信号的有效检测、噪声去除和信号恢复。通过以恢复信号的拟合决定系数和互相关系数作为评判标准,研究分析了不同参数变化对系统输出的影响,分析结果表明该模型能有效地从噪声背景中恢复时变信号。该方法拓展了随机共振用于时变信号检测技术的领域,在时变信号检测和处理以及雷达通讯等方向有着一定的潜在应用价值。     

非合作区域星载遥感图像的车辆目标检测

针对非合作区域遥感图像中复杂背景下车辆目标检 测困难的问题, 提出一种改进形态学重建的车辆目标检测方法。首先,利用遥感图像的近红外和红色波段的 信息,获取场 景的归一化植被指数(NDVI),去除植被背景的干扰;其次,设计方向模板, 对全色图像进行滤波,使人 造物背景得以完整保留,并生成标记图像,利用标记图像重建得到人造物背景;最后,利用 原图和重建背 景之间的差异,进行车辆检测,有效消除了复杂背景的干扰。将本文提出的方法应用于实际 遥感图像的车 辆目标检测,结果表明,检测效果好,鲁棒性强,无需先验信息,可用于大幅面遥感 图像的车辆目标自动提取。     

A signal-decomposed and interference-annihilated approach to hyperspectral target detection

A hyperspectral imaging sensor can reveal and uncover targets with very narrow diagnostic wavelengths. However, it comes at a price that it can also extract many unknown signal sources such as background and natural signatures as well as unwanted man-made objects, which cannot be identified visually or a priori. These unknown signal sources can be referred to as interferers, which generally play a more dominant role than noise in hyperspectral image analysis. Separating such interferers from signals and annihilating them subsequently prior to detection may be a more realistic approach. In many applications, the signals of interest can be further divided into desired signals for which we want to extract and undesired signals for which we want to eliminate to enhance signal detectability. This paper presents a signal-decomposed and interference-annihilated (SDIA) approach in applications of hyperspectral target detection. It treats interferers and undesired signals as separate signal sources that can be eliminated prior to target detection. In doing so, a signal-decomposed interference/noise (SDIN) model is suggested in this paper. With the proposed SDIN model, the orthogonal subspace projection-based model and the signal/background/noise model can be included as its special cases. As shown in the experiments, the SDIN model-based SDIA approach generally can improve the performance of the commonly used generalized-likelihood ratio test and constrained energy minimization approach on target detection and classification.