基于背景建模的VideoSAR动目标阴影检测方法

针对视频合成孔径雷达(video synthetic aperture radar,VideoSAR)数据进行地面运动目标检测的问题,本文提出了一种基于单高斯背景模型的VideoSAR动目标阴影检测方法.该方法使用一个时间维度的滑窗对视频序列进行处理:首先使用RED20深度神经网络模型抑制VideoSAR图像的斑点噪声...     

基于字典学习和拓展联合动态稀疏表示的SAR目标识别

提出了一种基于字典学习和拓展联合动态稀疏表示的合成孔径雷达(Synthetic aperture radar, SAR)图像的目标自动识别(Automatic target recognition, ATR)方法.首先, 在图像预处理时, 分割出目标区域和目标遮挡地面形成的阴影区域, 将这两个区域的信息结合起来能更好地表示图像.其次, 将字典学习方法LC-KSVD (Label consistent k-singular value decomposition)引入到训练阶段中, 分别学习目标区域和阴影区域的特征字典, 而不是直接将所有训练样本作为固定字典.最后, 在测试阶段提出了拓展联合动态稀疏表示算法, 使图像数据中的两个特征共享相似但不完全相同的稀疏模式, 还可处理图像噪声遮挡损坏问题.标准数据集上的实验结果表明, 该方法使不同类别更具区分性, 有效地提高了SAR图像的目标识别准确度.     

基于混沌理论和形态学变换的海面分布目标检测

基于海杂波的混沌特性,给出了混沌理论和形态学变换相结合的海面分布目标检测方法.该方法首先利用海杂波的混沌预测误差对海面合成孔径雷达(Synthetic aperture radar,SAR)图像中的分布目标进行恒虚警率(Constant false alarm rate,CFAR)栓测,然后用形态学变换来改善检测效果.用实测的机栽海面SAR图像进行检测实验,结果表明该算法有效,并且可以对任意类型的海面分布目标进行检测.     

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。     

SAR图像建筑物目标检测研究综述

面对日益剧增的城市建筑物,合成孔径雷达(synthetic aperture radar,SAR)图像的建筑物检测作为SAR图像解译的一个分支逐渐成为一项重要的研究课题.对现有的研究方法进行了分类,从基于传统方法的建筑物检测和基于深度学习的建筑物检测两方面入手,对现有SAR图像的建筑物目标检测算法进行了梳理.简述了SA...     

基于双阈值的运动阴影检测算法

提出了一种应用于视频图像中运动阴影的检测方法.首先用统计方法建立的背景图像和当前帧图像进行差分;然后采用双阈值对差分图像进行分割,把图像分为背景区,运动区和运动目标与目标阴影的混合区.再利用阴影的位置特征,把阴影分离出来.实验结果表明,该方法能有效检测、去除对监控场景中运动目标的阴影,具有较好的鲁棒性和实时性.     

基于主成分分析的运动阴影检测算法

运动阴影在视频图像序列中普遍存在, 为了防止被错误地检测为目标,提高阴影检测算法的准确性和普适性,提出了一种基于空间变换技术的运动阴影检测算法.该算法通过对视频序列建立高斯混合背景模型产生自适应背景,利用主成分分析(PCA)技术对其进行空间变换提取特征,再利用背景与当前帧图像对应像素点在特征空间的位置进行阴影检测.实验结果表明该方法能够很好地抑制噪声,减少光照变化的影响,准确地检测出阴影.     

基于视频图像的运动目标检测与识别

运动目标检测是场景监控的核心技术,而目标的阴影在很大程度上影响了目标的形状,干扰了真实目标的检测.本文提出以混合高斯模型为基础,利用背景差分法获得目标图像,将亮度,色度信息和归一化互相关函数的阴影检测法相结合对视频图像的阴影进行消除,并用形态学的方法对检测结果进行处理,实验证明该方法是可行的和有效的.     

多自由度人体运动动态图像目标检测方法仿真

采用当前方法对人体运动动态图像进行目标检测时,无法消除图像中存在的阴影区域,导致图像清晰度低、位置误差大和检测效率低.提出多自由度人体运动动态图像目标检测方法,构建高斯背景模型,分离图像的背景区域和目标区域,将目标区域变换到HSI空间中,结合小区域去除方法和数学形态学处理,根据阴影区域饱和度高和亮度值低的特点确定目标区域中存在的阴影,通过匹配补偿去除目标区域中的阴影部分.根据目标区域的灰度分布构建目标更新模型,实现多自由度人体运动动态图像目标的检测.实验结果表明,所提方法的图像清晰度高、位置误差小、检测效率高.     

基于合成孔径雷达回波数据的海岸线提取方法

合成孔径雷达(synthetic aperture radar,简称SAR)通过对地面目标的多次照射来提高方位向上的目标分辨能力,由此使现有的SAR目标检测算法通常是一个基于SAR图像的"后处理"过程.在分析各种成像算法和现有的一些典型SAR目标检测算法的基础上,提出了一种在非成像状态下进行海岸线提取的新方法,把成像处理与目标检测问题有机地结合起来.通过真实星载SAR回波数据应用实验,证明了直接利用SAR回波对海岸线检测的有效性.     

双基地雷达探测范围的三维可视化研究

利用插值方法计算双基地雷达散射截面积,由此建立压制干扰条件下的双基地雷达探测范围方程。将导数取零作为曲线取极值的必要条件,推导出双基地雷达警戒区域边界解析表达式。在估算警戒区域面积的基础上,提出双基地雷达盲区的构造算法,并给出网格点上双基地雷达探测高度最大值与最小值的计算方法。利用OpenGL绘制双基地雷达三维探测范围。实验结果表明,该方法能在微机上实时地显示压制干扰条件下双基地雷达三维探测范围的动态变化。     

基于马尔可夫随机场的SAR图象目标分割

运动、静止目标获取与识别（MSTAR）计划表明，将合成孔径雷达（SAP）图象分割成目标、阴影和背景杂波区域对于从开放环境中进行目标识别是一种有效的手段。但是由于SAP图象所固有的斑点噪声的影响，传统的分割方法很难获得准确的分割。为此提出了一种基于MRF(Markov random field)模型的SAP图象分割算法。用MRF模型描述待分割图象的先验知识，利用最大似然（ML）估计从训练数据中获得图象各区域的先验概率分布，采用Bayes方法，在观测数据基础上，根据分割图象的后验分布所对应的MRF模型的条件概率，利用Metroplis采样器获得最大后验概率（MAP）准则下的图象分割。通过对MSTAR的样本目标图象应用该算法，结果表明它可以获得稳健和准确的分割效果。     

基于Stackelberg博弈的多输入多输出雷达信号与目标干扰优化

针对实际杂波环境中多输入多输出(MIMO)雷达与目标间检测与隐身的博弈问题,提出一种新的两步注水算法。首先建立时空编码模型;然后基于互信息量准则,用注水法分配目标干扰功率,用通用注水法分配雷达信号功率;最终得到强弱杂波环境Stackelberg博弈中目标占优和雷达占优的优化方案。仿真结果表明,雷达信号功率分配和通用注水水位变化规律均受杂波影响,两优化方案的互信息量在强杂波环境降低约50%,干扰影响系数分别降低0.2和0.25,互信息量受干扰影响程度降低,证明了所提算法的有效性。     

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。     

结合HSV与纹理特征的视频阴影消除算法

目的 在视频监控目标检测应用中,场景中的阴影会直接影响目标检测的准确度,因此阴影抑制算法研究显得尤为重要。目前广泛使用的是HSV（hue,saturation,value）阴影抑制方法,但是该方法存在由于亮度比值的阈值不稳定而造成将运动目标也检测为阴影的问题。针对该问题,本文提出了一种结合HSV与纹理特征的视频阴影消除方法。方法 首先将输入的图像使用传统的混合高斯模型建立背景并在灰度空间中提取前景,其次在HSV空间使用亮度比的阈值方法检测阴影,二者综合得到运动目标;针对由于亮度比值的阈值不稳定而导致的前景误检为阴影的问题,采用了LBP（local binary pattern）算子结合大津阈值（OTSU）提取部分运动目标。最后将LBP算子结合大津阈值提取的部分运动目标与HSV空间检测的目标两者相或,最终去除运动目标的阴影。结果 本文选用在CVPR-ATON和CAVIAR标准视频库中多个场景的阴影视频,将本文算法与SNP算法、SP算法、DNM1算法和DNM2算法进行对比仿真,实验结果表明本文算法在阴影检测率和阴影识别率的平均值上提升约10%。结论 本文提出的视频阴影消除算法结合了HSV与纹理特征,可以在不同的环境中有效地去除阴影,运动目标保留完整,可适用于智能视频监控、遥感图像和人机交互中。     

压缩感知在雷达目标探测与识别中的研究进展

压缩感知理论是针对采样率和计算复杂度的一种新的信号处理模式,它以远低于奈奎斯特频率对信号进行采样,并能准确重构出原始信号.随着宽带高分辨雷达技术发展,目标相对于背景的高度稀疏,与复杂的雷达系统、海量数据呈现极度的不平衡,压缩感知是有效地减弱这种不平衡的可能技术之一.以雷达稀疏信号的压缩测量及重构为主线,本文综述了压缩感知理论在雷达目标探测与识别中的研究进展,分析了压缩感知理论在PD雷达、穿墙雷达、MIMO雷达、雷达目标参数估计、雷达成像以及目标识别等领域的潜在应用,描述了国内外的相关研究进展.文中对研究中现存的难点问题进行了探讨,并展望了未来的研究方向.     

An accurate SISAR imaging method of ground moving target in forward scatter radar

In order to accurately extract the profile image of the ground moving targets(GMT) in the forward scatter radar(FSR),a forward scatter signal model of GMT is built based on the Fresnel-Kirchhoff diffraction formula,the multipath propagation model and the high order phase approximation method.The classical shadow inverse synthetic aperture radar(SISAR) imaging algorithm is modified using the proposed signal model.In the modified imaging algorithm,the impacts of ground reflection,non-linear variation of target Doppler frequency and the target motion direction on imaging accuracy are discussed.Meanwhile,non-linear and time-dependent parameters are used to compensate for the motion phase of the GMT forward scatter signal,and a novel estimation method of the height difference and median line height of the target profile is put forward under the multipath interference.Finally,both the accuracy of the proposed signal model and the effectiveness of the modified imaging algorithm are validated by the simulation results.     

基于卷积神经网络的雷达目标检测方法

雷达目标检测近年来一直是雷达信号处理中的重要任务,在探测监控等安全领域中有非常重要的作用;针对传统恒虚警目标检测方法存在的环境适应能力较弱、复杂地形环境下雷达虚警数量急剧上升等问题,提出一种基于卷积神经网络的雷达目标检测方法;以雷达回波信号数据处理后得到的距离-多普勒图像作为模型的训练集和测试集,设计基于FasterR-CNN结构的雷达目标检测模型,训练模型并将测试结果与传统恒虚警目标检测算法结果相比较,所设计的模型提升了雷达目标检测正确率并较大地减少了虚警数量,这表明将卷积神经网络应用于雷达回波信号的处理任务中是可行的。     

基于统计与结构信息的SAR图像水上目标检测

设计了基于图像分析理论，根据SAR图像特点形成水上目标轮廓的检测算法。该算法的实现分为3步：(1)基于数理统计的目标检测方法，形成目标区域；(2)用加权统计滤波算子和去除孤立点算法消除噪声，规范需要检测的水上目标；(3)提取目标轮廓。系统在不同的SAR图像上，取得了良好的检测结果。     

基于堆叠双向LSTM的雷达目标识别方法

现阶段雷达目标检测识别主要依赖人工算法提取目标的特征,难点在于环境自适应能力弱,高强度杂波背景下难以有效检测到目标;针对上述问题,结合深度学习在图像识别等领域表现出的强大的学习表示能力,提出基于堆叠双向长短期记忆网络的雷达目标识别方法;网络模型以雷达多普勒维的回波数据构建数据集,采用双向LSTM提取雷达回波数据在时间序列上的正向和逆向信息,通过RMSProp优化算法对神经网络参数迭代训练,实现了对无人机这种低空慢速小目标的有效识别;实验结果表明,基于堆叠双向LSTM的雷达目标识别方法优于传统的SVM分类算法和卷积神经网络分类算法.