一种空时域结合滤波的运动弱小目标检测方法

依据红外序列图像中弱小目标运动轨迹的连续性,提出一种空时域结合滤波的运动弱小目标检测算法．在分析弱小目标可能的运动轨迹的基础上,构造了一组滤波模板,利用这组模板对时域检测结果进行滤波,确定出弱小目标可能的运动轨迹．并进一步结合时域特征,对运动弱小目标进行累积增强．由于提出的方法充分考虑了序列图像中运动弱小目标的空时域特征,因此具有很好的检测性能．     

红外运动弱小目标的动态规划检测

针对动态规划方法在对红外序列图像运动弱小目标进行检测时的能量扩散问题,提出了一种新的检测方法。该方法以目标的运动特性为基础,构造出一个高斯模板来描述目标在下一帧可能出现的位置,利用概率来描述目标可能的运动而不是直接的硬约束,能很好地克服目标运动的随机性。将该方法应用于实际的红外序列图像的运动弱小目标检测,实验结果表明,可以大幅降低动态规划方法的能量扩散问题。     

U-net分割网络雷达弱小目标检测方法

常规雷达检测方法难以满足当前弱小目标检测需求,而检测前跟踪(TBD)方法在雷达弱小目标检测中存在计算复杂度高、复杂场景性能严重退化的问题．为此,本文提出了一种U-net分割网络的雷达弱小目标检测方法．首先,利用过低门限的多圈检测点形成待分割的图片;然后,利用U-net网络对实体目标进行分割,实现对弱小目标的有效探测．雷达实测数据测试结果表明,本文提出的方法能够大幅提升雷达对远距离小目标的跟踪距离,有效抑制虚假短航迹,为解决雷达弱小目标检测提供了新的解决思路．     

一种双波段红外图像弱小目标融合检测新算法

提出了一种基于模糊推理的双波段红外图像弱小目标融合检测新算法．首先分别得到双波段红外差分图像,根据差分图像的噪声特性引入隶属度函数来衡量像素点灰度变化程度,对多帧差分图像进行融合,按照“IF…THEN…”规则分别完成单一波段融合后的图像模糊推理,提取目标运动航迹,最后通过融合双波段的航迹实现弱小目标的检测．仿真实验结果表明,该算法通过模糊推理克服了 “硬”判决带来检测概率低的缺点,利用双波段红外图像融合提高了检测性能,可以有效地检测出低信噪比红外图像序列中的弱小运动目标．     

基于背景预测的红外弱小目标检测新算法

针对复杂背景中弱小目标检测难的问题,提出一种改进的双边滤波背景预测算法．该算法在双边滤波中引入梯度算子,自适应地对背景进行预测,将原始图像与预测图像相减可以抑制背景细节、增强目标信息,同时利用梯度的统计特性减少算法的计算量,提高了弱小目标检测性能．仿真和实验表明,与双边滤波的检测算法相比,该算法能够更加有效地从复杂背景中检测弱小目标．     

背景变化鲁棒的微弱瞬态信号检测

在微弱瞬态信号检测中,由于信号完全淹没在背景和噪声中,因此当背景信号发生变化时,传统方法的检测性能会急剧降低。针对上述问题,提出一种基于核函数的对连续背景变化鲁棒的微弱瞬态信号检测方法。利用核函数将信号映射到一个高维空间来解决在原始空间中线性不可分的问题。根据信号和噪声特性对核函数加以约束,使检测方法在能检测出瞬态信号的同时还具有对连续背景变化鲁棒特性。将该方法应用于基于高帧频图像序列的微弱运动点目标检测中,实验证明该方法无论是在稳定背景情况下,还是背景连续变换情况下, 相比传统方法都有更好的检测结果,在背景连续变换的情况下优势更加明显。     

近程SAR图像中的地面运动目标检测

探讨了单天线单通道近程合成孔径雷达(SAR)中的地面运动目标检测问题。利用KEYSTONE变换完成地面运动目标线性距离走动的校正，利用DECHIRP处理完成SAR聚焦后信号的Radon—Wigner变换，实现对运动目标信号的“聚集”。根据近程SAR的特点，在多卜勒频率-调频率平面将地面静止目标信号和运动目标信号分离并采用CLEAN技术，去除强静止目标信号对弱运动目标信号检测的影响，从而对运动目标信号进行有效的检测。仿真和实测数据的处理结果表明了这种方法的有效性。     

基于序列图像中运动小目标检测

根据序列胶片图像中运动目标帧间相关特性,提出一种弱小目标检测的方法。采用图像积累的方法,提高信噪比,去除图像背景;采用自适应门限进行阈值分割,得到二值化的图像;利用帧间目标相关的特性去掉噪声点,检测出目标点。实验结果表明,该方法能够有效地提取出低信噪比下序列图像中的微小运动目标。     

雷达信号I/Q通道幅相误差校正的新方法

提出了一种新的基于信号时域统计特性的的雷达信号I／Q通道幅相误差的校正方法，给出了实际校正网络框图．仿真结果表明，存在幅相误差的信号经该网络校正后，主信号和镜象信号功率之比达到了60dB以上，可以满足后续信号处理系统对弱小目标检测和目标识别的要求．     

海空背景下红外弱小目标检测方法

针对在海上搜救中弱小目标难以被发现的情况,提出了一种海空背景下红外弱小目标的检测方法.该方法首先进行背景预测,然后将原图像和背景预测后的图像差分进行目标提取,使用Top-Hat变换对目标提取后的差分图像进行滤波处理以去除残余波浪噪声影响,最后使用自适应阈值检测,检测出弱小目标所在的方位.通过和传统的对单帧图像采取Top-Hat变换滤波做法的比较,可以看出来该方法可以较好的去除海浪的影响,检测出亮度较高的红外运动弱小目标,辅助海上搜救工作的完成.     

低空小目标检测中的单通道干扰信号重构和抑制算法

利用移动通信系统进行低空小目标检测时,传统被动检测算法无法实现单接收通道下参考信号接收对比,提出一种基于干扰信号重构的直达波抑制算法,用于对低空小目标的检测.首先通过移动通信系统感知信道传输环境;在此基础上,利用OFDM时频特性重新构建直达波信号及多径信号等干扰信号,最后通过扩展相消算法对单接收通道中的直达波干扰进行抑制.仿真结果表明,所提方法能在移动通信系统单接收通道情况下提高回波检测性能,提高低空小目标检测的准确性.     

浅海沉底小目标时的反探测研究

在浅水波导环境下,时反处理利用声场的时反聚焦特性,基于收发合置阵,将接收信号在时间上反转后,再向介质中发射回去,时反信号能量会在目标处聚焦,同时使混响降低.在接收增强的目标回波信号之后,通过多路径补偿波束形成,继续提高信混比.再将波束形成的输出与发射信号的拷贝进行相关处理,以其输出作为检验统计量进行目标检测判决,并根据到达信号的时间延迟对目标行距离进行估计.在湖上实验中,通过比较BS发射和TR发射两种情况下的混响和目标处的入射能量,发现时反处理具有抑制混响、提高信混比的能力.在实验室波导中,利用时反处理的优点进行了沉底小目标探测实验.波导实验结果表明,主动时反探测系统不仅能够有效地检测到沉底小目标,而且可以对目标进行测距.     

基于期望最大化的随机光信号最大似然检测算法研究

由于大气中存在各种微粒分子,无线激光通信系统经过大气信道后,受到大气湍流中光强闪烁现象引起的光强起伏的影响,引起激光功率的损失,最终导致在接收端接收的激光信号的强度忽高忽低,影响信号检测的精度。为了抑制光信号的起伏带来的影响,通常需要采取性能高的检测算法,研究了基于期望最大化迭代算法的最大似然检测算法,实验证明,该算法可以有效地进行信号检测,提高了信号检测的精度;且计算复杂度比最大似然序列检测大大降低,有着较高的实用性。     

基于小波系数统计的非高斯噪声背景下语音流检测

在实际生活中,非高斯噪声很普遍,对信号的影响也很大,是语音信号处理中的难题.大部分强噪声信号都是非高斯的,在强噪声背景下,由于语音信号受到较大的干扰,甚至被噪声淹没,传统的基于短时的能量、过零率、相关以及平均幅度差等检测算法效果都不理想.根据小波变换的特性和语音时域信号的分布特征,提出了一种非高斯噪声背景下语音流检测算法.对含噪语音进行小波分解,观察各层小波系数的统计特征,提取它们的不同特征,从而进行了语音流检测.大量实验表明该算法具有较高的检出率和较低的误检率,可以消除噪声的影响实时处理语音信号.该算法有一定的创新性,在处理非高斯噪音方面很有实用性.     

基于小波多分辨率分析法的电能质量检测

提出了应用小波多分辨率技术进行电能质量检测的方法,并利用重构信号进行了谐波补偿。受扰信号经小波分解形成多频带分量,能够确知干扰发生时刻及受扰程度;选取频带信号,经重构产生补偿分量,可用于补偿受扰信号。针对电压暂降、暂态干扰及电力谐波,应用Daubechies小波进行多分辨率分析。仿真表明所采用的方法在时域和频域具有良好的检测性能,能够刻画出信号的奇异性变化的特点;对谐波检测进行了信号补偿分析,对该法用于实时检测的效果给出了结论。     

基于小波原理的小电流接地系统故障选线新方法的研究

对利用小波提取小电流接地系统的故障暂态信息进行故障选线的方法作了深入细致的分析研究 ,以能更充分提取电力系统故障暂态信号的奇异性所包含的丰富特征信息为出发点 ,提出了一种新的基于小波变换模极大值奇异性检测理论的选线新方法 ,该方法对暂态电气量进行小波分解 ,选取特征量突出的第三尺度模极大值信息作为选线判据 理论分析及仿真实验表明 :该选线方法适合各种接地方式的小电流接地系统 ,可准确、可靠的实现单相接地故障选线     

基于压缩采样的宽带跳频信号盲检测算法

为了在非协作情况下,达到对宽带跳频信号进行实时检测的目的,提出一种基于压缩采样值数字特征的盲检测算法.首先分析了不同先验假设条件下压缩采样值的期望和方差,然后讨论了利用这些不同数字特征对高斯白噪声中的跳频信号进行检测的方法.仿真结果显示,该算法能在Eb/N0大于8dB时对高斯白噪声中的跳频信号进行有效的检测.该算法相对于传统基于奈奎斯特采样值的检测算法,运算复杂度低,实时性较好.     

一种深度学习的硬件木马检测算法

由于传统的硬件木马检测均采用功能测试等电信号检测技术,检测方法存在成本高、漏检率高和效率低下等问题,对此提出了一种深度学习的非电信号硬件木马检测算法。该算法首先利用增强残差网络将低分辨率芯片显微图像转换为高分辨率芯片显微图像; 然后通过循环一致对抗生成网络将该高分辨率图像生成与母版图像同源的芯片显微图像, 生成的芯片显微图像通过二阶微分图像增强算法区分出目标区域与背景区域,并结合阈值分割算法将目标区域分割出来; 最后通过数学形态学操作去除由于工业噪声产生的微小干扰,利用变化检测算法检测芯片中存在的硬件木马。通过在芯片显微图像数据集上的实验显示,基于深度学习的硬件木马检测方法正检率高达约92.4%,与传统的电信号检测方法相比,精度更高,速度更快,且操作更简易。     

天波超视距雷达瞬态干扰抑制方法

瞬态干扰是影响天波超视距雷达检测性能的主要因素之一,因此必须对瞬态干扰进行抑制.提出了一种改进复经验模式分解方法以抑制天波超视距雷达中的瞬态干扰.该方法利用小波包分解将回波信号先分解成一系列窄带信号,再对每一个窄带信号进行复经验模式分解,然后对各个固有模态函数进行归一化相关性筛选处理,最后对剩余信号进行瞬态干扰检测和剔除.该方法的主要优点是无须杂波抑制和数据预测重构.实测数据处理结果表明该方法能有效地检测和抑制瞬态干扰.     

预警雷达杂波抑制和微弱运动目标检测算法

针对预警雷达探测弱运动目标的杂波抑制和运算量大的问题,提出利用信号空间分离的抑制杂波算法,利用盲信号处理技术将回波信号分离成雷达弱运动目标信号和强背景杂波信号,有效地抑制了杂波;提出了利用动态规划法探测微弱目标的改进算法,在帧间循环递归中,针对来袭目标确定状态转移区域,并引入各级判决门限,丢弃部分虚警目标轨迹,减少了计算量.仿真结果表明,此方法能降低运算量,抑制杂波,有效地检测微弱运动目标,具有较好的检测性能.