基于分形理论的目标检测

军事目标检测一般是由自然背景和少量的人造目标所组成．现有的图像目标检测方法大多是基于对目标本身特性进行分析，不适用于目标特性未知的军事目标检测．本文根据人造目标和自然背景在分形特征上的固有差异，在利用分形维数提取人造目标边缘特征的基础上，结合小波分析方法提取的目标边缘特征，对自然背景中的人造军事目标进行检测．实验证明该方法具有较好的适应性．     

基于分形技术的目标检测算法研究

分形特征参数对于自然背景和人造目标存在着本质差别,充分利用这些差别,能为目标检测提供一种新思路,就分形技术在数字图像处理领域中目标检测方面的应用进行了讨论。分形的应用总是以各种分形参数为中介,有时完全依赖于分形参数,有时将分形参数和其他参数相结合,有时将分形方法和其他方法相结合,在处理的不同阶段分别采用分形方法和其他方法。对几种分形特征参数的估算方法及其在目标检测中的应用进行了研究。     

高频雷达中多目标的识别检测研究

一直以来，由于多目标聚集时目标回波落入同一或相邻检测单元给多目标的识别和检测带来了困难。本文研究了高频雷达检测平面上目标的多维特征，并基于目标的多维特征提出了多目标聚集时识别和检测的方法，经过实验分析获得了较好的识别检测能力。     

分形模型在海上雷达目标检测中的应用

在海杂波背景下进行了有效的海上目标检测是相当困难的。本文研究了海上目标雷达问波与海杂波的分维特性，提出了一种基于海面散射分维特性的检测方法。该方法以处处连续而不可导的非平稳不规则信号模型－分数布朗运动作为数学模型，提取出海杂波与目标回波的多种分维参数，并利用其固的差异进行检测。该方法用于仿真的舰船雷达弱目标的回波，取得了较好的检测效果。     

基于方向分形维的高频雷达抑制雷电干扰研究

远区雷电是高频雷达的主要干扰源之一,需要加以抑制。该文根据雷电干扰的奇异性提出了通过计算方向分形维在分维上来区分雷电干扰和杂波信号。根据雷电干扰的瞬时分布特点提出分段计算背景均值形成门限检测雷电干扰。最后通过建立线性预测的全极点自回归模型来恢复雷电干扰所在位置上的杂波信号,达到干扰抑制的目的。实测数据处理结果表明了该文方法是有效的。     

高频地波雷达空时自适应目标检测

针对高频地波雷达接收到的海杂波数据在落入Bragg峰区域时目标会被海杂波所遮盖的特点,通过对海杂波的空时耦合特性的分析,将空时自适应信号处理运用到超视距雷达中,提出抑制海杂波的同时检测被海杂波所遮盖的舰船的新方法.实测数据的处理结果证明了所提出利用空时自适应处理抑制海杂波的有效性和实用性.     

一种新的基于分形特征的人造目标快速检测算法

从分形布朗模型出发,通过对自然背景和人造目标图像不同的灰度相关性分析,提出 一种新的分形特征提取算法,根据新算法得到的分形特征分布规律,进而形成一种简单有效的自然背景中人造目标的检测算法。实验结果说明了该算法的性能。     

基于分形特征的目标检测算法概述及仿真

对目前比较常用的基于分形特征的目标检测算法进行了概述,并给出了相应的仿真结果.从仿真结果我们看出基于多尺度分形参数的目标检测算法是一种比较精确的算法,但是计算量太大.从计算量和精确度双方面考虑快速的基于分维数和分形拟合误差的目标检测算法是一种不错的算法.     

基于恒虚警的高频雷达起伏目标检测算法研究

针对高频雷达目标检测过程中由于信噪比波动导致检测概率降低、跟踪丢失的问题,提出了基于高低双门限的关联检测算法。基于高频雷达相邻次扫描过程中目标运动信息的相关性,根据目标的速度、距离、方位等运动信息为目标建立关联区域,后续检测时在此关联区域内自动降低判决门限以提高检测概率。理论分析及实测数据表明,与常规恒虚警检测比较,关联检测算法在保持相同虚警概率的同时可获得更高的检测概率,从而有效提高高频雷达的检测和跟踪性能。     

基于TBD技术的高频雷达舰船目标检测

针对强海杂波背景下高频雷达的舰船目标检测问题,提出了基于检测前跟踪(TBD, track before detect)技术的检测方法.该方法先在多普勒域对回波数据进行杂波抑制和低门限CFAR(constant false alarm rate)预处理以降低虚警率和计算复杂度,再采用动态规划TBD算法进行检测和跟踪以提高检测性能.蒙特卡洛仿真结果和回波数据验证表明该方法可提高对一阶海杂波附近舰船目标的检测能力,工程实用性强.     

基于分形维与拟合误差的光电目标检测方法

对光电目标进行自动检测与识别是导弹末端智能制导的一项关键技术,分形理论的出现为解决这个问题提供了新的技术途径。自然背景与人造目标所在区域的分形维与拟合误差特征差别非常明显,因此,提出了一种分形维与拟合误差的光电目标检测方法。实验证明,对于光电目标检测,给出方法的检测结果稳定,优于边缘检测、阈值分割和单一分形维检测的结果,是一种非常有前途的方法。     

基于CWT的常规雷达编队目标架次自动识别

基于多普勒效应的编队目标架次识别的关键，在于要有噪声抑制和频率分辨能力良好的特征提取算法。文中把在乘性和加性高斯噪声背景中具有优良的提取调频信号分量能力的Choi-Williams三谱（CWT）引入编队目标架次识别特征提取，构建了基于CWT三谱的距离-时间-多普勒投影像形态特征的架次自动识别方法。对实测编队目标回波CWT像形态特征的架次识别实验说明，该特征提取算法具有良好的噪声抑制能力和频率分辨率；信噪比为-5dB的条件下对二架和四架编队目标的正确识别率不低于97％。     

高阶分形特征在雷达信号检测中的应用

本文将高阶分形特征用于雷达信号的分析,提取出用于区分目标和杂波的新的分形特征——缝隙尺度变化率.推导了缝隙值在加性分形噪声中的关系式.实验表明:利用缝隙特征进行海上雷达目标的检测,可以取得较分维值检测更高的准确率.     

海杂波的分数维测量在对海面目标探测中的应用研究

简要地介绍了分形几何的有关概念,提出了一种利用海杂波的分数维估计检测海上目标的方法。实验证明,本文所述方法具有一定的实用价值。     

单脉冲雷达对目标源的检测研究

对于单脉冲雷达 ,当回波受到多个目标信号 (信号在频域、时域上不可区分 )的干扰时 ,得到的目标角到达方向 (DOA)不是所跟踪目标的真实信息 ,影响了系统对目标的可靠跟踪。本文在一种对回波是来自单目标还是两个不可区分目标的检测方法的基础上将其推广 ,应用到回波可能来自N个不可区分的目标。仿真表明 ,多目标情况下的检测概率不一定大于两个目标时的检测概率 ,处于间距最大上的两目标的信噪比对整个检测概率影响较大。     

基于单脉冲雷达对多个不可区分的目标信号的检测研究

在单脉冲雷达系统中,当回波受到两个或多个不可区分目标信号(信号在频域、时域上不可区分)的干扰时,得到的目标信号到达方向(DOA)不是所跟踪目标的真实信息,这就影响了系统对目标的可靠跟踪。文献[1]提出了一种对回波是来自单目标还是两个不可区分目标的检测方法。本文对其推广,应用到回波可能来自N个不可区分的目标。仿真表明,多目标情况下的检测概率不一定大于两个目标时的检测概率,处于最大间距上的两目标的信噪比对检测概率影响较大。     

基于局部分形维数的多目标检测算法

在以自然景物为背景的图像中,分形维数是一种能有效地将目标从自然背景中检测出来的纹理特征.将图像的局部窗转化为一维序列的形式,在研究R/S分析法的基础上,提出了一种局部分形维数估计算法.将一维最大熵的检测结果与分形特征图的检测结果进行逻辑与运算,从而实现目标边缘的精确定位.实验表明该算法不仅可以有效地实现多目标检测同时具有较好的抗噪性能.     

基于并行DSP的高分辨目标检测系统设计

研究了基于位置相关的高分辨检测方法的改进和基于并行ADSP_TS101芯片的高性能并行数字信号处理(DsP)系统的硬件平台的实现。提出了利用脉内非相干积累和设定K_(max)门限进行预检测的方法,优化了基于位置相关的高分辨检测方法的第2门限检测,并成功应用于并行DSP硬件平台中。试验表明,该硬件平台能够实现宽带雷达目标的实时高分辨检测。     

噪声调频复合单频连续波雷达空间高速目标的探测

噪声调频连续波雷达由于发射信号无周期,具有理想的图钉型模糊函数,没有周期性距离模糊和速度模糊,从原理上非常适合在轨探测远距离的超高速空间目标。该文采用插值法建立了噪声调频连续波高速目标回波模型,提出噪声调频复合单频连续波雷达采用校正距离走动的“匹配参考信号”进行相参处理的方法,实现跨距离门积累从而提高距离主旁瓣比;针对多个目标的检测采用FFT-IFFT逐个“Clean”的办法,进一步提高检测目标动态范围。仿真结果表明所提出的方法是有效可行的。     

基于距离信息的复合双基地雷达密集多目标检测

对密集多目标的探测是当前雷达技术领域所面临的前沿课题和紧迫任务.本文提出了一种基于距离信息的T/R-R复合双基地雷达信号融合方法,该方法建立了单基地雷达接收机和双基地雷达接收机的目标回波信号模型,针对二维平面,基于距离信息提出了复合双基地雷达信号融合模型,采用最大似然法对密集多目标进行检测,并分析了信噪比、目标数量、目标起伏、检测门限以及复合双基地雷达几何配置对检测性能的影响.针对不同想定进行了仿真实验,蒙特卡洛仿真结果表明本文方法对密集多目标的检测是有效的.通过理论分析和仿真实验发现,目标到两个接收机的距离变化以及不同距离单元中的目标干扰对检测的影响比较小,影响密集多目标检测的主要因素包含信噪比、目标数量、目标起伏、同一距离单元内的角度不可分辨目标的干扰以及检测门限;另外,Swerling Ⅱ型目标为本文推导的假设条件,但在Swerling 0 和Ⅳ型目标起伏条件下本文的检测算法仍然有效.