红外小目标检测的滞后阈值分割法

为提高红外小目标检测的精度,针对小目标的阈值分割,提出滞后阈值分割法。通过快速非最大值抑制预提取红外小目标的中心像素,最大程度缩减前景像素数。利用邻域梯度方差判别小目标是否为杂波,自适应地调整灰度阈值,完成对小目标的低虚警分割。分析一般场景下分割所得前景、背景的组成,给出了滞后阈值分割的阈值取值方法。实验表明滞后阈值分割法将虚警概率限制在很小的范围内,并取得了优于其他分割法的检测概率。在小目标检测中,该算法具有较强的实用性。     

外源雷达空时联合恒虚警检测分析与实验

外辐射源雷达杂波呈现复杂形态,其中在距离多普勒谱中固定分布的剩余杂波（简称固定杂波）局部强度较高,采用空域恒虚警检测方法会造成连续的虚警,严重影响目标检测性能。本文通过实测数据分析发现,固定杂波强度在时域变化平稳,可采用时域杂波图检测方法减少该类杂波造成的虚警。然而,非理想信号波形导致外辐射源雷达目标回波具有较高的副峰和旁瓣,仅采用杂波图检测方法会导致重复检测和虚假航迹。通过分析空域和时域恒虚警检测方法面临的问题,本文提出了针对外辐射源雷达的空时联合恒虚警检测方法。该方法在不影响检测概率的前提下,减少了单一恒虚警检测方法造成的虚警。实测数据处理结果验证了所提方法的有效性。     

一种新的数据预处理方法

根据雷达理论可知,提高虚警概率可以提高检测概率,对于弱小目标及远距离目标的检测十分有效,然而受到数据处理能力的限制,通过提高虚警概率实现提前发现目标的方法没有得到充分利用。本文提出的数据预处理新方法可以有效的剔除杂波点,对提高雷达的作用距离及弱小目标的检测十分有利。     

SIRV杂波下距离扩展目标CFAR检测器

在球不变随机向量(SIRV,Spherically Invariant Random Vector)的非高斯杂波背景下,提出了一种新的距离扩展目标检测器.给出了检测参数的简易确定方法,推导了虚警概率与检测阈值的解析表达式,证明了所提检测器的恒虚警率特性.仿真实验表明,在参数设置合理情况下,所提出的检测器性能远好于已有的两种距离扩展目标检测器.另外,随着阵元数、目标散射点个数及杂波尖峰的增加,检测器的性能得到提高;且该检测器对第三门限的选取和不同的杂波相关性均具有很好的鲁棒性.     

K杂波下基于Bootstrap的分布式检测

传统雷达目标检测算法在相关K分布杂波下虚警概率过高,为此提出了一种基于Bootstrap 的分布式检测(BBDD)算法.仿真数据表明,BBDD在相关K分布杂波中的虚警控制能力优于分布式广义符号检测器(DGSD),且K分布杂波形状参数变化对BBDD的虚警概率影响不大,适当增加BBDD脉冲参考单元数可更好地控制虚警概率.同时,为定量控制BBDD虚警概率,分块数据长度选择应根据杂波相关长度与脉冲累积单元数之间大小关系谨慎选择.最后,仿真结果证明了所述方法和相关结论的正确性.     

基于恒虚警率的门限判决系数寻优研究

在雷达信号检测系统中,对于一定的检测门限,如果噪声或杂波电平增大一点,虚警率便会大大增加,同时使发现概率降低,这样便降低了雷达系统发现目标的能力,因此在现代雷达信号检测系统中,为了保证一定的发现概率,一般采取恒虚警率(CFAR)处理,在雷达系统进行恒虚警处理时,由于杂波强度可能偏离统计平均值而产生起伏,此时采用理论的门限判决系数将使虚警率大大增加。通过对雷达信号检测恒虚警性能的研究,分析了有限参考单元数对虚警率及发现概率的影响,同时提出一种有效的寻优算法在恒虚警检测中对实际的门限判决系数进行实时的动态寻优,使检测系统始终保持在恒虚警的工作状态中。     

全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

空域加权局部对比度的红外小目标检测算法

针对传统局部对比度算法在强杂波背景下,容易引入虚警目标的不足,提出了一种空域加权局部对比度的红外小目标检测算法。首先,利用具有中心激励和侧向抑制性的二维高斯差分滤波器,抑制了原始图像大部分的背景杂波,以提高图像的信噪比;然后,利用目标均值与邻域的中值的比值进行局部对比度测量,再用目标各区域的灰度均值差加权局部对比度,生成目标显著图;最后,对显著图进行自适应阈值分割,检测出真实目标。实验结果表明,与其他几种检测方法对比,该算法不仅具有较高的信躁比增益和背景抑制因子,还具有较高的检测率和较低的虚警率,是一种有效的红外小目标检测方法。     

秩和非参数检测器在杂波边缘中的性能

人们常用Rohling教授提出的3种典型背景即均匀背景、多目标和杂波边缘来对检测器的恒虚警率(CFAR)性能进行衡量,但在现有的文献中缺乏秩和(RS)非参数检测器在杂波边缘中虚警概率的解析表达式,缺乏RS检测器与经典的参量型恒虚警率(CFAR)检测器在杂波边缘中虚警控制能力的比较,这在理论研究上是不完整、不全面的。该文给出了RS检测器在杂波边缘中虚警概率的解析表达式,并比较了它与非相干积累单元平均(CA),选大(GO)和有序统计(OS)恒虚警方法在杂波边缘中的虚警控制能力。可以看出,在强、弱杂波均为瑞利分布的情况下,RS检测器在杂波边缘的虚警控制能力处于非相干积累CA方法和非相干积累OS方法之间。但是当长拖尾分布的非高斯杂波进入参考滑窗时,非相干积累CA, GO和OS参量型检测方法的虚警概率都产生了3个以上数量级的上升,且不能回到原始设定的虚警概率。而RS检测器显示出了非参量检测器的优势,即当杂波背景的分布类型发生变化后,它仍然可以保持虚警概率的恒定。     

恒虚警概率新型实现途径及其检测方法

阐述了动目标检测雷达恒虚警概率处理的新型实现途径，动态杂波图恒虚警处理的原理、技术实现及其优越性，介绍了该种实现途径下恒虚警概率的检测方法。     

自选择混合分布模型的CFAR用于SAR图像舰船检测

为了解决恒虚警率检测算法（CFAR检测）在合成孔径雷达图像舰船检测中,用已有分布建模,不能应对所有的场景,对于一些复杂场景建模拟合效果不理想的问题,本文使用一种自选择混合分布的CFAR检测方法:首先,对图像进行预处理,减少目标像素对海杂波的影响;其次,利用学习出来的混合分布模型对预处理后的每一块图像进行建模,计算全局阈值,并根据阈值把图像像素分为目标和背景杂波;然后,为防止漏检,重新对场景像素进行建模、检测,重复此过程直到背景杂波中检测不到目标为止;最后加入后处理,减少虚警的产生。这一方法不仅能得到更好的海杂波模型,同时还能提取舰船的更多细节,实验结果证明了这一方法的有效性。      

基于纹理特征和数学形态学的SAR图像目标检测方法

SAR图像目标检测是SAR图像解译的基础。针对含有目标的SAR图像,利用垂直方向的边缘纹理检测方法对预处理后的图像进行垂直边缘检测,再运用数学形态学中的腐蚀运算和膨胀运算对垂直方向边缘图进行虚警滤除处理,从而得到感兴趣的目标检测区域。详细地给出了SAR图像目标检测步骤,并将本方法与其他方法的检测结果进行了比较,实验结果表明,在均匀杂波背景与非均匀杂波背景下,该方法能够快速有效地实现SAR图像目标检测。     

基于分块预判断的SAR图像舰船目标检测方法

由于具有恒虚警和自适应的能力,恒虚警率(CFAR)是应用最为广泛的SAR图像舰船检测算法之一,它在传统的中低分辨力图像中效果较好。但随着合成孔径雷达(SAR)幅宽与分辨力的提高,这种检测方法已不能满足舰船检测的近实时性要求。本文针对高分辨宽幅SAR图像中的舰船检测问题,提出了一种基于分块预判断的SAR图像舰船目标检测方法。该方法首先对SAR图像进行分块,然后利用一个预先训练的支持向量机(SVM)分类器对所有分块进行可能性判断,最后只对判断为存在目标的分块进行能量比检测。基于实测数据的实验表明,本文方法较以往算法在取得较好检测效果的同时,检测效率也有较大提升。     

基于卷积构型的单元平均CFAR目标检测算法

提出一种基于卷积构型的单元平均恒虚警率(convolution based cell averaging constant false alarm rate, CCA-CFAR)快速检测算法.该算法首先根据背景杂波分布模型计算待检测合成孔径雷达(synthetic aperture radar, SAR)图像统计量矩阵, 然后对单元平均恒虚警率(cell averaging constant false alarm rate, CA-CFAR)检测器构建卷积模型, 利用卷积运算实现对背景杂波的矩估计, 并求出详细的背景杂波分布函数, 最后根据分布函数计算出每个像素的判定阈值, 并对所有待检测像素是否为目标点进行判定.该检测算法复杂度低, 运算效率高, 能够快速实现SAR图像实时目标检测.仿真实验证明了该方法的有效性和工程实用价值.     

基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的“亮线”特征进行检测。与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势。最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性。     

图象积累与自适应门限检测技术的研究

为了从低分辨率和低信杂比的图象序列中检测亚象元目标和点目标，本文定义了有效积累帧数，证明了在有效积累帧数内，积累ｍ帧序列图象，积累平均图象的信杂比提高到√ｍ倍，在图象积累的基础研究自适应门限检测技术，定义了最小错误率规则，并且导出了初始门限以及概率参数的计算公式，为了进一步降低虚警，还建立了后处理的方案，实验结果证实了理论分析的正确性。