一种SAR目标属性特征提取算法

针对散射中心重叠的情况,利用散射中心空域及其散射机理的稀疏特性,提出一种基于全极化属性散射中心模型的合成孔径雷达目标属性特征提取算法.根据散射中心空域与散射机理的稀疏特性,对目标的极化分解系数矩阵分别施加行稀疏约束与矩阵稀疏约束.由于极化散射机理字典包含未知参数,在此采用坐标轮回下降法分别估计极化分解系数矩阵与极化散射机理字典,同时提取属性散射中心及其极化特征等属性特征.基于电磁计算数据的实验结果,验证了该算法能够利用极化信息提取散射中心的属性特征.     

多极化SAR图像目标的智能识别应用研究

针对小样本集的多极化合成孔径雷达(SAR)图像目标,提出利用迁移学习、多极化SAR图像增广以及网络架构适应性改进,实现了多极化SAR图像目标端到端的智能分类识别;利用实测机载全极化SAR目标图像进行了实验.实验结果表明,与传统机器学习SVM方法相比,基于多极化SAR深度学习方法所包含的多个神经网络隐含层能自适应地提取目标高层语义特征,其目标分类识别精度更高,从而验证了本文深度学习方法用于多极化SAR图像目标识别分类的有效性.     

融合图像深度的抗遮挡目标跟踪算法

由于视频信息的局限性,在遮挡情况下的目标跟踪依然是一个很难解决的问题.针对目标跟踪过程中的遮挡问题,提出将图像深度引入单目标跟踪算法.首先应用单目图像深度估计算法对图像进行深度估计,获取图像的深度信息;其次,将基于孪生区域推荐网络的目标跟踪算法与图像深度相结合,构建遮挡判别模块,利用目标深度信息的变化判断遮挡情况;最后...     

一种基于深度学习的禁飞区无人机目标识别方法

随着科学技术的迅速发展,中小型无人机逐步走向民用市场。但由于监管技术的缺失,无人机擅闯禁飞区事件屡见不鲜,严重扰乱了空域交通安全。针对传统无人机探测方法成本高、效率低和适应性差等问题,引入深度学习这一新技术,提出了一种基于深度学习的禁飞区无人机目标识别方法。通过对Le Net-5模型进行结构改进,构建一个无人机特征学习网络,经过训练后得到效果良好的模型,实现无人机目标的自主识别。其识别结果可以为禁飞区的监控预警系统提供重要信息,进一步有效保障重要空域的交通安全。实验结果表明,该方法可以有效实现禁飞区无人机目标识别,且误差率比直接应用经典Le Net-5模型减小0.36%。     

基于SVM和SRC级联决策融合的SAR图像目标识别方法

提出基于支持向量机(support vector machine,SVM)和稀疏表示分类(sparse representation-based classification,SRC)级联决策融合的合成孔径雷达(synthetic aperture radar,SAR)图像目标识别方法。首先,采用SVM对测试样本进行分类,根据各个训练类别输出的后验概率,采用门限判决法选取其中具有高置信度的候选类别;其次,基于候选训练样本构造字典,对测试样本进行SRC分类;最后,采用线性加权融合SVM和SRC的决策值,获得更为可靠的识别结果。SVM的预筛选分类有效降低了SRC中的字典规模,从而提高其分类效率,同时,SRC具有的噪声、遮挡稳健性也可以补充SVM在此方面的不足。因此,提出的方法可以有效综合SVM和SRC的优势,提高最终的识别性能。采用MSTAR数据集进行识别实验,结果验证了本文方法的有效性。     

姿态图像缺失情况下的SAR目标识别

针对目标姿态图像缺失的情况,提出通过姿态图像合成的方式增加训练集的姿态覆盖程度,并将扩充后的图像也用于训练目标分类器.受稀疏表示模型的启发,建立了一种合成孔径雷达图像姿态合成模型.该模型根据少量已知姿态的图像,线性组合出缺失姿态下的近似图像.在运动和静止目标获取与识别数据集上的实验表明,通过合成缺失姿态下图像的方法可有效提升目标识别的精度,特别是在训练数据集中姿态缺失严重时,文中方法提升尤为明显.     

一种有效的SAR图像目标识别方法

根据不变矩特征提取和支撑矢量机分类的优势,提出了一种有效的SAR图像目标识别方法.首先对样本SAR图像进行预处理。然后提取目标区域的不变矩特征并计算灰度均值,将其组成特征向量训练SVM分类器,最后用训练好的SVM分类器对要识别的SAR图像进行目标识别.采用该方法对一些含有桥梁和坦克的SAR图像进行目标识别实验,取得了较好的识别结果.     

面向小样本数据的水下目标识别神经网络深层化研究

在面对新时期海洋工程应用领域的挑战时,可以通过利用基于深度学习的神经网络在水声工程中的实现,来达成自动化、高效性、准确性的目标。然而在面对水下目标样本匮乏、水下声环境复杂、样本信噪比差等客观问题时,深度学习也会因其自身的局限性而变得不那么灵敏。针对小样本问题,通过构建多种目标特征提取法和深层深度神经网络模型,得到了不同目标特征提取与网络模型匹配后的目标识别率与网络预测值,并通过比对实验结果,提出了通过深层神经网络深层化设计解决小样本目标识别的新思路。     

联合多特征的MSTAR数据集SAR目标识别方法

提出联合Zernike矩、核主成分分析（kernel principal component analysis,KPCA）及单演信号特征的合成孔径雷达（synthetic aperture radar,SAR）目标识别方法,3类特征分别描述SAR目标几何形状特征、投影特征及图像分解特征,联合使用可以有效增强对目标的描述。分类阶段采用联合稀疏表示对测试样本的3类特征进行表征。对于3类特征的输出误差矢量,采用多组权值矢量进行加权融合,进而根据最终融合的误差判定测试样本的目标类别。基于MSTAR(moving and stationary target acquisition and recognition)数据集的标准操作条件、扩展操作条件及少量训练样本条件对所提方法进行测试,结果验证了所提方法的有效性、稳健性及对少量训练样本的适应性。     

多地面运动目标大动态SAR成像稀疏表示

为了保证对多个地面运动目标同时进行合成孔径雷达成像时具有足够的响应动态范围,提出了一种基于参数化贝叶斯机器学习的压缩感知稀疏表示方法,在对运动目标稀疏特征增强的同时可以显著地提高多目标合成孔径雷达成像的响应动态范围。首先,利用渐进线性的吕氏分布时频表示方法获得多运动目标的多普勒调制参数,并构建二阶多项式傅里叶字典; 然后,针对该字典可能导致的压缩感知有限等距特性欠佳的问题,研究利用字典的互相关度进行定量评估; 最后,引入地面运动目标相对背景杂波的稀疏先验概率分布,建立层级贝叶斯模型,应用变分贝叶斯期望最大算法实现合成孔径雷达地面运动目标成像的稀疏表示,同时对可能存在的目标高阶运动和载机运动误差造成的相位失调进行校正,以保证运动目标雷达图像的聚焦性能。仿真及实测数据的处理结果验证了应用该方法可以显著地提升多目标成像响应动态范围,相比传统方法具有明显的优越性。     

舰船目标三维散射中心建模及SAR快速仿真方法

直接合成孔径雷达成像仿真方法在实现大型舰船目标回波仿真和合成孔径雷达成像时时效偏低,难以满足对海探测制导闭环验证过程中对合成孔径雷达快速生成的需求.因此,提出了基于三维散射中心的舰船目标合成孔径雷达回波和成像仿真方法.首先通过射线管积分三维快速成像和CLEAN三维散射中心提取得到不同视角下目标三维散射中心;然后通过对应...     

一种新的SAR图像目标识别预处理方法

针对合成孔径雷达(SAR)目标识别问题,提出了一种有效的SAR图像预处理方法．首先通过自适应阈值分割、形态学滤波及几何聚类处理获得干净平滑的目标图像,再采用幂变换来增强图像质量,然后提取图像的主分量分析(PCA)、二维主分量分析(2DPCA)特征来进行识别．基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,结合上述预处理,PCA,2DPCA的识别性能均可达到96.5%以上．     

New ISAR imaging interval selection method for ship targets on the sea

Ship targets on the sea swing because of the sea wave, which leads to instability of the rotation speed and variation of the image project plane. As a result, imaging interval selection should be taken into consideration in order to obtain a high quality ISAR image. In this paper, firstly, the relationship between effective rotating speed and image project plane is analyzed in detail, by which the conclusion that the image project plane is stable and the resolution of the ISAR image is best when the valid speed of rotation of a ship target is highest is drawn. Then a new method to select favorable imaging interval based on the rotation speed of ship targets is proposed. In comparison with existing methods, the proposed one can select a better period for ISAR imaging, which leads to an imaging result with higher quality. The effectiveness of the proposed method is verified by simulation and real data processing result.     

基于局部纹理特征的合成孔径雷达变体目标自动识别算法

提出了一种针对变体的识别算法,利用变体与原目标局部纹理之间的相似性进行识别。首先,提出了一种基于清晰边缘的合成孔径雷达(Synthetic aperture radar,SAR)图像配准算法;然后使用结合伽柏(Gabor)变换,局部二值模式(Local binary pattern,LBP)和空间区域直方图的纹理特征来描述SAR图像;最后用基于大特征的直方图序列的匹配做识别。基于MSTAR S2的试验结果证明了本算法的有效性。     

Novel SAR target detection algorithm via multiple features

A detection method for SAR targets based on combining multiple features is proposed. The targets of interest are detected according to the physical properties, which reflect the true characteristics including scattering intensity, size and differences from the clutter. By analyzing these characteristics, the size and boundary changes are determined as effective features. The image background, natural clutter, man-made clutter are eliminated in sequence using the developed detection algorithm, which contains two layers, namely, the initial target detection layer and the potential target identification layer. Effective features ensure that a smaller number of features are used to meet the precision of the target detection, and the discrimination detection method ensure that the probability of false alarm is reduced gradually with the increased complexity of the feature extraction. Comparison with traditional target detectors, such as CFAR, PCA, etc. is performed in detail. Experimental results show the superiorities of the proposal in both accuracy and efficiency.     

注意力机制的SAR图像车辆目标检测网络

在SAR图像车辆目标检测过程中,车辆轮廓定位不仅能够提供车辆位置信息,而且还能够为车辆状态分析提供依据,是SAR图像理解的关键步骤。但SAR图像中乘性斑点噪声会对轮廓定位造成干扰,增加车辆目标检测的难度。针对这一问题,提出了一种注意力机制的SAR图像像素级车辆目标检测网络。该网络由目标筛选、目标定位和轮廓细化三个模块构成。目标筛选在一个轻量级的特征提取网络中采用通道注意力和自注意力机制,在抑制噪声影响的同时对包含目标图像进行快速筛选,并提供稳定的定位热力图;目标定位利用掩码交叉注意力机制根据定位热力图优化粗尺度特征细化目标定位,并融入细尺度信息改善目标轮廓细节;轮廓细化通过轮廓点筛选消除上采样及噪声带来的轮廓不确定点获取准确的轮廓像素点置信度。对MSTAR数据集进行车辆像素级标注,建立SAR图像车辆数据集及大场景图像数据集用于网络测试。实验结果表明,该网络具有良好的像素级检测性能,可实现大场景SAR图像中车辆目标的快速精确检测。