基于深度学习的雷达目标检测技术

根据纽曼-皮尔逊准则,恒虚警方法（CFAR）在虚警率10-6、检测概率90%的条件下,可检测目标的信噪比需大于12.8dB。由于可用于参考的环境单元有限且实际环境中杂波分布差异性大,特别是隐身、低慢小等目标的能量强度值很难达到检测门限的要求。本文基于深度学习方法,利用含杂波/噪声/干扰的目标距离多普勒(RD)域图像与相应理想情况下的目标RD图作为网络训练数据集,网络中的生成模型向判决模型提供抑制处理后的RD图,根据判决模型反馈来调整杂波抑制处理参数。这一动态对抗博弈的过程最终优化所得的生成模型将有效学习环境中杂波/噪声/干扰的特性并将其过滤。通过杂波、噪声和干扰环境下的实验证明,本文方法可以在RD域有效抑制杂波,增强目标信息,具备在实际杂波抑制场景下的可行性。     

基于深度学习的无人机航拍目标检测与跟踪方法综述

基于视觉的目标检测与跟踪方法是当前最火热的研究方向之一。近年来,随着无人机技术的快速发展,利用无人机航拍技术进行目标检测与跟踪也成了研究的热点。对于无人机目标检测,首先探讨了无人机航拍目标检测与跟踪任务的复杂性和难点,并着重介绍了以深度学习为基础的目标检测算法;针对无人机目标跟踪技术,深入探讨了以相关滤波为基础和以深度学习为基础的两种判别式目标跟踪算法;最后,总结并展望了在无人机领域目标检测与跟踪技术的应用前景。     

基于深度残差网络的雷达目标数量估计方法

传统雷达目标检测方法一般将单个距离单元的目标当成单目标进行检测,而不会估计距离单元内目标的数量。针对该研究空缺,提出一种基于深度残差网络的雷达目标数量估计方法。该方法将雷达信号转换成时频图并输入至训练好的深度残差网络。残差网络根据单个目标与多个目标对应时频图的差异即可准确得到雷达目标数量的估计值。仿真表明该方法能有效地估计出雷达目标数量。     

基于雷达点云与图像数据的三维目标检测方法

在智能交通领域中,道路场景的三维目标实时检测对于保障汽车行驶安全具有重要意义.使用雷达点云和图像数据进行融合能够达到优势互补的效果,然而使用这两种数据融合的三维目标检测算法为得到较高的检测精度,通常都采用两阶段网络,相比于单阶段网络运算速度较慢,而在实际应用中检测系统的速度是非常重要的.针对以上问题,在单阶段网络RetinaNet上进行改进,设计了一种三维目标实时检测方法,将三维锚框映射到点云和图像的特征图上,利用ROI池化,将锚框在特征图上裁剪出的区域转换成相同大小并融合,最终输出目标边界框的回归参数和类别,并且对锚框进行调整得到目标预测边界框.在KITTI数据集上进行的实验表明,所研究的网络在行人、车辆等多目标检测的精确度和时间消耗方面均优于对比算法.     

基于深度学习的机器人目标检测设计

针对卷积神经网络在机器人目标检测中存在速度慢、准确率低的问题,设计一种基于Mo-bileNet-SSD模型的目标检测方法.该方法使用MobileNet网络作为SSD的基础网络进行特征提取,将检测到的目标投影到深度图中,计算包围盒内的深度平均值,将其作为目标障碍物到机器人的距离.实验结果表明,该方法在不失准确率的情况下,...     

基于深度学习的SAR目标检测方法

高分辨率合成孔径雷达（Synthetic Aperture Radar,SAR）图像中不同目标的尺寸区别较大,这使得小目标的特征不明显,为目标检测带来了极大的挑战。针对这一问题,提出了SAR YOLO 960算法。该算法首先改进了图像输入大小的限制,将输入图像提升到960×960像素;进而改善了YOLOv3(You Only Look Once v3)网络的整体结构,修改并添加了卷积层和残差层,整体采用64倍降采样,使其速度大大提升;最后,根据SAR图像目标的特点,改进了损失函数,从而得到了SAR YOLO 960算法。在手工制作的高分辨率SAR图像数据集中的目标检测结果表明,相对于当前主流的检测算法,该算法性能显著提高;检测速度达32.8帧/秒,准确率达95.7%,召回率达94.5%。     

基于深度学习的雷达交通目标检测研究

针对将深度学习应用于交通场景下的雷达距离多普勒谱图目标检测任务时,交通目标尺寸小、特征不明显导致目标检测算法出现漏检、误检的问题,提出一种改进的YOLOv5-KFCS模型。首先提出基于K-means++聚类Anchor生成方法,确定最优Anchor尺寸,实现Anchor与实际目标的精准匹配;然后在模型中添加改进的FCBAM注意力模块,增强模型对于模糊目标和小尺寸目标特征的提取能力;接着将CARAFE作为上采样模块,提升网络对背景噪声的过滤能力以增强小目标特征的表征能力;最后将Swin Transformer模块引入到网络末端C3模块中,改善模型网络末端特征图分辨率低的问题。实验结果表明,改进后的YOLOv5-KFCS有效改善了漏检、误检问题,相较基准YOLOv5s平均检测精度提高5.3%,达到了93.5%,检测速度为70 FPS,满足检测实时性,并且综合性能优于其他方法。     

深度学习在雷达目标检测中的应用综述

雷达目标检测技术能够判断回波信号中目标存在与否,并提取目标位置信息。随着雷达图像质量的提升和人工智能技术的发展,利用雷达图像数据通过深度学习方法实现雷达目标检测功能成为一种新的思路。该文首先从雷达目标检测原理入手,对传统和现代两类检测方法进行了梳理,分析了各类检测方法的特点及适用性。然后针对现代雷达回波信号复杂性增大导致传统检测方法统计建模难的问题和机器学习方法特征提取难度大的问题,对深度学习目标检测方法进行了归纳,主要从深度学习算法、雷达回波图像数据类型和应用场景三个方面进行总结。最后分析了深度学习在雷达目标检测应用中面临的挑战,展望了未来的发展趋势。     

基于深度学习面向中小目标的检测研究

现有的网络模型在复杂场景中暴露出针对中小目标检测能力不足的问题,本文针对该问题对目标检测领域较流行的SSD网络模型进行了改进.有以下两方面:(1)针对浅层卷积层的语义信息丰富度不足和浅层信息丢失问题,采用残差网络方法对Conv4卷积单元进行改进,并将Conv4_3和Conv5_3的特征图进行了特征融合,设计了新的SSD...     

一种基于深度学习的公路巡检无人机实时目标跟踪算法

公路中心标线的实时跟踪是公路巡检无人机视觉飞行中关键的一环.针对目前主流目标跟踪算法实时性差的问题,提出一种基于改进YOLO(you only look once)v3和Deep-SORT(deep simple online real-time tracking)的目标跟踪模型用于公路巡检无人机自主视觉飞行.通过引入...     

基于改进RetinaNet的SAR图像目标检测方法

近年来,深度学习方法在合成孔径雷达(SAR)图像目标检测中得到了广泛的应用.船舶出现在近海、港口、岛礁、远洋等各种场景中,同时海洋环境复杂多变,使得船舶目标检测很难排除混乱背景的干扰.对于大纵横比、任意方向、密集分布的目标,精确定位变得更加复杂.本文基于深度学习的方法提出用于SAR图像目标检测的改进RetinaNet模...     

基于时频图深度学习的雷达动目标检测与分类

雷达动目标检测技术一直是雷达信号处理领域中的关键技术,而传统的雷达动目标检测技术仅适用于匀速运动目标,检测性能有限。针对该问题提出一种基于卷积神经网络(CNN)时频图处理的雷达动目标检测方法,通过从雷达动目标回波中提取多普勒频移信息,然后利用短时傅里叶变换转换为时频图,输入卷积神经网络,进行深度特征学习,进而实现检测和分类的目的。仿真数据验证表明,所提方法能够有效检测和区分匀速、匀变速运动以及微动目标,稳健性高,与传统动目标检测方法相比具有显著优势。     

基于时频检测与极化匹配的雷达无人机检测方法

针对雷达检测无人机这一难题,该文提出了一种时频检测与极化匹配相结合的双极化雷达无人机检测方法。首先,雷达降低检测门限,各极化通道分别采用常规的时频2维单元平均恒虚警率检测方法,检测出无人机与杂波虚警;接着,各极化通道分别针对多帧检测结果进行积累,进行2次检测,剔除部分杂波虚警;最后,对两个极化通道双门限检测结果进行匹配,进一步剔除杂波虚警。对两型无人机的外场试验数据处理结果表明：该方法能够有效检测出无人机,消除杂波虚警。     

基于时频检测与极化匹配的雷达无人机检测方法

针对雷达检测无人机这一难题,该文提出了一种时频检测与极化匹配相结合的双极化雷达无人机检测方法.首先,雷达降低检测门限,各极化通道分别采用常规的时频2维单元平均恒虚警率检测方法,检测出无人机与杂波虚警;接着,各极化通道分别针对多帧检测结果进行积累,进行2次检测,剔除部分杂波虚警;最后,对两个极化通道双门限检测结果进行匹配,进一步剔除杂波虚警.对两型无人机的外场试验数据处理结果表明:该方法能够有效检测出无人机,消除杂波虚警.     

基于DSP的雷达目标检测和跟踪方法研究

基于专用DSP检测与跟踪处理器，研究了相应的雷达目标检测与跟踪方法。考虑到数字信号处理器较强的数学处理能力，研究了基于位置相关的雷达目标检测算法，结合雷达目标运动特性，研究了基于目标运动相关的多目标跟踪技术，并在DSP上实现了相应的检测、跟踪算法。实验室仿真结果表明，该检测算法具有好的检测性能；该跟踪算法实现对多目标的跟踪。