基于背景预分析的SAR图像车辆目标检测算法

CFAR算法是一种常见的合成孔径雷达图像目标检测算法。CFAR算法在对背景杂波统计建模时需要考虑建模样本中是否混入目标等非背景像素。文中提出了一种新的CFAR检测算法,该算法认为目标窗口和背景窗口是同一个窗口,在CFAR算法之前,通过目标预筛选去除建模样本中的降质因素,并用广义伽马模型对背景窗口中的剩余样本建模。相比于传统的高斯模型CFAR算法,本文所用算法考虑了建模样本中降质因素对建模精度的影响,新的滑动窗模型结构更加简单,检测结果虚警率低,对距离很近的目标不会产生漏检。     

一种改进的高分辨率SAR图像超像素CFAR舰船检测算法

合成孔径雷达(SAR)图像舰船目标检测一直受到学者广泛关注,恒虚警率(CFAR)检测算法作为雷达图像经典目标检测算法被广泛应用于SAR图像舰船目标检测中。然而经典CFAR检测性能容易受到相干斑噪声影响,基于滑窗的检测结果对滑窗的尺寸选择非常敏感,难以保证杂波背景中不存在目标像素,并且计算效率较低。针对上述问题,该文提出了一种新的基于超像素无窗快速CFAR的SAR图像舰船目标检测算法。首先,利用基于密度的快速噪声空间聚类(DBSCAN)超像素生成方法生成SAR图像的超像素。在SAR数据服从混合瑞利分布的假设下,定义了超像素相异度。然后利用超像素精确估计每个像素的杂波参数,即使在多目标情况下,也可以克服传统CFAR滑动窗口的缺点。此外,基于SAR图像变异系数,提出了一种基于变异系数的局部超像素对比度来优化CFAR检测,以此消除大量杂波虚警,如陆地区域人造目标。对5幅SAR图像的实验结果表明,与其他方法相比,该文方法对不同场景SAR图像海面舰船目标检测都十分稳健。      

基于窗口参数估计的距离扩展目标CFAR检测

雷达在探测目标时,若目标尺寸远大于雷达的距离分辨率,会在距离维上呈现出距离扩展目标特性,采用传统的点目标检测方法因无法利用全部能量而造成检测性能下降。本文针对距离扩展目标检测问题,以外辐射源雷达为背景,首先建立了外辐射源雷达距离扩展目标回波模型,提出了基于最大广义信噪比准则的距离扩展窗口参数估计方法来预估距离扩展目标的位置与宽度;为进一步判断窗口内是否为目标,研究了距离扩展窗口内的模糊恒虚警率（CFAR）检测算法,仿真比较了基于不同积累准则对各类起伏目标的模糊CFAR检测性能,并与传统的二进制积累CFAR比较,表明在均匀噪声环境和多目标环境下,基于模糊代数积积累的模糊CFAR检测性能均最优。最后结合外辐射源雷达舰船目标探测实验的实测数据处理结果,证明了基于模糊代数积积累的模糊CFAR具有最优的检测性能。     

SAR图像局部窗口K-分布目标检测算法

该文分析了双参数CFAR算法和K-分布CFAR算法的特点,将双参数CFAR算法局部窗口的概念应用到K-分布CFAR检测中,适应了SAR图像海面背景复杂且局域性强的情况,获得了较好的检测效果。     

一种复杂环境下改进的SAR图像双边CFAR舰船检测算法

双边恒虚警率(BCFAR)检测算法通过高斯核密度估计器计算出合成孔径雷达(SAR)图像的空间信息,并将它与图像的强度信息相结合得到联合图像以进行目标检测。相较于只使用强度信息来进行目标检测的经典CFAR检测算法,双边CFAR有着更好的检测性能和鲁棒性。然而,在复杂环境下出现连片的高强度异质点时(例如防波堤、方位模糊和幻影等),核密度估计器计算出的空间信息会出现较多误差,这会导致检测结果中出现大量虚警。此外,当遇到相邻像素点间相似度较低的弱目标时,双边CFAR会发生漏检。为了有效改善这些问题,该文设计一种复杂环境下改进的SAR图像双边CFAR舰船检测算法(IB-CFAR)。该文所提IB-CFAR主要分为3个阶段来实现,分别为基于非均匀量化法的强度层级划分、强度-空间域信息融合、杂波截断后的参数估计。基于非均匀量化法的强度层级划分可以提升弱目标的相似度和对比度信息,从而提升舰船检测率。强度-空间域信息融合在于将空间相似度、距离向和强度等信息进行融合,在进一步提升检测率的同时对舰船的结构信息进行精细化描述。杂波截断后的参数估计可以去除背景窗口中连片的高强度异质点,最大限度地保留真实海杂波样本,使参数估计更加精确。最后,根据估计出的参数建立精确的海杂波统计模型以进行CFAR检测。该文使用高分3号和TerraSAR-X数据来验证该算法的有效性和鲁棒性。实验结果表明,所提出的算法在包含较多密集分布的弱目标环境下表现良好,在此类环境下能获得97.85%的检测率和3.52%的虚警率,相比于现有的检测算法,检测率提升了5%,并且虚警率降低了10%,但在弱目标个数较少且背景十分复杂的环境下,则会出现少量虚警。      

基于CFAR级联的SAR图像舰船目标检测算法

SAR图像舰船目标检测在军事监视和海洋环境监管等方面有着重要的意义。针对SAR图像的特点,提出了一种基于全局CFAR检测与局部CFAR检测级联的舰船目标检测算法。在全局CFAR检测中,通过海杂波特性拟合优选海杂波统计模型,以较高的虚警率筛选潜在的目标点;在局部CFAR检测中,以潜在目标点的连通区域为单位,通过检测窗口的选取、背景像素的确定和海杂波拟合等步骤以后,以较低的虚警率确定目标。最后,通过条件扩张算法和目标像素聚类完善船只细节。实验结果表明,文中算法在保证良好的检测性能的同时,具有检测效率高、舰船细节完整等优点,为舰船目标鉴别和信息提取提供了良好的保障,更加符合实际应用需求。     

SAR图像舰船目标检测算法的对比研究

SAR图像舰船目标检测有二种经典算法:双参数CFAR算法和K-分布CFAR算法。本文分析了二种算法的特点,使用RADARSAT卫星不同模式SAR图像分别进行实验,给出二种算法的适应性。     

基于两步法的海上目标智能检测方法

传统的恒虚警(CFAR)检测器虽然在多数目标场景中具有不错的检测效果,但在强杂波背景下其检测性能会下降。基于深度学习的雷达目标检测方法可以提取深度特征用于目标检测,然而深度学习算法耗时长,很难应用于实际场景。针对上述问题,文中提出了一种基于深度神经网络的两步检测法实现海杂波背景下的目标检测。首先将雷达回波的距离-多普勒图以窗口滑动的方式截取小尺寸样本,通过全连接层网络(FCNN)进行初步检测,然后在检测区域截取更大尺寸的样本用以深度特征提取,通过多层卷积神经网络(CNN)区分目标与杂波,得到最终的检测结果。实验结果表明,与传统CFAR检测器和基于CNN的一步检测方法相比,文中所提方法保持较高检测概率的同时,能有效提升检测效率。     

基于灰度相关性的SAR图像联合CFAR舰船检测算法

分析了中高分辨率SAR海洋图像的目标和海杂波特点,利用了SAR海洋图像中舰船目标的灰度相关性、形状特性以及舰船目标与背景杂波的信杂比特性,提出了一种基于灰度相关性的联合CFAR舰船检测算法。算法综合利用了舰船目标内部相邻像素间的灰度强相关性和舰船目标和海杂波的信杂比,建立了海杂波区域内相邻像素间灰度值的二维对数正态分布来实现联合CFAR检测。该算法能够改善斑点噪声和背景局部不均匀对检测带来的虚警,检测效果相比于传统检测算法更加优越。     

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。      

融合极化旋转域特征和超像素技术的极化SAR舰船检测

对海监视是极化SAR的重要应用,密集区域的舰船目标检测是当前面临的主要挑战之一。舰船密集区域受多目标串扰,传统的恒虚警率(CFAR)检测滑窗难以选取纯净的海杂波样本用于确定检测门限,将导致检测性能下降。针对这一问题,该文从特征提取和检测器设计两方面出发,提出一种融合极化旋转域特征和超像素技术的极化SAR舰船检测方法。在特征提取方面,雷达目标的后向散射敏感于目标姿态与雷达视线的相对几何关系,由此带来的散射多样性隐含信息可通过极化旋转域分析进行挖掘。该文利用极化相关方向图及导出的一系列极化旋转域特征,根据目标杂波比(TCR)分析,优选TCR最高的3个极化特征量用于构建目标检测器。在此基础上,该文在检测器设计方面提出了一种基于K均值聚类的杂波超像素筛选方法,有效避免了密集区域舰船目标对邻近杂波的影响,基于筛选的杂波像素点得到舰船目标CFAR检测结果。基于Radarsat-2和高分三号星载全极化SAR数据的对比实验表明,所提方法能有效实现密集区域舰船目标检测,检测品质因数达到95%。      

OSGO-和OSSO-CFAR在K分布杂波背景下的性能分析

该文证明了形状因子已知条件下OSGO-CFAR和OSSO-CFAR检测器在均匀统计独立的K分布杂波背景下具有恒虚警性能,分析了两种检测器在均匀杂波背景、杂波边缘和存在强干扰目标情况下的检测性能。并与OS-CFAR进行了比较,结果表明OSGO-CFAR在均匀杂波背景和存在强干扰目标情况下带来的附加检测损失很小, 在杂波边缘具有更好的虚警控制能力。所以,OSGO-CFAR是K分布杂波背景下一种性能比较好的恒虚警检测器。     

一种K-分布杂波背景下的双参数恒虚警检测器

该文基于改进的M-估计器和OSGO-CFAR检测器,提出了K-分布杂波背景下一种新的双参数恒虚警检测器,然后在均匀干扰背景中研究了这种检测器的性能,并与固定形状参数的OSGO-CFAR检测器进行了比较。结果表明,具有形状参数估计的OSGO相对于理想固定形状参数OSGO只带来很小的附加损失,同时具有更广泛的K-分布杂波适应性。     

OSCA-CFAR在K分布杂波背景下的性能分析

本文证明了形状因子已知条件下有序统计平均（OSCA）恒虚警检测器在K分布杂波背景下具有恒虚警性能，分析了均匀K分布杂波背景和多目标情况下该检测器的性能，并与OS和OSGO-CFAR进行了比较，仿真结果表明OSCA在两种环境下均具有最好的检测性能。     

基于互累积量的多雷达信号层融合检测

针对多雷达检测海上目标的研究背景,本文提出了一种新的基于互累积量的多带雷达信号层融合检测方法,该方法融合不同雷达的观测信息,对不同频带的雷达观测在统计相关域上进行积累,最后进行检测。仿真结果表明,与传统的融合检测方法相比,新方法能够显著提高融合处理后的信杂比,有效提高海上目标检测概率。