基于神经网络的遥感图像海陆语义分割方法

针对海陆语义分割中陆地、码头形状多样,背景目标复杂等情况造成的像素分类错误、边界分割模糊等问题,提出了一种新的基于深度卷积神经网络的遥感图像海陆语义分割方法。该方法以端对端的训练方式实现了对目标的逐像素分类,为了解决海陆分割中像素分类错误,设计以不同尺度图像为输入的三个并行的编码结构,通过融合不同尺度的特征图,丰富特征代表算子的语义信息,增大像素分类准确率。为了解决海陆分割中边界分割模糊,通过设计能够融合编码结构中低层精细位置信息的解码结构,对特征图进行更加精确的上采样,恢复像素的密集位置信息,提高海陆分割准确度。为有效验证所提网络框架的优势,构建了海陆分割数据集HRSC2016-SL进行算法性能比较。与最新的语义分割算法相比,所提算法取得了更好的分割结果。     

联合脉压与Radon傅里叶变换的长时间相参积累方法

传统相干雷达信号处理流程中先脉冲压缩再相参处理的级联处理在理论上无法实现对高速目标回波能量的最大化积累,级联处理的输出结果中目标峰值位置存在偏差,甚至还伴随主瓣展宽、增益下降、旁瓣增高的问题。为此该文提出一种联合脉压与Radon傅里叶变换(PC-RFT)的长时间相参积累方法,利用信号之间的相关关系将匹配滤波与Radon傅里叶变换相结合,在快时间(脉内时间)与慢时间(脉间时间)维度上同时补偿脉内和脉间的多普勒频移,从而实现目标增益的最大化。实验表明二维联合处理的性能明显优于级联处理。      

杂波背景下的时距联合检测前聚焦方法研究

传统相干雷达信号处理流程对跨距离单元走动的目标一般采用脉冲压缩与Radon傅里叶变换(RFT)先后级联的处理方法,但级联方法存在以下问题：一是对高速目标能量积累的过程中目标峰值位置偏移甚至主瓣展宽、增益下降、旁瓣增高;二是缺少有效杂波抑制,影响弱目标检测。为此,该文借鉴多维信号联合以及杂波抑制的思想,提出一种杂波背景条件下将脉冲压缩、RFT与自适应杂波抑制联合的时距联合检测前聚焦方法(APCRFT)。该方法首先将脉内时间(快时间)与脉间时间(慢时间)两个雷达信号处理维度相联合,引入与高速目标相对应的二维导向矢量,补偿脉内和脉间的多普勒频移;然后根据辅助数据估计脉冲压缩前的杂波协方差矩阵;最后根据杂波协方差矩阵和导向矢量确定最优滤波器权矢量。在距离-速度二维空间中,该方法能有效地抑制杂波,同时对目标能量进行最佳聚焦。仿真结果表明,该方法与先脉冲压缩后自适应Radon傅里叶变换(ARFT)的级联方法相比性能更优。     

基于PHD的粒子滤波检测前跟踪改进算法

针对在低信噪比目标检测问题中,基于PHD的粒子滤波检测前跟踪算法（PHD-TBD）存在目标位置估计误差较大的缺陷,提出一种结合粒子群优化算法的基于PHD的粒子滤波检测前跟踪方法(PSO-PHD-TBD)。该算法在滤波预测和更新步骤之间加入基于NSGA-Ⅱ的多目标粒子群优化算法,结合量测信息将预测完成的粒子集的分布进行优化,将所有粒子转移到后验概率密度较大的区域,进而改善了多目标位置估计的性能;然后使用基于密度聚类的DBSCAN算法对粒子聚类,提取目标状态。仿真实验表明,在不同信噪比条件下,PSO-PHD-TBD在多目标数目估计情况与PHD-TBD算法一致,而位置估计精度明显优于PHD-TBD算法。     

杂波背景下基于概率假设密度的辅助粒子滤波检测前跟踪改进算法

在杂波背景条件下,现有的基于概率假设密度(PHD)滤波的粒子滤波检测前跟踪(TBD)算法,存在对密集多目标数目估计不准,使用粒子数目较多会造成维数灾难的问题。因此,该文引入两层粒子的概念,将基于平行分割(PP)理论的辅助粒子滤波(APF)应用于基于概率假设密度的检测前跟踪 (PHD-TBD)算法中,提出基于概率假设密度滤波的平行分割辅助粒子滤波检测前跟踪(APP-PF-PHD-TBD)算法以提高目标数目及状态估计精度。仿真实验证明,相对于现有基于PHD的粒子滤波检测前跟踪算法,该算法在目标数目和状态估计精度上具有显著的性能优势,在密集目标场景下,优势尤为突出。最后,利用导航雷达实测所得海杂波背景数据证明,该算法在应用中性能更加优异。