高分辨率SAR与光学图像中目标融合检测方法

提出了一种基于特征融合的军事目标检测方法,充分考虑了SAR与光学图像中目标的互补性特征。目标在高分辨率SAR图像中会产生强后向散射回波(radar cross sections,RCS),因此可以快速检测出感兴趣目标。但受相干斑和人造杂波影响,检测结果存在大量虚警。相比而言,从光学图像中提取出的目标形状信息更有利于鉴别虚假。因此,本方法在串行融合结构中结合SAR和光学图像中提取出的目标特征进行融合鉴别,有效去除虚警。实验用机载测试图像对本文方法的性能进行了验证和分析。     

一种SAR图像目标识别方法

提出了一种新的合成孔径雷达 (SAR)图像目标检测和识别方法 ,该方法根据SAR图像统计分布特性 ,结合恒虚警检测算法和小波变换提取感兴趣的SAR图像目标特征 ,检测得到目标 ,采用马氏距离从杂波背景中识别该目标。实际SAR图像测试结果表明了该方法的有效性     

一种基于二维Gamma分布的SAR图像变化检测方法

对于隐藏在强杂波环境中的人造目标,传统的恒虚警率（constant false alarm rate, CFAR）目标检测算法受到较大程度的制约。为了改善检测性能,提出了一种基于二维Gamma分布的变化检测算法,并给出了参数估计、变化分析、CFAR归一化、目标聚类等关键步骤的实现方法。该算法在拟合精度较高的二维Gamma分布的基础上,充分利用图像间的相关性抑制强杂波。对实际数据的处理表明,该算法具有较好的检测性能,能在低虚警率的基础上实现较高的检测率。     

基于卷积神经网络的SAR图像舰船目标检测

近年来,深度学习在物体检测领域取得了非常大的突破,但是鲜有用于合成孔径雷达(synthetic aperture radar, SAR)图像中舰船目标检测,论文将基于深度学习的目标检测方法引入到了SAR图像舰船目标检测。首先分析了目前先进的Faster R-CNN检测算法优点及其在SAR图像舰船检测领域的局限。在此基础上,构建了一个新的SAR图像舰船目标检测数据集SSDD,数据集包含不同分辨率、尺寸、海况、传感器类型等条件下的舰船SAR图像,它可以作为本领域研究人员评价其算法的基准。提出了SAR图像舰船目标检测的新方法,包括特征聚合、迁移学习、损失函数设计和其他应用细节,并在数据集上进行了大量的对比实验。实验结果证明提出的方法可以有更高的检测准确率和更快的检测速度。     

基于非线性变换法的高分辨率ＳＡＲ 杂波图像仿真

提出了一种高分辨率合成孔径雷达(synthetic aperture radar, SAR)杂波图像的仿真方法。在分析了两种用于高分辨率SAR杂波图像建模的统计模型(广义Gamma分布和广义复合分布)特性的基础上，推导了其相应的基于非线性变换法的生成函数的解析式。然后，在由实测图像中估计与人为设定两种模型参数获取方式下，分别仿真了广义Gamma分布和广义复合分布的SAR杂波图像。实验结果表明，所仿真图像的直方图均与相应的理论概率密度函数吻合，验证了仿真方法的有效性。     

基于方向性粗糙度特征的SAR目标检测算法

针对扩展分形(EF)特征检测SAR目标虚警率高的不足,提出了基于方向性粗糙度特征(Directional Roughness Feature,DRF)对SAR图像目标检测的算法。该算法用指数小波在一个尺度和任意一个方向θ(0 0<θ<900)上对SAR图像滤波,对滤波后图像应用能量关系函数求各像素点的DRF进行目标检测。针对X波段和Ka波段的SAR图像,确定了用该算法检测目标的最优参数。分别用该算法和EF特征方法对不同波段SAR图像进行目标检测,结果表明该算法具有检测虚警率低和目标空间可分辨性高的优点。     

基于Gamma分布的优化SAR目标检测

在Gamma分布条件下，研究了SAR目标检测，得到了阈值系数与恒虚警关系，提出了阈值选择理论及其简单实现方法，优化了杂波均值估计并给出了其无偏鲁棒算法，这样在目标检测中不经过噪声抑制过程但具有抗噪能力，并且参数估计没有偏差。实际SAR数据测试结果表明该方法的检测效果优于双参数恒虚警算法。     

识别SAR图像中车辆和车辆群目标的综合方法

提出了一种对SAR(syntheticapertureradar)图像中的车辆和车辆群目标进行识别的综合方法。它利用SAR图像所具有的统计特性、CFAR检测和数学形态学方法相结合对SAR图像进行预处理和目标分割。找到了一组能够正确表示SAR图像中车辆和车辆群目标的单体不变特征和组合不变特征,给出了相应的目标分类和识别算法、参数选择方法及优化参数。实验证明该方法具有良好的识别效果。     

SAR场景图像中车辆目标的自动识别

提出一种在合成孔径雷达(synthetic aperture radar,SAR)场景图像中进行自动目标识别的方法,并针对识别流程中分类阶段对目标方位角敏感的问题,基于相关滤波器理论与核特征分析方法,提出一种对SAR目标方位角具有较强鲁棒性的非线性相关滤波器。该滤波器使用特征向量降低对训练图像的依赖性,并将特征空间进行非线性扩展,大大提高了目标的正确分类率,同时利用核函数避免了因为高维矢量而造成的计算问题。MSTAR实测SAR图像数据的实验结果表明,方法切实有效,所提出的滤波器对目标方位角失真具有较强的容忍性,不需要存储目标模板和估计目标方位角就能够实现高效率、高准确率的目标分类。     

基于语义分割实现的SAR图像舰船目标检测

基于深度学习实现的目标检测方法在自然图像中取得非常大的成功,而将诸多方法运用于合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测逐步成为新的趋势.如何将已有方法改进并与SAR图像的特点相结合完成特定的检测任务,已经成为当前主要的研究方向.不同于当前已有方法,本文对存在的深度学习SA...     

UWB SAR叶簇遮蔽目标检测中的ROI提取方法

针对SAR(synthetic aperture radar)ATR(auto target recognition)算法中的ROI(region of interest)提取通常由一个CFAR(constant false alarm rate)检测器和聚类算法来完成,该方法在高波段SAR目标检测中具有优良的性能,而在UWB SAR(ultra-wide band synthetic aperture radar)叶簇遮蔽目标检测中效果不佳。提出了一种适于叶簇遮蔽目标检测的ROI提取方法,该方法由小滑窗中值滤波、低门限CFAR检测、形态学操作和聚类算法四部分组成,能够在叶簇遮蔽目标检测中很好地完成ROI提取,基于实际UWB SAR图像的ROI提取结果验证了该方法的有效性。     

基于超分辨极化SAR图像的舰船检测算法

极化合成孔径雷达(synthetic aperture radar, SAR)图像超分辨处理具有聚集目标能量,提高图像分辨率,抑制相干斑噪声的能力。扩展了多通道幅度和相位估计(amplitude and phase estimation, APES)谱估计算法,并以此实现了极化SAR图像的超分辨处理。运用基于K分布的单极化检测器和基于SPAN、PWF的全极化检测器对实测SAR图像进行了舰船检测。通过分析超分辨极化SAR图像杂波统计分布、弱小目标检测性能、目标区域区分精度、目标轮廓及拓扑结构提取效果等,验证了基于多通道APES谱估计的超分辨极化SAR图像的舰船检测性能。     

高超声速制导炮弹终端滑模控制

针对高超声速制导炮弹的动力学耦合与非线性控制问题,设计一种基于反馈线性化的终端滑模控制器。首先,兼顾控制系统设计的简便性要求与高超声速制导炮弹的强非线性特点,建立非线性控制模型。然后,对模型中动力学耦合问题,根据微分几何理论对其进行反馈线性化,实现俯仰通道与偏航通道的解耦。最后,对两通道分别设计终端滑模控制器,且控制器有限时间收敛。仿真结果表明,所设计的控制器能够快速稳定的追踪指令信号,且在外界干扰与参数摄动的情况下依然具有良好的鲁棒性。     

New CFAR target detector for SAR images based on kernel density estimation and mean square error distance

A new constant false alarm rate (CFAR) target detector for synthetic aperture radar (SAR) images is developed. For each pixel under test, both the local probability density function (PDF) of the pixel and the clutter PDF in the reference window are estimated by the non-parametric density estimation. The target detector is defined as the mean square error (MSE) distance between the two PDFs. The CFAR detection in SAR images having multiplicative noise is achieved by adaptive kernel bandwidth proportional to the clutter level. In addition, for obtaining a threshold with respect to a given probability of false alarm (PFA), an unsupervised null distribution fitting method with outlier rejection is proposed. The effectiveness of the proposed target detector is demonstrated by the experiment result using the RADATSAT-2 SAR image.     

低频UWBSAR图像中的目标检测

低频ＵＷＢＳＡＲ不同于窄带高频ＳＡＲ信号。本文针对ＶＨＦ／ＵＨＦＵＷＢＳＡＲ目标与杂波特点，建立了信号模型；在综合现有的几种检测方法基础上，提出了一种新的检测方案，即结合的变化检测和双参数ＣＦＡＲ检测。实验仿真结果表明：这种方案检测过程简单，杂波抑制性能好。     

基于深度卷积神经网络的SAR舰船目标检测

针对传统合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测算法检测精度易受斑点噪声影响,且只能提取底层特征及其泛化性较差的问题,提出了一种基于深度卷积神经网络的SAR图像舰船目标检测算法。首先将目前先进的单次多盒检测器(single shot multibox detector,SSD)检测算法应用到SAR图像舰船目标检测领域,指出了其在该领域存在的局限性,在此基础上提出了基于SSD的新的检测方法,包括融合上下文信息,迁移模型学习,在公开的SSDD数据集上进行了训练和测试,对实验结果进行了对比分析,实验结果表明,相比于原始的SSD检测算法,所提出的方法不仅提高了目标检测精度,同时也保证了算法的检测效率。     

机载SAR的地面运动目标成像处理

基于先进的高分辨率机载SAR数据,研究了地面单个和多个运动目标的高分辨率成像问题。利用频域滤波法将地面运动目标信号从杂波中分离出来,在距离频率-方位时间域进行距离走动和距离弯曲校正,并在距离-多普勒域完成运动目标成像。PGA方法被用来对单个运动目标作进一步的聚焦处理。在多目标环境下,提出一种改进的距离弯曲校正方法,并利用时频分析方法有效地解决了多个地面运动目标的成像问题。给出了SAR实际数据成像处理结果。     

基于目标适合传输的SAR图像编码

基于目标的图像编码是解决无人机载合成孔径雷达（synthetic aperature radar, SAR）图像在有限带宽信道上实时传输的有效办法。本文算法采用双参数恒虚警(constant false alarm rate, CFAR)检测将SAR图像分割成目标与背景,子带变换后根据感兴趣区（regions of interest, ROI）掩膜将子带系数分类成目标与背景序列,以稳健固定码率网格编码量化（fixed rate trellis coded quantization, FRTCQ）高保真编码目标区,以FRTCQ低分辨率编码背景来实现大幅度地压缩。对SAR图像编码实验表明,本文算法既能取得较好的目标区保真度,又能达到较高的压缩比,同时计算复杂度增加有限。     

基于Keystone变换的地面运动目标检测研究

合成孔径雷达 (SAR)在检测地面运动目标中所面临的难题之一是距离和速度的耦合导致了地面运动目标在SAR图像中模糊、错位、甚至消失。分析了Keystone变换的原理 ,提出了Keystone变换在一般正侧式SAR系统具体实现的方法与步骤 ,分析了Keystone方法对不同运动类型目标成像效果的修正作用。最后通过仿真证明了实现方法和分析结果的正确性。     

UWB-SAR图像中二面角目标的检测

目标的散射特性常依赖于雷达和目标间的姿态角，该依赖性在大积累角的UWB-SAR(UltraWide-BandSAR)中尤为明显，但是经过成像处理，这种关系在图像中被掩盖了。通过分析SAR图像的频谱特点，提出一种方向滤波与双参数恒虚警检测相结合的方法，利用目标响应的方向性检测大处理角UWB-SAR图像中的目标点。对仿真数据处理的结果表明，该方法具有结构简单、性能优良稳定等优点。