基于特征的海面低速小目标检测工程算法

为了提高海面雷达对海漂浮小目标检测能力,提出了一种基于目标时频特征的检测算法。首先,验证了从接收的时间序列中提取的相对多普勒峰高、相对多普勒偏移、相对多普勒熵等特征在时间维度上可以有效地区分海杂波和小目标;其次,构造了特征检测器,给定虚警概率下的判决区域由凸包算法确定;最后,根据实测数据对算法进行了检验。结果表明：当虚警概率为0.01时,采用双特征检测器可在512个脉冲下完全区分海杂波和实测小目标,双特征检测算法优于传统动目标检测算法。     

基于标签传播算法的海面漂浮小目标检测方法

在高分辨体制下海杂波与海面小目标具有复杂的特性,特别是对于雷达散射截面积较小的海面漂浮目标,传统的检测方法性能不佳。为了突破临界信杂比情况下的检测性能,可以提取雷达回波的一种或者多种特征,从而进行特征检测,该方法是实现临界信杂比情况下有效检测的重要途经。目前,在3维及以下的特征空间中可以使用凸包学习算法计算判决区域并有效地控制虚警概率,但是在3维以上的特征空间中凸包学习算法计算复杂度提高,难以进行检测。针对这个问题,该文提出一种基于标签传播算法的海面小目标检测方法,它突破了凸包学习算法的维数限制和决策域必须为凸集的形状限制,能够在高维特征空间进行检测并有效地控制虚警。经过实测数据集验证,基于标签传播算法的海面小目标检测方法在0.512 s和1.024 s的观测时间内分别获得了88.4%和92.0%的检测概率,相比于基于K近邻(KNN)的检测器有了3.3%和2.8%的检测概率提升。     

基于高斯短时分数阶Fourier变换 的海面微动目标检测方法

海上目标随海面颠簸导致姿态变化,引起回波功率调制效应,导致回波多普勒体现时变和非平稳特性.为此,本文将微多普勒理论应用于海杂波中弱目标检测,提出一种基于高斯短时分数阶Fourier变换(GSTFRFT)的海面微动目标检测方法.首先,建立海面目标的平动和三维转动回波模型;然后,基于海尖峰判别方法对回波信号进行数据筛选,改善信杂比,并采用GSTFRFT对微动信号进行增强处理,利用海面目标与海杂波的微动特征差异设计恒虚警检测方法;最后,通过GSTFRFT域滤波,提取信号的微动特征并得到瞬时频率.实测雷达数据仿真结果验证了算法的有效性,具有在强海杂波中检测微弱目标的能力.     

基于双重虚警控制XGBoost的海面小目标检测

为了提升雷达对海面小目标的探测能力，本文提出一种基于双重虚警控制的极限梯度提升（eXtreme Gradient Boosting, XGBoost）的目标检测方法，解决高维特征空间中分类器设计难的问题。首先，从时域、频域、时频域中挖掘了海杂波和含目标回波的精细化差异，并将这些差异凝聚为7个特性，进而构建高维特征空间。然后，发展了一种双重虚警控制的两分类器。在第一重中，重新定义XGBoost的损失函数，通过迭代调整两类错误率的惩罚因子，实现结构层面上的粗虚警控制。在第二重中，将分类概率作为统计量，实现参数层面上的精虚警控制。最后，经实测数据验证，所提出的检测器能精准控制虚警且具备稳健的探测能力。     

基于复杂海情下的小目标探测雷达系统

复杂海情背景下的小目标探测是海面搜索、监视系列雷达的一项关键技术,传统雷达很难保证在较低的虚警概率下,可靠地检测海面小目标。基于复杂海情下海杂波散射功率特性分析,结合高分辨力波形设计、天线快速扫描技术与海面小目标检测技术等雷达系统设计给出了在复杂海情背景下提高小目标检测性能的技术途径,在较低虚警概率下,保证有效、可靠地检测出复杂海情下的海面小目标。     

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

利用北斗反射信号探测目标的初步实验

通过实测海杂波数据,研究了海杂波的统计特性,实测数据拟合结果表明,弱海杂波的概率密度分布函数服从瑞利分布;强海杂波概率密度分布呈现较强的非高斯特性,该试验实测数据拟合结果为对数正态分布,因此强海杂波背景下小目标检测,常规恒虚警检测器性能受到限制。同时采用了常规单元平均恒虚警与自适应匹配滤波两种方法进行目标检测,通过结果对比可以得出,对于强杂波背景下小目标,自适应匹配滤波的方法能检测出更多的目标点迹,检测性能较常规单元平均恒虚警好。     

基于正交投影的海面小目标检测技术

强烈的海杂波将海面低速运动小目标的回波信号淹没,导致雷达难以检测到目标。针对这一问题,该文提出了基于正交投影的恒虚警率(CFAR)检测方法。该方法利用邻近距离单元杂波的相关性,通过正交投影方法实现对杂波的抑制,进而实现CFAR检测。同时,该文给出了基于正交投影的CFAR检测器实现结构图,对比分析了正交投影方法与奇异值分解方法的杂波抑制效果和计算量。理论分析与实测数据处理结果验证了该文所提方法的优越性。     

降低船用连续波雷达虚警概率的海杂波抑制方法

为了解决海杂波引起的船用连续波雷达虚警概率增大,以及海杂波抑制算法工程应用难度大的问题,提出了一种工程实用的海杂波抑制方法。首先,通过双参数删除型CFAR检测算法和统计检测算法进行二次检测;然后,依据邻近帧之间目标回波相关性较强和片状海杂波相关性较弱的特点进行帧间处理。仿真和海上实验均表明,应用该方法的船用连续波雷达可以降低不同强度的海杂波背景下的虚警概率。     

非高斯海杂波背景最优相干检测性能分析

非高斯海杂波背景下雷达目标检测一直是研究的重点。海杂波分布参数形式的多样化使得检测器对杂波平均功率的恒虚警特性无法保证,因此文中对描述非高斯海杂波的K分布、广义Pareto分布和逆高斯纹理复合高斯分布的参数形式进行了规范化,得到了规范化后的三种杂波分布对应的最优相干检测器。理论分析和实验验证了三个自适应检测器分别对杂波平均功率、目标多普勒频率和散斑协方差矩阵具有恒虚警特性。仿真实验表明:散斑协方差矩阵估计方法和辅助数据的数量均影响着自适应检测器的检测概率和虚警概率。     

基于频域多通道图特征感知的海面小目标检测

海洋物理环境和电磁环境日趋复杂,海杂波背景下的微弱慢速小目标检测始终是一个研究难点和重点。海面小目标的雷达散射截面积小、回波能量低,传统基于能量的检测方法存在性能瓶颈。基于特征的检测方法聚焦于提取纯杂波和目标回波的差异性特征来实现目标检测,且有效提升了检测性能。该文利用回波数据间频域中幅度的关联性,将图论的方法引入到特征检测中。首先将实测数据进行块白化处理,对海杂波进行一定的抑制,然后在频域提取各多普勒通道下的数据,借助图的处理方法,构建所提取数据的距离邻接矩阵,再转换为拉普拉斯矩阵。该方法计算不同时间序列下拉普拉斯矩阵的最大特征值,并将其与刻画频域能量信息的相对多普勒峰高进行融合,得到新的检验统计量来区分纯杂波和含有目标的回波。通过全相参的X波段(IPIX)实测数据验证,该文所提方法的检测性能更为优越。     

Trimmed geometric mean order statistic CFAR detector for Pareto distributed clutter

Recent investigations have validated the Pareto class of models for radar backscattering from the sea surface for X-band maritime surveillance radar. As such, there has been much interest in the derivation of sliding window detectors, for operation in such clutter, with the constant false alarm rate property. A general expression is derived, allowing the determination of the probability of false alarm for such detectors, based upon a recently introduced invariant statistic. For a specific example of its application, a trimmed geometric mean order statistic constant false alarm rate detector is developed and compared with some recently derived detectors. It will be shown that this new detector can be designed to not only manage interference in the clutter range profile but can be very effective at managing range spread targets.     

海杂波背景下雷达目标特征检测方法的现状与展望

海杂波背景下的雷达目标检测对民用和军事都有着重要的意义。随着海面目标的小型化和隐身化,海面慢速、漂浮小目标已经成为了雷达警戒的重点对象。关于此类小目标的检测一直以来都是海杂波背景下目标检测中的难题。通常,漂浮小目标的雷达散射横截面积(RCS)微弱,并且运动速度慢,常常在时域和频域均存在“超杂波检测”的困难。传统目标检测方法对漂浮小目标的检测存在明显的性能瓶颈。对于海面漂浮小目标的检测,采用高多普勒和高距离分辨体制(“双高”体制)是从雷达体制上解决这个问题的有效途径。在双高体制下,雷达接收的目标回波提供了更多的可用信息。然而,如何将这些更加精细化的信息转化为探测性能的提升,一直以来都是雷达届关注的难点,相关科研成果也一直在不断地推陈出新。近些年,在双高雷达体制下,学者们提出了多种基于特征的目标检测方法,作为对海智能检测的人工特征工程阶段,这些方法缓解了仅依靠能量信息较难检测小目标的困难局面,极大程度地改善了对漂浮小目标的检测性能。为了更好地让相关雷达从业者了解该领域这些年的发展和未来的趋势,该文首先总结了对海检测的难点和常用的目标检测方法,然后分析了特征检测的原理和通用框架以及国内外几种典型的基于特征的检测方法,最后对特征检测方法发展趋势进行了展望。      

全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

基于多域多维特征融合的海面小目标检测

多维特征检测技术是提高海面小目标检测的有效途径。为了进一步提升海面小目标检测性能,本文提出基于多域多维特征融合的检测方法。首先,从时域、频域、时频域、极化域等多域,充分挖掘海杂波和含目标回波的差异性,并将这些差异性表征为多维特征,构建高维特征空间。其次,通过极化域和特征域的多维特征线性融合,将多维特征压缩到3D特征空间中,获得高维度信息的同时减少维度计算代价。然后,结合凸包学习算法获得3D判决区域,实现异常检测。最后,基于IPIX实测数据的实验结果表明:相对现有的极化检测器,提出的检测器具有25%以上的显著性能提升。