基于DRFM的高分辨雷达扩展目标回波仿真技术

介绍了一种基于DRFM的高分辨雷达扩展目标回波信号仿真方法,该方法将舰船等复杂目标视为扩展目标,其雷达回波信号可以看作扩展目标各散射中心产生的回波信号的叠加。应用该技术产生的模拟目标回波信号和假目标干扰信号,由于携带雷达发射信号和照射目标特征信息,能顺利进入末制导雷达接收机,仿真效果优于一般常规仿真技术。     

基于佳木斯雷达与北海道东雷达观测的F层不规则体回波发生率

利用佳木斯和北海道东高频相干散射雷达的观测数据，对2018年3月至2019年11月期间两部雷达观测到的F层高度的不规则体回波信号发生率的分布特征进行了对比分析。比较了在地磁平静期（Kp <3）和地磁扰动期（Kp> 3）的不规则体回波发生率变化特征，分析了回波发生率在昏侧与晨侧增强的现象和纬度变化特征。昏侧回波发生率增强现象在45°-64°MLAT范围内普遍存在，其中55°-64°MLAT的回波发生率在地磁扰动期明显增强。而晨侧回波发生率增强现象主要分布在45°-54°MLAT的地区，除了春秋分季外，地磁扰动的增强对其影响较弱。中纬日侧回波发生率受地磁活动影响较小。     

基于SVC视频流的低复杂度多播组分解算法

多播是一种高效率利用带宽资源的技术，可以有效缓解多媒体传输过程中的带宽压力，但传统的多播技术会带来“瓶颈用户”问题，限制多播组内用户的数据速率。多播组分解技术将多播组划分为若干子组并以不同速率接收数据，可以有效解决瓶颈用户带来的速率限制。构建了面向用户端的视频多播传输方案，将可伸缩视频编码（SVC）的分层特点和组分解技术相结合，各多播子组根据实际接收能力解调得到不同质量的SVC视频数据，在保证用户基本视频数据传输的基础上，实现总系统速率最大化。提出了面向资源公平调配的低复杂度多播组分解算法，在改进低复杂度分组（LCS）算法过程中考虑SVC视频层限制，并引入常值向量抑制资源分配不公的情况。经过实验数据模拟和性能评估，所提算法在带宽资源和用户数量变化时，均可以稳定地保持较高的系统速率、频谱效率及系统公平性，且计算复杂度较低，能够实际应用于4G和5G网络架构下的视频传输。      

基于运动信息的视频图像空间目标检测

针对卫星拍摄的以深空为背景的视频图像中空间运动目标的检测问题进行了研究,提出了一种基于运动信息的目标检测算法。首先,通过均值滤波对图像进行降噪处理；然后,采用基于局部统计的可变阈值来分割单帧图像,使用灰度重心法计算像点坐标。当卫星凝视目标区域时,恒星可以认为是静止的,而目标依旧在运动,基于此,可检测出空间运动目标。基于某型卫星在轨拍摄的视频图像验证了算法的有效性。     

基于极化神经网络的雷达舰船检测识别方法

相参雷达捕获的全极化海面目标距离-多普勒(RD)回波数据中，目标区域占比小、信噪比低，且海况环境与干扰种类多变，使得经典的深度神经网络在此种条件下检测识别精度较低。为此，本文提出了一种基于极化深度神经网络的全极化相参雷达海面目标检测识别算法。首先，引入极化特征提取模块挖掘目标与干扰的差异化特征;其次，通过特征金字塔网络解决小目标检测识别的问题;最后，使用级联结构进一步提升算法性能。在全极化相参雷达回波数据集上的测试结果表明:基于特征值与特征矢量的极化特征对于数据集中两类舰船目标的平均精度分别达到0.907 9与1.0，相比不采用极化特征有着显著提高。     

便携式微振动可视化测量仪的设计与实现

针对微振动难以察觉、振动测量中接触式的电测法需要布置大量传感器、非接触式的光测法测量速度慢且价格昂贵的问题，设计了基于视觉的便携式微振动可视化测量仪。提出了基于盲源分离的灰度平均测量算法以提取振动信号，结合视频放大算法实现微振动可视化，并基于嵌入式开发平台将测量系统集成为便携式仪器。在试验中,良好的可视化效果和准确的测量结果验证了所提方法的有效性，可为振动测量中存在的问题提供新的解决思路。     

基于特征融合与抗遮挡的卫星视频目标跟踪方法

卫星视频中的目标易受到遮挡和复杂环境干扰等影响，造成对目标的运动状态估计不够准确，导致目标跟踪失败。基于此，在核相关滤波(KCF)算法的基础上设计2种算法提高目标跟踪的成功率，实现鲁棒性的目标跟踪。通过提取目标的方向梯度直方图(HOG)特征、灰度特征和高斯曲率特征表述目标的外观模型；联合响应图的峰值和平均峰值相关能量(APCE)对目标的响应图进行自适应加权融合，并将融合后的响应图峰值作为置信度对目标的模型进行自适应更新；通过使用卡尔曼滤波的方法对遮挡的目标进行位置预测，当目标遮挡结束时，对目标进行重新跟踪，解决卫星视频中目标被遮挡的问题。大量实验结果表明:所改进的相关滤波算法对卫星视频中的目标跟踪，尤其是在复杂环境、目标被遮挡及场景光照发生变化的情况下，具有良好的效果，并且在目标跟踪的精度和成功率等方面都有很大的提高，为进一步对卫星视频中的目标跟踪奠定了基础。      

基于动态小波指纹的冰孔隙率测量方法研究（英文）

针对飞机结冰情况下的冰孔隙率测量问题，提出并评估了一种基于动态小波指纹技术的超声波孔隙率测量方法。通过理论模型和有限元仿真分析了超声纵波的传播过程，阐述了孔隙大小等因素对孔隙率测量的影响机理。结合20块冰样品的60组超声波测量数据，生成了小波指纹图像，并提取了11维关键特征。基于主成分分析和多项式拟合，所实现的孔隙率测量均方根误差（Root mean square error, RMSE）达到1.144%，说明本文方法比传统的峰值拟合方法更稳定、准确。     

一种低时延的全景视频传输方法

近年来，以全景视频为代表的虚拟现实技术向高质量、沉浸感的方向发展，低时延全景视频传输技术的研究成为热点。对全景视频传输中影响终端用户体验质量的时延因素进行分析，提出了一种低时延的全景视频传输方法，使用随机接入帧间预测帧来减小视口切换引起的传输时延，进而改善用户的视觉体验质量。经理论分析和仿真实验，在不影响用户体验质量的前提下，针对不同内容的测试序列，该方法可以将视口切换时延平均降低至2.4帧时长，同时将用于用户视口切换的视频码率平均减少20.23%。相比于已有方法，该方法可以在降低时延的同时，提升传输带宽利用率，为实现全景视频的高效传输提供了一种新的技术途径。     

基于深度学习的无人机航拍视频多目标检测与跟踪研究进展

随着无人机航拍的数据采集愈加便捷，以无人机为平台的多目标检测与跟踪技术发展迅速，在智慧城市、环境监测、地质探测、精准农业和灾害预警等民用和军事领域有着广泛的应用前景，近年来深度学习的突飞猛进也为其提供了多种更为有效的解决思路。然而，无人机视角下目标外观发生突变、目标区域被严重遮挡以及目标消失和重现等挑战性的问题尚未完全解决。综述了基于深度学习的无人机航拍视频多目标检测与跟踪算法，总结了该领域的最新进展，包括多目标检测、多目标跟踪2个模块。多目标检测模块划分为双阶段与单阶段两个部分。对于多目标跟踪模块则依据基于检测的跟踪和联合检测的跟踪2个经典框架，分别阐述了2类算法的原理并分析其优缺点。随后对现有的公开数据集进行统计分析，并对基于无人机航拍视频的多目标检测与跟踪领域内标杆挑战赛VisDrone Challenge近年来的最优方案进行了对比分析。最后总结了无人机视角下多目标检测与跟踪亟待解决的问题并展望未来可能的研究方向，为后续相关研究的人员提供参考。