基于ResNet的智能恒虚警目标检测方法

传统恒虚警检测方法通常假设待测单元的杂波与训练杂波满足独立同分布,然而在实际雷达工作环境中,强杂波呈现出非均匀特性,沿距离单元的杂波统计特性差异变化较大,使得传统恒虚警目标检测方法在复杂环境下的检测性能下降。为解决该问题,本文从杂波统计特征提取分类出发,通过深度学习方法对杂波进行分类,提出了一种基于残差神经网络(ResNet)的智能恒虚警目标检测方法。首先,根据雷达实测杂波数据建立ResNet的训练集和测试集;其次,构建ResNet对数据进行智能特征提取,得到杂波的统计特征,并用训练好的网络对测试集进行测试;最后,以阈值可设的Softmax分类器对所得统计特征进行分类,根据分类结果实现智能恒虚警目标检测。实验结果表明:相比传统恒虚警检测方法,本文提出的方法具有自适应能力更强、检测性能更好等优点。     

超视距雷达中的目标检测问题

工作在高频波段(3—30MHz)的超视距雷达能够探测和跟踪视距以外飞机、舰船等目标，它在民用和军事上均有重要的应用价值。但超视距雷达的目标信号会埋没在强海杂波中，使得目标信号的检测极为困难。本文先讨论了一阶和二阶Bragg海杂波特性，然后针对强海杂波中目标检测的特点，讨论了距离一频率维的目标恒虚警检测方案，并提出了一些有意义的建议。     

通过扩展分区特征改善SAR目标检测

本文对利用扩展区分（EF）特征来改善合成孔径雷达（SAR）自动目标识别（ATR）系统观注目标聚焦（FOA）阶段处理的有效性进行了评估。不象传统的SAR检测特征仅能在对比度基础上将图像像素从背景中区分开，EF特征对物体的对比度和尺寸都敏感，EF特征算法便于实现，并已证实有着类似CFAR（恒虎警率）性质的新特征，我们使用这个新特征，通过两个数据库提供的SAR图像，对几种不同检测方法进行了测试，验证新方法对性能有所改善。     

对SAR目标检测中的相关背景的研究

在目标或杂波出现先验概率已知的情况下，现有各种目标检测法要在被检像素值是由目标造成还是由杂波造成之间做出统计判决。然而，这些方法没有把存在的相关背景信息考虑在内。例如，我们知道军用车辆更有可能在能提供掩蔽的树篱和树林边缘地带被发现，并且它们通常是编队行驶。本文验证了在维持现有技术的精确统计前提下，如何将此类相关背景信息与SAR目标检测方法相结合。现在研究出一种理论框架，其目标存在的先验概率通过条件从属性被该背景的影响改变，得到的检测方法用于模拟SAR图像，可获得相关背景信息各种组合时的目标检测率。当相关背景信息被完全利用时，可以观察到性能大约提高了13%。     

基于模糊CFAR的SAR图像非均匀背景目标检测算法

CFAR是目前应用最为广泛且实时有效的SAR图像目标检测算法,在非均匀背景情况下,一般的CFAR检测都会存在大量虚警.引入模糊逻辑的概念,提出了一种非均匀背景的SAR图像模糊CFAR目标检测算法.基于Weibull分布,分别推导出模糊CA-CFAR和模糊OS-CFAR的隶属函数,并根据相应的模糊融合准则进行融合处理,得到模糊CFAR检测器的中心门限.仿真结果表明,模糊CFAR检测算法在非均匀背景的SAR图像目标检测中,具有较高的检测概率,且虚警少,具备一定的实用价值.     

频率相关函数在雷达目标检测中的应用

35GHz高分辨合成孔径雷达(SAR)地形图像的分析表明：当以低入射余角观测诸如车辆一类的点目标时，由于车辆的雷达反射截面积(RCS)强度与树干所呈现的RCS的上端不相上下，所以常常很难将车辆一类的点目标与树干区分开来。为了解决点目标／树干混淆问题，已完成了详细研究去评估基于复频率相关函数(FCF)的新颖检测特征的作用。本文介绍了一种FCF分析研究及其实际意义，数值仿真研究的结果旨在评估采用了FCF的检测算法的性能，并在35GHz和95GHz所进行的实验观测证实了该理论。发现在90％以上的情况下，FCF检测算法能正确识别树干，而虚警率仅为3％。     

Ll—CFAR—一种灵活的鲁棒设计

本文介绍一种新的恒虚警率（ＣＦＡＲ）处理器。Ｌｌ－ＣＦＡＲ通过对参考集排列样本线性滤波来形成其噪声功率估值；但是，这一组合的权值不仅仅取决于排列，而且还取决于样本与测试单元的相对接近程度。这类Ｌｌ－ＣＦＡＲ中有些能有效检查假目标；有些可以在有杂波边缘时对虚警进行令人信服的控制；而另一些则对这两种不均匀性均具有鲁棒性。当设计中含有这些方案时，它们执行起来不比普通序列统计ＣＦＡＲ（ＯＳ－ＣＦＡＲ）累赘     

包络检波GO—CFAR处理器的虚警分析

在存在杂波边界的情况下，最大选择恒虚警处理器（ＧＯ ＣＦＡＲ）是自动设置雷达检测门限的一种有用处理器。ＧＯ ＣＦＡＲ的输入通常是经包络检波的基带信号的同相（Ⅰ）和正交（Ｑ）信道。采用ｘ＝ａ ｍａｘ｛｜Ⅰ｜，｜Ｑ｜｝＋ｂ ｍｉｎ｛｜Ｉ｜，│Ｑ｜｝也可近似该包络检波，这只需要简单的硬件（ａ和ｂ为简单相乘系数）。本文就包络ＧＯ ＣＦＡＲ处理器和几种包络近似ＧＯ ＣＦＡＲ处理器的虚警概率（ＰＦＡ）性能进行     

一种采用自动筛选技术的鲁棒恒虚警检测器

本文基于有序统计（ＯＳ）和筛选平均（ＣＭ）提出了一种新的恒虚警检测器，它采用ＯＳ和ＣＭ方法来产生局部估计，再采用二者的平均值作为对杂波功率水平的估计，并应用了文献［５］提出的自动筛选技术，在ＳｗｅｒｌｉｎｇⅡ型目标假设下，本文推导出了它的Ｐｆａ、Ｐｄ和度量ＡＤＴ的解析表达式，并与其它方案进行了比较。分析结果表明，它对均匀背景和多目标环境均具有适应性，尤其是在多目标引起的非均匀背景场合中，它呈现较好的锝棒性，它的性能与ＯＳ相比有较大的改善，并且它的样本排序时间不及ＯＳ、ＣＭ的一半。     

基于CFAR检测的SAR噪声干扰效果评估方法

在研究美国林肯实验室的SAR恒虚警(CFAR)自动目标检测方法的基础上,分析了CFAR目标检测技术在不同噪声干扰强度下检测概率的变化情况,并结合图像相关性分析得出一种改进的基于CFAR检测技术的SAR噪声干扰效果评估方法.     

非高斯杂波背景中的两个距离扩展目标检测器

针对采用球不变随机向量(SIRV)建模的非高斯杂波背景中检测具有稀疏散射点的距离扩展目标问题,先假设目标强散射点的位置信息已知,采用广义似然比检验(GLRT)理论,提出了基于散射点位置的GLRT (SL-GLRT) 检测器。然后,采用门限法估计散射点的位置信息,提出了双门限恒虚警率(DT-CFAR)检测器,推导了虚警概率与检测门限关系的解析表达式,并给出门限的确定方法。与现有方法相比,散射点位置信息已知时, SL-GLRT 具有最佳的检测性能,散射点位置信息未知时,DT-CFAR具有较好的鲁棒性。     

雷达弱对比分布目标的检测算法

本文研究在离散背景区域中的弱对比分布目标的雷达图象检测算法．     

部分相干合成孔径雷达对干扰背景中的目标检测

本文分析在相干和非相干积累检测不同的关系式中合成孔径雷达检测特性的计算问题，示出了上述问题与较为简单的在脉冲串相干－非相干混合叠加情况下的检测问题之间的关系。     

脉冲干扰条件下雷达自适应恒虚警算法及其体系结构

本文提出一种用于信号处理的新型并行算法以及带有自适应检测后积累（API）的恒虚警（CFAR）处理器的并行systolic结构。这种处理器用于脉冲干扰条件下雷达对小型机载目标回波的单个距离分辨率单元中的有效目标检测。这种算法的主要特征是在进行噪声水平估计前能自动地确定并删除二维参考窗口及检测单元中受脉冲干扰污损的不希望的样本。通过这种方法可将脉冲干扰环境对自适应门限处理的影响减至最低程度。对这种目标控制自满的统计分析表明，即便在脉冲干扰的功率与频率都非常高的情况下，信噪比损失也微乎其微。设计了CFAR API的Systolic结构。Systolic结构的基本微量尺度为处理器单元的数目、计算时间及实时实现所需的加速度。     

基于改进SSD算法的航拍目标检测算法研究

研究基于深度学习技术的无人机航拍图像目标检测算法,首先介绍目标检测算法SSD(Single Shot MultiBox Detector),并对其特征提取网络进行改进,采用稠密特征提取网络替换原网络的主干特征提取网络,提高算法的特征提取能力,从而提升了算法的检测精度。针对网络实时性问题,在算法中引入分组卷积,极大地减少了网络参数量,提升了网络推理速度。为解决训练中出现的正负样本不均衡问题,利用焦点损失（Focal Loss）改进了原算法的损失函数,进一步提升了网络的收敛速度和精度。最后,通过仿真验证了改进算法在目标检测精度上的优越性。     

基于背景差分的动目标检测算法研究

提出一种新的基于背景差分的动目标检测算法。综合利用序列图像的时、空域信息提取目标。用中值法建立初始背景,并采用一种自适应的背景更新策略。实验结果表明,该算法简单,鲁棒性好,能够解决全局光照缓变和突变的问题,在复杂环境中也能准确地检测出运动目标。