基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时,随着脑科学研究的不断深入,人们对人脑视觉系统的理解逐渐透彻,利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs),提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法,包括：基于演算侧抑制的目标检测算法,基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明,将类脑模型和深度神经网络应用于目标检测和跟踪领域,有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

基于Murty方法的多目标跟踪快速算法

JPDA是一种有效的多目标跟踪算法，但算法的复杂度随着目标和观测值的增加而显著增长。为了减少JPDA算法所需要的存贮空间和计算时间，通过Murty方法，得到K个最优的目标与观测值对应关系，再利用这K个最优对应关系实现JPDA算法。仿真结果表明，新算法跟踪成功率与JPDA相近，所需的时间远低于JPDA算法。     

基于频域DPCA的星载SAR动目标检测、测速与定位

给出基于频域DPCA的星载合成孔径雷达 (SAR)动目标检测、测速及定位的实现方法。首先建立星载SAR沿航迹向三孔径天线空间几何模型 ,并详细分析星载SAR三孔径天线机理及信号特性 ,然后分析并推导基于频域DPCA实现对地面背景杂波淹没的运动目标检测、径向速度分量估计以及目标定位的方法。最后 ,计算机仿真结果验证其有效性     

一种新的动基座快速传递对准方案及其仿真研究

针对捷联惯导系统的动基座初始对准问题,提出了一种新的动基座快速传递对准方案。该方案采用速度 姿态变化量匹配,直接对主、子惯导导航坐标系之间的失准角进行估计,可以使航向失准角快速收敛。通过仿真,研究了注入噪声和测量噪声水平、机动运动强度和幅度、复合机动运动、载机运动方向等六个因素对对准性能的影响。结果表明:其对准性能取决于水平失准角的估计精度和速度;失准角的估计精度和速度与注入噪声水平和测量噪声水平、机动运动的强度和幅度有关;复合机动运动对对准性能有正反两方面的影响。     

基于分数阶Fourier域滤波的SAR多运动目标检测和参数估计

SAR多运动目标的检测和参数估计较单运动目标的难度大大增加,传统的WVD方法在处理多分量线性 调频信号时存在交叉项干扰的问题,改进的WVD-HT方法可减弱交叉项的影响,但并不能从根本上解决交叉项问题, 同时计算量也很大。文中提出一种基于分数阶Fourier域滤波的多运动目标检测和参数估计方法,在运动目标和静止目 标信号分离后通过逐个消去强目标信号,有效地解决了弱目标信号的检测和参数估计问题,由于分数阶Fourier变换是 线性变换,从而免除了交叉项的困扰。仿真和实测数据的处理结果验证了算法的有效性。     

海洋目标探测卫星的通用效能模型初探

为有效构建海洋目标探测卫星体系，建立一套能对各类卫星的海洋目标探测效果进行分析与评估的通用效能模型非常重要。初步建立了以目标探测概率为度量的海洋目标探测卫星通用效能模型，可用于光学成像、雷达成像和电子侦察卫星等。模型考虑了影响目标探测概率的三类主要因素即观测区域与目标特性、卫星平台参数和卫星有效载荷特性，分析了卫星技术性能指标和作战性能指标的相互关系，可作为海洋目标探测卫星体系需求分析、顶层设计以及效能评估的依据。并以大型舰船为探测目标用仿真结果说明了模型的适用性。     

雷达／红外综合探测系统抗干扰能力的建模

选择目标探测概率这一性能参数衡量雷达/红外综合探测系统的抗干扰能力,建立了压制式干扰情况下该综合探测系统的目标探测能力的数学模型,并通过计算机仿真验证了该模型的适用性。     

反导系统中的目标识别技术及其发展趋势

指出了反导系统目标识别的难点和特点。回顾了反导系统中的红外识别技术和雷达识别技术,并探讨了反导系统目标识别技术的发展趋势。     

同步误差条件下的空间目标双基地ISAR自聚焦算法

以空间目标为研究对象,针对双基地雷达时间、空间及频率同步误差导致的逆合成孔径雷达图像散焦问题,提出基于离散多项式相位变换的自聚焦算法。算法首先将目标平动、转动及同步误差导致的相位项统一建模为高阶多项式,利用离散多项式相位变换方法估计高阶多项式系数并据此构建补偿相位项,完成高阶相位补偿。最后进行方位压缩得到高聚焦度的二维ISAR像。算法通过选取合适的延时参数及成像积累时间可得到高精度参数估计及相位补偿,理论分析和仿真校验了算法性能优于常用的非参数化自聚焦算法。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。