CN106646465A - 一种级联恒虚警检测方法及装置 - Google Patents
一种级联恒虚警检测方法及装置 Download PDFInfo
- Publication number
- CN106646465A CN106646465A CN201610917990.4A CN201610917990A CN106646465A CN 106646465 A CN106646465 A CN 106646465A CN 201610917990 A CN201610917990 A CN 201610917990A CN 106646465 A CN106646465 A CN 106646465A
- Authority
- CN
- China
- Prior art keywords
- cfar
- clutter
- detection
- background
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种级联恒虚警检测方法及装置,通过对杂波背景进行统计建模,确定第一背景杂波分布模型;利用第一背景杂波分布模型,采用恒虚警算法对待检测图像进行全局恒虚警检测,得到包含潜在目标点的初步检测结果,潜在目标点包含目标点以及虚警点;根据背景窗口中的杂波数据重新进行统计建模,确定第二背景杂波分布模型;利用第二背景杂波分布模型,采用恒虚警算法对初步检测结果中的潜在目标点进行局部恒虚警检测;剔除虚警杂波,并确定目标信息。本发明所提供的级联恒虚警检测方法及装置,在二级检测的每次CFAR检测之前都进行一次杂波统计建模,根据背景窗口中的杂波数据重新确定更加精确的杂波分布模型;从而提高了目标检测的精度。
Description
技术领域
本发明涉及SAR图像检测与鉴别技术领域,特别是涉及一种级联恒虚警检测方法及装置。
背景技术
SAR图像目标检测的基本思路是根据舰船目标与海面背景杂波的特征差异来区分二者,进而将目标分割出来。恒虚警检测(CFAR)算法是一种利用灰度特征差异来区分二者的经典目标检测方法,按检测窗口大小可分为全局CFAR和局部CFAR算法,二者各有优缺点。级联的CFAR算法将全局CFAR和局部CFAR相结合,在保证检测精度的同时提高了检测效率。然而在实际应用中,该算法仍有很大的改进空间。
传统的级联CFAR算法中,一级全局CFAR与二级局部CFAR均使用整幅SAR图像中的所有杂波数据进行统计建模,通过直方图拟合确定一种最优的杂波统计分布模型,然后仅利用这一种单一分布模型进行全局或局部CFAR检测。当SAR图像包含的场景很大时,单一的分布模型很可能已不能很好的拟合整幅SAR图像的背景杂波分布情况,此时若仍用单一分布模型来处理,必然会给检测结果造成不良影响。
发明内容
本发明的目的是提供一种级联恒虚警检测方法及装置,以解决现级联恒虚警检测方法采用单一分布模型给检测结果精度造成不良影响的问题。
为解决上述技术问题,本发明提供一种级联恒虚警检测方法,包括:
对杂波背景进行统计建模,确定第一背景杂波分布模型;
利用所述第一背景杂波分布模型,采用恒虚警算法对待检测图像进行全局恒虚警检测,得到包含潜在目标点的初步检测结果,所述潜在目标点包含目标点以及虚警点;
根据背景窗口中的杂波数据重新进行统计建模,确定第二背景杂波分布模型;
利用所述第二背景杂波分布模型,采用恒虚警算法对所述初步检测结果中的潜在目标点进行局部恒虚警检测;
剔除虚警杂波,并确定目标信息。
可选地,所述剔除虚警杂波,确定目标信息包括:
确定在全局恒虚警检测后被判定为目标,且在局部恒虚警检测后被判定为杂波的差异点;
对所述差异点进行优化处理,并根据所述差异点邻域内各像素点的类型确定所述差异点的类型。
可选地,所述根据所述差异点邻域内各像素点的类型确定所述差异点的类型包括:
检测所述差异点在局部恒虚警检测结果图像的对应位置的领域内是否存在目标点;
若存在目标点,则判定所述差异点为目标点;否则,判定为虚警杂波点。
可选地,所述对杂波背景进行统计建模,确定第一背景杂波分布模型包括:
采用自适用窗口确定所述第一背景杂波分布模型;
所述根据背景窗口中的杂波数据重新进行统计建模,确定第二背景杂波分布模型包括:
采用自适用窗口确定所述第二背景杂波分布模型。
本发明还提供了一种级联恒虚警检测装置,包括:
第一确定模块,用于对杂波背景进行统计建模,确定第一背景杂波分布模型;
第一检测模块,用于利用所述第一背景杂波分布模型,采用恒虚警算法对待检测图像进行全局恒虚警检测,得到包含潜在目标点的初步检测结果,所述潜在目标点包含目标点以及虚警点;
第二确定模块,用于根据背景窗口中的杂波数据重新进行统计建模,确定第二背景杂波分布模型;
第二检测模块,用于利用所述第二背景杂波分布模型,采用恒虚警算法对所述初步检测结果中的潜在目标点进行局部恒虚警检测;
第三确定模块,用于剔除虚警杂波,并确定目标信息。
可选地,所述第三确定模块具体为:确定在全局恒虚警检测后被判定为目标,且在局部恒虚警检测后被判定为杂波的差异点;对所述差异点进行优化处理,并根据所述差异点邻域内各像素点的类型确定所述差异点的类型的模块。
可选地,所述第三确定模块具体为:
检测所述差异点在局部恒虚警检测结果图像的对应位置的领域内是否存在目标点;若存在目标点,则判定所述差异点为目标点;否则,判定为虚警杂波点。
可选地,所述第一确定模块具体为:采用自适用窗口确定所述第一背景杂波分布模型的模块;
所述第二确定模块具体为:采用自适用窗口确定所述第二背景杂波分布模型的模块。
本发明所提供的级联恒虚警检测方法及装置,通过对杂波背景进行统计建模,确定第一背景杂波分布模型;利用第一背景杂波分布模型,采用恒虚警算法对待检测图像进行全局恒虚警检测,得到包含潜在目标点的初步检测结果,潜在目标点包含目标点以及虚警点;根据背景窗口中的杂波数据重新进行统计建模,确定第二背景杂波分布模型;利用第二背景杂波分布模型,采用恒虚警算法对初步检测结果中的潜在目标点进行局部恒虚警检测;剔除虚警杂波,并确定目标信息。本发明所提供的级联恒虚警检测方法及装置,在二级检测的每次CFAR检测之前都进行一次杂波统计建模,根据背景窗口中的杂波数据重新确定更加精确的杂波分布模型;从而提高了目标检测的精度。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的级联恒虚警检测方法的一种具体实施方式的流程图;
图2为传统CFAR检测的流程图;
图3为传统的级联CFAR算法的流程图;
图4(a)为传统CFAR检测窗口示意图,图4(b)为本申请所提供的改进的CFAR检测窗口示意图;
图5为本发明所提供的级联恒虚警检测方法中差异点处理流程图;
图6为本发明实施例提供的级联恒虚警检测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所提供的级联恒虚警检测方法的一种具体实施方式的流程图如图1所示,该方法包括:
步骤S101:对杂波背景进行统计建模,确定第一背景杂波分布模型;
步骤S102:利用所述第一背景杂波分布模型,采用恒虚警算法对待检测图像进行全局恒虚警检测,得到包含潜在目标点的初步检测结果,所述潜在目标点包含目标点以及虚警点;
步骤S103:根据背景窗口中的杂波数据重新进行统计建模,确定第二背景杂波分布模型;
步骤S104:利用所述第二背景杂波分布模型,采用恒虚警算法对所述初步检测结果中的潜在目标点进行局部恒虚警检测;
步骤S105:剔除虚警杂波,并确定目标信息。
本发明所提供的级联恒虚警检测方法,通过对杂波背景进行统计建模,确定第一背景杂波分布模型;利用第一背景杂波分布模型,采用恒虚警算法对待检测图像进行全局恒虚警检测,得到包含潜在目标点的初步检测结果,潜在目标点包含目标点以及虚警点;根据背景窗口中的杂波数据重新进行统计建模,确定第二背景杂波分布模型;利用第二背景杂波分布模型,采用恒虚警算法对初步检测结果中的潜在目标点进行局部恒虚警检测;剔除虚警杂波,并确定目标信息。本发明所提供的级联恒虚警检测方法,在二级检测的每次CFAR检测之前都进行一次海杂波统计建模,根据背景窗口中的杂波数据重新确定更加精确的杂波分布模型;从而提高了检测精度。
传统的级联CFAR算法中采用的局部滑动窗口模型包含目标窗口、保护窗口和背景窗口,各个窗口的大小须根据目标大小来确定,当SAR图像场景中含有多个目标且各目标尺寸差距较大时,用场景中最大的目标尺寸来确定检测窗口的大小。在这种情况下,大目标区域的检测性能受到的影响较小,然而对于尺寸相对较小的目标,在同样的条件下由检测窗口所确定的背景区域与目标之间的距离相对较远,会对背景杂波分布模型的参数估计造成影响,从而影响检测性能。另外,传统滑窗中设置保护窗口的主要目的是保护目标像素不被泄漏到背景窗口中,这是必须的,然而该保护窗口在保护目标像素的同时也增大了背景杂波区域与目标之间的距离,依然会增大对杂波分布模型的参数估计误差,给目标检测造成不良影响。
鉴于此,本发明所提供的检测方法的另一种具体实施方式中为了得到更精确的杂波分布模型的参数估计,对局部检测窗口进行改进,改进后的检测窗口舍弃了保护窗口,仅由目标窗口和背景窗口组成。目标窗口的大小由一级全局CFAR检测分割出的潜在目标点所构成的目标连通区域决定。方法是求取连通区域的最小外接矩形,用它作为目标窗口,然后将目标窗口作为内边界,向外延伸一定的长度得到外边界,内外边界之间的部分为背景窗口。
此外,差异点指的是在一级全局CFAR检测后被判定为目标,但在二级局部CFAR检测后却又被判定为杂波的像素点。这些差异点可能为杂波,也有可能是强度稍弱的目标点。这部分点在CFAR检测中,当虚警概率设置的较高时能够被检测出来,但在虚警概率设置的较低时则会被当作杂波剔除掉。在传统的级联CFAR算法中,一级全局CFAR的虚警概率设置的较高,二级局部CFAR的虚警概率设置的较低,这就导致了部分强度较弱的目标点的流失。
考虑差异点中目标点与杂波点的区别,若某一差异点是目标点,则该点必不会是孤立的,也就是说,在它的周围肯定会有其他强度较大的像素点,这些点能够连续通过两级CFAR检测最终被确定为目标点,而杂波点的周围一般仍是杂波,能够同时通过两级CFAR检测的概率很小。所以我们可以通过查找差异点在二级局部CFAR检测结果中对应位置周围的像素类型来判定其是目标点还是杂波点。
因此,本申请对两级检测中产生的差异点进行了优化处理,通过检查差异点在二级检测结果图像的对应位置的八邻域内是否存在目标点来确定其类型,进一步提高了检测精度。
剔除虚警杂波,确定目标信息的过程可以具体包括:
确定在全局恒虚警检测后被判定为目标,且在局部恒虚警检测后被判定为杂波的差异点;
对所述差异点进行优化处理,并根据所述差异点邻域内各像素点的类型确定所述差异点的类型。
其中,检测所述差异点在局部恒虚警检测结果图像的对应位置的领域内是否存在目标点;若存在目标点,则判定所述差异点为目标点;否则,判定为虚警杂波点。
经典CFAR检测算法的基本思路是首先分析待检测图像的背景杂波分布模型,然后利用背景杂波数据来估计该模型的参数,接着再利用杂波模型和给定的虚警概率来确定检测阈值,最后用待检测像素和阈值进行比较,大于阈值的像素点判定为目标像素,否则判定为背景像素,如图2所示。
传统的级联CFAR算法首先利用基于简单统计分布模型(如高斯分布)的CFAR算法对整幅图像进行全局CFAR检测,得到包含潜在目标点的初步检测结果,潜在目标点中包含有目标点和虚警点;然后利用基于较复杂但更为精确的统计分布模型(如K分布)的CFAR算法对初次检测结果中的潜在目标点进行局部CFAR检测,进一步剔除虚警杂波,确定目标,如图3所示。
本专利对传统的级联CFAR算法进行优化改进,改进后的检测窗口模型如图4(b)所示,而传统的级联CFAR算法中采用的检测窗口模型如图4(a)所示。传统的检测窗口模型会对背景杂波分布模型的参数估计造成影响,从而影响检测性能。为了克服上述缺点,图4(b)所示的改进窗口舍弃了保护窗口,仅由目标窗口和背景窗口组成,目标窗口的大小由一级全局CFAR检测分割出的潜在目标点所构成的目标连通区域决定。确定目标窗口与背景窗口的方法为:首先求取连通区域的最小外接矩形,用它作为目标窗口,然后将目标窗口作为内边界,向外延伸一定的长度(比如左右上下各个方向分别延伸30个像素)得到外边界,内外边界之间的部分为背景窗口。
对杂波背景进行统计建模,确定背景杂波模型是CFAR检测过程中的一个关键步骤,背景杂波模型的精确程度直接关系到目标检测性能的好坏。本专利采用自适应窗口确定分布模型方法来克服传统级联CFAR算法中利用单一分布模型会给检测精度带来不良影响的问题。自适应窗口确定分布模型的方法是在二级检测中的每次CFAR检测前都进行一次海杂波统计建模,根据背景窗口中的杂波数据重新确定更加精确的杂波分布模型。
本专利对差异点的处理如图5所示。首先通过对比一级CFAR检测结果和二级CFAR检测结果的差异得到差异点索引矩阵,然后通过查找差异点在二级局部CFAR检测结果中对应位置周围的像素类型来判定其是目标点还是杂波点。若在差异点对应位置附近的一定范围内存在目标点,则判定该差异点为目标点,否则判定该差异点为虚警杂波点。为了能将差异点中的少量目标点检测出来,我们采用八邻域检测的方法对差异点进行处理。
下面对本发明实施例提供的级联恒虚警检测装置进行介绍,下文描述的级联恒虚警检测装置与上文描述的级联恒虚警检测方法可相互对应参照。
图6为本发明实施例提供的级联恒虚警检测装置的结构框图,参照图6级联恒虚警检测装置可以包括:
第一确定模块100,用于对杂波背景进行统计建模,确定第一背景杂波分布模型;
第一检测模块200,用于利用所述第一背景杂波分布模型,采用恒虚警算法对待检测图像进行全局恒虚警检测,得到包含潜在目标点的初步检测结果,所述潜在目标点包含目标点以及虚警点;
第二确定模块300,用于根据背景窗口中的杂波数据重新进行统计建模,确定第二背景杂波分布模型;
第二检测模块400,用于利用所述第二背景杂波分布模型,采用恒虚警算法对所述初步检测结果中的潜在目标点进行局部恒虚警检测;
第三确定模块500,用于剔除虚警杂波,并确定目标信息。
作为一种具体实施方式,本发明所提供的级联恒虚警检测装置中,所述第三确定模块具体为:确定在全局恒虚警检测后被判定为目标,且在局部恒虚警检测后被判定为杂波的差异点;对所述差异点进行优化处理,并根据所述差异点邻域内各像素点的类型确定所述差异点的类型的模块。
作为一种具体实施方式,本发明所提供的级联恒虚警检测装置中,第三确定模块具体为:
检测所述差异点在局部恒虚警检测结果图像的对应位置的领域内是否存在目标点;若存在目标点,则判定所述差异点为目标点;否则,判定为虚警杂波点。
在上述实施例的基础上,本发明所提供的级联恒虚警检测装置中,第一确定模块具体为:采用自适用窗口确定所述第一背景杂波分布模型的模块;
所述第二确定模块具体为:采用自适用窗口确定所述第二背景杂波分布模型的模块。
本实施例的级联恒虚警检测装置用于实现前述的级联恒虚警检测方法,因此级联恒虚警检测装置中的具体实施方式可见前文中的级联恒虚警检测方法的实施例部分,例如,第一确定模块100,第一检测模块200,第二确定模块300,第二检测模块400,第三确定模块500,分别用于实现上述级联恒虚警检测方法中步骤101,102,103,104和105,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明所提供的级联恒虚警检测装置,通过对杂波背景进行统计建模,确定第一背景杂波分布模型;利用第一背景杂波分布模型,采用恒虚警算法对待检测图像进行全局恒虚警检测,得到包含潜在目标点的初步检测结果,潜在目标点包含目标点以及虚警点;根据背景窗口中的杂波数据重新进行统计建模,确定第二背景杂波分布模型;利用第二背景杂波分布模型,采用恒虚警算法对初步检测结果中的潜在目标点进行局部恒虚警检测;剔除虚警杂波,并确定目标信息。本发明所提供的级联恒虚警检测装置,在二级检测的每次CFAR检测之前都进行一次海杂波统计建模,根据背景窗口中的杂波数据重新确定更加精确的杂波分布模型;提高了目标检测的精度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的级联恒虚警检测方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种级联恒虚警检测方法,其特征在于,包括:
对杂波背景进行统计建模,确定第一背景杂波分布模型;
利用所述第一背景杂波分布模型,采用恒虚警算法对待检测图像进行全局恒虚警检测,得到包含潜在目标点的初步检测结果,所述潜在目标点包含目标点以及虚警点;
根据背景窗口中的杂波数据重新进行统计建模,确定第二背景杂波分布模型;
利用所述第二背景杂波分布模型,采用恒虚警算法对所述初步检测结果中的潜在目标点进行局部恒虚警检测;
剔除虚警杂波,并确定目标信息。
2.如权利要求1所述的级联恒虚警检测方法,其特征在于,所述剔除虚警杂波,确定目标信息包括:
确定在全局恒虚警检测后被判定为目标,且在局部恒虚警检测后被判定为杂波的差异点;
对所述差异点进行优化处理,并根据所述差异点邻域内各像素点的类型确定所述差异点的类型。
3.如权利要求2所述的级联恒虚警检测方法,其特征在于,所述根据所述差异点邻域内各像素点的类型确定所述差异点的类型包括:
检测所述差异点在局部恒虚警检测结果图像的对应位置的领域内是否存在目标点;
若存在目标点,则判定所述差异点为目标点;否则,判定为虚警杂波点。
4.如权利要求1至3任一项所述的级联恒虚警检测方法,其特征在于,所述对杂波背景进行统计建模,确定第一背景杂波分布模型包括:
采用自适用窗口确定所述第一背景杂波分布模型;
所述根据背景窗口中的杂波数据重新进行统计建模,确定第二背景杂波分布模型包括:
采用自适用窗口确定所述第二背景杂波分布模型。
5.一种级联恒虚警检测装置,其特征在于,包括:
第一确定模块,用于对杂波背景进行统计建模,确定第一背景杂波分布模型;
第一检测模块,用于利用所述第一背景杂波分布模型,采用恒虚警算法对待检测图像进行全局恒虚警检测,得到包含潜在目标点的初步检测结果,所述潜在目标点包含目标点以及虚警点;
第二确定模块,用于根据背景窗口中的杂波数据重新进行统计建模,确定第二背景杂波分布模型;
第二检测模块,用于利用所述第二背景杂波分布模型,采用恒虚警算法对所述初步检测结果中的潜在目标点进行局部恒虚警检测;
第三确定模块,用于剔除虚警杂波,并确定目标信息。
6.如权利要求5所述的级联恒虚警检测装置,其特征在于,所述第三确定模块具体为:确定在全局恒虚警检测后被判定为目标,且在局部恒虚警检测后被判定为杂波的差异点;对所述差异点进行优化处理,并根据所述差异点邻域内各像素点的类型确定所述差异点的类型的模块。
7.如权利要求6所述的级联恒虚警检测装置,其特征在于,所述第三确定模块具体为:
检测所述差异点在局部恒虚警检测结果图像的对应位置的领域内是否存在目标点;若存在目标点,则判定所述差异点为目标点;否则,判定为虚警杂波点。
8.如权利要求5至7任一项所述的级联恒虚警检测装置,其特征在于,所述第一确定模块具体为:采用自适用窗口确定所述第一背景杂波分布模型的模块;
所述第二确定模块具体为:采用自适用窗口确定所述第二背景杂波分布模型的模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610917990.4A CN106646465A (zh) | 2016-10-21 | 2016-10-21 | 一种级联恒虚警检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610917990.4A CN106646465A (zh) | 2016-10-21 | 2016-10-21 | 一种级联恒虚警检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106646465A true CN106646465A (zh) | 2017-05-10 |
Family
ID=58855586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610917990.4A Pending CN106646465A (zh) | 2016-10-21 | 2016-10-21 | 一种级联恒虚警检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106646465A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596669A (zh) * | 2019-10-12 | 2019-12-20 | 南京慧尔视智能科技有限公司 | 一种基于时间统计的双参数恒虚警检测方法 |
CN111316124A (zh) * | 2018-12-04 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 目标检测方法、装置和无人机 |
CN114217301A (zh) * | 2021-12-10 | 2022-03-22 | 中大检测(湖南)股份有限公司 | 一种高精度边坡监测雷达目标检测及测距方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1724724A1 (en) * | 2005-05-11 | 2006-11-22 | Lockheed Martin Corporation | Closely-spaced multiple targets detection using a regional window as a discriminant function |
CN104502899A (zh) * | 2014-12-27 | 2015-04-08 | 长安大学 | 一种自适应的恒虚警率目标检测方法 |
CN105549009A (zh) * | 2015-12-09 | 2016-05-04 | 电子科技大学 | 一种基于超像素的sar图像cfar目标检测方法 |
-
2016
- 2016-10-21 CN CN201610917990.4A patent/CN106646465A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1724724A1 (en) * | 2005-05-11 | 2006-11-22 | Lockheed Martin Corporation | Closely-spaced multiple targets detection using a regional window as a discriminant function |
CN104502899A (zh) * | 2014-12-27 | 2015-04-08 | 长安大学 | 一种自适应的恒虚警率目标检测方法 |
CN105549009A (zh) * | 2015-12-09 | 2016-05-04 | 电子科技大学 | 一种基于超像素的sar图像cfar目标检测方法 |
Non-Patent Citations (2)
Title |
---|
邢相薇: "一种基于两级CFAR的SAR图像舰船目标快速检测算法", 《信号处理》 * |
陈祥 等: "基于CFAR级联的SAR图像舰船目标检测算法", 《现代雷达》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111316124A (zh) * | 2018-12-04 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 目标检测方法、装置和无人机 |
CN110596669A (zh) * | 2019-10-12 | 2019-12-20 | 南京慧尔视智能科技有限公司 | 一种基于时间统计的双参数恒虚警检测方法 |
WO2021068310A1 (zh) * | 2019-10-12 | 2021-04-15 | 南京慧尔视智能科技有限公司 | 一种基于时间统计的双参数恒虚警检测方法 |
CN110596669B (zh) * | 2019-10-12 | 2023-06-16 | 南京慧尔视智能科技有限公司 | 一种基于时间统计的双参数恒虚警检测方法 |
CN114217301A (zh) * | 2021-12-10 | 2022-03-22 | 中大检测(湖南)股份有限公司 | 一种高精度边坡监测雷达目标检测及测距方法 |
CN114217301B (zh) * | 2021-12-10 | 2022-08-05 | 中大智能科技股份有限公司 | 一种高精度边坡监测雷达目标检测及测距方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | HRSID: A high-resolution SAR images dataset for ship detection and instance segmentation | |
EP3258445B1 (en) | Augmented reality occlusion | |
US20230334760A1 (en) | Systems and methods for soft shadowing in 3-d rendering casting multiple rays from ray origins | |
CN111627009B (zh) | 一种屏幕检测方法、装置及头戴显示设备 | |
CN106170819B (zh) | 一种合成孔径雷达图像舰船目标快速检测方法 | |
CN106504270B (zh) | 一种视频中目标物体的展示方法及装置 | |
CN104143190B (zh) | Ct图像中组织的分割方法及系统 | |
CN106909873A (zh) | 人脸识别的方法和装置 | |
CN109145931A (zh) | 物体检测方法、装置及存储介质 | |
CN106646465A (zh) | 一种级联恒虚警检测方法及装置 | |
CN106910204B (zh) | 一种对海面船只自动跟踪识别的方法和系统 | |
CN108985169A (zh) | 基于深度学习目标检测与动态背景建模的商店跨门经营检测方法 | |
CN106204540B (zh) | 视觉检测方法 | |
CN106530271A (zh) | 一种红外图像显著性检测方法 | |
CN109360633A (zh) | 医疗影像处理方法及装置、处理设备及存储介质 | |
CN105678737B (zh) | 一种基于Radon变换的数字图像角点检测方法 | |
CN108288020A (zh) | 基于上下文信息的视频遮挡检测系统及方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
US9324125B2 (en) | Methods and apparatuses for rendering CT image data | |
Zhang et al. | Counting vehicles in urban traffic scenes using foreground time‐spatial images | |
Sun et al. | Ship detection in SAR images based on multi-level superpixel segmentation and fuzzy fusion | |
CN111881752B (zh) | 一种护栏检测分类方法、装置、电子设备及存储介质 | |
CN107301655A (zh) | 一种基于背景建模的视频移动目标侦测方法 | |
KR20230116985A (ko) | 필름 피트 결함 검출 시스템 및 방법 | |
Csillik | Superpixels: The end of pixels in obia. A comparison of stat-of-the-art superpixel methods for remote sensing data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170510 |
|
WD01 | Invention patent application deemed withdrawn after publication |