CN110221266A - 一种基于支持向量机的航海雷达目标快速检测方法 - Google Patents
一种基于支持向量机的航海雷达目标快速检测方法 Download PDFInfo
- Publication number
- CN110221266A CN110221266A CN201910500476.4A CN201910500476A CN110221266A CN 110221266 A CN110221266 A CN 110221266A CN 201910500476 A CN201910500476 A CN 201910500476A CN 110221266 A CN110221266 A CN 110221266A
- Authority
- CN
- China
- Prior art keywords
- indicate
- line
- formula
- target
- indicates
- 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.)
- Granted
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
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
- G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种基于支持向量机的航海雷达目标快速检测方法,首先离线开展现场观测试验,选取一定量的单一扫描线上的两类径向回波样本,一类为含有目标雷达回波的样本,另一类为不含目标的纯海杂波雷达回波的样本,根据样本的特点提取两个合适的径向回波特征参数,利用SVM进行训练获取分类器模型;第二步为获取雷达单一扫描线上的待测数据,计算待测数据在第一步中的两种径向回波特征的值,并输入分类器模型,得到对应的决策函数值K。最后将得到的决策函数值K和分类器的阈值进行比较,判断单一扫描线上是否存在目标。本发明可以有效提升目标检测效率,并降低虚警。
Description
技术领域
本发明涉及一种航海雷达目标快速检测方法,特别是一种基于支持向量机的航海雷达目标快速检测方法,属于海洋环境条件下舰船目标探测技术领域,该技术适用的导航雷达类型为:其工作原理是单脉冲体制的X波段航海雷达。
背景技术
几十年来,随着科技的发展与进步,雷达技术得到了迅速发展,已经在船舶导航、目标搜索等领域被广泛应用。在船舶导航领域中,海杂波背景下的目标检测问题一直都是研究中的热点,它对船舶安全的保障有着至关重要的作用。
目前常用的目标检测技术为恒虚警率(CFAR,constant false alarm rate)检测技术。根据检测种类的不同一般可以分为均值类CFAR检测与有序统计类CFAR检测。1968年,Finn等人首次提出了基于单元平均的CA-CFAR检测器。在此之后,国外学者相继提出了基于选大单元的GO-CFAR检测器[1]与基于选小单元的SO-CFAR检测器[2]。2000年Smith与Varshney等人提出了一种基于可变标识的VI-CFAR检测器。但是均值类CFAR检测器在多目标环境与非均匀环境下的检测性能会有下降,针对这种问题,1983年Rohling等人根据中值滤波的思想,提出了一种有序统计类CFAR检测器[3]。1988年,Gandhi等人在其基础上,提出了一种基于剔除平均的TM-CFAR检测器,进一步提高了其在均匀环境中检测的性能,但计算方法却比较复杂,检测耗时严重[4]。1993年,BarKat等人使用一种移动有序统计处理的方式进一步提高了有序统计类CFAR检测器在非均匀环境中的检测性能[5]。2007年,胡文琳等人结合有序统计的思想,使用有序统计类算法对VI-CFAR检测器中的均值类算法进行替换,大幅提高了VI-CFAR检测器在多目标环境中的抗干扰能力,却也提高了检测器在均匀环境中的损失[6]。2014年姜劼等人改善了VI-CFAR检测器的判定条件,提出了一种EOSVI-CFAR检测器,进一步提高了检测器的抗干扰能力[7]。2016年,芮义斌等人在其基础上,进一步提出了一种多策略CFAR检测器,通过仿真实验证明了检测性能的提升[8]。见参考文献[1-8](Amoozegar F,Sundareshan M K.Constant false alarm rate target detection inclutter:a neural processing algorithm[C]Applications of Artificial NeuralNetworKs V.International Society for Optics and Photonics,1994.TrunK,G.V.Range Resolution of Targets Using Automatic Detectors[J].IEEETransactions on Aerospace and Electronic Systems,1978,AES-14(5):750-755.RohlingH.Radar CFAR Thresholding in Clutter and Multiple TargetSituations[J].IEEE Transactions on Aerospace and Electronic Systems,1983,19(4):608-621.Gandhi P P,Kassam S A,Gandhi P,et al.Analysis ofCFAR Processorsin Non-homogenousBacKground[J].IEEE Trans.aerosp.electron.syst,1988,24(4):427-445.Himonas S D,BarKat M.Automatic censored CFAR detection fornonhomogeneous environments[J].IEEE Transactions on Aerospace and ElectronicSystems,1992,28(1):286-304.胡文琳,王永良,王首勇.一种基于有序统计的鲁棒CFAR检测器[J].电子学报,2007,35(3):530-533.姜劼.EOSVI-CFAR算法研究及硬件设计与实现[D].西安电子科技大学,2014芮义斌,魏知寒,Khoasang N,et al.一种非均匀背景下的多策略CFAR检测器[J].南京理工大学学报(自然科学版),2016,40(02))
在检测效率上,目前文献公布的CFAR类检测器均采用逐点扫描检测的方式进行目标检测,随着CFAR类算法复杂度的增长,以及雷达分辨率的细化,目标检测速度对于雷达系统的影响已经不能忽略。为了实现检测的快速性,可将检测算法优化为2个步骤:第一步是对雷达回波中每根扫描线的径向数据集合进行整体检测,筛选出存在目标的扫描线,即粗检测阶段;第二步只针对筛选出存在目标的扫描线进行逐点检测,即精检测阶段。本专利涉及的算法属于上述粗检测阶段,用于筛选出存在目标的扫描线。
为了有效提高检测精度,本专利通过增加采用的特征参数个数,联合多种参数来区分目标与纯海杂波,设计的算法采用了双特征参数,通过已有数据计算出单一扫描线上的两个特征参数,能够更好地区分含有目标的线与不含目标的纯海杂波的线。
支持向量机(Support Vector Machine,SVM)是由VapniK等人在统计学理论的基础上于1995年提出的用于解决分类问题的方法[9]。相比传统的机器学习方法,SVM不仅能在小样本的条件下对样本特征进行有效学习实现对未知数据的准确分类,还能够在处理高维数据时有效解决“维数灾难”问题。2012年,英国学者Tanvir Islam等人分别使用SVM、人工神经网络、决策树等方法对不同特征下的两类数据进行了分类,该实验结果表明SVM在二类区分时拥有更好的检测效果[10]。为SVM区分雷达单一扫描线上有无目标提供了理论基础。2018年,熊伟等人利用SVM实现了对SAR图像中舰船目标有无的检测[11]见参考文献[9-11](Vapnik V.The nature of statistical learning theory[M].Islam T,Rico-Ramirez M A,Han D,et al.Artificial intelligence techniques for clutteridentification with polarimetric radar signatures[J].Atmospheric Research,2012,109-110(none):0-113.Springer,1995.熊伟,徐永力,姚力波,et al.基于SVM的高分辨率SAR图像舰船目标检测算法[J].遥感技术与应用,2018)
本发明的设计采取双特征参数联合检测的算法,提出了一种基于SVM的航海雷达目标快速检测方法,并以X波段导航雷达的实测数据为依托实现了算法性能评估。最后使用不同海况下的雷达实测数据分别使用本文提出的SVM检测算法与传统CFAR算法进行了比对实验。结果表明,相比传统算法,本文方法不仅能够大幅提升目标检测效率,还能降低一部分虚警。
发明内容
针对上述现有技术,本发明要解决的技术问题是提供一种提升目标检测效率,并降低虚警的基于支持向量机的航海雷达目标快速检测方法。
为解决上述技术问题,本发明的一种基于支持向量机的航海雷达目标快速检测方法,包含以下步骤:
步骤1:确定分类器模型:
离线开展现场观测试验,选取单一扫描线上的两类径向回波样本,一类为含有目标雷达回波的样本,另一类为不含目标的纯海杂波雷达回波的样本;选取两个径向回波特征参数,径向回波特征参数包括:方差系数、峰度、均值和拟合相关系数,利用支持向量机进行训练,获取分类器模型;
步骤2:将待测数据的步骤1中的径向回波特征参数输入到分类器模型中:
获取雷达单一扫描线上的待测数据,包括回波径向距离、强度,计算待测数据的步骤1中选择的两种径向回波特征参数的值,并输入到步骤1获取的分类器模型中,最终得到对应的决策函数值K;
步骤3:判断有无目标:
将得到的决策函数值K和分类器的阈值进行比较,判断该扫描线上是否存在目标,当K大于0时,判定为有目标,当K小于0时,判定为无目标。
本发明还包括:
1.步骤1中径向回波特征参数为方差系数和拟合相关系数。
2.步骤1中的样本的选择满足:径向回波数据长度大于离线开展现场观测试验中的最大的船只目标尺寸;含目标的径向回波需包含离线开展现场观测试验中不同尺寸的船只目标,纯海杂波的径向回波需包含不同情况下的杂波区域,包括海天背景、人为干扰、自然干扰;样本为离线开展现场观测试验中能够准确表示有无目标的数据。
3.步骤1中利用支持向量机进行训练,获取分类器模型包括:
步骤1.1:定义一个分类函数f(X),将含有目标雷达回波样本的分类标记y计为1,不含目标的纯海杂波样本的分类标记y计为-1,y=1的点代入f(X)得到大于0的值,y=-1的点代入f(X)得到小于0的值,根据f(X)得到几何间隔:
分类函数的计算公式为:
f(x)=ωTx+b
式中:ω表示权重向量,b为偏置,x表示n维向量;
几何间隔的计算公式为:
γ=y|ωTx+b|=y|f(x)|
式中:为函数间隔,γ表示点到超平面的垂直距离,y表示分类标记,ω表示权重向量,b为偏置;
步骤1.2:令取的最大值,并确保所有大于得到最优超平面,并将最优超平面最大形式转化为等同的最小形式:
最优超平面公式:
s.t.yi(ωTxi+b)≥1,i=1,2,3...,n
式中:ω表示权重向量,b为偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记;
将最大形式转化为等同的最小形式:
s.t.yi(ωTxi+b)≥1,i=1,2,...,n
式中:ω表示权重向量,b为表示偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记;
步骤1.3:定义一个拉格朗日函数L(ω,b,α),其中αi≥0,定义一个关于ω的函数θp(ω),计算出最优值p*:
拉格朗日函数的计算公式为:
式中:ω表示权重向量,b为偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记标,αi表示拉格朗日乘子,n表示线的条数;
关于ω的函数计算公式为:
式中:L(ω,b,α)表示拉格朗日函数;
求解的最优值的计算公式为:
式中:ω表示权重向量,b表示偏置,αi表示拉格朗日乘子;
步骤1.4:分别对参数ω和b求偏导并令结果都为0,将得到的结果代入拉格朗日函数,
分别关于ω和b求偏导的计算公式为:
式中:ω表示权重向量,b表示偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数;
把上述式子带入拉格朗日式子得到计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的总数,xj表示为输入的第j条线的n维向量,yj表示yi的转置,αj表示为αi的转置;
步骤1.5:对步骤1.4中得到的公式采用SMO算法,计算得到α=(α1,α2,...,αm),代入到对ω求偏导得到的公式,得到ω的值;将f(X)≤0中的最大点和f(X)≥0中的最小点求平均,令求得的平均值为0,得到b:
得到的ω和b的计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数;
步骤1.6:在分类器中添加松弛因子εi,得到新的最优超平面,重复步骤1.3到1.5得到新的分类器,ω和b不变:
新的最优超平面计算公式为:
s.t.yi(ωTxi+b)+εi-1≥0,i=1,2,3...,n
式中:ω表示权重向量,C表示惩戒参数,xi表示第i条线的n维向量,yi表示第i条线的分类标记,n表示线的条数;
新的分类器计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数,xj表示输入的第j条线的n维向量,yj表示yi的转置,αj表示为αi的转置,C表示惩戒参数;
步骤1.7:选取高斯核函数将原始空间非线性特征转换为高维空间线性特征,得到最终的决策函数:
选取的高斯核函数为:
式中:xi表示第i条线的n维向量,xj表示输入的第j条线的n维向量,σ表示函数的宽度参数,表示高维空间;
目标函数求解计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数,C表示惩罚参数,xj表示输入的第j条线的n维向量,yj表示yi的转置,αj表示为αi的转置;
决策函数的计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数,αj表示为αi的转置,b表示偏置,x表示输入的n维向量,表示高维空间;
步骤1.8:将步骤1中的全部样本的两类径向回波特征数据输入到步骤1.7中得到的决策函数中,获得最终分类器模型。
4.步骤2中获得的待测数据的两种径向回波特征的值输入到步骤1.8中的决策函数,得到对应的决策函数值K。
本发明有益效果:本发明首次提出了一种基于SVM的、采取双特征参数联合检测航海雷达扫描线上是否存在目标的快速算法,能够大幅提升目标检测效率和降低虚警率从而提高目标检测精度。
附图说明
图1为含有目标雷达回波;
图2为不含有目标的纯海杂波雷达回波;
图3为最优分类超平面;
图4为训练结果;
图5为类别预测结果;
图6为实施方式流程图。
具体实施方式
下面将结合附图对本发明提出的一种基于支持向量机(SVM)的航海雷达目标快速检测技术作进一步的详细说明。本发明首先离线开展现场观测试验,选取一定量的单一扫描线上的两类径向回波样本,一类为含有目标雷达回波的样本,另一类为不含目标的纯海杂波雷达回波的样本。根据样本的特点提取两个合适的径向回波特征参数,然后选取合适的核函数通过非线性变换的方式将样本从原始输入空间变换到一个高维特征空间,在这个新空间中利用SVM进行训练获取分类器模型。第二步为获取雷达单一扫描线上的待测数据(包括回波径向距离、强度等),计算待测数据在第一步中的两种径向回波特征的值,并输入到分类器模型中,最终得到对应的决策函数值K。最后将得到的决策函数值K和分类器的阈值进行比较,判断单一扫描线上是否存在目标。
本发明实施方式流程图见6,具体可以分为以下几步,第一步为确定分类器模型,第二步为将待测的雷达回波特征输入到分类器模型中,第三步为判断有无目标。
本发明实施例所用为实验船只装备的X波段导航雷达,实验雷达以旋转周期性扫描观测为观测方式,雷达图像的时间分辨率为2.7s,径向分辨率为7.5m,雷达的监测范围为半径0.5~4.3Km的圆。
上述X波段导航雷达的主要技术参数如表一所示:
表一X波段导航雷达的技术参数
结合附图1~6,本发明具体实施步骤为:
第一步为确定分类器模型。包括以下步骤:
步骤1.1,离线开展现场观测试验,选取5500条单一扫描线上的两类径向回波样本(两类样本各为2750条)中的1500条作为训练样本,一类为含有目标雷达回波的样本(750条),另一类为不含目标的纯海杂波雷达回波的样本(750条)。提取了样本数据的方差系数和拟合相关系数两个特征。附图1,附图2为两类雷达回波样本图
步骤1.2,定义一个分类函数f(X),将含有目标雷达回波样本的分类标记y计为1,不含目标的纯海杂波样本的分类标记y计为-1,y=1的点代入f(X)得到大于0的值,y=-1的点代入f(X)得到小于0的值,根据f(X)得到几何间隔;
分类函数的计算公式为:
f(x)=ωTx+b
式中:ω表示2维权重向量,b表示偏置,x表示2维向量;
几何间隔的计算公式为:
γ=y|ωTx+b|=yf(x)
式中:为函数间隔,γ表示点到超平面的垂直距离,y表示分类标记,ω表示2维权重向量,b为常量;
步骤1.3,令取的最大值,并确保所有大于得到最优超平面,附图3为最优超平面示意图,并将最优超平面最大形式转化为等同的最小形式:
最优超平面公式:
s.t.yi(ωTxi+b)≥1,i=1,2,3...,n
式中:ω表示2维权重向量,b表示偏置,xi表示第i条线的2维向量,yi表示第i条线的分类标记;
将最大形式转化为等同的最小形式:
s.t.yi(ωTxi+b)≥1,i=1,2,...,n
式中:ω表示2维权重向量,b表示偏置,xi表示第i条线的2维向量,yi表示第i条线的分类标记;
步骤1.4,定义一个拉格朗日函数L(ω,b,α),其中αi≥0,定义一个关于ω的函数θp(ω)。计算出最优值p*:
拉格朗日函数的计算公式为:
式中:ω表示2维权重向量,b表示偏置,xi表示第i条线2维向量,yi表示第i条线的分类标记标,αi表示拉格朗日乘子为1×1500的向量,n表示1500条线;
关于ω的函数计算公式为:
式中:L(ω,b,α)表示拉格朗日函数;
求解的最优值的计算公式为:
式中:ω表示2维权重向量,b表示偏置,αi表示拉格朗日乘子为1×1500的向量;
步骤1.5,分别对参数ω和b求偏导并令结果都为0,将得到的结果代入拉格朗日函数,
分别关于ω和b求偏导的计算公式为:
式中:ω表示2维权重向量,b表示偏置,xi表示第i条线的2维向量,yi表示第i个条线分类标记,αi表示拉格朗日乘子为1×1500的向量,n表示1500条线;
把上述式子带入拉格朗日式子得到计算公式为:
式中:xi表示第i条线的2维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子为1×1500的向量,n表示1500条线,xj表示为xi的转置,yj表示yi的转置,αj表示为αi的转置;
步骤1.6,对步骤1.5中得到的公式采用SMO算法,计算得到αi=(α1,α2,...,αn),代入到对ω求偏导得到的公式,得到ω的值。将f(X)≤0中的最大点和f(X)≥0中的最小点求平均,令求得的平均值为0,得到b:
得到的ω和b的计算公式为:
式中:xi表示第i条线的2维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子为1×1500的向量,n表示1500条线;
步骤1.7在分类器中添加松弛因子εi,得到新的最优超平面,重复步骤1.4到1.6得到新的分类器(上述步骤中求取的ω和b不变):
新的最优超平面计算公式为:
s.t.yi(ωTxi+b)+εi-1≥0,i=1,2,3...,n
式中:ω表示2维权重向量,C表示惩戒参数取10,xi表示第i条线的2维向量,yi表示第i条线的分类标记,n表示1500条线;
新的分类器计算公式为:
式中:xi表示第i条线的2维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子为1×1500的向量,n表示1500条线,xj表示第j条线的2维向量,yj表示yi的转置,αj表示为αi的转置,C表示惩戒参数取10;
步骤1.8,选取高斯核函数将原始空间非线性特征转换为高维空间线性特征,得到最终的决策函数;
选取的高斯核函数为:
式中:xi表示第i条线2维向量,xj表示第j条线的2维向量,σ表示函数的宽度参数为2,表示高维空间;
目标函数求解计算公式为:
式中:xi表示第i条线的2维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子为1×1500的向量,n表示1500条线,C表示惩罚参数取10,xj表示第j条线的2维向量,yj表示yi的转置,αj表示为αi的转置;
决策函数的计算公式为:
式中:xi表示第i条线的2维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子为1×1500的向量,n表示输入的线的条数,b表示偏置,x表示输入的一条线的2维向量,表示高维空间;
步骤1.9,将步骤1.1中的两类径向回波特征数据输入到步骤1.8中得到的决策函数中,获得最终分类器。计算出b为-521.3731,ω为234×2的向量,αi为1×1500的向量。
第二步为将待测数据处理后输入分类器模型。包括以下步骤:
步骤2.1,获取4000个雷达单一扫描线上的待测数据(包括回波强度等),其中2000条为含目标雷达回波的样本,2000条为不含目标的纯海杂波雷达回波样本,对所有数据提取方差系数和拟合相关系数特征,得到4000×2的输入特征矩阵;
步骤2.2,将步骤2.1得到的特征矩阵输入到步骤1.9中的决策函数,得到4000个K值。
第三步为判断有无目标。包括以下步骤:
步骤3.1,当雷达单一扫描线上的数据对应的决策函数值K大于0时,判定为有目标。据步骤2.2得到2344个K值大于0,判定这2344条线含有目标;
步骤3.2,当雷达单一扫描线上的数据对应的决策函数值K小于0时,判定为无目标。根据步骤2.2得到1656个K值小于0,判定这1656条线不含目标。
在2016-2018年间,实验船在东海海域航行的过程中获取了大量雷达数据及相关时段的海况信息。分别使用本文提出的基于支持向量机的检测算法和基于CFAR的检测算法进行了对比实验,来对比本发明的检测器的性能。
1.传统的CFAR检测器原理如下:CFAR检测主要是为了解决雷达自动检测系统中在保持虚警率恒定条件下检测阈值的选取问题。在CFAR检测阈值被设定后,当某一单元的雷达回波超过检测阈值时,将此单元回波认定为目标回波,当该单元的雷达回波小于检测阈值时则将此单元回波认定为背景回波。背景回波一般分为海杂波与地杂波两种,本文研究内容的背景回波主要为海杂波。在CFAR检测的过程中,若待检单元为目标回波,该目标回波被误判为背景回波的行为称为漏警,该目标回波被正确判定为目标回波的概率称为发现概率Pd;若待检单元为背景回波,该目标回波被误判为目标回波的行为称为虚警,该背景回波被误判为目标回波的概率称为虚警概率Pfa。
2.对两种检测方法的检测性能进行对比,结果如表二,表三,表四所示。
表二 低海况下两种方法的检测性能对比
表三 中海况下两种方法的检测性能对比
表四 高海况下两种方法的检测性能对比
实验结果表明,与传统CFAR检测器对比,本发明在虚警数目上有所减少,并降低了总检测耗时。附图四为训练结果,附图五为类别预测结果。
本发明具体实施方式还包括:
本发明的实施包含:确定分类器模型,将待测的雷达回波特征输入到分类器模型中,判断有无目标三个步骤:具体步骤如下:
步骤1,确定分类器模型:
离线开展现场观测试验,选取一定量的单一扫描线上的两类径向回波样本,一类为含有目标雷达回波的样本,另一类为不含目标的纯海杂波雷达回波的样本。选取两个合适的径向回波特征参数,利用SVM进行训练获取分类器模型。
步骤2,将待测的雷达回波特征输入到分类器模型中:
获取雷达单一扫描线上的待测数据(包括回波径向距离、强度等),计算待测数据在步骤1中选择的两种径向回波特征的值,并输入到分类器模型中,最终得到对应的决策函数值K
步骤3,判断有无目标:
将得到的决策函数值K和分类器的阈值进行比较,判断该扫描线上是否存在目标;
步骤1包括以下步骤:
步骤1.1,离线开展现场观测试验,选取一定量的单一扫描线上的两类径向回波样本,一类为含有目标雷达回波的样本,另一类为不含目标的纯海杂波雷达回波的样本。根据两类径向回波样本的不同特点提取两个合适的径向回波特征(如方差系数、峰度、均值等)。其中样本的选择满足以下三点要求:
①径向回波数据长度必须大于最大的船只目标尺寸。
②含目标的径向回波需包含多种尺寸的船只目标,纯海杂波的径向回波需包含不同情况下的杂波区域。
③样本必须具有代表性;
步骤1.2,定义一个分类函数f(X),将含有目标雷达回波样本的分类标记y计为1,不含目标的纯海杂波样本的分类标记y计为-1,y=1的点代入f(X)得到大于0的值,y=-1的点代入f(X)得到小于0的值,根据f(X)得到几何间隔;
分类函数的计算公式为:
f(x)=ωTx+b
式中:ω表示权重向量,b为偏置,x表示n维向量;
几何间隔的计算公式为:
γ=y|ωTx+b|=yf(x)
式中:为函数间隔,r表示点到超平面的垂直距离,y表示分类标记,ω表示权重向量,b为偏置;
步骤1.3,令取的最大值,并确保所有大于得到最优超平面,附图3为最优超平面示意图,并将最优超平面最大形式转化为等同的最小形式:
最优超平面公式:
s.t.yi(ωTxi+b)≥1,i=1,2,3...,n
式中:ω表示权重向量,b为偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记;
将最大形式转化为等同的最小形式:
s.t.yi(ωTxi+b)≥1,i=1,2,...,n
式中:ω表示权重向量,b为表示偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记;
步骤1.4,定义一个拉格朗日函数L(ω,b,α),其中αi≥0,定义一个关于ω的函数θp(ω)。计算出最优值p*:
拉格朗日函数的计算公式为:
式中:ω表示权重向量,b为偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记标,αi表示拉格朗日乘子,n表示线的条数;
关于ω的函数计算公式为:
式中:L(ω,b,α)表示拉格朗日函数;
求解的最优值的计算公式为:
式中:ω表示权重向量,b表示偏置,αi表示拉格朗日乘子;
步骤1.5,分别对参数ω和b求偏导并令结果都为0,将得到的结果代入拉格朗日函数,
分别关于ω和b求偏导的计算公式为:
式中:ω表示权重向量,b表示偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数;
把上述式子带入拉格朗日式子得到计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的总数,xj表示为输入的第j条线的n维向量,yj表示yi的转置,αj表示为αi的转置;
步骤1.6,对步骤1.5中得到的公式采用SMO算法,计算得到α=(α1,α2,...,αm),代入到对ω求偏导得到的公式,得到ω的值。将f(X)≤0中的最大点和f(X)≥0中的最小点求平均,令求得的平均值为0,得到b:
得到的ω和b的计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数;
步骤1.7在分类器中添加松弛因子εi,得到新的最优超平面,重复步骤1.4到1.6得到新的分类器(上述步骤中求取的ω和b不变):
新的最优超平面计算公式为:
s.t.yi(ωTxi+b)+εi-1≥0,i=1,2,3...,n
式中:ω表示权重向量,C表示惩戒参数,xi表示第i条线的n维向量,yi表示第i条线的分类标记,n表示线的条数;
新的分类器计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数,xj表示输入的第j条线的n维向量,yj表示yi的转置,αi表示为αi的转置,C表示惩戒参数;
步骤1.8,选取高斯核函数将原始空间非线性特征转换为高维空间线性特征,得到最终的决策函数;
选取的高斯核函数为:
式中:xi表示第i条线的n维向量,xj表示输入的第j条线的n维向量,σ表示函数的宽度参数,表示高维空间;
目标函数求解计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数,C表示惩罚参数,xj表示输入的第j条线的n维向量,yj表示yi的转置,αj表示为αi的转置;
决策函数的计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数,αj表示为αi的转置,b表示偏置,x表示输入的n维向量,表示高维空间;
步骤1.9,将步骤1.1中的两类径向回波特征数据输入到步骤1.8中得到的决策函数中,获得最终分类器。
步骤2包括以下步骤:
步骤2.1,获取一定量的雷达单一扫描线上的待测数据(包括回波强度等),对所有数据提取步骤1.1中的两种径向回波特征;
步骤2.2,将步骤2.1得到的所有数据的两种径向回波特征输入到步骤1.9中的决策函数,得到对应的K值。
3.所述步骤3包括以下步骤:
步骤3.1,当雷达单一扫描线上的数据对应的决策函数值K大于0时,判定为有目标;
步骤3.2,当雷达单一扫描线上的数据对应的决策函数值K小于0时,判定为无目标。
本发明所提出的基于支持向量机(SVM)的航海雷达目标快速检测技术,不仅在实际测量中有效,与CFAR实测结果吻合度更高,且在虚警率和总检测耗时上更加优于传统的CFAR检测技术,可在海洋观测设备中进行广泛的推广和应用。
Claims (5)
1.一种基于支持向量机的航海雷达目标快速检测方法,其特征在于,包含以下步骤:
步骤1:确定分类器模型:
离线开展现场观测试验,选取单一扫描线上的两类径向回波样本,一类为含有目标雷达回波的样本,另一类为不含目标的纯海杂波雷达回波的样本;选取两个径向回波特征参数,径向回波特征参数包括:方差系数、峰度、均值和拟合相关系数,利用支持向量机进行训练,获取分类器模型;
步骤2:将待测数据的步骤1中的径向回波特征参数输入到分类器模型中:
获取雷达单一扫描线上的待测数据,包括回波径向距离、强度,计算待测数据的步骤1中选择的两种径向回波特征参数的值,并输入到步骤1获取的分类器模型中,最终得到对应的决策函数值K;
步骤3:判断有无目标:
将得到的决策函数值K和分类器的阈值进行比较,判断该扫描线上是否存在目标,当K大于0时,判定为有目标,当K小于0时,判定为无目标。
2.根据权利要求1所述的一种基于支持向量机的航海雷达目标快速检测方法,其特征在于:步骤1中径向回波特征参数为方差系数和拟合相关系数。
3.根据权利要求1所述的一种基于支持向量机的航海雷达目标快速检测方法,其特征在于:样本的选择满足:径向回波数据长度大于离线开展现场观测试验中的最大的船只目标尺寸;含目标的径向回波需包含离线开展现场观测试验中不同尺寸的船只目标,纯海杂波的径向回波需包含不同情况下的杂波区域,包括海天背景、人为干扰、自然干扰;样本为离线开展现场观测试验中能够准确表示有无目标的数据。
4.根据权利要求1所述的一种基于支持向量机的航海雷达目标快速检测方法,其特征在于:利用支持向量机进行训练,获取分类器模型包括:
步骤1.1:定义一个分类函数f(X),将含有目标雷达回波样本的分类标记y计为1,不含目标的纯海杂波样本的分类标记y计为-1,y=1的点代入f(X)得到大于0的值,y=-1的点代入f(X)得到小于0的值,根据f(X)得到几何间隔:
分类函数的计算公式为:
f(x)=ωTx+b
式中:ω表示权重向量,b为偏置,x表示n维向量;
几何间隔的计算公式为:
γ=y|ωTx+b|=y|f(x)|
式中:为函数间隔,γ表示点到超平面的垂直距离,y表示分类标记,ω表示权重向量,b为偏置;
步骤1.2:令取的最大值,并确保所有大于得到最优超平面,并将最优超平面最大形式转化为等同的最小形式:
最优超平面公式:
s.t.yi(ωTxi+b)≥1,i=1,2,3…,n
式中:ω表示权重向量,b为偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记;
将最大形式转化为等同的最小形式:
s.t.yi(ωTxi+b)≥1,i=1,2,...,n
式中:ω表示权重向量,b为表示偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记;
步骤1.3:定义一个拉格朗日函数L(ω,b,α),其中αi≥0,定义一个关于ω的函数θp(ω),计算出最优值p*:
拉格朗日函数的计算公式为:
式中:ω表示权重向量,b为偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记标,αi表示拉格朗日乘子,n表示线的条数;
关于ω的函数计算公式为:
式中:L(ω,b,α)表示拉格朗日函数;
求解的最优值的计算公式为:
式中:ω表示权重向量,b表示偏置,αi表示拉格朗日乘子;
步骤1.4:分别对参数ω和b求偏导并令结果都为0,将得到的结果代入拉格朗日函数,
分别关于ω和b求偏导的计算公式为:
式中:ω表示权重向量,b表示偏置,xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数;
把上述式子带入拉格朗日式子得到计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的总数,xj表示为输入的第j条线的n维向量,yj表示yi的转置,αj表示为αi的转置;
步骤1.5:对步骤1.4中得到的公式采用SMO算法,计算得到α=(α1,α2,...,αm),代入到对ω求偏导得到的公式,得到ω的值;将f(X)≤0中的最大点和f(X)≥0中的最小点求平均,令求得的平均值为0,得到b:
得到的ω和b的计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数;
步骤1.6:在分类器中添加松弛因子εi,得到新的最优超平面,重复步骤1.3到1.5得到新的分类器,ω和b不变:
新的最优超平面计算公式为:
s.t.yi(ωTxi+b)+εi-1≥0,i=1,2,3...,n
式中:ω表示权重向量,C表示惩戒参数,xi表示第i条线的n维向量,yi表示第i条线的分类标记,n表示线的条数;
新的分类器计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数,xj表示输入的第j条线的n维向量,yj表示yi的转置,αj表示为αi的转置,C表示惩戒参数;
步骤1.7:选取高斯核函数将原始空间非线性特征转换为高维空间线性特征,得到最终的决策函数:
选取的高斯核函数为:
式中:xi表示第i条线的n维向量,xj表示输入的第j条线的n维向量,σ表示函数的宽度参数,表示高维空间;
目标函数求解计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数,C表示惩罚参数,xj表示输入的第j条线的n维向量,yj表示yi的转置,αj表示为αi的转置;
决策函数的计算公式为:
式中:xi表示第i条线的n维向量,yi表示第i条线的分类标记,αi表示拉格朗日乘子,n表示线的条数,αj表示为αi的转置,b表示偏置,x表示输入的n维向量,表示高维空间;
步骤1.8:将步骤1中的样本的两类径向回波特征数据输入到步骤1.7中得到的决策函数中,获得最终分类器模型。
5.根据权利要求4所述的一种基于支持向量机的航海雷达目标快速检测方法,其特征在于:
将步骤2中获得的待测数据的两种径向回波特征的值输入到步骤1.8中的决策函数,得到对应的决策函数值K。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910500476.4A CN110221266B (zh) | 2019-06-11 | 2019-06-11 | 一种基于支持向量机的航海雷达目标快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910500476.4A CN110221266B (zh) | 2019-06-11 | 2019-06-11 | 一种基于支持向量机的航海雷达目标快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110221266A true CN110221266A (zh) | 2019-09-10 |
CN110221266B CN110221266B (zh) | 2022-12-13 |
Family
ID=67816376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910500476.4A Active CN110221266B (zh) | 2019-06-11 | 2019-06-11 | 一种基于支持向量机的航海雷达目标快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221266B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940959A (zh) * | 2019-12-13 | 2020-03-31 | 中国电子科技集团公司第五十四研究所 | 一种用于低分辨雷达地面目标的人车分类识别方法 |
CN111062488A (zh) * | 2019-12-09 | 2020-04-24 | 北京国网富达科技发展有限责任公司 | 舞动轨迹预警方法及系统 |
CN111624605A (zh) * | 2020-05-27 | 2020-09-04 | 哈尔滨工程大学 | 一种基于角度维回波特征的航海雷达目标检测方法 |
CN112305509A (zh) * | 2020-11-02 | 2021-02-02 | 南京理工大学 | 一种基于hog_svm的雷达航迹分类与识别方法 |
CN112782666A (zh) * | 2021-03-22 | 2021-05-11 | 哈尔滨工程大学 | 一种航海雷达目标快速检测方法 |
CN114488151A (zh) * | 2022-04-08 | 2022-05-13 | 中国科学院空天信息创新研究院 | 针对观测船只的主被动联合探测方法、装置及设备和介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073873A (zh) * | 2011-01-28 | 2011-05-25 | 华中科技大学 | 一种基于支持向量机的sar景象匹配区选取方法 |
CN102096070A (zh) * | 2010-11-16 | 2011-06-15 | 苏州科技学院 | 一种全极化合成孔径雷达海面溢油检测方法 |
US20120256786A1 (en) * | 2009-09-17 | 2012-10-11 | Manchester Metropolitan University | Detection of Objects |
CN102750551A (zh) * | 2012-06-18 | 2012-10-24 | 杭州电子科技大学 | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 |
CN102879767A (zh) * | 2012-06-28 | 2013-01-16 | 北京理工大学 | 一种用于空时自适应处理的干扰目标检测方法 |
CN105701562A (zh) * | 2016-01-05 | 2016-06-22 | 上海思源弘瑞自动化有限公司 | 训练方法、所适用的预测发电功率的方法及各自系统 |
WO2016097890A1 (en) * | 2014-12-15 | 2016-06-23 | Airbus Group Singapore Pte. Ltd. | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
CN105894033A (zh) * | 2016-04-01 | 2016-08-24 | 大连理工大学 | 一种海杂波背景下的弱目标检测方法及系统 |
CN106604229A (zh) * | 2016-12-27 | 2017-04-26 | 东南大学 | 一种基于流形学习与改进支持向量机的室内定位方法 |
CN107194404A (zh) * | 2017-04-13 | 2017-09-22 | 哈尔滨工程大学 | 基于卷积神经网络的水下目标特征提取方法 |
CN107300698A (zh) * | 2017-08-21 | 2017-10-27 | 哈尔滨工业大学 | 一种基于支持向量机的雷达目标航迹起始方法 |
CN107679453A (zh) * | 2017-08-28 | 2018-02-09 | 天津大学 | 基于支持向量机的天气雷达电磁干扰回波识别方法 |
CN107728142A (zh) * | 2017-09-18 | 2018-02-23 | 西安电子科技大学 | 基于二维卷积网络的雷达高分辨距离像目标识别方法 |
CN108267724A (zh) * | 2018-01-19 | 2018-07-10 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的未知目标识别方法 |
CN109270390A (zh) * | 2018-09-14 | 2019-01-25 | 广西电网有限责任公司电力科学研究院 | 基于高斯变换与全局寻优svm的变压器故障诊断方法 |
CN109359536A (zh) * | 2018-09-14 | 2019-02-19 | 华南理工大学 | 基于机器视觉的乘客行为监控方法 |
-
2019
- 2019-06-11 CN CN201910500476.4A patent/CN110221266B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120256786A1 (en) * | 2009-09-17 | 2012-10-11 | Manchester Metropolitan University | Detection of Objects |
CN102096070A (zh) * | 2010-11-16 | 2011-06-15 | 苏州科技学院 | 一种全极化合成孔径雷达海面溢油检测方法 |
CN102073873A (zh) * | 2011-01-28 | 2011-05-25 | 华中科技大学 | 一种基于支持向量机的sar景象匹配区选取方法 |
CN102750551A (zh) * | 2012-06-18 | 2012-10-24 | 杭州电子科技大学 | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 |
CN102879767A (zh) * | 2012-06-28 | 2013-01-16 | 北京理工大学 | 一种用于空时自适应处理的干扰目标检测方法 |
WO2016097890A1 (en) * | 2014-12-15 | 2016-06-23 | Airbus Group Singapore Pte. Ltd. | Automated method for selecting training areas of sea clutter and detecting ship targets in polarimetric synthetic aperture radar imagery |
CN105701562A (zh) * | 2016-01-05 | 2016-06-22 | 上海思源弘瑞自动化有限公司 | 训练方法、所适用的预测发电功率的方法及各自系统 |
CN105894033A (zh) * | 2016-04-01 | 2016-08-24 | 大连理工大学 | 一种海杂波背景下的弱目标检测方法及系统 |
CN106604229A (zh) * | 2016-12-27 | 2017-04-26 | 东南大学 | 一种基于流形学习与改进支持向量机的室内定位方法 |
CN107194404A (zh) * | 2017-04-13 | 2017-09-22 | 哈尔滨工程大学 | 基于卷积神经网络的水下目标特征提取方法 |
CN107300698A (zh) * | 2017-08-21 | 2017-10-27 | 哈尔滨工业大学 | 一种基于支持向量机的雷达目标航迹起始方法 |
CN107679453A (zh) * | 2017-08-28 | 2018-02-09 | 天津大学 | 基于支持向量机的天气雷达电磁干扰回波识别方法 |
CN107728142A (zh) * | 2017-09-18 | 2018-02-23 | 西安电子科技大学 | 基于二维卷积网络的雷达高分辨距离像目标识别方法 |
CN108267724A (zh) * | 2018-01-19 | 2018-07-10 | 中国人民解放军陆军装甲兵学院 | 一种雷达目标识别的未知目标识别方法 |
CN109270390A (zh) * | 2018-09-14 | 2019-01-25 | 广西电网有限责任公司电力科学研究院 | 基于高斯变换与全局寻优svm的变压器故障诊断方法 |
CN109359536A (zh) * | 2018-09-14 | 2019-02-19 | 华南理工大学 | 基于机器视觉的乘客行为监控方法 |
Non-Patent Citations (4)
Title |
---|
WEI YANBO 等: "Wave Hight Estimation from Shadowing Based on the Aquired X-Band Marine Radar Images in Coastal Area", 《REMOTE SENSING》 * |
卢志忠 等: "航海雷达图像阴影提取波高算法的改进研究", 《仪器仪表学报》 * |
周永生 等: "基于支持向量机的雷达弹道外推方法研究", 《战术导弹技术》 * |
郑向梅: "基于测距信息的室内机器人定位技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062488A (zh) * | 2019-12-09 | 2020-04-24 | 北京国网富达科技发展有限责任公司 | 舞动轨迹预警方法及系统 |
CN110940959A (zh) * | 2019-12-13 | 2020-03-31 | 中国电子科技集团公司第五十四研究所 | 一种用于低分辨雷达地面目标的人车分类识别方法 |
CN110940959B (zh) * | 2019-12-13 | 2022-05-24 | 中国电子科技集团公司第五十四研究所 | 一种用于低分辨雷达地面目标的人车分类识别方法 |
CN111624605A (zh) * | 2020-05-27 | 2020-09-04 | 哈尔滨工程大学 | 一种基于角度维回波特征的航海雷达目标检测方法 |
CN111624605B (zh) * | 2020-05-27 | 2022-07-15 | 哈尔滨工程大学 | 一种基于角度维回波特征的航海雷达目标检测方法 |
CN112305509A (zh) * | 2020-11-02 | 2021-02-02 | 南京理工大学 | 一种基于hog_svm的雷达航迹分类与识别方法 |
CN112782666A (zh) * | 2021-03-22 | 2021-05-11 | 哈尔滨工程大学 | 一种航海雷达目标快速检测方法 |
CN114488151A (zh) * | 2022-04-08 | 2022-05-13 | 中国科学院空天信息创新研究院 | 针对观测船只的主被动联合探测方法、装置及设备和介质 |
CN114488151B (zh) * | 2022-04-08 | 2022-06-24 | 中国科学院空天信息创新研究院 | 针对观测船只的主被动联合探测方法、装置及设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110221266B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221266A (zh) | 一种基于支持向量机的航海雷达目标快速检测方法 | |
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
Yao et al. | Ship detection in optical remote sensing images based on deep convolutional neural networks | |
Nieto-Hidalgo et al. | Two-stage convolutional neural network for ship and spill detection using SLAR images | |
Solberg et al. | Automatic detection of oil spills in ERS SAR images | |
CN109784203B (zh) | 基于分层传播和激活的弱监督x光图像违禁品检查方法 | |
Wang et al. | Deep learning-based UAV detection in pulse-Doppler radar | |
CN103020592A (zh) | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 | |
CN112147601A (zh) | 一种基于随机森林的海面小目标检测方法 | |
CN110208767A (zh) | 一种基于拟合相关系数的雷达目标快速检测方法 | |
Sun et al. | Image target detection algorithm compression and pruning based on neural network | |
Li et al. | Point-based weakly supervised learning for object detection in high spatial resolution remote sensing images | |
CN112084860A (zh) | 目标对象检测、火力发电厂检测方法和装置 | |
CN113516657B (zh) | 一种基于自适应权重的全极化sar影像海面溢油检测方法 | |
CN113486902A (zh) | 基于元学习的三维点云分类算法自动选择方法 | |
Haigang et al. | A novel ship detection method for large-scale optical satellite images based on visual LBP feature and visual attention model | |
CN107784285B (zh) | 一种光学遥感影像舰船目标的军民属性自动判别方法 | |
CN105975994A (zh) | 基于非相似性变换一类svm模型的sar目标鉴别方法 | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
CN115797804A (zh) | 一种基于不平衡时序航空飞行数据的异常检测方法 | |
Lu et al. | A Novel Target Detector of Marine Radar Based on HOG Feature | |
Xu et al. | A new ship target detection algorithm based on SVM in high resolution SAR images | |
Kuchma et al. | Empirical method for determination of the optimal parameters of a convolutional neural network in working with remote sensing data | |
Jiang et al. | Fast Semantic Segmentation of 3D Lidar Point Cloud Based on Random Forest Method | |
Yousef et al. | Parametric Study of Inspecting Surface Defects in Investment Casting. |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |