CN113009443A - 一种基于图连通密度的海面目标检测方法及其装置 - Google Patents
一种基于图连通密度的海面目标检测方法及其装置 Download PDFInfo
- Publication number
- CN113009443A CN113009443A CN202110196211.7A CN202110196211A CN113009443A CN 113009443 A CN113009443 A CN 113009443A CN 202110196211 A CN202110196211 A CN 202110196211A CN 113009443 A CN113009443 A CN 113009443A
- Authority
- CN
- China
- Prior art keywords
- sea surface
- echo amplitude
- surface target
- graph
- amplitude data
- 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
Images
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于图连通密度的海面目标检测方法及其装置,旨在解决现有技术中海面漂浮小目标回波能量弱、不利于检测的技术问题。其包括:利用雷达获得海面回波幅度序列,并对海面回波幅度序列进行预处理,获得预处理后的回波幅度数据;根据预处理后的回波幅度数据构建海面目标图;利用图连通密度检测器对海面目标图进行特征提取,获得海面目标检测结果。本发明能够区分目标回波和杂波,实现快速、准确的海面目标检测效果。
Description
技术领域
本发明涉及一种基于图连通密度的海面目标检测方法及其装置,属于雷达目标检测技术领域。
背景技术
雷达在检测海面目标时,不可避免地会受到海杂波的影响。对于海面漂浮小目标如小船、浮冰和飞机残骸等,由于雷达截面积(RCS)较小,回波能量弱,因此小目标检测一直是海面目标检测的重难点。传统的相干或者非相干的恒虚警率检测算法,利用回波能量进行检测,只适用于RCS较大的大型舰船目标。为了避开能量检测,部分学者从特征域考虑,借助杂波与目标回波之间的差异性提取特征,包括分形理论的赫斯特(Hurst)指数、分数阶傅里叶变换(Fractional Fourier Transform,FRFT)的分形维数和分形维方差、利用时频分析工具的微多普勒特征、散斑一致性因子、极化特征等,这些特征在一定程度上获得了较好的检测性能,但是特征提取方法具有较大的计算复杂度,而且对脉冲长度的要求也较大,不适合用于扫描雷达等短脉冲情形。此外,恒虚警率检测算法和基于特征的检测算法都没有考虑数据幅度间的关联性,检测效果也有待提高。
图作为一种描述数据间关联性的有效手段,被广泛应用在离散信号处理、网络分析、计算机生物学、互联网行业等领域。图是将存在内部联系的事物表示为离散的顶点以及各顶点之间关系的数据结构,对事物做抽象的刻画。在2017年出版的IEEE CommunicationLetter第21卷上,YAN Kun等提出了一种基于图的带宽受限信号探测方法,其中将功率谱转换成图的二维拉普拉斯矩阵,实现了信号检测功能,并且该方法在低信噪比(Signal-to-noise ratio,SNR)下其检测性能较好。如何将图运用到海面小目标检测中从而提高目标检测效果是雷达目标检测技术领域的一个重要的研究方向。
发明内容
为了解决现有技术中海面漂浮小目标回波能量弱、不利于检测的问题,本发明提出了一种基于图连通密度的海面目标检测方法及其装置,将海面回波数据间的关联性生成图,并利用图连通密度进行特征提取,区分目标回波和杂波,实现快速、准确的海面目标检测效果。
为解决上述技术问题,本发明采用了如下技术手段:
第一方面,本发明提出了一种基于图连通密度的海面目标检测方法,包括如下步骤:
利用雷达获得海面回波幅度序列,并对海面回波幅度序列进行预处理,获得预处理后的回波幅度数据;
根据预处理后的回波幅度数据构建海面目标图;
利用图连通密度检测器对海面目标图进行特征提取,获得海面目标检测结果。
结合第一方面,进一步的,所述预处理包括频域转换、归一化处理和均值量化处理。
结合第一方面,进一步的,对海面回波幅度序列进行预处理的步骤包括:
基于海面回波幅度序列进行快速傅里叶变换,获得频域变换后的回波幅度数据,公式如下:
其中,F(k)表示频域变换后的第k个回波幅度数据,x(n)表示海面回波幅度序列中的第n个脉冲回波数据的幅度,k=1,2,…,N,n=1,2,…,N,N为海面回波幅度序列中脉冲回波数据的数量;
对频域变换后的回波幅度数据进行归一化处理,获得归一化后的回波幅度数据,公式如下:
按照量化间隔1/γ对归一化后的回波幅度数据进行均匀量化处理,获得量化后的回波幅度数据,公式如下:
其中,Q(k)表示量化后的第k个回波幅度数据,即第k个预处理后的回波幅度数据,i为回波幅度数据的量化值,γ为量化等级数。
结合第一方面,进一步的,根据预处理后的回波幅度数据构建海面目标图的步骤包括:
根据预处理后的回波幅度数据进行顶点映射,获得图的顶点集:
vi={Q(k)|if Q(k)=i,k=1,2,…,N} (4)
V={v0,v1,…,vi,…vγ} (5)
其中,vi表示顶点集V中的第i个顶点,i为预处理后的回波幅度数据的量化值,i∈[0,γ],γ为量化等级数,Q(k)表示第k个预处理后的回波幅度数据,V为图的顶点集;
根据顶点集中各个顶点之间的连接关系获得顶点到顶点的边:
其中,eδβ表示顶点vδ到顶点vβ的边,←表示映射,vδ,vβ∈V,δ,β∈[0,γ];
根据eδβ生成图的边集E={eδβ|<δ,β>∈(γ+1)×(γ+1)};
利用顶点集V和边集E构建海面目标图G=(V,E)。
结合第一方面,进一步的,利用图连通密度检测器对海面目标图进行特征提取的步骤包括:
根据海面目标图的边集E中每条边出现的次数计算顶点集中各个顶点之间的连通密度:
ωδβ=∑eδβ (7)
其中,ωδβ表示顶点vδ与顶点vβ之间的连通密度;
根据顶点之间的连通密度获得海面目标图的邻接矩阵A:
利用图连通密度检测器对邻接矩阵A的每一行元素求和,获得海面目标图的对角矩阵D:
D=diag(d0,d1,…,dδ,…,dγ) (9)
其中,dδ表示邻接矩阵A中第δ行的元素之和;
利用邻接矩阵A和对角矩阵D计算海面目标图的拉普拉斯矩阵L:
L=D-A (11)
对拉普拉斯矩阵L进行特征分解,获得海面目标图对应的γ+1个特征值。
结合第一方面,进一步的,获得海面目标检测结果的方法为:
根据海面目标图中提取到的特征值的大小,获得海面目标图对应的最大特征值λmax;
利用预设的阈值ζ与最大特征值λmax比较:
其中,H0和H1为海面目标检测结果,H0表示雷达获得的海面回波幅度序列中不存在目标,H1表示雷达获得的海面回波幅度序列中存在目标。
结合第一方面,进一步的,所述预设的阈值采用蒙特卡罗模拟实验获得,阈值的取值范围为[8.6429,154.4772]。
第二方面,本发明提出了一种基于图连通密度的海面目标检测装置,包括:
雷达信号接收模块,用于利用获得海面回波幅度序列;
数据处理模块,用于对海面回波幅度序列进行预处理,获得预处理后的回波幅度数据;
图模块,用于根据预处理后的回波幅度数据构建海面目标图;
目标检测模块,用于对海面目标图进行特征提取,获得海面目标检测结果。
结合第二方面,进一步的,所述预处理包括频域转换、归一化处理和均值量化处理。
结合第二方面,进一步的,所述目标检测模块包括图连通密度检测器、矩阵转换模块、特征提取模块和特征比较模块;其中,所述图连通密度检测器用于根据海面目标图获得图中各个顶点之间的连通密度;所述矩阵转换模块用于根据各个顶点之间的连通密度计算海面目标图的拉普拉斯矩阵;所述特征提取模块用于对拉普拉斯矩阵进行特征分解,获得海面目标图的特征值;所述特征比较模块用于将海面目标图的特征值与预设的阈值比较,获得海面目标检测结果。
采用以上技术手段后可以获得以下优势:
本发明提出了一种基于图连通密度的海面目标检测方法及其装置,利用雷达接收到的回波信号进行图的构建,根据海面目标图的连通特性,展现了回波数据脉冲间频域幅度的关联性以及回波幅度序列的变化趋势,并通过特征提取获得海面目标检测结果。本发明基于图连通密度进行特征提取,与现有技术相比,计算复杂度较低,计算速度更快;本发明从幅度的频域出发,在对变化趋势的密度分析过程中不仅考虑了边的连通性,也考虑了边的连通密度,即每条边上的连通次数,从而优化了邻接矩阵的构成,使其能够更清晰的呈现出各顶点之间的关系,进一步提升了目标检测性能,能够更好的消除杂波数据影响,检测结果更加准确可靠、检测性能更加稳健。
附图说明
图1为本发明一种基于图连通密度的海面目标检测方法的步骤流程图;
图2为本发明实施例中海面目标检测方法的操作流程图;
图3为本发明实施例中VH极化下不同检测方法的海面检测结果示意图;
图4为本发明一种基于图连通密度的海面目标检测装置的结构示意图;
图中,1是雷达信号接收模块,2是数据处理模块,3是图模块,4是目标检测模块。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明:
本发明提出了一种基于图连通密度的海面目标检测方法,如图1所示,具体包括如下步骤:
步骤A、利用雷达获得海面回波幅度序列,并对海面回波幅度序列进行预处理,获得预处理后的回波幅度数据;其中,预处理主要包括频域转换、归一化处理和均值量化处理。
步骤B、根据预处理后的回波幅度数据构建海面目标图;
步骤C、利用图连通密度检测器对海面目标图进行特征提取,获得海面目标检测结果。
在步骤A中海面回波幅度序列是由雷达接收到的N个脉冲回波数据组成的时间序列,每一个脉冲回波数据都包括该回波的幅度;对海面回波幅度序列进行预处理的具体操作如下:
步骤A01、基于海面回波幅度序列进行快速傅里叶变换,获得频域变换后的回波幅度数据,具体公式如下:
其中,F(k)表示频域变换后的第k个回波幅度数据,x(n)表示海面回波幅度序列中的第n个脉冲回波数据的幅度,k=1,2,…,N,n=1,2,…,N,N为海面回波幅度序列中脉冲回波数据的数量。
步骤A02、为了简化计算方式,减小数据之间的差异性,利用最大最小标准对频域变换后的回波幅度数据进行归一化处理,将数据映射在[0,1]之间,获得归一化后的回波幅度数据,具体公式如下:
步骤A03、为了降低噪声、提高数据信噪比(SRN),按照量化间隔1/γ对归一化后的回波幅度数据进行均匀量化处理,获得量化后的回波幅度数据,具体公式如下:
其中,Q(k)表示量化后的第k个回波幅度数据,即第k个预处理后的回波幅度数据,i为回波幅度数据的量化值,γ为量化等级数。
当F(k)与θmin相等时,U(k)=0,此时定义i=0,即Q(k)=0;当U(k)不等于0时,根据U(k)的值确定i的值,比如,设γ为6,U(k)=0.1773,则1/6<U(k)≤2/6,因此i=2,即Q(k)=2。通过本发明的量化处理,不同的预处理后的回波幅度数据的值可能相同。
在步骤B中,根据预处理后的回波幅度数据构建海面目标图的具体操作如下:
步骤B01、根据预处理后的回波幅度数据进行顶点映射,获得图的顶点集;具体的,根据预处理后的回波幅度数据的量化级i建立γ+1个顶点,当预处理后的回波幅度数据Q(k)的值为i时,则将Q(k)映射到顶点vi上,映射表达式如下:
vi={Q(k)|if Q(k)=i,k=1,2,…,N} (16)
V={v0,v1,…,vi,…vγ} (17)
其中,vi表示顶点集V中的第i个顶点,V为图的顶点集。
步骤B02、根据顶点集中各个顶点之间的连接关系获得顶点到顶点的边;具体的,若顶点vδ相对应的量化值是Q(k),其下一个量化值Q(k+1)对应的顶点为vβ,则表示顶点vδ与vβ之间是连接的,记为边eδβ:
其中,eδβ表示顶点vδ到顶点vβ的边,是有向边,←表示映射,vδ←Q(k)表示Q(k)映射到vδ上,vδ,vβ∈V,δ,β∈[0,γ]。
步骤B03、根据eδβ生成图的边集E={eδβ|<δ,β>∈(γ+1)×(γ+1)},边集E中共有(γ+1)2条边。
步骤B04、利用顶点集V和边集E构建海面目标图G=(V,E)。
在步骤C中,利用图连通密度检测器对海面目标图进行特征提取的具体操作如下:
步骤C01、根据海面目标图的边集E中每条边出现的次数计算顶点集中各个顶点之间的连通密度,具体公式如下:
ωδβ=∑eδβ (19)
其中,ωδβ表示顶点vδ与顶点vβ之间的连通密度,若顶点vδ与vβ不连通,则ωδβ=0。
步骤C02、根据顶点之间的连通密度获得海面目标图的邻接矩阵A:
步骤C03、利用图连通密度检测器对邻接矩阵A的每一行元素求和,得到dδ,再利用dδ组成海面目标图的对角矩阵D,即海面目标图的度矩阵,具体表达式如下:
D=diag(d0,d1,…,dδ,…,dγ) (21)
其中,dδ表示邻接矩阵A中第δ行的元素之和,diag()是一个由dδ向量构成的对角线矩阵。
步骤C04、利用邻接矩阵A和对角矩阵D计算海面目标图的拉普拉斯矩阵L:
L=D-A (23)
步骤C05、根据L=BΛBT对拉普拉斯矩阵L进行特征分解,获得海面目标图对应的γ+1个特征值[λ<1>,λ<2>,…,λ<γ+1>],其中,B是由特征向量组成的特征矩阵,Λ是有特征值组成的对角矩阵。
得到海面目标图的特征值之后,本发明通过对图连通密度的对应关系的分析,提取图连通密度的拉普拉斯矩阵的最大特征值作为目标检测的特征,展现杂波与目标之间的差异性,进而获得海面目标检测结果,具体操作如下:
步骤C06、根据海面目标图中提取到的特征值的大小,将所有特征值按降序排列,获得海面目标图对应的最大特征值λmax。
步骤C07、采用蒙特卡罗模拟实验处理大量海面回波数据,获得阈值ζ,阈值ζ的取值范围为[8.6429,154.4772];利用阈值ζ与最大特征值λmax比较,得到海面目标检测结果:
其中,H0和H1为海面目标检测结果。若λmax小于ζ,则判为H1,表示雷达获得的海面回波幅度序列中存在目标;否则判为H0,表示雷达获得的海面回波幅度序列中不存在目标,为纯杂波。
下面给出一个具体实验来验证本发明方法的效果:
在本发明实施例中,将加拿大McMaster大学的S.Haykin教授利用IPIX雷达在真实的海洋环境中测得的数据作为本发明的雷达获得海面回波幅度序列,实验所用的数据名为19931111_163625_starea54,该海面回波幅度序列包括根据发射和接收信号方式不同得到的四种极化,即HH、VV、HV、VH,每种极化包含14个距离单元,一个距离单元的采样数据为131072(即131.072s)。本发明实施例的目标所在的第8个距离单元为待检测单元,7、9、10为受影响单元,其余为杂波单元。在实验中,分别利用本发明方法、傅里叶变换(FFT)、赫斯特指数(Hurst指数)以及平均恒虚警率检测器进行海面目标检测,本发明方法的操作流程和部分数据如图2所示,不同算法在VH极化下的检测结果如图3所示,从图中可以看出,在虚警概率为10-4时,本发明所提取得特征检测器的检测概率可以达到78.1%,而FFT、Hurst指数以及平均恒虚警率检测器的检测概率分别为64.9%、69.2%和33.6%;在虚警概率为10-3时,本发明所提取得特征检测器的检测概率达到87.1%,而其他三种算法的检测概率分别为74.1%、77.9%、49.4%,与10-4相比提升并没有十分明显,因此本发明所提的特征在低虚警概率下仍旧有很好的目标检测性能。
本发明还提出了一种基于图连通密度的海面目标检测装置,如图4所示,主要包括雷达信号接收模块1、数据处理模块2、图模块3和目标检测模块4。其中,雷达信号接收模块主要用于利用获得海面回波幅度序列;数据处理模块主要用于对海面回波幅度序列进行预处理,获得预处理后的回波幅度数据,其中,预处理包括频域转换、归一化处理和均值量化处理;图模块主要用于根据预处理后的回波幅度数据构建海面目标图,海面目标图由顶点集和边集组成;目标检测模块主要用于对海面目标图进行特征提取,获得海面目标检测结果。
本发明的目标检测模块主要包括图连通密度检测器、矩阵转换模块、特征提取模块和特征比较模块;其中,图连通密度检测器用于根据海面目标图获得图中各个顶点之间的连通密度;矩阵转换模块用于根据各个顶点之间的连通密度计算海面目标图的拉普拉斯矩阵;特征提取模块用于对拉普拉斯矩阵进行特征分解,获得海面目标图的特征值;特征比较模块用于将海面目标图的特征值与预设的阈值比较,获得海面目标检测结果。
本发明基于图连通密度进行特征提取,与现有技术相比,计算复杂度较低,计算速度更快,而且本发明不仅考虑了边的连通性,还考虑了边的连通密度,进一步提升了目标检测性能,能够更好的消除杂波数据影响,检测结果更加准确可靠、检测性能更加稳健。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于图连通密度的海面目标检测方法,其特征在于,包括如下步骤:
利用雷达获得海面回波幅度序列,并对海面回波幅度序列进行预处理,获得预处理后的回波幅度数据;
根据预处理后的回波幅度数据构建海面目标图;
利用图连通密度检测器对海面目标图进行特征提取,获得海面目标检测结果。
2.根据权利要求1所述的一种基于图连通密度的海面目标检测方法,其特征在于,所述预处理包括频域转换、归一化处理和均值量化处理。
3.根据权利要求2所述的一种基于图连通密度的海面目标检测方法,其特征在于,对海面回波幅度序列进行预处理的步骤包括:
基于海面回波幅度序列进行快速傅里叶变换,获得频域变换后的回波幅度数据,公式如下:
其中,F(k)表示频域变换后的第k个回波幅度数据,x(n)表示海面回波幅度序列中的第n个脉冲回波数据的幅度,k=1,2,…,N,n=1,2,…,N,N为海面回波幅度序列中脉冲回波数据的数量;
对频域变换后的回波幅度数据进行归一化处理,获得归一化后的回波幅度数据,公式如下:
按照量化间隔1/γ对归一化后的回波幅度数据进行均匀量化处理,获得量化后的回波幅度数据,公式如下:
其中,Q(k)表示量化后的第k个回波幅度数据,即第k个预处理后的回波幅度数据,i为回波幅度数据的量化值,γ为量化等级数。
4.根据权利要求1所述的一种基于图连通密度的海面目标检测方法,其特征在于,根据预处理后的回波幅度数据构建海面目标图的步骤包括:
根据预处理后的回波幅度数据进行顶点映射,获得图的顶点集:
vi={Q(k)|if Q(k)=i,k=1,2,…,N}
V={v0,v1,…,vi,…vγ}
其中,vi表示顶点集V中的第i个顶点,i为预处理后的回波幅度数据的量化值,i∈[0,γ],γ为量化等级数,Q(k)表示第k个预处理后的回波幅度数据,V为图的顶点集;
根据顶点集中各个顶点之间的连接关系获得顶点到顶点的边:
其中,eδβ表示顶点vδ到顶点vβ的边,←表示映射,vδ,vβ∈V,δ,β∈[0,γ];
根据eδβ生成图的边集E={eδβ|<δ,β>∈(γ+1)×(γ+1)};
利用顶点集V和边集E构建海面目标图G=(V,E)。
5.根据权利要求4所述的一种基于图连通密度的海面目标检测方法,其特征在于,利用图连通密度检测器对海面目标图进行特征提取的步骤包括:
根据海面目标图的边集E中每条边出现的次数计算顶点集中各个顶点之间的连通密度:
ωδβ=∑eδβ
其中,ωδβ表示顶点vδ与顶点vβ之间的连通密度;
根据顶点之间的连通密度获得海面目标图的邻接矩阵A:
利用图连通密度检测器对邻接矩阵A的每一行元素求和,获得海面目标图的对角矩阵D:
D=diag(d0,d1,…,dδ,…,dγ)
其中,dδ表示邻接矩阵A中第δ行的元素之和;
利用邻接矩阵A和对角矩阵D计算海面目标图的拉普拉斯矩阵L:
L=D-A
对拉普拉斯矩阵L进行特征分解,获得海面目标图对应的γ+1个特征值。
7.根据权利要求6所述的一种基于图连通密度的海面目标检测方法,其特征在于,所述预设的阈值采用蒙特卡罗模拟实验获得,阈值的取值范围为[8.6429,154.4772]。
8.一种基于图连通密度的海面目标检测装置,其特征在于,包括:
雷达信号接收模块,用于利用获得海面回波幅度序列;
数据处理模块,用于对海面回波幅度序列进行预处理,获得预处理后的回波幅度数据;
图模块,用于根据预处理后的回波幅度数据构建海面目标图;
目标检测模块,用于对海面目标图进行特征提取,获得海面目标检测结果。
9.根据权利要求8所述的一种基于图连通密度的海面目标检测装置,其特征在于,所述预处理包括频域转换、归一化处理和均值量化处理。
10.根据权利要求8所述的一种基于图连通密度的海面目标检测装置,其特征在于,所述目标检测模块包括图连通密度检测器、矩阵转换模块、特征提取模块和特征比较模块;其中,所述图连通密度检测器用于根据海面目标图获得图中各个顶点之间的连通密度;所述矩阵转换模块用于根据各个顶点之间的连通密度计算海面目标图的拉普拉斯矩阵;所述特征提取模块用于对拉普拉斯矩阵进行特征分解,获得海面目标图的特征值;所述特征比较模块用于将海面目标图的特征值与预设的阈值比较,获得海面目标检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110196211.7A CN113009443B (zh) | 2021-02-22 | 2021-02-22 | 一种基于图连通密度的海面目标检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110196211.7A CN113009443B (zh) | 2021-02-22 | 2021-02-22 | 一种基于图连通密度的海面目标检测方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113009443A true CN113009443A (zh) | 2021-06-22 |
CN113009443B CN113009443B (zh) | 2023-09-12 |
Family
ID=76405433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110196211.7A Active CN113009443B (zh) | 2021-02-22 | 2021-02-22 | 一种基于图连通密度的海面目标检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113009443B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114859300A (zh) * | 2022-07-07 | 2022-08-05 | 中国人民解放军国防科技大学 | 一种基于图连通度的雷达辐射源数据流处理方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19738253A1 (de) * | 1997-09-02 | 1999-03-04 | Daimler Benz Aerospace Ag | Verfahren zur Detektion eines Radarzieles |
US20100073218A1 (en) * | 2008-09-24 | 2010-03-25 | Lockheed Martin Corpration | Method and apparatus for radar surveillance and detection of sea targets |
CN102982519A (zh) * | 2012-11-23 | 2013-03-20 | 南京邮电大学 | 一种视频图像的前景识别提取和拼接方法 |
CN104965199A (zh) * | 2015-07-28 | 2015-10-07 | 中国人民解放军海军航空工程学院 | 雷达视频运动目标特征融合判定方法 |
CN107479037A (zh) * | 2017-08-18 | 2017-12-15 | 上海无线电设备研究所 | 一种pd雷达杂波区域判别方法 |
US20180149731A1 (en) * | 2015-04-28 | 2018-05-31 | Furuno Electric Co., Ltd. | Signal processor and radar apparatus |
US20200191943A1 (en) * | 2015-07-17 | 2020-06-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless object tracking |
CN111505598A (zh) * | 2020-04-27 | 2020-08-07 | 南京邮电大学 | 一种基于frft域三特征联合检测装置及方法 |
CN111580064A (zh) * | 2020-06-28 | 2020-08-25 | 南京信息工程大学 | 一种基于多域多维特征融合的海面小目标检测方法 |
CN111695461A (zh) * | 2020-05-29 | 2020-09-22 | 杭州电子科技大学 | 一种基于图频特性的雷达杂波智能分类方法 |
CN111707998A (zh) * | 2020-06-15 | 2020-09-25 | 西安电子科技大学 | 一种基于连通区域特征的海面漂浮小目标检测方法 |
WO2020211522A1 (zh) * | 2019-04-15 | 2020-10-22 | 京东方科技集团股份有限公司 | 图像的显著性区域的检测方法和装置 |
CN112147601A (zh) * | 2020-09-03 | 2020-12-29 | 南京信息工程大学 | 一种基于随机森林的海面小目标检测方法 |
-
2021
- 2021-02-22 CN CN202110196211.7A patent/CN113009443B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19738253A1 (de) * | 1997-09-02 | 1999-03-04 | Daimler Benz Aerospace Ag | Verfahren zur Detektion eines Radarzieles |
US20100073218A1 (en) * | 2008-09-24 | 2010-03-25 | Lockheed Martin Corpration | Method and apparatus for radar surveillance and detection of sea targets |
CN102982519A (zh) * | 2012-11-23 | 2013-03-20 | 南京邮电大学 | 一种视频图像的前景识别提取和拼接方法 |
US20180149731A1 (en) * | 2015-04-28 | 2018-05-31 | Furuno Electric Co., Ltd. | Signal processor and radar apparatus |
US20200191943A1 (en) * | 2015-07-17 | 2020-06-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless object tracking |
CN104965199A (zh) * | 2015-07-28 | 2015-10-07 | 中国人民解放军海军航空工程学院 | 雷达视频运动目标特征融合判定方法 |
CN107479037A (zh) * | 2017-08-18 | 2017-12-15 | 上海无线电设备研究所 | 一种pd雷达杂波区域判别方法 |
WO2020211522A1 (zh) * | 2019-04-15 | 2020-10-22 | 京东方科技集团股份有限公司 | 图像的显著性区域的检测方法和装置 |
CN111505598A (zh) * | 2020-04-27 | 2020-08-07 | 南京邮电大学 | 一种基于frft域三特征联合检测装置及方法 |
CN111695461A (zh) * | 2020-05-29 | 2020-09-22 | 杭州电子科技大学 | 一种基于图频特性的雷达杂波智能分类方法 |
CN111707998A (zh) * | 2020-06-15 | 2020-09-25 | 西安电子科技大学 | 一种基于连通区域特征的海面漂浮小目标检测方法 |
CN111580064A (zh) * | 2020-06-28 | 2020-08-25 | 南京信息工程大学 | 一种基于多域多维特征融合的海面小目标检测方法 |
CN112147601A (zh) * | 2020-09-03 | 2020-12-29 | 南京信息工程大学 | 一种基于随机森林的海面小目标检测方法 |
Non-Patent Citations (4)
Title |
---|
许述文;白晓惠;郭子薰;水鹏朗;: "海杂波背景下雷达目标特征检测方法的现状与展望", 雷达学报, no. 04 * |
许述文;蒲佳;: "基于四极化通道融合的海面漂浮微弱目标特征检测", 信号处理, no. 03 * |
郭子薰;水鹏朗;白晓惠;许述文;李东宸;: "海杂波中基于可控虚警K近邻的海面小目标检测", 雷达学报, no. 04 * |
陈彦彤; 李雨阳; 姚婷婷: "复杂海况下遥感图像舰船目标检测方法研究", 激光与光电子学进展, vol. 56, no. 18 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114859300A (zh) * | 2022-07-07 | 2022-08-05 | 中国人民解放军国防科技大学 | 一种基于图连通度的雷达辐射源数据流处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113009443B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111580064B (zh) | 一种基于多域多维特征融合的海面小目标检测方法 | |
CN110826643B (zh) | 一种极化欧拉特征融合深度学习的海上目标识别方法 | |
CN111505643B (zh) | 基于时频图深度学习的海面小目标检测方法 | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN101881826A (zh) | 扫描模式海杂波局部多重分形目标检测器 | |
CN107229040B (zh) | 基于稀疏恢复空时谱估计的高频雷达目标检测方法 | |
Hu et al. | Target detection within sea clutter: a comparative study by fractal scaling analyses | |
CN113009443B (zh) | 一种基于图连通密度的海面目标检测方法及其装置 | |
CN108196238B (zh) | 高斯背景下基于自适应匹配滤波的杂波图检测方法 | |
CN112462367B (zh) | 一种基于极化合成孔径雷达的车辆检测方法 | |
CN116953646A (zh) | 一种天基雷达amti功能在轨实时处理方法 | |
CN115774248A (zh) | 基于图多特征的海面小目标检测方法及系统 | |
CN115877380A (zh) | 一种sar多运动目标成像方法、装置和存储介质 | |
CN111948613B (zh) | 基于自适应背景区选取的船载地波雷达目标检测方法 | |
Zhu et al. | Target classification by conventional radar based on bispectrum and deep CNN | |
CN114740445A (zh) | 一种基于平均谱半径的海面漂浮小目标检测方法 | |
CN111144316B (zh) | 基于堆栈自编码器的海面目标检测方法 | |
Blix et al. | Machine Learning simulations of quad-polarimetric features from dual-polarimetric measurements over sea ice | |
Avolio et al. | A Near Real Time CFAR Approach for Ship Detection on Sar Data Based on a Generalised-K Distributed Clutter Estimation | |
Fan et al. | An automatic correction method of marine radar rainfall image based on continuous wavelet transform | |
CN112859007A (zh) | 一种基于极化分解的海杂波背景下弱小目标检测识别方法 | |
CN113917422A (zh) | 一种基于图熵的海杂波背景下弱目标检测方法及装置 | |
CN112763999B (zh) | 一种海杂波空间相关性分析方法 | |
Lyu et al. | Ionospheric clutter image segmentation method of high frequency surface wave radar based on the improved deeplab network | |
CN113238210B (zh) | 基于微多普勒效应的悬停无人机特征检测方法 |
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 |