海杂波下雷达弱小目标检测的深度学习方法研究

来源 :国防科技大学 | 被引量 : 0次 | 上传用户:liubo200987
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
海杂波下的弱小目标检测一直是雷达检测跟踪识别领域的重难点问题。该课题在军事、民用上均有重要应用,军事方面可以用来检测潜望镜、远距离水面舰艇、掠海飞行器等,民用上可用来监控海上偷渡、非法贸易、预防船只相撞。高海况下,海杂波的后向电磁散射特性较强,雷达回波中的目标信号容易被海面浪、涌造成的海尖峰掩盖,给检测带来困难。传统的雷达目标检测方法存在诸多缺陷,低信杂噪比下虚警较多、海杂波复杂多变,传统方法在拟合其分布时容易出现失配。本课题针对传统检测方法的不足,运用深度学习技术,将雷达回波中的目标信号检测问题转化为“杂波”或“杂波+目标”的二元分类问题,通过网络自动提取杂波和目标在变换域的不同特征从而进行分类。本课题旨在研究有效的杂波抑制算法和特征提取算法,来减少虚警、提升检测速度,提高复杂海面环境下雷达对弱小目标的检测性能。本文的具体内容安排如下:第二章首先分析了南非科学工业理事会(CSIR)的雷达海面小目标检测数据集,并对目标的时域和频域特性进行分析,然后用传统的二维CFAR方法进行检测,并指出传统的二维CFAR方法存在对海杂波的适应性不强的问题。主要内容包括CSIR数据集的雷达参数、风速海况、目标特性,和距离-多普勒二维平面上的单元平均二维恒虚警率(CA-CFAR)检测等内容。第三章提出了基于STFT和改进的Tiny-Yolov2网络的雷达弱小目标检测算法,以解决传统的二维恒虚警率检测存在较多虚警的问题。首先通过短时傅里叶变换(STFT)提取回波的时频特征,得到雷达回波的时频图像数据集。由于CNN对样本容量有较高要求而雷达回波数据有限,而光学数据容易获取,因此接着在光学数据集上研究了小样本下的目标检测问题,验证了Tiny-Yolov2网络在小样本下的有效性,并研究了网络有效学习所需要的样本容量。然后,针对雷达时频图数据集,对Tiny-Yolov2模型做出了滤波器设计、数据增强、非极大值抑制等改进,提出了基于改进的Tiny-Yolov2网络的检测算法。最后,在雷达时频数据集上验证了算法的有效性,结果表明网络的检测性能较好,虚警概率较低,检测速度较快。第四章提出了一种CNN框架下的海杂波抑制算法(DA-CCS)。使用卷积层、池化层、上采样层这三个能保留空间位置信息的层来提取特征,得到的类激活图(CAM)能将网络学习到的标签反向映射到输入图像中的特定区域,具备物理可解释性。本章首先分析了CNN的分类原理和参数求解算法,然后推导了本文所提出的DA-CCS算法的网络模型和检测流程,并对运算量进行了分析。接着用卷积层、池化层和全连接层构造网络对雷达时频图像数据集进行分类,研究了网络结构、大小、深度、优化算法的对分类结果的影响,以及算法对不同载频的雷达回波进行检测的泛化能力。最后,在实测雷达数据集上验证了DA-CCS算法的有效性,本文所提算法在检测精度上优于近期提出的基于稀疏傅里叶变换的系列算法,且检测速度快,具备实时检测的潜力。第五章为全文结论与下一步工作的展望。
其他文献
近几年,在计算机视觉领域,目标跟踪问题成为研讨热点之一。视频单目标跟踪是计算机视觉的重要研究课题,在视频监控、机器人、人机交互等方面具有广泛应用。作为计算机视觉领域的关键问题,单目标跟踪算法可以根据在连续图像序列中的跟踪信息,绘制给定物体的轨迹信息,方便后续进行行为分析和异常检测。大数据时代的到来及深度学习方法的出现,为视频目标跟踪的研究提供了新的契机。因此,单目标跟踪问题具有重要的理论意义和研究
视频目标分割是计算机视觉的重要研究内容,在视频监控以及人机交互等领域具有广阔的应用前景。随着深度学习在视频目标分割任务上取得重大突破,如何将性能优异的视频目标分割模型快速应用到实际的监控场景中,已经成为建设智慧城市、维护公共安全的迫切需求。本文针对实际应用场景下的视频目标分割问题,着重解决在实际应用过程中进行快速准确的视频目标分割,论文的主要创新点包括以下几个方面:(1)提出了一种基于目标注意力机
当前随着深度学习研究的日益深入,深度神经网络算法在数字图像处理、语音识别、自然语言处理等诸多领域崭露头角,呈现出很好的发展态势。三维卷积神经网络是深度神经网络的一个分支,相比普通的神经网络,它可以适应更高维度、更复杂的数据处理,比如视频分类、医疗图像分割、点云数据处理等。三维卷积神经网络的优秀性能已经得到了公认,但其巨大的计算量和数据量也限制了其推广应用,因此研究三维网络的硬件加速方法成为了一种必
近来几年,由于有监督的深度学习技术飞速迭代进步,很大程度地推动了人工智能应用的发展[1]。基于大规模有标注数据集[2]的出现,才有了有监督学习的深度学习的发展。但是由于手工标注数据集既昂贵又耗时[3]、数据集标注错误难以避免、标注时需要面向领域的专业知识、原始数据质量参差不齐,这些问题严重制约着高质量标注数据的产生。因此,面向实际场景的数据集标注,具有极强的现实意义和研究价值,是一个亟待解决的问题
随着5G技术逐渐成熟及其商业应用产品慢慢普及,原本发展了数年的边缘计算进一步成为了研究热点,将人工智能技术与边缘计算领域融合更是引起了研究者们的强烈兴趣。但是,内存消耗型和计算密集型的深度学习算法与资源匮乏型的边缘终端硬件形成巨大冲突。本文针对边缘计算与深度学习的融合需求,将只有8KB内存的微型开发板作为研究和移植目标平台,深入分析了模型压缩、模型拆解、自动编码和模型存储关键技术,并在此基础上提出
党的十九届六中全会通过的《中共中央关于党的百年奋斗重大成就和历史经验的决议》强调,确立习近平同志党中央的核心、全党的核心地位,确立习近平新时代中国特色社会主义思想的指导地位,反映了全党全军全国各族人民共同心愿,对新时代党和国家事业发展、对推进中华民族伟大复兴历史进程具有决定性意义。"两个确立"既是深刻总结党的百年奋斗、党的十八大以来伟大实践得出的重大历史结论,更是新时代党和国家事业发展、推进
期刊