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。