-
摘要: 视频合成孔径雷达(SAR)技术将观测场景的动态信息以视频方式呈现出来,其高帧率成像特性有利于实现对地面机动目标的实时探测。视频SAR信号处理关键技术主要包括高帧率成像处理算法和运动目标检测技术等。该文对视频SAR成像处理进行了探讨,给出了两种典型视频SAR成像处理仿真数据结果,详细分析了视频SAR阴影形成机理和对动目标检测性能的影响,并将基于机器学习的视频SAR阴影目标检测技术与经典处理方法在实际数据上进行了验证对比。Abstract: Video Synthetic Aperture Radar (SAR) provides dynamic information about an observation scene in a video to the human eye, which can be very useful for the real-time detection of the ground maneuvering targets. The focusing of video SAR data is demanding because of its high data rate. In this study, we discuss suitable focusing algorithms and presents the obtained simulation results. Further, the shadow formation mechanism is analyzed with respect to target detection. Finally, the machine learning algorithm used for detecting the shadows of the moving targets is compared with the classical image processing methods that use real datasets.
-
Key words:
- Video SAR /
- High frame rate imaging /
- Moving target detection /
- Radar imaging /
- Shadow detection
-
1. 引言
随着雷达性能的提升,其在区域防护中逐渐占据核心地位,被广泛应用于军事和民用等多个领域。其中海面微弱目标探测一直是雷达探测领域的重要难题之一,传统的研究手段通常是对大量观测到的海杂波进行幅度统计分析,进而确定虚警概率下的检测门限[1]。然而海杂波的统计特征并不稳定且通常情况下其能量远大于目标回波,给微弱目标检测带来极大的困难。
海面微弱目标受海浪影响,其运动表现出非匀速性,此时目标信号和海杂波都是非平稳信号,无论时域分析还是频域分析都不能完整地呈现海面回波的特性。为了研究这类信号,研究者相继引入微多普勒分析、Hough变换、分数阶傅利叶变换、极化检测、机器学习和时频分析等方法以检测海面微弱目标[2–8]。其中时频分析可以显示目标的瞬时运动特性,是检测海面微弱目标的有力工具[9]。文献[10,11]分析了高频雷达下海面机动目标的各种时频分布,指出在时频域进行目标检测的可能性。文献[12]应用从海面回波的Hilbert-Huang变换中提取的固有模态能量熵特征进行目标检测。文献[13]针对高频雷达下变速巡航目标,应用自适应chirplet分解和谱相减方法压缩海杂波。文献[14]根据维格纳-威尔分布(Wigner-Ville Distribution, WVD) 逆变换提出基于S-方法(S-Method, SM)的信号分解方法,并应用该方法检测海面目标。
本文根据海面目标回波的距离维相关性,提出一种基于空域联合时频分解的海面微弱目标检测方法。在相邻的距离单元内,目标信号的相关性明显强于海杂波。本文首先提出了互S-方法(Cross S-Method, CSM)计算得到两相邻距离单元的联合时频分布,近似等于两回波信号的目标分量的CSM和海杂波信号的CSM之和。利用互维格纳-威尔分布(Cross Wigner-Ville Distribution, CWVD)逆变换实现两距离单元信号的联合分解并从分解分量中通过特定特征找出目标信号实现目标检测。仿真和实测数据都验证了该方法的有效性。
2. 海面回波信号分析
海杂波主要来源于波浪运动。海面波浪根据能量和波长大致可以分为两类:一种是由海面不定向微风产生的能量较弱波长较短的张力波,另一类是能量很强波长较长的重力波。重力波可以进一步细分为较小波浪和很大波浪。较小波浪是一些由当地阵风产生的很陡的短峰波集合。很大波浪的形状近似为正弦信号,它包含一些由固定强风产生的波长很长的波浪[8]。图1为一段海面回波数据的时间-距离图,图中明亮的斜线表示波浪经过的路径。该数据由南非科学和工作研究委员会(Council for Scientific and Industrial Research, CSIR)通过一部X波段雷达测得,雷达具体参数见表1。
表 1 实测海面回波的参数Table 1. Parameters of measured sea surface echo参数 值 雷达波段 X 雷达工作带宽(MHz) 10 采样距离(m) 3000.3~3465.3 距离单元数目 31 每个距离单元的采样点 33001 有目标的距离单元 11 受目标影响的距离单元 9~14 距离分辨率 15 m, 15 m采样 雷达高度(m) 56 脉冲重复频率PRF(Hz) 2500 方位角(°N) 165.22 俯仰角(°) 1.187 风向(°N) 191.26 风速(m/s) 9 波浪方向(°N) 160 主要波浪高度(m) 2.88 在雷达照射区域中有一小型快艇,位于第11距离单元。目标尺寸较小,理论上位于一个距离单元内,但由于其阻挡了海浪的运动,使其在雷达回波中能够影响较大的区域,表现为在第9~14距离单元内都会出现目标回波。图2为第9~14距离单元回波的时频分布,从中可以直观地看到目标是在频率维聚集性非常好的曲线,且目标信号在时频域内与海杂波距离较远。利用滤波器将海面目标回波与海杂波分离,进而分别计算相邻距离单元内目标信号和海杂波的相关系数:目标信号的平均相关系数为0.9851,而海杂波的平均相关系数为0.6694,所以目标信号与海杂波的空间相关性是不同的。这是因为海杂波的相关距离较近,且内部变化复杂,故相关系数较小。
基于目标信号与海杂波在空间维相关性的不同,本文提出了一种基于空域联合时频分解的海面微弱目标检测方法。该方法同时利用两个相邻距离单元的回波进行联合时频分解,进而通过特征从分解分量中找出目标信号,实现目标检测。
3. 海面目标检测方法
本文提出了能够体现两个相邻距离单元回波数据相关性的CSM方法。两个信号的CSM通过合适的频率窗可以抑制两信号分量中支撑区域较远分量的交叉项,保留两信号中位于同一支撑区域中相应分量的CSM。在海面回波中,由于目标回波对于波浪运动的影响和海杂波的时空相关性,相邻或靠近的距离单元间的回波信号具有相似的时频结构,即两个距离单元回波中的目标信号位于相同的时频支撑区域,海杂波也位于同一时频支撑区域。由于目标信号通常是一条在时频面非常聚集的曲线,而海杂波分布在一小片时频区域内,所以两信号的CSM可以在聚集目标能量的同时抑制海杂波。
3.1 空域信号的联合时频表示
将接收到两个相邻距离单元内的回波信号标记为
x(n) 和y(n) ,长度为N 点。应用与回波信号长度相同的矩形窗实现的短时傅利叶变换(Short Time Fourier Transform, STFT)可以表示为STFTx(n,k)=N/2−1∑m=−N/2x(n+m)e−j2πNmk (1) STFTy(n,k)=N/2−1∑m=−N/2y(n+m)e−j2πNmk (2) 此时,可以利用两信号的STFT可以构造它们的CWVD,
CWVDx,y(n,k)=1NN/2−1∑l=−N/2STFTx(n,k+l)⋅STFT∗y(n,k−l) (3) 对两信号的CWVD中引入一频率窗
p(l) ,可以得到两信号的CSM,即CSMx,y(n,k)=1NN/2−1∑l=−N/2p(l)STFTx(n,k+l)⋅STFT∗y(n,k−l) (4) 其中,
p(l)={1,|l|≤L0,|l|>L,L<N/2 (5) 信号的CSM可以改写成另外一种形式,
CSMx,y(n,k)=1NL∑i=−LSTFTx(n,k+i)⋅STFT∗y(n,k−i) (6) 由于信号的SM近似等于信号的WVD[14],同理,两信号的CSM近似等于两信号的CWVD。基于式(6),两相邻距离单元回波信号CSM的实现方式可以通过式(7)表示
CSMx,y(n,k)=STFTx(n,k)STFT∗y(n,k)+L∑i=1[STFTx(n,k+i)⋅STFT∗y(n,k−i)+STFTx(n,k−i)⋅STFT∗y(n,k+i)] (7) 通常情况下,海面回波的成份非常复杂,包含很多分量。假设两相邻距离单元内的回波信号具有如下形式
x(n)=M∑i=1xi(n)y(n)=M∑i=1yi(n)} (8) 其中,
xi(n) 和yi(n) 拥有相同的时频支撑区域Di(n,k),i=1,2,···,M ,且支撑区域满足Di(n,k)∩ Dj(n,k)=ϕ,i≠j 。选择一个合适的窗函数p(l) ,x(n) 和y(n) 的CSM可近似为相应分量的CWVD,CWVDxi,yi(n,k),i=1,2,···,M 之和,即CSMx,y(n,k)≈M∑i=1CWVDxi,yi(n,k) (9) 图3为在
L=4,M=512 参数下相邻两个距离单元的回波信号的时频表示。图3(a)和图3(b)分别给出了两个信号的SM表示,从图中可以看到两信号中都包含大能量的海杂波和小能量的目标信号。两图具有相同的结构:目标信号与海杂波信号分别位于相同的时频支撑区域内。通过CSM计算两回波信号的联合时频分布,结果如图3(c)所示。从图中可以看出,相邻距离单元回波信号的CSM等于两信号中目标信号的CSM和海杂波信号的CSM之和,且目标回波依然表现出较高的时频聚集性。3.2 CWVD逆变换[15]
假设信号
x(n) 和y(n) 是单分量信号,将它们分别表示成列向量x=[x1···xn···xN]T 和y=[y1···yn ···yN]T 。两信号的CWVD为CWVDx,y(n,k)=2∑mFn(m)e−j2πN2mk (10) 其中,核函数
Fn(m) 表示Fn(m)=xn+my∗n−m (11) 其中,
(⋅)∗ 为共轭操作。令c=n+m, d=n−m ,可以得到1≤c≤N ,1≤d≤N 。当两个信号的CWVD已知,那么核函数
Fn(m) 的矩阵形式ˆFn(m) 可以通过1维逆离散傅利叶变换得到ˆFn(m)=12N∑kCWVD(n,k)ej2πN2mk (12) 考虑向量
x 和y 的互相关矩阵R ,它的元素为Ra,b=xay∗b ,其中1≤a≤N 和1≤b≤N 。可以轻易地发现ˆFn(m) 中的所有非零元素都包含在矩阵R 中,但位置不同。ˆFn(m) 的第n 维元素的下标和为2n ,而这些元素分布在矩阵R 的第2n−1 维辅对角线上。因此,可以将ˆFn(m) 的第n 维中所有非零元素放置在一个零矩阵的第2n−1 维辅对角线上,由此可得ˆR={R,a+b=2n0,a+b=2n−1 (13) 对构造矩阵
ˆR 进行奇异值分解可以得到ˆR=UΛVH=N∑i=1λiuivHi (14) 其中,
λi 表示奇异值,ui 和vi 分别表示酉矩阵U 和V 的列向量,(⋅)H 为厄米特转置符号。经过计算可以得到只有两个奇异值不为0,即
ˆR=λ1x1yH1+λ2x2yH2 (15) 其中,
λ1,λ2 为常数且满足λ1≈λ2 ,λ1+λ2=‖x‖2‖y‖2 (16) 最终可得合成信号
ˆx=x1+x2ˆy=y1+y2} (17) 合成信号满足
WVDˆx(n,k)≡WVDˉx(n,k)WVDˆy(n,k)≡WVDˉy(n,k)CWVDˆx,ˆy(n,k)≡CWVDˉx,ˉy(n,k)} (18) 其中,
ˉx=x/Ex ,ˉy=y/Ey ,Ex 和Ey 分别为信号x(n) 和y(n) 的能量。当信号
x(n) 和y(n) 是多分量信号,如式(8)所示。对式(9)所示的CSM进行CWVD逆变换可以得到ˆR=M∑i=1λ1,ix1,iyH1,i+λ2,ix2,iyH2,i (19) ˆxi=x1,i+x2,iˆyi=y1,i+y2,i} (20) 所以,将CWVD逆变换应用于海面回波的CSM,可以实现空域 (不同距离单元)信号联合时频分解。
3.3 海面目标检测方法
基于CSM方法和CWVD逆变换,提出一种海面目标检测方法,其实现过程如下:
步骤 1 计算两个相邻距离单元回波信号的CSM,其中L=4;
步骤 2 利用CWVD逆变换实现两个距离单元回波信号的联合时频分解得到[15]:
x(n)=M′∑i=1ˆxi(n) (21) y(n)=M′∑i=1ˆyi(n) (22) 其中,
ˆxi(n) 与ˆyi(n) 具有相同的时频支撑区域。ˆxi(n) 可能与式(8)中的xi(n) 相等,也可能是xi(n) 的一部分,与窗长的选择有关。步骤 3 对分解得到的分量进行联合特征提取,并以此作为检测统计量进行目标检测。
海面目标回波通常是一个调频信号,所以其时频聚集程度远大于海杂波。将两距离单元对应分解分量最大值的平方与它们均值之比定义为检测统计量,即
Ci=N(maxn,k(CSMˆxi,ˆyi(n,k)))2∑n∑kCSMˆxi,ˆyi(n,k) (23) 该检测统计量能够表示信号的联合时频聚集性。分解所得的信号分量可以通过式(24)判断
{H1:Ci≥P,目标分量H0:Ci<P,海杂波分量 (24) 其中,
P 为时频聚集性门限,通过蒙特卡罗方法得到。具体算法流程图如图4所示。4. 实验结果与分析
构造一些含微弱目标的海面回波信号:将实测数据中不受目标影响的距离单元内的海杂波数据分成若干个长为512点的小数据块,应用蒙特卡罗方法对各小段海杂波应用本文方法进行分解和检测,进而根据虚警率6.6×10–4设定检测门限,然后在每个小数据块中加入一个微弱目标信号。为了使信号能够代表匀速运动目标和加速运动目标,将信号设为幅度是高斯函数的线性调频信号
S(n)=b⋅e−π((n−200)/400)2⋅ej2π(0.00005n2) (25) 其中,
b 是一个幅度参数用来调整信杂比(SCR),0≤n≤511 。目标回波信号的频率为0~125 Hz的扫频信号,且目标的初始径向速度为0.13m/s ,加速度为3.14m/s2 。因而在时频域内,目标信号与海杂波非常靠近或部分重叠。图5(a)为基于CSIR数据在SCR=–7 dB时的目标检测ROC(Receiver Operating Curves)曲线。从中可以看出所提方法比基于S-方法分解[14]和自适应归一化匹配滤波器(Adaptive Normalized Matched Filter, ANMF)[16]的目标检测方法效果更好。图5(b)为基于IPIX数据[17]的检测结果。从中可以看出所提方法性能优于传统的基于海杂波统计特性的目标检测方法。另外,对比于基于1个距离单元回波SM的方法,本方法的检测性能也有一定程度的提高,这是因为两个距离单元回波的联合处理降低了海杂波的相关性。
利用实测数据验证所提的海面目标检测方法。对图3中的回波信号进行联合时频分解并利用检测统计量从分解分量中找出目标信号。其CSM分布显示在图6中。从中可以看出目标信号以3.56 m/s的速度远离雷达。
5. 结束语
海面目标的存在会影响多个雷达距离单元,相邻雷达距离单元回波的联合时频分布表现出与单个距离单元回波信号的时频分布相似的特征。本文提出一种两距离单元信号的联合时频分布方法——互SM,可以近似为两信号中相关分量的CWVD之和。利用CWVD逆变换实现两个距离单元回波信号的联合时频分解,最后利用分解分量的联合时频聚集性从分解分量的挑选出目标信号。本文提出的基于空域联合时频分解的海面微弱目标检测方法不仅可以快速的实现目标检测,还能够提出目标信号的运动特征。对包含仿真目标与实际目标的海面回波数据的检测结果表明,本文方法可以从海面回波中检测出微弱目标,并且能够得到目标的运动特性。
针对编队目标,即波束照射区间会出现多个目标的情况,通常情况下目标都是以相同的速度运动,此时目标检测算法同样适用。当目标间相对速度较大时,可以将两个目标通过信号分解方法分解出来,实现目标检测的同时进行目标数目估计;当目标相对速度较小时,在相对较短的时间内(约0.2 s),目标不大可能出现明显机动,所以将回波信号建模成谐波信号是合理的。通过调整步长L,同样可以实现信号分离而不产生交叉项,所以该方法同样适用于多目标情况。
对于高速运动目标,如巡航导弹等,由于目标的高速运动,有可以会造成距离徙动现象,给目标检测带来困难,一方面可以通过减小积累时间、提高采样频率的方法来减小距离徙动造成的影响,另一方面也可以利用距离走动校正方法来消除距离徙动,实现目标信号长时间积累。本方法的下一步研究工作将集中在会产生距离徙动的高速运动目标检测方面。
-
表 1 仿真参数
Table 1. Simulation parameters
参数名称 数值 单位 雷达载频 17.6 GHz 调频率 1.5×1013 Hz/s 采样率 5×107 Hz 脉冲重复频率 1000 Hz 脉冲宽度 4.096×10−5 s 载机速度 180 m/s 场景中心斜距 10000 m 载机高度 6000 m 成像擦地角 36.8 ° 天线电尺寸 0.4 m 成像帧率 10 Hz 表 2 基于背景差分的阴影检测性能统计
Table 2. Statistical results of shadow detection based on background difference
目标总数 正确检测的目标 虚警目标 漏警目标 730 658 77 72 表 3 基于实测视频SAR数据的检测性能对比(目标总数:730)
Table 3. Comparisons of detection performance on the real video sar data (Target number: 730)
方法 正确检测的目标 虚警目标 漏警目标 基于背景差分的阴影检测方法 658 77 72 Faster-RCNN 607 73 123 Faster-RCNN+滑窗密度聚类 606 9 124 Faster-RCNN+滑窗密度聚类+Bi-LSTM 723 9 7 -
[1] DAMINI A, BALAJI B, PARRY C, et al. A videoSAR mode for the x-band wideband experimental airborne radar[C]. The SPIE 7699, Algorithms for Synthetic Aperture Radar Imagery XVⅡ, Orlando, USA, 2010: 76990E. doi: 10.1117/12.855376. [2] WALLACE H B. Development of a video SAR for FMV through clouds[C]. The SPIE 9479, Open Architecture/Open Business Model Net-Centric Systems and Defense Transformation 2015, Baltimore, USA, 2015: 94790L. doi: 10.1117/12.2181420. [3] KIM S H, FAN R, and DOMINSKI F. Visar: A 235 Ghz radar for airborne applications[C]. 2018 IEEE Radar Conference, Oklahoma City, USA, 2018: 1549–1554. [4] PALM S, SOMMER R, JANSSEN D, et al. Airborne circular w-band SAR for multiple aspect urban site monitoring[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(9): 6996–7016. doi: 10.1109/TGRS.2019.2909949 [5] ICEYE. ICEYE demonstrates SAR video capability from current SAR satellite constellation[EB/OL]. https://www.iceye.com/press/press-releases/iceye-demonstrates-sar-video-capability-from-current-sar-satellite-constellation, 2020. [6] BIELEK T P, THOMPSON D G, and WALKER B C. Synthetic aperture design for increased SAR image Rate[P]. US, 7498968, 2009. [7] WELLS L, SORENSEN K, DOERRY A, et al. Developments in SAR and IFSAR systems and technologies at Sandia National Laboratories[C]. 2003 IEEE Aerospace Conference Proceedings, Big Sky, USA, 2003: 2_1085–2_1095. doi: 10.1109/AERO.2003.1235522. [8] 赵雨露, 张群英, 李超, 等. 视频合成孔径雷达振动误差分析及补偿方案研究[J]. 雷达学报, 2015, 4(2): 230–239. doi: 10.12000/JR14153ZHAO Yulu, ZHANG Qunying, LI Chao, et al. Vibration error analysis and motion compensation of video synthetic aperture radar[J]. Journal of Radars, 2015, 4(2): 230–239. doi: 10.12000/JR14153 [9] 孙伟, 孙进平, 张远, 等. 大斜视直升机载太赫兹ViSAR振动补偿成像算法[J]. 北京航空航天大学学报, 2016, 42(12): 2755–2761. doi: 10.13700/j.bh.1001-5965.2015.0862SUN Wei, SUN Jinping, ZHANG Yuan, et al. High squint helicopter-borne terahertz ViSAR vibration compensation imaging algorithm[J]. Journal of Beijing University of Aeronautics and Astronautics, 2016, 42(12): 2755–2761. doi: 10.13700/j.bh.1001-5965.2015.0862 [10] LINNEHAN R, MILLER J, BISHOP E, et al. An autofocus technique for video-SAR[C]. The SPIE 8746, Algorithms for Synthetic Aperture Radar Imagery XX, Baltimore, USA, 2013: 874608. doi: 10.1117/12.2016430. [11] MARTIN G D, DOERRY A W, and HOLZRICHTER M W. A novel polar format algorithm for SAR images utilizing post azimuth transform interpolation[R]. SAND2005-5510, 2005. [12] ZHU Daiyin, YE Shaohua, and ZHU Zhaoda. Polar format agorithm using chirp scaling for spotlight SAR image formation[J]. IEEE Transactions on Aerospace and Electronic Systems, 2008, 44(4): 1433–1448. doi: 10.1109/TAES.2008.4667720 [13] HAWLEY R W and GARBER W L. Aperture weighting technique for video synthetic aperture radar[C]. The SPIE 8051, Algorithms for Synthetic Aperture Radar Imagery XVⅢ, Orlando, United States, 2011: 805107. doi: 10.1117/12.887648. [14] MOSES R L and ASH J N. Recursive SAR imaging[C]. The SPIE 6970, Algorithms for Synthetic Aperture Radar Imagery XV, Orlando, USA, 2008: 69700P. doi: 10.1117/12.786307. [15] MILLER J, BISHOP E, DOERRY A, et al. Impact of ground mover motion and windowing on stationary and moving shadows in synthetic aperture radar imagery[C]. The SPIE 9475, Algorithms for Synthetic Aperture Radar Imagery XXⅡ, Baltimore, USA, 2015: 94750C. doi: 10.1117/12.2179173. [16] RAYNAL A M, BICKEL D L, and DOERRY A W. Stationary and moving target shadow characteristics in synthetic aperture radar[C]. The SPIE 9077, Radar Sensor Technology XVⅢ, Baltimore, USA, 2014: 90771B. doi: 10.1117/12.2049729. [17] SKOLNIK M I. Radar Handbook[M]. 2nd ed. New York: McGraw-Hill, 1990. [18] 保铮, 邢孟道, 王彤. 雷达成像技术[M]. 电子工业出版社, 2005.BAO Zheng, XING Meng-dao, and WANG Tong. Radar Imaging Technique[M]. Publishing House of Electronics Industry, 2005. [19] OLIVER C and QUEGAN S. Understanding Synthetic Aperture Radar Images[M]. Raleigh: SciTech Publishing, 2004. [20] CARRARA W G, GOODMAN R S, and MAJEWSKI R M. Spotlight Synthetic Aperture Radar: Signal Processing Algorithms[M]. Boston, London: Artech House, 1995. [21] JAHANGIR M. Moving target detection for synthetic aperture radar via shadow detection[C]. 2017 IET International Conference on Radar Systems, Edinburgh, UK, 2007: 1–5. doi: 10.1049/cp:20070659. [22] WANG Hui, CHEN Zhansheng, and ZHENG Shichao. Preliminary research of low-RCS moving target detection based on Ka-band video SAR[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(6): 811–815. doi: 10.1109/LGRS.2017.2679755 [23] ZHANG Ying, MAO Xinhua, YAN He, et al. A novel approach to moving targets shadow detection in videoSAR imagery sequence[C]. 2017 IEEE International Geoscience and Remote Sensing Symposium, Fort Worth, USA, 2017: 606–609. doi: 10.1109/IGARSS.2017.8127026. [24] XU Huajian, YANG Zhiwei, TIAN Min, et al. An extended moving target detection approach for high-resolution multichannel SAR-GMTI systems based on enhanced shadow-aided decision[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(2): 715–729. doi: 10.1109/TGRS.2017.2754098 [25] RAYNAL A M, DOERRY A W, MILLER J A, et al. Shadow probability of detection and false alarm for median-filtered SAR imagery[R]. SAND2014-4877, 2014. [26] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]. 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, USA, 2014: 580–587. doi: 10.1109/CVPR.2014.81. [27] REN Shaoqing, HE Kaiming, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137–1149. doi: 10.1109/TPAMI.2016.2577031 [28] LI Jianwei, QU Changwen, and SHAO Jiaqi. Ship detection in SAR images based on an improved faster R-CNN[C]. 2017 SAR in Big Data Era: Models, Methods and Applications, Beijing, China, 2017: 1–6. doi: 10.1109/BIGSARDATA.2017.8124934. [29] 胡炎, 单子力, 高峰. 基于Faster-RCNN和多分辨率SAR的海上舰船目标检测[J]. 无线电工程, 2018, 48(2): 96–100. doi: 10.3969/j.issn.1003-3106.2018.02.04HU Yan, SHAN Zili, and GAO Feng. Ship detection based on faster-RCNN and multiresolution SAR[J]. Radio Engineering, 2018, 48(2): 96–100. doi: 10.3969/j.issn.1003-3106.2018.02.04 [30] ESTER M, KRIEGEL H P, SANDER J, et al. A density-based algorithm for discovering clusters in large spatial databases with noise[C]. The Second International Conference on Knowledge Discovery and Data Mining, Portland, USA, 1996: 226–231. [31] GERS F A, SCHMIDHUBER J, and CUMMINS F. Learning to forget: Continual prediction with LSTM[C]. The 1999 Ninth International Conference on Artificial Neural Networks, Edinburgh, UK, 1999: 850–855. doi: 10.1049/cp:19991218. 期刊类型引用(8)
1. 周利,胡杰民,付连庆,凌三力. 基于MDCFT与水平集的高海情弹载雷达成像检测方法. 系统工程与电子技术. 2024(04): 1247-1254 . 百度学术
2. 汪翔,汪育苗,陈星宇,臧传飞,崔国龙. 基于深度学习的多特征融合海面目标检测方法. 雷达学报. 2024(03): 554-564 . 本站查看
3. 邓稼麒,李正周,党楚佳,陈文豪,秦天奇. 基于海面场景感知的雷达目标检测方法. 中国电子科学研究院学报. 2023(02): 129-137 . 百度学术
4. 薛安克,毛克成,张乐. 多分类器联合虚警可控的海上小目标检测方法. 电子与信息学报. 2023(07): 2528-2536 . 百度学术
5. 王金峰,顾庆远,刘仍莉. 一种基于谱认知的海杂波中运动目标检测方法. 火控雷达技术. 2021(01): 32-36+47 . 百度学术
6. 刘珊,丛培杰,吴杰,肖百惠,曲德宇,杨淼. 基于时频域转换的变压器油纸绝缘介质响应检测研究. 自动化技术与应用. 2021(06): 112-116 . 百度学术
7. 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. 2020(04): 654-663 . 本站查看
8. 陈世超,高鹤婷,罗丰. 基于极化联合特征的海面目标检测方法. 雷达学报. 2020(04): 664-673 . 本站查看
其他类型引用(8)
-