基于高阶分形特征的海面运动目标检测方法
无源多基雷达海面运动目标检测与定位方法
Vol. 36 No. 12Dec.2020第36卷第12期2020年12月信号处理Journal of Signal Processing文章编号：1003-0530(2020)12-2016-08无源多基雷达海面运动目标检测与定位方法黄川 李中余张丽君 武俊杰杨建宇(电子科技大学信息与通信工程学院，四川成都611731)摘 要：由于北斗卫星导航系统全球覆盖的特性，以其为辐射源构成无源雷达在海面监测方向具有应用潜力。
本文针 对多颗北斗卫星为辐射源所构成的无源多基雷达，提出了一种目标回波空时联合积累方法，可实现海面运动目标的检 测与定位。
首先，本文提出距离反转-方位伸缩变换(RRAST ),将各二维时域回波转换为一维方位信号，并将其多普勒 质心置零；然后，利用去调频积分变换(DOT )处理实现回波的长时间积累，并非相干叠加多源回波实现目标回波的空 间积累，在多普勒调频率域实现海面运动目标的有效检测；最后，将多源回波均映射到目标运动参数域，根据峰值位 置实现目标的定位与速度估计。
仿真实验结果表明，本方法可在低信噪比条件下实现海面运动目标的检测与定位。
关键词：无源雷达；北斗卫星导航系统；动目标检测；海面检测；多基雷达中图分类号：TN958.97 文献标识码：A DOI ： 10. 16798/j. issn. 1003-0530. 2020.12.007引用格式：黄川，李中余，张丽君，等.无源多基雷达海面运动目标检测与定位方法[J ].信号处理，2020, 36(12) : 2016-2023. D0I ： 10. 16798/j. issn. 1003-0530.2020.12.007.Reference format : Huang Chuan ，Li Zhongyu ，Zhang Lijun ，et ai. A Maritime Moving Taoet Detection and Localization Method for Passive Mukiyeie Radar * J ]. Journal of Signal Processing ，2020，36 ( 12) : 2016-7023. DOI ： 10. 16798/j.i s n. 1003-0530.2020. 12.007.A Maritime Moving Target Detection and LocalizationMethod for Passive Multistatie RadarHuang Chuan Li Zhongyu Zhang Lijun Wu Junjiv Yang Jianyu( SchoooooInooamaiion and Communicaiion Engineeaing ， UnieeasiiyooEoeciaonicScienceandTechnooogyooChina ， Chengdu ， Sichuan 611731 ， China )Abstract : Due to We global coveraye of Beidou navigation satellite system ，it shows the potential to be the opportunisSc Wans- mi i eain pa s ieeaadaamaainedeieciion.Thispapeaoocuson ihepa s ieemuoiisiaiicaadaaconsiiiuied bymuoiipoeBeidou saieo-oiies ， and paoposesaiaageiechospaceJiimeiniegaaiion meihod ioachieeemaaiiimemoeingiaageideieciion and oocaoizaiion.Fiasi ， ihispapeapaoposesaaangeaeeeasaoand azimuih siaeichingiaansooam ( RRAST ) ， which coneeaiseach iwoJdimensionaoechoin oasiiimeand soowiimedomain inioaoneJdimensionaoazimuih signao ， and seisiheDoppoeaceniaoid ooeach echoiozeJao.Then ， ihedechiap iniegaaiion iaansooam ( DcIT ) isappoied ioachieeeiheoongJiimeiniegaaiion ooeach echo.Theincoheaeni summaiion oomuoiisiaiicechoesispeaooamed ioaccompoish spaiiaoiniegaaiion ， achieeingihemaaiiimemoeingiaageideieciion iniheDoppoeaoaequencyaaiedomain.Fina o y ， ihemuoiisiaiicechoesaaea o pao.ecied ioiheiaageimoiion paaameieadomain ， and iheiaageioocaoizaiion and eeoociiyesiimaiion can beachieeed accoadingioihepeak posiiion.Thesimuoaiion aesuoisshowihaiihepaoposed meihod can aeaoizeihemaaiiimemoeingiaageideieciion and oocaoizaiion undeaihecondiiion oooowsignaoioJnoiseaaiio.Key words ： passive radar ； Beidou navigation satellite system ； moving taoet detection ； marine detection ； muUistatic radar引言 雷达这一有效探测手段，对海面区域进行有效监引言测，目前在该领域已有多方面研究*12])海面运动为实现对海洋资源的可靠保护与利用,可利用目标检测是其中的关键方向之一。
基于多尺度分形特征的海面目标检测方法
收稿 日期 ：２ １－０ －１ ０１ ５ ６ 作者简介 ：吴春光 （９ ５ １７ 一）男 ，硕士 ，工程师，主要从事水面靶 标研究与应用。
第三期
吴春光 ：基于多尺度分形特征的海面 目标检测方法
８ ３
Ｍ ， 为可能 的图像尺 述 自然界 中的随 机 分形 ， 一 种统 计 自仿射 数 学模 其 中 ， 为可能 的图像 尺度 ， ． 是
第 ３ 卷 第３ ４ 期 ２ １年 ９ ０１ 月
长 春 理 工大 学学 报 （ 自然 科学 版 ）
Ｊ ｕ ｎ ｌ ｆ ａ ｇ ｈ ｎＵｎｖ ｒ ｉ ｆ ｃ ｅ ｃ ｎ ｅ ｈ ｏ ｏ ｙ （ ｔｒ ｌ ｃｅ ｃ ｄ ｔ ｎ） ｏ ｒ ａ Ｃｈ ｎ ｃ ｕ ｉｅ ｓｙ ｏ Ｓ ｉｎ ｅａ ｄＴ ｃ ｎ ｌｇ Ｎａｕａ ｉｎ ｅ ｉ ｏ ｏ ｔ Ｓ Ｅ ｉ
ｒＭ
７ 、：
］
Ｊ ｌ Ｔ Ｉ ，， （ ∑ ｌ ／ Ｍ， ＝，… Ｍ ４ ２ ）
Ｕ ＝ｌ Ｊ
图 ２ Ｓ ｂ ｌ 缘 检 测 结 果 ｏ ｅ边
Ｄｒ ∑０ １ Ｍ一 Ｄ — ］
（ ５ ）
Ｆｇ２ Ｔｈ ｅ ｕｔ ｆ ｄ ｅｄ ｔ ｃｉ ａ ｅ ｉ． ｅｒ ｓ ｌｏ ｇ ｅ ｅ ｔ ｂ ｓ ｄ ｅ ｏｎ
点数 ，根据 多尺度分形特征 ，利用支持 向量机 方法对像素点进行分类 ，实现 目标检 测。实验 结果表 明，该方法能更好地 消
除海空背景对 目标检测的干扰 ，准确有效的检测 出 目标。 关键词 ：多尺度分形 ；海面 目标检测 ；支持 向量机 中图分类号 ：ＴＰ ９ ３１ 文献标识码 ：Ａ 文章编号 ：１ ７ — ８ ０２ １）３ ０ ８ — ３ ６２ ９ ７ （ １０— ０ ２ ０ ０
度 。尤 其层 叠 的海 浪造 成灰 度 的 明 暗交替 ， 有 非 具 平稳 、 不均匀 的特性 ， 测性 能影 响极大 。传统 的 对检
城不透水面遥感高精度监测关键技术及应用-中国测绘地理信息学会
城市不透水面遥感高精度监测关键技术及应用提名者：中国测绘学会提名意见：不透水面是衡量城市生态环境状况的重要指标，是海绵城市和生态城市建设的重要支撑。
武汉大学等单位完成的“城市不透水面遥感高精度监测关键技术及应用”项目构建了城市多尺度不透水面遥感高精度提取和监测的理论方法体系，率先创建了多源遥感影像不透水面遥感高精度监测技术体系，破解了面向工程应用的不透水面自动提取和监测系列难题，成果已经形成了自主知识产权软件，全球首次完成了国家尺度的米级不透水面产品，并广泛服务于中国自然资源监测、海绵城市规划和建设、城市水文和水环境监测中。
项目获得测绘科技进步一等奖2项目，地理信息科技进步奖一等奖2项目，完成人4次获得国际奖励，被国际同行评价为该领域的引领者，该项目成果已为全国30多个海绵城市试点提供科学定量规划设计参数，已应用于全国31个省会城市的城镇化监测、338个地级以上城市的空间格局变化监测、2436个县（市、区）的国土空间开发监测、中国5大城市群的城市布局和协调发展监测、18个国家级新区的规划实施评估监测。
软件在国内已应用到60余家单位，并出口到美国、德国、澳大利亚等发达国家和加纳、孟加拉国等发展中国家，产生了显著的经济效益和社会效益。
同意提名该项目为国家科学技术进步奖二等奖。
项目简介海绵城市建设是国家战略，是新型城镇化建设的重要支撑。
习近平总书记在中央城镇化工作会议上指出：要建设自然积存、自然渗透、自然净化的海绵城市，有效化解“城市病”。
国务院明确将不透水面面积占比和空间分布作为城市规划许可和项目建设的控制性指标，因此，及时准确地监测房屋建筑、道路、广场等不透水面空间分布是海绵城市规划和建设的重要基础，也是有效化解城市内涝和城市热岛等“城市病”的主要依据。
目前已有的30米分辨率的城市不透水面产品无法满足海绵城市规划和建设需求，天空地多平台、主被动多源高分辨率遥感技术是快速精准获取城市不透水面空间分布信息不可或缺而又非常有效的手段，而高精度不透水面遥感监测面临着理论方法体系缺乏、城市复杂场景阴影遮挡、同物异谱和异物同谱等科学难题。
海洋遥感数据中的图像分类与目标识别方法
海洋遥感数据中的图像分类与目标识别方法海洋遥感技术利用卫星、航空器等传感器获取的数据来获取关于海洋环境和海洋目标的信息。
这些数据包含丰富的信息，但由于其海量性和多样性，使得如何对海洋遥感数据进行准确的分类和目标识别成为海洋遥感领域中的一个重要挑战。
图像分类与目标识别是海洋遥感数据处理和分析的关键步骤之一，它能够将海洋遥感图像分为不同的类别，并识别出感兴趣的海洋目标，如船只、浮冰、海洋生物等。
准确的图像分类与目标识别对于海洋资源开发利用、海洋环境保护和海洋灾害预警等具有重要的意义。
目前，海洋遥感数据的图像分类与目标识别方法主要包括基于像素的方法、基于纹理的方法和基于形状的方法等。
基于像素的方法是一种传统的方法，它通过对图像中的像素进行统计分析，并利用像素的灰度、颜色等特征来进行分类和目标识别。
它适用于目标具有明显的颜色或灰度特征的情况，但对于目标的纹理和形状特征无法很好地描述。
因此，在应用基于像素的方法时需要注意选择合适的特征。
基于纹理的方法是一种利用图像纹理信息来进行分类和目标识别的方法。
它通过对图像的纹理进行描述并提取纹理特征，然后使用分类器对提取的特征进行分类和目标识别。
基于纹理的方法能够有效地提取目标的纹理信息，对于纹理特征明显的海洋目标具有良好的分类和目标识别效果，但对于纹理特征不明显的目标效果较差。
基于形状的方法是一种利用图像中目标的形状信息来进行分类和目标识别的方法。
它通过对目标的形状进行建模，并提取与目标形状相关的特征，然后使用分类器对提取的特征进行分类和目标识别。
基于形状的方法能够有效地提取目标的形状信息，对于形状特征明显的海洋目标具有良好的分类和目标识别效果，但对于形状特征不明显的目标效果较差。
除了上述方法外，还有一些融合多种特征和方法的图像分类与目标识别方法。
例如，可以将基于像素、纹理和形状的特征进行融合，利用多种分类器进行融合分类和目标识别。
这种综合利用不同特征和方法的方法能够提高分类和目标识别的准确性和鲁棒性。
光学图像海面舰船目标智能检测与识别方法研究
光学图像海面舰船目标智能检测与识别方法研究一、本文概述随着遥感技术的快速发展，光学图像作为其中的一种重要数据源，广泛应用于海面舰船目标的检测与识别。
光学图像海面舰船目标的智能检测与识别方法研究，不仅有助于提升海洋安全监管的自动化和智能化水平，也对军事侦察、民用船舶监控等领域具有重要意义。
本文旨在探讨和研究基于光学图像的海面舰船目标智能检测与识别的相关技术和方法。
本文将对光学图像海面舰船目标检测与识别的研究背景和意义进行阐述，分析当前国内外的研究现状和发展趋势。
接着，文章将详细介绍基于光学图像的海面舰船目标检测与识别所涉及的关键技术，包括图像预处理、特征提取、目标检测和识别等步骤，并对各种方法的优缺点进行比较分析。
在此基础上，本文将提出一种基于深度学习的海面舰船目标智能检测与识别方法，该方法能够充分利用光学图像中的多尺度、多特征信息，实现对海面舰船目标的快速、准确检测与识别。
文章将详细阐述该方法的实现过程，包括模型的构建、训练、优化和测试等步骤，并通过实验验证该方法的有效性和鲁棒性。
本文将对研究成果进行总结，并对未来研究方向进行展望。
通过本文的研究，旨在为光学图像海面舰船目标智能检测与识别技术的发展提供理论支持和实践指导，推动相关领域的科技进步和应用发展。
二、相关理论和技术随着光学成像技术的不断进步，海面舰船目标的智能检测与识别已成为当前研究的热点。
在这一领域中，涉及的理论和技术众多，主要包括图像处理、机器学习、深度学习等。
图像处理技术是海面舰船目标检测的基础。
常用的图像处理技术包括图像增强、滤波、边缘检测等。
这些技术可以有效地提高图像质量，减少噪声干扰，突出目标特征，为后续的目标识别提供基础。
机器学习算法在舰船目标识别中发挥着重要作用。
通过训练大量的样本数据，机器学习模型可以学习到舰船目标的特征表示，从而实现自动的目标分类和识别。
常见的机器学习算法包括支持向量机（SVM）、随机森林（Random Forest）等。
基于深度学习的海上目标一维序列信号目标检测方法
Vol. 36 No. 12Dve. 2020第36卷第12期2020年12月信号处理Journal of Signal Processing文章编号：1003-0530(2020)12-1987-11基于深度学习的海上目标一维序列信号目标检测方法苏宁远陈小龙关键黄勇刘宁波(海军航空大学，山东烟台264001)摘要：当前海面目标检测方法多基于统计理论，检测性能受背景统计特性假设的影响，本文从信号预测和特征分类两个角度，分别采用长短时记忆网络# LSTM )和卷积神经网络(CNN )对信号时间序列幅度信息进行处理，用 于海上目标一维序列雷达信号检测，该方法不需事先假设背景统计特性，泛化能力更强。
基于LSTM 序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练，再用训练后的网络对后续序列进行预测，并与后续实测信号进行比较，实现目标检测。
基于CNN 序列分类的目标检测方法中采用截取的海杂波信号和目标信 号幅度序列作为数据集样本，对一维卷积核CNN 进行训练，使其具有识别目标杂波信号特征能力，从而实现目 标检测。
最后，采用IPIX 和CSIR 实测海杂波数据对两种方法进行验证，结果表明两种方法均可实现一维序列 信号中海面目标的检测，但LSTM 预测方法对于长序列检测的实时性有待于进一步提高；CNN 分类方法可实现实时检测，但仅利用信号幅度信息，检测性能仍需进一步提升。
关键词：雷达目标检测；深度学习；卷积神经网络(CNN )；长短时记忆网络(LSTM )；海杂波中图分类号：TN957.51 文献标识码：A DOI ： 10. 16798/j. issn. 1003-0530. 2020.12.004引用格式：苏宁远，陈小龙，关键，等.基于深度学习的海上目标一维序列信号目标检测方法[J ].信号处理，2020, 36(12) : 1987--997. D0I ： 10. 16798/j. issn. 1003-0530. 2020.12.004.Reference format : Su Ningyuan ，Chen Xiaolong ，Guan Jian ，et al. One-dimensional Sequence Signal Detection Methodfor Marine Taraet Based o n Deep Learning [ J ]. Journal of Signal Processing ，2020， 36 ( 12 ) : 1987--997. DOI : 10.16798/j. ion. 1003-0530.2020.12.004.One-bimeesional Sequence Signal Detection Mettod forMarine Target Based on Deep LearningSu Ningyuon Chen Xiaolong Guon Jion Huang Yong Liu Ningbo( NaeaeAeoaioon Unoeeasoiy ， Yaniao ， Shandong264001 ， Chona )Abstract : In this paper ，the feature generalization learning abilith of deep learning is used to process the signal time series amplitude information. Fem the perspectives of signal prediction and feature classification ，respectively ，long short-termmemoe networks ( LSTM ) and convolutional neural networks ( CNN ) are used for the detection of taraet 's one-dimensionalsequenceaadaasognae.Theiaageideiecioon meihod based on LSTM sequencepaedocioon usesiheseaceu i easognaeampeoiudeiomeseaoesioiaaon iheneiwoak ， and ihen usesiheiaaoned neiwoak iopaedocisubsequenisequences ， and compaaesoiwoihsubsequeniymeasuaed sognasioachoeeeiaageideiecioon.In iheiaageideiecioon meihod based on CNNsequenceca s oooca-ioon ， iheonieacepied seac-u i easogna-and iheiaageisogna-amp oiudesequenceaaeused asdaiaseisamp esioiaaon iheone- domensoona-coneo-uioon keane-CNNsoihaioican odeniooyiheiaageic-u i easogna-oeaiuae ， iheaebyachoeeongiheiaageideiec-ioon.Fonay ， iheiwomeihodsweaeeeaoooed usongIPIXand CSIRmeasuaed seac-u i eadaia.Theaesu isshowihaiboih meih-收稿日期：2020-03-12"修回日期：2020-04-22基金项目：国家自然科学基金(61931021，U1933135 , 61871391，61871392)；国防科技基金(2102024)；山东省重点研发计划(2019GSF111004) 资助1988信号处理第36卷ods can detect seo-sumace taraets in one-dimensional sequence signts,but the reol-Cme performance of LSTM prediction methods for long s equence detection needs to be further N classification method can realiee eg-Cme detection, buiusongoneysognaeampeoiudeonooamaioon,ihedeiecioon peaooamancesio e needsiobeouaiheaompaoeed.Key words:radar taraet detection；deep learning；convolutional neural network(CNN%；long short-term memoe network (LSTM)；sea clutter1引言海面目标检测在国防海上监视、交通运输和资源环境保护等诸多领域都有重要价值［1］)由于海洋环境复杂、海杂波和目标信号模型多样化等原因，可靠和稳健的海上目标检测和分类技术一直是关键技术*2-+)目前海面目标的检测与识别的难点主要在于海杂波抑制、目标高分辨特征提取、复杂特征分类等［5］)现有检测方法多以统计理论为基础，即将海杂波视为随机过程［6］，假设其服从特定的分布模型,例如:K分布［7］、瑞利分布、对数正态分布等，对于服从不同的统计模型的杂波信号采用不同检测算法。
基于频域滤波的分数阶Fourier变换的目标检测
基于频域滤波的分数阶Fourier变换的目标检测尹德强;李文海;宋有为【摘要】A FRFT weak target detection method based on filtering in frequency-domain is proposed through analyzing the echo signal of the target in sea. The method intercalated a band-pass filter in frequency-domain to filter the echo signal in frequency-domain and filter clutter, and then transformed the signal from FRFT domain to time domain, at this time, FRFT detected the target preferably. Experiment using the IPIX data shows that the method has remarkably advantages in increasing the signal-clutter FRFT peak value difference and enhancing the SCR. When the SCR is reduced to -10 dB, the method can still detect targets easily.%在分析海面运动目标回波的基础上提出了一种基于频域滤波的FRFT海面运动弱目标检测方法.该方法通过在频域设置一带通滤波器,对频域回波信号进行滤波,滤除部分杂波,然后逆变换到时域,此时再进行FRFT检测,就能够较好地检测到目标.利用IPIX 实测数据实验表明,在相同信杂比条件下所提方法在增加目标与杂波FRFT峰值差方面都明显优于仅对回波作FRFT变换.设置适当的恒虚警检测门限,该检测方法能够达到更好的检测效果.【期刊名称】《现代电子技术》【年(卷),期】2011(034)019【总页数】4页(P7-10)【关键词】分数阶Fourier变换;杂波抑制;滤波;海杂波【作者】尹德强;李文海;宋有为【作者单位】海军航空工程学院,山东烟台 264001;海军航空工程学院,山东烟台264001;中南财经政法大学工商管理学院,湖北武汉 430060【正文语种】中文【中图分类】TN911-340 引言在信号处理领域中，传统的Fourier变换是一个研究最为成熟、应用最为广泛的数学工具。
海杂波FRFT域分形特征在动目标检测中的应用
Ｏ 引 言
海杂波 的研究 已经有５ 多年 的历史 ，人们对 它 ０ 的认 识也经 历 了从低 分辨率 到高分 辨率 、从时 间上
平 稳到非平 稳 、从 空间上均 匀到非 均匀 、从线性 到
差 别 进 行 目标 检 测 。 但 信杂 比 （ ｉｎ ｌｔ Ｃｕｔｒ Ｓｇ ａ ｏ ｌｔ ｅ
Ｒ ｔ ，Ｓ Ｒ）较低 时 ，分形特 征 区别 不 明显 ，检测 ａｉ ｏ Ｃ 性 能下 降 ，且无 法获得 目标 的运动信息 。 在 现代雷 达系统 中 ， 目标 的多谱 勒频率 与 目标 速 度近似 成正 比 ，当 目标做匀 速或匀加 速运 动时 ， 回 波 可 建 模 为 线 性 调 频 （Ｌ ｎａ Ｆｅｕ ｎ ｙ ｉｅｒ ｒｑ ｅ ｃ Ｍｏ ｕａ ｏ ， Ｆ ） 号ｌ。复 杂运动 目标在一 段短 ｄ ｌ ｉｎ Ｌ Ｍ 信 ４ ｔ 】 的时间里 ，也 可用Ｌ Ｍ信号作 为其 一阶 近似【。 比 Ｆ ５ １
摘
要 ：文巾研究 了海上动 目标雷达 回波与海杂波在分数阶 Ｆ ｕｉ 域 （ Ｒ Ｔ域 ）的分形特性 ，利用两者幅值 ｏｒ ｒ ｅ ＦＦ
起伏程度的不同 ， 出了一种基于 Ｆ Ｆ 域分形维数差异 的动 目标检测方法。该方法以处处连续而不可导的非平 提 Ｒ ｒ 稳不规则信 号模 型——分数布朗运动作为 Ｆ Ｆ Ｒ Ｔ域分形模型 ， 通过仿真分析实 测海杂波数据 的分形曲线 ， 证明海
难 的问题 ，在 军用 和民用方 面都具有 很高 的应用价
值 。 海 面 上 运 动 的 小 型 舰 船 的 雷 达 反 射 截 面积 （ ａ ａ Ｃ ｏ ｓ ｅｔ ｎ Ｃ Ｒ ｄ ｒ ｒｓ Ｓ ｃ ｏ ，Ｒ Ｓ）较小 ，其 回波 常常淹 ｉ 没在海 杂波 和噪声 中。因此 ，稳健 可靠快速 的海杂
基于分形特征的目标检测算法概述及仿真
ＺＨＵＧＥ Ｘｉ ， ＸＩ ａ ＡＮＧ ｉ ｎ ｙ ｎ Ｊａ － ｏ ｇ
（ａ ｏａｏｙｏ ｈ ｔｅ ｃｒｎＩ ｇ Ｐ ｏｅｓ ｇ Ｉｓ ｔｔ ｆＴｃ ｎ ｌ ｉ ｌ ｈｓ ｓＸｄａ ｎｖｒｉ， ｈ ｎ ｘ Ｘ ｎ７ ０ ７ ． ｈｎ ） Ｌ ｂ ｒｔｒ ｆＰ ｏｏ ｌ ｔ ｍａ ｅ ｒｃｓｉ ，ｎｔｕ ｅ ｏ ｎ ｉ ｅｏ ｅｈ ｏｏ ｃ Ｐ ｙ ｉ ， ｉｉｎＵ ｉ ｓｙ Ｓ ａ ｎ ｉ ｉ １０ １Ｃ ｉａ ｇ ａ ｃ ｅ ｔ
引言
８ ０年代人们提 出利用人造 目标分形维数和 自 然 背 景分 维数 的差 异进 行 目标检 测 。 自然 背 景满足 分 形
基 于 红 外 图像 的 目标 检 测 一 直 是人 们 关 注 的 焦 模 型 ，具有 很 强的 自相似 性 ，它 的分 维数 相对 于不 具 点 ，人们对 此 也 作 了很多研 究 【 Ｊ Ｉ ，本文 的 检测 也是 基 有 自相 似性 的人 造 目标来 说 比较 小 ，因此 我们 可 以通 ＇ ２ 于 红 外 图像 的 。分形 理论 自提 出 以来【，就 备受 人们 过 比较 图像 不 同区域 的分 形维 数 的大 小来 找 出 目标所 ３ Ｊ 关注 ，它在许 多科学 领域 都得 到 了应用 ，如大家 比较 在 区域 。如文献 ［】 ６中所示 ，我们用 大 小 固定 的滑窗对 熟 悉 的用 分形 进 行边 缘检 测 【。 自然 背景 图像 是不 光 ４ Ｊ 图像进 行扫 描 ，分 别求 出每 一扫描 区域 的分形 维数 ， 滑 和不 规则 的 ，无法 用经 典 的几何 理论 加 以描述 ，但 对 于二 维 图像分 维数 的求 法 ， 的最 多 的就 是 “ 用 地毯 ” 是近 年 来发 展 的分形 几何 为描 述这 种 不光滑 性和 不规 覆 盖法 ，用 距离 图像 表面 尺度 为 ｒ的灰 度地 毯 分别 覆 则性 提 供 了很好 的理 论基础 和 研 究手段 【 Ｊ大量 的研 盖 图像 的 上 表 面 和 下 表 面 ， 上地 毯 Ｕ ｉ） 下地 毯 ４。 ， ５ ￣ ｆ和 究表 明分形模 型 可 以很好 地描述 自然背 景 的表面 和 空 Ｂ ｉ） ￣ｄ求法 如 下所 示 ： 间结构 ，但 是人 造 目标不 满足 分形 条件 ， 因此我 们在 用 分 形模型对 一幅包 含人 造 目标 的 自然 背 景 图像 进行 式 中 ： 描 述 时 ，包 含 人造 目标 的 自然 背 景 区域 和 纯 自然 背 景
基于WL-MF海面弱目标检测算法
究 者 的认 可 ． 分 形 是 非线 性 科 学 的 重大 分 支 ， 是 从 结 构 角
ｄ ｏ ｉ ： ｉ ０ ． １ ６ ４ １ １ ／ ｊ ． ｃ ｎ ｋ ｉ ． ｉ ｓ ｓ ｎ １ ０ ０ ６ － ７ ７ ３ ６ ． ２ ０ １ ５ ． ０ ３ ． ０ ２ ３
基 于 ＷＬ—ＭＦ海 面 弱 目标 检 测 算 法
高 芬， 杨 梅 ， 柳 晓鸣 ， 索继 东
１ １ ６ ０ ２ ６ ） （ 大连海事 大学 信息科学技术学院 ， 辽 宁 大连
摘要： 为 有 效 检 测 海 杂 波 背 景 下 的 弱 目标 ， 研 究 一 种 基 于 小 波领 袖 多 重分 形 （ ＷＬ—ＭＦ ） 分 析 的 目标 检 测 方 法． 该 方
０ 引 言
航海 雷达一 般研 究海杂 波 背景下 高 信杂 比大 目标 的检 测 ， 但 船 舶 搜 救 时需 要 检 测 的 目标 为 弱
Ｆ ｏ ｕ ｒ ｉ ｅ ｒ变 换 （Ｆ Ｒ Ｆ ｖ ｒ） 、Ｗｉ ｇ ｎ ｅ ｒ － Ｈ ｏ ｕ ｇ ｈ 变 换
Ｗｅ ａ ｋ ｔ ａ ｒ ｇ ｅ ｔ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ｉ ｎ ｓ ｅ ａ
ｃ ｌ ｕｔ ｔ ｅ ｒ ｂ ａｓ ｅ ｄ ｏ ｎ Ｗ Ｌ —Ｍ Ｆ
ｉ ｅ ｄ． Ｗ ａ ｖ ｅ ｌ ｅ ｔ ｌ ｅ ａ ｄ ｅ ｒ ｓ ｗａ ｓ ｕｓ ｅ ｄ ｔ ｏ ａ ｎａ ｌ ｙ ｚ ｅ ｔ ｈ ｅ ｍｕ ｌ ｔ ｉ ｆ ｒ ａ ｃ ｔ ａ ｌ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｓ ｏ ｆ ｓ ｅ ａ ｃ ｌ ｕ ｔ ｔ ｅ ｒ ，ｔ ｈｅ ｍｕｈｉ ｆ ｒ ａ ｃ ｔ ａ ｌ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ｏ ｆ ｓ ｅ ａ ｃ ｌ ｕ ｔ ｔ ｅ ｒ ａ ｎｄ ｔ ａ ｒ ｇ ｅ ｔ ａ ｒ ｅ ａ ｗｅ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｅ ｄ ｔ ｏ ｄ ｅ ｔ ｅ ｃ ｔ ｔ ａ ｒ ｇ ｅ ｔ ．Ｉ ｔ ｉ ｓ ｖ ｅ ｉｆ ｒ ｉｅ ｄ ｂ ｙ Ｉ ＰＩ Ｘ ｒ ａ ｄ ａ ｒ ｓ ｅ ａ ｃ ｌ ｕ ｔ ｔ ｅ ｒ ｄａ ｔ ａ ． Ｒｅ ｓ ｕ ｌ ｔ ｓ ｈ ｏ ｗｓ ｔ ｈａ ｔ ｓ ｃ ｌ— ａ
近岸海域多目标检测与跟踪技术研究
近岸海域多目标检测与跟踪技术研究随着人类社会的不断发展，航运业有了巨大的进展，航运业的前进推动了人类对于海洋更深入的了解，而在航运业中，对于海洋中各种各样的目标进行检测和跟踪，是其中非常重要的一环。
近年来，近岸海域对于各方面的要求更加严格，因此针对近岸海域中的多个目标，进行精细化的检测和跟踪技术研究，已经成为了当前航运业中的研究热点问题。
一、近岸海域检测技术1. 目标检测原理现代目标检测技术主要分为两种方法：一种是基于特征寻找的方法，一种是基于分类器的方法。
基于特征寻找的方法主要是将目标进行特征提取，通过特征组合得到目标的区域信息，进而辨别是否是目标。
而基于分类器的方法，则是利用机器学习方法，将大量的目标样本进行训练，从而从样本中学习到了目标特征的内在规律。
2. 海洋目标的检测海洋中的目标种类繁多，且目标环境变化多样化。
在海洋环境中进行目标检测时，应根据不同的环境与所需探测目标选择不同的探测手段，如红外、激光、雷达等。
同时，通过对目标的特征进行提取和分析，辨别目标是否是所需要的。
二、船舶多目标跟踪技术船舶多目标跟踪技术是近年来航运业中的研究热点问题，跟踪目标的数量是非常庞大的，因此此技术必须具备可扩展性、可靠性和数据全面性。
1. 多目标跟踪算法多目标跟踪算法主要由四部分组成：检测、匹配、跟踪和预测四个过程。
具体而言，就是从检测出的目标中选取可靠的跟踪目标，通过目标之间的相互距离计算和目标运动方向的预测等方式，实现目标的跟踪。
2. 基于深度学习的多目标跟踪算法近年来，随着深度学习技术的发展，基于深度学习的多目标跟踪算法逐渐成为近岸海域目标跟踪的研究热点。
其中采用的技术包括卷积神经网络、循环神经网络和自注意力等，极大地提高了目标检测和跟踪的准确性和可靠性。
三、结论航运业中的近岸海域多目标检测与跟踪技术在海洋运输、渔业、海洋环境保护等方面有着极为重要的作用，在未来的航运业发展中具有广泛的应用前景。
而伴随着技术的不断更新迭代，我们相信在今后的研究中，以上技术将不断得到优化和完善，取得更为优异的成果。
面向可见光遥感图像的海上目标快速检测和识别技术
1、目标识别率
实验结果显示，卷积神经网络在目标识别方面具有较高的准确率。在我们的数 据集上，卷积神经网络的目标识别率达到了90%以上。相比之下，支持向量机 和神经网络的识别率略低，但也达到了80%以上。
2、时间成本
在实验中，我们还对三种分类算法的时间成本进行了比较。结果表明，卷积神 经网络的时间成本相对较低，能够在较短的时间内完成目标识别任务。而支持 向量机和神经网络的时间成本相对较高，尤其是在处理大规模数据集时更为明 显。
四、总结与展望
面向可见光遥感图像的海上目标快速检测和识别技术是遥感技术应用中的重要 研究方向之一。虽然现有的方法已经取得了一定的成果，但仍存在一些挑战和 问题需要进一步研究和解决。例如，如何进一步提高算法的实时性和准确性、 如何处理复杂多变的海面背景、如何降低光照条件等因素对目标检测和识别的 影响等。
关键技术分析
1、图像采集
图像采集是遥感技术的首要环节。对于大幅面可见光遥感图像，通常采用高分 辨率卫星或航空相机进行采集。近年来，随着无人机技术的发展，低空遥感图 像的获取也越来越普遍。在图像采集过程中，需要控制照相机的曝光时间、光 圈大小、焦距等参数，以获取高质量的遥感图像。
2、特征提取
特征提取是目标识别的关键步骤。对于大幅面可见光遥感图像，目标的特征通 常包括纹理、形状、颜色等。这些特征可以通过图像处理技术进行提取。常用 的图像处理技术包括灰度化、二值化、滤波、边缘检测等。在特征提取过程中， 需要选择合适的处理技术，并根据目标的特点进行特征提取和优化。
一、可见光遥感图像的特点
可见光遥感图像是以电磁波谱中的可见光部分为基础，通过遥感器收集并处理 后得到的图像。它们通常具有较高的空间分辨率和光谱分辨率，能够提供较为 直观和丰富的地表信息。但是，由于大气散射、海面波动、光照条件等多种因 素的影响，可见光遥感图像往往存在一定的噪声和模糊。
水面运动目标跟踪与识别技术研究
水面运动目标跟踪与识别技术研究水面运动一直是人们喜爱的运动项目之一，如冲浪、皮划艇、水上滑板等。
在这些水上运动中，人体是最主要的目标，其它如船只、浮标、浮筒等也属于运动场景中的次要目标。
本文将重点探究水面运动中目标跟踪与识别技术的研究现状及未来发展方向。
一、水面运动场景的挑战水面运动场景与陆地不同，在水面上往往存在着波浪、洋流等复杂的背景干扰。
同时，水面运动运动员往往会在水中汇聚、起伏、反射等非规则的水流中运动，这样的场景使得目标跟踪与识别的难度提高。
如果将水面运动的采集场景投影到视频目标跟踪领域，可以发现其中的一些共同点：高速移动物体、旋转运动、尺度变化等视频跟踪中常见的问题，如何克服这些问题，是水面运动目标跟踪与识别技术研究中的关键。
二、水面运动目标跟踪技术研究现状目前的水面运动目标跟踪技术主要集中于目标跟踪算法的研究。
跟踪算法根据运动状态，依次完成目标检测、位置估计、跟踪更新等步骤，最终实现对运动目标的跟踪。
常用的跟踪算法包括卡尔曼滤波、粒子滤波、神经网络等。
卡尔曼滤波是一种经典的线性滤波算法，可以对系统的状态变化进行预测，因此在飞行器、导弹等需要精确跟踪的应用场景被广泛应用。
粒子滤波则可以用来处理一些非线性、非高斯分布的情况，并且可以通过“粒子重采样”的方式较好地维护样本数量和效度，但是粒子滤波的计算量较大。
神经网络则可以从大量数据中学习目标的运动规律和特征，能够应对场景变化较快的情况。
不过模型的训练和计算资源需求颇高，目前还没有普及到水面运动目标跟踪的实际应用中。
三、水面运动目标识别技术研究现状水面运动目标跟踪的最终目标是为运动员提供个体化的训练建议和实时反馈，对于识别运动员的动作和动作姿态具有很高的要求。
近年来，水面运动目标识别也开始受到研究人员的关注，以提升对运动员的识别与分析效果。
目前，具有代表性的水面运动目标识别研究成果主要包括基于传统图像处理方法和深度学习方法两类。
传统图像处理方法主要通过分类、拟合等手段对图像进行重构和识别，其优点是计算量相对小且易于解释。
一种基于AR谱奇异强度函数的海面微弱目标检测方法[发明专利]
![一种基于AR谱奇异强度函数的海面微弱目标检测方法[发明专利]](https://img.taocdn.com/s3/m/80e27102e009581b6ad9eb88.png)
专利名称：一种基于AR谱奇异强度函数的海面微弱目标检测方法
专利类型：发明专利
发明人：范一飞,李浩江,陶明亮,粟嘉,王伶,张兆林,李滔,宫延云,韩闯
申请号：CN202010416130.9
申请日：20200517
公开号：CN111580091A
公开日：
20200825
专利内容由知识产权出版社提供
摘要：本发明提供了一种基于AR谱奇异强度函数的海面微弱目标检测方法，利用海杂波的时域回波信号估计海杂波的AR谱，对海杂波AR谱分形特性判定，对海杂波AR谱奇异强度函数取值区间宽度进行计算，从而进行恒虚警检测器设计。
本发明利用了海杂波非高斯、非平稳和非线性的特性，通过对海杂波AR谱分形特性的分析，克服了传统目标检测方法因海杂波模型失配引起的检测性能下降；采用了AR功率谱分析，克服了传统时域、频域分形分析的缺点，充分考虑了时间相关性对分形特性分析的影响，并极大程度提高了AR功率谱的频率分辨率；提高了低信杂比背景下，海面微弱目标检测性能与稳定性。
申请人：西北工业大学
地址：710072 陕西省西安市友谊西路127号
国籍：CN
代理机构：西北工业大学专利中心
代理人：金凤
更多信息请下载全文后查看。
基于深度学习的海面舰船目标识别技术研究
基于深度学习的海面舰船目标识别技术研究随着科技的不断发展，舰船目标识别技术也得到了越来越广泛的应用。
目前，基于深度学习的海面舰船目标识别技术有着较高的准确率和鲁棒性。
本文将介绍这种技术的原理、应用和未来发展方向。
一、深度学习的海面舰船目标识别技术原理深度学习是一种机器学习的方法，其核心理念是通过对大量数据的学习，发掘数据内部的规律和特征，从而实现对新数据的识别和分类。
在海面舰船目标识别中，深度学习可以实现对舰船的自动检测、分类和跟踪。
具体来说，深度学习模型可以分为卷积神经网络（Convolutional Neural Network，CNN）和循环神经网络（Recurrent Neural Network，RNN）两类。
其中，CNN是一种用于图像处理的神经网络模型，可以识别出图像中的特征，并进行分类。
在海面舰船目标识别中，CNN可以通过对舰船图像进行卷积操作，提取图像特征，然后通过全连接层进行分类。
而RNN则是一种可以处理序列数据的神经网络模型。
在舰船目标跟踪中，RNN可以通过对时间序列数据的学习，实现对舰船的跟踪和预测。
此外，利用卷积神经网络和循环神经网络的组合，可以实现更加精确和稳定的海面舰船目标识别技术。
二、基于深度学习的海面舰船目标识别技术应用基于深度学习的海面舰船目标识别技术，已经被广泛应用于海事、港口、海事巡逻等领域。
例如，在海事领域，该技术可用于对违法渔船、非法船只等进行识别和打击；在港口领域，该技术可用于对港口内进出口的船只进行识别和追踪；在海事巡逻领域，该技术可用于对海上目标进行监控和管理。
此外，基于深度学习的海面舰船目标识别技术也被应用于海上交通管理、海洋环境监测等区域。
其优良的准确性和稳定性，使得该技术的应用范围不断扩大，未来将有更广泛的应用领域。
三、基于深度学习的海面舰船目标识别技术未来发展方向随着深度学习技术的不断进步和完善，未来基于深度学习的海面舰船目标识别技术将有更广泛的应用和更高的准确性。
一种基于分形和ICA的海杂波SAR图点目标检测新方法
分形 ( Fractal ) 理 论 基 于 局部 来 研 究 整体 , 用 H�lder 指数 表征局部奇异性 。 令 α ∈ (0 ,1) , x0 ∈ K < R ,定义函数 f : K →
R 属于 Cx 0 ( 或者在 x0 处 H�lder 指数可求 ) 。如果对
α
[5]
导致海杂波仍旧严重的困难 。如何将亮度和降噪的 思想统一起来 , 是本文算法的出发点 。 首先 , 分形理论中 ,H�lder 指数[ 5 ] 表征了局部奇 异性 , 而且不损失原图的结构信息 。计算 H�lder 指 数图 , 并有效 挖掘 局部信 息 , 可以 实现 目标 ‘粗提 取’ , 这本质了起到了区分亮度的作用 。 其次 ,独立成分分析提供了一种基于源分量的 门限降噪思路 , 但是一般要考虑噪声类型和分量的 统计特性 , 使得降噪计算量较大 。为了摆脱这样的 限制 , 同样保证降噪的有效性 ,本文在 ICA 的基础上 提出了空间分离法 。 综合上述 , 简述本文算法如下 :首先计算原图像 的点态指数 ,并二值模糊化增强 ;然后将其作为 ICA 的输入 ,得到图像的空间表达。由于本文认为此空 间是由两个空间合成的 , 噪声信号对应的噪声空间 , 以及非噪声信号对应的非噪声空间 。因此 , 根据制 定好的分离判据 ,对原空间进行分离 , 便获得这两个 子空间。最后通过非噪声空间内独立成分的增强和 空间再重构便得到复原图。简单阈值分割后给出目 标的二值化提取结果。
Analysis) 相结合 ,提出了空间分离法 ,实现了海杂波 S AR 图的降噪和点目标检测 。首先 ,求得点态 H� lder 指 数图 , 并
用二值模糊化技术对其处理 ; 接着 使用 ICA 技术得到基图像和独立成分 ; 然后使用空 间分离法 ,对独立 成分进行分 离 ,同时对基图进行对应分类 ,获得非 噪声和 噪声 两个空 间 。最后 在非 噪声空 间上 进行独 立成 分增强 ,并 复原 图 像 。实验部分 ,将该算法与传统算法进行对比 ,从视觉效果和量化指标两方面证实了该算法的有效性和优越性 。 关键词 : 点目标检测 ; 降噪 ; 合成孔径雷达 ; H� lder 指数 ; 独立成分分析 ; 空间分离 中图分类号 : TP391. 4 文献标识码 :A 文章编号 :10002 1328 (2007) 06217092 06
海面目标的岸基多手段监测方法
海面目标的岸基多手段监测方法
杨效余;于勇;褚超;张彬
【期刊名称】《遥测遥控》
【年(卷),期】2016(037)001
【摘要】针对沿海区域目标监测问题，目前主要的监测手段有雷达、红外、光学等。
利用岸基 ISAR 搜索成像雷达和光电综合监测设备获取多源实测数据，并通过图像解译方法提取目标特征，可以有效提升沿海环境下监测系统的态势感知能力。
【总页数】7页(P45-51)
【作者】杨效余;于勇;褚超;张彬
【作者单位】航天长征火箭技术有限公司北京 100076;航天长征火箭技术有限公司北京 100076;航天长征火箭技术有限公司北京 100076;航天长征火箭技术有限公司北京 100076
【正文语种】中文
【中图分类】TP391
【相关文献】
1.面向航空遥感的海面溢油监测方法 [J], 刘东东;侯云海;荆云波;
2.面向航空遥感的海面溢油监测方法 [J], 刘东东;侯云海;荆云波
3.基于星载SAR和AIS构建海面溢油监测方法 [J], 邴磊;邹娜娜;过杰;丛旭东;林勐;史湘君
4.海面散射信号的分形特性与海面目标的探测 [J], 黄瑞东;罗贤云
5.面向海面目标检测的陆海分离和海面分区算法研究 [J], 周明;马亮;王宁;杨予昊
因版权原因，仅展示原文概要，查看原文内容请购买。
基于分形特性改进的EMD目标检测算法
基于分形特性改进的EMD目标检测算法张林;李秀友;刘宁波;关键【摘要】为克服原有检测算法在目标和海杂波混叠时检测性能下降的问题,该文提出一种基于分形特性改进的经验模态分解(EMD)目标检测算法.该算法对原始信号经经验模态分解后得到的固有模态函数进行数据重构,再采用快速傅里叶变换获得去噪后的海杂波单元和目标单元的频谱,计算两者的单一Hurst指数,并将其输入非参量检测器中进行目标检测.研究表明,虽然目标和海杂波在频谱中难以区分,但两者在无标度区间内的单一Hurst指数存在差异,因此所提检测算法相比于原有频域检测算法性能更优.【期刊名称】《电子与信息学报》【年(卷),期】2016(038)005【总页数】6页(P1041-1046)【关键词】目标检测;经验模态分解;分形理论;广义符号;海杂波【作者】张林;李秀友;刘宁波;关键【作者单位】海军航空工程学院电子信息工程学院烟台 264001;海军航空工程学院电子信息工程学院烟台 264001;海军航空工程学院电子信息工程学院烟台264001;海军航空工程学院电子信息工程学院烟台 264001【正文语种】中文【中图分类】TN9571 引言经验模态分解(Empirical ModeDecomposition, EMD)[1]是由黄锷博士提出的一种新的时频分析方法，该方法无需假定基函数，可根据信号自身的局部特征，进行自适应地分解，克服了原有时频分析方法的局限性，适用于非线性非平稳信号的分析。
目前对EMD的研究集中于算法本身的改进及应用领域的研究，对算法本身的改进主要有端点效应、包络拟合、虚假分量剔除和模式混叠等方面。
对应用领域的研究主要体现在信号去噪[2,3]、微动分析[4,5]、SAR图像[6]、特征提取[7,8]、滚动轴承[9]、海杂波中的目标检测等。
高海况条件下的微弱目标检测技术一直是信号处理的热点问题，针对上述问题国内学者结合IPIX雷达数据开展了大量研究，文献[10]分析发现经EMD处理后，目标的趋势分量及部分固有模态函数(Intrinsic Mode Function, IMF)分量与海杂波具有明显区别；文献[11]分析发现，经EMD处理后噪声主要在预先分解出的IMF分量中，可通过该特性进行海杂波去噪；文献[12]分析发现，经EMD处理后，无目标时，海杂波能量主要集中于前3个高频IMF中，而当目标出现后，海杂波的能量将向后面的低频IMF扩展，均得到了有意义的结论。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｋｅ ｒ ｓ： ｉｈ ｏ ｄ ｒｆ ｃａ ｅ ｔ ｒ ；ｌｃ ｎ ｒｔ ｔｒ ｅ ｅｅ ｔ ｎ ｙ ｗｏ ｄ ｈ ｓ — ｒ ｅ ａ ｔ ｆ ａｕ ｅ ａ ｕ ａｉ ａ ｇ ｔ ｔ ｃｉ ｒ ｌ ｙ； ｄ ｏ
ｌ 引 言
式 中包含 了两 个参 量 ， 即前 项 系 数 ｋ和 指 数 项 （ ｄ—Ｄ） ８为尺度 。过 去 我们 的注 意力 常集 中在 指 ， 数项 （ 在分 形 理 论 中 ， 指数 项 常 常 是 分 形 维数 的 表 达 式 ） 而 忽 略 了对 前 项 系数 的研 究 。在 双 对 数 坐 ， 标系中， 指数 项反 映 的是直线 的斜 率 ， 前项 系数 的 而
２ Ｄ ｐ ｆｎｏｍ ｔ ｎＥ ｇ ｅｆ ｇＤ ｉｎＮ ｖ ｃｄｍ ， ａａ １０ ８ Ｃ ｉａ ． ｅＬｏ ｆ ａ ｏ ｎｉ ｅ ｎ ， ａ ａ ａａ Ａ ａｅ ｙ Ｄ ｉ １６ １ ，ｈｎ ） Ｉ ｒ ｉ ｎ ｉ ｌ ｌ ｌ ｎ
ቤተ መጻሕፍቲ ባይዱ
Ａｂ ｔ ａ ｔ Ｔ ｅｈ ｇ — ｒ ｅ ａ ｔ ｅ ｔ ｒ ｍｐ ｏ ｅ ｅｅ ｔ ｎ ｏ ｖｎ ａｇ ｔ ｎ ｅ ｅ ａ ｋ ｒ ｕ ｄ Ｔ ｅ ｎ ｗ ｆ ｃ ｓ ｒ ｃ ： ｈ ｉｈ ｏｄ ｒｆ ｃ ａ ｆ ａｕ ｅ ｉ ｅ ｌ ｙ ｄ ｔ ｄ ｔｃｉ ｆｍｏ ｉ ｇｔｒ ｅ ｄ ｒｓ ａｂ ｃ ｇ ｏ ｎ ． ｈ ｅ ａ — ｒ ｌ ｓ ｏ ｏ ｕ ｒ ｔｌ ｅ ｔ ｒ ・ａ ｕ ａｉ ｓｕ ｅ ｏ ｉ ｅ ｔ ｙ ｍｏ ｉ ｇ ｔｒ ｅ ｎ ｅ ｌ ｔ ｒ Ｔ ｅ ｅ ｐ ｒ ｎｓ ｓ ｏ ｈ ｔｈ ｇ ｅ ｅｅ ｔ ｎ ａ ・ ａ ａｕ ｅ ｌｃ ｎ ｒｔ ｉ ｓ ｄ ｔ ｎｉ ｖｎ ｇ ｔａ ｄ ｓ ａ ｃｕ ｔ ． ｆ ・ ｙ ｄ ｆ ａ ｅ ｈ ｘ ｅｉ ｍｅ ｔ ｈ ｗ ｔａ ｉ ｈ ｒｄ ｔｃｉ ｃ ｏ ・
ｃ ａ ｙ ｏ ｖｎ ａ ｇ ｔ ａ ｂ ｍｎ ｄ ｂ ｓｎ ａ ｕｎ ｒｔ ｅ ｔ ｅ ｔａ ｙ ｆａ ｔ ｉ ｎ ｉｎ ｒ ｕ ｃ ｆｍｏ ｉｇ ｔ ｅ ｓｃ ｎ ｂｅ ｏ ｔ ｅ ｙ ｕ ｉ ｇ ｌｃ ａｉｙ ｆ ａｕｒ ｈ ｎ ｂ ｃ ａ ｄ ｍｅ ｓｏ ． ｒ ｌ
・图像 与信 号处 理 ・
基 于 高 阶分 形 特 征 的海 面运 动 目标 检 测 方 法
何 四华 杨 绍清 石爱 国 ， 天伟 ， ， 李
（ ．海军大连舰 艇学 院航海系 ， １ 辽宁 大连 １６ １ ２ １０ ８；．海军大连舰艇学院信息与通信 工程系 ， 辽宁 大连 １６ １ ） １０ ８
在海 空 背景 的运 动 目标 检测 中 ， 空背 景 和 目 海 标 的表 面完 全不 同 ， 但某 种 情 况 下 却具 有 相 同或 相
似 的分 形维 数 ， 时仅用 分形 维数 来进行 目标检 测 ， 这 背景 和 目标就 会混 淆 。Ｂ Ｂ Ｍａｄｌｒｔ ． ． ｎ ｅ ｏ 在提 出分 形 ｂ 理论之 初 ， 已经注 意到分 维 的非普适 性或 非唯一 性 ， 他建议 研究缝 隙作 为分 维 的一 个补充 。缝 隙值作 为 高阶分形 特征 ， 近年 来常 用于 图像分 析 中 ， 尤其是 纹 理 图像 ［ 和 医疗 图像 ［ 的 分 析 中。本 文 在 探 讨 缝 １ ２ 隙值 特性 的基础 上 ， 用 它进 行 了海 面运 动 目标 的 利
中图分类 号 ： Ｐ ５ Ｔ７１ 文 献标识 码 ： Ａ
Ｄｅ ｅ ｔｏ ｆ Ｍ ｏ ｉ ｇ Ｔａ ｇ ｔ ｕ ｅ ｅ ｃ ｒ ｕ ｄ ｔ ｃ ｉ ｎ ｏ ｖ ｎ ｒ ｅ ｎｄ ｒ Ｓ ａ Ｂａ ｋｇ ｏ ｎ
Ｂａ ｅ ｎ Ｈｉ ｈ ｏ ｄ ｒ Ｆｒ ｃ ａ ａ ｕ ｅ ｓ ｄ ｏ ｇ — ｒ ｅ ａ ｔ ｌＦｅ ｔ ｒ
检测 ， 取得 了 良好 的效 果 。 ２ 缝 隙 的概 念及 计算 方法 在分形 理论 中 ， 我们 常遇 到诸 如下 面的表达 式 ：
（ ）＝ｋ 。 ８ ８ （） １
对 数为 直线 的截距 。直线 是 由斜率 和截 距共 同决定
的， 因此 ， 一个分形 集 只研究 它 的分形 维数是 不全 对 面 的 。分 形 维 数 只 是 指 出 了物 体 表 面 的 不 规 则 程 度， 却没有 描述 表 面起 伏 的快 慢 。缝 隙 与前 项 系数 ｋ是 有关 的 。
摘 要 ： 高 阶分 形特 征用 于海面运 动 目标 检 测 ， 取 出用 于 区分运 动 目标 和 海杂 波 的新 的分 将 提 形 特征—— 缝 隙特 征 。实验表 明利用 缝 隙特 征进 行 海 面运 动 目标 检 测 ， 以取 得 较 分形 维 检 可 测 更 高的准 确率 。
关键 词 ： 阶分形特 征 ； 隙； 高 缝 目标 检测
基金项 目： 国家 自然科学基金 （ ｏ６ ５ ２６ ） Ｎ ． ０ ７ １０ 资助 。 作 者 简 介 ： 四 华 （９ ９一） 男 ， 士 研 究 生 ， 何 １７ ， 博 主要 研 究 方 向 是 交通信息工程及控制。Ｅ ｍａ ：ｅｉｕ １７ ＠１３ ｃｒ — ｉ ｈ ｓ ａ９ ９ ６． ｏ ｌ ｈ ｎ 收 稿 日期 ：０ ７ｌ －８ 修 订 日期 ：０ ８０ —４ ２ ０ 一ｌ２ ： ２０ －１１
ＨＥ ｉｈ ａ ＹＡＮＧ ｈ ｏ ｑ ｎ ， ＨＩＡｉｇ ， ＩＴｉｎ． ｉ Ｓ — ｕ ， Ｓ ａ — ｉ ｇ Ｓ ．ｕｏ Ｌ ａ ｗｅ
（ ． ｅＬｏ ａｉ ｔ ｎ Ｄ ｉ ａａ Ａ ａｅ ， ａ ａ １０８ Ｃ ｉａ １Ｄ ｐ ｆ ｖｇ ｉ ， ａａ Ｎ ｖｌ ｃｄｍｙＤ ｉｎ１６ １ ， ｈｎ ； Ｎ ａｏ ｌ ｎ ｌ
维普资讯
第 ３ 卷 第 ６期 ８ ２０ ０ ８年 ６月
激 光 与 红 外
Ｉ ＳＥＲ ＆ Ｉ Ａ ＮＦＲＡＲＥＤ
Ｖｏ．３ Ｎｏ ６ １ ８， ．
Ｊ ｎ ，０ ８ ｕ ｅ２ ０
文章编号： ０－ ７ （０８０－ ０ － １ １ ０８ ２０ ）６０ ２ ３ ０ ５ ６ ０