海杂波下的雷达目标检测技术进展评述
目标检测综述教学内容
一、传统目标检测方法 如上图所示，传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。下面我们对这三个阶段分别进行介绍。 (1) 区域选择这一步是为了对目标的位置进行定位。由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是缺点也是显而易见的：时间复杂度太高，产生冗余窗口太多，这也严重影响后续特征提取和分类的速度和性能。（实际上由于受到时间复杂度的问题，滑动窗口的长宽比一般都是固定的设置几个，所以对于长宽比浮动较大的多类别目标检测，即便是滑动窗口遍历也不能得到很好的区域） (2) 特征提取由于目标的形态多样性，光照变化多样性，背景多样性等因素使得设计一个鲁棒的特征并不是那么容易。然而提取特征的好坏直接影响到分类的准确性。（这个阶段常用的特征有SIFT、HOG等） (3) 分类器主要有SVM, Adaboost等。 总结：传统目标检测存在的两个主要问题： 一是基于滑动窗口的区域选择策略没有针对性，时间复杂度高，窗口冗余； 二是手工设计的特征对于多样性的变化并没有很好的鲁棒性。 二、基于Region Proposal的深度学习目标检测算法 对于传统目标检测任务存在的两个主要问题，我们该如何解决呢？ 对于滑动窗口存在的问题，region proposal提供了很好的解决方案。region
proposal（候选区域）是预先找出图中目标可能出现的位置。但由于region proposal 利用了图像中的纹理、边缘、颜色等信息，可以保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率。这大大降低了后续操作的时间复杂度，并且获取的候选窗口要比滑动窗口的质量更高（滑动窗口固定长宽比）。比较常用的region proposal算法有selective Search和edge Boxes，如果想具体了解region proposal可以看一下PAMI2015的“What makes for effective detection proposals？” 有了候选区域，剩下的工作实际就是对候选区域进行图像分类的工作（特征提取+分类）。对于图像分类，不得不提的是2012年ImageNet大规模视觉识别挑战赛（ILSVRC）上，机器学习泰斗Geoffrey Hinton教授带领学生Krizhevsky使用卷积神经网络将ILSVRC分类任务的Top-5 error降低到了15.3%，而使用传统方法的第二名top-5 error高达26.2%。此后，卷积神经网络占据了图像分类任务的绝对统治地位，微软最新的ResNet和谷歌的Inception V4模型的top-5 error降到了4%以内多，这已经超越人在这个特定任务上的能力。所以目标检测得到候选区域后使用CNN对其进行图像分类是一个不错的选择。 2014年，RBG（Ross B. Girshick）大神使用region proposal+CNN代替传统目标检测使用的滑动窗口+手工设计特征，设计了R-CNN框架，使得目标检测取得巨大突破，并开启了基于深度学习目标检测的热潮。 1. R-CNN (CVPR2014, TPAMI2015) (Region-based Convolution Networks for Accurate Object d etection and Segmentation)
合成孔径雷达概述(SAR)
合成孔径雷达概述 1合成孔径雷达简介 (2) 1.1 合成孔径雷达的概念 (2) 1.2 合成孔径雷达的分类 (3) 1.3 合成孔径雷达(SAR)的特点 (4) 2合成孔径雷达的发展历史 (5) 2.1 国外合成孔径雷达的发展历程及现状 (5) 2.1.1 合成孔径雷达发展历程表 (6) 2.1.2 世界各国的SAR系统 (9) 2.2 我国的发展概况 (11) 2.2.1 我国SAR研究历程表 (11) 2.2.2 国内各单位的研究现状 (12) 2.2.2.1 电子科技大学 (12) 2.2.2.2 中科院电子所 (12) 2.2.2.3 国防科技大学 (13) 2.2.2.4 西安电子科技大学 (13) 3 合成孔径雷达的应用 (13) 4 合成孔径雷达的发展趋势 (14) 4.1 多参数SAR系统 (15) 4.2 聚束SAR (15) 4.3极化干涉SAR（POLINSAR） (16) 4.4合成孔径激光雷达（Synthetic Aperture Ladar） (16) 4.5 小型化成为星载合成孔径雷达发展的主要趋势 (17) 4.6 性能技术指标不断提高 (17) 4.7 多功能、多模式是未来星载SAR的主要特征 (18) 4.8 雷达与可见光卫星的多星组网是主要的使用模式 (18) 4.9 分布SAR成为一种很有发展潜力的星载合成孔径雷达 (18) 4.10 星载合成孔径雷达的干扰与反干扰成为电子战的重要内容 (19) 4.11 军用和民用卫星的界线越来越不明显 (19) 5 与SAR相关技术的研究动态 (20) 5.1 国内外SAR图像相干斑抑制的研究现状 (20) 5.2 合成孔径雷达干扰技术的现状和发展 (20) 5.3 SAR图像目标检测与识别 (22) 5.4 恒虚警技术的研究现状与发展动向 (25) 5.5 SAR图像变化检测方法 (27) 5.6 干涉合成孔径雷达 (31) 5.7 机载合成孔径雷达技术发展动态 (33) 5.8 SAR图像地理编码技术的发展状况 (35) 5.9 星载SAR天线方向图在轨测试的发展状况 (37) 5.10 逆合成孔径雷达的发展动态 (38) 5.11 干涉合成孔径雷达的发展简史与应用 (38)
雷达运动目标检测大作业
非均匀空时自适应处理 摘要 本文首先依次介绍了在非均匀环境下的STAP处理法，包括降维、降秩以及LSMI方法，接着重点分析了直接数据域（DDD）方法的原理及实现过程，最后针对直接数据域方法进行了仿真实验。 引言 机载雷达对运动目标检测时, 面临的主要问题是如何抑制强大的地面杂波和各种类型的干扰，空时自适应处理（STAP）是解决该问题的关键技术。STAP 技术通过对杂波或干扰训练样本分布特性的实时学习来来形成空域—时域二维自适应权值，实现对机载雷达杂波和干扰的有效抑制。 STAP技术在形成自适应权值时，需要计算杂波协方差矩阵R。实际系统的协方差矩阵是估计得到的，即先在待检测距离单元的临近单元测得K个二维数 据矢量样本V i（i=1，2…K），再计算R的估计值?=Σ i=1K V i V i H∕K，然后可得自 适应权值W=μR^-1S，其中μ为常数，S为空时导向矢量。临近训练样本的选择必须满足独立同分布（IID）条件。同时，为了使由杂波协方差矩阵估计引起的性能损失控制在3dB内，要求均匀训练样本数K至少要2倍于其系统自由度（DOF）。如果所选样本非均匀，则形成的权值无法有效对消待检测单元中所含有的杂波和干扰，从而大大降低对运动目标的检测性能。 在实际应用中, 机载雷达面临的杂波环境往往是非均匀的, 这对经典的S T A P 技术带来了极大的挑战。针对这一难题, 许多新的适用于非均匀杂波环境的S T A P 方法不断被提出。 1、解决非均匀样本的方法 1.1、降维方法 降维方法的最初目的是为了减少空时自适应处理时所需的巨大运算量, 但后来发现该类方法同时大大减少了对均匀训练样本数的需求, 对非均匀情况下杂波抑制起到了积极的作用。降维方法将每次自适应处理所需要抑制的杂波范围限制在某一个较小杂波子空间内, 根据RMB准则和Brennan定理, 自适应处理时所需要的均匀训练样本数由2 倍于整体系统自由度减至降维后2 倍于子空间系统自由度。降维程度越高, 对均匀训练样本的需求就越少。降维方法属固定结构方法, 无法充分利用杂波的统计特性。当辅助波束与杂波谱匹配很好时, 处理性能往往很好。反之, 则性能下降。 1.2、降秩方法 与固定结构降维方法相反, 降秩方法充分利用回波中杂波的分布特性, 每次处理选取完备杂波空间来形成自适应权值对消杂波分量, 可看作依赖回波数据的自适应降维方法。该类方法在形成权值过程中利用的信息中不含噪声分量, 所以避免了小样本情况下噪声发散带来的性能下降问题, 故减少了对均匀训练样本数的需求。同样, 该类方法在满足信杂噪比损失不超过 3 d B 条件时所需的训练样本数约为 2 倍的杂波子空间的维数。从处理器结构上来看, 降秩方法可
目标识别技术
目标识别技术 摘要： 针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络模式识别方法。最后分析了问题的可能解决思路。 引言： 雷达目标识别技术回顾及发展现状 雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标识别理论和技术。 随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反映一个国家的军事实力和作战能力。 雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减速，落在真弹头的后面，从而可以区别目标。 所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高，对雷达目标识别提出了越来越高的要求。 目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高
目标检测方法简要综述
龙源期刊网 https://www.360docs.net/doc/d17175492.html, 目标检测方法简要综述 作者：栗佩康袁芳芳李航涛 来源：《科技风》2020年第18期 摘要：目标检测是计算机视觉领域中的重要问题，是人脸识别、车辆检测、路网提取等领域的理论基础。随着深度学习的快速发展，与基于滑窗以手工提取特征做分类的传统目标检测算法相比，基于深度学习的目标检测算法无论在检测精度上还是在时间复杂度上都大大超过了传统算法，本文将简单介绍目标检测算法的发展历程。 关键词：目标检测;机器学习;深度神经网络 目标检测的目的可分为检测图像中感兴趣目标的位置和对感兴趣目标进行分类。目标检测比低阶的分类任务复杂，同时也是高阶图像分割任的重要基础;目标检测也是人脸识别、车辆检测、路网检测等应用领域的理论基础。 传统的目标检测算法是基于滑窗遍历进行区域选择，然后使用HOG、SIFT等特征对滑窗内的图像块进行特征提取，最后使用SVM、AdaBoost等分类器对已提取特征进行分类。手工构建特征较为复杂，检测精度提升有限，基于滑窗的算法计算复杂度较高，此类方法的发展停滞，本文不再展开。近年来，基于深度学习的目标检测算法成为主流，分为两阶段和单阶段两类：两阶段算法先在图像中选取候选区域，然后对候选区域进行目标分类与位置精修;单阶段算法是基于全局做回归分类，直接产生目标物体的位置及类别。单阶段算法更具实时性，但检测精度有损失，下面介绍这两类目标检测算法。 1 基于候选区域的两阶段目标检测方法 率先将深度学习引入目标检测的是Girshick[1]于2014年提出的区域卷积神经网络目标检测模型（R-CNN）。首先使用区域选择性搜索算法在图像上提取约2000个候选区域，然后使用卷积神经网络对各候选区域进行特征提取，接着使用SVM对候选区域进行分类并利用NMS 回归目标位置。与传统算法相比，R-CNN的检测精度有很大提升，但缺点是：由于全连接层的限制，输入CNN的图像为固定尺寸，且每个图像块输入CNN单独处理，无特征提取共享，重复计算;选择性搜索算法仍有冗余，耗费时间等。 基于R-CNN只能接受固定尺寸图像输入和无卷积特征共享，He[2]于2014年参考金字塔匹配理论在CNN中加入SPP-Net结构。该结构复用第五卷积层的特征响应图，将任意尺寸的候选区域转为固定长度的特征向量，最后一个卷积层后接入的为SPP层。该方法只对原图做一
雷达微弱目标检测的有效方法[1]
49642009,30(21)计算机工程与设计Computer Engineering and Design 0引言 复杂背景下低信噪比运动目标的检测和跟踪是雷达信号处理系统的关键技术之一。在微弱运动目标检测和跟踪的应用中，雷达接收的远距离目标回波强度非常弱，信噪比很低，目标易被噪声淹没，单个脉冲回波的信噪比甚至是负的，若仅对单帧图像处理，不能可靠地检测目标。在预警雷达应用中，由于运动目标距离雷达较远，又处在强杂波环境中，对微弱运动目标的检测与跟踪是雷达信号处理的一个重要课题。早期算法主要有Kalman滤波等方法，主要采用检测后跟踪(detect before track，DBT)方法，这类方法在信噪比较高时可以取得很好的效果，否则不能检测出目标。要想对微弱目标进行有效的检测及跟踪，除了抑制杂波和降低系统噪声等方法外，一种有效的方法是检测前跟踪(track before detect，TBD)方法，即对单次观测信号先不进行判断，而是结合雷达图像特点，对目标进行多次观测，计算出目标在各帧图像之间的移动规律，预测目标在下一帧图像的可能位置，同时在帧与帧之间将多次扫描得到的数据沿着预测轨迹进行几乎没有信息损失的相关处理，从而改善目标的信噪比，提高检测性能，在得到检测结果的同时获得目标航迹。 目前，用于微弱目标检测的TBD方法主要有极大似然法、粒子滤波法、动态规划(dynamic programming，DP)法、Hough变换法，等[1-2]。其中，Hough变换法对检测沿径向做匀速直线运动的目标具有较好的检测性能，目标在直线轨迹上的能量集中在Hough变换后的单点上，目标轨迹的能量远大于其它点的能量，但计算量和存储量都较大[3]，难以实现。动态规划算法对目标信噪比要求较低，可以探测各种运动形式的目标[4-5]。 动态规划算法是美国Y.Barniv于1985年提出的，利用动态规划的分段优化思想，将目标轨迹搜索问题分解为分级优化的问题[6]。将其应用到雷达微弱目标检测中，可将雷达回波信号在多普勒频率和距离二维方向的幅度排列成图像，在多帧相继的图像序列中，运动目标轨迹可看作是一条连续变化的曲线，利用动态规划算法，检测是否存在着这样一条曲线，从而判断目标是否存在。 基于动态规划的检测前跟踪的关键在于沿目标运动航迹积累能量[7-8]，可以看出，搜索目标航迹的计算量非常大，在实际应用中存在不足。在预警雷达中，来袭目标比远离雷达的目标更具有威胁性，更需早期发现和预防，所以单独针对来袭目标进行探测，可以大大减少动态规划法搜索的运算量，提高预警雷达的探测能力。本文针对动态规划算法计算量大的缺 收稿日期：2009-02-26；修订日期：2009-06-10。
雷达的目标识别技术
雷达的目标识别技术 摘要： 对雷达自动目标识别技术和雷达目标识别过程进行了简要回顾，研究了相控阵雷达系统中多目标跟踪识别的重复检测问题提出了角度相关区算法，分析了实现中的若干问题，通过在相控阵雷达地址系统中进行的地址实验和结果分析表明:采用角度相关区算法对重复检测的回波数据进行处理时将使识别的目标信息更精确从而能更早地形成稳定的航迹达到对目标的准确识别。 一．引言 随着科学技术的发展，雷达目标识别技术越来越引起人们的广泛关注，在国防及未来战争中扮演着重要角色。地面雷达目标识别技术目前主要有-Se方式，分别是一维距离成象技术、极化成象技术和目标振动声音频谱识别技术。 1．一维距离成象技术 一维距离成象技术是将合成孔径雷达中的距离成象技术应用于地面雷达。信号带宽与时间分辨率成反比。例如一尖脉冲信号经过一窄带滤波器后宽度变宽、时间模糊变大。其基本原理如图1所示。 2．极化成象技术 电磁波是由电场和磁场组成的。若电场方向是固定的，例如为水
平方向或垂直方向，则叫做线性极化电磁波。线性极化电磁波的反射与目标的形状密切相关。当目标长尺寸的方向与电场的方向一致时，反射系数增大，反之减小。根据这一特征，向目标发射不同极化方向的线性极化电磁波，分别接收它们反射(散射)的回波。通过计算目标散射矩阵便可以识别目标的形状。该方法对复杂形状的目标识别很困难。 3．目标振动声音频谱识别技术 根据多普勒原理，目标的振动、旋转翼旋转将引起发射电磁波的频率移动。通过解调反射电磁波的频率调制，复现目标振动频谱。根据目标振动频谱进行目标识别。 传统上我国地面雷达主要通过两个方面进行目标识别：回波宽度和波色图。点状目标的回波宽度等于入射波宽度。一定尺寸的目标将展宽回波宽度，其回波宽度变化量正比于目标尺寸。通过目标回波宽度的变化可估计目标的大小。目标往往有不同的强反射点，如飞机的机尾、机头、机翼以及机群内各飞机等，往往会在回波上形成不同形状的子峰，如图2所示。 这类波型图叫作波色图。根据波色图内子峰的形状，可获得一些目标信息。熟练的操作员根据回波宽度变化和波色图内子峰形状，进行目标识别。
【CN110133630A】一种雷达目标检测方法及应用其的雷达【专利】
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910344449.2 (22)申请日 2019.04.26 (71)申请人 惠州市德赛西威智能交通技术研究 院有限公司 地址 516006 广东省惠州市仲恺高新区和 畅五路西8号投资控股大厦 (72)发明人 孙靖虎 曾迪 黄力 温和鑫 盘敏容 蒋留兵 (74)专利代理机构 惠州创联专利代理事务所 (普通合伙) 44382 代理人 韩淑英 (51)Int.Cl. G01S 13/02(2006.01) G01S 13/08(2006.01) G01S 13/58(2006.01) G01S 7/41(2006.01) (54)发明名称 一种雷达目标检测方法及应用其的雷达 (57)摘要 本发明涉及一种雷达目标检测方法。本发明 提供了一种运行速度快、探测精度高的雷达目标 检测方法，本发明中，雷达的一帧检测中第二发 射波的发射次数可与第一发射波不同，可通过设 置较少的第二发射波的发射次数来缩短雷达的 检测帧周期；本发明中第二发射波只需要进行一 次一维FFT而无需进行二维FFT，降低了计算复杂 度， 提高了数据处理速度。权利要求书2页 说明书7页 附图4页CN 110133630 A 2019.08.16 C N 110133630 A
1.一种雷达目标检测方法，其特征在于，包括以下步骤： 步骤一、发射K1次周期为T1、的第一发射波，所述第一发射波被目标反射后被天线接收得到第一回波； 步骤二、对每个周期的第一回波进行N点采样一维FFT变换得到第一回波一维FFT结果； 步骤三、对所述第一回波一维FFT结果进行二维FFT变换得到坐标对应第一距离单元号、第一模糊速度号的距离多普勒谱，其中第一距离单元号为对单个周期的第一回波进行一维FFT采样的序号，第一模糊速度号为所述第一发射波的发射周期的序号；根据第一回波的目标检测距离、目标检测模糊速度与所述距离多普勒谱的峰值的对应关系求第一回波的目标检测距离及目标检测模糊速度； 步骤四、发射K2次与所述第一发射波频率互质的周期为T2的第二发射波，所述第二发射波被目标发射后被所述天线接收得到第二回波，对每个周期的第二回波进行N点采样一维FFT变换得到对应不同第二距离单元号、第二模糊速度号的第二回波一维FFT结果，其中第二距离单元号为对单个周期的第二回波进行一维FFT采样的序号，第二模糊速度号为所述第二发射波的发射周期的序号； 步骤五、根据步骤三得到的第一回波的目标检测模糊速度与目标真实速度可能值之间的关系求目标真实速度可能值的速度旋转因子，并将该速度旋转因子与步骤四得到的第二回波一维FFT结果形成关联，然后对该关联结果进行解模糊，再根据解模糊的结果对步骤2求得的第一回波的目标检测距离、目标检测模糊速度进行修正从而求得目标真实速度及目标真实距离；以及 步骤六、输出步骤四获得的目标真实速度及目标真实距离。 2.根据权利要求1所述的一种雷达目标检测方法，其特征在于，步骤三中求第一回波的目标检测距离及目标检测模糊速度方法为： 在所述距离多普勒中寻找峰值，该峰值对应的距离单元号、模糊速度号即为目标所处 的第一距离单元号 第一模糊速度号 再根据目标所处的第一距离单元号电磁波的传播速度C、第一发射波的射频带宽B1计算第一回波的目标检测距离以及 根据目标所处的第一模糊速度号所述天线中心频率对应的波长λ、步骤1中所述第一发射波的发射次数K1及周期T1计算第一回波的目标检测模糊速度 3.根据权利要求2所述的一种雷达目标检测方法，其特征在于，所述步骤五具体包括： 定义目标真实速度可能值的速度旋转因子V DFT ： 式中V r为目标真实速度可能值；z为所述第二模糊速度号； 将第一回波的目标检测模糊速 度与目标真实速度可能值V r之间的关 系代入步骤4.1中目标真实速度可能值的速度旋转因子V DFT的定义公式中， 式中m为取值范围为[-d，d]的模糊数单元号，其中d为正整数，从而求得目标真实速度可能值的速度旋转因子； 权 利 要 求 书1/2页 2 CN 110133630 A
雷达目标检测性能分析
雷达目标检测实例 雷达对Swerling起伏目标检测性能分析 1.雷达截面积(RCS)的涵义 2.目标RCS起伏模型 3.雷达检测概率、虚警概率推导 4.仿真结果与分析
雷达通过发射和接收电磁波来探测目标。雷达发射的电磁波打在目标上，目标会将入射电磁波向不同方向散射。其中有一部分向雷达方向散射。雷达截面积就是衡量目标反射电磁波能力的参数。
雷达截面积(Radar Cross Section, RCS)定义:22o 2 4π 4π4π4π()4πo i i P P R m P P R σ=== 返回雷达接收机单位立体角内的回波功率 入射功率密度 在远场条件下，目标处每单位入射功率密度在雷达接收机处每单位立体角内产生的反射功率乘以4π。 R 表示目标与雷达之间的距离，P o 、P i 分别为目标反射回 的总功率和雷达发射总功率
?目标RCS和目标的几何横截面是两个不同的概念?复杂目标在不同照射方向上的RCS不同 ?动目标同一方向不同时刻的RCS不同 飞机舰船 目标RCS是起伏变化的，目标RCS大小直接影响着雷达检测性能。为此，需用统计方法来描述目标RCS。基于此，分析雷达目标检测性能。
Swerling 模型是最常用的目标RCS 模型，它包括Swerling 0、I 、II 、III 、IV 五种模型。其中，Swerling 0型目标的RCS 是一个常数，金属圆球就是这类目标。Swerling Ⅰ/Ⅱ型： 1 ()exp()p σ σσσ =- 指数分布 Swerling Ⅰ：目标RCS 在一次天线波束扫描期间是完 全相关的，但本次和下一次扫描不相关（慢起伏），典型目标如前向观察的小型喷气飞机。 Swerling Ⅱ：目标RCS 在任意一次扫描中脉冲间不相关（快起伏），典型目标如大型民用客机。
合成孔径雷达概述
合成孔径雷达概述 蔡 Beautyhappy521@https://www.360docs.net/doc/d17175492.html, 二OO八年三月二十三
1合成孔径雷达简介 (3) 1.1 合成孔径雷达的概念 (3) 1.2 合成孔径雷达的分类 (4) 1.3 合成孔径雷达(SAR)的特点 (5) 2合成孔径雷达的发展历史 (6) 2.1 国外合成孔径雷达的发展历程及现状 (6) 2.1.1 合成孔径雷达发展历程表 (7) 2.1.2 世界各国的SAR系统 (10) 2.2 我国的发展概况 (12) 2.2.1 我国SAR研究历程表 (12) 2.2.2 国内各单位的研究现状 (13) 2.2.2.1 电子科技大学 (13) 2.2.2.2 中科院电子所 (13) 2.2.2.3 国防科技大学 (14) 2.2.2.4 西安电子科技大学 (14) 3 合成孔径雷达的应用 (14) 4 合成孔径雷达的发展趋势 (15) 4.1 多参数SAR系统 (16) 4.2 聚束SAR (16) 4.3极化干涉SAR（POLINSAR） (17) 4.4合成孔径激光雷达（Synthetic Aperture Ladar） (17) 4.5 小型化成为星载合成孔径雷达发展的主要趋势 (18) 4.6 性能技术指标不断提高 (18) 4.7 多功能、多模式是未来星载SAR的主要特征 (19) 4.8 雷达与可见光卫星的多星组网是主要的使用模式 (19) 4.9 分布SAR成为一种很有发展潜力的星载合成孔径雷达 (19) 4.10 星载合成孔径雷达的干扰与反干扰成为电子战的重要内容 (20) 4.11 军用和民用卫星的界线越来越不明显 (20) 5 与SAR相关技术的研究动态 (21) 5.1 国内外SAR图像相干斑抑制的研究现状 (21) 5.2 合成孔径雷达干扰技术的现状和发展 (21) 5.3 SAR图像目标检测与识别 (23) 5.4 恒虚警技术的研究现状与发展动向 (26) 5.5 SAR图像变化检测方法 (28) 5.6 干涉合成孔径雷达 (32) 5.7 机载合成孔径雷达技术发展动态 (34) 5.8 SAR图像地理编码技术的发展状况 (36) 5.9 星载SAR天线方向图在轨测试的发展状况 (38) 5.10 逆合成孔径雷达的发展动态 (39) 5.11 干涉合成孔径雷达的发展简史与应用 (39)
雷达目标识别发展趋势
雷达目标识别发展趋势 雷达具备目标识别功能是智能化的表现，不妨参照人的认知过程，预测雷达目标识别技术的发展趋势： (1)综合目标识别 用于目标识别的雷达必将具备测量多种目标特征的手段，综合多种特征进行目标识别。我们人类认知某一事物时，可以通过观察、触摸、听、闻、尝，甚至做实验的方法认知，手段可谓丰富，确保了认知的正确性。 目标特征测量的每种手段会越来越精确，就如同弱视的人看东西，肯定没有正常人看得清楚，也就不能认知目标。 识别结果反馈给目标特征测量，使目标特征测量成为具有先验信息的测量，特征测量精度会有所提高，识别的准确程度也会相应提高。 雷达具备同时识别目标和背景的功能。人类在观察事物的时候，不仅看到了事物的本身，也看到了事物所处的环境。现有的雷达大多通过杂波抑制、干扰抑制等方法剔除了干扰和杂波，未来的雷达系统需要具备识别目标所处背景的能力，这些背景信息在战时也是有用的信息。 雷达具备自适应多层次综合目标识别能力。用于目标识别的雷达虽然需要具备测量多种目标特征的手段，但识别目标时不一定需要综合所有的特征，这一方面是因为雷达系统资源不允许，另一方面也是因为没有必要精确识别所有的目标。比如司机在开车时，视野中有很多目标，首先要评价哪几个目标有威胁，再粗分类一下，是行人还是汽车，最后再重点关注一下靠得太近、速度太快的是行人中的小孩子还是汽车中的大卡车。 (2)自学习功能 雷达在设计、实现、装备的过程中，即具备了设计师的基因，但除了优秀的基因之外，雷达还需要具有学习功能，才能在实战应用中逐渐成熟。 首先，要具有正确的学习方法，这是设计师赋予的。对于实际环境，雷达目标识别系统应该知道如何更新目标特征库、如何调整目标识别算法、如何发挥更好的识别性能。 其次，要人工辅助雷达目标识别系统进行学习，这就如同老师和学生的关系。在目标识别系统学习时，雷达观测已知类型的合作目标，雷达操作员为目标识别系统指出目标的类型，目标识别系统进行学习。同时还可以人为的创造复杂的电磁环境，使目标识别系统能更好地适应环境。 (3)多传感器融合识别 多传感器的融合识别必定会提高识别性能，这是毋容置疑的。这就好比大家坐下来一起讨论问题，总能讨论出一个好的结果，至少比一个人说的话更可信。但又不能是通过投票的方式，专家的话肯定比门外汉更有说服力。多传感器融合识别需要具备双向作用的能力。 并不是给出融合识别的结果就结束了，而是要利用融合识别的结果反过来提高各个传感器的识别性能，这才是融合识别的根本目的所在。反向作用在一定程度上降低了人工辅助来训练目标识别系统的必要性，也减少了分别进行目标识别试验的总成本。
合成孔径雷达文献综述
合成孔径雷达文献综述 一、前言 合成孔径雷达(Synthetic Aperture Radar,简称SAR) )是一种高分辨力成像雷达，可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像。由于其具有克服云、雾、雨、雪的限制对地面目标成像，可以全天时、全天候、高分辨力、大幅面对地观测的特点，引起了各国的高度重视。近年来，随着合成孔径雷达关键技术的不断发展，SAR 成像分辨力不断提高、信号处理能力不断增强、数据传输速率不断增加、设备体积不断减小、质量不断降低，SAR 在军事侦察，打击效果评估和国民经济等领域上尽显优势。 本文主要介绍合成孔径雷达的基本原理、发展历程、技术热点和发展趋势，并对合成孔径雷达在民用及军事方面的应用进行简述。 二、概述 1、基本原理 普通雷达的方位分辨力取决于天线的方位波束宽度，但由于方位波束宽度与天线口径成反比，与雷达工作频率成正比，而天线的尺寸和工作频按距离率均受实际工程实现的限制，因此常规雷达的方位分辨力较低，特别是远距离处的横向距离分辨力更低，远不能满足实际需要。合成孔径雷达就是为提高方位分辨力而产生的一种新的技术，即通过雷达平台的移动，把一段时间内收到的信号进行相干合成，从而获得高的方位分辨力。 1）实孔径成像 雷达在实孔径成像时，是利用实际天线口径产生的窄波束来直接得到方位分辨力的。 假设天线长为x L 的天线，接受来自满足远场条 件且偏离视轴α的点源的回波信号，如图1所示。 其中，3dB α?为单程半功率波束宽度，λ为雷达工 作波长。则在距离R 处的方位向距离（横向距离） 分辨力为 30.88/a dB x R R L ραλ≈?≈ 由上式可以看出此时方位向距离分辨力与实际孔径天线的长度成反比，与雷达工作波长、雷达斜距成正比，因此要获得高的分辨力，必须利用大口径天线和高的工作频率。但实际工程中，实孔径成像时的方位分辨力即横向距离分辨力是非常差的，需寻找改善方位分辨力的方法。 2）非聚焦合成孔径成像 利用雷达平台产生的虚拟天线则可解决实孔径天 线长度有限的问题。即将一段时间内雷达接收到的信号 按实孔径天线那样进行合成，产生大的合成孔径天线， 以改善雷达的方位分辨力。 假设雷达按直线飞行，速度为V ，累计时间为T ， 对应的合成孔径长度L=VT 。雷达在运动中不断发射并 接收来自纵向距离为R ，横向距离维0x 的点目标回波， 如图2所示。 经过数学分析可确定最大的合成孔径长度为
PSInSAR(永久散射体合成孔径雷达干涉测量)处理流程
SARScape中PS InSAR处理转载自 https://https://www.360docs.net/doc/d17175492.html,/summer_dew/article/details/79309255 https://https://www.360docs.net/doc/d17175492.html,/summer_dew/article/details/79199121 https://https://www.360docs.net/doc/d17175492.html,/summer_dew/article/details/79200830 https://https://www.360docs.net/doc/d17175492.html,/summer_dew/article/details/79203512 https://https://www.360docs.net/doc/d17175492.html,/summer_dew/article/details/79207672 https://https://www.360docs.net/doc/d17175492.html,/summer_dew/article/details/79306829
目录 0-Persistent Scatterers (1) 介绍 (1) PS模块介绍 (1) 1-Connection Graph (2) 工具详细参数 (2) 输出文件 (2) 目的 (2) 技术说明 (3) 帮助文档 (3) 2-Interferometric Process (4) 输入文件 (4) 输出文件 (4) 工具详细参数 (4) 目的 (5) 技术说明 (5) 3-Inversion:First Step (7) 输入文件 (7) 输出文件 (7) 工具详细参数 (7) 目的 (8) 技术说明 (8) 4-Inversion:Second Step (9) 输入文件 (9) 输出文件 (9) 工具详细参数 (9) 目的 (9) 技术说明 (9) 5-Geocoding (11) 输入文件 (11) 输出文件 (11) 工具详细参数 (12) 目的 (12) 技术说明 (13)
视频中移动目标检测综述
基于视频的移动目标检测 论文研读报告 苏航00748178 智能科学系信息科学技术学院 北京大学 摘要 基于视频的移动目标检测是一个重要且有挑战性的任务，在许多应用中都起到相当关键的作用。本次论文研读围绕该主题展开，深入阅读了十余篇论文，在本文总结了视频中移动目标检测的一些主要方法及各自的优劣，并将几个重要的方法大致分为了两个不同的类别：基于像素的移动目标检测和基于区域的移动目标检测。在基于像素的方法中，图像特征完全由各个像素的坐标及灰度值（或颜色值）确定，而在基于区域的方法中，各个像素属性之间的关联成为主要特征来用以提取移动目标。另外本文还讨论了以上两类之外的一些方法。 关键词 视频移动目标检测背景差分高斯混合模型直方图 正文 1 引言 基于视频的移动目标检测在许多实际应用中都担当着核心的任务。譬如视频监视、人机交互、视频编码等广泛的领域都需要有效地进行该工作。帧差法（Frame Differencing）12是视频中检测移动目标最简单直观的方法，其在视频片段中固定间隔的两帧之间计算绝对差，该差值大于一定阈限的像素就认为是运动物体可能存在的区域： D t(x,y)=Abs.F t(x,y)?F t?k(x,y)/（1） 这种简单的方法有时十分有效，但在更多应用环境下并不能获得期望的效果。这主要是由于视频中各帧之间的差异并不仅仅来源于运动的物体，而同时可能来 1R. Jain and H. Nagel, “On the Analysis of Accumulative Difference Pictures from Image Sequences of Real World S cenes”, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 1, no. 2, pp. 206–214, 1979. 2为了避免混淆，本文中将作为主要研读对象的文章列在报告最后的“参考文献”一栏中，而其他引用的 文献则作为脚注注明。
一种合成孔径雷达图像特征提取与目标识别的新方法
第30卷第3期电子与信息学报Vol.30No.3 2008年3月 Journal of Electronics & Information Technology Mar.2008 一种合成孔径雷达图像特征提取与目标识别的新方法 宦若虹①②杨汝良①岳晋①② ①(中国科学院电子学研究所北京 100080) ②(中国科学院研究生院北京 100039) 摘 要：该文提出了一种利用小波域主成分分析和支持向量机进行的合成孔径雷达图像特征提取与目标识别的新方法。该方法对图像小波分解后提取低频子带图像的主成分分量作为目标的特征，利用支持向量机进行分类完成目标识别。实验结果表明，该方法可以明显提高目标的正确识别率，是一种有效的合成孔径雷达图像特征提取和目标识别方法。 关键词：合成孔径雷达；小波变换；主成分分析；支持向量机；识别 中图分类号：TN957.52 文献标识码：A 文章编号：1009-5896(2008)03-0554-05 A New Method for Synthetic Aperture Radar Images Feature Extraction and Target Recognition Huan Ruo-hong①②Yang Ru-liang①Yue-Jin①② ①(Institute of Electronics, Chinese Academy of Sciences, Beijing 100080, China) ②(Graduate University of the Chinese Academy of Sciences, Beijing 100039, China) Abstract: This paper presents a new method for synthetic aperture radar images feature extraction and target recognition which based on principal component analysis in wavelet domain and support vector machine. After wavelet decomposition of a SAR image, feature extraction is implemented by picking up principal component of the low-frequency sub-band image. Then, support vector machine is used to perform target recognition. Results are presented to verify that, the correctness of recognition is enhanced obviously, and the method presented in this paper is a effective method for SAR images feature extraction and target recognition. Key words: Synthetic Aperture Radar (SAR); Wavelet transform; Principal Component Analysis (PCA); Support Vector Machine (SVM); Recognition 1引言 合成孔径雷达(Synthetic Aperture Radar，SAR)图像目标识别是SAR图像解译和分析的重要组成部分，具有重要的商业和军事价值，是国内外SAR图像处理和模式识别领域的研究热点。特征提取是SAR图像目标识别过程中最重要的一步。为了得到可靠的目标识别结果，用于识别的特征必须在分类空间上具有良好的类内凝聚性和类间差异性[1]。目标识别过程的另一个关键步骤是分类方法的选择，分类方法性能的优劣，直接影响到最后的识别结果。 本文提出了一种利用小波域主成分分析(Principal Component Analysis，PCA)和支持向量机[2](Support Vector Machine，SVM)进行的SAR图像特征提取和目标识别方法。对小波分解得到的低频子带图像进行主成分分析[3]提取目标特征，得到的特征向量用支持向量机分类完成目标识别。用MSTAR数据对该方法进行验证，结果表明，该方法可以有效地提高目标的正确识别率。 2006-08-15收到，2007-01-05改回2目标识别步骤 本文的识别过程如图1所示由3个步骤组成：(1)图像预处理。对图像数据进行规则化调整。(2)特征提取。通过二维离散小波变换将图像变换到不同分辨率下的小波域；对低频子带图像进行主成分分析后提取主成分分量作为目标的特征向量。(3)利用支持向量机进行分类。在特征向量所形成的低维特征空间上完成目标识别并输出识别结果。 图1 识别过程框图 3图像预处理 3.1实验数据 本文使用的图像数据是MSTAR项目组公布的3类SAR 地面静止军用目标数据，包括装甲车BMP2，装甲车BTR70
雷达目标识别
目标识别技术 2009-11-27 20:56:41| 分类：我的学习笔记| 标签：|字号大中小订阅 摘要： 针对雷达自动目标识别技术进行了简要回顾。讨论了目前理论研究和应用比较成功的几类目标识别方法：基于目标运动的回波起伏和调制谱特性的目标识别方法、基于极点分布的目标识别方法、基于高分辨雷达成像的目标识别方法和基于极化特征的目标识别方法，同时讨论了应用于雷达目标识别中的几种模式识别技术：统计模式识别方法、模糊模式识别方法、基于模型和基于知识的模式识别方法以及神经网络 模式识别方法。最后分析了问题的可能解决思路。 引言： 雷达目标识别技术回顾及发展现状 雷达目标识别的研究始于"20世纪50年代，早期雷达目标特征信号的研究工作主要是研究达目标的有效散射截面积。但是，对形状不同、性质各异的各类目标，笼统用一个有效散射面积来描述，就显得过于粗糙，也难以实现有效识别。几十年来，随着电磁散射理论的不断发展以及雷达技术的不断提高，在先进的现代信号处理技术条件下，许多可资识别的雷达目标特征信号相继被发现，从而建立起了相应的目标 识别理论和技术。 随着科学技术的飞速发展，一场以信息技术为基础、以获取信息优势为核心、以高技术武器为先导的军事领域的变革正在世界范围内兴起，夺取信息优势已成为夺取战争主动权的关键。电子信息装备作为夺取信息优势的物质基础，是推进武器装备信息化进程的重要动力，其总体水平和规模将在很大程度上反 映一个国家的军事实力和作战能力。 雷达作为重要的电子信息装备，自诞生起就在战争中发挥了极其重要的作用。但随着进攻武器装备的发展，只具有探测和跟踪功能的雷达也已经不能满足信息化战争的需要，迫切要求雷达不仅要具有探测和跟踪功能，而且还要具有目标识别功能，雷达目标分类与识别已成为现代雷达的重要发展方向，也是未来雷达的基本功能之一。目标识别技术是指：利用雷达和计算机对遥远目标进行辨认的技术。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。目标识别还可利用再入大气层后的大团过滤技术。当目标群进入大气层时，在大气阻力的作用下，目标群中的真假目标由于轻重和阻力的不同而分开，轻目标、外形不规则的目标开始减 速，落在真弹头的后面，从而可以区别目标。 所谓雷达目标识别，是指利用雷达获得的目标信息，通过综合处理，得到目标的详细信息（包括物理尺寸、散射特征等），最终进行分类和描述。随着科学技术的发展，武器性能的提高，对雷达目标识别 提出了越来越高的要求。 目前，目标识别作为雷达新的功能之一，已在诸如海情监控系统、弹道导弹防御系统、防空系统及地球物理、射电天文、气象预报、埋地物探测等技术领域发挥出很大威力。为了提高我国的军事实力，适应未来反导弹、反卫、空间攻防、国土防空与对海军事斗争的需要，急需加大雷达目标识别技术研究的力度雷达目标识别策略主要基于中段、再入段过程中弹道导弹目标群的不同特性。从结构特性看，飞行中段