一种基于特征融合的海面小目标检测方法及系统

文档序号:1860147 发布日期:2021-11-19 浏览:25次 >En<

阅读说明:本技术 一种基于特征融合的海面小目标检测方法及系统 (Sea surface small target detection method and system based on feature fusion ) 是由 许聪 刘海成 王峥 于 2021-08-09 设计创作,主要内容包括:本发明公开了一种基于特征融合的海面小目标检测方法,用于对海监视场景,包括如下步骤:步骤1,提取雷达序列的统计复杂性特征,得到雷达序列特征;步骤2,提取雷达图像的空间特征,得到雷达图像特征;步骤3,对所述步骤1的雷达序列特征和所述步骤2的雷达图像特征进行融合处理;步骤4,对所述步骤3的融合结果进行分类,利用分类算法得到相应的分类结果。与现有检测方法相比,本申请通过特征融合提高了检测性能,且大大减少了计算量。(The invention discloses a sea surface small target detection method based on feature fusion, which is used for monitoring a view scene of a sea, and comprises the following steps: step 1, extracting the statistical complexity characteristics of a radar sequence to obtain radar sequence characteristics; step 2, extracting the spatial characteristics of the radar image to obtain radar image characteristics; step 3, fusing the radar sequence characteristics of the step 1 and the radar image characteristics of the step 2; and 4, classifying the fusion result obtained in the step 3, and obtaining a corresponding classification result by using a classification algorithm. Compared with the existing detection method, the detection performance is improved through feature fusion, and the calculated amount is greatly reduced.)

一种基于特征融合的海面小目标检测方法及系统

技术领域

本发明涉及雷达检测技术领域,尤其涉及一种基于特征融合的海面小目标检测方法及系统。

背景技术

海面小目标检测是对海监视中亟待解决的一项难题。现有检测方法可以大体分为两类:一类是基于雷达观测序列的,另一类是基于雷达图像的。前者中最常用的方法是将雷达序列划分为分段平稳序列然后使用传统检测方法。常用算法包括基于变化点的检测算法和其他统计方法。最近,出现了基于特征分类的新检测算法。后者主要是基于SAR图像的检测算法。通常采用深度学习方法检测SAR图像目标。此外也存在基于雷达频谱图的检测算法。通过寻找目标回波与杂波之间的特征差异,将两者进行区分。然而,很少存在两者融合的检测算法。

近来,基于特征的检测算法吸引了众多学者。特征来源从手动设置逐渐向深度学习进化。常见特征包括几何特征、纹理特征、矩特征、散射统计特征、尺度不变特征、HOG特征和深度学习特征等。

目前为止,基于单一特征或特征融合的检测算法并没有取得十分理想的检测结果。主要因为所使用的特征没有充分发掘雷达序列或雷达图像的特征。虽然深度学习特征性能更好,但其需要大量标记数据且尚不存在统一的特征描述准则。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明公开了一种基于特征融合的海面小目标检测方法,用于对海监视场景,包括如下步骤:

步骤1,提取雷达序列的统计复杂性特征,得到雷达序列特征;

步骤2,提取雷达图像的空间特征,得到雷达图像特征;

步骤3,对所述步骤1的雷达序列特征和所述步骤2的雷达图像特征进行融合处理;

步骤4,对所述步骤3的融合结果进行分类,利用分类算法得到相应的分类结果。

更进一步地,所述步骤1进一步包括:

步骤101,对雷达序列做顺序模式转换;

步骤102,构建转移图;

步骤103,计算统计复杂度。

更进一步地,所述步骤101进一步包括:给出雷达序列其嵌入维数D和时延τ的时延嵌入表示形式为:

其中,t=1,2,…,N,N=T-(D-1)τ,将映射到序号向量xt按照升序排列。

更进一步地,将D和τ设置为D∈[3,10]和τ=1。

更进一步地,所述步骤102进一步包括:将雷达序列与序列对应的估计值的分离度嵌入边权重之中,假设不含有目标,利用基于矩的估计算法得到海杂波的分布函数,计算雷达序列值与其估计值之间的Kolmogorov-Smimov值,分别计算的Kolmogorov-Smimov值之和,并将两个和值之差作为边权重,所得转移概率如下:

其中,表示由序号向量到序号向量的转移概率,表示由序号向量到序号向量的边权值,表示所有边权值之和。

更进一步地,所述步骤103进一步包括:

统计复杂性表征给定序列元素之间的联系和依赖性,其定义为

其中,是统计复杂性特征,H(P)是归一化香农熵,Q(P,U)是不平衡因子,P是所有转移概率组成的集合,U是均匀分布,pl和ul分别是P和U集合中的元素,且为整数,且为整数,

更进一步地,所述步骤2进一步包括:

步骤201,构建雷达图像,计算雷达距离角度测量图,如果测量值超过第一预设阈值,将所述测量值进行保留,如果所述测量值未达到第一预设阈值则设置为0,将多个距离角度图叠加后得到最终雷达图像;

步骤202,计算空间特征,数学形态学操作符旨在提供有用的图像空间特征,这里应用了四种不同的运算符即腐蚀、膨胀、打开和关闭,并将圆形结构元素半径范围设置为{2,4,6},使得每个像素包含大小为12的特征集。更进一步地,所述第一预设阈值与估计的海杂波均值相等。

本发明还公开了一种基于特征融合的海面小目标检测系统,用于对海监视场景,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。

本发明进一步公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。

与现有检测方法相比,本申请通过特征融合提高了检测性能,且大大减少了计算量。

附图说明

从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在图中,在不同的视图中,相同的附图标记指定对应的部分。

图1为本发明逻辑流程示意图;

图2为本发明一实施例中构建雷达图像的方法流程图。

具体实施方式

实施例一

如图1所示,本实施提供一种基于特征融合的海面小目标检测方法,用于对海监视场景,包括如下步骤:

步骤一,提取雷达序列的统计复杂性特征;

首先,对雷达序列做顺序模式转换。给出雷达序列其嵌入维数D和时延τ的时延嵌入表示形式为:

其中,t=1,2,…,N,映射到序号向量xt按照升序排列。通常D和τ设置为D∈[3,10]和τ=1。

其次,构建转移图。由于海杂波具有非均匀非平稳特性,将雷达序列与其估计值的分离度嵌入边权重之中。假设不含有目标,利用基于矩的估计算法得到海杂波的分布函数。计算雷达序列值与其估计值之间的Kolmogorov-Smirnov值。分别计算的Kolmogorov-Smirnov值之和,并将两个和值之差作为边权重。所得转移概率如下:

其中,表示由序号向量到序号向量的转移概率,表示由序号向量到序号向量的边权值,表示所有边权值之和。

最后,计算统计复杂度。统计复杂性表征给定序列元素之间的联系和依赖性,其定义为

其中,是统计复杂性特征,H(P)是归一化香农熵,Q(P,U)是不平衡因子,P是所有转移概率组成的集合,U是均匀分布,pl和ul分别是P和U集合中的元素,且为整数,且为整数,

步骤二,提取雷达图像的空间特征。

首先,构建雷达图像。如图2所示,计算雷达距离角度测量图,如果测量值超过阈值,予以保留,反之设置为0。阈值与步骤一中所估计的海杂波均值相等。将多个距离角度图叠加后得到最终雷达图像。

其次,计算空间特征,数学形态学操作符旨在提供有用的图像空间特征,这里应用了四种不同的运算符即腐蚀、膨胀、打开和关闭,并将圆形结构元素半径范围设置为{2,4,6},使得每个像素包含大小为12的特征集。

步骤三,融合雷达序列特征和雷达图像特征。

步骤四,利用分类算法得到分类结果。

实施例二

本实施例提供了一种基于特征融合的海面小目标检测方法,用于对海监视场景,包括如下步骤:步骤1,提取雷达序列的统计复杂性特征,得到雷达序列特征;步骤2,提取雷达图像的空间特征,得到雷达图像特征;步骤3,对所述步骤1的雷达序列特征和所述步骤2的雷达图像特征进行融合处理;步骤4,对所述步骤3的融合结果进行分类,利用分类算法得到相应的分类结果。更进一步地,所述步骤1进一步包括:步骤101,对雷达序列做顺序模式转换;步骤102,构建转移图;步骤103,计算统计复杂度。更进一步地,所述步骤101进一步包括:给出雷达序列其嵌入维数D和时延τ的时延嵌入表示形式为:

其中,t=1,2,…,N,N=T-(D-1)τ,将映射到序号向量xt按照升序排列。

更进一步地,将D和τ设置为D∈[3,10]和τ=1。

更进一步地,所述步骤102进一步包括:将雷达序列与序列对应的估计值的分离度嵌入边权重之中,假设不含有目标,利用基于矩的估计算法得到海杂波的分布函数,计算雷达序列值与其估计值之间的Kolmogorov-Smimov值,分别计算的Kolmogorov-Smirnov值之和,并将两个和值之差作为边权重,所得转移概率如下:

其中,表示由序号向量到序号向量的转移概率,表示由序号向量到序号向量的边权值,表示所有边权值之和。

更进一步地,所述步骤103进一步包括:

统计复杂性表征给定序列元素之间的联系和依赖性,其定义为

其中,是统计复杂性特征,H(P)是归一化香农熵,Q(P,U)是不平衡因子,P是所有转移概率组成的集合,U是均匀分布,pl和ul分别是P和U集合中的元素,且为整数,且为整数,

更进一步地,所述步骤2进一步包括:

步骤201,构建雷达图像,计算雷达距离角度测量图,如果测量值超过第一预设阈值,将所述测量值进行保留,如果所述测量值未达到第一预设阈值则设置为0,将多个距离角度图叠加后得到最终雷达图像;

步骤202,计算空间特征,数学形态学操作符旨在提供有用的图像空间特征,这里应用了四种不同的运算符即腐蚀、膨胀、打开和关闭,并将圆形结构元素半径范围设置为{2,4,6},使得每个像素包含大小为12的特征集。

更进一步地,所述第一预设阈值与估计的海杂波均值相等。

本发明还公开了一种基于特征融合的海面小目标检测系统,用于对海监视场景,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。

本发明进一步公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。

还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。因此,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。

10页详细技术资料下载
上一篇:一种医用注射器针头装配设备
下一篇:一种基于超分辨成像的雷达散射截面积测量方法

网友询问留言

已有0条留言

还没有人留言评论。精彩留言会获得点赞!

精彩留言,会给你点赞!

技术分类