简介:摘要:海洋环境是典型的强杂波环境,当使用地波雷达探测海上目标时,回波会与来自海洋各种尺度的海浪(海杂波)的散射回波的干扰混合在一起。海杂波干扰的一阶分量的幅度非常大,极易超过或等于目标的检测阈值,使其易于产生漏警和虚警。传统的海杂波抑制方法譬如动目标指(MovingTargetIndication,MTI),动目标检测(MovingTargetDetection,MTD)等方法依靠的是多普勒效应,通过提取目标与杂波的径向速度,算出他们的不同多普勒频移。但是实际情况下的海杂波多普勒频谱很宽,目标信号往往陷入海杂波多普勒频宽中导致检测不力。此时采用MTI、MTD等方法很难检测成功。近年来,有学者将原本用于解构自然图像的稀疏理论引入海杂波的研究中,取得了一定成果。
简介:摘要:随着船运流量的增加,也出现了相应的管理问题,例如对海上非法捕鱼、海盗行为、贩毒、非法货物运输的严厉打击,以及针对海上事故的救援。因此海域管理必须依靠船只巡航以及设备的监控、检测,形成一套实时监测系统,对我国的海洋管理具有重要的理论意义和应用价值。针对海上环境复杂多变、船舶目标检测精度不足和效率低下的问题,提出基于改进yolov5的船舶目标检测算法,在主干网络添加坐标注意力机制,以提升算法的特征提取能力;使用DIOU_Loss代替原有的损失函数,增加检测准确度和定位精度;应用GhostConv卷积,减小模型量的同时而保持精度基本不变。实验结果表明,相比与改进前的yolov5,改进算法的平均精度均值(mAP)、精准率(P)和召回率(R)分别提升了2.0%、1.7%、1.5%,验证了改进算法对船舶识别有很好的效果。
简介:传统基于Gabor滤波器的SAR目标识别方法根据图像全局特征进行目标识别,忽略图像局部纹理特征,容易受到噪声因素的干扰,获取的SAR目标识别结果精确度较低。因此,提出基于图像局部纹理特征的SAR目标识别算法,对SAR图像纹理特征进行提取,提取SAR图像纹理特征时,采用优化的TPLBP特征描述器提取图像局部纹理特征,获取TPLBP局部纹理特征向量;通过基于ELM分类器的SAR目标识别算法,对TPLBP局部纹理特征向量进行SAR目标分类与识别,获取理想的SAR目标识别结果。实验结果表明,所提方法在SAR目标识别方面具有准确率高、误判率低的优势。