基于多帧积累的海面弱小慢速目标检测算法

合集下载

基于改进yolov5的船舶目标识别

基于改进yolov5的船舶目标识别摘要：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。

关键词：Yolov5网络；模型训练；目标检测；船舶识别Ship target recognition based on improved yolov5Abstract: With the increase in shipping flows comes a corresponding management problem, such as a crackdown on illegal fishing at sea, piracy, drug trafficking, illegal cargo transport, and the rescue of maritime accidents. Therefore, sea area management must rely on ship cruise and equipment monitoring and detection, forming a set of real-time monitoring system, which has important theoretical significance and application value for our ocean management. Aiming at the problems of complex and changing Marine environment, insufficient accuracy and low efficiency of ship target detection, a ship target detection algorithm based on improved yolov5 is proposed, and coordinate attention mechanism is added to the backbone network to improve the feature extraction ability of the algorithm. DIOU_Loss is used to replace the original loss function to increase the detectionaccuracy and positioning accuracy. Using GhostConv convolution, the model size is reduced while the accuracy is kept basically unchanged. The experimental results show that compared with the yolov5 before improvement, the mean precision (mAP), accuracy (P) and recall rate (R) of the improved algorithm are increased by 2.0%, 1.7% and 1.5% respectively, which verifies that the improved algorithm has a good effect on ship identification.Key words: Yolov5 network; Model training; Object detection; Ship identification当前，船舶目标检测研究可大致分为两类，一类基于传统的图像处理技术，主要是利用滑动窗口[1]的思想，获取候选区域的HOG特征[2]和SIFT特征[3]利用支持向量机[4](support Vector machine,SVM)，通过图像分割、特征提取和分类识别的过程达到检测的目的。

光学遥感图像舰船目标检测与识别综述

参考内容
基本内容
引言：在海洋运输、国防安全等领域，对海面舰船目标的检测与识别具有重要意义。然而，由于海面环境的复杂性和动态性，该任务具有很大的挑战性。本次演示旨在研究一种基于深度学习的光学图像海面舰船目标智能检测与识别方法，提高检测准确率和识别精度。
方法：本次演示研究的方法包括以下几个步骤：
3、算法模型建立和训练：基于提取的特征，建立目标检测模型，并使用带标签的数据集进行训练，使得模型能够自动识别和定位图像中的目标。
实验与结果
为了验证本次演示提出的算法的有效性，我们设计了一系列实验，并使用了公开可用的遥感图像数据集。实验结果表明，相比传统的目标检测算法，本次演示提出的算法在复杂背景下的准确率和召回率均有显著的提高，F1值也得到了明显的优化。
4、精度评估：通过计算检测结果的准确率、召回率等指标，对目标检测算法的性能进行评估，以便不断优化模型，提升检测效果。
三、案例分析
以某大型港口为例，我们通过获取其实时的光学遥感图像，进行了港口内目标检测的实践。首先对图像进行预处理，去除了噪声和干扰信息，增强了图像的对比度和清晰度；接着提取了港口内船舶、货物、车辆等目标的纹理、形状、颜色等特征；然后
4、舰船目标检测与识别的未来发展方向（1）提升算法的准确性和鲁棒性虽然目前基于深度学习的方法在舰船目标检测与识别方面取得了较好的成果，但仍然存在一定的误差和不确定性。因此，未来的研究方向之一是进一步提高算法的准确性和鲁棒性
。这可以通过研究更有效的特征提取方法、优化模型结构、改进训练算法等方式实现。（2）多源数据融合多源数据融合是提高舰船目标检测与识别准确性的重要手段之一。未来研究可以探索如何将不同来源、不同分辨率、不同时间段的遥感图像数据进

基于VTA的超视距雷达海面目标检测前跟踪

龙源期刊网
基于VTA的超视距雷达海面目标检测前跟踪
作者：庞洁王增福杨峰
来源：《现代电子技术》2012年第09期
摘要：针对超视距雷达(OTHR)海杂波环境下的目标检测问题，提出了一种基于贝叶斯滤波和VTA的检测前跟踪算法。

将雷达回波信号进行距离、方位维处理后，即在多普勒级进行信号处理。

对每一个距离、方位单元，利用临近单元信号构建白化滤波器对信号进行预白化处理，采用贝叶斯滤波方法构造各个检测单元目标存在的广义似然比，即路径积分矩阵的各元素。

采用Viterbi算法进行检测跟踪，在输出检测结果的同时给出目标航迹。

仿真结果表明，该算法可以有效地解决跨单元问题，检测到目标。

基于深度学习的遥感图像舰船目标检测与分类识别

摘要舰船是一种重要的军事和民用目标，研究基于遥感图像的海面舰船目标检测与识别具有重要理论意义和应用参考价值。

对于军事侦察和打击舰船目标任务而言，目标识别可以划分为三个层次：第一层次区别军舰民船，即检测和识别出是军舰还是民船，第二层次区别开军舰和民船中具体类别，即检测出军舰是航母、驱逐舰、还是护卫舰等，民船是货船、游轮、还是油轮等，第三层次分析军舰的具体型号。

卷积神经网络（CNN）被广泛用于自然图像目标识别领域，近年来也不断被用于遥感图像领域，基于深度学习的目标识别是解决舰船目标检测与分类识别的前沿技术。

针对遥感舰船目标识别任务，论文重点开展了第一层次海面背景下军舰与民船检测与分类识别方法研究，主要工作如下：（1）我国高分系列卫星图像分辨率已达1米，可以用于制作军舰和民船识别任务的样本。

论文选用的目标类型如下：军舰（包括航母、护卫舰、驱逐舰、远洋舰），民船（包括游轮、渔船、货船、油船）；为解决标注样本稀缺问题，采用数据增广方法，构建了一个包含6180张图像的数据集；（2）为了构建新的舰船目标分类识别模型，首先利用构建的数据集对两种典型的目标识别算法Faster RCNN和SSD进行了比较实验，Faster RCNN算法性能尚可，但速度较慢，SSD算法检测速度较快，但精度较差。

论文在评估多种网络架构的基础上，以RetinaNet作为基础框架，加入聚类算法进行先验框选择，在不影响实时性情况下提升该算法的精确度。

实验表明，改进的RetinaNet算法（聚类算法设计先验框）的目标检测和识别精度与Faster RCNN 算法相当，速度接近于SSD算法。

同时改进的RetinaNet算法是一种端到端的舰船目标分类识别算法。

论文研究了基于深度学习的遥感图像舰船目标检测与分类识别，得到了一些有意义的结果，更精细的舰船分类识别将是下一步的研究重点。

关键词：遥感图像；舰船分类识别；卷积神经网络；改进的RtinaNet算法；聚类先验框选择。

基于多尺度局部方差的海面红外舰船检测

作为检测结果。实验结果表明，文算法可以有效减弱背景中各种干扰的影响，本正确检测出红
外图像中舰船目标的位置。
关键词：外舰船图分类号：Ｆ９Ｔ３１文献标识码：ＡＤＩ１．９９ｊｉｎ１００８２１．６０２Ｏ：０３６／．ｓ．０１５７．００．２ｓ１
第４１卷第６期
２１０１年６月
激光与红外
ＩＡＳＥＲ＆ＩＮＦＲＡＲＥＤ
Ｖｏ．１４１．．Ｎｏ６
Ｊｎ．０ｕｅ２ｌ１
文章编号：０－７（００－９－１ｌ０８２１）６６７３０５１００
・图像与信号处理・
ｒｈｉｕｃｓｆｌｔｕｐｅｓｔｅｎｉｅａｄｇｔｈｏｉｏｆｉｆａｅａｓｉａｇｔｉｍｓｓｃｅｓｕｏｓｐｒｓｈｏｓｎｅｅｐｓｔｎｏｒｒｄｗｒｈｐｔｒｅ．ｔｔｉｎ
ｄｆｒｎ．ｎｔｉｐｐｒａＭｕｔｓａｅＶａｉｎｅａｇｒｈｉｐｏｏｅｏｃｍｐｔｅｃａｇｆｖｒｎｅｅｕｔｇｆｍｉｅｅｔＩｈｓａｅ，ｌ —ｃｌｒｃｌｏｉｍｒｐｓｄｔｏｕｅｔｈｎｅｏａａｃｓｒｓｌｎｒｆｉａｔｓｈｉｉｏ
ｄｉｅｅｃｌ．ａｈａｇｎｔａｇｔｉｇａｄｔｔｃｎｅｉｈｃｇｏｄｉｍａ１ＦｉａｌｉｓｓｒｗｓａｄｆｒｎｔｓａｅＴｈｔｃｎｅｉｈｅｔｒｅｓｂｉｎｈａｈａｇｎｔｅｂａｋｒｕｎｓｓｌ．ｎｌｙ，ｔｕｅｏｎｃｌｏｕｍｎｒｊｃｉｎｔｎｄｔｇｃａｇｓｔｅｔｒｅｏｉｉｎ．ｅｅｐｒｍｅａｅｕｌｓｓｗｈａｈｏｏｓｄａｇ・ｓｐｏ。ｔｏｏｆｈｅｂｉｈｎｅａｈａｇｔｐｓｔｏＴｈｘｅｅｉｉｎｔｌｒｓｔｈｏｔｔｔｅｐｒｐｅｌｏ

基于假设检验的红外弱小目标感兴趣区域提取算法

摘要：根据假设检验的基本原理，提出了一种红外弱小目标感兴趣区域检测算法。该方法首先按照最小错误概率准则抽取图像中目标的感兴趣区域，然后在这些区域里
进行目标提取和分析。实验结果表明，该方法很好地克服了一些传统方法中冗余计算多和分析难度高等缺点，非常适合于红外弱小目标的高性能检测。关键词：感兴趣区域；最小错误概率准则；假设检验；红外序列；小目标检测中图分类号：Ｔ９１３文献标识码：ＡＮ１．７ＤＯ：１．６／．ｓ．７—７５０１８０Ｉ０９９ｊｓ１２８．１．．６３ｉｎ６８２００
ｓｏｈａｈｓｍｅｈｄｏｅｃｍｅｈｉａｖｎａｅｕｈａａｇｏｈｗｓｔｔｔｉｔｏｖｒｏｓｔｅｄｓｄａｔｇｓｓｃｓｌｒｅｃｍｐｔｔｏｎｆｃｔａａｙｉｎｕａｉｎａｄｄｉｕｌｎｌｓｓｉｉｆ
ｔａｄｉｉｎａｅｈｏｄｓａｎｄｓｖｙｕｉａｂｌｒｔｈｉｒｔｏｌｍｔｉｅｒｓｔｅｆｈｅｇｈｐｅｒｏｍａｅｄｅｅｔｏｏｍａｌｉｒｒｄｔｒｔｎｏｆｒｎｃｔｃｉｎｆｓｌｎｆａｅａｇｅｓｉｉｒｅｉａｓｎｆａｒｄｍｇｅ．
ｉｒｅｎｆａｒｄｔｇｅｉａｒｔｎａｎｉａｅｓｉｒｔｙｅｒｃｅｂｙｉｈｅｍｇｉｆｓｌｘｔａｔｄｕｓｎｇｔｍｉｍｕｍｅｒｐｒｎｉｒｏｒｏｂａｌｔｂｉｉｙｃｉｅｉａｎｄｒｔｒｏｎｔｎａｇｘｔａｔｏｎｈｅｔｒｅｔｅｒｃｉａｎｄａｎａｌｉｅｃｒｉｄｕｔｉｔｓｅｇｏｎｔｒｔＴｈｅｅｙｓｓａｒａｒｅｏｎｈｏｅｒｉｎｓｏｆｉｅｅｓ．ｘｐｅｉｅｔｅｕｌｒｍｎａｌｒｓｔ

低照度下的海上目标识别与跟踪

低照度下的海上目标识别与跟踪房广江;赵敏;郭航宇;林亮【摘要】针对海上目标识别过程中,热像仪图像存在干扰、目标不明显等问题,利用直方图均衡化的方法增强了目标与背景之间的对比度,便于识别;对均衡化后的图像二值处理,再利用数学形态学的方法进行开运算,消除图像中的细小噪声、平滑物体边界,在单帧图像中提取出候选目标.为了从多个候选目标中筛选出目标,通过具有平移、缩放及旋转不变性的圆形度来筛选出目标.针对现场环境在实验室做了模拟实验.实验表明,该方法能够快速准确的检测出存在强干扰、不明显的目标,将能够在海上防暴系统中发挥重要作用.【期刊名称】《机械制造与自动化》【年(卷),期】2016(045)002【总页数】4页(P217-219,227)【关键词】直方图均衡化;目标识别;圆形度;目标跟踪【作者】房广江;赵敏;郭航宇;林亮【作者单位】南京航空航天大学自动化学院,江苏南京210016;南京航空航天大学自动化学院,江苏南京210016;南京航空航天大学自动化学院,江苏南京210016;南京航空航天大学自动化学院,江苏南京210016【正文语种】中文【中图分类】TP391.4我国拥有广阔的领海区域、丰富的远洋资源。

为了保护海洋安全，海面船只目标的识别与跟踪具有较大的现实意义。

为了能够满足夜间低照度的要求，系统采用了热像仪作为探测器，其能够感应目标和背景向外界红外辐射能量的差异，为后期图像处理提供了便利。

针对海上运动目标的跟踪主要运用单帧检测和多帧确认相结合的目标检测思路。

单帧检测中，最直接的方法是阈值分割提取。

实际应用中，直接阈值分割往往会将背景干扰等噪声归于目标。

因此检测的一般步骤先进行预处理抑制背景，然后进行阈值检测。

直方图均衡化可以通过增加图像灰度值的动态取值范围从而达到增强图像整体对比度的效果。

基于形态学膨胀和腐蚀及其衍生出来开闭运算的形态学滤波器，具有独特的非线性滤波性能。

其中，开运算在背景估计的基础上提取潜在目标，功能类似于高通滤波器，但能根据目标大小、形状选择相应的结构元素检测任意大小的目标而不局限于点目标，因此已成为热成像目标检测中有力的背景抑制工具。

基于深度学习方法的海上舰船目标检测

第41卷第1期2019年1月舰船科学技术SHIP SCIENCE AND TECHNOLOGYVol.41,No.1Jan.,2019基于深度学习方法的海上舰船目标检测袁明新"，张丽民巴朱友帅I,姜烽I,申躱2(1.江苏科技大学机械工程学院，江苏镇江212003;2.张家港江苏科技大学产业技术研究院，江苏张家港215600)摘要：为了提高海上无人艇的舰船目标检测精度和速率，本文基于深度学习方法，利用卷积神经网络、区域建议网络及Fast R-CNN检测框架构建了舰船检测系统。

该系统通过共享的卷积神经网络提取特征；通过区域建议网络生成候选区域；通过Fast R-CNN框架实现目标检测识别，从而实现端到端的舰船目标检测。

实验结果表明，相比于传统机器学习目标检测算法，该舰船检测系统在检测精度及检测速率上均有大幅提高，达到83.79%的准确率及0.05s/帧的检测速率。

本文的舰船检测系统在检测精度及速率上均表现优异，满足了水面无人艇的工作要求。

关键词：舰船；目标检测；深度学习；区域建议网络；卷积神经网络中图分类号：TP391.41文献标识码：A文章编号：1672-7649(2019)01-0111-05doi：10.3404/j.issn.l672-7649.2019.01.021Ship target detection based on deep learning methodYUAN Ming-xin1-2,ZHANG Li-min1-2,ZHU You-shuai1,JIANG Feng1,SHEN Yi2(1.School of Mechanical Engineering,Jiangsu University of Science and Technology,Zhenjiang212003,China;2.ZhangjiagangIndustrial Technology Research Institute,Jiangsu University of Science and Technology,Zhangjiagang215600,China)Abstract:In order to improve the detection speed and accuracy of ship target for unmanned surface vehicle,a ship de・tection system is constructed using convolutional neural networks,region proposal networks and Fast R-CNN detection framework based on deep learning method in this paper.The ship features are extracted by shared convolutional neural networks;the candidate region is generated through region proposal networks;and the target detection and recognition are realized through the Fast R-CNN framework to achieve end to end ship target detection.The experimental results show that, compared with the traditional machine learning algorithms for target detection,the precision and the detection rate of the proposed system has been greatly improved,the mean average precision reached83.79%and the detection rate reached0.05 seconds/frame.The ship detection system in this paper has excellent performance in detection accuracy and speed,and meets the actual requirements of unmanned surface vehicles.Key words:ship；target detection；deep learning；region proposal networks;convolutional neural networks0引言近年来，水面无人艇作为海上环境检测和权益维护的先进工具和武器得到各国的高度重视，并成为国内外智能化海洋装备的研究热点「4。

卡尔曼滤波讲解

目录第1章绪论 (1)1.1课题研究的背景 (1)1.2雷达信号检测与目标跟踪 (2)1.3雷达目标跟踪的基本方法 (3)1.3.1雷达目标跟踪的基本信息 (4)1.3.2目标机动模型 (5)1.3.3雷达目标跟踪的滤波算法 (6)1.3.2.1加权最小二乘滤波 (6)1.3.2.2 滤波 (7)1.4目标跟踪技术有待进一步解决的问题 (8)1.4.1卡尔曼滤波的稳定性和准确性 (8)1.4.2收敛速度的问题 (9)1.4.3滤波过程中的系统偏差的问题 (9)1.5课题来源 (10)1.6本文的主要工作和结构 (11)第2章卡尔曼滤波理论 (12)2.1卡尔曼滤波的基本算法 (12)2.2卡尔曼滤波的性质 (13)2.3 Kalman滤波算法的发展 (14)2.3.1扩展卡尔曼滤波 (16)2.3.2二阶滤波 (17)2.3.3修正增益的扩展卡尔曼滤波 (17)2.3.4自适应扩展卡尔曼滤波 (18)2.3.5基于加权测量噪声协方差矩阵的发散抑制方法 (18)2.4卡尔曼滤波模型 (19)2.5船舶运动目标建模的主要方法 (20)2.6卡尔曼滤波算法中线性化的误差 (21)2.7卡尔曼滤波的应用意义 (22)第3章改进的卡尔曼滤波算法 (24)3.1野值识别与处理 (24)3.1.1野值的识别 (24)3.1.2野值的处理 (25)3.1.3野值处理的仿真分析 (26)3.2目标运动模型的建立 (27)3.2.1Singer模型中的匀速运动目标的运动模型 (27)3.2.2Singer模型中的匀加速运动目标的运动模型 (28)3.3坐标转换 (28)3.4通过自适应选择状态噪声协方差矩阵Q来提高滤波稳定性的方法 (29)3.4.1滤波仿真 (31)3.4.1.1状态协方差矩阵对滤波结果的影响 (31)3.4.1.2对状态噪声协方差矩阵自适应选择以后的滤波结果仿真 (33)3.5双模型并行滤波构造 (34)3.5.1滤波构造的设计 (35)3.5.2模拟仿真 (36)3.5.2.1基础卡尔曼滤波的仿真结果 (36)3.5.2.2并行滤波仿真结果 (38)4.1简化卡尔曼滤波算法发展现状 (40)4.1.1常增益滤波 (40)4.1.2状态约减 (40)4.1.3分段卡尔曼滤波 (40)4.1.4解藕卡尔曼滤波 (41)4.2本文简化算法设计方法 (41)4.3模拟仿真 (44)4.3.1简化算法与未简化算法的精度比较 (44)4.3.2 K值组的数量对滤波结果的影响 (45)第五章对卡尔曼滤波的展望 (48)结论 (49)参考文献 (50)第1章绪论1.1课题研究的背景雷达目标跟踪是整个雷达系统中一个非常关键的环节。

海洋遥感图像的分割与目标检测研究

海洋遥感图像的分割与目标检测研究随着科技的不断进步，遥感技术成为见证现代社会发展变化的重要手段之一。

其中，海洋遥感图像的分割与目标检测研究受到越来越多的关注。

本文将从以下几个方面探讨海洋遥感图像的分割与目标检测研究。

一、海洋遥感图像的特点海洋遥感图像具有以下一些特点。

首先，海洋遥感图像中的目标数量巨大，涉及到的种类也非常广泛，如船只、浮标、浮筒、浅滩、陆地、云等。

其次，海面具有动态性和复杂性，如潮汐、浪花、水流等，这些因素都会对图像信息的提取与处理造成困难。

此外，海洋遥感图像的分辨率往往较低，需要对其进行分割和目标检测才能准确获取其中的信息。

二、海洋遥感图像的分割研究1. 基于传统方法的海洋遥感图像分割传统的海洋遥感图像分割通常采用的是有监督学习方法，即通过人工标注的图像进行训练。

例如，使用聚类算法、基于阈值的分割方法、灰度级变换等方法进行分割。

但是这种方法需要人工标注大量的图像，耗时耗力，并且无法对复杂图像进行处理。

2. 基于深度学习的海洋遥感图像分割近年来，深度学习方法在海洋遥感图像分割方面表现出了良好的性能。

例如，卷积神经网络（CNN）被广泛应用于图像分割。

CNN不需要特征工程，具有很强的自适应性和鲁棒性，并且可以处理大规模的数据集。

三、海洋遥感图像的目标检测研究1. 基于传统方法的海洋遥感图像目标检测传统的海洋遥感图像目标检测方法通常采用的是先对图像进行分割，再对分割结果进行特征提取、分类等处理。

例如，使用一些常见的目标检测算法如边界框检测算法、模板匹配算法等。

但是这种方法存在一些问题，如对于大量的目标类别需要进行特征提取，耗时耗力。

2. 基于深度学习的海洋遥感图像目标检测近年来，深度学习方法在海洋遥感图像目标检测方面表现出了良好的性能。

例如，使用基于区域提议网络（RPN）的目标检测方法。

RPN可以针对性地产生若干个可能区域，并使用卷积神经网络对区域进行特征提取和分类，进而得到目标的位置和类别信息。

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)。

基于多帧积累的海面弱小慢速目标检测算法摘要：在复杂的海杂波环境中，海面弱小慢速目标检测技术一直是雷达领域中的一项重点。

由于以往采用的单帧数据检测海面弱小慢速目标容易产生较高的虚警率，所以本文联合多帧雷达回波数据，在基于十字窗改进的多帧积累算法上进行算法改进，减少了一个处理块来抑制海杂波从而检测海面弱小慢速目标，降低了算法的运算复杂度，增加了算法的可靠性与有效性，最后通过对实测海杂波数据进行算法仿真验证，表明了该算法的可行性和有效性。

关键词：海杂波抑制；弱小慢速目标检测；多帧积累；十字窗；多帧数据中图分类号：TJ760.1；TN911.7文献标识码：A文章编号：1673-5048（2018）02-0043-060引言随着海洋环境的日益复杂，海洋的武器平台也在不断增加，因此对海事雷达探测性能的要求也越来越高。

而在极其复杂的海面环境条件下，检测湮没在强海杂波中的弱小慢速目标一直是雷达对海探测研究的热点与难点。

海事雷达接收到的回波中不仅仅包含目标信号，更多的是海杂波以及噪声信号，在强海杂波环境中回波的信杂比是非常低的，通常都为负值，具有较低的可观测性，而且杂波也是复杂非均匀的，因此负的信杂比条件下检测海面弱小目标变得非常困难。

本文在多帧积累抑制海杂波算法的基础上将算法进一步改进，提出一种新的多帧积累的海面弱小慢速目标检测算法，降低了算法的运算复杂度。

并将算法应用于实测海杂波数据中进行算法仿真验证，有效地抑制了海杂波从而检测出海面弱小慢速目标。

众所周知，海洋环境远远比其他环境的杂波复杂[1]，因此海事雷达在海面检测目标的背景不仅仅是常见的三类背景即均匀背景、杂波边缘背景和多目标环境中的任意一个单一的背景[2]，而是非常容易受云雨、海尖峰、陆地、海面温度以及洋流等因素影响的复杂背景。

对于海杂波而言，使用常规的杂波抑制[3]方法如动目标显示（MTI）算法[4]、单帧恒虚警检测算法[5-6]等很难对其进行有效抑制。

基于此，本文采用多帧积累的检测算法实现对海杂波的抑制从而检测出海面弱小慢速目标，通过对实测数据的处理和性能分析验证了所提算法的可行性和有效性。

1目前存在问题由于海洋环境的复杂性，海杂波的非均匀性以及多变性使海面弱小慢速目标表现出低可观测性，增加了海事雷达检测的难度。

而以往的杂波抑制算法对于海杂波的抑制大多也是失效的。

当杂波与目标的多普勒速度相近时，MTI算法的杂波抑制效果并不理想，因MTI算法主要用来抑制静止和慢速杂波，但是海杂波会受到许多自然因素收稿日期：2017-08-21基金项目：西安电子科技大学基本科研业务费项目（BYD061428）作者简介：王雅（1992-），女，天津人，硕士研究生，研究方向为雷达信号处理。

引用格式：王雅，陶海红，代品品，等. 基于多帧积累的海面弱小慢速目标检测算法[ J]. 航空兵器，2018（2）：43-48.Wang Ya，Tao Haihong，Dai Pinpin，et al. Weak and Slow Targets Detection Algorithm for Sea Surface Based on MultipleFrame Accumulation[ J].Aero Weaponry，2018（2）：43-48. （in Chinese）的影响，是一种具有动态特性的复杂杂波。

除此之外，比较常见的单帧恒虚警检测算法在强海杂波条件下，在信杂比较低、海面弱小慢速目标的可观测性很差的时候会造成很高的虚警率，因此也不适用于海面弱小慢速目标的检测；若直接采用分数阶傅里叶变换（FRFT）[7-9]的方法在较低的信杂比条件下比较容易失效；还有不少学者采用分形[10-11]的方法进行海杂波背景下目标的检测问题，但是分形方法无法获得目标的运动信息。

多帧数据[12]联合处理能更准确地检测出海面目标。

因此，按照目前研究情况来看，寻找适用性强而且低复杂度的算法进行海面弱小慢速目标的检测是一直努力和探索的方向。

2算法描述2.1基于十字窗改进的多帧积累算法基于十字窗改进的多帧积累（CW-SIC）算法首先通过两个通道即SI通道[13]和CW通道对数据进行处理，然后将处理后的数据使用扫描相关（SC）算法进一步处理，最后通过过门限以及帧间十字窗处理的方法来实现检测低速运动目标的目的。

其中SI通道主要是通过对信号进行加权达到抑制海杂波的目的，而CW通道主要是利用海杂波在帧间的非相关性与海面弱小慢速目标在帧间的强相关性的原理来检测海杂波中的所有目标回波，达到检测目标的效果。

CW-SIC算法的处理框图如图1所示。

图1CW-SIC算法处理流程框图Fig.1The processing block diagram of CWSIC algorithm2.1.1SI通道SI通道最主要目的是抑制海杂波，原理是通过对当前帧的数据处理单元（i，j）的扫描幅度Aij与前一帧的数据处理单元的历史加权幅度Aij，old进行加权求和，将合成的加权扫描幅度Aij，new作为下一次扫描加权处理的“旧”值，即Ak+1，old=Ak，new，其中k代表帧数。

根据经验，将加权因子[14]设为α0 2.1.3SC算法[15]航空兵器2018年第2期王雅，等：基于多帧积累的海面弱小慢速目标检测算法SC算法的主要目的是检测目标，在经SI通道与CW通道处理后的数据data_max中提取有效回波，实现目标检测，同时去掉传统SI算法处理后带来的动目标“尾巴”现象，减少海杂波的尖峰数目。

SC算法简单来说是一个逻辑处理问题，假设第k帧的数据处理单元（i，j）的幅度为data{k}（i，j），假如data{k}（i，j）超过阈值门限T2，而且其对应的data_max{k}（i，j）的幅度也超过阈值门限T1，则输出data_max{k}（i，j），否则就置零输出。

2.2基于SI通道改进的多帧积累算法基于SI通道改进的多帧积累（NCW-SIC）算法主要通过对基于十字窗改进的多帧积累算法的SI通道进行算法改进，利用多帧数据进行海杂波抑制从而达到检测低速运动的弱小目标的目的。

NCW-SIC算法首先通过两个通道即NSI通道和CW通道进行数据处理，然后将处理后的数据使用SC算法进一步处理，以此实现检测低速运动目标的目的。

NCW-SIC算法具体的处理框图如图2所示。

图2NCW-SIC算法处理流程框图Fig.2The processing block diagram of NCWSIC algorithmCW通道的主要目的是输出海杂波中的所有目标回波。

处理方法与CW-SIC算法中的CW通道的处理方法相同。

NSI通道是对传统SI算法改进而来的，主要作用是抑制海杂波，根据经验[15]，为了更好地抑制海杂波，传统SI算法中的加权因子α选取为α=αT2{k}（i，j），则暂时判定该点为目标，否则就置零输出，输出结果记作SI_OUT{k}，然后将SI_OUT{k}（i，j）与CW{k}（i，j）的值进行“与”操作，将满足上述条件的数据保存为NCW{k}。

（4）将NCW{k}与第k帧未经处理过的数据使用SC算法进行处理，若第k帧数据处理单元（i，j）的幅度Ak（i，j）大于其对应的阈值门限T2{k}（i，j），而且数据处理单元（i，j）的幅度NCW{k}（i，j）也大于其阈值门限T1{k}（i，j），则输出数据NCW{k}（i，j）的值，否则就置零输出，最后将得到的数据记作data_end{k}，并且画出目标航迹图。

对比图1～2，可以看出NCW-SIC算法处理起来更加简单方便，比CW-SIC算法少了一个帧间十字窗处理的模块，大大降低了算法的复杂度。

对于NCW-SIC算法来说，在上通道中只增加了一个CW-SIC过门限的处理，其复杂度比起算法中的帧间十字窗处理简单很多，假设一帧数据包括10个距离单元10个脉冲，那么对于NCW-SIC算法中的SI_OUT的复杂度是100，但是对于CW-SIC算法中的帧间十字窗处理来说就大得多，比如选择的十字窗长和宽均为3，那么经过帧间十字窗处理后的复杂度为256，所以可以明显看出NCW-SIC算法比CW-SIC算法的复杂度要低，说明了NCW-SIC算法经过改进后更有效，也更易于工程实现。

3仿真实验和性能分析仿真实验所用的两组数据均为某海域实测海杂波数据，第一组数据包含25帧数据，海杂波不是很强；另一组数据包含27帧数据，但是海杂波相对于第一组数据来说强了很多，该数据中均含有两个小目标，这两个目标是敞篷小船拉着一个易拉罐，如图3为导航设备录取时的PPI视频图片。

小目标在海面上运动情况的图片见图4。

对两组数据具体的仿真效果见图5～11。

图3导航设备录取时PPI 视频Fig.3PPI video when navigation equipment accepts data假设目标的能量为S，杂波与噪声的能量为C+N，则信杂噪比可以表示为SCNR=S/（C+N）。

所取第2组数据的第23帧数据原始的信杂噪比为-21.95 dB。

该信杂噪比的计算均是在弱小慢速目标检测成功后通过对实测海杂波数据中的信号能量与其周围杂波及噪声平均能量的比值得到的，所以该数据是比较真实的。

如果想在该低信杂比情况下检测出目标是相当困难的。

但是实测海杂波数据经过NCW-SIC算法处理后两个小目标均检测出来，可以看到信杂噪比得到明显的提高，表明了NCW-SIC算法的有效性，具体仿真结果如图6，8，11所示。

图5～6为对第一组海杂波较弱的实测数据进行的仿真实验；图7～8为对第二组较强的实测海杂波数据进行的仿真实验。

从图6与图8两张结果图均可以明显看出两个小目标，而且海杂波也被图4小目标在海面运动情形Fig.4The movement of small targets in the sea图5第7帧数据Fig.5Data of the 7 frame图6第7帧数据经过NCW-SIC算法处理结果图Fig.6The 7 frame data are processed by NCWSIC algorithm图7第23帧数据Fig.7Data of the 23 frame图8第23帧数据经过NCW-SIC算法处理结果图Fig.8The 23 frame data are processed by NCWSIC algorithm明显的抑制了，表明NCW-SIC算法对海杂波抑制与海面弱小慢速目标的检测均具有明显效果，表现出该算法的有效性与可靠性。

图9为对第一组海杂波数据的第7帧数据采用SIC算法处理后的结果图。

在图9中发现目标并未找到，目标依然湮没在了海杂波中，表明使用传统SIC 算法的处理效果并不理想；图10是未经处理的第二组强杂波数据的27帧数据的原始航迹图，从该图可以发现由于杂波太强根本看不出目标的轨迹，小目标完全湮没在海杂波中；图11是第二组数据经过NCW-SIC算法处理后的27帧数据图9第7帧数据经过传统SIC算法处理结果图Fig.9The 7 frame data are processed by conventional SICalgorithm的航迹图，海杂波抑制效果比较明显，目标航迹图较清晰，均表明了NCW-SIC算法是可行的。