基于INet的雷达图像杂波抑制和目标检测方法

发布时间：2021-10-31 11:52

　　强海杂波与海面目标的复杂特性使得海面目标回波微弱,有效的海杂波抑制和稳健快速的目标检测是雷达对海上目标探测需考虑的重要因素。然而,现有的海面目标检测算法对于复杂环境下的目标检测性能有限,环境和目标特性适应性差。该文设计了一种杂波抑制和目标检测融合网络（INet）,通过层归一化-传递和连接方法提取关键目标特征,采用注意力网络抑制杂波和增强目标,构建跨阶段局部残差网络保证检测网络的轻量化和准确性。基于导航雷达在多种观测条件下采集的回波数据,构建了海面目标雷达图像数据集;通过模型的预训练和平面位置显示器（PPI）图像的帧间积累对INet进行了优化,得到了Optimized INet（O-INet）模型。经过多种天气条件下实测数据测试和验证,并与YOLOv3, YOLOv4,双参数CFAR和二维CA-CFAR对比后证明,所提方法在提高检测概率、降低虚警率和复杂条件下的强泛化能力有显著优势。 

【文章来源】：雷达学报. 2020,9(04)北大核心CSCD

【文章页数】：14 页

【参考文献】：
期刊论文
[1]复杂场景下单通道SAR目标检测及鉴别研究进展综述[J]. 杜兰,王兆成,王燕,魏迪,李璐.  雷达学报. 2020(01)
[2]X波段雷达对海探测试验与数据获取[J]. 刘宁波,董云龙,王国庆,丁昊,黄勇,关键,陈小龙,何友.  雷达学报. 2019(05)
[3]雷达海上目标双通道卷积神经网络特征融合智能检测方法[J]. 苏宁远,陈小龙,陈宝欣,关键.  现代雷达. 2019(10)
[4]复合高斯杂波下抑制失配信号的自适应检测器[J]. 许述文,石星宇,水鹏朗.  雷达学报. 2019(03)
[5]基于时频图深度学习的雷达动目标检测与分类[J]. 牟效乾,陈小龙,苏宁远,关键,陈唯实.  太赫兹科学与电子信息学报. 2019(01)
[6]基于卷积神经网络的海上微动目标检测与分类方法[J]. 苏宁远,陈小龙,关键,牟效乾,刘宁波.  雷达学报. 2018(05)
[7]深度学习在雷达中的研究综述[J]. 王俊,郑彤,雷鹏,魏少明.  雷达学报. 2018(04)
[8]基于卷积神经网络的遥感图像舰船目标检测[J]. 黄洁,姜志国,张浩鹏,姚远.  北京航空航天大学学报. 2017(09)
[9]实测海尖峰特性分析及抑制方法[J]. 黄勇,陈小龙,关键.  雷达学报. 2015(03)



本文编号：3468083