基于多域多维特征融合的海面小目标检测

发布时间：2021-11-13 00:00

　　多维特征检测技术是提高海面小目标检测的有效途径。为了进一步提升海面小目标检测性能,本文提出基于多域多维特征融合的检测方法。首先,从时域、频域、时频域、极化域等多域,充分挖掘海杂波和含目标回波的差异性,并将这些差异性表征为多维特征,构建高维特征空间。其次,通过极化域和特征域的多维特征线性融合,将多维特征压缩到3D特征空间中,获得高维度信息的同时减少维度计算代价。然后,结合凸包学习算法获得3D判决区域,实现异常检测。最后,基于IPIX实测数据的实验结果表明:相对现有的极化检测器,提出的检测器具有25%以上的显著性能提升。 

【文章来源】：信号处理. 2020,36(12)北大核心CSCD

【文章页数】：8 页

【部分图文】：

多维特征的相关系数

图2给出了基于多域多维特征融合(Multi-domain and Multi-dimensional Feature Fusion, MMFF)检测器的流程图。不同于传统的特征检测器,将四种极化下的回波数据进行联合处理,提取了时域、频域、时频域、极化域的多维特征。并且,联合极化域和特征域的线性融合,将高维特征空间降到3D特征空间中,保证维度信息量的同时解决高维分类器设计问题。在3D特征空间中,采用快速凸包算法[10-13]获得虚警可控的判决区域。整个检测框架是一个开放式的特征架构,可以进一步提取其他维度的特征或者改变融合方式,甚至可以直接进行高维特征域的单分类器设计。在3D特征空间中,双重融合后的3个特征受到信杂比、雷达工作参数、海洋环境等多个因素影响。图3演示了判决区域获取过程的示意图,红色圆圈代表含目标回波,蓝色方块代表海杂波,判决区域由多面体凸包构成。从图3中可知,判决区域将大量的海杂波包围,在判决区域外面的海杂波为虚警样本。检测时,当CUT的融合特征向量处于判决区域之外时,则判定为含目标回波;否则,判定为无目标。

在3D特征空间中,双重融合后的3个特征受到信杂比、雷达工作参数、海洋环境等多个因素影响。图3演示了判决区域获取过程的示意图,红色圆圈代表含目标回波,蓝色方块代表海杂波,判决区域由多面体凸包构成。从图3中可知,判决区域将大量的海杂波包围,在判决区域外面的海杂波为虚警样本。检测时,当CUT的融合特征向量处于判决区域之外时,则判定为含目标回波;否则,判定为无目标。在进行极化域线性加权特征融合时,需要确定最优的加权系数。在给定虚警率Pfa=10-3下,MMFF检测器的最优加权系数将获得最大检测概率Pd,即满足如下的优化问题

【参考文献】：
期刊论文
[1]基于实测数据的Ka波段海杂波极化特性研究[J]. 刘玉静,张晓峰,金威,苏宏艳,樊润东,陈展野.  电波科学学报. 2019(06)
[2]采用卷积神经网络的海面多目标检测研究[J]. 楼奇哲,刘乐,姚元.  信号处理. 2018(09)
[3]基于四极化通道融合的海面漂浮微弱目标特征检测[J]. 许述文,蒲佳.  信号处理. 2017(03)
[4]L波段小擦地角海杂波幅度统计特性研究[J]. 张玉石,许心瑜,尹雅磊,李慧明,吴振森.  电子与信息学报. 2014(05)



本文编号：3491900