共查询到10条相似文献，搜索用时 187 毫秒
1.
针对尺度自适应选择分层多阈值方法,有时检测目标不完整且存在较多虚警目标等问题,提出了一种基于尺度分层多阈值和SVM分类相结合的舰船目标检测与识别方法。首先使用尺度自适应分层多阈值方法进行初检测;其次根据样本学习生成舰船目标特征及最佳分类特征组合;最后使用SVM样本学习分类实现舰船目标检测与识别。实验结果表明,该方法比单一使用样本分类法降低了虚警率,提高了检测效率,能在近岸舰船目标与背景对比度较低的情况下实现虚假目标有效剔除,且在突堤式码头停放的舰船目标识别中更有效和更稳定。 相似文献
2.
针对以离散余弦变换为核心的人类视觉模型舰船检测算法受数据类型限制的问题(即对复数类型的数据检测效果不好),该文提出了一种改进的人类视觉模型SAR图像舰船检测算法。该算法是以快速傅里叶变换代替离散余弦变换,将SAR图像从空间域变换到频率域;快速傅里叶变换对数据类型要求较低,只要求数据是离散的,并且运行效率更高。然后,采用3种星载SAR数据——ENVISAT ASAR(25m)、Sentinel-1(10m)和Cosmo-Skymed(2.5m)进行对比实验。结果表明,以快速傅里叶变换为核心的人类视觉模型舰船检测算法的检测性能和效率优于以离散余弦变换为核心的算法、双参数恒虚警率(CFAR)算法和K分布恒虚警率算法。 相似文献
3.
舰船目标快速检测是星载合成孔径雷达的重要应用之一,也是SAR星上处理首先发展的应用方向.目前SAR舰船快速检测普遍使用的图像恒虚警(CFAR)检测方法中,低虚警一直是研究的重点,多通道SAR中舰船目标存在多通道虚假目标,进一步增加了虚警剔除的难度.为此,本文提出了一种基于置信度计算和SVM判别的低虚警CFAR(Cons... 相似文献
4.
船只检测是实现船只航行安全的重要措施之一,利用SAR图像可实现船只检测。然而,传统的一些方法一般容易受到SAR图像斑噪的影响,在检测结果中产生大量的虚警。为解决这一问题,本文提出了一种基于引力场增强的舰船检测方法。该方法利用像素与其邻域内像素的相互作用可对目标像素增强的效应,有效地抑制了斑噪像素和背景像素的强度,凸显了目标。由于增强后的像素已经不满足对海面区域的均质性假设,因此直接使用恒虚警检测算法对图像进行全局检测并不能够得到很好的效果,据此本文引入了一个基于均质区域自适应分割的改进的K-CFAR检测算法,将图像分割为不同大小的一系列均质区域,并分别对各个均质区域使用一个改进的K-CFAR检测器对船只目标进行检测。最后,使用Radarsat-1数据和Envisat ASAR数据对本文算法进行了验证。实验表明,本文提出的方法能够有效地凸显弱目标,增加检测准确性,降低检测的虚警概率。 相似文献
5.
在SAR成像过程中,利用目标相对于雷达运动的多普勒频率进行方位向压缩来提高方位向分辨率。对于海面舰船目标,往往由于SAR发射的脉冲重复频率过低,回波信号的多普勒频率欠采样,引起高亮度的方位向模糊噪声,产生虚假目标。若直接利用传统CFAR、子孔径相干等目标检测算法,会把方位向模糊引起的虚假目标误判为舰船目标,降低了舰船目标的检测精度。针对SAR影像方位向模糊现象,提出一种利用全极化SAR数据的舰船目标检测算法,其利用H-A-Alpha分解得到的第三散射机制,结合方位向全极化子孔径相干,消除了方位向模糊噪声对舰船目标检测的影响,提高了舰船目标的目标杂波比。通过采用日本玉野Kojimawan港口附近的C波段AIRSAR全极化数据进行试验,验证了该算法能消除SAR方位向模糊,降低虚警率,提高舰船目标的检测精度。 相似文献
6.
双参数恒虚警率CFAR(Constant False Alarm Rate)是舰船目标检测中的常用算法。近年来,合成孔径雷达(SAR)分辨率不断提高,SAR图像幅宽增大,并且在检测时希望尽量保持舰船轮廓以便后续的舰船目标识别。双参数CFAR算法虽然能满足目标检测需求,但算法运行时间过长,不利于信息的及时处理。传统的MPI(Message Passing Interface)并行化解决方案在分配检测任务给各进程时,没有考虑因陆地掩膜,几何校正等预处理所导致的图像中待检测点分布不均。针对这一问题,本文提出改进的MPI并行化解决方案。与传统的MPI并行化解决方案相比,该方案能较为均衡地为各个进程分配检测任务。在集群计算机上的实验结果表明,改进后并行标准效率提高约43%。为应对机载SAR实时舰船目标检测的需求,在多核PC机上进行实验,结果表明,本文算法在多核PC机上也能有效地缩短检测时间,对实现机载SAR实时舰船目标检测有积极意义。 相似文献
7.
8.
针对靠岸舰船难以检测的问题,提出了一种直线特征辅助的靠岸舰船检测方法。首先利用高精度的卷积神经网络目标检测算法YOLOv3对影像进行粗检测,获取可能存在舰船目标的区域作为兴趣区域;然后提取影像的直线特征,将直线的方向作为确定舰船方向的辅助信息;最后利用具有一定角度的滑动窗口遍历兴趣区域获取候选目标,并对侯选目标进行二次分类和识别得到最终检测结果。利用不同港口的遥感影像进行实验的结果表明,提出方法能够有效检测港口内多种方向和并列停靠的舰船目标。 相似文献
9.
一种新的SAR图像船只检测方法 总被引：7，自引：1，他引：7
提出一种新的基于恒虚警率(CFARConstantFalseAlarmRate)技术,确定SAR图像中检测船只整体阈值的方法。该方法采用高斯分布(正态分布)作为SAR图像灰度的概率密度函数,由CFAR技术直接导出用于检测船只整体阈值的计算公式,用记数滤波器滤波去除虚警。该算法避免了复杂公式迭代和求解形状参数计算过程,也避免了用二分法寻找阈值的循环解算过程,提高了检测速度。使用XSAR和ERSSAR图像对该算法进行检验,并与其它算法进行比较,结果显示所提出的算法在检测精度和检测速度上都有明显的改进。 相似文献
10.
《测绘科学》2020,(3)
针对传统舰船检测方法中流程繁琐,速度较慢且对于复杂背景区域的检测精度较低等问题,该文提出了一种改进的Faster R-CNN深度神经网络端到端自动检测方法。该方法通过数据增强技术对数据集进行扩充,使用深度残差网络ResNet替代传统平网络VGG-16对数据集进行特征提取,在区域生成网络中针对舰船目标长宽比较高的特点修改了标定框的长宽比,较好地解决了传统检测方法步骤繁琐,速度较慢等缺点,实现了对遥感影像舰船目标的自动检测。实验结果表明,改进后的Faster R-CNN检测算法能够对遥感影像中的舰船目标进行快速的精确检测,准确率可达92.3%,检测速度达到每秒5帧。即使在面对遥感影像背景复杂、目标局部遮挡问题时也能准确识别。和传统的ENVI与eCognition分类手段相比,该方法提升了目标检测效果和识别效率,Faster R-CNN检测算法相比该方法提升了检测精度。 相似文献