海杂波下基于特征提取的目标检测与跟踪技术研究.pdf

海杂波下基于特征提取的目标检测与跟踪技术研究

摘要

随着国际形势的日益变化，海洋安全问题变得愈发引人关注。海面目标的检测与跟

踪在军事和民用领域都具有重要意义，而在海面目标的检测和跟踪过程中，经常会受到

海杂波的影响。作为一种非均匀、非线性、非高斯的杂波，海杂波经常会将目标淹没其

中，给目标检测和跟踪带来极大困难。因此，如何有效的将目标从复杂的海杂波中检测

出来并进行跟踪，对加强海防建设具有重要意义。

基于上述背景，本文对海杂波背景下的目标检测技术和目标跟踪技术展开了研究。

通过使用两种不同海洋环境的实测数据，提取了海洋背景下目标回波与海杂波的多维特

征。随后，利用深度学习技术构建了目标检测器，以提高在海杂波背景下海面目标的检

测性能。在目标检测的基础上，根据目标与海杂波的特征稳定性差异，进一步提取特征，

构建了海面运动目标跟踪的算法框架。论文的主要工作如下：

1.对海杂波的特性进行了分析。首先分析了海杂波的幅度统计特性，研究了几种经

典的海杂波幅度分布模型，并通过实测数据对这些模型进行了拟合验证；其次分析了海

杂波的频谱统计特性，利用实测数据研究了海杂波和目标在一维频谱上的差异性。这些

分析为后续章节中特征的提取提供了理论基础。

2.针对海面小目标容易淹没在噪声中的问题，提出了多维特征融合的目标检测方法。

首先根据目标和海杂波在频域的差异性，提出频域方差与均值比(FrequencyVarianceto

AverageRatio,FVAR)作为特征，并从时域、时频域等多域提取其他特征；其次利用两支

改进的卷积神经网络(ConvolutionalNeuralNetwork,CNN)，分别训练一维特征和二维特

征，并将两支网络联合，提出多维特征融合卷积神经网络(MultidimensionalFeatureFusion

ConvolutionalNeuralNetwork,MFFCNN)检测器；最后利用实测数据，将本文所提检测器

与其他检测算法进行对比，有着更高的检测性能和更短的训练时间。

3.针对传统跟踪算法中关联算法实时性差、非关联算法不能生成航迹的问题，提出

了特征辅助的目标跟踪算法。在目标检测结果的基础上，利用不同类跟踪算法的优势，

将高斯混合概率假设密度(GaussianMixtureProbabilityHypothesisDensity,GM-PHD)与联

合概率数据互联(JointProbabilityDataAssociation,JPDA)结合，并根据目标与海杂波的特

征稳定性差异提取特征，建立特征辅助的GM-PHD-JPDA跟踪算法框架。最后利用实测

数据，将本文所提跟踪算法与其他跟踪算法进行对比，验证了所提跟踪框架的可行性。

关键词：海杂波；特征提取；目标检测；多目标跟踪

海杂波下基于特征提取的目标检测与跟踪技术研究

ABSTRACT

Withtheincreasinglychanginginternationalsituation,maritimesecurityissueshave

becomeincreasinglyconcerning.Thedetectionandtrackingofseasurfacetargetsareofgreat

significanceinbothmilitaryandcivilianfields,andintheprocessofdetectingandtrackingsea

surfacetargets,theyareoftenaffectedbyseaclutter.Asatypeofnon-uniform,nonlinear,and

nonGaussianclutter,seaclutteroftensubmergestargets,posinggreatdifficultiesfortarget

detectionandtracking.Therefore,howtoeffectivelydetectandtracktargetsfromcomplexsea

clut