高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于三维凹包学习算法的海面小目标检测方法

关键 伍僖杰 丁昊 刘宁波 黄勇 曹政 魏嘉彧

关键, 伍僖杰, 丁昊, 刘宁波, 黄勇, 曹政, 魏嘉彧. 基于三维凹包学习算法的海面小目标检测方法[J]. 电子与信息学报, 2023, 45(5): 1602-1610. doi: 10.11999/JEIT220448
引用本文: 关键, 伍僖杰, 丁昊, 刘宁波, 黄勇, 曹政, 魏嘉彧. 基于三维凹包学习算法的海面小目标检测方法[J]. 电子与信息学报, 2023, 45(5): 1602-1610. doi: 10.11999/JEIT220448
GUAN Jian, WU Xijie, DING Hao, LIU Ningbo, HUANG Yong, CAO Zheng, WEI Jiayu. Detection of Small Targets on Sea Surface Based on 3-D Concave Hull Learning Algorithm[J]. Journal of Electronics & Information Technology, 2023, 45(5): 1602-1610. doi: 10.11999/JEIT220448
Citation: GUAN Jian, WU Xijie, DING Hao, LIU Ningbo, HUANG Yong, CAO Zheng, WEI Jiayu. Detection of Small Targets on Sea Surface Based on 3-D Concave Hull Learning Algorithm[J]. Journal of Electronics & Information Technology, 2023, 45(5): 1602-1610. doi: 10.11999/JEIT220448

基于三维凹包学习算法的海面小目标检测方法

doi: 10.11999/JEIT220448
基金项目: 国家自然科学基金(61871391, 61871392, 62101583)
详细信息
    作者简介:

    关键:男,教授,研究方向为雷达目标检测与跟踪、侦察图像处理和信息融合

    伍僖杰:男,硕士生,研究方向为海杂波中目标检测

    丁昊:男,副教授,研究方向为海杂波特性认知与抑制、海杂波中目标检测

    刘宁波:男,副教授,研究方向为雷达信号智能处理、海上目标探测技术

    黄勇:男,副教授,研究方向为雷达目标检测、MIMO雷达信号处理

    曹政:男,讲师,研究方向为海杂波中目标检测

    魏嘉彧:女,研究方向为制导与控制

    通讯作者:

    伍僖杰 WXJ4869@163.com

  • 中图分类号: TN959

Detection of Small Targets on Sea Surface Based on 3-D Concave Hull Learning Algorithm

Funds: The National Natural Science Foundation of China (61871391, 61871392, 62101583)
  • 摘要: 对于特征类的海面小目标检测方法,现有3特征检测器通常采用凸包分类算法完成检测。在实际应用时发现,该分类算法生成的判决区域在某些情况下不能很好地反映海杂波样本集合在特征空间中的分布情况,进而对检测器性能造成一定程度的损失。相比之下,使用凹包算法生成的判决区域是由凸包内剖得到的,它能更加贴合海杂波样本的分布,因此该文将判决区域的形式由凸包转化为凹包,并在此基础之上提出一种基于3维凹包学习算法的海面小目标检测方法。同时,针对现有3维凹包算法存在的内剖效率低、无法实现恒虚警检测的缺点,该文通过优化内剖点选择方法、增加“外补”环节的方式对算法进行改进。最后,经实测CSIR数据及X波段试验雷达数据共同验证,在其他参数均相同时,该文方法的检测性能要优于已有的多特征检测方法,并且通过对凹包算法的复杂度分析证明了所提方法的应用潜力。
  • 图  1  海杂波样本分布的凸包空间(RAA-RPDH-RVE特征空间)

    图  2  剖分面的最大周长与迭代次数的关系

    图  3  外补流程

    图  4  两种凹包算法得到的凹包空间

    图  5  所提方法的检测流程

    图  6  X波段试验雷达数据的时间-距离图像及信杂比分布

    图  7  检测性能对比结果(使用的特征是RI-NR-MS)

    图  8  检测性能对比结果(使用的特征是RAA-RDPH-RVE)

    图  9  5种检测方法对X波段雷达数据的检测性能对比

    算法1 文献[11]的凹包生成算法
     输入: 海杂波样本集${{S} }$,最大迭代次数$ {\text{max\_iteration}} $
     输出: 凹包$ {S_{{\text{concave}}}} $
     (1) 初始化:令$ V = 0 $($ V $代表迭代次数)
     (2) 利用现有的凸包算法生成$ S $的原始凸包${S_{\rm{n}}}$
     (3) 计算${S_{\rm{n}}}$表面所有剖分面的周长(周长值构成的集合用符号$ {L_V} $表示),得到门限值$ {\text{threshold = mean}}({L_0}) $,$\text{mean}(\cdot)$为平均算子
     (4) 若周长最大值小于$ {\text{threshold}} $,跳出循环,否则执行:
     (5)  令:$ V = V + 1 $
     (6)  若$ V > {\text{max\_iteration}} $,跳出循环,否则继续执行:
     (7)  对${S_{\rm{n}}}$执行内剖,并更新${S_{\rm{n}}}$
     (8)  计算$ {S_n} $表面所有剖分面的周长($ {L_V} $实现迭代更新)
     (9) 转至步骤6
     (10) 返回: ${ {{S} }_{ {\text{concave} } } } = { {{S} }_{\text{n} } }$
    下载: 导出CSV

    表  1  CSIR数据集介绍

    编号数据集名称平均风速(m/s)有效波高(m)目标所在距离单元原始信杂比(dB)脉冲重复频率 (kHz)
    1'TFA17_007'5.442.262411.565
    2'TFA17_010'5.472.2723-246.295
    3'TFA17_012'6.122.3014-187.315
    4'TFA17_013'6.132.3018-217.805
    5'TFA17_014'6.262.3517-221.355
    6'TFC17_004'6.102.2811-1213.475
    7'TFC17_006'6.282.3522-258.045
    8'TFA10_008'1.491.8416-1713.782.5
    9'TFC15_039'7.433.2021-26–1.795
    下载: 导出CSV

    表  2  训练时间对比(使用的特征是RAA-RDPH-RVE)(s)

    编号相干脉冲数为512时相干脉冲数为1024时
    现有方法本文方法本文方法(改进后)现有方法本文方法本文方法(改进后)
    10.0310.7270.4700.0310.6290.669
    20.0901.3371.2080.0941.3801.268
    30.0741.0270.8820.0761.0950.970
    40.0741.0200.9360.0741.0321.074
    50.1411.6211.7260.1431.6902.399
    60.0891.1880.9740.0941.2181.018
    70.1721.9342.0280.1821.9292.060
    80.0490.8751.9270.0500.7941.505
    90.0140.3920.5790.0150.3800.579
    下载: 导出CSV

    表  3  检测时间对比(使用的特征是RAA-RDPH-RVE)(ms)

    编号相干脉冲数为512时相干脉冲数为1024时
    现有方法本文方法本文方法(改进后)现有方法本文方法本文方法(改进后)
    12.0223.2733.6060.8921.8681.932
    25.9936.6807.4843.0033.3333.523
    34.4925.1025.2142.1512.4602.329
    44.4445.1035.1822.0662.5742.362
    58.2318.7728.5973.6714.2774.171
    65.6226.1835.8982.5853.3703.386
    710.32810.72310.5644.6465.1885.343
    82.8513.6023.0441.3352.4132.348
    90.9312.4272.5400.4211.8501.904
    下载: 导出CSV
  • [1] 关键. 雷达海上目标特性综述[J]. 雷达学报, 2020, 9(4): 674–683. doi: 10.12000/JR20114

    GUAN Jian. Summary of marine radar target characteristics[J]. Journal of Radars, 2020, 9(4): 674–683. doi: 10.12000/JR20114
    [2] 关键, 伍僖杰, 丁昊, 等. 基于对角积分双谱的海面慢速小目标检测方法[J]. 电子与信息学报, 2022, 44(7): 2449–2460. doi: 10.11999/JEIT210408

    GUAN Jian, WU Xijie, DING Hao, et al. A method for detecting small slow targets in sea surface based on diagonal integrated bispectrum[J]. Journal of Electronics &Information Technology, 2022, 44(7): 2449–2460. doi: 10.11999/JEIT210408
    [3] 时艳玲, 姚婷婷, 郭亚星. 基于图连通密度的海面漂浮小目标检测[J]. 电子与信息学报, 2021, 43(11): 3185–3192.

    SHI Yanling, YAO Tingting, and GUO Yaxing. Floating small target detection based on graph connected density in sea surface[J] Journal of Electronics & Information Technology, 2021, 43(11): 3185–3192.
    [4] SHUI Penglang, LI Dongchen, and XU Shuwen. Tri-feature-based detection of floating small targets in sea clutter[J]. IEEE Transactions on Aerospace and Electronic Systems, 2014, 50(2): 1416–1430. doi: 10.1109/TAES.2014.120657
    [5] SHI Sainan and SHUI Penglang. Sea-surface floating small target detection by one-class classifier in time-frequency feature space[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(11): 6395–6411. doi: 10.1109/TGRS.2018.2838260
    [6] BAI Xiaohui, XU Shuwen, GUO Zixun, et al. Sea surface floating target detection based on local-distance measurement[C]. The 2021 IEEE 6th International Conference on Signal and Image Processing, Nanjing, China, 2021: 118–122.
    [7] 许述文, 茹宏涛. 基于标签传播算法的海面漂浮小目标检测方法[J]. 电子与信息学报, 2022, 44(6): 2119–2126. doi: 10.11999/JEIT210382

    XU Shuwen and RU Hongtao. Small target detection on sea surface based on label propagation algorithm[J]. Journal of Electronics &Information Technology, 2022, 44(6): 2119–2126. doi: 10.11999/JEIT210382
    [8] 郭子薰, 水鹏朗, 白晓惠, 等. 海杂波中基于可控虚警K近邻的海面小目标检测[J]. 雷达学报, 2020, 9(4): 654–663. doi: 10.12000/JR20055

    GUO Zixun, SHUI Penglang, BAI Xiaohui, et al. Sea-surface small target detection based on K-NN with controlled false alarm rate in sea clutter[J]. Journal of Radars, 2020, 9(4): 654–663. doi: 10.12000/JR20055
    [9] GUO Zixun and SHUI Penglang. Anomaly based sea-surface small target detection using K-nearest neighbor classification[J]. IEEE Transactions on Aerospace and Electronic Systems, 2020, 56(6): 4947–4964. doi: 10.1109/TAES.2020.3011868
    [10] ASAEEDI S, DIDEHVAR F, and MOHADES A. α-Concave hull, a generalization of convex hull[J]. Theoretical Computer Science, 2017, 702: 48–59. doi: 10.1016/j.tcs.2017.08.014
    [11] LI Peng and NIGGEMANN O. Improving clustering based anomaly detection with concave hull: An application in fault diagnosis of wind turbines[C]. The 2016 IEEE 14th International Conference on Industrial Informatics, Poitiers, France, 2016: 463–466.
    [12] HARTIGAN J A. Estimation of a convex density contour in two dimensions[J]. Journal of the American Statistical Association, 1987, 82(397): 267–270. doi: 10.2307/2289162
    [13] HERSELMAN P L, BAKER C J, and DE WIND H J. An analysis of X-Band calibrated sea clutter and small boat reflectivity at medium-to-low grazing angles[J]. International Journal of Navigation and Observation, 2008, 2008: 347518. doi: 10.1155/2008/347518
    [14] HERSELMAN P L and BAKER C J. Analysis of calibrated sea clutter and boat reflectivity data at C- and X-band in South African coastal waters[C]. 2007 IET International Conference on Radar Systems, Edinburgh, UK, 2007: 1–5.
    [15] 刘宁波, 丁昊, 黄勇, 等. X波段雷达对海探测试验与数据获取年度进展[J]. 雷达学报, 2021, 10(1): 173–182. doi: 10.12000/JR21011

    LIU Ningbo, DING Hao, HUANG Yong, et al. Annual progress of the sea-detecting X-band radar and data acquisition program[J]. Journal of Radars, 2021, 10(1): 173–182. doi: 10.12000/JR21011
    [16] 刘宁波, 董云龙, 王国庆, 等. X波段雷达对海探测试验与数据获取[J]. 雷达学报, 2019, 8(5): 656–667. doi: 10.12000/JR19089

    LIU Ningbo, DONG Yunlong, WANG Guoqing, et al. Sea-detecting X-band radar and data acquisition program[J]. Journal of Radars, 2019, 8(5): 656–667. doi: 10.12000/JR19089
  • 加载中
图(9) / 表(4)
计量
  • 文章访问数:  519
  • HTML全文浏览量:  231
  • PDF下载量:  131
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-04-14
  • 修回日期:  2022-08-25
  • 录用日期:  2022-08-25
  • 网络出版日期:  2022-08-30
  • 刊出日期:  2023-05-10

目录

    /

    返回文章
    返回