【技術實現步驟摘要】
本專利技術涉及雷達目標檢測領域，具體涉及一種基于場景分類的自適應cfar檢測方法。
技術介紹
1、合成孔徑雷達(sar)圖像因其獨特的成像機制，能夠在無光照或惡劣天氣條件下獲取地表高質量圖像，在海洋監測中有廣泛的應用前景。恒虛警率(cfar)算法作為雷達自動檢測系統中非常重要的一種目標自動檢測方法而備受關注。近年來，研究人員開發了多種類型的cfar檢測器，如平均恒虛警率檢測器(ca-cfar)、階梯型恒虛警率檢測器(go-cfar)、順序檢驗恒虛警率檢測器(so-cfar)等。這些檢測器通過適應不同的環境特征，能夠在空中、海上以及部分陸地場景下實現目標檢測，并具有較好的檢測性能。
2、然而，在港口和陸地環境中，cfar算法面臨諸多挑戰。在港口環境中，由于目標與背景的對比度較低，以及背景的復雜性，傳統cfar算法難以有效區分目標與雜波信號，導致檢測性能不穩定且虛警率較高。在陸地環境中，地形、植被和人造物等復雜的背景因素使得目標與背景之間的特征差異減弱，傳統cfar檢測器容易受到誤警干擾，降低了目標檢測的準確性。此外，傳統的cfar算法通常基于固定的窗口大小和結構來評估背景噪聲水平，但這種方式在港口和陸地環境中難以應對非均勻背景。背景的高度變化和目標形狀的不規則性進一步增加了目標檢測的難度，使得傳統cfar檢測器難以適應不同的場景需求。
3、因此，亟需一種基于場景分類的自適應cfar檢測方法，能夠針對不同的目標檢測場景進行自適應調整，以實現更準確、更穩定的目標檢測性能。該方法將利用先進的場景分類算法和自適應策
技術實現思路
1、為了克服現有技術的不足，本專利技術提供一種基于場景分類的自適應cfar檢測方法。
2、本專利技術的目的在于，針對cfar面對不能在港口和陸地場景中保持優良檢測性能的問題，提供了一種基于場景分類的自適應cfar檢測方法，該檢測方法保證了cfar對陸地場景不進行檢測，在港口做到海陸分割避免產生大量虛警。該方法通過使用k-means聚類算法對場景進行分類，然后分別采用港口場景的海陸分割策略和自適應cfar檢測算法，實現對不同環境下目標的優良檢測。
3、本專利技術所述的一種基于場景分類的自適應cfar檢測方法，是一種混合專家模型，通過k-means聚類算法對圖片進行分類，對于不同場景的圖片，采取不用的專家進行目標檢測。
4、本專利技術解決其技術問題所采用的技術方案包括如下步驟：
5、步驟1：使用k-means聚類算法和對輸入的sar圖像進行場景分類；
6、通過聚類，將sar圖像分為內陸(inland)、臨海(inshore)、海域(offshore)三種數據集，分別指陸地面積占圖片的100％、0-100％、0％，得到三類圖片后，篩選掉內陸(inland)的圖像不進行目標檢測，對海域(offshore)的圖像進行步驟2的目標檢測，對臨海(inshore)的圖像進行步驟3的目標檢測；
7、步驟2：使用vi-cfar對步驟1分類得到的純海域(offshore)區域進行目標檢測；
8、vi-cfar(variance?index?cfar，可變指數恒虛警)采取的cfar策略是通過vi值和mr值選擇不同的均值類cfar策略，其中單元平均恒虛警(ca-cfar)將待檢測單元周圍的臨近參考單元數據作平均處理，作為背景雜波功率估計以獲得檢測門限，適應于背景雜波平均的情況；單元最小選擇恒虛警(so-cfar)采取選擇前后半窗求和后的較小者再取平均作為背景雜波估計，防止背景估計偏大從而避免目標漏檢；單元最大恒虛警(go-cfar)通過選擇雜波功率較大的半窗參考單元取平均作為背景雜波估計，以改善雜波邊緣處的虛警提升問題；
9、步驟3：使用顯著性模型對步驟1得到的臨海(inshore)區域進行cfar檢測；
10、使用顯著性模型進行cfar檢測是一種結合顯著性特征提取與恒虛警率檢測技術的方法，適用于在復雜背景如臨海港口環境中的目標檢測，尤其是對于合成孔徑雷達圖像中的船艦目標檢測，更準確地區分目標與背景，從而提高檢測的精度和減少誤報。
11、所述步驟1的具體步驟如下：
12、步驟1-1：使用預訓練的深度學習網絡提取圖像特征；
13、使用基于imagenet數據集預訓練的mobilenetv2作為特征提取模型，將輸入的sar圖像x通過特征提取模型提取其特征向量f，特征向量的提取公式表示如下：
14、fi＝mobilenetv2(xi)?????????(1)
15、其中，xi表示第i張圖像的輸入數據，fi是通過mobilenetv2模型提取的圖像xi的特征向量；
16、步驟1-2：通過k-means算法將特征向量聚類為k個類別；
17、將提取的特征向量f輸入k-means算法，同時根據公式(2)計算不同類別的特征中心，k-means算法通過公式(3)計算每個特征向量f與各類別中心的歐式距離d，并使用歐氏距離d作為相似度度量計算樣本間的距離，將圖像分配到最接近的類別中；
18、
19、其中，ck表示第k個類別中的所有特征向量數量，ck是第k個類別的中心向量；
20、
21、其中，m表示特征向量的維度；fi,j表示第i個數據點的特征向量fi在第j維的值；ck,j表示第k個聚類的中心向量ck在第j維的值；d(fi,ck)表示第i張圖像的特征向量fi與第k個聚類的中心向量ck之間的歐氏距離；
22、在k-means聚類中，為了確定最優的聚類數k，通過輪廓系數(silhouette?score)對不同k值的聚類效果進行評估，輪廓系數的計算公式如下：
23、
24、其中，a是同一簇內的平均距離，b是與最近簇的平均距離，max為取最大值，最終選擇輪廓系數s最高的k值作為最優聚類數；
25、通過計算輪廓系數，優化聚類效果，確保每個數據點與其所屬類別中心的距離平方和最小，從而達到最佳的聚類效果，基于sardet-100k數據集進行實驗，優化后k值為3，將數據集正確分為內陸(inland)、臨海(inshore)、海域(offshore)三個類別。
26、所述步驟2中，vi算法首先計算參考窗的vi值和mr值，vi表示可變指數(varianceindex)，用來判斷參考窗采樣值是否均勻，mr表示參考窗的相對平均值比率(mean?ratio)，用來判斷前后參考窗功率均值是否一致；vi值和mr值計算方式如下:
27、
28、式中，σ2表示參考窗內樣本值的方差，μ2為的平方，n為半窗參考單元數，xi表示參考窗中第i個樣本的值，表示參考窗中所有樣本的均值；表示前窗內樣本文檔來自技高網...
【技術保護點】
1.一種基于場景分類的自適應CFAR檢測方法，其特征在于包括下述步驟：
2.根據權利要求1所述的基于場景分類的自適應CFAR檢測方法，其特征在于：
3.根據權利要求1所述的基于場景分類的自適應CFAR檢測方法，其特征在于：
4.根據權利要求3所述的基于場景分類的自適應CFAR檢測方法，其特征在于：
5.根據權利要求3所述的基于場景分類的自適應CFAR檢測方法，其特征在于：
6.根據權利要求1所述的基于場景分類的自適應CFAR檢測方法，其特征在于：
7.根據權利要求6所述的基于場景分類的自適應CFAR檢測方法，其特征在于：
8.根據權利要求6所述的基于場景分類的自適應CFAR檢測方法，其特征在于：
9.一種電子設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有程序代碼，所述程序代碼可被處理器調用執行如權利要求1-8中任意一項所述的方法。
【技術特征摘要】
1.一種基于場景分類的自適應cfar檢測方法，其特征在于包括下述步驟：
2.根據權利要求1所述的基于場景分類的自適應cfar檢測方法，其特征在于：
3.根據權利要求1所述的基于場景分類的自適應cfar檢測方法，其特征在于：
4.根據權利要求3所述的基于場景分類的自適應cfar檢測方法，其特征在于：
5.根據權利要求3所述的基于場景分類的自適應cfar檢測方法，其特征在于：
6.根據權利要...
【專利技術屬性】
技術研發人員：張艷寧，張佳，張世周，蘇小婷，符夢芹，王鵬，席慶彪，
申請(專利權)人：西北工業大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。