红外摄像机虽然能够全天候 24 h工作, 但是相比于可见光摄像机, 其获得的红外图像分辨率和信杂比低, 目标纹理信息缺乏, 因此足够的标记图像和进行模型优化设计对于提高基于深度学习的红外目标检测性能具有重要意义。为解决面向监控应用场景的红外目标检测数据集缺乏的问题, 首先采用红外摄像机采集了不同极性的红外图像, 基于自研图像标注软件实现了 VOC格式的图像标注任务, 构建了一个包含行人和车辆两类目标的红外图像数据集( Infrared-PV), 并对数据集中的目标特性进行了统计分析。然后采用主流的基于深度学习的目标检测模型进行了模型训练与测试, 定性和定量分析了 YOLO系列和 Faster R-CNN系列等模型对于该数据集的目标检测性能。构建的红外目标数据集共包含图像 2138张, 场景中目标包含白热、黑热和热力图 3种模式。当采用各模型进行目标检测性能测试时, Cascade R-CNN模型性能最优, mAP0.5值达到了 82.3%, YOLO v5系列模型能够兼顾实时性和检测精度的平衡, 推理速度达到 175.4帧/s的同时 mAP0.5值仅降低 2.7%。构建的红外目标检测数据集能够为基于深度学习的红外图像目标检测模型优化研究提供一定的数据支撑, 同时也可以用于目标的红外特性分析。

为提高红外图像弱小目标检测的准确率和实时性，在分析用于红外图像增强的分形参数K相关的多尺度分形特征(MFFK)基础上，提出了一种基于改进多尺度分形特征(IMFFK)的红外图像弱小目 标检测算法。首先，将基于地毯覆盖法的分形维数计算公式代入MFFK计算公式，提出了一种改进多尺度分形特征(IMFFK)用于图像增强。其次，对IMFFK特征计算进行简化，采用自适应阈值分割得到 感兴趣目标区域，提出了一种具有较高计算效率的红外图像弱小目标检测算法。最后，通过仿真图像分析了主要参数对图像增强和算法耗时的影响，采用红外真实图像进行了算法检测性能测试，并 与当前基于局部对比度测度的目标检测算法进行了对比。实验结果表明，提出的算法虽然在一些检测场景具有较多虚警，但能同时适用于弱小目标和较大目标检测，且无论目标为亮目标或暗目标。 提出算法对于低分辨率红外图像(320×240)检测接近30 frame/s。提出算法具有较强的适用性，能够检测出红外图像中具有较高局部对比度的目标。

为解决SAR图像目标识别中样本缺乏和方位角敏感问题, 提出了一种基于DRGAN和SVM的SAR图像目标识别算法。首先, 采用多尺度分形特征对SAR图像进行增强, 经过分割得到目标二值图像, 基于Hu二阶矩估计目标的方位角。然后对估计得到的目标方位角进行量化编码, 结合原始图像作为输入, 对设计的DRGAN模型参数进行训练与优化。由于DRGAN中的深度生成模型将目标姿态与外观表示进行解耦设计, 故可利用该模型将SAR图像样本变换到同一方位角区间。基于变换后的训练样本分别提取归一化灰度特征, 利用SVM训练分类器。采用MSTAR数据集在多个不同操作条件下对提出的算法进行测试, 实验结果表明, 在带变体的标准操作条件下, 能够达到97.97%的分类精度, 优于部分基于CNN模型的分类精度, 在4种扩展操作条件下的分类精度分别为97.83%, 91.77%, 97.11%和97.04%, 均优于传统方法的分类精度。在SAR图像目标方位角估计存在一定误差的情况下, 训练得到的GAN模型作为SAR图像目标旋转估计器, 能够使得在不进行复杂样本预处理的前提下, 仍然取得较高的SAR图像目标识别精度。关 键 词:

针对现有半导体激光器(Laser Diode，LD)幅度调制电路具有调制幅度不稳定、调制波形存在非线性失真的缺点，提出采用实时功率反馈的幅度调制方法。通过光电二极管(Photodiode，PD)实时监测LD的输出功率，再根据LD的输出功率自动调整LD工作电流，使其输出功率随调制信号线性变化。最后根据提出的调制方法设计并实现了调制电路，实验结果表明：在温度20~40 ℃范围内，调制电路的-3 dB带宽达到20 MHz，调制功率的幅度稳定度优于4%，最大非线性误差为0.1%。该调制方法提高了半导体激光器的输出功率稳定性，减少了调制波形的非线性失真，拓宽了半导体激光器的线性工作范围。

针对混合网格变结构多模型算法中用于描述目标运动模式的加速度估计不准确引起跟踪精度下降的问题,本文提出了一种基于“当前”统计模型(Current Statistics,CS)的混合网格多模型算法(Hybrid Grid Multiple Model,HGMM).该算法以基于“当前”统计模型估计得到的加速度均值为依据进行网格划分,在线生成目标可能的模型集合,采用交互式多模型算法进行目标跟踪.在一般机动及强机动场景下进行了算法性能测试分析,仿真结果表明,该算法提高了对机动目标的跟踪精度.

实际目标跟踪过程中，被跟踪目标的状态与类型都是不确定的。使用运动学传感器与属性传感器分别获取的目标状态量测信息与特征量测信息，给出了目标状态与类型不确定性的联合状态类型概率密度函数表示，并推导了线性高斯假设下的系统模型为高斯混合模型。根据这一性质，引入高斯混合滤波器，实现了机动目标的有效跟踪。在仿真分析中，通过对比3种算法的跟踪结果，进一步验证了使用高斯混合滤波器在机动目标跟踪过程中的有效性。

大多数传统的跟踪门技术仅使用目标的运动学量测信息，在多目标、多杂波跟踪场景中会导致较大的关联不确定性。考虑到属性传感器可以获取目标的类型信息，提出了基于目标联合状态类型概率密度的跟踪门方法。首先给出目标状态与类型的联合概率密度表示，从而导出以类为条件的跟踪门构建方法。为了适用于实时的非线性跟踪系统，门限的计算采用了基于仿真的算法。场景 1显示如果目标的量测预测密度为偏斜函数时，基于仿真的门限算法可以获得最优的跟踪门；场景 2为地面编队目标的跟踪过程。与使用传统的跟踪门相比，以类为条件的跟踪门技术在很大程度上提高了目标量测到航迹的关联率。

针对ESM 传感器能够同时测量方位角与多普勒频率的特点, 提出了基于MGEKF 的ESM 多普勒频率/方位角目标跟踪算法(DB-MGEKF)。与通常的纯方位角目标跟踪算法相比, DB-MGEKF 算法增加了多普勒频率量测信息, 并引入了能够较好处理系统非线性问题的修正增益扩展卡尔曼滤波器(MGEKF), 从而提高了目标的估计精度及滤波的稳定性, 同时避免了观测平台自身的机动。Monte-Carlo 仿真及结果分析进一步说明了算法的有效性。

在机动目标跟踪领域，传统的基于固定模型集合的交互式多模型算法需要大量的模型来保证模型不失配，但是会带来巨大的计算量，并且来自过多模型的不必要的模型间竞争反而会使算法性能下降。为解决此矛盾，该文提出了一种基于有向图切换和无味卡尔曼滤波算法的变结构多模型算法。该算法根据目标不同时刻的运动状态依据有向图匹配不同的子模型集合进行滤波。仿真结果显示该算法在有效降低计算量的同时使模型集合和目标的运动状态更好的匹配，从而提高了算法跟踪精度。