本技术涉及海面目标多模融合识别系统设计技术领域，尤其是一种用于高动态无人平台的多模融合海面目标识别系统。其特点是包括平台传感器分系统、多模特征处理与识别分系统、信息传输控制分系统和远端显控分系统；该系统结合相应的海面目标图像特征提取技术、主被动雷达信号特征提取技术、多模异构特征融合多核分类器的海面目标识别技术，实现了光学图像、SAR图像、主动雷达信号、被动雷达信号四种模态数据高效的融合识别系统，实现了高动态无人系统对海面慢动目标类型的自主判定，增强了多模特征融合利用效率，提高了目标识别精度和鲁棒性，提升了高动态无人系统自主化和智能化水平。
背景技术
本发明所关注的海面目标，是具有一定雷达反射截面积或自身配备雷达设备并向外辐射电磁信号的舰、船、艇等海面慢速运动目标，但其它一些运动目标，如掠海飞行的巡航导弹不在此列。海面慢速运动目标是各种传感器对海观测的重点，相对于海面建筑、岛屿等静止目标而言，它们在典型雷达系统，如机载主动雷达系统中的回波信号会落入主瓣杂波区，目标与主杂波混叠在一起，导致在雷达图像中表现为散焦或移位，从而影响目标的辨识，使目标不容易被检测和定位，而这些目标往往是军事上感兴趣的海面舰船、艇等目标。
本发明所述的高动态无人平台，是指能够在短时间内实现快速加速、减速或改变方向的飞行器平台，包括具备高速运动能力的导弹、高速无人机等弹载、机载平台。这类平台往往具有较高的机动性和灵活性，适用于需要快速智能感知、快速决策反应、高度机动性和实时性的场合。
针对海面目标的信息获取具有多种途径，包括：无人机载、弹载可见光、红外、合成孔径雷达(Synthetic Aperture Radar，SAR)、主动雷达、被动雷达等。
基于此，现有技术中，针对海面目标检测识别方法有以下几种：
1、基于可见光图像的海面目标检测识别
基于星载、机载的可见光遥感图像海面目标检测一直以来备受关注。主要包括基于传统方法的目标检测、基于视觉显著性的目标检测和基于深度学习的目标检测识别三大技术体系。
基于传统方法的目标检测识别通常可分为4个步骤：①从输入图像中选取目标候选区域；②对候选区域进行特征提取；③使用分类器进行分类；④使用非极大值抑制删除得分低的交叉区域。
基于视觉显著性的目标检测识别主要聚焦视觉注意机制和数字图像处理技术，由于船只与海面存在较大纹理差异，所以图像的纹理信息将是海面船只检测的重要特征，而经典Itti模型只提取了图像的亮度、颜色和方向特征。因此，为进一步提升目标检测效果，可基于传统的Itti模型，在提取遥感图像的颜色、方向和亮度特征的同时，利用灰度共生矩阵获得图像的纹理特征，依据遥感图像的分辨率和舰船类目标的外形特征来估算舰船目标的分布范围，最终通过阈值分割来进行区域过滤以得到舰船目标。该方法对单个舰船目标的识别精度较高，但对于距离相近的多舰船的精确分割效果较差。
近年来，随着深度学习算法的快速发展，基于深度学习的目标检测和识别迅速得以推广应用。对图像识别问题而言，特征提取是检测过程的一个重要环节，特征质量的优劣将直接影响检测的精确性。传统的机器学习算法针对复杂场景需要人工设计特征集，方法耗时较长并且对研究人员的技术水平要求较高。深度学习算法的出现有效解决了人工设计特征的不足，实现了特征的自动提取，并且可自动对简单特征进行组合形成更复杂的特征。
2、基于红外图像的海面目标检测识别
基于红外图像的海面目标检测识别，一般包括三大类，一是基于传统方法的红外小目标检测算法，如数学形态学方法，能够有效消除高频噪声及背景边沿高频信号的干扰，主要通过具有某种形态的结构元素和基本运算去检测图像中对应形状的目标；二是基于人类视觉系统的方法，这类算法根据人眼感知特性，利用人眼对海面目标所导致的局部纹理的显著性变化，如利用图像的亮度特征图、颜色特征图和方向特征图，结合不同尺度的特征图即可获得亮度、颜色和方向显著图，融合后得到最终的视觉显著图。三是基于神经网络的红外海面目标检测算法，深度学习技术为海面目标检测提供了新的视角，与传统方法相比，神经网络具有拟合任意复杂函数的优点，拟合能力强，能够完成较复杂的非线性映射，在大样本情况下能获得更好的目标检测识别结果。
3、基于SAR图像的海面目标检测识别
基于恒虚警率(Constant False Alarm Rate,CFAR)目标检测算法是雷达图像检测中应用最普遍的方法之一，其主要是通过事先确定的背景杂波分布模型和虚警率去检测图像中的目标，该算法具有计算复杂度低，自适应阈值保持恒虚警率的特点，但复杂的海况会导致SAR图像中海杂波的高度不均匀性，从而影响恒虚警检测的效果，因此很多学者在CFAR检测算法上进行了改进和发展。
除了CFAR检测算法，还有基于模板的检测算法，这类算法不仅考虑了目标的特性，也考虑了背景杂波的特性，其中，最著名的是SUMO检测器；基于SAR图像目标舰船特征的检测算法，如舰船的形状，纹理等特征，典型的比如基于特征分析的高分辨SAR图像目标舰船检测算法，主要利用目标舰船的核密度估计，长宽比等特征识别舰船。此外，还有利用目标聚类来检测舰船的方法，该方法基于非线性空间的高通滤波器，首先对滤波器进行粗调使其对于尺寸小于等于预期对象的结构产生最大响应，滤波后进行直方图和连通区域处理，然后利用形状和集群部署模式的相关理论知识来消除虚警。
4、基于主动雷达的海面目标检测识别
基于主动雷达的海面目标检测，主要利用雷达回波形成的一维距离像数据，运用目标检测算法检出目标，在机载、弹载平台使用较为广泛。
5、基于被动雷达的海面目标检测识别
被动雷达探测也称为无源探测，一般用于地面固定平台，对非合作空中“低慢小”目标进行检测与跟踪，也可用于较大型电子侦察机、电子侦察船或一些高动态平台(如弹载平台)，实现对特定类别目标电磁辐射信号的感知。由于非合作目标被动雷达信号获取不易，针对被动雷达信号的处理文献较少，且大部分都是采用仿真模拟的方式得到信号样本。
6、基于多模态融合的海面目标检测识别
由于平台载荷与运算器件性能限制，在多种模态信息融合应用方面，基于多模态的目标检测和识别多用于大型有人电子侦察机、查打一体无人机、侦察船、侦察车、高轨卫星等系统。随着电子器件体积和功耗逐步降低，AI计算性能的飞速提升，多模态融合识别也开始在一些较小型的无人机和弹载平台得以推广应用。当前在海面目标检测识别领域，基于可见光、红外等光学成像，基于SAR的高分辨率二维成像，以及基于主被动雷达信号的一维距离像的各种模态应用已经较为广泛，但在光学图像、雷达图像和雷达信号的多模态融合，特别是在一些高动态小型无人平台应用上，还未出现较完善的实用性框架。另外，由于弹载或小型无人机载平台对海面典型目标探测的样本难以获取，当前流行的数据驱动目标检测识别算法在小样本情形下如何应用，还有待深入探索。
实现思路