1.基于图切的雷达微弱目标优化检测方法，其特征在于该方法的具体步骤是：步骤一：目标模型的描述

对距离-多普勒视频帧序列对应的目标视频帧序列的目标模型进行描述，设在目标视频帧序列中，数值1表示该距离-多普勒位置处存在目标，数值0表示该距离-多普勒位置处为杂波背景，不存在目标，于是二值化目标视频帧X采用马尔可夫随机场模型描述，即式中U(x)为能量函数； 为部分函数；Vc(x)为团c的势能函数，C为二值化目标视频帧X中所有团集合；

步骤二：目标特征的定义与检测

设二值化目标视频帧中的目标前景像素数为O，二值化目标视频帧中目标和杂波背景的邻接像素对数为B，利用一阶和二阶团势能函数近似能量函数，于是二值化目标视频帧X的先验概率密度函数简化为其中流量参数

流量参数

M×N为二值化目标视频帧X中的所有像素点数，O反映了目标的面积几何特征，(N-1)M+N(M-1)为二值化目标视频帧X中的所有邻接像素对数，B反映了目标的周长几何特征，Ω为二值化目标视频帧X的所有像素集合， 为像素点xi的一阶邻域集合；

步骤三：目标特征的预测与动态跟踪

基于马尔可夫随机场模型，从二值化目标视频帧中提取和跟踪目标的面积和周长这两个目标几何特征；设像素数为M×N的距离-多普勒视频帧，第k帧视频的目标前景像素数为Ok，目标前景和杂波背景的四连通邻接像素对数为Bk， 和 分别为Ok和Bk的速度分T量，则定义第k帧视频的状态向量 观测向量Zk=[Zk,1,Zk,2]，其中Zk,1为目标前景像素点数的观测值，Zk,2为目标前景和杂波背景四连通邻接像素对数的观测值；

于是，系统模型可表示为：状态方程：Xk+1=AkXk+qk；观测方程：Zk=HXk+rk；这里qk为系统噪声，满足E[qk]=0， rk为观测噪声，满足E[rk]=0， 系统噪声相关矩阵Qk，观测噪声相关矩阵Rk，以及方程参数分别为：

其中Δt表示连续两帧之间的时间间隔，根据上述系统模型，目标的面积和周长两个目标几何特征的跟踪可以表示为：T T -1

卡尔曼一步预测增益：Gk=AkPkH(HPkH+Rk) ,预测方程：

预测均方误差： 通过迭代计算可以得到目标前景像素数

的连续一步预测、目标前景和杂波背景的邻接像素对数的连续一步预测，实现目标特征参数的动态跟踪，即目标的面积和周长的动态跟踪，得到后面的基于图切的全局优化检测所需要的相关节点流量参数；

步骤四：图切对应能量函数及网络图的构造

已知目标模型和二值化目标视频帧X的先验概率密度函数，设相干积累后的距离-多普勒序列帧Yn中各个像素点yi处的杂波相互独立，且服从均值为零方差为 的高斯分布，而前景目标为均匀分布，于是可以得出已知二值化目标视频帧X条件下的距离-多普勒序列帧Yn似然函数为：其中 像素值xi=1代表目标前景，像素值xi=0代表杂波

背景；

已知先验概率和似然函数，则目标检测就是求解二值化目标视频帧X的最大后验概率*估计X，即

取对数后，最大后验概率估计化简为：

其中 为对数似然比；

对于上述目标检测的最大后验概率估计全局优化求解，在二值化目标视频帧X各个像素点的基础上，添加标记像素点属于目标前景像素点的源节点，添加标记像素点属于杂波背景像素点的汇节点，于是源节点、汇节点以及所有像素节点构成一个图模型；图模型中的边集有两种类型：t连接边和n连接边；所有像素节点和源节点之间的连接边、像素节点和汇节点之间的连接边，均称之为t连接边，每个像素点都有两条t连接边，分别与源节点和汇节点相连；所有像素节点之间的连接边，称之为n连接边；

步骤五：对应网络图的节点流量分配

t连接边权重的具体分配方法如下：如果λi-γ≥0，则将从源节点到像素节点i的t连接边的权重赋值为λi-γ，将从像素节点i到汇节点的t连接边的权重赋值为0；如果λi-γ<0，则将从源节点到像素节点i的t连接边的权重赋值为0，将从像素节点i到汇节点的t连接边的权重赋值为γ-λi；方便起见，图模型中的像素节点之间的n连接边权重均设置为β；

步骤六：利用最小图切算法进行目标检测

首先构建两棵分别以源节点和汇节点为根的不同的搜索树S和T；在搜索树S中，所有从父节点到其孩子节点的边都是非饱和的；而在搜索树T中，所有从孩子节点到其父节点的边都是非饱和的；也就是说搜索树中的边都是非饱和的；这里的非饱和边是指边的流量值小于边的容量值，饱和边是指边的流量值等于边的容量值；自由节点是指既不在搜索树T也不在搜索树S中的节点；在搜索树S和搜索树T中的节点不是被动节点就是主动节点，主动节点是指搜索树的外边界节点，而被动节点是指搜索树内部的节点；搜索树中的主动节点在网络图中可以沿着非饱和边探测其新的孩子节点而生长成被动节点，而被动节点由于是被同一棵搜索树的其他节点完全包围而不能生长；算法初始化的时候，所有与终点相邻的节点都假定为主动节点；算法的三个不断迭代过程如下：Growth stage：该过程通过搜索树的生长来寻找增广路径；

Augmentation stage：该过程对找到的增广路径进行扩容，并对饱和路径进行修剪；

Adoption stage：该过程修复产生孤立树；使之可以重新回到Growth stage进行迭代；

不断重复上面三个过程，直到两棵搜索树不能再生长为止；这时，搜索树被饱和边分离开来，由此对应图像被分为前景和背景；这里前景就是检测到的雷达微弱目标。