CN103116740A - 一种水下目标识别方法及其装置 - Google Patents
一种水下目标识别方法及其装置 Download PDFInfo
- Publication number
- CN103116740A CN103116740A CN201310028423XA CN201310028423A CN103116740A CN 103116740 A CN103116740 A CN 103116740A CN 201310028423X A CN201310028423X A CN 201310028423XA CN 201310028423 A CN201310028423 A CN 201310028423A CN 103116740 A CN103116740 A CN 103116740A
- Authority
- CN
- China
- Prior art keywords
- component
- transient state
- state characteristic
- submarine target
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种水下目标识别方法及其装置,该方法包括:计算已知水下目标的静态特征和瞬态特征,形成已知水下目标的瞬态特征协方差矩阵;将已知水下目标的瞬态特征协方差矩阵进行本征值分解,获得较大特征值对应的主特征成分向量;根据主特征成分向量提取训练样本声图瞬态特征的主成分分量;根据训练样本声图瞬态特征的主成分分量,确定主成分中心;根据待分类水下目标声图,计算待分类水下目标的静态特征和瞬态特征;根据主特征成分向量提取待分类水下目标瞬态特征的主成分分量;计算待分类水下目标瞬态特征的主成分分量距离训练样本声图主成分中心的距离,对待分类水下目标进行分类。本发明更加准确、稳健地反映目标特征,缩短目标识别时间。
Description
技术领域
本发明涉及水下目标识别技术,尤其涉及一种水下目标识别方法及其装置
背景技术
通常情况下,安全保护系统大多是针对陆上、空中设施进行入侵监控或防御,近年来,水下小型潜水装具的发展迅速,蛙人、水下运载器以及水下机器人技术的成熟,这类隐蔽性好,破坏威力大的新兴攻击方式颇受恐怖主义分子的青睐。美国国士安全部获悉恐怖组织已经掌握了佩带水肺的蛙人潜水技术,并且开始利用蛙人进行恐怖袭击。因此,针对游泳者、蛙人等水下小目标的入侵监控成为安保系统的必要组成。
从2000年左右,西方国家开始相继投入大量人力物力研发布置水下安全保护系统,来对蛙人、水下机器人、水下运载器等水下目标进行监控和报警,以弥补以往声纳设备仅能针对大型舰船、船只进行探测与识别技术,并且投入大量的力量研究针对这类新兴目标探测专用的声纳技术,使之成为欧美等国目前水下安全保护的热点议题。
近些年来国内外相关研究机构开展了一系列关于水下蛙人等小目标的识别技术。例如,通过采用静态特征对扇形扫描声纳的水下目标进行分类,该技术主要是利用了单帧的目标静态信息进行人造目标分类;又例如,利用跟踪后的图像瞬态特征进行水下运动目标分类,该技术利用瞬态信息进行水下蛙人目标的识别,但是由于瞬态特征维数较高,需要根据训练样本实现进行学习和特征筛选,采用序列前向选择进行重要特征的选取后进入分类器进行目标识别,其算法的实时性和灵活度较差,也不利于实际声纳系统多目标分类系统的应用。又例如,采用常用于鱼群识别的超宽带主动声纳(60KHZ~120KHZ)进行水下蛙人分类,该技术需要利用频域信息,系统带宽,增大了系统复杂度,尤其是对于像蛙人探测声纳这种大范围、宽覆盖角度的预警声纳,将极大地增加硬件成本和系统实现难度。
发明内容
本发明的目的是通过对主动式多波束声纳的水下目标回波,提取其静态特征和瞬态特征量,从而实现对水下目标的快速识别。
为实现上述目的,一方面,本发明提供了一种水下目标识别方法,该方法步骤包括:
根据训练样本声图,计算已知水下目标的静态特征和瞬态特征,并形成已知水下目标的瞬态特征协方差矩阵;
将已知水下目标的瞬态特征协方差矩阵进行本征值分解,获得较大特征值对应的主特征成分向量;
根据主特征成分向量提取训练样本声图瞬态特征的主成分分量;
根据训练样本声图瞬态特征的主成分分量,确定主成分中心;
根据待分类水下目标声图,计算待分类水下目标的静态特征和瞬态特征;
根据主特征成分向量提取待分类水下目标瞬态特征的主成分分量;
计算待分类水下目标瞬态特征的主成分分量距离训练样本声图主成分中心的距离,对待分类水下目标进行分类。
另一方面,本发明提供了一种水下目标识别装置,该装置包括:
第一计算单元,用于根据训练样本声图,计算已知水下目标的静态特征和瞬态特征,并形成已知水下目标的瞬态特征协方差矩阵;
第二计算单元,用于将已知水下目标的瞬态特征协方差矩阵进行本征值分解,获得较大特征值对应的主特征成分向量;
第一提取单元,用于根据主特征成分向量提取训练样本声图瞬态特征的主成分分量;
第二提取单元,用于根据所述训练样本声图瞬态特征的主成分分量,确定主成分中心;
第三计算单元,用于根据待分类水下目标声图,计算待分类水下目标的静态特征和瞬态特征;
第四计算单元,用于根据主特征成分向量提取待分类水下目标瞬态特征的主成分分量;
分类单元,用于计算待分类水下目标瞬态特征的主成分分量距离训练样本声图主成分中心的距离,对所述待分类水下目标进行分类。
本发明通过提取己知水下目标的静态特征和瞬态特征用于待分类水下目标特征识别,能够更加准确地反映目标特征;并且基于帧间瞬态信息的主成分提取,采用部分主成分特征用于待分类水下目标识别,在保证识别概率的基础上,有效地减少了特征维数,缩短了识别时间,实现了对水下目标的快速识别。
附图说明
通过以下结合附图以举例方式对本发明的实施方式进行详细描述后,本发明的其他特征、特点和优点将会更加明显。
图1为本发明实施例提供的一种水下目标识别方法流程图;
图2为图1所示水下目标识别方法的信号处理过程示意图;
图3为本发明实施例提供的一种水下目标识别装置结构示意图。
具体实施方式
下面通过附图和实施例,对本申请的技术方案做进一步的详细描述。
图1为本发明实施例提供的一种水下目标识别方法流程图。如图1所示,该方法包括步骤101-107。图2为图1所示水下目标识别方法的信号处理过程示意图,以下结合图1和图2针对水下目标识别方法进行描述。
在步骤101,根据训练样本声图,计算已知水下目标的静态特征和瞬态特征,并形成已知目标的瞬态特征协方差矩阵。
具体地,水下目标识别装置通过探测声纳采集己知水下目标的回波信号形成多帧训练样本声图,并计算已知水下目标的静态特征和瞬态特征。上述己知水下目标的静态特征信息包括目标形状、强度的基本特征,以及不变矩特征。然后在帧间数据关联的基础上,提取瞬态特征参量。
需要说明的是,上述己知水下目标包括不仅限于水下蛙人。
以下针对已知水下目标的静态特征信息进行描述:
首先,提取已经水下目标,例如水下蛙人的静态特征信息。表1示出了己知水下目标的5个形状特征和5个强度特征的基本特征参数:
表1
其次,计算己知水下目标静态信息中的不变矩特征:
计算己知水下目标的二阶归一化中心动量,得到对于平移、旋转和缩放是不变的矩特征。上述动量mpq通过公式(1)得到:
中心动量μpq通过公式(2)得到:
其中,
归一化中心动量用ηpq,可以表示成公式(3)
其中,
因此,一阶φ1和二阶φ2的不变动量可以写成公式(4)和公式(5)。
φ1=η20+η00 (4)
最后选用公式(4)和公式(5)这2个不变量作为不变矩特征。
以下根据5个目标形状特征、5个强度特征以及2个不变矩特征针对已知水下目标的瞬态特征信息进行计算:
本发明实施例在对己知水下目标跟踪实现帧间数据关联的基础上,针对上面提到的12个静态特征,通过其分别对应的4类帧间特征,计算获得总共48个瞬态特征。上述4类帧间特征包括特征的均值(公式(6))、特征方差(公式(7))、特征平均变化率(公式(8))和特征变化率方差(公式(9))。
①特征均值公式6如下:
其中,n是扫描数或者图像数,fi,j是特征fi在第j帧图像中的值。
②特征方差公式7如下:
其中,是相同特征的帧间平均。
③特征平均变化率公式8如下:
④特征变化率方差公式9如下:
以下针对己知水下目标的瞬态特征协方差矩阵的形成进行描述:
在一个例子中,通过采集己知水下目标回波信号形成60帧水下目标声图,对于每帧声图经过预处理以及目标分割后,针对每个目标都可以提取多种目标特征用于分类识别。对于第1个特征y1的所有采样时刻数据(60帧声图即60个采样点,m=60),可以形成维列向量
本发明实施例提出采用48个瞬态特征用于目标识别(即r=48),则可以获得48个特征的60维向量y1,y2…,y48,形成了60×48维的数据矩阵Y
通常在归一化后,特征之间都是零均值和标准方差。己知水下目标的瞬态特征协方差矩阵∑diver可以通过公式(10)计算得到:
在步骤102,将所述已知目标的瞬态特征协方差矩阵进行本征值分解,获得较大特征值对应的主特征成分向量。
具体地,水下目标识别装置针对形成的瞬态特征协方差矩阵∑diver,采用主成分分析(Principal Component Analysis,PCA)降维方法得到较大特征值对应的主特征成分向量。
对上述协方差矩阵∑diver进行本征值分解,如公式(11)所示
其中,Ω=diag(λ1,1,...,λ48,48)是对角线为协方差矩阵∑diver本征值的对角线矩阵,U是48×48维本征向量形成的矩阵,其中每列对应一个矩阵∑diver的本征值λi,i,i=1,...,48。
将本征向量矩阵U分解为
其中U1表示矩阵∑对应的前p(p≤r)个较大本征值所对应的本征向量形成的矩阵,而U2表示剩下的本征向量所形成的矩阵。本发明实施例采用前10个(p=10)主成分特征,则U1为48×10维数据矩阵,U2为48×38维数据矩阵。
在步骤103,根据主特征成分向量提取训练样本声图瞬态特征的主成分分量。
具体地,水下目标识别装置利用主成分特征向量U1提取训练样本声图瞬态特征的主成分分量Xdiver。
通过本征向量矩阵来计算主成分,如下
得到表示前10个主成分分量的60×10维矩阵Xdiver,即
在步骤104,根据训练样本标声图瞬态特征的主成分分量,确定主成分中心。
具体地,水下目标识别装置将训练样本目标主成分分量Xdiver,通过kmeans算法学习得到主成分中心Pdiver。K-means算法是基于划分的聚类方法,K-means算法的基本思想是:以空间中k个点为中心进行聚类,对最靠近他们的对象归类。通过迭代的方法,逐次更新各聚类中心的值,直至得到最好的聚类结果。
Pdiver=[P1 p2…p10]
在步骤105,根据待分类水下目标声图,计算所述待分类水下目标的静态特征和瞬态特征。
具体地,水下目标识别装置针对待分类水下目标声图,计算其静态特征和瞬态特征,并形成待分类水下目标的特征矩阵Y
在步骤106,根据主特征成分向量提取待分类水下目标瞬态特征的主成分分量。
具体地,水下目标识别装置利用主成分特征向量U1提取待分类水下目标瞬态特征的主成分分量Xunknown。
也就是
在步骤107,计算待分类水下目标瞬态特征的主成分分量距离训练样本声图主成分中心的距离,对待分类水下目标进行分类。
具体地,水下目标识别装置通过计算待分类水下目标主成分量Xunknown距离训练样本目标主成分中心Pdiver的距离来进行水下目标分类。
具体来说,可以按照以下公式计算距离Ddiver:
如果距离Ddiver满足
Ddiver≤Thdiver
其中,Thdiver为判别门限,是根据训练样本声图的主特征分量与分量中心距离的计算得到的,具体来说,
其中,m为采样帧号,K为系数,通常取1-3。利用所有训练样本声图计算出门限,然后通过计算待训练样本声图的主成分分量与训练声图主成分分量中心的距离Ddiver,与门限Thdiver进行判断。在一个例子中,当Ddiver小于Thdiver时,待分类水下目标将被识别为水下蛙人;当Ddiver大于Thdiver时,待分类水下目标被识别为非水下蛙人。
需要说明的是,本发明实施例提供的水下目标识别方法,在现有蛙人探测声纳(窄带CW信号或者带宽10KHZ的LFM信号形成均可)基础上即可实现,不需要利用超宽带频域信息,降低了实现水下目标识别装置的要求。
本发明实施例提供的水下目标识别方法通过利用5个目标形状特征、5个强度特征以及2个不变矩特征对应的4类帧间特征,总共48个瞬态特征用于水下目标特征识别,能够更加准确、稳健地反映水下目标特征,所受到信噪比以及滤波方法的影响小;并且采用主成分分析的方法有效减小特征空间维数,提高了算法运行速度,缩短了目标识别时间,降低系统复杂度的要求。
图3为本发明实施例提供的一种水下目标识别装置结构示意图。如图3所示,水下目标识别装置包括第一计算单元31、第二计算单元32、第一提取单元33、第二提取单元34、第三计算单元35、第四计算单元36和分类单元37。
第一计算单元31用于根据训练样本声图,计算已知水下目标的静态特征和瞬态特征,并形成所述已知目标的瞬态特征协方差矩阵。
第二计算单元32用于将已知目标的瞬态特征协方差矩阵进行本征值分解,获得较大特征值对应的主特征成分向量。
优选地,第二计算单元32针对由第一计算单元31形成的瞬态特征协方差矩阵∑diver,采用主成分分析降维方法得到较大特征值对应的主特征成分向量。
第一提取单元33用于根据主特征成分向量提取训练样本声图瞬态特征的主成分分量。
第二提取单元34用于根据训练样本声图瞬态特征的主成分分量,确定主成分中心。
优选地,第二提取单元34将由第一提取单元33获得的训练样本目标主成分分量通过kmeans算法学习得到主成分中心。
第三计算单元35用于根据待分类水下目标声图,计算待分类水下目标的静态特征和瞬态特征。
第四计算单元36用于根据主特征成分向量提取待分类水下目标瞬态特征的主成分分量。
分类单元37用于计算待分类水下目标瞬态特征的主成分分量距离训练样本声图主成分中心的距离,对待分类水下目标进行分类。
本发明实施例提供的水下目标识别装置的第一计算单元31、第二计算单元32、第一提取单元33、第二提取单元34、第三计算单元35、第四计算单元36和分类单元37分别为了实现如图1所示的水下目标识别方法的相应步骤,在此不再赘述。
本发明实施例提供的水下目标识别装置能够更加准确地反映水下目标特征;并且基于帧间瞬态信息的主成分提取,在保证识别概率的基础上,有效地减少了特征维数,缩短了识别时间,实现了对水下目标的快速识别。
显而易见,在不偏离本发明的真实精神和范围的前提下,在此描述的本发明可以有许多变化。因此,所有对于本领域技术人员来说显而易见的改变,都应包括在本权利要求书所涵盖的范围之内。本发明所要求保护的范围仅由所述的权利要求书进行限定。
Claims (8)
1.一种水下目标识别方法,其特征在于:
根据训练样本声图,计算已知水下目标的静态特征和瞬态特征,并形成所述已知水下目标的瞬态特征协方差矩阵;
将所述已知水下目标的瞬态特征协方差矩阵进行本征值分解,获得较大特征值对应的主特征成分向量;
根据所述主特征成分向量提取所述训练样本声图瞬态特征的主成分分量;
根据所述训练样本声图瞬态特征的主成分分量,确定主成分中心;
根据待分类水下目标声图,计算所述待分类水下目标的静态特征和瞬态特征;
根据所述主特征成分向量提取所述待分类水下目标瞬态特征的主成分分量;
计算所述待分类水下目标瞬态特征的主成分分量距离所述所述训练样本声图主成分中心的距离,对所述待分类水下目标进行分类。
2.根据权利要求1所述的方法,其特征在于:所述己知水下目标的静态特征包括目标形状和目标强度的基本特征,以及不变矩特征;所述己知水下目标的瞬态特征是根据所述己知水下目标的静态特征,通过其对应的帧间特征计算获得。
3.根据权利要求2所述的方法,其特征在于,所述帧间特征包括特征的均值、特征方差、特征平均变化率和特征变化率方差中的一种或多种。
4.根据权利要求1所述的方法,其特征在于,所述将所述已知目标的瞬态特征协方差矩阵进行本征值分解,获得较大特征值对应的主特征成分向量步骤包括:
根据瞬态特征协方差矩阵,采用主成分分析降维方法进行本征值分解,获得较大特征值对应的主特征成分向量。
5.根据权利要求1所述的方法,其特征在于:所述根据所述训练样本声图瞬态特征的主成分分量,确定主成分中心步骤包括:
根据所述训练样本声图瞬态特征主成分分量通过kmeans算法学习得到主成分中心。
6.一种水下目标识别装置,其特征在于包括:
第一计算单元,用于根据训练样本声图,计算已知水下目标的静态特征和瞬态特征,并形成所述已知水下目标的瞬态特征协方差矩阵;
第二计算单元,用于将所述已知水下目标的瞬态特征协方差矩阵进行本征值分解,获得较大特征值对应的主特征成分向量;
第一提取单元,用于根据所述主特征成分向量提取所述训练样本声图瞬态特征的主成分分量;
第二提取单元,用于根据所述训练样本声图瞬态特征的主成分分量,确定主成分中心;
第三计算单元,用于根据待分类水下目标声图,计算所述待分类水下目标的静态特征和瞬态特征;
第四计算单元,用于根据所述主特征成分向量提取所述待分类水下目标瞬态特征的主成分分量;
分类单元,用于计算所述待分类水下目标瞬态特征的主成分分量距离所述训练样本声图主成分中心的距离,对所述待分类水下目标进行分类。
7.根据权利要求6所述的装置,其特征在于:所述第二计算单元针对形成的瞬态特征协方差矩阵,采用主成分分析降维方法得到较大特征值对应的主特征成分向量。
8.根据权利要求6所述的装置,其特征在于:所述第二提取单元根据所述训练样本声图瞬态特征主成分分量通过kmeans算法学习得到主成分中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310028423.XA CN103116740B (zh) | 2013-01-24 | 2013-01-24 | 一种水下目标识别方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310028423.XA CN103116740B (zh) | 2013-01-24 | 2013-01-24 | 一种水下目标识别方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103116740A true CN103116740A (zh) | 2013-05-22 |
CN103116740B CN103116740B (zh) | 2016-08-17 |
Family
ID=48415112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310028423.XA Active CN103116740B (zh) | 2013-01-24 | 2013-01-24 | 一种水下目标识别方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103116740B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105151254A (zh) * | 2015-07-24 | 2015-12-16 | 王翠平 | 基于特征提取的清晰化水下人体搜寻机器人 |
CN105678263A (zh) * | 2016-01-07 | 2016-06-15 | 中国科学院声学研究所 | 一种目标识别的方法和系统 |
CN107368841A (zh) * | 2016-05-11 | 2017-11-21 | 中国科学院声学研究所 | 一种基于hht和人工神经网络的水下机动小目标识别方法 |
CN109543585A (zh) * | 2018-11-16 | 2019-03-29 | 西北工业大学 | 基于卷积神经网络的水下光学目标检测与识别方法 |
CN111142112A (zh) * | 2019-12-18 | 2020-05-12 | 中国船舶重工集团有限公司第七一0研究所 | 一种水下锚系小目标快速非成像检测方法 |
CN112098926A (zh) * | 2020-09-15 | 2020-12-18 | 中国民用航空飞行学院 | 一种利用无人机平台的智能测角训练样本生成方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760235A (zh) * | 2011-04-25 | 2012-10-31 | 中国科学院声学研究所 | 一种基于多视的水下目标分类系统及方法 |
-
2013
- 2013-01-24 CN CN201310028423.XA patent/CN103116740B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760235A (zh) * | 2011-04-25 | 2012-10-31 | 中国科学院声学研究所 | 一种基于多视的水下目标分类系统及方法 |
Non-Patent Citations (2)
Title |
---|
JIAN YUAN等: "Underwater Target Recognition with Sonar Fingerprint", 《ICMLC 2005》 * |
田晓东: "基于形状相似度的水下目标识别算法", 《声学技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105151254A (zh) * | 2015-07-24 | 2015-12-16 | 王翠平 | 基于特征提取的清晰化水下人体搜寻机器人 |
CN105678263A (zh) * | 2016-01-07 | 2016-06-15 | 中国科学院声学研究所 | 一种目标识别的方法和系统 |
CN107368841A (zh) * | 2016-05-11 | 2017-11-21 | 中国科学院声学研究所 | 一种基于hht和人工神经网络的水下机动小目标识别方法 |
CN109543585A (zh) * | 2018-11-16 | 2019-03-29 | 西北工业大学 | 基于卷积神经网络的水下光学目标检测与识别方法 |
CN111142112A (zh) * | 2019-12-18 | 2020-05-12 | 中国船舶重工集团有限公司第七一0研究所 | 一种水下锚系小目标快速非成像检测方法 |
CN112098926A (zh) * | 2020-09-15 | 2020-12-18 | 中国民用航空飞行学院 | 一种利用无人机平台的智能测角训练样本生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103116740B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103116740A (zh) | 一种水下目标识别方法及其装置 | |
CN101470194B (zh) | 一种水雷目标的识别方法 | |
CN106772331B (zh) | 目标识别方法和目标识别装置 | |
Missaoui et al. | Land-mine detection with ground-penetrating radar using multistream discrete hidden Markov models | |
CN109901130B (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
Guo et al. | One-dimensional frequency-domain features for aircraft recognition from radar range profiles | |
Malof et al. | A large-scale multi-institutional evaluation of advanced discrimination algorithms for buried threat detection in ground penetrating radar | |
CN103091679A (zh) | 水下运动目标识别方法 | |
Zhai et al. | A novel sense-through-foliage target recognition system based on sparse representation and improved particle swarm optimization-based support vector machine | |
Qiao et al. | Human activity classification based on micro-Doppler signatures separation | |
Mesecan et al. | Searching the effects of image scaling for underground object detection using KMeans and KNN | |
CN104680183A (zh) | 基于散射点和k中心一类分类器的sar目标鉴别方法 | |
CN104392208A (zh) | 一种数据智能识别的加工处理方法 | |
CN113640768B (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
Noiboar et al. | Anomaly detection based on wavelet domain GARCH random field modeling | |
CN116338684A (zh) | 基于毫米波雷达与深度学习的人体跌倒检测方法及系统 | |
Trucco | Detection of objects buried in the seafloor by a pattern-recognition approach | |
CN117665807A (zh) | 基于毫米波多人零样本的人脸识别方法 | |
Hu et al. | EMI-based classification of multiple closely spaced subsurface objects via independent component analysis | |
Zhu et al. | Radar HRRP group-target recognition based on combined methods in the backgroud of sea clutter | |
Klausner et al. | Manifold-based classification of underwater unexploded ordnance in low-frequency sonar | |
Stinco et al. | Automatic object classification with active sonar using unsupervised anomaly detection | |
Liu et al. | UWB vital sign signal recognition method based on SVM | |
Khosravani et al. | Linearly Constrained Minimum Variance for Robust I-vector Based Speaker Recognition. | |
Reichman et al. | gprHOG and the popularity of histogram of oriented gradients (HOG) for buried threat detection in ground-penetrating radar |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |