CN105403872A - 一种运动车辆目标分类方法及系统 - Google Patents
一种运动车辆目标分类方法及系统 Download PDFInfo
- Publication number
- CN105403872A CN105403872A CN201510738784.2A CN201510738784A CN105403872A CN 105403872 A CN105403872 A CN 105403872A CN 201510738784 A CN201510738784 A CN 201510738784A CN 105403872 A CN105403872 A CN 105403872A
- Authority
- CN
- China
- Prior art keywords
- doppler
- target
- distance
- vehicle
- spectral
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种运动车辆目标分类方法及系统,其方法包括:步骤1:采集获取目标车辆的原始多普勒谱,并对原始多普勒谱进行杂波抑制,获得杂波抑制后的目标多普勒谱;步骤2:对目标多普勒谱进行速度归一化,得到归一多普勒谱;步骤3:根据归一多普勒谱分别计算归一多普勒谱与轮式车目标多普勒谱模板之间的距离,获得轮式距离;和归一多普勒谱与履带车目标多普勒谱模板之间的距离,获得履带距离;步骤4:对轮式距离与履带距离进行比较,根据比较结果判定目标车辆为轮式车或履带车。本发明具有工程可实现性,并消除了目标平动速度变化对目标多普勒谱峰值位置和多普勒谱宽的影响,对具有机动部件的运动车辆目标进行分类。
Description
技术领域
本发明涉及一种运动车辆目标分类方法及系统,属于雷达技术领域。
背景技术
对于地面车辆目标而言,由于在现代战场环境中不同作战任务与不同环境需求,轮式车辆与履带式车辆所承担的作战任务不同,也决定了其威胁程度不同,因此对战场环境中的各种车辆进行分类具有重要军事意义。在低分辨雷达系统中,目标车辆仅占据一个或者少数几个距离单元,而且受地杂波影响很难获取支撑目标分类的信息。考虑运动目标在多普勒谱中目标多普勒与地杂波成分分离,并且多普勒谱中包含目标运动信息,所以运动目标的多普勒谱为目标分类提供可能。
目标或目标组成部分的振动或转动会对雷达回波的频谱产生调制,在目标多普勒频率上产生边带,美国海军实验室的VictorC.Chen教授将这种现象称为微多普勒效应,这些边带频率称为微多普勒频率。轮式车多普勒谱由车身分量与车轮转动调制的微多普勒分量构成,由于轮式车轮胎材质为橡胶,所以轮式车车轮调制的微多普勒分量较弱,使得轮式车多普勒谱主要由车身分量构成。履带车多普勒谱由车身分量、履带转动与平动调制的微多普勒分量构成,考虑履带材质为金属,其后向散射强于轮式车车轮后向散射能力,除了微多普勒强度上的差异,履带调制的微多普勒构成也与轮式车不同,履带的微多普勒包含两部分:履带转动调制的微多普勒分量与上履带平动引起的两倍于车身分量的微多普勒分量。轮式车辆与履带式车辆多普勒谱上的差异为地面运动车辆目标的分类提供可能性。
已有的地面运动目标分类方法利用目标的多普勒谱的波形熵等特征来描述目标多普勒谱的起伏特性,根据提取的目标多普勒谱的特征进行分类。由于实际中,目标相对于雷达的径向速度是变化的,径向速度的变化不仅使目标多普勒谱主峰位置变化,也使目标多普勒谱宽度发生变化,所以目标多普勒谱对目标相对雷达的径向速度的敏感性不利于后续的分类和识别;另外,现有分类方法从目标多普勒谱中提取某些特征,如多普勒谱熵、车身分量占多普勒谱能量比等,然后利用较为复杂的分类器(如支持向量机分类器)对目标进行分类。这类方法所提取特征受噪声或杂波影响较大,当信杂比或信噪比较低时无法获得较好的分类性能。除此以外这类方法所采用的分类器工程实现复杂无法满足工程实际应用要求,严重限制此类算法的工程应用。
发明内容
本发明所要解决的技术问题是,针对现有技术中同类方法对目标平动速度变化敏感,不能有效利用目标特殊结构信息,受信噪比约束较大,并且所用分类器计算复杂度较高难以满足工程应用的实时性要求的问题提供一种运动车辆目标分类方法及系统,以消除目标平动速度变化对目标多普勒谱宽度的影响,更具有工程可实现性,利用轮式车与履带车结构差异进行运动车辆目标分类,获得稳定的抗噪声分类性能。
本发明解决上述技术问题的技术方案如下:一种运动车辆目标分类方法,具体包括以下步骤:
步骤1:采集获取目标车辆的原始多普勒谱,并对原始多普勒谱进行杂波抑制,获得杂波抑制后的目标多普勒谱;
步骤2:对目标多普勒谱进行速度归一化,得到归一多普勒谱;
步骤3:根据归一多普勒谱分别计算归一多普勒谱与轮式车目标多普勒谱模板之间的距离,获得轮式距离;和归一多普勒谱与履带车目标多普勒谱模板之间的距离,获得履带距离;
步骤4:对轮式距离与履带距离进行比较,根据比较结果判定目标车辆为轮式车或履带车。
本发明的有益效果是:消除了目标平动速度变化对目标多普勒谱峰值位置和多普勒谱宽的影响,利用轮式车与履带车结构差异,通过多普勒谱的匹配对具有机动部件的运动车辆目标进行分类。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤1中利用CLEAN算法对目标原始多普勒谱进行杂波抑制。
进一步,所述步骤2中利用插值、抽取对杂波抑制后的目标多普勒谱进行速度归一化。
进一步,所述步骤3中将归一多普勒谱作为最近邻分类器的输入,通过最近邻分类器计算归一多普勒谱与轮式车目标多普勒谱模板之间的距离和归一多普勒谱与履带车目标多普勒谱模板之间的距离,获得轮式距离dc和履带距离dt;采用以下公式(1)和公式(2)计算轮式距离dc和履带距离dt;
dc=min(abs(s1′)·abs(Sc)),Sc=[sc1,sc2,sc3,...,scN]公式(1)
dt=min(abs(s1′)·abs(St)),St=[st1,st2,st3,...,stM]公式(2)
其中,s1表示归一多普勒谱,s1'表示对s1转置操作,abs()表示取模操作,min()表示最小化;sci为轮式车多普勒谱模板中第i个多普勒谱样本,i=1,2,3,……N,N为轮式车多普勒谱模板中样本数;stj为履带车多普勒谱模板中第j个多普勒谱样本,j=1,2,3,……M,M为履带车多普勒谱模板中样本数。
进一步,所述步骤4中的对轮式距离与履带距离进行比较,判断所述轮式距离是否大于履带距离,如果是,则目标车辆为履带车;否则,目标车辆为轮式车。
进一步,所述利用CLEAN算法对目标原始多普勒谱进行杂波抑制具体包括以下步骤:
步骤1.1:初始化,目标原始多普勒谱为x0,置迭代次数k=1,设置最大迭代次数K,一般K=1~4;考虑雷达静止,可设定杂波宽度为三个多普勒分辨单元;
步骤1.2:在杂波范围内搜索最大值,记录最大值幅度A、相位θ以及最大值对应的多普勒频率fclutter;
步骤1.3:根据最大幅度A、相位θ以及多普勒频率fclutter重构该次谐波的时域信号sclutter:
sclutter=(A/L)exp(j2πfcluttert+jθ)公式(3)
其中t为时间变量,L为积累脉冲数,exp()表示自然指数函数,j表示虚数单位;
步骤1.4:从原信号中减去上述谐波分量,得到新的多普勒谱xk;
xk=xk-1-FFT(sclutter)公式(4)
其中FFT()表示傅里叶变换运算;
步骤1.5:判断k是否大于K,如果是,停止,并对杂波抑制后的目标多普勒谱s0赋值,使s0=xk;否则,k=k+1,返回执行步骤1.2。
进一步,所述利用插值、抽取对杂波抑制后的目标多普勒谱进行速度归一化具体包括以下步骤:
步骤2.1:预设归一化基准频率fb;
步骤2.2:获得目标多普勒谱s0中最大值对应的多普勒频率fd,fd为目标车辆的车身分量对应的多普勒频率;
步骤2.3:计算车身多普勒频率与基准频率的比值ε=fd/fb;根据比值ε对目标多普勒谱进行插值或抽取得到归一多普勒谱s1,使得速度归一化后的归一多普勒谱中车身分量对应的多普勒频率归一至基准频率fb,且多普勒谱宽归一至2fb。
本发明解决上述技术问题的技术方案如下:一种运动车辆目标分类系统,包括杂波抑制模块、归一化模块、计算模块和比较判定模块;
所述杂波抑制模块用于采集获取目标车辆的原始多普勒谱,并对原始多普勒谱进行杂波抑制,获得杂波抑制后的目标多普勒谱;
所述归一化模块用于对目标多普勒谱进行速度归一化,得到归一多普勒谱;
所述计算模块用于根据归一多普勒谱分别计算归一多普勒谱与轮式车目标多普勒谱模板之间的距离,获得轮式距离;和归一多普勒谱与履带车目标多普勒谱模板之间的距离,获得履带距离;
所述比较判定模块用于对轮式距离与履带距离进行比较,根据比较结果判定目标车辆为轮式车或履带车。
本发明的有益效果是:消除了目标平动速度变化对目标多普勒谱峰值位置和多普勒谱宽的影响,利用轮式车与履带车结构差异,通过多普勒谱的匹配对具有机动部件的运动车辆目标进行分类。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述杂波抑制模块中利用CLEAN算法对目标原始多普勒谱进行杂波抑制。
进一步,所述归一化模块中利用插值、抽取对杂波抑制后的目标多普勒谱进行速度归一化。
附图说明
图1为本发明所述的一种运动车辆目标分类方法流程图;
图2为本发明所述的一种运动车辆目标分类系统结构框图;
图3为轮式车原始实测多普勒谱图;
图4为履带车原始实测多普勒谱图;
图5为轮式车杂波抑制、速度归一化后的多普勒谱图;
图6为履带车杂波抑制、速度归一化后的多普勒谱图;
图7为不同信噪比下本发明分类结果示意图。
附图中,各标号所代表的部件列表如下:
1、杂波抑制模块,2、归一化模块,3、计算模块,4、比较判定模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明所述的一种运动车辆目标分类方法,具体包括以下步骤:
步骤1:采集获取目标车辆的原始多普勒谱,并对原始多普勒谱进行杂波抑制,获得杂波抑制后的目标多普勒谱;
步骤2:对目标多普勒谱进行速度归一化,得到归一多普勒谱;
步骤3:根据归一多普勒谱分别计算归一多普勒谱与轮式车目标多普勒谱模板之间的距离,获得轮式距离;和归一多普勒谱与履带车目标多普勒谱模板之间的距离,获得履带距离;
步骤4:对轮式距离与履带距离进行比较,根据比较结果判定目标车辆为轮式车或履带车。
所述步骤1中利用CLEAN算法对目标原始多普勒谱进行杂波抑制。
所述步骤2中利用插值、抽取对杂波抑制后的目标多普勒谱进行速度归一化。
所述步骤3中将归一多普勒谱作为最近邻分类器的输入,通过最近邻分类器计算归一多普勒谱与轮式车目标多普勒谱模板之间的距离和归一多普勒谱与履带车目标多普勒谱模板之间的距离,获得轮式距离dc和履带距离dt;采用以下公式(1)和公式(2)计算轮式距离dc和履带距离dt;
dc=min(abs(s1′)·abs(Sc)),Sc=[sc1,sc2,sc3,...,scN]公式(1)
dt=min(abs(s1′)·abs(St)),St=[st1,st2,st3,...,stM]公式(2)
其中,s1表示目标归一多普勒谱,s1'表示对s1转置操作,abs()表示取模操作,min()表示最小化;sci为轮式车多普勒谱模板中第i个多普勒谱样本,i=1,2,3,……N,N为轮式车多普勒谱模板中样本数;j为履带车多普勒谱模板中第j个多普勒谱样本,j=1,2,3,……M,M为履带车多普勒谱模板中样本数。
所述步骤4中的对轮式距离与履带距离进行比较,判断所述轮式距离是否大于履带距离,如果是,则目标车辆为履带车;否则,目标车辆为轮式车。
所述利用CLEAN算法对目标原始多普勒谱进行杂波抑制具体包括以下步骤:
步骤1.1:初始化,目标原始多普勒谱为x0,置迭代次数k=1,设置最大迭代次数K,一般K=1~4;考虑雷达静止,可设定杂波宽度为三个多普勒分辨单元;
步骤1.2:在杂波范围内搜索最大值,记录最大值幅度A、相位θ以及最大值对应的多普勒频率fclutter;
步骤1.3:根据最大幅度A、相位θ以及多普勒频率fclutter重构该次谐波的时域信号sclutter:
sclutter=(A/L)exp(j2πfcluttert+jθ)公式(3)
其中t为时间变量,L为积累脉冲数,exp()表示自然指数函数,j表示虚数单位;
步骤1.4:从原信号中减去上述谐波分量,得到新的多普勒谱xk;
xk=xk-1-FFT(sclutter)公式(4)
其中FFT()表示傅里叶变换运算;
步骤1.5:判断k是否大于K,如果是,停止,并对杂波抑制后的目标多普勒谱s0赋值,使s0=xk;否则,k=k+1,返回执行步骤1.2。
所述利用插值、抽取对杂波抑制后的目标多普勒谱进行速度归一化具体包括以下步骤:
步骤2.1:预设归一化基准频率fb;
步骤2.2:获得目标多普勒谱s0中最大值对应的多普勒频率fd,fd为目标车辆的车身分量对应的多普勒频率;
步骤2.3:计算车身多普勒频率与基准频率的比值ε=fd/fb;根据比值ε对目标多普勒谱进行插值或抽取得到归一多普勒谱s1,使得速度归一化后的归一多普勒谱中车身分量对应的多普勒频率归一至基准频率fb,且多普勒谱宽归一至2fb。
如图2所示,为本发明所述的一种运动车辆目标分类系统,包括杂波抑制模块1、归一化模块2、计算模块3和比较判定模块4;
所述杂波抑制模块1用于采集获取目标车辆的原始多普勒谱,并对原始多普勒谱进行杂波抑制,获得杂波抑制后的目标多普勒谱;
所述归一化模块2用于对目标多普勒谱进行速度归一化,得到归一多普勒谱;
所述计算模块3用于根据归一多普勒谱分别计算归一多普勒谱与轮式车目标多普勒谱模板之间的距离,获得轮式距离;和归一多普勒谱与履带车目标多普勒谱模板之间的距离,获得履带距离;
所述比较判定模块4用于对轮式距离与履带距离进行比较,根据比较结果判定目标车辆为轮式车或履带车。
所述杂波抑制模块1中利用CLEAN算法对目标原始多普勒谱进行杂波抑制。
所述归一化模块2中利用插值、抽取对杂波抑制后的目标多普勒谱进行速度归一化。
本发明的效果通过以下对实测数据的实验进一步说明:
1.实验场景:
实测数据包含四种车辆目标,分别为依维柯、卡车、坦克和履带装甲车。其中,依维柯与卡车为轮式车辆,坦克和履带装甲车为履带式车辆。轮式车多普勒谱模板选自卡车匀速运动期间的多普勒谱,以坦克目标跑直线过程中某一段多普勒谱做为履带车多普勒谱的模板,轮式车测试样本为依维柯跑直线的多普勒谱(其中包含加减速运动),履带车测试样本为履带装甲车转圈数据,转圈次数为3圈,测试样本中包括逼近雷达、远离雷达、掉头转弯等姿态。轮式车与履带车的原始实测多普勒谱分别如图3、图4所示。
2.实验内容:
2.1)对于某次多普勒回波信号进行杂波抑制,轮式车杂波抑制后多普勒谱如图5中实线所示,履带车杂波抑制后的多普勒谱如图6中实线所示。
2.2)对杂波抑制后的多普勒谱进行速度归一化,轮式车速度归一化后的多普勒谱如图5中虚线所示,履带车速度归一化后的多普勒谱如图6中虚线所示。
2.3)在信噪比15dB时,以直接从目标的多普勒谱中提取特征利用支持向量机分类器进行分类的结果和本发明的分类结果比较如表1所示。
表1常规分类方法结果和本发明的分类结果比较
2.4)本发明在不同信噪比下的分类结果如图7所示。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种运动车辆目标分类方法,其特征在于,具体包括以下步骤:
步骤1:采集获取目标车辆的原始多普勒谱,并对原始多普勒谱进行杂波抑制,获得杂波抑制后的目标多普勒谱;
步骤2:对目标多普勒谱进行速度归一化,得到归一多普勒谱;
步骤3:根据归一多普勒谱分别计算归一多普勒谱与轮式车目标多普勒谱模板之间的距离,获得轮式距离;和归一多普勒谱与履带车目标多普勒谱模板之间的距离,获得履带距离;
步骤4:对轮式距离与履带距离进行比较,根据比较结果判定目标车辆为轮式车或履带车。
2.根据权利要求1所述的一种运动车辆目标分类方法,其特征在于,所述步骤1中利用CLEAN算法对目标原始多普勒谱进行杂波抑制。
3.根据权利要求1所述的一种运动车辆目标分类方法,其特征在于,所述步骤2中利用插值、抽取对杂波抑制后的目标多普勒谱进行速度归一化。
4.根据权利要求1-3任一项所述的一种运动车辆目标分类方法,其特征在于,所述步骤3中将归一多普勒谱作为最近邻分类器的输入,通过最近邻分类器计算归一多普勒谱与轮式车目标多普勒谱模板之间的距离和归一多普勒谱与履带车目标多普勒谱模板之间的距离,获得轮式距离dc和履带距离dt;采用以下公式(1)和公式(2)计算轮式距离dc和履带距离dt;
dc=min(abs(s1′)·abs(Sc)),Sc=[sc1,sc2,sc3,...,scN]公式(1)
dt=min(abs(s1′)·abs(St)),St=[st1,st2,st3,...,stM]公式(2)
其中,s1表示目标归一多普勒谱,s1'表示对s1转置操作,abs()表示取模操作,min()表示最小化;sci为轮式车多普勒谱模板中第i个多普勒谱样本,i=1,2,3,……N,N为轮式车多普勒谱模板中样本数;stj为履带车多普勒谱模板中第j个多普勒谱样本,j=1,2,3,……M,M为履带车多普勒谱模板中样本数。
5.根据权利要求1所述的一种运动车辆目标分类方法,其特征在于,所述步骤4中的对轮式距离与履带距离进行比较,判断所述轮式距离是否大于履带距离,如果是,则目标车辆为履带车;否则,目标车辆为轮式车。
6.根据权利要求2所述的一种运动车辆目标分类方法,其特征在于,所述利用CLEAN算法对目标原始多普勒谱进行杂波抑制具体包括以下步骤:
步骤1.1:初始化,目标原始多普勒谱为x0,置迭代次数k=1,设置最大迭代次数K;
步骤1.2:在杂波范围内搜索最大值,记录最大值幅度A、相位θ以及最大值对应的多普勒频率fclutter;
步骤1.3:根据最大幅度A、相位θ以及多普勒频率fclutter重构该次谐波的时域信号sclutter:
sclutter=(A/L)exp(j2πfcluttert+jθ)公式(3)
其中t为时间变量,L为积累脉冲数,exp()表示自然指数函数,j表示虚数单位;
步骤1.4:从原信号中减去上述谐波分量,得到新的多普勒谱xk;
xk=xk-1-FFT(sclutter)公式(4)
其中FFT()表示傅里叶变换运算;
步骤1.5:判断k是否大于K,如果是,停止,并对杂波抑制后的目标多普勒谱s0赋值,使s0=xk;否则,k=k+1,返回执行步骤1.2。
7.根据权利要求3所述的一种运动车辆目标分类方法,其特征在于,所述利用插值、抽取对杂波抑制后的目标多普勒谱进行速度归一化具体包括以下步骤:
步骤2.1:预设归一化基准频率fb;
步骤2.2:获得目标多普勒谱s0中最大值对应的多普勒频率fd,fd为目标车辆的车身分量对应的多普勒频率;
步骤2.3:计算车身多普勒频率与基准频率的比值ε=fd/fb;根据比值ε对目标多普勒谱进行插值或抽取得到归一多普勒谱s1,使得速度归一化后的归一多普勒谱中车身分量对应的多普勒频率归一至基准频率fb,且多普勒谱宽归一至2fb。
8.一种运动车辆目标分类系统,其特征在于,包括杂波抑制模块、归一化模块、计算模块和比较判定模块;
所述杂波抑制模块用于采集获取目标车辆的原始多普勒谱,并对原始多普勒谱进行杂波抑制,获得杂波抑制后的目标多普勒谱;
所述归一化模块用于对目标多普勒谱进行速度归一化,得到归一多普勒谱;
所述计算模块用于根据归一多普勒谱分别计算归一多普勒谱与轮式车目标多普勒谱模板之间的距离,获得轮式距离;和归一多普勒谱与履带车目标多普勒谱模板之间的距离,获得履带距离;
所述比较判定模块用于对轮式距离与履带距离进行比较,根据比较结果判定目标车辆为轮式车或履带车。
9.根据权利要求8所述的一种运动车辆目标分类系统,其特征在于,所述杂波抑制模块中利用CLEAN算法对目标原始多普勒谱进行杂波抑制。
10.根据权利要求8或9所述的一种运动车辆目标分类系统,其特征在于,所述归一化模块中利用插值、抽取对杂波抑制后的目标多普勒谱进行速度归一化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510738784.2A CN105403872A (zh) | 2015-11-04 | 2015-11-04 | 一种运动车辆目标分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510738784.2A CN105403872A (zh) | 2015-11-04 | 2015-11-04 | 一种运动车辆目标分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105403872A true CN105403872A (zh) | 2016-03-16 |
Family
ID=55469473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510738784.2A Pending CN105403872A (zh) | 2015-11-04 | 2015-11-04 | 一种运动车辆目标分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105403872A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483513A (zh) * | 2016-09-20 | 2017-03-08 | 西安电子工程研究所 | 一种飞机类目标微多普勒纹理特征提取方法 |
CN106597400A (zh) * | 2016-11-15 | 2017-04-26 | 北京无线电测量研究所 | 基于高分辨距离像的地面运动车辆目标分类识别方法及系统 |
CN107506794A (zh) * | 2017-08-23 | 2017-12-22 | 西安电子工程研究所 | 基于决策树的地面运动目标分类算法 |
CN110988837A (zh) * | 2019-12-17 | 2020-04-10 | 南京莱斯电子设备有限公司 | 一种窄带雷达目标判别方法 |
CN111175717A (zh) * | 2019-09-24 | 2020-05-19 | 纵目科技(上海)股份有限公司 | 可抑制雷达近距离谐波的辅助驾驶方法和场景应用 |
CN111812598A (zh) * | 2020-07-30 | 2020-10-23 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于时域频域多特征的地海杂波分类方法 |
CN113341405A (zh) * | 2020-02-18 | 2021-09-03 | 南京大学 | 一种消除近距离处车轮微多普勒影响的雷达跟踪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135729A (zh) * | 2007-09-04 | 2008-03-05 | 西安电子科技大学 | 基于支撑矢量机的合成孔径雷达遮挡目标识别方法 |
CN102043148A (zh) * | 2011-01-10 | 2011-05-04 | 西安电子科技大学 | 基于广义匹配滤波的地面运动目标分类方法 |
CN102184382A (zh) * | 2011-04-11 | 2011-09-14 | 西安电子科技大学 | 基于经验模态分解的运动车辆目标分类方法 |
CN102721952A (zh) * | 2012-05-16 | 2012-10-10 | 西安电子科技大学 | 基于超分辨多普勒谱的地面运动目标稳健分类方法 |
US20150301167A1 (en) * | 2009-12-18 | 2015-10-22 | Christopher Gary Sentelle | Detection of movable objects |
-
2015
- 2015-11-04 CN CN201510738784.2A patent/CN105403872A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135729A (zh) * | 2007-09-04 | 2008-03-05 | 西安电子科技大学 | 基于支撑矢量机的合成孔径雷达遮挡目标识别方法 |
US20150301167A1 (en) * | 2009-12-18 | 2015-10-22 | Christopher Gary Sentelle | Detection of movable objects |
CN102043148A (zh) * | 2011-01-10 | 2011-05-04 | 西安电子科技大学 | 基于广义匹配滤波的地面运动目标分类方法 |
CN102184382A (zh) * | 2011-04-11 | 2011-09-14 | 西安电子科技大学 | 基于经验模态分解的运动车辆目标分类方法 |
CN102721952A (zh) * | 2012-05-16 | 2012-10-10 | 西安电子科技大学 | 基于超分辨多普勒谱的地面运动目标稳健分类方法 |
Non-Patent Citations (5)
Title |
---|
JIAJIN LEI ET AL.: "Target Classification Based on Micro-Doppler Signatures", 《IEEE》 * |
李彦兵 等: "基于信号特征谱的地⾯运动⽬标分类", 《电波科学学报》 * |
李彦兵 等: "基于微多普勒效应和多级小波分解的轮式履带式车辆分类研究", 《电子与信息学报》 * |
李彦兵 等: "基于微多普勒特征的地面目标分类", 《电子与信息学报》 * |
陈行勇: "微动目标雷达特征提取技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483513B (zh) * | 2016-09-20 | 2018-10-09 | 西安电子工程研究所 | 一种飞机类目标微多普勒纹理特征提取方法 |
CN106483513A (zh) * | 2016-09-20 | 2017-03-08 | 西安电子工程研究所 | 一种飞机类目标微多普勒纹理特征提取方法 |
CN106597400A (zh) * | 2016-11-15 | 2017-04-26 | 北京无线电测量研究所 | 基于高分辨距离像的地面运动车辆目标分类识别方法及系统 |
CN107506794B (zh) * | 2017-08-23 | 2020-08-14 | 西安电子工程研究所 | 基于决策树的地面运动目标分类算法 |
CN107506794A (zh) * | 2017-08-23 | 2017-12-22 | 西安电子工程研究所 | 基于决策树的地面运动目标分类算法 |
CN111175717A (zh) * | 2019-09-24 | 2020-05-19 | 纵目科技(上海)股份有限公司 | 可抑制雷达近距离谐波的辅助驾驶方法和场景应用 |
CN111175717B (zh) * | 2019-09-24 | 2024-03-22 | 纵目科技(上海)股份有限公司 | 可抑制雷达近距离谐波的辅助驾驶方法和场景应用 |
CN110988837A (zh) * | 2019-12-17 | 2020-04-10 | 南京莱斯电子设备有限公司 | 一种窄带雷达目标判别方法 |
CN110988837B (zh) * | 2019-12-17 | 2022-02-08 | 南京莱斯电子设备有限公司 | 一种窄带雷达目标判别方法 |
CN113341405A (zh) * | 2020-02-18 | 2021-09-03 | 南京大学 | 一种消除近距离处车轮微多普勒影响的雷达跟踪方法 |
CN113341405B (zh) * | 2020-02-18 | 2023-10-13 | 南京大学 | 一种消除近距离处车轮微多普勒影响的雷达跟踪方法 |
CN111812598A (zh) * | 2020-07-30 | 2020-10-23 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于时域频域多特征的地海杂波分类方法 |
CN111812598B (zh) * | 2020-07-30 | 2022-03-22 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于时域频域多特征的地海杂波分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105403872A (zh) | 一种运动车辆目标分类方法及系统 | |
Zhang et al. | Imaging of a moving target with rotating parts based on the Hough transform | |
Zhao et al. | Point cloud features-based kernel SVM for human-vehicle classification in millimeter wave radar | |
CN106295684B (zh) | 一种基于微多普勒特征的动态连续/非连续手势识别方法 | |
Pérez et al. | Single-frame vulnerable road users classification with a 77 GHz FMCW radar sensor and a convolutional neural network | |
CN104330784B (zh) | 基于旋翼物理参数估计实现飞机目标分类的方法 | |
CN103885043B (zh) | 基于广义匹配滤波的飞机目标杂噪稳健分类方法 | |
CN106019269A (zh) | 雷达装置和行驶车辆探测方法 | |
CN107301381A (zh) | 基于深度学习和多任务学习策略的雷达辐射源识别方法 | |
CN103344949A (zh) | 基于Radon-线性正则模糊函数的雷达微弱动目标检测方法 | |
CN102156282A (zh) | 一种基于微多普勒效应的雷达目标检测方法 | |
CN110389325B (zh) | 一种旋翼无人机的雷达微多普勒信号提取方法 | |
CN106597400B (zh) | 基于高分辨距离像的地面运动车辆目标分类识别方法及系统 | |
CN102043148A (zh) | 基于广义匹配滤波的地面运动目标分类方法 | |
CN102184382A (zh) | 基于经验模态分解的运动车辆目标分类方法 | |
Gong et al. | Mathematic principle of active jamming against wideband LFM radar | |
CN102621536B (zh) | 基于relax的空中多机动目标检测与参数估计方法 | |
Huang et al. | A practical fundamental frequency extraction algorithm for motion parameters estimation of moving targets | |
Cherniakov et al. | Forward scattering micro sensor for vehicle classification | |
CN104375128A (zh) | 一种基于互相关函数的高机动目标快速积累检测方法 | |
CN105718856B (zh) | 一种基于eemd的车辆微动信号提取及分类方法 | |
Pérez et al. | Range detection on time-domain FMCW radar signals with a deep neural network | |
CN103760540A (zh) | 基于重构信号和1-范数的动目标检测与参数估计方法 | |
Zhu et al. | Classification of UAV-to-ground vehicles based on micro-Doppler effect and bispectrum analysis | |
Wengerter et al. | Simulation of urban automotive radar measurements for deep learning target detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160316 |
|
RJ01 | Rejection of invention patent application after publication |