CN107340514A - 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 - Google Patents
三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 Download PDFInfo
- Publication number
- CN107340514A CN107340514A CN201710558330.6A CN201710558330A CN107340514A CN 107340514 A CN107340514 A CN 107340514A CN 201710558330 A CN201710558330 A CN 201710558330A CN 107340514 A CN107340514 A CN 107340514A
- Authority
- CN
- China
- Prior art keywords
- mark
- point
- hypersonic
- data
- hough transform
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
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
本发明公开了一种三维空间中高超声速弱目标RAE‑HT‑TBD积累检测方法,属于雷达目标检测领域。本发明的方法通过分级降维Hough变换以及航迹合并的方式有效实现了临近空间高超声速弱目标的精确检测问题。本发明的方法步骤:(一)初始门限数据预处理;(二)时间平面数据的规格化处理;(三)Hough变换参数空间离散化与初始化;(四)依次在径向距离‑时间平面、方位角‑时间平面、仰角‑时间平面内的二维Hough变换;(五)参数空间能量积累与峰值检测;(六)Hough变换逆映射至数据空间;(七)点迹时序关联与航迹合并,进一步消除虚假点迹,获得最终检测航迹。本发明的方法计算量小,检测概率高,可以有效解决临近空间高超声速弱目标的精确检测问题且易于工程实现。
Description
技术领域
本发明属于雷达目标检测领域,用于解决三维空间中高超声速弱目标的检测问题。
背景技术
在对临近空间目标的预警探测研究中,一方面临近空间飞行器所具有的高超声速特性使其可在两小时内对全球任意目标实施打击;另一方面,临近空间飞行器高超声速运动所产生的激波等离子体会使得目标的雷达反射截面积发生严重衰减,导致目标回波十分微弱,从而使目标获得较强的隐身性能,进一步加大了雷达探测难度。临近空间飞行器的以上两点特性使得现有的预警系统很难对其进行有效拦截。因此,研究临近空间高超声速弱目标的检测跟踪问题对于增强国家空天安全具有重要意义。
基于Hough的检测前跟踪(HT-TBD)是一种检测强杂波环境下微弱目标的有效技术,具有对随机噪声鲁棒性强、对目标位置不确定性及局部缺损不敏感等优点,在雷达探测领域得以广泛应用。TBD采用多帧数据批处理的思想,对多个采样周期数据进行非相参积累,提高了目标航迹信噪比,避免了传统单帧门限检测方法可能导致的目标潜在有用信息的丢失问题。目前,针对三维空间目标检测的HT-TBD积累检测方法主要采用直接变换法以及投影映射法两种方式:由于三维空间直线至少需要四个参数进行解析表示,因此直接进行三维Hough变换对应的参数空间至少是四维空间,高维参数空间产生很大计算负担,不利于工程实际应用;投影映射方法将三维点迹投影至xyz坐标系下的多个直角坐标平面进行二维Hough变换并通过融合各平面检测结果得到最终三维检测航迹,降维映射处理虽然减小了计算量,但是此种投影方式存在两个主要缺陷:一方面,这种投影变换机制极易在各直角坐标平面积累噪声,从而产生信噪比损失,并且信噪比损失随着观测区域的增大近似呈对数增加;另一方面,对于远距离临近空间目标,这种投影变换机制会产生距离量测与角度量测的耦合问题,即使角度量测误差很小,也会导致较大横向误差。例如,设雷达测角误差为0.2°,目标径向距离为600km,则目标横向误差标准差可达2.1km,根据高斯误差分布定律中的3σ准则,目标横向误差最大可达6.3km,使得利用直角坐标平面Hough变换难以实现对临近空间远距离目标的有效检测。因此,本发明提出一种三维空间中高超声速弱目标RAE-HT-TBD积累检测方法,在保证优良检测性能的同时具有较小计算量,可以适用于工程应用。
发明内容
本发明的目的是利用三级降维分解的方式逐级完成点迹筛选,提出一种三维空间中高超声速弱目标RAE-HT-TBD积累检测方法,通过依次在径向距离(Range)-时间平面、方位角(Azimuth)-时间平面、仰角(Elevation)-时间平面内的二维Hough变换可以解决临近空间内对于三维位置量测高超声速弱目标检测过程所具有的计算量大、检测概率低的问题。
本发明提出的三维空间中高超声速弱目标RAE-HT-TBD积累检测方法,其特征在于,包括以下技术措施:
步骤一、在一个较高的虚警率Pfa下设置初始门限η1,只保留功率超过门限的点迹,删除其余点迹,从而过滤掉大部分无关量测以消除部分杂波影响,得到过门限后的量测数据,包含量测点的距离、方位、时间和能量信息,设定其初始门限为:
η1=-ln(Pfa)
接下来,将进行基于Hough变换的三重点迹筛选,由于各级点迹筛选的流程类似,下面将仅以第一级点迹筛选为例说明本发明提出的方法。
其中,较高的虚警率Pfa是指10-1量级。
步骤二、对于投影映射到距离-时间平面的点迹进行规格化处理:由于此时距离-时间平面中横纵坐标量级相差悬殊,会使得量级较小一维数据信息丢失,无法实现对目标的有效检测,因此需要求得下式所示的规格化系数μ,并得到规格化后的r-t数据(t,r/μ):
其中,[lg(|rmax/tmax|)]表示大于lg(|rmax/tmax|)的最小整数,rmax,tmax分别表示r与t中的最大值。
步骤三、Hough变换参数空间离散化:为了增大误差容限进而增强算法检测能力,使近似共线的量测点在参数空间内仍能交于同一单元,根据雷达和目标位置以及雷达的测距和测角误差对参量空间进行分割,确定分割的单元数;ρ-θ参数空间Ω1将被离散成个参数单元,分辨率其中,L取雷达探测范围的两倍,离散化参数单元中心坐标:
步骤四、Hough变换参数初始化:建立参数空间能量积累矩阵F1(i,j)以及投票点记录矩阵F2{i,j},用于存储各参数单元能量积累数据以及各参数单元的投票点状态信息,同时预设部分内存空间用于存储过门限参数单元逆映射后的的数据空间点迹集合并对上述矩阵进行置零初始化。
步骤五、依次选取步骤二中的过初始门限数据,通过下式将距离-时间平面中的点变换到参数空间Ω1,得到相应的参数曲线ξ:
ρ=μtcosθ+rsinθ
其中,ρ表示数据点所在直线与原点的距离,θ表示数据点和原点连线与横轴正方向的夹角。
步骤六、在参数空间进行能量积累来提升参数空间积累性能,取参数空间Ω1内功率积累最大值的χ(1)倍作为非相参积累门限只提取出能量积累值超过的参数单元集合;
假设预处理后点迹集合A中第k帧第l个点迹被映射到参数空间对应的正弦曲线为则表征k时刻该曲线经过参数空间Ω1中第i行第j列参数单元的数学判别式:
其中,l=1,2,…,Mk,k=1,2,…,N;如果点迹满足上式,则利用该点对参数单元进行能量积累;否则,点迹对参数单元的能量积累无贡献。
步骤七、Hough变换逆映射:经过步骤六,只有满足能量积累值超过的参数单元所对应的数据空间点迹集合内的点才被认为是可能的目标点迹,利用投票点记录矩阵F2(i,j)得到数据空间的逆映射点迹,同时删除数据空间内除了集合外的所有点迹,从而完成第一级基于径向距离-时间平面Hough变换的点迹筛选,其中,k=1,2,…,N,表示集合内点迹个数。
步骤八、依次进行方位角-时间以及仰角-时间平面内的后两级Hough变换点迹筛选:由于接下来将要依次进行的第二级基于方位角-时间平面Hough变换的点迹筛选以及第三级基于仰角-时间平面Hough变换的点迹筛选的基本原理和流程与第一级基于径向距离-时间Hough变换的点迹筛选类似,只需以前一级筛选出来的点迹集合为输入,将对应公式中的变量由径向距离r依次替换方成位角和仰角重复步骤三至七即可逐级完成点迹筛选,因此不再详细论述。
步骤九、将各帧筛选出的数据点按照时序进行关联得到可能航迹,并针对经过航迹检验后可能存在多条航迹对应同一个目标的情况对相似航迹进行航迹合并,具体措施为:
在对检测出的可能航迹进行同帧点迹两两比较的基础上,可以得到相同点迹的个数δ。如果δ超过某一门限δ0,则合并这两条航迹。门限δ0可以表示为:
其中,表示不大于的最大整数,τ为约束因子,取值为整数,满足
在进行合并航迹时,对于两条航迹中相同时刻的不同点迹,将只保存其中回波功率更大的量测点迹。
与背景技术相比,本发明提出的三维空间中高超声速弱目标RAE-HT-TBD积累检测方法具有如下有益效果:
(1)由于三维空间直线含有四个自由度,因此直接进行三维Hough变换对应的参数空间至少是四维空间,这将导致算法占据大量内存空间,巨大的计算量也会使算法失去实时性。本发明利用分级降维的思想将三维临近空间点迹映射至三个二维平面进行Hough变换,本发明的计算复杂度介于O(qM)和3·O(qM)之间,远低于直接法O(qM3)的计算复杂度(其中,q为数据空间待处理单元数,并假设各参数均离散化为M种取值)。因此,当远距离条件下M取值较大时,本发明参数空间维数的减小显著降低了计算复杂度,易于工程实现;
(2)为最大限度地避免传统的将三维点迹投影到两个直角坐标平面进行Hough变换方法存在的噪声积累问题以及距离量测、角度量测的耦合问题,考虑到目标径向距离和角度测量数据受距离影响很小,本发明依次将三维量测点投影至径向距离-时间平面、方位角-时间平面、仰角-时间平面进行三级Hough变换检测,分别对径向距离、方位角以及仰角进行解耦处理,充分利用精度较高的距离量测信息进行点迹筛选,同时,利用角度信息有效避免了不同方向上的错误积累。例如,设雷达测角误差为0.2°,目标径向距离为600km,则目标横向误差标准差可达2.1km,根据高斯误差分布定律中的3σ准则,目标横向误差最大可达6.3km,而解耦后的径向距离误差大约只有200m至400m。因此,本发明可以最大限度地减小噪声积累以及远距离条件下距离、角度量测耦合引起的较大横向误差所产生的不利影响,提升检测精度。
附图说明
附图1是本发明提出的三维空间中高超声速弱目标RAE-HT-TBD积累检测方法的整体流程图;
附图2是本发明实施例中强杂波环境下近似直线运动的临近空间目标三维量测点迹图;
附图3是本发明实施例中各级点迹筛选流程图(以第一级点迹筛选为例);
附图4是本发明实施例中各级点迹筛选后对应时间平面内的剩余点迹映射图;
附图5是本发明实施例中各级Hough变换所对应的参数空间能量积累直方图;
附图6是本发明实施例中各级点迹筛选后的三维空间剩余点迹映射图;
附图7是本发明实施例中三重点迹筛选后按照时序关联的可能航迹图;
附图8是本发明实施例中经过航迹融合的最终检测航迹图。
具体实施方式
实施例条件:假设临近空间高超声速弱目标在三维空间内做近似匀速直线运动,初始位置为(350000m,350000m,40000m),即量测向量为初始速度为(3000m/s,2500m/s,150m/s),目标RCS=2m2。相应地,传感器为位于坐标原点的三坐标雷达,雷达扫描周期T=2s,发射功率Pt=10kW,天线增益G=104,工作波长λt=0.15m,径向距离量测误差为200m,方位角量测误差为0.2°,仰角量测误差为0.2°,量测积累帧数N=7。在每帧数据中,杂波密度λc=800,杂波个数服从泊松分布,杂波位置在雷达视域内服从均匀分布,信噪比SNR=6dB。参数空间Ω1、Ω2、Ω3均离散化为180×300个分辨单元,能量积累门限均取各自参数空间Ωi内功率积累最大值的0.85倍,即χ(1)=χ(2)=χ(3)=0.85,其中,i=1,2,3。约束因子τ=1,航迹合并门限δ0=4。结合说明书附图1,本发明的具体处理流程如下所示:
步骤1:设置初始门限:
由于相参处理系统输出的原始量测的数据量非常大,如附图2所示,因此需要进行预处理;为了尽可能多的保留目标信息,通常在一个较高的虚警率下进行初始门限检测,过滤掉大部分无关量测以消除部分杂波影响,得到过门限后的量测数据;对于相参积累后经平方率检波得到的雷达数据,根据较高的虚警概率,设置一个第一门限,从而消除部分干扰点迹,设定其初始门限
η1=-ln(Pfa)=-ln(0.01)≈-4.6
步骤2:规格化处理:
规格化系数
步骤3:Hough变换参数空间离散化:
为了增大误差容限进而增强算法检测能力,使近似共线的量测点在参数空间内仍能交于同一单元,根据雷达和目标位置以及雷达的测距和测角误差将参数空间Ω1将被离散成个参数单元,分辨率L≈600km,离散化参数单元中心坐标:
步骤4:Hough变换参数初始化:
能量积累矩阵F1(i,j)=zeros(180,300);
投票点记录矩阵F2{i,j}=zeros(180,300)。
步骤5:通过下式将距离-时间平面中的点变换到参数空间Ω1,得到相应的参数曲线ξ:
ρ=μtcosθ+rsinθ
步骤6:设立能量积累门限
能量积累门限为各自参数空间Ωi内功率积累最大值的0.85倍,即χ(1)=χ(2)=χ(3)=0.85,其中,i=1,2,3。
特别地,表征k时刻曲线经过参数空间Ω1中第i行第j列参数单元的数学判别式:
其中,l=1,2,…,Mk,k=1,2,…,N;如果点迹满足上式,则利用该点对参数单元进行能量积累;否则,点迹对参数单元的能量积累无贡献;Hough变换后的各级点迹筛选流程图(以第一级点迹筛选为例)以及各级点迹筛选后对应时间平面内的剩余点迹映射图分别如附图3、附图4所示;经过参数空间能量积累之后的参数空间积累直方图如附图5所示。
步骤7:Hough变换逆映射:
利用投票点记录矩阵F2{i,j}保存满足能量积累值超过的参数单元所对应的数据空间点迹集合完成第一级基于径向距离-时间平面Hough变换的点迹筛选,各级点迹筛选后的三维空间剩余点迹映射图如附图6所示。
步骤8:按照上述流程依次进行方位角-时间以及仰角-时间平面内的后两级Hough变换点迹筛选:由于接下来将要依次进行的第二级基于方位角-时间平面Hough变换点迹筛选以及第三级基于仰角-时间平面Hough变换点迹筛选的基本流程与第一级类似,将不再详细论述。
步骤9:将各帧筛选出的数据点按照时序进行关联得到可能航迹,三重点迹筛选后按照时序关联的可能航迹图如附图7所示;针对经过航迹检验后可能存在多条航迹对应同一个目标的情况对相似航迹进行航迹合并,相同点迹数合并门限δ0=4,经过航迹融合的最终检测航迹图如附图8所示。
步骤10:重复步骤2~步骤9,直至所有N帧数据全部处理并存储完毕。
从附图8可以看出,在杂波密度λc=800、信噪比SNR=6dB的条件下,经过本发明的基于分级降维RAE-HT-TBD的积累检测方法大部分目标点迹可以被准确检测出,经过时序关联可以准确起始航迹,经过1000次蒙特卡洛仿真实验,检测概率可以达到80%以上,适用于工程应用,易于进一步的目标跟踪等数据处理。
Claims (9)
1.三维空间中高超声速弱目标RAE-HT-TBD积累检测方法,其特征在于,包括以下步骤:
步骤一、进行数据预处理:根据预置的10-1量级的虚警概率Pfa设置初始门限η1;
步骤二、对于投影映射到距离-时间平面的点迹进行规格化处理;
步骤三、根据雷达和目标的位置以及雷达的测距、测角误差对Hough变换参数空间进行离散化;
步骤四、Hough变换参数初始化:对参数空间能量积累矩阵F1(i,j)、投票点记录矩阵F2{i,j}以及过门限参数单元逆映射后的的数据空间点迹集合进行置零初始化;
步骤五、距离-时间平面内的Hough变换;
步骤六、参数空间进行能量积累,并设立能量积累门限只提取出能量积累值超过的参数单元集合;
步骤七、Hough变换逆映射:只有满足能量积累值超过的参数单元所对应的数据空间点迹集合内的点才被认为是可能的目标点迹;
步骤八、依次进行方位角-时间以及仰角-时间平面内的后两级Hough变换点迹筛选;
步骤九、将各帧筛选出的数据点按照时序进行关联得到可能航迹,并对相似航迹进行航迹合并。
2.根据权利要求1所述的三维空间中高超声速弱目标RAE-HT-TBD积累检测方法,其特征在于,步骤一中初始门限η1的设置方法:
对于相参积累后经平方率检波得到的雷达数据,根据10-1量级的虚警概率,设置第一门限进行初始门限检测,从而过滤掉大部分无关量测,设定其初始门限η1=-ln(Pfa)。
3.根据权利要求1所述的三维空间中高超声速弱目标RAE-HT-TBD积累检测方法,其特征在于,步骤二中规格化的处理方法:
对于距离-时间平面中横纵坐标量级相差悬殊的数据进行规格化处理,求得规格化系数μ,进而得到规格化后的r-t数据(t,r/μ):
其中,[lg(|rmax/tmax|)]表示大于lg(|rmax/tmax|)的最小整数,rmax,tmax分别表示r与t中的最大值。
4.根据权利要求1所述的三维空间中高超声速弱目标RAE-HT-TBD积累检测方法,其特征在于,步骤三中Hough变换参数空间的离散化方法:
根据雷达和目标的位置以及雷达的测距和测角误差对参量空间进行分割,并确定分割的单元数;ρ-θ参数空间Ω1被离散成个参数单元,分辨率其中,L取雷达探测范围的两倍,离散化参数单元中心坐标:
。
5.根据权利要求1所述的三维空间中高超声速弱目标RAE-HT-TBD积累检测方法,其特征在于,步骤四中Hough变换的参数初始化方法:
建立参数空间能量积累矩阵F1(i,j)以及投票点记录矩阵F2{i,j},用于存储各参数单元能量积累数据以及各参数单元的投票点状态信息,同时预设部分内存空间用于存储过门限参数单元逆映射后的的数据空间点迹集合并对上述矩阵进行置零初始化。
6.根据权利要求1所述的三维空间中高超声速弱目标RAE-HT-TBD积累检测方法,其特征在于,步骤五中距离-时间平面内的Hough变换方法:
依次选取步骤二中的过初始门限数据,通过下式将距离-时间平面中的点变换到参数空间Ω1,得到相应的参数曲线ξ;
ρ=μtcosθ+rsinθ
其中,ρ表示数据点所在直线与原点的距离,θ表示数据点和原点连线与横轴正方向的夹角。
7.根据权利要求1所述的三维空间中高超声速弱目标RAE-HT-TBD积累检测方法,其特征在于,步骤六中参数空间的能量积累方法:
假设预处理后点迹集合A中第k帧第l个点迹被映射到参数空间对应的正弦曲线为则表征k时刻该曲线经过参数空间Ω1中第i行第j列参数单元的数学判别式:
其中,l=1,2,…,Mk,k=1,2,…,N;如果点迹满足上式,则利用该点对参数单元进行能量积累;否则,点迹对参数单元的能量积累无贡献;并且,取参数空间Ω1内功率积累最大值的χ(1)倍作为非相参积累门限
8.根据权利要求1所述的三维空间中高超声速弱目标RAE-HT-TBD积累检测方法,其特征在于,步骤七中Hough变换的逆映射方法:
经过步骤六,只有满足能量积累值超过的参数单元所对应的数据空间点迹集合内的点才被认为是可能的目标点迹;利用投票点记录矩阵F2(i,j)得到数据空间的逆映射点迹,同时删除数据空间内除了集合外的所有点迹,从而完成第一级基于径向距离-时间平面Hough变换的点迹筛选,其中,rm,Em分别表示对应点迹的距离、方位角、仰角和能量信息,k=1,2,…,N,表示集合内点迹个数。
9.根据权利要求1所述的三维空间中高超声速弱目标RAE-HT-TBD积累检测方法,其特征在于,步骤九中航迹合并的方法:
针对经过航迹检验后可能存在多条航迹对应同一个目标的情况,对检测出的可能航迹进行同帧点迹两两比较,从而得到相同点迹的个数δ;如果δ超过某一门限δ0,则合并这两条航迹,否则,不合并,门限δ0可以表示为:
其中,表示不大于的最大整数,τ为约束因子,取值为整数,满足
在进行合并航迹时,对于两条航迹中相同时刻的不同点迹,将只保存其中回波功率更大的量测点迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710558330.6A CN107340514A (zh) | 2017-07-10 | 2017-07-10 | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710558330.6A CN107340514A (zh) | 2017-07-10 | 2017-07-10 | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107340514A true CN107340514A (zh) | 2017-11-10 |
Family
ID=60219752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710558330.6A Pending CN107340514A (zh) | 2017-07-10 | 2017-07-10 | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107340514A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109557532A (zh) * | 2018-10-18 | 2019-04-02 | 西安电子科技大学 | 基于三维霍夫变换的检测前跟踪方法、雷达目标检测系统 |
CN109613483A (zh) * | 2018-10-30 | 2019-04-12 | 上海无线电设备研究所 | 一种基于Hough变换的多目标航迹起始方法 |
CN109839621A (zh) * | 2017-11-24 | 2019-06-04 | 西安艾索信息技术有限公司 | 一种改进的tbd算法 |
CN109856629A (zh) * | 2019-01-11 | 2019-06-07 | 中国船舶重工集团公司第七二四研究所 | 基于霍夫变换的区域栅格化多特征关联并行航迹起始方法 |
CN109901154A (zh) * | 2019-03-29 | 2019-06-18 | 中国人民解放军海军航空大学 | 基于递推rtht-tbd的自适应调整方法 |
CN109991597A (zh) * | 2019-04-04 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种面向弱扩展目标的检测前跟踪方法 |
CN113075636A (zh) * | 2021-04-02 | 2021-07-06 | 中国人民解放军海军航空大学 | 量测点的平行线坐标变换及微弱目标检测方法 |
CN113702965A (zh) * | 2021-08-31 | 2021-11-26 | 中国人民解放军海军航空大学 | 基于峰值聚优的改进积累方法及强弱目标同时检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298142A (zh) * | 2011-05-16 | 2011-12-28 | 中国人民解放军海军航空工程学院 | 雷达测距模糊条件下多微弱目标ht-stc-tbd检测方法 |
CN103116160A (zh) * | 2012-11-27 | 2013-05-22 | 电子科技大学 | 一种基于随机Hough变换的微弱目标检测方法 |
JP5398288B2 (ja) * | 2009-02-05 | 2014-01-29 | 株式会社東芝 | レーダ信号処理装置とその目標判定方法 |
CN103954949A (zh) * | 2014-04-16 | 2014-07-30 | 中国人民解放军海军航空工程学院 | 一种隐身滑跃式机动目标的多模型椭圆Hough变换积累检测方法 |
CN105911542A (zh) * | 2016-07-04 | 2016-08-31 | 中国人民解放军海军航空工程学院 | 多项式Hough变换的高超声速目标TBD检测方法 |
-
2017
- 2017-07-10 CN CN201710558330.6A patent/CN107340514A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5398288B2 (ja) * | 2009-02-05 | 2014-01-29 | 株式会社東芝 | レーダ信号処理装置とその目標判定方法 |
CN102298142A (zh) * | 2011-05-16 | 2011-12-28 | 中国人民解放军海军航空工程学院 | 雷达测距模糊条件下多微弱目标ht-stc-tbd检测方法 |
CN103116160A (zh) * | 2012-11-27 | 2013-05-22 | 电子科技大学 | 一种基于随机Hough变换的微弱目标检测方法 |
CN103954949A (zh) * | 2014-04-16 | 2014-07-30 | 中国人民解放军海军航空工程学院 | 一种隐身滑跃式机动目标的多模型椭圆Hough变换积累检测方法 |
CN105911542A (zh) * | 2016-07-04 | 2016-08-31 | 中国人民解放军海军航空工程学院 | 多项式Hough变换的高超声速目标TBD检测方法 |
Non-Patent Citations (2)
Title |
---|
李林等: "一种临近空间高超声速目标检测前跟踪算法", 《宇航学报》 * |
金术玲等: "一种天波超视距雷达分级Hough 变换航迹起始方法", 《电子与信息学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109839621A (zh) * | 2017-11-24 | 2019-06-04 | 西安艾索信息技术有限公司 | 一种改进的tbd算法 |
CN109557532A (zh) * | 2018-10-18 | 2019-04-02 | 西安电子科技大学 | 基于三维霍夫变换的检测前跟踪方法、雷达目标检测系统 |
CN109557532B (zh) * | 2018-10-18 | 2023-05-09 | 西安电子科技大学 | 基于三维霍夫变换的检测前跟踪方法、雷达目标检测系统 |
CN109613483A (zh) * | 2018-10-30 | 2019-04-12 | 上海无线电设备研究所 | 一种基于Hough变换的多目标航迹起始方法 |
CN109856629A (zh) * | 2019-01-11 | 2019-06-07 | 中国船舶重工集团公司第七二四研究所 | 基于霍夫变换的区域栅格化多特征关联并行航迹起始方法 |
CN109901154A (zh) * | 2019-03-29 | 2019-06-18 | 中国人民解放军海军航空大学 | 基于递推rtht-tbd的自适应调整方法 |
CN109901154B (zh) * | 2019-03-29 | 2023-03-03 | 中国人民解放军海军航空大学 | 基于递推rtht-tbd的自适应调整方法 |
CN109991597A (zh) * | 2019-04-04 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种面向弱扩展目标的检测前跟踪方法 |
CN113075636A (zh) * | 2021-04-02 | 2021-07-06 | 中国人民解放军海军航空大学 | 量测点的平行线坐标变换及微弱目标检测方法 |
CN113702965A (zh) * | 2021-08-31 | 2021-11-26 | 中国人民解放军海军航空大学 | 基于峰值聚优的改进积累方法及强弱目标同时检测方法 |
CN113702965B (zh) * | 2021-08-31 | 2023-05-05 | 中国人民解放军海军航空大学 | 基于峰值聚优的改进积累方法及强弱目标同时检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107340514A (zh) | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 | |
CN108229404B (zh) | 一种基于深度学习的雷达回波信号目标识别方法 | |
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN106778610B (zh) | 一种基于时频图像特征的脉内调制识别方法 | |
CN106842165B (zh) | 一种基于不同距离角度分辨率雷达集中式异步融合方法 | |
CN113866742B (zh) | 一种4d毫米波雷达点云处理和目标分类的方法 | |
CN109165585A (zh) | 一种改进的基于yolo v2的船舶目标检测方法 | |
CN106772352B (zh) | 一种基于Hough和粒子滤波的PD雷达扩展微弱目标检测方法 | |
CN1389710A (zh) | 多传感器多目标信息融合方法 | |
CN103954939B (zh) | 基于雷达组网的抗灵巧噪声干扰方法 | |
CN107688170A (zh) | 一种基于随机森林的雷达目标航迹起始方法 | |
CN106855618A (zh) | 基于广义内积任意阵列下的干扰样本剔除方法 | |
CN103777189A (zh) | 一种基于信息几何复自回归模型的雷达弱目标检测方法 | |
CN102914773A (zh) | 一种多航过圆周sar三维成像方法 | |
CN108490409A (zh) | 基于航迹风险评估的三坐标雷达自动起始方法 | |
CN113486961A (zh) | 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备 | |
CN113933790A (zh) | 一种相控阵雷达工作模式的反演识别方法、装置及介质 | |
CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
CN109901154A (zh) | 基于递推rtht-tbd的自适应调整方法 | |
CN115220007A (zh) | 一种针对姿态识别的雷达点云数据增强方法 | |
CN111401180A (zh) | 神经网络识别模型训练方法、装置、服务器及存储介质 | |
CN113567931A (zh) | 一种训练样本不足时的双子空间信号检测方法与系统 | |
CN117368877A (zh) | 基于生成对抗学习的雷达图像杂波抑制与目标检测方法 | |
CN112799028A (zh) | 一种基于rcs起伏统计特性差异的虚假目标识别方法 | |
CN112666528B (zh) | 一种基于卷积神经网络的多站雷达系统干扰鉴别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171110 |