CN107590468A - 一种基于多视角目标亮点特征信息融合的探测方法 - Google Patents
一种基于多视角目标亮点特征信息融合的探测方法 Download PDFInfo
- Publication number
- CN107590468A CN107590468A CN201710832731.6A CN201710832731A CN107590468A CN 107590468 A CN107590468 A CN 107590468A CN 201710832731 A CN201710832731 A CN 201710832731A CN 107590468 A CN107590468 A CN 107590468A
- Authority
- CN
- China
- Prior art keywords
- target
- bright
- bright spot
- signal
- echo
- 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
Abstract
本发明提供的是一种基于多视角目标亮点特征信息融合的探测方法。1、利用在目标空间上分布的N个传感器，获得目标回波信号并做预处理；2、利用CLEAN特征提取方法，将符合条件的目标亮点特征信息提取出来；3、计算各阶中心矩作为亮点的统计特征；4、将得到的目标亮点的统计特征作为向量机分类器的输入，对探测信号入射角进行估计，得到N个探测信号入射角的估计值；5、估计出各传感器在同一入射角下的回波信号；6、将估计出的回波信号进行配准后融合；7、根据融合后的信号各亮点强度的变化情况作为判决依据，对探测目标进行判决。本发明既可以应用在处于目标不同视角的多基地声纳系统，可以应用在相对目标运动的单基地的声纳系统中。
Description
技术领域
本发明涉及的是一种水声信号处理方法，具体地说是一种基于多视角目标亮点特征信息融合的探测方法。
背景技术
近些年来，在利用信息融合进行目标探测上，主要工作集中在目标特征与向量机分类器的应用上。例如文献(Lee S J,Choi I S,Cho B,et al.Performance enhancementof target recognition using feature vector fusion of monostatic and bistaticradar[J].Progress In Electromagnetics Research,2014,144:291-302.)中，通过提取不同视角下的目标亮点散射特征，再进行神经网络分类识别，并获取了比单平台更佳的识别性能。但是，由于该方法将多个不同视角下传感器提取的目标特征直接组合作为神经网络分类器的输入向量，这会导致神经网络分类器输入向量的维数，受目标亮点数量、背景环境、传感器配置等因素影响十分严重，当上述因素发生变化时甚至可能导致其整个算法无法使用。而且，其方法在识别目标上具有一个明显的前提就是待识别的目标为已知目标种类中的一种，如果不为已知目标种类中的一种时，将会给出错误结果，而导致虚警。
名称为《一种目标识别的方法和系统》(公开号为：CN105678263A)的专利文件中，通过获取多角度的目标强度信息，通过计算其均值、方差等统计特征，组成第二特征向量作为向量分类器的输入，对目标进行识别。但是，首先根据《实用声纳工程》(A.D.Waite,王德石.实用声纳工程[M].电子工业出版社,2004.)一书给出的常见声纳目标的目标强度可知，不同类型目标的散射强度范围相近；其次，目标散射强度与主动声纳探测过程中的传播损失息息相关，而传播损失受复杂的海洋环境影响；再次，如海底礁石、鱼群等均可以产生回波，其目标强度也可能接近于目标强度。综上因素，都可能会导致以目标强度为依据的目标识别方法产生虚警。
发明内容
本发明的目的在于提供一种能够降低主动声纳探测目标虚警的基于多视角目标亮点特征信息融合的探测方法。
本发明的目的是这样实现的：
步骤1、利用在目标空间上分布的N个传感器，获得目标回波信号S1,S2,…SN，对目标的回波信号信号做预处理；
步骤2、利用CLEAN特征提取方法，将符合条件的目标亮点特征信息提取出来，得到目标亮点的数量、幅度和时延特征信息；
步骤3、根据提取出来亮点的数量、幅度和时延信息，计算各阶中心矩作为亮点的统计特征；
步骤4、将得到的目标亮点的统计特征作为向量机分类器的输入，对探测信号入射角进行估计，得到N个探测信号入射角的估计值
步骤5、根据入射角的估计值，估计出各传感器在同一入射角下的回波信号
步骤6、将估计出的回波信号进行配准后融合，得到融合后的信号；
步骤7、根据融合后的信号各亮点强度的变化情况作为判决依据，对探测目标进行判决。
本发明还可以包括：
1、所述利用CLEAN特征提取方法，将符合条件的目标亮点特征信息提取出来具体包括：
(1)根据目标亮点回波模型，任何水下复杂目标均由多个亮点线性叠加来表示，即有M个亮点的目标时域回波信号S(t)表示为：式中，Am为第m个目标亮点的幅度，τ为时间，τm为第m个目标亮点的时延，δ为单位冲激响应函数，对S(t)进行傅立叶变换得到S(t)在频域上的表示H(fq)，即
上式中F(·)表示为傅立叶变换，exp(·)表示指数函数，fq为第q个频点处的频率，Q为带宽内频点总数，j为复数标识符；
(2)对接收信号H(fq)进行逆傅里叶变换得到目标的时域谱图h(τ)，即“脏”谱，记为：
其中，F-1(·)表示为傅立叶逆变换；
(3)迭代消除，通过迭代的方式依次从“脏”谱中去除掉已估计出目标的响应影响，其数学描述为：
gk(τ)＝h(τ),当k＝1时
当k>1时
这里，gk(τ)表示为第k次迭代的剩余谱；
(4)峰值搜索，从当前图像中找出当前谱图中强度最大值作为候选，即找到Gk＝MAX[|gk(τ)2|]，同时记录该候选点的幅度Ak，时延τk和强度Gk，此处，MAX为最大值函数；
(5)识别，当候选亮点的强度大于门限时，迭代继续，否则迭代停止；当迭代停止时，符合条件的目标源的响应影响已从“脏”谱中完全清除，此时记录下的候选亮点的幅度和时延信息即为提取的目标亮点特征信息。
2、所述计算各阶中心矩作为亮点的统计特征具体包括：
由公式μn＝E[(X-E[X])n]分别计算出亮点时延和幅度的n阶中心矩，即目标亮点的统计特征，记为μ＝[μ11,μ12,μ21,μ22,…μi1,μi2],i＝1,2…n，这里μ表示目标亮点的统计特征向量，E为期望函数，X为自变量，n为阶数，μi1和分别μi2表示时延和幅度库的第i阶中心矩。
3、所述将估计出的回波信号进行配准后融合得到融合后的信号，是根据时间轴上的基准点将回波信号进行回波强度上的累加得到新的融合后信号，其中基准点选取为第一个亮点处。
为了解决主动声纳探测目标虚警高、识别难等问题，即主动声纳探测目标时容易受到虚假目标和背景环境等因素影响，导致在没有目标或者非警戒目标时而出现虚警现象。本发明借鉴了多基地信息融合技术，提出了一种基于多视角目标亮点特征信息融合的探测方法。
本发明既可以应用在处于目标不同视角的多基地声纳系统，可以应用在相对目标运动的单基地的声纳系统中。其目的是获取目标不同视角下的散射回波。通过对亮点特征信息提取、智能的入射角估计，以及基于目标亮点强度变化的检测方法，有效地降低了目标强度相近而亮点分布有明显区别的目标所带来的虚警现象，并给出了识别目标的新方法。
附图说明
图1为多视角目标亮点特征信息融合的探测方法流程图。
图2为CLEAN特征提取流程图。
图3为入射角示意图。
图4为亮点的时域分布与入射角关系的示意图。
具体实施方式
下面结合附图举例对本发明作进一步描述。
结合图1，本发明的基于多视角目标亮点特征信息融合的探测方法，主要包括多视角目标散射回波特征提取、探测信号入射角的智能识别和亮点强度融合与检测三部分：
多视角目标散射回波特征提取：
步骤1、假设在目标附近空间上分布着N个传感器，获得目标回波信号分别为S1,S2,…SN对目标的回波信号做拷贝相关、滤波、取包络、归一化等预处理；
步骤2、利用CLEAN特征提取技术，将符合条件的目标亮点特征信息提取出来，即得到目标亮点的数量、幅度和时延特征信息；
步骤3、根据提取出来亮点的数量、幅度和时延信息，计算各阶中心矩作为亮点的统计特征；
探测信号入射角的智能识别：
步骤4、将得到的目标亮点的统计特征作为向量机分类器的输入，对探测信号入射角进行估计，即得到N个探测信号入射角的估计值
亮点强度融合与检测：
步骤5、根据估计的入射角，估计出各传感器在同一入射角下的回波信号
步骤6、将估计出的回波信号进行配准后融合，得到融合后的信号；
步骤7、根据融合后的信号各亮点强度的变化情况作为判决依据，对探测目标进行判决。
其中，步骤1中，在目标附近空间上分布着N个传感器，相当于在不同视角下观察该目标，因此称为多视角。注意，这里的视角不等同于探测信号的入射角。
其中，步骤1中，拷贝相关、滤波、取包络和归一化等预处理的目的是获取足够信噪比的信号。
其中，步骤2中，CLEAN特征提取技术是以目标亮点为模型，通过循环逐次将亮点的幅度和时延特征信息进行提取出来。如图2所示为CLEAN特征提取技术的流程图，其具体步骤如下：
(1)根据目标亮点回波模型，任何水下复杂目标均可由多个亮点线性叠加来表示，即有M个亮点的目标时域回波信号S(t)可以表示为：式中，Am为第m个目标亮点的幅度，τ为时间，τm为第m个目标亮点的时延，δ为单位冲激响应函数。因此，对S(t)进行傅立叶变换即可得到S(t)在频域上的表示H(fq)，即
上式中F(·)表示为傅立叶变换，exp(·)表示指数函数，fq为第q个频点处的频率，Q为带宽内频点总数，j为复数标识符。
(2)对接收信号H(fi)进行逆傅里叶变换得到目标的时域谱图h(τ)，即“脏”谱，记为：
其中，F-1(·)表示为傅立叶逆变换。
(3)迭代消除。CLEAN的迭代消除目的在于通过迭代的方式依次从“脏”谱中去除掉已估计出目标的响应影响，其数学描述为：
gk(τ)＝h(τ),当k＝1时
当k>1时
这里，gk(τ)表示为第k次迭代的剩余谱。
(4)峰值搜索。从当前图像中找出当前谱图中强度最大值作为候选，即找到Gk＝MAX[|gk(τ)2|]，同时记录该候选点的幅度Ak，时延τk和强度Gk，此处，MAX为最大值函数；
(5)识别。当候选亮点的强度大于门限时，迭代继续，否则迭代停止。当迭代停止时，符合条件的目标源的响应影响已从“脏”谱中完全清除，此时记录下的候选亮点的幅度和时延信息即为提取的目标亮点特征信息。
其中，步骤2中，由于各传感器与融合中心的通信仅需传递提取后的目标亮点特征向量，而无需传递整个目标回波信号，因此本方法对通信带宽的要求很低。
其中，步骤3中，根据提取出来的亮点数量、幅度和时延信息，可由公式μn＝E[(X-E[X])n]分别计算出亮点时延和幅度的n阶中心矩，即目标亮点的统计特征，记为μ＝[μ11,μ12,μ21,μ22,…μi1,μi2],i＝1,2…n。这里μ表示目标亮点的统计特征向量，E为期望函数，X为自变量，n为阶数，μi1和μi2分别表示时延和幅度库的第i阶中心矩。
其中，步骤4中，本方法通过向量机分类器实现对探测信号入射角的估计，即建立起目标亮点统计特征到探测信号入射角的映射关系。
其中，步骤4中，值得注意的是，本方法中是以单传感器目标亮点统计特征作为向量机分类器的输入，这样可以解决直接将目标亮点特征作为向量机分类器输入所来带的输入向量维数不确定的问题。
其中，步骤4中，一般的神经网络分类器等均可实现本处向量机分类器的功能要求。
其中，步骤4中，值得注意的是，在本方法中，探测信号S的入射角为图3中的θ。对于船或艇而言，入射角θ为探射信号与船艏的夹角。
其中，步骤5中，对于一个简单的二维目标模型而言，亮点的时域分布与入射角关系的示意如图4所示。两亮点的物理距离为L，入射角为θ，声速为c，则两亮点在时域上存在关系因此，在已知入射角条件下，由于亮点的物理距离L和声速c可以认为短时不变，可以估计出在某一入射角下的两亮点在时域上的间隔，即由此，可以估计出该回波中各亮点在某一入射角下的时域分布，再根据亮点模型估计出该入射角下的回波信号。
其中，步骤6中，将估计出的目标回波信号进行配准后两两融合，得到融合后的信号，即根据时间轴上的基准点将回波信号进行回波强度上的累加得到新的融合后信号。其中，基准点一般选取规则有第一个亮点处等。
其中，步骤7中，本方法采用观察亮点的强度变化，进行目标检测。设第i个亮点的门限这里mean(·)为均值函数，Ei为第i个亮点的强度，通过判断融合前后的目标各亮点强度的变化，即判断门限与融合后该亮点门限的大小。如果融合后多数亮点强度得到加强，判定为疑似存在探测目标；否则，判定为待定。如果为两个以上传感器进行融合，可以通过多次两两融合的判定结果给出最终判定结果。
其中，步骤7中，其中值得注意的是，当由于环境或者目标为虚警等因素导致向量机分类器对入射角估计发生错误时，其亮点在时域上的分布会不同，因此融合后目标各亮点不会发生明显增强，即不会造成虚警现象。此外，由于步骤4中所建立的映射关系为预警目标的统计特征向量与入射角的关系，因此，当判定为发现目标时，即为检测到该目标，完成对目标识别的功能。
其中，步骤7中，相比传统的以目标强度为检测依据的方法不同，本方法以目标亮点强度变化为检测依据，这是因为目标亮点虽然受入射角影响。但是，目标的亮点的时域分布会受到目标的几何特征制约，表现出时域分布的规律性，因此，当融合多个不同入射角的探测信号，其同一位置的亮点的强度将会得到明显的增强。值得注意的是，这种检测方法可以避免当目标强度相近而亮点分布有明显区别的目标所带来的虚警现象，例如不同船型、水下礁石或鲸鱼等目标所带来的虚警现象。
Claims (5)
1.一种基于多视角目标亮点特征信息融合的探测方法，其特征是包括如下步骤：
步骤1、利用在目标空间上分布的N个传感器，获得目标回波信号S1,S2,…SN，对目标的回波信号信号做预处理；
步骤2、利用CLEAN特征提取方法，将符合条件的目标亮点特征信息提取出来，得到目标亮点的数量、幅度和时延特征信息；
步骤3、根据提取出来亮点的数量、幅度和时延信息，计算各阶中心矩作为亮点的统计特征；
步骤4、将得到的目标亮点的统计特征作为向量机分类器的输入，对探测信号入射角进行估计，得到N个探测信号入射角的估计值
步骤5、根据入射角的估计值，估计出各传感器在同一入射角下的回波信号步骤6、将估计出的回波信号进行配准后融合，得到融合后的信号；
步骤7、根据融合后的信号各亮点强度的变化情况作为判决依据，对探测目标进行判决。
2.根据权利要求1所述的基于多视角目标亮点特征信息融合的探测方法，其特征是所述利用CLEAN特征提取方法，将符合条件的目标亮点特征信息提取出来具体包括：
(1)根据目标亮点回波模型，任何水下复杂目标均由多个亮点线性叠加来表示，即有M个亮点的目标时域回波信号S(t)表示为：式中，Am为第m个目标亮点的幅度，τ为时间，τm为第m个目标亮点的时延，δ为单位冲激响应函数，对S(t)进行傅立叶变换得到S(t)在频域上的表示H(fq)，即
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>F</mi>
<mo>&lsqb;</mo>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>A</mi>
<mi>m</mi>
</msub>
<mi>F</mi>
<mo>&lsqb;</mo>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>-</mo>
<msub>
<mi>&tau;</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>A</mi>
<mi>m</mi>
</msub>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>2</mn>
<msub>
<mi>&pi;f</mi>
<mi>q</mi>
</msub>
<msub>
<mi>&tau;</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>q</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mi>Q</mi>
</mrow>
上式中F(·)表示为傅立叶变换，exp(·)表示指数函数，fq为第q个频点处的频率，Q为带宽内频点总数，j为复数标识符；
(2)对接收信号H(fi)进行逆傅里叶变换得到目标的时域谱图h(τ)，即“脏”谱，记为：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>F</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>A</mi>
<mi>m</mi>
</msub>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>2</mn>
<msub>
<mi>&pi;f</mi>
<mi>q</mi>
</msub>
<msub>
<mi>&tau;</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>Q</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>A</mi>
<mi>m</mi>
</msub>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>j</mi>
<mn>2</mn>
<msub>
<mi>&pi;f</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&tau;</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>2</mn>
<msub>
<mi>&pi;f</mi>
<mi>i</mi>
</msub>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>A</mi>
<mi>m</mi>
</msub>
<mo>&lsqb;</mo>
<mfrac>
<mn>1</mn>
<mi>Q</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>Q</mi>
</munderover>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mn>2</mn>
<msub>
<mi>&pi;f</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>&tau;</mi>
<mo>-</mo>
<msub>
<mi>&tau;</mi>
<mi>m</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中，F-1(·)表示为傅立叶逆变换；
(3)迭代消除，通过迭代的方式依次从“脏”谱中去除掉已估计出目标的响应影响，其数学描述为：
gk(τ)＝h(τ), 当k＝1时
当k>1时
这里，gk(τ)表示为第k次迭代的剩余谱；
(4)峰值搜索，从当前图像中找出当前谱图中强度最大值作为候选，即找到Gk＝MAX[|gk(τ)2|]，同时记录该候选点的幅度Ak，时延τk和强度Gk，此处，MAX为最大值函数；
(5)识别，当候选亮点的强度大于门限时，迭代继续，否则迭代停止；当迭代停止时，符合条件的目标源的响应影响已从“脏”谱中完全清除，此时记录下的候选亮点的幅度和时延信息即为提取的目标亮点特征信息。
3.根据权利要求1或2所述的基于多视角目标亮点特征信息融合的探测方法，其特征是所述计算各阶中心矩作为亮点的统计特征具体包括：
由公式μn＝E[(X-E[X])n]分别计算出亮点时延和幅度的n阶中心矩，即目标亮点的统计特征，记为μ＝[μ11,μ12,μ21,μ22,…μi1,μi2],i＝1,2…n，这里μ表示目标亮点的统计特征向量，E为期望函数，X为自变量，n为阶数，μi1和分别μi2表示时延和幅度库的第i阶中心矩。
4.根据权利要求1或2所述的基于多视角目标亮点特征信息融合的探测方法，其特征是所述将估计出的回波信号进行配准后融合得到融合后的信号，是根据时间轴上的基准点将回波信号进行回波强度上的累加得到新的融合后信号，其中基准点选取为第一个亮点处。
5.根据权利要求3所述的基于多视角目标亮点特征信息融合的探测方法，其特征是所述将估计出的回波信号进行配准后融合得到融合后的信号，是根据时间轴上的基准点将回波信号进行回波强度上的累加得到新的融合后信号，其中基准点选取为第一个亮点处。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710832731.6A CN107590468B (zh) | 2017-09-15 | 2017-09-15 | 一种基于多视角目标亮点特征信息融合的探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710832731.6A CN107590468B (zh) | 2017-09-15 | 2017-09-15 | 一种基于多视角目标亮点特征信息融合的探测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107590468A true CN107590468A (zh) | 2018-01-16 |
| CN107590468B CN107590468B (zh) | 2020-07-24 |
Family
ID=61046916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710832731.6A Active CN107590468B (zh) | 2017-09-15 | 2017-09-15 | 一种基于多视角目标亮点特征信息融合的探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107590468B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109444863A (zh) * | 2018-10-23 | 2019-03-08 | 广西民族大学 | 一种基于卷积神经网络的窄带超声回波个数的估计方法 |
| CN109765893A (zh) * | 2019-01-17 | 2019-05-17 | 重庆邮电大学 | 基于鲸鱼优化算法的移动机器人路径规划方法 |
| CN110221307A (zh) * | 2019-05-28 | 2019-09-10 | 哈尔滨工程大学 | 一种多被动声纳非合作多目标线谱信息融合方法 |
| 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 |
| CN111650591A (zh) * | 2020-04-08 | 2020-09-11 | 中国船舶重工集团公司第七一五研究所 | 一种主动声纳宽带空间谱回波亮点增强及自动提取方法 |
| CN111830493A (zh) * | 2020-06-24 | 2020-10-27 | 上海交通大学 | 水中目标收发分置中高频声目标强度预报系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101900810A (zh) * | 2010-07-15 | 2010-12-01 | 哈尔滨工程大学 | 多潜器载体探测端声纳信息融合方法 |
| CN102768354A (zh) * | 2011-05-05 | 2012-11-07 | 中国科学院声学研究所 | 一种用于获得水下目标回波数据的方法及系统 |
| 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 |
-
2017
- 2017-09-15 CN CN201710832731.6A patent/CN107590468B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101900810A (zh) * | 2010-07-15 | 2010-12-01 | 哈尔滨工程大学 | 多潜器载体探测端声纳信息融合方法 |
| CN102768354A (zh) * | 2011-05-05 | 2012-11-07 | 中国科学院声学研究所 | 一种用于获得水下目标回波数据的方法及系统 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| YANG CHEN等: "A weak target detecting method based on multistatic information fusion", 《THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109444863A (zh) * | 2018-10-23 | 2019-03-08 | 广西民族大学 | 一种基于卷积神经网络的窄带超声回波个数的估计方法 |
| CN109765893A (zh) * | 2019-01-17 | 2019-05-17 | 重庆邮电大学 | 基于鲸鱼优化算法的移动机器人路径规划方法 |
| CN110221307A (zh) * | 2019-05-28 | 2019-09-10 | 哈尔滨工程大学 | 一种多被动声纳非合作多目标线谱信息融合方法 |
| 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 |
| CN111650591A (zh) * | 2020-04-08 | 2020-09-11 | 中国船舶重工集团公司第七一五研究所 | 一种主动声纳宽带空间谱回波亮点增强及自动提取方法 |
| CN111650591B (zh) * | 2020-04-08 | 2023-04-28 | 中国船舶重工集团公司第七一五研究所 | 一种主动声纳宽带空间谱回波亮点增强及自动提取方法 |
| CN111830493A (zh) * | 2020-06-24 | 2020-10-27 | 上海交通大学 | 水中目标收发分置中高频声目标强度预报系统及方法 |
| CN111830493B (zh) * | 2020-06-24 | 2023-12-22 | 上海交通大学 | 水中目标收发分置中高频声目标强度预报系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107590468B (zh) | 2020-07-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107590468B (zh) | 一种基于多视角目标亮点特征信息融合的探测方法 | |
| CN108761418B (zh) | 一种基于微多普勒特征的雷达多径目标剔除方法 | |
| Ferguson et al. | Convolutional neural networks for passive monitoring of a shallow water environment using a single sensor | |
| Kuo et al. | The application of wavelets correlator for ship wake detection in SAR images | |
| US4847817A (en) | Broadband sonar signal processor and target recognition system | |
| US7852709B1 (en) | Sonar system and process | |
| US8638641B2 (en) | Real-time robust method for determining the trajectory of one or more cetaceans by means of passive acoustics, using a laptop computer | |
| CN113884986B (zh) | 波束聚焦增强的强冲击信号空时域联合检测方法及系统 | |
| CN115061113B (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
| US7173879B2 (en) | High resolution obstacle avoidance and bottom mapping array processing technique | |
| Cotter et al. | Classification of broadband target spectra in the mesopelagic using physics-informed machine learning | |
| Baggenstoss | Separation of sperm whale click-trains for multipath rejection | |
| KR101817011B1 (ko) | 군집화 특성 기반의 능동소나 클러터 제거 방법 및 장치 | |
| FR2868541A1 (fr) | Procede de localisation aveugle large bande d'un ou plusieurs emetteurs a partir d'un porteur defilant | |
| US7355925B2 (en) | Signal-processing method and active sonar implementing same | |
| KR101813357B1 (ko) | 수중 고정표적과 클러터 식별을 위한 가변 데이터 맵 및 가변 통계적 특징정보를 적용하는 클러터 제거 방법 및 장치 | |
| KR101497557B1 (ko) | 다차원 특징벡터 추정을 이용한 능동소나 단일 핑 클러터 제거기법 | |
| Maussang et al. | Automated segmentation of SAS images using the mean-standard deviation plane for the detection of underwater mines | |
| Abu et al. | Robust image denoising for sonar imagery | |
| Hayes et al. | Height estimation of a sonar towfish from sidescan imagery | |
| Stender et al. | The classification performance of signal-to-noise ratio and kinematic features in varying environments | |
| Abu et al. | Automatic detection of underwater objects in sonar imagery | |
| ITO et al. | Tracking individual fish in a dense school with a broadband split-beam system | |
| CN113792755B (zh) | 一种小波深度图像融合环境感知与目标识别方法 | |
| CN116403100A (zh) | 一种基于矩阵分解的声呐图像小目标检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |