CN107817490A - 一种帧内最大相似像的雷达一维距离像帧中心提取方法 - Google Patents

一种帧内最大相似像的雷达一维距离像帧中心提取方法 Download PDF

Info

Publication number
CN107817490A
CN107817490A CN201710929868.3A CN201710929868A CN107817490A CN 107817490 A CN107817490 A CN 107817490A CN 201710929868 A CN201710929868 A CN 201710929868A CN 107817490 A CN107817490 A CN 107817490A
Authority
CN
China
Prior art keywords
frame
mrow
hrrp
normalized
msub
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
Application number
CN201710929868.3A
Other languages
English (en)
Other versions
CN107817490B (zh
Inventor
陈旺才
刘文波
朱海霞
袁家雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201710929868.3A priority Critical patent/CN107817490B/zh
Publication of CN107817490A publication Critical patent/CN107817490A/zh
Application granted granted Critical
Publication of CN107817490B publication Critical patent/CN107817490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种帧内最大相似像的雷达一维距离像帧中心提取方法，采用帧内最大相似像作为帧中心模板，选取某一帧内的某个与帧内其他所有训练样本具有最大相似性的原始HRRP训练样本作为该帧的帧中心，替代全部训练样本作为模板进行训练。这种方法既找到了最能代表这一帧内所有训练样本的一个模板，又最大限度地保持了模板信号的原始性(即不对帧内最大相似像进行人为的处理)。

Description

一种帧内最大相似像的雷达一维距离像帧中心提取方法
技术领域
本发明涉及雷达一维距离像目标识别中的帧中心提取方法，具体是一种帧内最大相似像的雷达一维距离像帧中心提取方法。
背景技术
随着高分辨雷达的出现和广泛应用，基于高分辨雷达信号的雷达自动目标识别技术成为雷达信号处理研究领域的热点。高分辨距离像(HRRP)、合成孔径雷达图像(SAR)和逆合成孔径雷达图像(ISAR)是使用最为广泛的三种高分辨雷达信号，其中高分辨距离像因其一维信号的优势，和它的易于获取及处理的特点，成为首选的高分辨雷达信号的研究对象。
基于雷达高分辨距离像的雷达目标识别技术主要面临的困难在于高分辨距离像的方位敏感性、强度敏感性、平移敏感性等问题，其中通过采用能量归一化的方法可以有效缓解高分辨距离像的强度敏感性，通过提取平移不变特征或者相关对齐的方法有效缓解高分辨距离像的平移敏感性。雷达高分辨距离像的几何结构特征能够直接反映目标的物理结构，在对原始HRRP信号进行l2范数归一化后提取的几何结构特征，能够有效消除平移敏感性和强度敏感性。
但是，如何有效缓解高分辨距离像的方位敏感性，从而提取出有效稳健的高分辨距离像的特征是实现有效的基于HRRP的雷达自动目标识别技术的关键。方位敏感性通常采用均匀分帧(或者自适应分帧)的方法使得某一帧内的HRRP样本受方位变化的影响足够小并提取各帧的帧中心作为模板信号进行雷达自动目标识别。然而如何有效合理的提取出一帧的帧中心来代表这一整帧的HRRP信号又是一个关键问题。
目前在基于高分辨距离像的雷达自动目标识别中，采用最多的帧中心提取方法是平均向量的帧中心提取方法。该方法的提出是在理论推导的基础上得出的数学上的最优解，但是在利用平均向量的帧中心提取方法提取某一方位帧内高分辨距离像的帧中心时，需要对该帧内的所有高分辨距离像信号进行相关对其操作，对其基准点的选取经常会引入一定的误差，尤其是在基于HRRP几何结构特征的雷达目标识别中的识别效果较差。
本发明提出一种新的帧中心提取方法——帧内最大相似像，实现了对高分辨距离像的稳健帧中心的有效提取。帧内最大相似像的帧中心提取方法，从同一帧内的所有HRRP的整体相似性出发，选取该帧内与帧内所有HRRP具有最大相似性的HRRP作为该帧的帧中心，最大程度上保留了雷达高分辨距离像的细节和结构信息，利用实测HRRP信号进行实验，与平均向量的帧中心提取方法相比，在利用HRRP几何结构特征进行雷达自动目标识别时，采用帧内最大相似像的帧中心提取方法具有更好的识别效果。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种新的雷达一维距离像稳健的帧中心提取方法，尤其是将其用于基于几何结构特征的雷达HRRP目标识别时，相比于常用的平均向量帧中心提取方法具有更好的识别效果。最终识别精度相较于平均向量的帧中心提取方法最少提高3个百分点，误判率至少下降5个百分点。
技术方案：一种帧内最大相似像的雷达一维距离像帧中心提取方法，采用帧内最大相似像作为帧中心模板，选取某一帧内的某个与帧内其他所有训练样本具有最大相似性的原始HRRP训练样本作为该帧的帧中心，替代全部训练样本作为模板进行训练。这种方法既找到了最能代表这一帧内所有训练样本的一个模板，又最大限度地保持了模板信号的原始性(即不对帧内最大相似像进行人为的处理)。帧内最大相似像的提取算法流程如下：
步骤1：对某一帧内的全部HRRP作l2范数归一化，得到该帧内的全部归一化HRRP，从而消除HRRP的强度敏感性；
步骤2：将该帧的第1个归一化HRRP与剩余的每个归一化HRRP作归一化互相关运算，找出第1个归一化HRRP与剩余的每个归一化HRRP的最大相关系数，以此作为第一个HRRP与每个归一化HRRP的相似性；
步骤3：将第1个归一化HRRP与剩余每个归一化HRRP的相似性求和，作为第1个归一化HRRP的帧内相似性；
步骤4：重复步骤2、步骤3，求出该帧内每个归一化HRRP的帧内相似性；
步骤5：找出帧内相似性最大的归一化HRRP作为该帧的帧中心模板，即帧内最大相似像。
有益效果：与现有技术相比，本发明提供的帧内最大相似像的雷达一维距离像帧中心提取方法，具有如下优点：
1.相比于常用的平均向量的帧中心提取方法，在基于目标几何结构特征的雷达HRRP目标识别中，利用帧内最大相似像方法提取的帧中心，一方面以原始HRRP信号作为特征模板，最大程度地保留了HRRP信号的细节信息；
2.另一方面，避免了平均向量帧中心提取中的相关对齐操作，既降低了预处理的时间开销，也避免了相关对齐过程中引入的参考点选择不当带来的误差。
附图说明
图1是帧内最大相似像的提取过程示意图；
图2是平均向量和帧内最大相似像比较示意图，其中(a)为第一个HRRP信号，(b)为中间的HRRP信号，(c)为最后一个HRRP信号，(d)为利用平均向量法提取的帧中心，(e)为采用帧内最大相似像方法提取的帧中心；
图3是平均向量、帧内最大相似像与帧内原始HRRP的相似性比较示意图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提出的帧内最大相似像的雷达高分辨距离像的帧中心提取方法，总流程图如图1所示。现有某一型号飞机一维距离像实信号回波数据采用均匀分帧后的某一帧数据，其中该帧内的第一个HRRP信号、中间的HRRP信号和最后一个HRRP信号分别如图2(a)、图2(b)和图2(c)所示。本发明主要解决高分辨距离像某一帧内的稳健帧中心的提取，这里以三类飞机目标的实测HRRP信号为例，介绍如何利用帧内最大相似像实现对飞机数据帧中心的提取，并于平均向量帧中心提取方法提取的帧中心进行比较，并以基于目标几何结构特征的雷达HRRP目标识别为例，验证帧内最大相似像帧中心提取方法的有效性和优越性。
步骤1：对某一帧内的全部HRRPy(n),n＝1,2,…,N按照公式(1)作l2范数归一化，得到该帧内的全部归一化从而消除HRRP的强度敏感性；
步骤2：按照公式(2)将该帧的第i个归一化与剩余的每个归一化作归一化互相关运算，找出第i个归一化HRRP与剩余的每个归一化HRRP的最大相关系数Rij_max，以此作为第一个HRRP与每个归一化HRRP的相似性；
式中，r(·,·)表示归一化互相关运算，max(·)表示取最大的归一化互相关系数。
步骤3：按照公式(3)将第i个归一化HRRP与剩余每个归一化HRRP的相似性求和，作为第i个归一化HRRP的帧内相似性Ri；
步骤4：重复步骤2、步骤3，求出该帧内每个归一化HRRP的帧内相似性Ri,i＝1,2,…,M，其中M是该帧内的高分辨距离像的个数；
步骤5：找出帧内相似性最大的归一化HRRP作为该帧的帧中心模板，即帧内最大相似像ymax_likelihooh(n)。
图2(d)和图2(e)分别给出了利用平均向量和帧内最大相似像提取的该帧内的帧中心。相对于原始HRRP信号，图2(d)中采用平均向量方法得到的帧中心平滑了许多，丢失了原始HRRP信号大量的细节信息，即原始HRRP信号中反映目标物理结构的信息被丢失了，用平均向量方法提取的帧中心来提取几何结构特征作为训练样本必然会对总体的识别率造成损失；相反地，图2(e)中采用帧内最大相似像方法提取的帧中心，是一个与该帧内所有HRRP信号具有最大相似性的原始HRRP信号，保留了原始HRRP信号的所有细节信息，因此，利用帧内最大相似像提取HRRP的几何结构特征可以最大限度地保留和体现目标的物理结构特性。
图3中“实线-六角星”、“虚线-圆形”线分别表示帧内最大相似像和平均向量两种帧中心与帧内所有HRRP信号的归一化互相关系数的大小。从图3中，可以看出，帧内最大相似像与绝大多数HRRP信号的相似性都大于平均向量。因此，从量化的角度可以证明，相对于平均向量，帧内最大相似像保留了原始HRRP信号更多的细节和结构信息，在基于目标几何结构特征的雷达HRRP目标识别中，具有更大的优势和更好的可行性。
下面基于提取的帧内最大相似像的帧中心和平均向量的帧中心，分别提取以下目标几何结构特征，训练SVM分类器。
雷达某一时刻观测到的目标的HRRP信号是一个空间上的采样序列，可以表示为：X＝[x1,x2,…,xN]，其中N为采样点数。基于统计的方法，定义以下几个反映目标物理结构的几何结构特征。
HRRP的等效散射中心个数的定义如下：
其中，m为观测到的HRRP的均值，U(·)为单位阶跃函数。
设Lk＝{i|xi≥m,i＝1,2,…,Nscatter}表示HRRP中回波强度大于均值的距离单元的位置序列，则HRRP的等效目标尺寸大小为：
Tsize＝Lk(Nscatterer)-Lk(1) (6)
HRRP的熵的定义为：
其中，为HRRP信号x的l2范数归一化HRRP信号。
HRRP的标准差的定义为：
HRRP的偏差的定义为：
HRRP的不规则度的定义如下：
HRRP的回波功率的定义如下：
将HRRP信号按照幅值大小降序排序，设排序后的HRRP序列为：Y＝[y1,y2,…,yN]，则m个最强的散射点的功率之和占总功率的比例为：
然后对测试样本提取同样的几何结构特征，对本发明提取的帧内最大相似像的帧中心提取方法的有效性进行验证，尤其是其相对于平均向量的帧中心提取方法在基于几何结构特征的雷达HRRP目标识别中的优越性。
基于HRRP的几何结构特征的雷达目标识别方法主要包括：(1)分类器模型的训练阶段；(2)分类器识别效果的测试阶段。
训练阶段
步骤1：对训练HRRP样本进行l2范数归一化操作，以消除HRRP信号的强度敏感性；
步骤2：对归一化训练HRRP样本进行均匀分帧(或者自适应分帧)，分别利用的平均向量和帧内最大相似像两种帧中心提取方法提取训练样本帧中心，以缓和HRRP信号的方位敏感性；
步骤3：对步骤2中所得的帧中心利用式(5)—式(12)提取训练样本帧中心的几何结构特征，组成训练样本特征向量；
步骤4：利用步骤4中得到的训练样本特征向量对选定的分类器进行训练，得到分类器的最优模型参数。
3.2测试阶段
步骤1：对测试HRRP样本进行l2范数归一化，之后利用式(5)—式(12)提取归一化测试样本的几何结构特征，组成测试样本特征向量；
步骤2：将步骤1中得到的测试样本特征向量分别带入训练阶段不同帧中心提取方法下训练得到的分类器模型中，得到不同帧中心提取方法下分类器的识别效果。
本发明利用三类飞机目标的实测HRRP信号进行训练和测试，D507、D715和D910每类目标各有训练样本23400个、测试样本2600个。训练数据通过均匀分帧的方法缓和方位敏感性，采用SVM分类器对三类飞机目标进行分类与识别。
表1不同帧中心提取方法下基于几何结构特征的目标识别率
表2不同帧中心提取方法下基于几何结构特征的目标误判率
表1和表2分别给出了平均向量帧中心和帧内最大相似像帧中心提取方法下基于几何机构特征的雷达HRRP目标识别中三类不同飞机目标D507、D715和D910的识别率和误判率。
从表中可以看出，利用平均向量提取帧中心作为训练模板，D507和D715的误判率虽然比较低，但是两类的识别率也都比较低；D910的识别率虽然达到了99.77％，但是D910的误判率高达97.58％。综上所述，基于目标几何结构的雷达HRRP目标识别中，采用平均向量的帧中心提取方法的识别率较低、误判率较高。
而利用帧内最大相似像提取帧中心作为训练模板，三类目标的识别率都在90％以上，平均识别率达到94.85％，远高于利用平均向量帧中心的66.99％的平均识别率。虽然采用帧内最大相似像时，D507和D715的误判率有所升高，但D910目标在高识别率的基础上误判率大大降低，三类目标的平均误判率为5.15％，远低于利用平均向量帧中心的33.01％的平均误判率。
由以上数据可以看出，本发明提出的帧内最大相似像的帧中心提取方法相比于平均向量的帧中心提取方法，提取出的帧中心更多地保留了高分辨距离像的细节信息，在基于HRRP的雷达目标识别中具有更好的稳健性。尤其是在基于目标几何结构特征的雷达HRRP目标识别中，相比于平均向量的帧中心提取方法，采用帧内最大相似像的帧中心提取方法可以进一步提高识别率，有效地降低误判率，实验证明了本方法具有较大的实际应用价值。

Claims (6)

1.一种帧内最大相似像的雷达一维距离像帧中心提取方法，其特征在于，包括如下步骤：
步骤1：对某一帧内的全部HRRP作l2范数归一化，得到该帧内的全部归一化HRRP，从而消除HRRP的强度敏感性；
步骤2：将该帧的第1个归一化HRRP与剩余的每个归一化HRRP作归一化互相关运算，找出第1个归一化HRRP与剩余的每个归一化HRRP的最大相关系数，以此作为第一个HRRP与每个归一化HRRP的相似性；
步骤3：将第1个归一化HRRP与剩余每个归一化HRRP的相似性求和，作为第1个归一化HRRP的帧内相似性；
步骤4：重复步骤2、步骤3，求出该帧内每个归一化HRRP的帧内相似性；
步骤5：找出帧内相似性最大的归一化HRRP作为该帧的帧中心模板，即帧内最大相似像。
2.如权利要求1所述的帧内最大相似像的雷达一维距离像帧中心提取方法，其特征在于，步骤1中对某一帧内的全部HRRPy(n),n＝1,2,…,N按照公式(1)作l2范数归一化，得到该帧内的全部归一化HRRP从而消除HRRP的强度敏感性；
<mrow> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>y</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>(</mo> <mi>y</mi> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mfrac> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>N</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
3.如权利要求1所述的帧内最大相似像的雷达一维距离像帧中心提取方法，其特征在于，步骤2中按照公式(2)将该帧的第i个归一化HRRP与剩余的每个归一化HRRP作归一化互相关运算，找出第i个归一化HRRP与剩余的每个归一化HRRP的最大相关系数Rij_max，以此作为第一个HRRP与每个归一化HRRP的相似性；
<mrow> <msub> <mi>R</mi> <mrow> <mi>i</mi> <mi>j</mi> <mo>_</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>=</mo> <mi>max</mi> <mi> </mi> <mi>r</mi> <mrow> <mo>(</mo> <msub> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>(</mo> <mi>n</mi> <mo>)</mo> <mo>,</mo> <msub> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>j</mi> </msub> <mo>(</mo> <mi>n</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>,</mo> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
式中，r(·,·)表示归一化互相关运算，max(·)表示取最大的归一化互相关系数。
4.如权利要求1所述的帧内最大相似像的雷达一维距离像帧中心提取方法，其特征在于，步骤3中按照公式(3)将第i个归一化HRRP与剩余每个归一化HRRP的相似性求和，作为第i个归一化HRRP的帧内相似性Ri；
<mrow> <msub> <mi>R</mi> <mi>i</mi> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>j</mi> </munder> <msub> <mi>R</mi> <mrow> <mi>i</mi> <mi>j</mi> <mo>_</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>,</mo> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
5.如权利要求1所述的帧内最大相似像的雷达一维距离像帧中心提取方法，其特征在于，步骤中重复步骤2、步骤3，求出该帧内每个归一化HRRP的帧内相似性Ri,i＝1,2,…,M，其中M是该帧内的高分辨距离像的个数。
6.如权利要求1所述的帧内最大相似像的雷达一维距离像帧中心提取方法，其特征在于，步骤5中找出帧内相似性最大的归一化HRRP作为该帧的帧中心模板，即帧内最大相似像ymax_likelihooh(n)；
<mrow> <msub> <mi>y</mi> <mrow> <mi>max</mi> <mo>_</mo> <mi>l</mi> <mi>i</mi> <mi>k</mi> <mi>e</mi> <mi>l</mi> <mi>i</mi> <mi>h</mi> <mi>o</mi> <mi>o</mi> <mi>h</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>{</mo> <msub> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>&amp;ForAll;</mo> <mi>j</mi> <mo>,</mo> <msub> <mi>R</mi> <mi>i</mi> </msub> <mo>&amp;GreaterEqual;</mo> <msub> <mi>R</mi> <mi>j</mi> </msub> <mo>,</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>&amp;Element;</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>M</mi> <mo>}</mo> <mo>}</mo> <mo>,</mo> <mi>n</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>N</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
CN201710929868.3A 2017-10-09 2017-10-09 一种帧内最大相似像的雷达一维距离像帧中心提取方法 Active CN107817490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710929868.3A CN107817490B (zh) 2017-10-09 2017-10-09 一种帧内最大相似像的雷达一维距离像帧中心提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710929868.3A CN107817490B (zh) 2017-10-09 2017-10-09 一种帧内最大相似像的雷达一维距离像帧中心提取方法

Publications (2)

Publication Number Publication Date
CN107817490A true CN107817490A (zh) 2018-03-20
CN107817490B CN107817490B (zh) 2020-11-20

Family

ID=61607820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710929868.3A Active CN107817490B (zh) 2017-10-09 2017-10-09 一种帧内最大相似像的雷达一维距离像帧中心提取方法

Country Status (1)

Country Link
CN (1) CN107817490B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615584A (zh) * 2018-12-17 2019-04-12 辽宁工程技术大学 一种基于单应性约束的sar图像序列map超分辨率重建方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080051642A1 (en) * 2006-08-24 2008-02-28 Hagai Krupnik Device, system and method of displaying in -vivo images at variable rate
US20080069217A1 (en) * 2006-09-20 2008-03-20 Mitsubishi Electric Corporation Frame interpolation apparatus and frame interpolation method
CN101598784B (zh) * 2009-07-08 2012-06-27 西安电子科技大学 基于fa模型的强噪声背景下雷达距离像统计识别方法
CN104280724A (zh) * 2014-10-23 2015-01-14 西安电子科技大学 基于散射点匹配的雷达高分辨距离像识别方法
CN106054155A (zh) * 2016-06-03 2016-10-26 西安电子科技大学 基于卷积因子分析模型的雷达高分辨距离像目标识别方法
CN106371080A (zh) * 2016-08-24 2017-02-01 电子科技大学 基于几何结构特征和多特征综合的雷达目标识别方法
CN106951822A (zh) * 2017-01-24 2017-07-14 南京航空航天大学 一种基于多尺度稀疏保持投影一维距离像融合识别方法
CN107085206A (zh) * 2017-03-22 2017-08-22 南京航空航天大学 一种基于自适应稀疏保持投影的一维距离像识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080051642A1 (en) * 2006-08-24 2008-02-28 Hagai Krupnik Device, system and method of displaying in -vivo images at variable rate
US20080069217A1 (en) * 2006-09-20 2008-03-20 Mitsubishi Electric Corporation Frame interpolation apparatus and frame interpolation method
CN101598784B (zh) * 2009-07-08 2012-06-27 西安电子科技大学 基于fa模型的强噪声背景下雷达距离像统计识别方法
CN104280724A (zh) * 2014-10-23 2015-01-14 西安电子科技大学 基于散射点匹配的雷达高分辨距离像识别方法
CN106054155A (zh) * 2016-06-03 2016-10-26 西安电子科技大学 基于卷积因子分析模型的雷达高分辨距离像目标识别方法
CN106371080A (zh) * 2016-08-24 2017-02-01 电子科技大学 基于几何结构特征和多特征综合的雷达目标识别方法
CN106951822A (zh) * 2017-01-24 2017-07-14 南京航空航天大学 一种基于多尺度稀疏保持投影一维距离像融合识别方法
CN107085206A (zh) * 2017-03-22 2017-08-22 南京航空航天大学 一种基于自适应稀疏保持投影的一维距离像识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田亚平: "雷达地面目标分类技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615584A (zh) * 2018-12-17 2019-04-12 辽宁工程技术大学 一种基于单应性约束的sar图像序列map超分辨率重建方法
CN109615584B (zh) * 2018-12-17 2022-12-06 辽宁工程技术大学 一种基于单应性约束的sar图像序列map超分辨率重建方法

Also Published As

Publication number Publication date
CN107817490B (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN109766835B (zh) 基于多参数优化生成对抗网络的sar目标识别方法
CN107977642B (zh) 一种核自适应均值判别分析的高分辨距离像目标识别方法
CN104778457B (zh) 基于多示例学习的视频人脸识别方法
CN101968850B (zh) 一种模拟生物视觉机制的人脸特征提取方法
CN110232371B (zh) 基于小样本的高精度hrrp雷达多目标识别方法
CN102750526A (zh) 基于人脸图像的身份验证识别方法
CN106778837B (zh) 基于多线性主成分分析和张量分析的sar图像目标识别方法
CN106096517A (zh) 一种基于低秩矩阵与特征脸的人脸识别方法
CN101526995A (zh) 基于对角子类判决分析的合成孔径雷达目标识别方法
CN110516525A (zh) 基于gan和svm的sar图像目标识别方法
CN111175718A (zh) 联合时频域的地面雷达自动目标识别方法及系统
CN105160303A (zh) 基于混合匹配的指纹识别方法
CN102332084A (zh) 基于掌纹和人脸特征提取的身份识别方法
CN107133648B (zh) 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法
CN105068062B (zh) 基于稀疏散射中心提取的距离像数据外推方法
Pamplona Segundo et al. Pore-based ridge reconstruction for fingerprint recognition
CN102662167A (zh) 一种水下目标辐射噪声信号的特征提取方法
CN106599833B (zh) 一种基于领域适应和流形距离度量的人脸识别方法
CN102722734B (zh) 一种基于曲波域双边二维主成分分析的图像目标识别方法
CN108845303B (zh) 一种非线性稳健子空间真假目标特征提取方法
CN111931757A (zh) 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置
CN105138951A (zh) 基于图模型表示的人脸画像-照片识别方法
Jana et al. Intra-class recognition of fruits using color and texture features with neural classifiers
CN104123563B (zh) 一种基于Cloude分解的极化SAR图像分类方法
CN107817490B (zh) 一种帧内最大相似像的雷达一维距离像帧中心提取方法

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