CN109407094A - 车载超宽带雷达前视成像系统 - Google Patents
车载超宽带雷达前视成像系统 Download PDFInfo
- Publication number
- CN109407094A CN109407094A CN201811511951.XA CN201811511951A CN109407094A CN 109407094 A CN109407094 A CN 109407094A CN 201811511951 A CN201811511951 A CN 201811511951A CN 109407094 A CN109407094 A CN 109407094A
- Authority
- CN
- China
- Prior art keywords
- signal
- radar
- forword
- vehicle
- looking imaging
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000004888 barrier function Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 8
- 230000001427 coherent effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000004304 visual acuity Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000001579 optical reflectometry Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- 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
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种车载超宽带雷达前视成像系统，包括：雷达射频前端，包括天线、频综和开关电路，天线用于完成超宽带连续波信号的收发，频综包含发射机和接收机，开关电路用来完成多发多收分时操作；信息处理单元，包括信号处理机和数据处理机，信号处理机用来产生系统定时控制以及大带宽步进频信号并对雷达步进频回波信号进行采样，最终实现近场前视成像处理并将结果传输到数据处理机；数据处理机在图像域进行信号处理和检测算法检测，最终完成对正负障碍物和隐藏在叶簇等隐蔽物后的障碍物的检测和鉴别。本发明具有易实现、环境感测效果好、分辨力强等优点。
Description
技术领域
本发明主要涉及到无人平台的环境感知技术领域，特指一种车载超宽带雷达前视成像系统。
背景技术
障碍探测是地面无人平台环境感知的基本要求，也是制约无人平台在各个领域应用时的主要应用瓶颈。传统的环境感知手段如光学、红外传感器以及激光雷达等，基本上获取的都是场景中材料的光反射率。与光电手段不同的是，雷达图像反映了前方场景的介电常数不连续性，障碍物与背景存在材料或表面上的不连续，在图像中表现为高亮。但是实际越野环境中障碍物的材料组成、尺寸大小、位置姿态等方面没有固定形式，且地面的丛生植被、粗糙土壤等也会形成较强和较大的反射，增大了障碍检测和识别的难度。即，在无人车辆行进过程中，特别是处于越野环境中，即路面状况比较复杂时，存在凹障碍和叶簇条件下，常规传感器如立体视觉、红外相机和激光雷达，都无法取得好的效果，野外环境下的凹障碍探测以及隐藏在叶簇下的凸障碍检测一直是无人行走平台面临的难题。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种易实现、环境感测效果好、分辨力强的车载超宽带雷达前视成像系统。
为解决上述技术问题，本发明采用以下技术方案：
一种车载超宽带雷达前视成像系统，其包括：
雷达射频前端，包括天线、频综和开关电路，天线用于完成超宽带连续波信号的收发，频综包含发射机和接收机，开关电路用来完成多发多收分时操作；
信息处理单元，包括信号处理机和数据处理机，信号处理机用来产生系统定时控制以及大带宽步进频信号并对雷达步进频回波信号进行采样，最终实现近场前视成像处理并将结果传输到数据处理机；数据处理机在图像域进行信号处理和检测算法检测，最终完成对正负障碍物和隐藏在叶簇等隐蔽物后的障碍物的检测和鉴别。
作为本发明的进一步改进：所述信号处理机采用基带信号处理器，包括成像处理器和目标检测器，所述成像处理器包括信号采样单元及成像处理单元，所述采样单元完成对雷达去步进频回波信号进行采样并产生系统定时控制以及大带宽步进频信号；所述成像处理单元完成近场前视成像处理并将结果传输到数据处理机；所述目标检测器根据工作模式完成相应的信号处理流程。
作为本发明的进一步改进：所述天线为天线阵列，采用S波段无源天线，用于完成超宽带连续波信号的收发。
作为本发明的进一步改进：所述天线阵列根据前视成像的需要采用分裂孔径构型，接收天线等间距水平排列成接收线阵，发射天线位于接收天线两端侧。
作为本发明的进一步改进：所述开关电路包括发射开关和接收开关，用来实现多发多收分时操作。
作为本发明的进一步改进：所述频综中的发射机用来实现相参信号的输出，包括产生超宽带步进频本振信号，混频、放大功能；接收机用来实现下变频、AGC以及数字采样功能。
作为本发明的进一步改进：所述数据处理机采用图像数据处理模块，用来完成回波一次点迹凝聚并跟踪，完成对障碍物的鉴别；通过以太网与平台信息系统进行数据传输。
作为本发明的进一步改进：还包括中心控制模块，作为全系统的控制中枢，负责系统工作模式的工作参数解算，根据操控单元的命令，控制系统在相应的工作模式下工作，通过接口控制各个系统组成单元的同步，控制数据流的通道。
作为本发明的进一步改进：还包括电源模块，用来将输入电源变换为雷达正常工作的各种电压。
与现有技术相比，本发明的优点在于：
1、本发明中采用合成孔径雷达，它是一种全天时、全天候的高分辨成像雷达，利用天线平台与目标区域的相对运动即可获得高方位分辨力，具有传统光学成像、红外成像以及实孔径成像雷达无法企及的绝对优势。
2、由于超宽带雷达前视图像旁瓣抑制，超宽带前视采样合成孔径的方式，在产品尺寸受限的情况下，雷达旁瓣杂波能量将折叠进主瓣滤波器组，造成滤波器组分辨能力下降，严重影响成像效果，如何有效减少旁瓣的影响一直是合成孔径成像研究的重点。本发明的系统在有限孔径内采用尽可能多的通道数，通过离散数字FFT变换，同时采用泰勒加权平均的方法对成像回波的旁瓣进行抑制，极大的提高了成像分辨率和精度。
3、本发明中的超宽带雷达分辨率高，具有较强的穿透性能，可以穿透叶簇和地表探测感兴趣的隐蔽目标，超宽带雷达发射信号的相对带宽远大于传统雷达，可以保证雷达在具有较强穿透能力的同时仍能获得高距离分辨力。
4、本发明中采用正负障碍物智能检测识别，运用深度学习与人工智能方法，提取障碍物的特征信息，并进行识别与归类，根据设定的标准，判断无人车辆是否能够通过。
5、本发明采用模块化设计，单基站模块拆装、更换方便快捷。
附图说明
图1是本发明的组成结构原理示意图。
图2是本发明在工作时的流程示意图。
图3是本发明在具体应用实例中图像处理的流程示意图。
图例说明：
1、雷达射频前端；2、信息处理单元。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1所示，本发明的车载超宽带雷达前视成像系统，采用紧凑型集成化设计，包括：
雷达射频前端1，包括天线、频综和开关电路，天线用于完成超宽带连续波信号的收发，频综包含发射机和接收机，开关电路用来完成多发多收分时操作；
信息处理单元2，包括信号处理机和数据处理机，信号处理机用来产生系统定时控制以及大带宽步进频信号并对雷达步进频回波信号进行采样，最终实现近场前视成像处理并将结果传输到数据处理机；数据处理机用来完成回波一次点迹凝聚并跟踪，最终完成对障碍物的鉴别。
在具体应用实例中，信号处理机采用基带信号处理器，其包括成像处理器和目标检测器，成像处理器包括信号采样单元及成像处理单元，采样单元完成对雷达去步进频回波信号进行采样并产生系统定时控制以及大带宽步进频信号。成像处理单元完成近场前视成像处理并将结果传输到数据处理机。目标检测器根据工作模式完成相应的信号处理流程，主要包括图像域杂波抑制、图像均衡处理、图像域目标检测。
在具体应用实例中，天线为天线阵列，采用S波段无源天线，用于完成超宽带连续波信号的收发。根据前视成像的需要采用分裂孔径构型，接收天线等间距水平排列成接收线阵，发射天线位于接收天线两端侧。
在具体应用实例中，开关电路包括发射开关和接收开关，主要是实现多发多收分时操作。
在具体应用实例中，频综中发射机的主要实现相参信号的输出，包括产生超宽带步进频本振信号，混频、放大等功能；接收机主要实现下变频、AGC以及数字采样功能。
在具体应用实例中，数据处理机采用图像数据处理模块，主要完成回波一次点迹凝聚并跟踪，完成对障碍物的鉴别；通过以太网与平台信息系统进行数据传输。
本发明进一步还可包括中心控制模块，作为全系统的控制中枢，负责系统工作模式的工作参数解算，根据操控单元的命令，控制系统在相应的工作模式下工作，通过多个接口控制各个系统组成单元的同步，控制数据流的通道，实现整个系统协调有序的工作。
本发明进一步还可包括电源模块，其采用高效率DC变换技术，将输入电源变换为雷达正常工作所需的各种功率等级、电压规格的直流电生成系统工作所需的各种电压。
参见图2，本发明的工作流程如下：
中心控制模块（如中心机）通过千兆以太网将用户设定的参数发送给图像数据处理模块，图像数据处理模块解析相关命令，并将参数发送给基带信号处理模块，基带信号处理模块按照要求控制频综输出的频率、幅度、相位等信息；频综发射的雷达信号经过开关阵列后馈入给天线辐射出去。雷达信号经过目标反射回来的回波信号首先经过开关阵列进行第一级放大；然后经过频综进行下变频、功率控制后在基带信号处理模块中进行AD转换和数据预处理，然后数据传送至图像数据处理模块进行数据处理、成像、检测识别，最终把检测识别结果通过千兆网络传递给中心机的决策机构。
合成孔径雷达(SyntheticApertureRadar，SAR)是一种全天时、全天候的高分辨成像雷达,利用天线平台与目标区域的相对运动即可获得高方位分辨力，具有传统光学成像、红外成像以及实孔径成像雷达无法企及的绝对优势。超宽带雷达分辨率高，具有较强的穿透性能，可以穿透叶簇和地表探测感兴趣的隐蔽目标，超宽带雷达发射信号的相对带宽远大于传统雷达，可以保证雷达在具有较强穿透能力的同时仍能获得高距离分辨力。同时，本发明提出的基于超宽带合成孔径雷达感知凹障碍是一种有效的感知手段，阐述了凹障碍的雷达成像几何，利用MATLAB 模拟仿真合成孔径雷达数据获得了凹障碍图像，分析得出了凹障碍在雷达图像表现出由阴影区和光亮区紧密相连的特征。
在车载超宽带雷达前视成像系统中，如何对有效的获得高质量的雷达图像，同时检测出正负障碍是本发明的难点。进一步，本发明的图像数据处理模块主要包括数据预处理，成像以及检测鉴别三个子模块。其中预处理模块主要进行系统补偿和脉冲压缩，由于采集到的多通道雷达数据经过的传输路径是不一致的，且相同的器件也存在个体差异，所以首先需要对多通道数据进行补偿，保证各个通道数据的一致性，其次是对数据进行脉冲压缩，获得更好的分辨率和作用距离。
理想的成像模型是建立在雷达沿直线匀速运动前提下进行等间隔采样获得的，但现实中无人车不可能一直做匀速直线运动，会因为各种因素偏离理想航线。因此，车载平台的震动、车载平台行进路线与设定路线的误差等都会影响目标回波的相位，从而导致雷达成像的散焦，降低图像分辨率。需要采用运动补偿处理和平台行进路线误差的补偿处理，以提高雷达成像的聚焦效果。
后向投影（BP：Back Projection）是一种比较精确的雷达成像时域处理成像算法，其基本思想是“延时-求和”。假设雷达发射的是球面波，使用BP算法时，首先将目标成像区域在二维平面中划分为均匀的网格；然后根据成像几何对不同基站中处理过的回波数据进行时延，获得孔径域数据；最后将所有孔径域数据相干叠加，即时延叠加（DAS：Delay AndSum）波束形成，从而得到该区域每个点的后向散射强度值，实现高分辨率的成像。首先对经过处理后的回波时延进行相位补偿，再通过Hilbert变换得到包含相位信息的孔径域数据，最后对所有通道求和得出目标图像信息。在成像过程中接收到的回波信号可以看成一系列或真或假的散射中也的散射回波之和，只有真实的目标点所在位置的后向散射强度因为相干叠加而不断加强，而其他位置的盾向散射强度在非相干叠加中可能会相互抵消。因此在最终所成的图像上，各点的强度值相差十分明显，后向散射强度值最强的点就是目标点。
通过数据增强方法将雷达图像基础数据集扩充为大规模数据集，从而使深度学习方法能够成功地应用于雷达图像检测，提高检测精度并避免神经网络过拟合。本发明主要提出以下2类数据集构建方法：
a)基于自然图像方法的雷达图像数据集构建；
b)基于深度生成模型的雷达图像数据集构建。
对于无人车而言，环境感知的最终目的是做到避开障碍物（包括凸起障碍和凹陷障碍），选择可通行区域。车载前视雷达基于对BP成像后二维图像的面积、形状、强度等各种特征，判断有否目标以及目标处可否通行，然而由于雷达本身的敏感性以及地面的复杂性，利用二维信息鉴别的障碍目标存在虚警率过高，环境适应性弱等问题。因此本发明提取并利用目标的高程信息判定可通行区域十分重要。本发明采用二维+一维的成像模式，即首先进行二维成像，最后估计第三维参数（散射点高度）。经典的方法是干涉SAR（Interfereometric SAR, InSAR）成像，该方法利用具有平行孔径的两幅SAR图像，根据相位差计算散射点的高度。但在本发明中，由于收发天线同置，信号路径没有高度差，系统因而没有InSAR成像所需的客观条件。因此，本发明在具体应用时，前视雷达可以在行进过程中对同一探测区域的目标得到多幅不同俯视角下的SAR图像，入射高度角的差别为雷达目标三维成像提供了高度信息，因此通过对同一探测区域进行多帧融合处理，利用参数估计方法得到散射点的高度，从而获取该探测区域的三维成像结果，该技术对雷达目标分类和识别具有重要的意义。
其中，干涉测量主要是针对接收天线的不同位置采用分别成像，获取不同位置上的干涉条纹，对比不同高度下接收天线的干涉信息，从而获取三维图像的高度信息。如何有效的获取和检测正负障碍，本发明采用上述三种方案，通过加权融合的方式最终输出正负障碍结果，即a)利用雷达信号的在不连续面的散射特性，对凹障碍进行检测；b)利用雷达信号的穿透性，对隐藏在叶簇条件下的正障碍进行检测；c)采样多种方式融合的方法，提出目标的特征，检测目标的特性。
由上可知，本发明实时获取车辆的姿态和惯导信息，通过软件算法对每帧图像进行运动补偿，同时对多帧图像之间做互相关处理，抑制杂波对雷达原始信号的影响。针对无人车对地面负障碍和植被遮蔽障碍物的探测和鉴别需求，车载超宽带雷达工作在S波段，采用步进频连续波体制，采用多发多收分裂孔径天线配置，发射天线交替发射宽波束，多通道接收天线分时接收，通过数字合成对场景实现前视二维成像。利用障碍物二维特征在图像域进行检测和鉴别，并提取障碍物位置信息。针对负（凹）障碍的探测，不连续面具有微波散射强的特点，使得雷达对正（凸）障碍和负障碍都具有良好的探测效果，本发明利用多雷达协同MIMO阵列合成孔径雷达成像技术，对车辆行进前方的正障碍和负障碍进行精确成像，提取障碍的位置和几何结构信息，利用障碍的“双线”散射特征和几何结构信息进行鉴别。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (9)
1.一种车载超宽带雷达前视成像系统，其特征在于，包括：
雷达射频前端，包括天线、频综和开关电路，天线用于完成超宽带连续波信号的收发，频综包含发射机和接收机，开关电路用来完成多发多收分时操作；
信息处理单元，包括信号处理机和数据处理机，信号处理机用来产生系统定时控制以及大带宽步进频信号并对雷达步进频回波信号进行采样，最终实现近场前视成像处理并将结果传输到数据处理机；数据处理机在图像域进行信号处理和检测算法检测，最终完成对正负障碍物和隐藏在叶簇等隐蔽物后的障碍物的检测和鉴别。
2.根据权利要求1所述的车载超宽带雷达前视成像系统，其特征在于，所述信号处理机采用基带信号处理器，包括成像处理器和目标检测器，所述成像处理器包括信号采样单元及成像处理单元，所述采样单元完成对雷达去步进频回波信号进行采样并产生系统定时控制以及大带宽步进频信号；所述成像处理单元完成近场前视成像处理并将结果传输到数据处理机；所述目标检测器根据工作模式完成相应的信号处理流程。
3.根据权利要求1所述的车载超宽带雷达前视成像系统，其特征在于，所述天线为天线阵列，采用S波段无源天线，用于完成超宽带连续波信号的收发。
4.根据权利要求3所述的车载超宽带雷达前视成像系统，其特征在于，所述天线阵列根据前视成像的需要采用分裂孔径构型，接收天线等间距水平排列成接收线阵，发射天线位于接收天线两端侧。
5.根据权利要求1所述的车载超宽带雷达前视成像系统，其特征在于，所述开关电路包括发射开关和接收开关，用来实现多发多收分时操作。
6.根据权利要求1所述的车载超宽带雷达前视成像系统，其特征在于，所述频综中的发射机用来实现相参信号的输出，包括产生超宽带步进频本振信号，混频、放大功能；接收机用来实现下变频、AGC以及数字采样功能。
7.根据权利要求1所述的车载超宽带雷达前视成像系统，其特征在于，所述数据处理机采用图像数据处理模块，在图像域进行信号处理和检测算法检测，最终完成对正负障碍物和隐藏在叶簇等隐蔽物后的障碍物的检测和鉴别；通过以太网与平台信息系统进行数据传输。
8.根据权利要求1-7中任意一项所述的车载超宽带雷达前视成像系统，其特征在于，还包括中心控制模块，作为全系统的控制中枢，负责系统工作模式的工作参数解算，根据操控单元的命令，控制系统在相应的工作模式下工作，通过接口控制各个系统组成单元的同步，控制数据流的通道。
9.根据权利要求1-7中任意一项所述的车载超宽带雷达前视成像系统，其特征在于，还包括电源模块，用来将输入电源变换为雷达正常工作的各种电压。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811511951.XA CN109407094A (zh) | 2018-12-11 | 2018-12-11 | 车载超宽带雷达前视成像系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811511951.XA CN109407094A (zh) | 2018-12-11 | 2018-12-11 | 车载超宽带雷达前视成像系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109407094A true CN109407094A (zh) | 2019-03-01 |
Family
ID=65458471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811511951.XA Pending CN109407094A (zh) | 2018-12-11 | 2018-12-11 | 车载超宽带雷达前视成像系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109407094A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110361699A (zh) * | 2019-07-23 | 2019-10-22 | 北京工业大学 | 一种适用于南极航空观测现场的冰雷达数据处理的方法 |
| CN110379178A (zh) * | 2019-07-25 | 2019-10-25 | 电子科技大学 | 基于毫米波雷达成像的无人驾驶汽车智能泊车方法 |
| CN111025296A (zh) * | 2019-12-27 | 2020-04-17 | 湖南华诺星空电子技术有限公司 | 一种基于车载雷达的路径规划方法 |
| CN111208509A (zh) * | 2020-01-15 | 2020-05-29 | 中国人民解放军国防科技大学 | 一种超宽带雷达人体目标姿态可视化增强方法 |
| CN112346463A (zh) * | 2020-11-27 | 2021-02-09 | 西北工业大学 | 一种基于速度采样的无人车路径规划方法 |
| CN113281727A (zh) * | 2021-06-02 | 2021-08-20 | 中国科学院声学研究所 | 一种基于水平线列阵的输出增强的波束形成方法及其系统 |
| CN113643355A (zh) * | 2020-04-24 | 2021-11-12 | 广州汽车集团股份有限公司 | 一种目标车辆位置和朝向的检测方法、系统及存储介质 |
| CN114442089A (zh) * | 2020-11-02 | 2022-05-06 | 云烁智控(哈尔滨)技术有限公司 | 一种用于巡查的无人机叶簇穿透合成孔径雷达监测系统 |
| CN115993600A (zh) * | 2023-03-22 | 2023-04-21 | 湖南华诺星空电子技术股份有限公司 | 一种超宽带边坡形变监测雷达系统及监测方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005091014A1 (en) * | 2004-03-05 | 2005-09-29 | The Regents Of The University Of California | Obstacle penetrating dynamic radar imaging system |
| CN101021561A (zh) * | 2007-04-06 | 2007-08-22 | 清华大学 | 一种采用多发多收频分信号的宽带雷达及其成像方法 |
| CN101561503A (zh) * | 2008-04-17 | 2009-10-21 | 电子科技大学 | 一种双站线阵三维成像合成孔径雷达快速成像方法 |
| CN102253386A (zh) * | 2011-03-29 | 2011-11-23 | 西安电子科技大学 | 基于发射波束扫描的机载下视三维合成孔径雷达成像系统 |
| CN102288962A (zh) * | 2011-07-13 | 2011-12-21 | 中国人民解放军国防科学技术大学 | 一种超宽带合成孔径雷达实时运动补偿方法 |
| KR101149800B1 (ko) * | 2011-12-01 | 2012-06-08 | 국방과학연구소 | 초광대역 레이더 와 스테레오 카메라를 이용한 은폐장애물 감지장치 및 방법 |
| CN102508244A (zh) * | 2011-11-08 | 2012-06-20 | 中国人民解放军国防科学技术大学 | 一种地面运动目标检测及参数估计方法 |
| CN103336278A (zh) * | 2013-05-13 | 2013-10-02 | 西安电子科技大学 | 多视角观测下前视三维sar成像方法 |
| US20140055297A1 (en) * | 2012-08-23 | 2014-02-27 | Camero-Tech Ltd. | System and method for volume visualization in ultra-wideband radar imaging system |
| US20140125510A1 (en) * | 2012-11-02 | 2014-05-08 | National Taiwan University | Method for detecting the motion of object by ultra-wideband radar imaging and system thereof |
| CN104391285A (zh) * | 2014-12-08 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于图像域的低频超宽带sar自聚焦方法 |
| CN105137430A (zh) * | 2015-07-30 | 2015-12-09 | 中国人民解放军西安通信学院 | 一种前视阵列sar的回波稀疏获取及其三维成像方法 |
| CN106546981A (zh) * | 2016-10-24 | 2017-03-29 | 复旦大学 | 运动人体安检成像系统和方法 |
| CN106970383A (zh) * | 2017-03-13 | 2017-07-21 | 天津师范大学 | 基于模糊模式识别和遗传算法的墙后人体多状态目标的检测方法 |
| CN209992673U (zh) * | 2018-12-11 | 2020-01-24 | 湖南华诺星空电子技术有限公司 | 车载超宽带雷达前视成像系统 |
-
2018
- 2018-12-11 CN CN201811511951.XA patent/CN109407094A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005091014A1 (en) * | 2004-03-05 | 2005-09-29 | The Regents Of The University Of California | Obstacle penetrating dynamic radar imaging system |
| CN101021561A (zh) * | 2007-04-06 | 2007-08-22 | 清华大学 | 一种采用多发多收频分信号的宽带雷达及其成像方法 |
| CN101561503A (zh) * | 2008-04-17 | 2009-10-21 | 电子科技大学 | 一种双站线阵三维成像合成孔径雷达快速成像方法 |
| CN102253386A (zh) * | 2011-03-29 | 2011-11-23 | 西安电子科技大学 | 基于发射波束扫描的机载下视三维合成孔径雷达成像系统 |
| CN102288962A (zh) * | 2011-07-13 | 2011-12-21 | 中国人民解放军国防科学技术大学 | 一种超宽带合成孔径雷达实时运动补偿方法 |
| CN102508244A (zh) * | 2011-11-08 | 2012-06-20 | 中国人民解放军国防科学技术大学 | 一种地面运动目标检测及参数估计方法 |
| KR101149800B1 (ko) * | 2011-12-01 | 2012-06-08 | 국방과학연구소 | 초광대역 레이더 와 스테레오 카메라를 이용한 은폐장애물 감지장치 및 방법 |
| US20140055297A1 (en) * | 2012-08-23 | 2014-02-27 | Camero-Tech Ltd. | System and method for volume visualization in ultra-wideband radar imaging system |
| US20140125510A1 (en) * | 2012-11-02 | 2014-05-08 | National Taiwan University | Method for detecting the motion of object by ultra-wideband radar imaging and system thereof |
| CN103336278A (zh) * | 2013-05-13 | 2013-10-02 | 西安电子科技大学 | 多视角观测下前视三维sar成像方法 |
| CN104391285A (zh) * | 2014-12-08 | 2015-03-04 | 中国人民解放军国防科学技术大学 | 基于图像域的低频超宽带sar自聚焦方法 |
| CN105137430A (zh) * | 2015-07-30 | 2015-12-09 | 中国人民解放军西安通信学院 | 一种前视阵列sar的回波稀疏获取及其三维成像方法 |
| CN106546981A (zh) * | 2016-10-24 | 2017-03-29 | 复旦大学 | 运动人体安检成像系统和方法 |
| CN106970383A (zh) * | 2017-03-13 | 2017-07-21 | 天津师范大学 | 基于模糊模式识别和遗传算法的墙后人体多状态目标的检测方法 |
| CN209992673U (zh) * | 2018-12-11 | 2020-01-24 | 湖南华诺星空电子技术有限公司 | 车载超宽带雷达前视成像系统 |
Non-Patent Citations (3)
| Title |
|---|
| 杨延光 等: "车载UWB SAR 干扰自适应抑制新方法", 国防科技大学学报, vol. 30, no. 5, pages 80 - 85 * |
| 潘继飞 等: "合成孔径叶簇雷达及对其侦察问题", 飞航导弹, no. 12, pages 37 - 40 * |
| 陆必应;宋千;周智敏;: "步进频率连续波探地雷达数字信号处理机", 雷达科学与技术, no. 03, 15 June 2010 (2010-06-15), pages 229 - 232 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110361699A (zh) * | 2019-07-23 | 2019-10-22 | 北京工业大学 | 一种适用于南极航空观测现场的冰雷达数据处理的方法 |
| CN110379178A (zh) * | 2019-07-25 | 2019-10-25 | 电子科技大学 | 基于毫米波雷达成像的无人驾驶汽车智能泊车方法 |
| CN111025296A (zh) * | 2019-12-27 | 2020-04-17 | 湖南华诺星空电子技术有限公司 | 一种基于车载雷达的路径规划方法 |
| CN111208509A (zh) * | 2020-01-15 | 2020-05-29 | 中国人民解放军国防科技大学 | 一种超宽带雷达人体目标姿态可视化增强方法 |
| CN111208509B (zh) * | 2020-01-15 | 2020-12-29 | 中国人民解放军国防科技大学 | 一种超宽带雷达人体目标姿态可视化增强方法 |
| CN113643355A (zh) * | 2020-04-24 | 2021-11-12 | 广州汽车集团股份有限公司 | 一种目标车辆位置和朝向的检测方法、系统及存储介质 |
| CN113643355B (zh) * | 2020-04-24 | 2024-03-29 | 广州汽车集团股份有限公司 | 一种目标车辆位置和朝向的检测方法、系统及存储介质 |
| CN114442089A (zh) * | 2020-11-02 | 2022-05-06 | 云烁智控(哈尔滨)技术有限公司 | 一种用于巡查的无人机叶簇穿透合成孔径雷达监测系统 |
| CN112346463A (zh) * | 2020-11-27 | 2021-02-09 | 西北工业大学 | 一种基于速度采样的无人车路径规划方法 |
| CN113281727B (zh) * | 2021-06-02 | 2021-12-07 | 中国科学院声学研究所 | 一种基于水平线列阵的输出增强的波束形成方法及其系统 |
| CN113281727A (zh) * | 2021-06-02 | 2021-08-20 | 中国科学院声学研究所 | 一种基于水平线列阵的输出增强的波束形成方法及其系统 |
| CN115993600A (zh) * | 2023-03-22 | 2023-04-21 | 湖南华诺星空电子技术股份有限公司 | 一种超宽带边坡形变监测雷达系统及监测方法 |
| CN115993600B (zh) * | 2023-03-22 | 2023-08-08 | 湖南华诺星空电子技术股份有限公司 | 一种超宽带边坡形变监测雷达系统及监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109407094A (zh) | 车载超宽带雷达前视成像系统 | |
| Gao et al. | Ramp-cnn: A novel neural network for enhanced automotive radar object recognition | |
| Xia et al. | Multidimensional feature representation and learning for robust hand-gesture recognition on commercial millimeter-wave radar | |
| US10739438B2 (en) | Super-resolution radar for autonomous vehicles | |
| WO2022141914A1 (zh) | 一种基于雷视融合的多目标车辆检测及重识别方法 | |
| CN112558066B (zh) | 双极化sar图像系统 | |
| CN113391282B (zh) | 一种基于雷达多维特征融合的人体姿态识别方法 | |
| Cui et al. | 3D detection and tracking for on-road vehicles with a monovision camera and dual low-cost 4D mmWave radars | |
| US11587204B2 (en) | Super-resolution radar for autonomous vehicles | |
| CN111856444A (zh) | 一种基于uwb多目标定位追踪方法 | |
| CN106646466B (zh) | 一种基于主成分分析的加权后向投影算法的成像方法 | |
| CN110456349A (zh) | 基于分布式合成孔径雷达的动目标检测系统 | |
| CN209992673U (zh) | 车载超宽带雷达前视成像系统 | |
| CN114818916A (zh) | 一种基于毫米波雷达多帧点云序列的道路目标分类方法 | |
| Gao et al. | Learning to detect open carry and concealed object with 77 GHz radar | |
| Soumekh et al. | SAR-MTI processing of multi-channel airborne radar measurement (MCARM) data | |
| Atiq et al. | Vehicle detection and shape recognition using optical sensors: a review | |
| CN111680537A (zh) | 一种基于激光红外复合的目标检测方法及系统 | |
| Phippen et al. | 3D Images of Pedestrians at 300GHz | |
| Gao et al. | Static background removal in vehicular radar: Filtering in azimuth-elevation-doppler domain | |
| Teng | Fundamental aspects of netted radar performance | |
| Khodjet-Kesba | Automatic target classification based on radar backscattered ultra wide band signals | |
| Pei et al. | mmCTD: Concealed Threat Detection for Cruise Ships Via Mmwave Radar | |
| Techaphangam et al. | Obstacle avoidance using mmWave radar imaging system | |
| Kern et al. | Radar-based gesture recognition under ego-motion for automotive applications |
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 |