CN109839621A - 一种改进的tbd算法 - Google Patents
一种改进的tbd算法 Download PDFInfo
- Publication number
- CN109839621A CN109839621A CN201711189458.6A CN201711189458A CN109839621A CN 109839621 A CN109839621 A CN 109839621A CN 201711189458 A CN201711189458 A CN 201711189458A CN 109839621 A CN109839621 A CN 109839621A
- Authority
- CN
- China
- Prior art keywords
- radon
- target
- detection
- point mark
- cfar
- 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
- 229910052704 radon Inorganic materials 0.000 claims abstract description 57
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 230000009466 transformation Effects 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000013501 data transformation Methods 0.000 claims 1
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 230000035485 pulse pressure Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Abstract
本发明提供一种改进的TBD算法，属于雷达目标检测技术领域。本发明一种改进的TBD算法为四个部分：(1)基于CA‑CFAR检测的算法在杂波边缘会引起虚警率，根据参考窗中的数据来判断当前所处的环境；(2)在每个CPI内可采样N_cpi个点，对判决之后的点迹做N/M处理；(3)对经预处理后做Radon变换的点迹选择；(4)由Radon变换后的结果，可得到目标的角度信息和距离中心点位置的距离。本发明采用基于Radon变换的TBD算法，为增强目标点迹的信噪比，采用改进的CFAR检测算法并对门限点迹进行置信等级划分和对多帧点迹进行处理，通过对海杂波和部分干扰信号进行有效抑制，提高了目标点迹的发现概率。
Description
【技术领域】
本发明涉及雷达目标检测技术领域，具体涉及一种改进的TBD算法。
【背景技术】
TBD是弱小目标检测与跟踪的有效方法，通常采用两级门限，第一级设置较低的恒虚警检测门限，对雷达波束扫描过程中每一个波位上的回波进行检测，抑制大部分杂波和噪声，然后利用杂波和干扰点迹与目标点迹的不同特性，滤除大部分杂波航迹。常用的有基于动态规划、粒子滤波以及Radon变换的TBD算法，在低信噪比条件下基于动态规划的TBD算法在给定的有限帧数情况下可能无法检测到目标，且基于动态规划与粒子滤波的TBD算法存在运算量大、实时性较差等不足，而基于Radon变换的TBD算法对于弱目标来说，检测结果中的杂波和干扰点迹较多，导致进行Radon变换后，无法对目标点迹进行有效积累。但Radon变换存在着运算量较小，且不会随着目标数的增多而急剧增加的优点。
【发明内容】
本发明的发明目的在于：针对上述存在的问题，提供一种改进的TBD算法，本发明采用基于Radon变换的TBD算法，为增强目标点迹的信噪比，采用改进的CFAR检测算法并对过门限点迹进行置信等级划分和对多帧点迹进行处理三种方式，通过对海杂波和部分干扰信号进行有效抑制，提高了目标点迹的发现概率。
为了实现上述目的，本发明采用的技术方案如下：本发明一种改进的TBD算法，该算法主要包括目标检测、数据预处理和Radon变换处理、对Radon变换后的结果再次进行CFAR检测四个部分；
算法的整体流程如图1所示，整体流程实现步骤如下：
步骤1：对原始数据进行CFAR检测，初步得到目标与杂波与干扰信息。
步骤2：通过数据预处理，去除部分虚假目标，并降低CFAR检测结果中的点迹数。
步骤3：对预处理后的结果进行Radon变换，根据目标点迹之间的相关性较强而杂波点迹之间相关性较弱，以此区分目标与杂扰轨迹。
步骤4：对Radon变换后的结果再次进行CFAR检测，判决出目标点迹位置和角度等信息。各步骤具体如下：
(1)所述目标检测部分：基于CA-CFAR检测的算法在杂波边缘会引起虚警率的过分上升，而在多目标环境中将导致检测性能的下降，根据参考窗中的数据来判断当前所处的环境；若当前环境为杂波边缘环境，则采用GO-CFAR；若当前环境为多目标，则采用SO-CFAR；若当前环境处在杂波环境中，则采用OS-CFAR；若参考窗中包含有强干扰或者目标，可采用在判决前将参考窗中最大和最小的一部分数据剔除，然后再做门限判决；
(2)所述数据预处理部分：在每个CPI内可采样N_cpi个点，则需要对判决之后的点迹做N/M处理，即在连续的M个周期内至少有N个周期检测到目标，则认为检测到目标，其中N＜M＜＝N_cpi；设预处理后的点迹矩阵M_ycl*N_ycl，M_ycl为距离单元数，N_ycl为扫描周期数，将该点迹矩阵初始化为全0，当N_ycl1周期的M_ycl1位置检测到目标，则点迹矩阵对应位置有两种处理方式，一种是将其设为1，一种是根据前面N/M处理中的N值对其进行置信等级设定，即N越大，等级越高，N越小，等级越低；
(3)所述Radon变换处理部分：对经预处理后做Radon变换的点迹选择，对同一帧雷达数据中的连续N1个周期点迹做Radon变换，N1为固定值；
(4)所述对Radon变换后的结果再次进行CFAR检测部分：由Radon变换后的结果，可得到目标的角度信息和距离中心点位置的距离，根据Radon变换原理将参数空间的位置关系映射到直角坐标系中，求得目标的真实距离信息。
本发明所述置信等级可根据门限的距离单元与当前单元的门限值的差值以及目标的谱特征等信息来设定。
本发明所述Radon变换处理部分中对经预处理后做Radon变换的点迹选择，可对同一帧雷达数据中的连续N1个周期点迹做Radon变换，N1随距离单元的变化而变化，近距离N1值较大，远距离N1值较小；
本发明所述Radon变换处理部分中对经预处理后做Radon变换的点迹选择，可N2帧雷达数据的相同周期连续N1个周期点迹做Radon变换，N1为固定值。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明采用基于Radon变换的TBD算法，为增强目标点迹的信噪比，采用改进的CFAR检测算法并对过门限点迹进行置信等级划分和对多帧点迹进行处理三种方式，通过对海杂波和部分干扰信号进行有效抑制，提高了目标点迹的发现概率。
2、本发明利用杂噪矩阵，记录杂噪信息，使得估计的杂波和噪声背景功率更准确；
3、本发明融合多种改进的CFAR检测算法，有效抑制杂波和干扰的影响；
4、本发明数据预处理及置信等级划分，创新性得利用Radon变换对不同置信等级的点迹进行变换，使得目标被发现的概率大大提高。
5、本发明合理有效利用CFAR检测算法和Radon变换算法，有效降低了虚警概率，提高检测概率，且使得系统的运算量基本稳定，便于工程实现。
【附图说明】
图1是本发明一种改进的TBD算法整体流程图。
图2是本发明一种改进的TBD算法的自适应环境变化的多种CFAR检测算法融合流程图。
【具体实施方式】
以下通过具体实施例及附图及数据表对本发明作进一步详述。
本发明一种改进的TBD算法，该算法主要包括目标检测、数据预处理和Radon变换处理、对Radon变换后的结果再次进行CFAR检测四个部分；
算法的整体流程如图1所示，整体流程实现步骤如下：
步骤1：对原始数据进行CFAR检测，初步得到目标与杂波与干扰信息。
步骤2：通过数据预处理，去除部分虚假目标，并降低CFAR检测结果中的点迹数。
步骤3：对预处理后的结果进行Radon变换，根据目标点迹之间的相关性较强而杂波点迹之间相关性较弱，以此区分目标与杂扰轨迹。
步骤4：对Radon变换后的结果再次进行CFAR检测，判决出目标点迹位置和角度等信息。各步骤具体如下：
(1)目标检测部分
基于CA-CFAR检测的算法在杂波边缘会引起虚警率的过分上升，而在多目标环境中将导致检测性能的下降，所以需要根据参考窗中的数据，来判断当前所处的环境。如果当前环境为杂波边缘环境，则采用GO-CFAR，如果当前环境为多目标，则采用SO-CFAR，如果当前环境处在杂波环境中，则采用OS-CFAR。对于参考窗中包含有强干扰或者目标，则对杂波干扰的估计影响很大，导致均值类CFAR性能变差，故可采用在判决前将参考窗中最大和最小的一部分数据剔除，然后再做门限判决。
整体流程图如图2所示，步骤如下：
步骤1：根据脉压数据中的检测单元位置来决定采用杂扰预处理向量中的哪些距离单元来估计当前检测单元所处环境的杂波干扰能量，参考窗的选择如图2中所示，并对参考窗中的数据进行排序，去除较大和较小的数据，比如设数据长度为Num，将数据从小到大排列，则可以取0.1*Num～0.9*Num区间数据作为参考数据。
步骤2：对检测点所处环境进行判决，图2中以参考窗中数据能量进行判决，当小于P_ck1时，认为所处环境不包含杂波或杂波较弱，且目标数较少，采用CA-CFAR检测，如果大于等于P_ck1且小于P_ck2，则认为当前环境为多目标环境，采用SO-CFAR，如果大于等于P_ck2且小于P_ck3，则认为当前环境为杂波边缘，采用GO-CFAR，如果大于P_ck3，则认为当前环境为杂波环境，采用OS-CFAR判决。参考门限值P_ck1～P_ck3数值大小根据距离单元的不同而不同，可根据距离单元的远近进行划分，不同距离段设置不同的参考门限值，数值大小可根据多次测试来确定。
步骤3：如果采用OS-CFAR算法，则可以根据3/4或者4/5准则，来确定门限，如果采用均值类算法，如GO-CFAR选择前后参考窗数据和较大的窗作为参考，而SO-CFAR则选择较小的窗作参考，CA-CFAR选择前后窗全部数据作为参考，并根据虚警概率和参考窗数据长度进行门限计算。
步骤4：如果脉压数据的检测单元大于门限值且为峰值点(当前检测点大于前后距离单元能量)，判决目标位于当前距离单元之中，并记录该距离单元编号，即记录目标所处距离单元中的位置(目标位置)，将当前距离单元与门限值的差值(目标强度)作为目标能量记录下来，作为后期数据处理目标识别或者置信度判断等的依据；否则，直接转至(5)中进行处理。
步骤5：如果所有距离单元检测完毕，则将门限值、目标位置和目标强度输出，此时，将检测信息传送给下一个处理模块继续处理，同时转至(6)中继续处理，门限值用来与原始脉压数据同时输出来做对比，可以直观看出哪些位置出现了目标，否则，转至(3)中继续处理。
步骤6：对杂波干扰矩阵进行更新，本报告中杂扰矩阵为N*Num大小的矩阵，其中N为杂扰处理的相干周期数，Num为脉压数据长度，更新过程中，设i为杂扰矩阵的第i行向量编号，则当i＜N时，将杂扰矩阵的第i-1行更新为第i行，当i＝N时，先将脉压数据超过门限的距离单元做加权处理，然后将结果更新至杂扰矩阵的第i行向量，即对矩阵的最后一行数据进行更新。
步骤8：如果所有脉压数据都检测并处理完毕，则转至数据预处理部分，否则，转至(2)中继续处理。
(2)数据预处理
在每个CPI内可采样N_cpi个点，则需要对判决之后的点迹做N/M处理，即在连续的M个周期内至少有N个周期检测到目标，则认为检测到目标，其中N＜M＜＝N_cpi。设预处理后的点迹矩阵M_ycl*N_ycl，M_ycl为距离单元数，N_ycl为扫描周期数，将该点迹矩阵初始化为全0，当N_ycl1周期的M_ycl1位置检测到目标，则点迹矩阵对应位置有两种处理方式，一种是将其设为1，一种是根据前面N/M处理中的N值对其进行置信等级设定，即N越大，等级越高，N越小，等级越低。此外，置信等级还可根据过门限的距离单元与当前单元的门限值的差值以及目标的谱特征等信息来设定。
Radon变换与Hough变换的优越性在于可以针对非二值图像，但点迹矩阵的能量设定值不能过高，因为过高容易导致Radon变换结果检测中遮掩微弱目标。
(3)Radon变换
对经预处理后做Radon变换的点迹选择，有以下四种方式：
(a)对同一帧雷达数据(即雷达扫描一圈得到的数据)中的连续N1个周期点迹做Radon变换，N1为固定值；
(b)对同一帧雷达数据(即雷达扫描一圈得到的数据)中的连续N1个周期点迹做Radon变换，N1随距离单元的变化而变化，近距离N1值较大，远距离N1值较小；
(c)对N2帧雷达数据的相同周期连续N1个周期点迹做Radon变换，N1为固定值。如果目标为快速或者近距离目标，则N2应取较小值，尽量保证N2个周期内目标位于同一个角度的距离单元内，如果目标为慢速或者远距离目标，则N2应取较大值，可尽可能的积累同一个目标的点迹，提高信噪比。
(d)同(3)中所述，不同之处在于N1随距离单元的变化而变化。
如果N1可变，在多数情况下性能会有较大改善，但算法比较复杂，且运算量比较大，具体采用哪种方式，还需要根据系统资源来确定。
(4)由Radon变换后的结果，可得到目标的角度信息和距离中心点位置的距离，根据Radon变换原理将参数空间的位置关系映射到直角坐标系中，求得目标的真实距离信息。
本发明所述置信等级可根据门限的距离单元与当前单元的门限值的差值以及目标的谱特征等信息来设定。
本发明所述Radon变换处理部分中对经预处理后做Radon变换的点迹选择，可对同一帧雷达数据中的连续N1个周期点迹做Radon变换，N1随距离单元的变化而变化，近距离N1值较大，远距离N1值较小。
Claims (4)
1.一种改进的TBD算法，其特征在于，该算法主要包括目标检测、数据预处理和Radon变换处理、对Radon变换后的结果再次进行CFAR检测四个部分；
(1)所述目标检测部分：基于CA-CFAR检测的算法在杂波边缘会引起虚警率的过分上升，而在多目标环境中将导致检测性能的下降，根据参考窗中的数据来判断当前所处的环境；若当前环境为杂波边缘环境，则采用GO-CFAR；若当前环境为多目标，则采用SO-CFAR；若当前环境处在杂波环境中，则采用OS-CFAR；若参考窗中包含有强干扰或者目标，可采用在判决前将参考窗中最大和最小的一部分数据剔除，然后再做门限判决；
(2)所述数据预处理部分：在每个CPI内可采样N_cpi个点，则需要对判决之后的点迹做N/M处理，即在连续的M个周期内至少有N个周期检测到目标，则认为检测到目标，其中N＜M＜＝N_cpi；设预处理后的点迹矩阵M_ycl*N_ycl，M_ycl为距离单元数，N_ycl为扫描周期数，将该点迹矩阵初始化为全0，当N_ycl1周期的M_ycl1位置检测到目标，则点迹矩阵对应位置有两种处理方式，一种是将其设为1，一种是根据前面N/M处理中的N值对其进行置信等级设定，即N越大，等级越高，N越小，等级越低；
(3)所述Radon变换处理部分：对经预处理后做Radon变换的点迹选择，对同一帧雷达数据中的连续N1个周期点迹做Radon变换，N1为固定值；
(4)所述对Radon变换后的结果再次进行CFAR检测部分：由Radon变换后的结果，可得到目标的角度信息和距离中心点位置的距离，根据Radon变换原理将参数空间的位置关系映射到直角坐标系中，求得目标的真实距离信息。
2.根据权利要求1所述一种改进的TBD算法，其特征在于，所述置信等级可根据门限的距离单元与当前单元的门限值的差值以及目标的谱特征等信息来设定。
3.根据权利要求1所述一种改进的TBD算法，其特征在于，所述Radon变换处理部分中对经预处理后做Radon变换的点迹选择，可对同一帧雷达数据中的连续N1个周期点迹做Radon变换，N1随距离单元的变化而变化，近距离N1值较大，远距离N1值较小。
4.根据权利要求1所述一种改进的TBD算法，其特征在于，所述Radon变换处理部分中对经预处理后做Radon变换的点迹选择，可N2帧雷达数据的相同周期连续N1个周期点迹做Radon变换，N1为固定值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711189458.6A CN109839621A (zh) | 2017-11-24 | 2017-11-24 | 一种改进的tbd算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711189458.6A CN109839621A (zh) | 2017-11-24 | 2017-11-24 | 一种改进的tbd算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109839621A true CN109839621A (zh) | 2019-06-04 |
Family
ID=66876075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711189458.6A Pending CN109839621A (zh) | 2017-11-24 | 2017-11-24 | 一种改进的tbd算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109839621A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110456322A (zh) * | 2019-09-18 | 2019-11-15 | 上海无线电设备研究所 | 一种天地波雷达展宽杂波背景下船目标检测方法 |
| CN110531332A (zh) * | 2019-07-02 | 2019-12-03 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于分段门限的低空慢速小目标检测方法 |
| CN110954895A (zh) * | 2019-12-13 | 2020-04-03 | 哈尔滨工业大学 | 一种基于复伪谱的速度滤波检测前跟踪方法 |
| CN112147609A (zh) * | 2020-10-13 | 2020-12-29 | 中国人民解放军海军工程大学 | 多假设模糊匹配Radon变换的高重频雷达高速机动目标检测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5499030A (en) * | 1994-03-18 | 1996-03-12 | The United States Of America As Represented By The Secretary Of The Air Force | Expert system constant false alarm rate (CFAR) processor |
| CN101000376A (zh) * | 2007-01-08 | 2007-07-18 | 清华大学 | 双基地合成孔径雷达的双门限恒虚警运动目标检测方法 |
| CN103176178A (zh) * | 2013-02-04 | 2013-06-26 | 中国人民解放军海军航空工程学院 | 雷达动目标Radon-分数阶傅里叶变换长时间相参积累检测方法 |
| CN103197301A (zh) * | 2013-03-19 | 2013-07-10 | 中国人民解放军海军航空工程学院 | 海面微动目标Radon-线性正则变换长时间相参积累检测方法 |
| CN103323829A (zh) * | 2013-06-04 | 2013-09-25 | 中国人民解放军海军航空工程学院 | 基于Radon-分数阶模糊函数的雷达动目标长时间相参积累检测方法 |
| CN103344949A (zh) * | 2013-06-18 | 2013-10-09 | 中国人民解放军海军航空工程学院 | 基于Radon-线性正则模糊函数的雷达微弱动目标检测方法 |
| CN104914422A (zh) * | 2015-06-25 | 2015-09-16 | 中国船舶重工集团公司第七二四研究所 | 一种自适应tbd雷达微弱目标检测方法 |
| CN104931934A (zh) * | 2015-06-25 | 2015-09-23 | 中国船舶重工集团公司第七二四研究所 | 一种基于pam聚类分析的雷达点迹凝聚方法 |
| CN105022057A (zh) * | 2015-06-10 | 2015-11-04 | 西安电子科技大学 | 基于改进Radon变换与多帧联合处理的目标检测方法 |
| CN107132515A (zh) * | 2017-05-09 | 2017-09-05 | 哈尔滨工业大学 | 一种基于多维信息约束的点迹筛选方法 |
| CN107340514A (zh) * | 2017-07-10 | 2017-11-10 | 中国人民解放军海军航空工程学院 | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 |
-
2017
- 2017-11-24 CN CN201711189458.6A patent/CN109839621A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5499030A (en) * | 1994-03-18 | 1996-03-12 | The United States Of America As Represented By The Secretary Of The Air Force | Expert system constant false alarm rate (CFAR) processor |
| CN101000376A (zh) * | 2007-01-08 | 2007-07-18 | 清华大学 | 双基地合成孔径雷达的双门限恒虚警运动目标检测方法 |
| CN103176178A (zh) * | 2013-02-04 | 2013-06-26 | 中国人民解放军海军航空工程学院 | 雷达动目标Radon-分数阶傅里叶变换长时间相参积累检测方法 |
| CN103197301A (zh) * | 2013-03-19 | 2013-07-10 | 中国人民解放军海军航空工程学院 | 海面微动目标Radon-线性正则变换长时间相参积累检测方法 |
| CN103323829A (zh) * | 2013-06-04 | 2013-09-25 | 中国人民解放军海军航空工程学院 | 基于Radon-分数阶模糊函数的雷达动目标长时间相参积累检测方法 |
| CN103344949A (zh) * | 2013-06-18 | 2013-10-09 | 中国人民解放军海军航空工程学院 | 基于Radon-线性正则模糊函数的雷达微弱动目标检测方法 |
| CN105022057A (zh) * | 2015-06-10 | 2015-11-04 | 西安电子科技大学 | 基于改进Radon变换与多帧联合处理的目标检测方法 |
| CN104914422A (zh) * | 2015-06-25 | 2015-09-16 | 中国船舶重工集团公司第七二四研究所 | 一种自适应tbd雷达微弱目标检测方法 |
| CN104931934A (zh) * | 2015-06-25 | 2015-09-23 | 中国船舶重工集团公司第七二四研究所 | 一种基于pam聚类分析的雷达点迹凝聚方法 |
| CN107132515A (zh) * | 2017-05-09 | 2017-09-05 | 哈尔滨工业大学 | 一种基于多维信息约束的点迹筛选方法 |
| CN107340514A (zh) * | 2017-07-10 | 2017-11-10 | 中国人民解放军海军航空工程学院 | 三维空间中高超声速弱目标rae‑ht‑tbd积累检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 强勇等: "一种有效的用于雷达弱目标检测的算法", 《电子学报》 * |
| 杨帆等: "基于TBD技术的高频雷达舰船目标检测", 《中国电子科学研究院学报》 * |
| 陆迪等: "基于多帧相关算法的稀布阵雷达目标航迹检测", 《电子科技》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110531332A (zh) * | 2019-07-02 | 2019-12-03 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于分段门限的低空慢速小目标检测方法 |
| CN110456322A (zh) * | 2019-09-18 | 2019-11-15 | 上海无线电设备研究所 | 一种天地波雷达展宽杂波背景下船目标检测方法 |
| CN110954895A (zh) * | 2019-12-13 | 2020-04-03 | 哈尔滨工业大学 | 一种基于复伪谱的速度滤波检测前跟踪方法 |
| CN112147609A (zh) * | 2020-10-13 | 2020-12-29 | 中国人民解放军海军工程大学 | 多假设模糊匹配Radon变换的高重频雷达高速机动目标检测方法 |
| CN112147609B (zh) * | 2020-10-13 | 2022-11-29 | 中国人民解放军海军工程大学 | 多假设模糊匹配Radon变换的高重频雷达高速机动目标检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109839621A (zh) | 一种改进的tbd算法 | |
| CN111624567B (zh) | 一种恒虚警检测方法及装置 | |
| CN105319537B (zh) | 基于空间相关性的航海雷达同频干扰抑制方法 | |
| CN106814358A (zh) | 一种用于超宽带穿墙雷达中多人体目标检测的系统及方法 | |
| CN109782248A (zh) | 一种雷达杂波处理方法 | |
| CN103995258A (zh) | 复杂杂波边缘环境下雷达目标自适应融合检测方法 | |
| CN104914422A (zh) | 一种自适应tbd雷达微弱目标检测方法 | |
| CN110412550A (zh) | 一种基于背景认知的区域自适应海目标检测方法 | |
| CN103197297A (zh) | 基于认知框架的雷达动目标检测方法 | |
| CN106291500B (zh) | 基于fpga的片上系统及其目标检测方法 | |
| CN105954740B (zh) | 基于局部白化的雷达极化检测方法 | |
| CN112332807A (zh) | 一种弱包络信号检测方法和系统 | |
| Guner et al. | Implementation aspects of Wigner-Hough Transform based detectors for LFMCW signals | |
| CN112649791B (zh) | 一种雷达回波处理方法及装置 | |
| CN114814734A (zh) | 一种低信噪比条件下雷达天线扫描类型识别方法和系统 | |
| CN110632592B (zh) | 一种手持式穿墙雷达的虚警消除方法 | |
| CN111157966B (zh) | 一种假目标干扰识别方法 | |
| CN109416397A (zh) | 用于雷达和通信系统的冲击噪声检测和清除 | |
| CN115144830B (zh) | 一种强地物杂波干扰下的小目标雷达检测方法 | |
| Wang et al. | A TBD algorithm based on dynamic-programming for dim radar target detection | |
| Li et al. | Switching variability index based multiple strategy CFAR detector | |
| Quan et al. | A miss-detection probability based thresholding algorithm for an IR-UWB radar sensor | |
| CN113657464B (zh) | 一种降低pmcc次声检测虚警事件数量的方法及存储介质 | |
| CN113671459B (zh) | Fmcw雷达动目标恒虚警检测方法 | |
| Li et al. | Target detection in radar: current status and future possibilities |
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 |
Application publication date: 20190604 |
|
| WD01 | Invention patent application deemed withdrawn after publication |