CN109901130A - 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 - Google Patents
一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 Download PDFInfo
- Publication number
- CN109901130A CN109901130A CN201910195620.8A CN201910195620A CN109901130A CN 109901130 A CN109901130 A CN 109901130A CN 201910195620 A CN201910195620 A CN 201910195620A CN 109901130 A CN109901130 A CN 109901130A
- Authority
- CN
- China
- Prior art keywords
- radon
- 2dpca
- frequency
- doppler
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 229910052704 radon Inorganic materials 0.000 title claims abstract description 49
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 15
- 230000033001 locomotion Effects 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000002592 echocardiography Methods 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 14
- 238000012549 training Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法,其特征在于,包括如下步骤:1)对雷达回波数据进行短时傅里叶变换即STFT获取无人机旋翼微多普勒特征的时频图;2)对步骤1)获取的时频图进行Radon变换,提取微多普勒特征的边缘信息;3)对步骤2)radon变换后的图像采用改进2DPCA算法进一步提取有效特征向量;4)依据步骤3)提取的特征向量采用KNN分类算法识别不同种类的无人机,得到识别结果。这种方法在低信噪比的复杂场景下具有高识别率。
Description
技术领域
本发明涉及微多普勒特征及模式识别技术领域,具体是一种基于Radon变换和改进2DPCA(二维主成分分析,two-dimensional principal component analysis,简称2DPCA)的旋翼无人机检测与识别方法。
背景技术
近几年小型无人机等飞行器发展迅速,小型无人机等飞行器由于成本低、易操作、性能好等优点广泛应用于专业摄影、农林遥感、电网中的故障定位、搜索和救援灾难,但小型无人机等飞行器也存在违法操作,如被用于反社会情况,比如侵犯隐私、非法运输、恐怖袭击等,因此,监测和识别小型无人机对国家安全和人民财产安全具有重要意义。由于小型无人机具有近空、低速、小RCS(雷达散射截面积,Radar Cross-Section,简称RCS)的特点,使得无人机监测与识别问题变得更加困难。雷达作为一种探测器在检测无人机方面有明显优势,使用雷达提取微多普勒特征检测和分类小型无人机成为当前热门的研究方向。近年来国内外专家对上述问题进行了研究,成果斐然,当前检测低小慢目标的方法主要有检测前跟踪技术、基于变换域的检测技术和基于微多普勒特征的检测方法,但是,现有的技术对城市街道、机场等复杂环境中而导致在低信噪比下无人机识别率低的问题。
发明内容
本发明的目的是针对现有技术的不足,而提供一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法。这种方法在低信噪比的复杂场景下具有高识别率。
实现本发明目的的技术方案是:
一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法,与现有技术不同处在于,包括如下步骤:
1)对雷达回波数据进行短时傅里叶变换即STFT获取无人机旋翼微多普勒特征的时频图,其过程为:
(1)依据旋翼特征及微多普勒理论获取雷达回波数据,即
目标的不同运动部分作为单独的散射体,每个散射体都会引起独特的多普勒频移,与单个移动散射体相关的多普勒频移如公式(1)所示:
其中v(n)是移动散射体的时变速度,φ是速度矢量与雷达视线即LOS之间的角度,λ是雷达波长,雷达接收的总信号构成目标的所有散射体的贡献,雷达接收到的目标所有散射点回波之和表示如公式(2)所示:
其中K是移动散射体的总数,aK是第k个散射体的反射率,fk(n)是第k个散射体的多普勒频移,ε(n)是加性噪声,Fs是采样频率,公式(2)中的多普勒信息可以通过提取多普勒特征来分析;
(2)对回波数据采用短时傅里叶变换,获得无人机旋翼的时频图;
2)对步骤1)获取的时频图进行Radon变换,提取微多普勒特征的边缘信息,其过程为:
(1)对带有微多普勒特征的时频图进行预处理即将时频图进行灰度化并转换成100*100像素大小;
(2)对预处理后的图像运用Radon变换,采用Radon算法时的角度为0°—179°度,得到包含时频图边缘信息的图像;
3)对步骤2)radon变换后的图像采用改进2DPCA算法进一步提取有效特征向量,其过程为:
(1)依据2DPCA原理将2DPCA引入用于处理Radon变换后的图像,提取微多普勒特征;
(2)对2DPCA进行改进即采用基于L1范数的2DPCA对Radon变换的图像进行降维处理并提取主成分,以不同维数的主成分作为特征向量;
4)依据步骤3)提取的特征向量采用KNN分类算法识别不同种类的无人机,得到识别结果,其过程为:
(1)采用KNN分类算法时,设定欧氏距离为距离度量;
(2)将不同类型的无人机的特征向量输入到KNN分类算法中,得到识别结果。
本技术方案中,Radon变换的具体分步骤为:
如果把图像看作是一个二维函数f(x,y),Radon变换是指将图像在某一方向上做线性积分,例如f(x,y)沿x轴做radon变换就是图像沿y轴做积分,这些积分的特征代表了被检测图像在特定方向的特征,例如图像中某一个特定方向有一条直线,则Radon变换后会形成一个点,这个点的亮暗程度和所在的位置信息决定了直线的特征,通过点的坐标、亮暗程度等信息得到直线的位置、灰度值的高低,点越亮代表直线的灰度值越高,反之亦成立,
Radon变换可以定义为:
其中
θ是与积分方向向垂直的角度。
Radon变换还有抑制噪声的作用,原理是在积分过程中抵消了噪声引起的亮暗变换,因此,时频图像经过Radon变换后得到变换域图像,相当于提高了SNR,Radon变换可用于低SNR图像的检测,
2DPCA方法是将大小为M×N的图像矩阵X,通过投影矩阵A进行线性变化得到特征矩阵Y,用公式可以表示为Y=XA,其中X为M×N矩阵,A为N×k(k<N)矩阵,Y为M×k矩阵,2DPCA的求解方法与PCA方法类似,先求出样本总体散布矩阵G,其定义为:
然后提取出G的前t个最大的特征值所对应的特征向量v1,v2,…,vk,则投影矩阵A为(v1,v2,…,vk),
2DPCA其实是对图像数据做列方向上的压缩,但是却忽略了图像数据行与行之间的相关性。
2DPCA-L1:基于图像矩阵的投影降维方法,即
训练样本[X1,X2,…,Xn],其中,Xi∈Dr×c,基于L1范数的2DPCA旨在找到最大化的c维投影向量w*:
其中,‖w‖2=1,xij为Xi第j行的转置,
2DPCA-L1方法经迭代计算得出的最优投影向量w*,其中,极性函数可表示为:
其中,w(t)是第t次迭代时的投影向量,第(t+1)次迭代的投影向量w(t+1)更新为:
为了提取第m个投影向量wm,数据集更新为:
最终得到所需数据
K近邻算法分类原理是测量比较不同特征值之间的距离,首先训练带有标签的样本,之后输入没有标记的新数据与训练的样本数据进行比较,计算出与训练样本最相近的类别标签,一般选取样本数据中前K个相似的数据并找出出现次数最多的类别作为新样本的分类结果,K近邻具有精度高、对异常值不敏感的优点,本技术方案中使用的距离度量为欧氏距离,对于两个m维的特征向量x和y欧氏距离定义为:
K近邻算法过程为:
a计算已知特征数据集和被测特征数据集之间的距离;
b按照距离递增排序;
c选取与被测特征数据集相近的k个特征;
d计算各个类别在K个特征中出现的频率;
f选取频率最高的类别作为被测特征的分类。
这种方法在低信噪比的复杂场景下具有高识别率。
附图说明
图1为实施例的原理示意图;
图2为实施例中单旋翼微多普勒特征示意图;
图3为实施例中四旋翼微多普勒特征示意图;
图4为实施例中Radon变换示意图;
图5为实施例中2DPCA变换后的示意图;
图6为不同类型无人机的识别结果示意图。
具体实施方式
下面结合附图和实例对本发明内容作进一步的阐述,但不是对本发明的限定。
实施例:
参照图1,一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法,包括如下步骤:
1)对雷达回波数据进行短时傅里叶变换即STFT获取无人机旋翼微多普勒特征的时频图,其过程为:
(1)依据旋翼特征及微多普勒理论获取雷达回波数据,即
目标的不同运动部分作为单独的散射体,每个散射体都会引起独特的多普勒频移,与单个移动散射体相关的多普勒频移如公式(1)所示:
其中v(n)是移动散射体的时变速度,φ是速度矢量与雷达视线即LOS之间的角度,λ是雷达波长,雷达接收的总信号构成目标的所有散射体的贡献,雷达接收到的目标所有散射点回波之和表示如公式(2)所示:
其中K是移动散射体的总数,ak是第k个散射体的反射率,fk(n)是第k个散射体的多普勒频移,ε(n)是加性噪声,Fs是采样频率,公式(2)中的多普勒信息可以通过提取微多普勒特征来分析,根据上述理论仿真得到单旋翼微多普勒特征图如图2所示,四旋翼微多普勒特征图如图3所示;
(2)对回波数据采用短时傅里叶变换,获得无人机旋翼的时频图;
2)对步骤1)获取的时频图进行Radon变换,提取微多普勒特征的边缘信息,其过程为:
(1)对带有微多普勒特征的时频图进行预处理即将时频图进行灰度化并转换成100*100像素大小;
(2)对预处理后的图像运用Radon变换,采用Radon算法时的角度为0°—179°度,得到包含时频图边缘信息的图像;
3)对步骤2)radon变换后的图像采用改进2DPCA算法进一步提取有效特征向量,其过程为:
(1)依据2DPCA原理将2DPCA引入用于处理Radon变换后的图像,提取微多普勒特征;
(2)对2DPCA进行改进即采用基于L1范数的2DPCA对Radon变换的图像进行降维处理并提取主成分,以不同维数的主成分作为特征向量;
4)依据步骤3)提取的特征向量采用KNN分类算法识别不同种类的无人机,得到识别结果,其过程为:
(1)采用KNN分类算法时,设定欧氏距离为距离度量;
(2)将不同类型的无人机的特征向量输入到KNN分类算法中,得到识别结果。
本技术方案中,Radon变换的具体分步骤为:
如果把图像看作是一个二维函数f(x,y),Radon变换是指将图像在某一方向上做线性积分,例如f(x,y)沿x轴做radon变换就是图像沿y轴做积分,这些积分的特征代表了被检测图像在特定方向的特征,例如图像中某一个特定方向有一条直线,则Radon变换后会形成一个点,这个点的亮暗程度和所在的位置信息决定了直线的特征,通过点的坐标、亮暗程度等信息得到直线的位置、灰度值的高低,点越亮代表直线的灰度值越高,反之亦成立,
Radon变换可以定义为:
其中
θ是与积分方向向垂直的角度,Radon变换原理图如图4所示;
Radon变换还有抑制噪声的作用,原理是在积分过程中抵消了噪声引起的亮暗变换,因此,时频图像经过Radon变换后得到变换域图像,相当于提高了SNR,Radon变换可用于低SNR图像的检测,
2DPCA方法是将大小为M×N的图像矩阵X,通过投影矩阵A进行线性变化得到特征矩阵Y,用公式可以表示为Y=XA,其中X为M×N矩阵,A为N×k(k<N)矩阵,Y为M×k矩阵,2DPCA的求解方法与PCA方法类似,先求出样本总体散布矩阵G,其定义为:
然后提取出G的前t个最大的特征值所对应的特征向量v1,v2,…,vk,则投影矩阵A为(v1,v2,…,vk),经2DPCA处理后的图像如图5所示;
2DPCA其实是对图像数据做列方向上的压缩,但是却忽略了图像数据行与行之间的相关性。
2DPCA-L1:基于图像矩阵的投影降维方法,即
训练样本[X1,X2,…,Xn],其中,Xi∈Dr×c,基于L1范数的2DPCA旨在找到最大化的c维投影向量w*:
其中,‖w‖2=1,xij为Xi第j行的转置,
2DPCA-L1方法经迭代计算得出的最优投影向量w*,其中,极性函数可表示为:
其中,w(t)是第t次迭代时的投影向量,第(t+1)次迭代的投影向量w(t+1)更新为:
为了提取第m个投影向量wm,数据集更新为:
最终得到所需数据
K近邻算法分类原理是测量比较不同特征值之间的距离,首先训练带有标签的样本,之后输入没有标记的新数据与训练的样本数据进行比较,计算出与训练样本最相近的类别标签,一般选取样本数据中前K个相似的数据并找出出现次数最多的类别作为新样本的分类结果,K近邻具有精度高、对异常值不敏感的优点,本技术方案中使用的距离度量为欧氏距离,对于两个m维的特征向量x和y欧氏距离定义为:
K近邻算法过程为:
a计算已知特征数据集和被测特征数据集之间的距离;
b按照距离递增排序;
c选取与被测特征数据集相近的k个特征;
d计算各个类别在K个特征中出现的频率;
f选取频率最高的类别作为被测特征的分类。
本例对单旋翼、四旋翼和鸟类进行了分析与验证,其主要参数如下表1:
表1
除了上述参数外还有图像参数需要说明,验证过程中所有的图像大小均为100*100(像素),类别数为3类,每一类有20个样本图像,信噪比设置为SNR=-15dB。
本例对理想化模型以及现实情况都进行了仿真,结果如下表2:
表2
其中,在STFT(不加噪)情况下三种方法的分类精度均为100%,在STFT(加噪)情况下,最高平均识别率为86.19%,相比于不加噪的情况识别率明显降低符合实际情况,STFT+Radon(加噪)情况下的识别效果如图6所示,STFT+Radon(加噪)情况下最高平均识别率达到了96.67%,与STFT(加噪)情况相比识别结果有了明显的上升,两种方法相比识别率提升了10%以上,说明改进后的本例方法具有明显的优势。
将其他同行文献中使用的模型所得到的结果与本例方法进行对比如下表3所示:
表3
性能分析:
使用本例方法方法识别率均高于其它方法的识别率,同样是基于微多普勒特征的旋翼无人机识别,本例方法比微多普勒特征(MDS)算法的识别率提高了7.34%,比最新的研究结果高2.47%,通过改进PCA算法与Radon变换相结合的方法运用到微多普勒特征提取中,进一步提取目标的频率信息、峰值信息和边缘信息,提取出更有效的特征用于分类识别,在低信噪比情况下具有较高的识别率。
Claims (1)
1.一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法,其特征在于,包括如下步骤:
1)对雷达回波数据进行短时傅里叶变换即STFT获取无人机旋翼微多普勒特征的时频图,其过程为:
(1)依据旋翼特征及微多普勒理论获取雷达回波数据,即
目标的不同运动部分作为单独的散射体,每个散射体都会引起独特的多普勒频移,与单个移动散射体相关的多普勒频移如公式(1)所示:
其中v(n)是移动散射体的时变速度,φ是速度矢量与雷达视线即LOS之间的角度,λ是雷达波长,雷达接收到的目标所有散射点回波之和表示如公式(2)所示:
其中K是移动散射体的总数,ak是第k个散射体的反射率,fk(n)是第k个散射体的多普勒频移,ε(n)是加性噪声,Fs是采样频率;
(2)对回波数据采用短时傅里叶变换,获得无人机旋翼的时频图;
2)对步骤1)获取的时频图进行Radon变换,提取微多普勒特征的边缘信息,其过程为:
(1)对带有微多普勒特征的时频图进行预处理即将时频图进行灰度化并转换成100*100像素大小;
(2)对预处理后的图像运用Radon变换,采用Radon算法时的角度为0°—179°度,得到包含时频图边缘信息的图像;
3)对步骤2)radon变换后的图像采用改进2DPCA算法进一步提取有效特征向量,其过程为:
(1)依据2DPCA原理将2DPCA引入用于处理Radon变换后的图像,提取微多普勒特征;
(2)对2DPCA进行改进即采用基于L1范数的2DPCA对Radon变换的图像进行降维处理并提取主成分,以不同维数的主成分作为特征向量;
4)依据步骤3)提取的特征向量采用KNN分类算法识别不同种类的无人机,得到识别结果,其过程为:
(1)采用KNN分类算法时,设定欧氏距离为距离度量;
(2)将不同类型的无人机的特征向量输入到KNN分类算法中,得到识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910195620.8A CN109901130B (zh) | 2019-03-15 | 2019-03-15 | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910195620.8A CN109901130B (zh) | 2019-03-15 | 2019-03-15 | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109901130A true CN109901130A (zh) | 2019-06-18 |
CN109901130B CN109901130B (zh) | 2022-04-22 |
Family
ID=66952114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910195620.8A Expired - Fee Related CN109901130B (zh) | 2019-03-15 | 2019-03-15 | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109901130B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850386A (zh) * | 2019-11-20 | 2020-02-28 | 中北大学 | 一种基于分数阶域特征的旋翼类无人机深度学习识别方法 |
CN111198359A (zh) * | 2020-01-11 | 2020-05-26 | 桂林电子科技大学 | 一种基于目标多普勒宽度的旋翼无人机检测方法 |
CN111257872A (zh) * | 2020-01-07 | 2020-06-09 | 哈尔滨工业大学 | 基于Radon变换与拉普拉斯算子的微多普勒抑制方法 |
CN112068120A (zh) * | 2020-08-29 | 2020-12-11 | 西安电子工程研究所 | 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法 |
CN113093170A (zh) * | 2021-06-07 | 2021-07-09 | 长沙莫之比智能科技有限公司 | 一种基于knn算法的毫米波雷达室内人员检测方法 |
CN116953652A (zh) * | 2023-08-04 | 2023-10-27 | 中国人民解放军空军预警学院 | 基于GS-IRadon算法旋翼目标微动特征提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950554A (zh) * | 2017-03-21 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 实现振动干扰条件下旋转目标参数估计的方法 |
CN107748862A (zh) * | 2017-09-21 | 2018-03-02 | 清华大学 | 一种基于双频雷达信号时频分布的无人机分类方法及装置 |
CN107918123A (zh) * | 2017-10-19 | 2018-04-17 | 上海无线电设备研究所 | 太赫兹isar目标微动部件分离与特征参数估计方法 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
CN108388850A (zh) * | 2018-02-08 | 2018-08-10 | 天津大学 | 一种基于k最近邻及微多普勒特征的人体动作识别方法 |
CN109409225A (zh) * | 2018-09-21 | 2019-03-01 | 清华大学 | 基于雷达多径信号时频特征融合的无人机分类方法及装置 |
-
2019
- 2019-03-15 CN CN201910195620.8A patent/CN109901130B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950554A (zh) * | 2017-03-21 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 实现振动干扰条件下旋转目标参数估计的方法 |
CN107748862A (zh) * | 2017-09-21 | 2018-03-02 | 清华大学 | 一种基于双频雷达信号时频分布的无人机分类方法及装置 |
CN107918123A (zh) * | 2017-10-19 | 2018-04-17 | 上海无线电设备研究所 | 太赫兹isar目标微动部件分离与特征参数估计方法 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
CN108388850A (zh) * | 2018-02-08 | 2018-08-10 | 天津大学 | 一种基于k最近邻及微多普勒特征的人体动作识别方法 |
CN109409225A (zh) * | 2018-09-21 | 2019-03-01 | 清华大学 | 基于雷达多径信号时频特征融合的无人机分类方法及装置 |
Non-Patent Citations (5)
Title |
---|
JIAN M: "Experimental study on radar micro -Doppler signatures of unmanned aerial vehicles", 《PROCEEDINGS OF 2017 IEEE RADAR CONFERENCE》 * |
ZHENGWU XU: "Research on micro-feature extraction algorithm of target based on terahertz radar", 《EURASIP JOURNAL ON WIRELESS COMMUNICATIONS AND NETWORKING》 * |
谢玉凯: "基于L1范数的特征提取算法研究", 《兰州文理学院学报(自然科学版)》 * |
闰荣华: "PCA与2DPCA的关系", 《计算机科学》 * |
黄琳琳: "雷达微多普勒特征提取与参数估计算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850386A (zh) * | 2019-11-20 | 2020-02-28 | 中北大学 | 一种基于分数阶域特征的旋翼类无人机深度学习识别方法 |
CN110850386B (zh) * | 2019-11-20 | 2023-04-18 | 中北大学 | 一种基于分数阶域特征的旋翼类无人机深度学习识别方法 |
CN111257872A (zh) * | 2020-01-07 | 2020-06-09 | 哈尔滨工业大学 | 基于Radon变换与拉普拉斯算子的微多普勒抑制方法 |
CN111257872B (zh) * | 2020-01-07 | 2023-04-28 | 哈尔滨工业大学 | 基于Radon变换与拉普拉斯算子的微多普勒抑制方法 |
CN111198359A (zh) * | 2020-01-11 | 2020-05-26 | 桂林电子科技大学 | 一种基于目标多普勒宽度的旋翼无人机检测方法 |
CN112068120A (zh) * | 2020-08-29 | 2020-12-11 | 西安电子工程研究所 | 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法 |
CN113093170A (zh) * | 2021-06-07 | 2021-07-09 | 长沙莫之比智能科技有限公司 | 一种基于knn算法的毫米波雷达室内人员检测方法 |
CN113093170B (zh) * | 2021-06-07 | 2021-08-13 | 长沙莫之比智能科技有限公司 | 一种基于knn算法的毫米波雷达室内人员检测方法 |
CN116953652A (zh) * | 2023-08-04 | 2023-10-27 | 中国人民解放军空军预警学院 | 基于GS-IRadon算法旋翼目标微动特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109901130B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109901130A (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
Paladini et al. | Classification of man-made targets via invariant coherency-matrix eigenvector decomposition of polarimetric SAR/ISAR images | |
Khazai et al. | An approach for subpixel anomaly detection in hyperspectral images | |
Popescu et al. | Contextual descriptors for scene classes in very high resolution SAR images | |
Xiao et al. | Polarimetric coherence optimization and its application for manmade target extraction in PolSAR data | |
Missaoui et al. | Land-mine detection with ground-penetrating radar using multistream discrete hidden Markov models | |
CN107330457B (zh) | 一种基于多特征融合的极化sar图像分类方法 | |
Li et al. | Target discrimination for SAR ATR based on scattering center feature and K-center one-class classification | |
CN106096506A (zh) | 基于子类类间判别双字典的sar目标识别方法 | |
CN108171193A (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
CN102208017A (zh) | 基于高分辨率合成孔径雷达图像的舰船检测方法 | |
Gou et al. | Coastal zone classification with fully polarimetric SAR imagery | |
CN105005767A (zh) | 一种基于微波遥感影像森林类型识别方法 | |
CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
Zhai et al. | A novel sense-through-foliage target recognition system based on sparse representation and improved particle swarm optimization-based support vector machine | |
Ramkumar et al. | A Survey On Sar Images Using Image Processing Techniques | |
Mesecan et al. | Searching the effects of image scaling for underground object detection using KMeans and KNN | |
CN104751183A (zh) | 基于张量mpca的极化sar图像分类方法 | |
CN103116740A (zh) | 一种水下目标识别方法及其装置 | |
Zhang et al. | Vector phase symmetry for stable hyperbola detection in ground-penetrating radar images | |
CN110516552A (zh) | 一种基于时序曲线的多极化雷达图像分类方法及系统 | |
Gudnason et al. | HRR automatic target recognition from superresolution scattering center features | |
Wei et al. | Texture feature analysis in oil spill monitoring by SAR image | |
EP1515160B1 (en) | A target shadow detector for synthetic aperture radar |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220422 |