CN109917378A - 利用时空关联的VideoSAR运动目标检测方法 - Google Patents
利用时空关联的VideoSAR运动目标检测方法 Download PDFInfo
- Publication number
- CN109917378A CN109917378A CN201811604366.4A CN201811604366A CN109917378A CN 109917378 A CN109917378 A CN 109917378A CN 201811604366 A CN201811604366 A CN 201811604366A CN 109917378 A CN109917378 A CN 109917378A
- Authority
- CN
- China
- Prior art keywords
- target
- moving target
- detection
- track
- shade
- 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
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了利用时空关联的VideoSAR运动目标检测方法,具体过程为:步骤一,采用基本的静止阴影检测模型对VideoSAR的单帧图像进行阴影检测;步骤二,采用匹配搜索的方式获得目标运动参数,获得运动目标估计速度;步骤三,通过卡尔曼滤波的跟踪算法对运动目标的进行航迹跟踪,使用航迹关联的方法初步筛选真实的运动目标;步骤四,采用时空关联的方法对步骤三中的目标跟踪,经过一段时间后,对比第一帧和最后一帧图像阴影区域质心距离与给定门限的距离,筛选真实的运动目标阴影。实现从大概率运动目标集中剔除静止阴影,提升了VideoSAR运动目标检测的准确性和配准误差稳健性,在运动目标速度快,目标散焦导致的信噪比低的情况下,可以筛选出真实的运动目标。
Description
技术领域
本发明属于雷达技术领域,特别涉及一种动目标检测方法,可用于地物背景下小型无人机以及拍摄不清楚的模糊运动目标等弱动目标的检测。
背景技术
运动目标检测是利用统计的方法得到背景模型,并实时地对背景模型进行更新以适应光线变化和场景本身的变化,消除噪声和背景扰动带来的影响,在HSV色度空间下检测阴影,得到准确的运动目标。
现有技术针对视频合成孔径雷达VideoSAR下视工作时运动目标速度快导致的信噪比SNR低以及帧间时空配准精度不高造成地物背景消除性能下降的难题,开展了对运动目标阴影检测的研究。快速运动目标在成像中由于散焦直接检测极其困难,目标的阴影可作为检测的重要手段。
传统静止阴影检测模型直接应用于VideoSAR运动目标检测,存在虚警目标多、难以排除静止阴影困难的问题,
M.Jahangir等人提出了一种基于多视角跟踪目标阴影的SAR图像运动目标检测的方法。该方法可以比较准确的检测到SAR图像中的目标阴影,剔除一些过大过小或者是不符合目标形状的虚假阴影并能完成初步的目标跟踪,但是该方法只通过简单的目标形状来剔除虚假阴影,并不能完全剔除静止的阴影。
南京航空航天大学的张营等人提出了一种VideoSAR图像中动目标阴影检测的方法,该方法对高帧率SAR图像检测鲁棒性强,有效降低虚警和漏警,但是针对小型无人机等弱运动目标检测准确性较差。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种利用时空关联的VideoSAR运动目标检测方法,以有效的剔除虚假阴影和静止的阴影,提高弱运动目标检测的准确度。
本发明的技术思路是:利用运动目标帧间的时空关联特性,通过将阴影检测和卡尔曼滤波的结合提高对运动目标检测的准确性,通过对Sandia实验室的VideoSAR实测数据处理结果,验证本发明的有效性。
根据上述思路,本发明的技术方案包括如下:
(1)采用现有的静止阴影检测模型对视频合成孔径雷达VideoSAR的单帧图像进行阴影检测,得到带有虚警目标的阴影集;
(2)采用匹配搜索的方式对(1)中带有虚警目标的阴影集进行运动参数估计,获得运动目标估计速度;
(3)利用(2)的运动目标估计速度,通过卡尔曼滤波的跟踪算法对(1)中带有虚警目标的阴影集进行航迹跟踪,进而使用航迹关联的方法初步筛选真实的运动目标,剔除虚假的目标;
(4)采用时空关联的方法对(3)中目标跟踪,经过时间积累后,对比第一帧和最后一帧图像阴影区域质心距离与给定门限的距离,筛选真实的运动目标阴影。
本发明与现有技术相比有以下优点:
①利用时空关联的特性,实现了从大概率运动目标集中剔除静止阴影。
②提升了VideoSAR运动目标检测的准确性和配准误差稳健性。
③在运动目标速度快,目标散焦导致的信噪比低的情况下,可以筛选出真实的运动目标。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍:
图1为本发明实施例提供的一种利用时空关联的VideoSAR运动目标检测方法的流程示意图;
图2为本发明实施例提供的原始的VedioSAR图;
图3为本发明实施例提供的初步阴影检测结果图;
图4为本发明实施例提供的静止阴影区域剔除和目标跟踪图;
图5为本发明实施例提供的时空关联运动目标检测结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种利用时空关联的VideoSAR运动目标检测方法。
下面将参照图1,对本发明实施例中的技术方案进行清楚、完整地描述。
(1)选取合适的SAR图片,如图2。采用基本的静止阴影检测模型对VideoSAR的单帧图像进行阴影检测并获得初步的阴影目标(包含运动的阴影即目标,静止的阴影即如树木、低洼等)。
(1)具体包括以下子步骤:
(1a):估计局部杂波功率(强度)σ0H和噪声功率σN。
计算公式如下:
式中Pr为平均发射功率,λ为波长,G(θm,n)为天线增益,L为系统损失,σ为地表后向反射系数,D为方向系数。
式中σn是加性噪声等效杂波反射系数;MNR代表乘性噪声比,是一个比例常数;是杂波场景的平均后向散射。
(1b):计算检测门限。这里为了提高阴影的检测性能,我们采用中值滤波方式进行SAR图像处理。中值滤波后,SAR图像的强度值分布的概率密度函数为:
其中,N表示中值滤波窗内的总像素个数。因此中值滤波后的阴影检测的虚警概率和检测概率分别为:
和
其中,pcn,Nmedian(I)表示均值为<I>=σN+σ0H的负指数分布杂波强度值经过中值滤波后的概率密度函数,pn,Nmedian(I)均值为<I>=σN的负指数分布噪声强度值经过中值滤波后的概率密度函数。由于上式难以获得解析解,因此可以采用数值计算方式计算虚警概率和检测概率,进而计算检测门限。
(1c):阴影检测。对比步骤(1b)计算的强度检测门限和当前待检测像素的强度值,如果该强度值大于门限,则判定其为杂波区域;反之则认为该像素属于阴影区域。
(1d):形态学滤波处理。利用形态学滤波对检测的阴影区域目标进行填充和边缘锐化等处理。最后根据运动目标阴影区域的范围,剔除过大和过小的检测区域。
经过上述处理之后,可以得到初步阴影检测的图片,如图3,进而得到了带有虚警目标的阴影集。
(2)利用CSR来估计目标的运动参数,即目标的径向速度和方位速度。
CSR的定义为:局部杂波的功率σ0H与阴影区域功率σ(x,y)之比,即
其中,阴影区域功率为:
σ(x,y)=σN+σ0H(1-A(x,y))
式中,A(x,y)表示阴影区域任意位置(x,y)处平均遮挡时间比,即阴影区域任意位置(x,y)在合成孔径时间内被运动目标遮挡的时间与合成孔径时间之比:
其中,vtx和vty=vr/cosψ分别表示运动目标的方位和地距速度,vr表示目标相对于雷达视线的径向速度,ψ表示雷达视线到目标的擦地角。Lshadow和Wshadow分别表示理想的静止目标(目标在地距、方位方向的宽度和高度分别为D、W和h)阴影在地距平面上的长度和宽度,具体表达式为:
得到:
式中,CNR=σ0H/σN表示杂噪比(CNR)。显然,当A(x,y)=1时,CSR=CNR。
由此可得目标的运动参数和CSR的关系,因此,我们采用匹配搜索的方式获得目标运动参数的估计值:
其中(m,n)∈Ω且满足阴影可靠检测条件的像素,即门限CSR门限且通常为3dB)的区域。Ω表示一个扩展目标阴影区域位置的集合,即:
式中,表示两个实数集合的笛卡尔直积。
利用上述模型搜索检测区域将(vtx,vty)以步进为1的速度间隔进行搜索匹配,直到找到与理论阴影区域CSR间的相关系数最大值,此时搜索到的速度就是速度估计。
(3)通过卡尔曼滤波的跟踪算法来实现对运动目标的跟踪,即预测(或估计)经过时间间隔Δt后,运动目标的状态,可分为两步:第一步确定初步检测的阴影区域的质心,第二步确定质心估计的误差范围。其具体步骤如下:
(3a):确定关联阴影区域的质心。利用前后两帧SAR图像照射同一个区域的帧间时差和步骤2得到目标的运动参数计算关联波门中心。
在t时刻观测,定义目标的质心在SAR图像上的空间状态信息向量Xt,则Xt为t时刻的关联波门中心。
其中Saz和Srange分别为SAR图像方位向总长度和斜距向总长度,xt和yt表示t时刻目标在SAR图像中方位向长度和斜距向长度,vx,t和vr,t分别表示t时刻目标方位向速度和径向速度。
将直升机下视路面的一帧场景(针对其中的一个目标)定为在t1时刻(第一次观测),对区域S观测,进行阴影(即目标)检测得到目标的空间状态信息向量那么直升机匀速飞行经过时间Δt后,对S区域观测,得到目标的检测空间状态信息向量利用第一次观测的目标检测空间状态信息可以预测t2时刻得到该目标检测后的空间状态信息预测值即两个时刻的检测空间状态向量为:
已知时间关系:t2=t1+Δt,可以得到t2时刻目标检测空间状态信息的预测值即
假定目标加速度为0,表示状态矢量的时间一阶导数,状态转移矩阵为:
因此可得关联阴影区域的质心方程为:
其中是加性的状态转移噪声,Φ(t2|t1)是系统的线性状态转移函数。
(3b)确定阴影质心估计的误差范围。参数估计时会有一个误差扰动的范围。该范围是一个关联阴影质心的估计方差,其值可以由目标运动参数估计方差确定。
观测方程为:其中是加性的观测噪声,是系统的量测矩阵。
对上述映射关系进行等间隔为Ts的采样,得到时间离散化后的目标状态方程(假设当前为第k次采样,Δt时间后为k+1次采样):
时间离散化后的目标观测方程为:综上所述,可以得到卡尔曼滤波的一步预测过程如下:
①状态的一步预测:
②状态协方差的一步预测:P(k+1|k)=Φ(k+1|k)P(k|k)ΦT(k+1|k)+Qk
其中P(k|k)是Xr(k)的协方差矩阵,Qk是随机扰动;
③量测的预测:
④新息:
⑤新息协方差:S(k+1)=H(k+1|k)P(k+1|k)HT(k+1|k)+R(k+1),
其中,P(k+1|k)是Xr(k+1)的协方差矩阵,R(k+1)是随机扰动的协方差矩阵;
⑥增益:K(k+1)=P(k+1|k)HT(k+1)S-1(k+1);
⑦状态更新:
P(k+1|k+1)=P(k+1|k)-K(k+1)S(k+1)KT(k+1)。
阴影质心估计的误差范围是一个关联阴影质心的估计方差,因此该误差范围为P(k+1|k+1)
(4)利用通过一段较长时间的积累判断该积累时间段内第一帧和最后一帧图像的阴影区域质心距离是否超过给定门限。若是超过给定门限则确认该阴影区域为运动目标阴影;反之,则认为该区域为虚假的静止目标阴影。
假设在积累时间段内第i个航迹关联的阴影区域的第一帧和最后一帧图像数据标号分别记为Lfirst和Llast(Llast-Lfirst=K,0<K<TK,其中TK表示积累帧数门限),若对于第i个航迹关联的阴影区域在第一帧和最后一帧图像数据中的质心位置欧式距离满足下式的条件,则判断该阴影区域为真实目标阴影;反之,则剔除该阴影区域。
其中,表示质心位置和间的欧式距离。Tdist>0表示距离门限,由积累时间段内的第一帧和最后一帧图像序列的配准误差以及平台运动视角等因素确定。注意到,当某个航迹的积累帧数超过TK后需要修改第一帧和最后一帧的位置,即将第一帧和最后一帧的位置同时后移一帧。由此即可完成静止阴影区域剔除和目标跟踪,如图4所示。
通过以上步骤,利用时空关联的方法对VideoSAR图像进行运动目标检测,得到的检测结果图如图5所示。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.利用时空关联的VideoSAR动目标检测方法,其特征在于,包括如下:
(1)采用现有的静止阴影检测模型对视频合成孔径雷达VideoSAR的单帧图像进行阴影检测,得到带有虚警目标的阴影集;
(2)采用匹配搜索的方式对(1)中带有虚警目标的阴影集进行运动参数估计,获得运动目标估计速度;
(3)利用(2)的运动目标估计速度,通过卡尔曼滤波的跟踪算法对(1)中带有虚警目标的阴影集进行航迹跟踪,进而使用航迹关联的方法初步筛选真实的运动目标,剔除虚假的目标;
(4)采用时空关联的方法对(3)中目标跟踪,经过时间积累后,对比第一帧和最后一帧图像阴影区域质心距离与给定门限的距离,筛选真实的运动目标阴影。
2.根据权利要求1所述的方法,其特征在于,(1)中采用现有的静止阴影检测模型对视频合成孔径雷达VideoSAR的单帧图像进行阴影检测,其实现如下:
(1a)估计局部杂波功率σ0H和噪声功率σN;
其中,Pr为平均发射功率,λ为波长,G(θm,n)为天线增益,L为系统损失,σ为地表后向反射系数,D为方向系数;σn是加性噪声等效杂波反射系数,MNR代表乘性噪声比,是一个比例常数;是杂波场景的平均后向散射;
(1b)计算检测门限:
(1b1)利用(1a)中得到的杂波功率σ0H和噪声功率σN,计算负指数分布的杂波强度值的概率密度函数pcn(I):
其中,I为像素强度值,<I>=σN+σ0H为负指数分布的均值。
(1b2)利用(1b1)中的pcn(I)采用数值计算的方法计算检测门限T:
(1c)将当前待检测像素的强度值与(1b)计算的强度检测门限T进行对比,如果该强度值大于门限,则判定其为杂波区域;反之,认为该像素属于阴影区域;
(1d)利用形态学滤波对(1c)中检测的阴影区域目标进行填充和边缘锐化处理,并根据运动目标阴影区域的范围,剔除最大和最小的检测区域。
3.根据权利要求1所述的方法,其特征在于,步骤(3)利用卡尔曼滤波的跟踪算法进行航迹跟踪,其实现如下:
(3a)确定关联阴影区域的质心。
(3a1)根据(2)中得到的运动目标估计速度计算t1时刻检测空间状态向量Xt1:
其中和表示t1时刻目标在SAR图像中方位向长度和斜距向长度,和分别表示t1时刻目标方位向速度和径向速度,Saz和Srange分别为SAR图像方位向总长度和斜距向总长度,R为速度空间;
(3a2)根据(3a1)的结果计算关联阴影区域的质心方程Xt2:
其中t1为初始时刻,t2为当前时刻,t2=t1+Δt,Δt为帧间时差,是加性的状态转移噪声,Φ(t2|t1)是系统的线性状态转移函数;
(3b)确定阴影质心估计的误差范围。误差范围是一个关联阴影质心的估计方差,其值可以由目标运动参数估计方差确定。
(3b1)由(3a2)的Xt2得到时间离散化后的目标状态的一步预测:
其中k为当前采样次数,k+1为Δt时间后次采样次数,Φ(k+1|k)为离散的系统的线性状态转移函数。
(3b2)根据(3b1)中的利用卡尔曼滤波算法可得协方差:
P(k+1|k+1)=P(k+1|k)-K(k+1)S(k+1)KT(k+1),
其中,P(k+1|k)是Xr(k+1)的协方差矩阵,K(k+1)为增益矩阵,S(k+1)为新息协方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811604366.4A CN109917378B (zh) | 2018-12-26 | 2018-12-26 | 利用时空关联的VideoSAR运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811604366.4A CN109917378B (zh) | 2018-12-26 | 2018-12-26 | 利用时空关联的VideoSAR运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109917378A true CN109917378A (zh) | 2019-06-21 |
CN109917378B CN109917378B (zh) | 2023-04-11 |
Family
ID=66960031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811604366.4A Active CN109917378B (zh) | 2018-12-26 | 2018-12-26 | 利用时空关联的VideoSAR运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109917378B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728695A (zh) * | 2019-10-22 | 2020-01-24 | 西安电子科技大学 | 基于图像区域积累的视频sar运动目标检测方法 |
CN111208479A (zh) * | 2020-01-15 | 2020-05-29 | 电子科技大学 | 一种降低深度网络检测中虚警概率的方法 |
CN111311644A (zh) * | 2020-01-15 | 2020-06-19 | 电子科技大学 | 一种基于视频sar的运动目标检测方法 |
CN111769904A (zh) * | 2020-06-23 | 2020-10-13 | 电子科技大学 | 一种反向散射通信系统中多反射设备并行传输的检测方法 |
CN112184749A (zh) * | 2020-10-09 | 2021-01-05 | 西安电子科技大学 | 基于视频sar跨域联合的动目标跟踪方法 |
CN112698268A (zh) * | 2020-12-10 | 2021-04-23 | 青岛海信网络科技股份有限公司 | 一种目标设备的定位方法和定位终端 |
CN112904338A (zh) * | 2021-01-20 | 2021-06-04 | 西安电子科技大学 | 一种基于能量损失的多通道高分辨sar图像阴影检测方法 |
CN113050088A (zh) * | 2021-03-17 | 2021-06-29 | 电子科技大学 | 一种基于视频sar阴影的定位方法 |
CN113283330A (zh) * | 2021-05-20 | 2021-08-20 | 南京航空航天大学 | 基于深度学习与多目标跟踪算法的视频sar动目标检测方法 |
CN114488132A (zh) * | 2022-02-22 | 2022-05-13 | 北京卫星信息工程研究所 | 星载gnss-s雷达的目标检测方法 |
CN117169887A (zh) * | 2023-11-03 | 2023-12-05 | 武汉能钠智能装备技术股份有限公司 | 基于方向确定的sar地面移动目标定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8994577B1 (en) * | 2012-07-05 | 2015-03-31 | Sandia Corporation | Synthetic aperture radar images with composite azimuth resolution |
CN104931966A (zh) * | 2015-06-12 | 2015-09-23 | 北京航空航天大学 | 一种基于dcs算法的星载视频sar成像处理方法 |
CN108957453A (zh) * | 2018-07-23 | 2018-12-07 | 航天恒星科技有限公司 | 一种基于多目标跟踪的高精度动目标成像及识别方法 |
-
2018
- 2018-12-26 CN CN201811604366.4A patent/CN109917378B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8994577B1 (en) * | 2012-07-05 | 2015-03-31 | Sandia Corporation | Synthetic aperture radar images with composite azimuth resolution |
CN104931966A (zh) * | 2015-06-12 | 2015-09-23 | 北京航空航天大学 | 一种基于dcs算法的星载视频sar成像处理方法 |
CN108957453A (zh) * | 2018-07-23 | 2018-12-07 | 航天恒星科技有限公司 | 一种基于多目标跟踪的高精度动目标成像及识别方法 |
Non-Patent Citations (3)
Title |
---|
张营等: "一种VideoSAR动目标阴影检测方法", 《电子与信息学报》 * |
王亚敏等: "基于星载视频SAR的海上运动目标监视方法", 《海军航空工程学院学报》 * |
聊蕾等: "基于图像序列的VideoSAR动目标检测方法", 《雷达科学与技术》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728695A (zh) * | 2019-10-22 | 2020-01-24 | 西安电子科技大学 | 基于图像区域积累的视频sar运动目标检测方法 |
CN110728695B (zh) * | 2019-10-22 | 2022-03-04 | 西安电子科技大学 | 基于图像区域积累的视频sar运动目标检测方法 |
CN111208479B (zh) * | 2020-01-15 | 2022-08-02 | 电子科技大学 | 一种降低深度网络检测中虚警概率的方法 |
CN111208479A (zh) * | 2020-01-15 | 2020-05-29 | 电子科技大学 | 一种降低深度网络检测中虚警概率的方法 |
CN111311644A (zh) * | 2020-01-15 | 2020-06-19 | 电子科技大学 | 一种基于视频sar的运动目标检测方法 |
CN111311644B (zh) * | 2020-01-15 | 2021-03-30 | 电子科技大学 | 一种基于视频sar的运动目标检测方法 |
CN111769904A (zh) * | 2020-06-23 | 2020-10-13 | 电子科技大学 | 一种反向散射通信系统中多反射设备并行传输的检测方法 |
CN112184749A (zh) * | 2020-10-09 | 2021-01-05 | 西安电子科技大学 | 基于视频sar跨域联合的动目标跟踪方法 |
CN112698268A (zh) * | 2020-12-10 | 2021-04-23 | 青岛海信网络科技股份有限公司 | 一种目标设备的定位方法和定位终端 |
CN112904338A (zh) * | 2021-01-20 | 2021-06-04 | 西安电子科技大学 | 一种基于能量损失的多通道高分辨sar图像阴影检测方法 |
CN112904338B (zh) * | 2021-01-20 | 2023-12-26 | 西安电子科技大学 | 一种基于能量损失的多通道高分辨sar图像阴影检测方法 |
CN113050088A (zh) * | 2021-03-17 | 2021-06-29 | 电子科技大学 | 一种基于视频sar阴影的定位方法 |
CN113050088B (zh) * | 2021-03-17 | 2022-08-02 | 电子科技大学 | 一种基于视频sar阴影的定位方法 |
CN113283330A (zh) * | 2021-05-20 | 2021-08-20 | 南京航空航天大学 | 基于深度学习与多目标跟踪算法的视频sar动目标检测方法 |
CN114488132A (zh) * | 2022-02-22 | 2022-05-13 | 北京卫星信息工程研究所 | 星载gnss-s雷达的目标检测方法 |
CN114488132B (zh) * | 2022-02-22 | 2023-01-20 | 北京卫星信息工程研究所 | 星载gnss-s雷达的目标检测方法 |
CN117169887A (zh) * | 2023-11-03 | 2023-12-05 | 武汉能钠智能装备技术股份有限公司 | 基于方向确定的sar地面移动目标定位方法 |
CN117169887B (zh) * | 2023-11-03 | 2024-04-19 | 武汉能钠智能装备技术股份有限公司 | 基于方向确定的sar地面移动目标定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109917378B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109917378A (zh) | 利用时空关联的VideoSAR运动目标检测方法 | |
CN103149939B (zh) | 一种基于视觉的无人机动态目标跟踪与定位方法 | |
US7657059B2 (en) | Method and apparatus for tracking an object | |
CN108802722B (zh) | 一种基于虚拟谱的弱目标检测前跟踪方法 | |
US8805005B2 (en) | System and method for processing radar imagery | |
US7116265B2 (en) | Recognition algorithm for the unknown target rejection based on shape statistics obtained from orthogonal distance function | |
CN108734103B (zh) | 卫星视频中运动目标的检测与跟踪方法 | |
CN108957453A (zh) | 一种基于多目标跟踪的高精度动目标成像及识别方法 | |
KR20080068569A (ko) | 물체 검출 방법 및 장치 | |
GB2619196A (en) | Multi-target vehicle detection and re-identification method based on radar and video fusion | |
CN111027496A (zh) | 基于空时联合局部对比度的红外弱小目标检测方法 | |
Kahler et al. | Decision-Level Fusion Performance Improvement From Enhanced HRR Radar Clutter Suppression. | |
JPH1031067A (ja) | 背景クラッタ中のレーダ目標追跡システム | |
CN107680061A (zh) | 基于相似性检验的双极化sar图像相干斑滤波方法 | |
CN112444374B (zh) | 一种基于光学跟踪测量设备伺服系统的跟踪评估方法 | |
CN106468772B (zh) | 一种基于距离-多普勒量测的多站雷达人体跟踪方法 | |
CN110320507A (zh) | 一种低小慢目标自动探测、跟踪、识别系统 | |
CN113835074A (zh) | 一种基于毫米波雷达的人流量动态监测方法 | |
US5999117A (en) | Method for tracking and detecting turns of maneuvering targets | |
US8558891B2 (en) | Method of detecting an object in a scene comprising artifacts | |
CN110490903A (zh) | 一种双目视觉测量中多目标快速捕获与跟踪方法 | |
CN111311640B (zh) | 一种基于运动估计的无人机识别跟踪方法 | |
US11262444B2 (en) | Method for tracking targets, in particular maritime targets, and radar implementing such a method | |
CN108828549A (zh) | 一种基于机场场面监视雷达系统的目标提取方法 | |
CN113970738A (zh) | 毫米波雷达半自动区域边界检测方法 |
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 |