CN110082765A - 基于三维重构的空间目标姿态外推方法 - Google Patents
基于三维重构的空间目标姿态外推方法 Download PDFInfo
- Publication number
- CN110082765A CN110082765A CN201910353452.0A CN201910353452A CN110082765A CN 110082765 A CN110082765 A CN 110082765A CN 201910353452 A CN201910353452 A CN 201910353452A CN 110082765 A CN110082765 A CN 110082765A
- Authority
- CN
- China
- Prior art keywords
- matrix
- scattering center
- target
- representing
- frame
- 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 34
- 238000013213 extrapolation Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 8
- 238000003384 imaging method Methods 0.000 claims abstract description 5
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 230000006798 recombination Effects 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 229910044991 metal oxide Inorganic materials 0.000 claims 3
- 150000004706 metal oxides Chemical class 0.000 claims 3
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 claims 1
- 238000009432 framing Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation 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
- 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
- G01S7/418—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于三维重构的空间目标姿态外推方法,主要解决现有技术在多任务雷达样本个数较少时目标识别率低的问题,其实现过程是:1)对数据进行均匀分帧,并进行ISAR成像;2)对每一幅ISAR图像进行方位定标;3)提取每一幅ISAR图像的散射中心参数集合;4)对ISAR图像集合的散射中心进行关联,得到轨迹矩阵;5)对轨迹矩阵进行奇异值分解,得到投影矩阵和位置矩阵;6)对投影矩阵和位置矩阵进行三维重构,得到散射中心矩阵;7)根据散射中心矩阵,对每一帧内的数据进行外推,得到每一帧外推后的时域实雷达距离像样本,用于后续目标识别。本发明采用数据外推的方法能显著提高目标识别率,可用于对雷达距离像的识别。
Description
技术领域
本发明属于数据处理技术领域,特别涉及一种小角域内样本的数据外推方法,可用于目标识别。
背景技术
当目标沿雷达视线方向RLOS的尺寸远大于雷达的距离分辨率时,就不能把目标当作一个“点”来处理。而由于目标占据多个距离分辨单元,相应的雷达回波中呈现出的起伏和尖峰,就反映着目标散射点沿距离方向上的分布,这些回波就被称为高分辨距离像HRRP。
近年来,基于HRRP的雷达目标识别技术由于其特有的优势越来越引起各国的关注。然而,在实际情况中,一方面由于雷达的多任务工作模式,导致对目标的回波的非连续性采集;另一方面,由于空间目标的非合作性,空间目标的变轨会导致空间目标的姿态变化,进而影响统计模型的准确性,难以得到理想的识别结果。因此考虑如何在已知角域内少量样本的情况下得到较高的识别结果是亟待解决的问题。
西安电子科技大学在其申请的发明专利“基于稀疏散射中心提取的距离像数据外推方法”(公开号:105068062B,申请号:201510512213.7)中公开了一种基于稀疏散射中心提取的距离像数据外推方法。该方法通过稀疏求解,得到单幅ISAR图像的散射中心的参数集合;根据目标散射中心参数组合,得到每一帧外推后的复HRRP样本;对每一帧数据进行逆快速傅里叶变换IFFT,得到每一帧外推后的时域实HRRP样本,用于后续的目标识别。该方法存在的不足之处是,只适合扁平目标或者在同一平面旋转的目标,如飞机等,对于具有三维旋转的空间目标,将不再适用。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于三维重构的空间目标距离像数据外推方法,以在三维旋转的目标的不同姿态下,增多样本个数,提高目标识别率。
本发明的技术思路是在高分辨率雷达中,将目标看作是由一系列散射中心组成;通过对序列ISAR图像的散射中心提取、关联、重构,估计得到目标的三维散射中心模型,通过数据外推得到更大角域内的复HRRP样本,进而增多样本个数,提高模型参数估计的准确性,最终达到提高目标识别率的目的。其实现步骤包括如下:
(1)对获取的复高分辨距离像HRRP进行均匀分段,每一段定义为一帧,并对每一帧进行ISAR成像,得到ISAR像集合;
(2)对ISAR像集合里的每一帧ISAR像进行方位定标,得到图像的方位分辨率;
(3)设定散射中心的幅度阈值,利用峰值搜索方法获取每一帧ISAR像的散射中心参数集合:其中, 表示中参数组合的个数,表示第i个参数组合对应的复强度,表示第i个参数组合对应的位置信息;
(4)根据目标散射中心参数集合对散射中心进行关联,得到散射中心轨迹矩阵W;
(5)对轨迹矩阵W进行奇异值分解W=UΣVT,得到投影矩阵位置矩阵其中表示左酉矩阵U的前3列,表示Σ的前3列和前3行,表示右酉矩阵V的前3列;
(6)根据投影矩阵和位置矩阵进行散射中心的三维重构,得到散射中心矩阵P0:
(7)根据目标散射中心矩阵P0,通过下式外推得到未观测的复HRRP样本
其中,f表示雷达回波的频率,和分别表示雷达射线的方位角和俯仰角,exp(·)表示自然指数函数,(P0(1,i),P0(2,i),P0(3,i))表示矩阵P0的第i列,c为光速;
(8)对每一段内的数据进行步骤(1)到步骤(7)操作,得到各段外推后的复HRRP样本,对各段复HRRP样本作逆快速傅里叶变换IFFT,并取模值,得到外推后的时域实HRRP样本,用于后续的目标识别。
本发明与现有技术相比具有以下优点:
1.解决了多任务雷达不能长时间获取HRRP样本的问题。
现有技术中,多任务雷达间歇性采集HRRP样本导致可用复HRRP样本数较少的问题始终不能较好的解决,本发明提出通过目标的二维ISAR图像进行目标三维散射中心的重构,可以较准确的得到目标三维散射中心的参数组合,保证了外推角域后复HRRP样本的准确性,较好的解决了可用HRRP数据较少的问题。
2.提高了样本不充足情况下的雷达目标识别率。
现有的基于统计建模的HRRP识别方法均是以大量训练数据为前提的,只有在训练样本足够多的情况下,估计得到的统计模型才有可信度,而实际情况中,由于大多数空中目标的非合作性,得到的回波数据往往是有限的,本发明提出的基于少量复HRRP样本的三维散射中心估计,根据估计模型进行数据外推的方法可以有效提高识别率。
附图说明
图1是本发明的实现总流程图;
图2是本发明中进行三维重构的子流程图;
图3是用本发明外推后的数据和现有数据进行目标识别的识别率比较图。
具体实施方式
以下结合附图对本发明的实施力和效果、作进一步详细描述。
参照图1,本发明的具体实现步骤如下:
步骤1,对数据进行均匀分帧并进行ISAR成像。
对雷达获取的复高分辨距离像HRRP进行均匀分帧,将长度为α的连续复HRRP样本定义为一帧数据,其中,B表示雷达带宽,L表示目标横向尺寸,c表示光速,并对每一帧进行ISAR成像,得到ISAR像集合。
步骤2,对每一幅ISAR图像进行方位定标。
根据雷达观测的跟踪数据得到每一帧数据雷达射线相对于目标的转角β,根据下式求得方位分辨率:
式中,dA表示方位分辨率,λ表示雷达发射波长,β表示每一帧数据雷达射线相对于目标的转角。
步骤3,提取每一幅ISAR图像的散射中心参数集合。
现有提取ISAR图像散射中心参数集合的方法有峰值搜索法和稀疏求解法,本步骤使用但不限于峰值搜索法,其实现步骤如下:
(3a)依据经验设定散射中心的幅度阈值TA;
(3b)提取每一幅ISAR图像中幅度值高于幅度阈值TA的像素位置(Xp,Yp),以及该像素的幅度值其中,(Xp,Yp)表示第p个像素的坐标,p=1…P,P表示像素的总个数;
(3c)根据像素位置(Xp,Yp),按照下式求解散射中心位置
(3d)根据散射中心位置和幅度得到散射中心参数集合其中, 表示中参数组合的个数。
步骤4,对ISAR图像集合的散射中心进行关联,得到轨迹矩阵W。
(4a)对散射中心参数集合通过下式进行关联:
式中,表示第n帧图像的第i个参数组合对应的位置信息,表示第n帧图像的第i个参数组合对应的复强度,argmin表示求最小值操作,||·||2表示2范数操作;
(4b)根据关联之后的散射中心位置获得的轨迹矩阵W如下:
式中,表示第j帧图像的第i个参数组合对应的位置信息,j=1,2,…,n,表示中参数组合的个数,n表示每一组数据中图像帧数。
步骤5,对轨迹矩阵W进行奇异值分解。
(5a)将轨迹矩阵W分解为3项,即W=UΣVT,得到左酉矩阵U和右酉矩阵V,以及对角矩阵Σ;
(5b)对这两个酉矩阵U,V和对角矩阵Σ按照下式求解,得到投影矩阵位置矩阵
其中表示左酉矩阵U的前3列,表示对角矩阵Σ的前3列和前3行,表示右酉矩阵V的前3列。
步骤6,根据投影矩阵和位置矩阵进行散射中心的三维重构,得到散射中心矩阵P0:
现有三维重构的方法有矩阵分解法和速度场重构法,本步骤使用但不限于矩阵分解法,
参照图2,本步骤的具体实现如下:
(6a)按照下式求解内积向量G:
其中ii(i=1,2,…,n)表示的第i行,ji(i=1,2,…,n)表示的第n+i行,gT是一种定义的计算法则,定义如下:
gT(ii,ji)=[ii(1)·ji(1)ii(1)·ji(2)+ii(2)·ji(1)ii(1)·ji(3)+ii(3)·ji(1)ii(2)·ji(2)ii(2)·ji(3)+ii(3)·ji(2)ii(3)·ji(3)]
其中ii(k)表示ii的第k(k=1,2,3)个元素,ji(k)表示ji的第k个元素;
(6b)按照下式求解尺度向量I:
I=(GTG)-1GTc
其中表示单位向量,[·]T表示转置操作;
(6c)用得到的尺度向量I按照下式组合得到重组矩阵L:
其中li表示尺度向量I的第i个元素,i=1…6;
(6d)对重组矩阵L进行奇异值分解:L=BΛBT,得到尺寸矩阵A=BΛ1/2;
(6e)根据尺寸矩阵A和位置矩阵得到目标三维散射中心矩阵
步骤7,对每一段内的数据进行外推:
根据目标三维散射中心矩阵P0,通过下式外推得到未观测的复HRRP样本
其中,f表示雷达回波的频率,和分别表示雷达射线的方位角和俯仰角,exp(·)表示自然指数函数,(P0(1,i),P0(2,i),P0(3,i))表示矩阵P0的第i列,c为光速。
本发明的效果可通过以下实测数据的实验进行说明:
一、实验数据:
该实验所用数据包含5类FEKO仿真目标:Apollo,Landsat7,锁眼,北斗,东方红,每个目标包含的复HRRP样本数为256。
二、实验设置:
将每个目标的256个复HRRP样本分为4帧,基于步骤1到步骤7得到外推后的时域实HRRP样本,进行识别实验,需要说明的是,在根据实测数据进行外推时,可外推至不同的样本数,分别进行识别实验。
三、实验内容:
根据外推前的256个样本,用本发明方法分别外推512个样本,将外推后的512个样本分为8帧,每帧64个样本,并分别用外推后的数据和外推前的数据对5类目标进行识别,识别结果如图3。
从图3中可以看出本发明以下两点优势:
一是本发明通过外推数据的方法将识别率提高了至少8个百分点,说明了本发明的有效性。
二是随着外推样本数的增多,尤其是在每一段外推样本数超出192后,虽然本发明的方法的识别结果略有下降,但仍然远高于外推前的识别结果,这主要是因为本发明中根据目标散射中心模型进行数据的外推,是基于目标散射中心模型在外推过程中是不发生变化的,而随着外推数据的增多,则对应着目标散射中心模型的转角越大,该种情况下,目标真实模型与估计模型的失配情况会愈发严重,使得对应的识别结果有所下降。
Claims (6)
1.一种基于三维重构的空间目标姿态外推方法,包括如下:
(1)对获取的复高分辨距离像HRRP进行均匀分段,每一段定义为一帧,并对每一帧进行ISAR成像,得到ISAR像集合;
(2)对ISAR像集合里的每一帧ISAR像进行方位定标,得到图像的方位分辨率;
(3)设定散射中心的幅度阈值,利用峰值搜索方法获取每一帧ISAR像的散射中心参数集合:其中, 表示中参数组合的个数,表示第i个参数组合对应的复强度,表示第i个参数组合对应的位置信息;
(4)根据目标散射中心参数集合对散射中心进行关联,得到散射中心轨迹矩阵W;
(5)对轨迹矩阵W进行奇异值分解W=UΣVT,得到投影矩阵位置矩阵其中表示左酉矩阵U的前3列,表示对角矩阵Σ的前3列和前3行,表示右酉矩阵V的前3列;
(6)根据投影矩阵和位置矩阵进行散射中心的三维重构,得到散射中心矩阵P0:
(7)根据目标散射中心矩阵P0,通过下式外推得到未观测的复HRRP样本
其中,f表示雷达回波的频率,和分别表示雷达射线的方位角和俯仰角,exp(·)表示自然指数函数,(P0(1,i),P0(2,i),P0(3,i))表示矩阵P0的第i列,c为光速;
(8)对每一段内的数据进行步骤(1)到步骤(7)操作,得到各段外推后的复HRRP样本,对各段复HRRP样本作逆快速傅里叶变换IFFT,并取模值,得到外推后的时域实HRRP样本,用于后续的目标识别。
2.根据权利要求1所述的方法,其特征在于,(1)中的均匀分段,每一段长度为其中,B表示雷达带宽,L表示目标横向尺寸,c表示光速。
3.根据权利要求1所述的方法,其特征在于,(2)中对ISAR像集合里的每一帧ISAR像进行方位定标,公式如下:
式中dA表示方位分辨率,λ表示雷达发射波长,β表示每一帧数据雷达射线相对于目标的转角。
4.根据权利要求1所述的方法,其特征在于,(4)中对散射中心进行关联,公式如下:
式中,表示第n帧图像的第i个参数组合对应的位置信息,表示第n帧图像的第i个参数组合对应的复强度,argmin表示求最小值操作,||·||2表示2范数操作。
5.根据权利要求1所述的方法,其特征在于,(4)中的散射中心轨迹矩阵W,表示如下:
式中,表示第j帧图像的第i个参数组合对应的位置信息,j=1,2,…,n,n表示每一组数据中图像帧数。
6.根据权利要求1所述的方法,其特征在于,(6)中对散射中心进行三维重构,步骤如下:
(6a)按照下式求解内积向量G:
其中ii(i=1,2,…,n)表示的第i行,ji(i=1,2,…,n)表示的第n+i行,gT是一种定义的计算法则,定义如下:
gT(ii,ji)=[ii(1)·ji(1) ii(1)·ji(2)+ii(2)·ji(1) ii(1)·ji(3)+ii(3)·ji(1)ii(2)·ji(2) ii(2)·ji(3)+ii(3)·ji(2) ii(3)·ji(3)]
其中ii(k)表示ii的第k(k=1,2,3)个元素,ji(k)表示ji的第k个元素;
(6b)按照下式求解尺度向量I:
I=(GTG)-1GTc
其中表示单位向量,[·]T表示转置操作;
(6c)用得到的尺度向量I按照下式组合得到重组矩阵L:
其中li表示尺度向量I的第i个元素,i=1…6;
(6d)对重组矩阵L进行奇异值分解:L=BΛBT,得到尺寸矩阵A=BΛ1/2;
(6e)根据尺寸矩阵A和位置矩阵得到目标三维散射中心矩阵
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910353452.0A CN110082765B (zh) | 2019-04-29 | 2019-04-29 | 基于三维重构的空间目标姿态外推方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910353452.0A CN110082765B (zh) | 2019-04-29 | 2019-04-29 | 基于三维重构的空间目标姿态外推方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110082765A true CN110082765A (zh) | 2019-08-02 |
CN110082765B CN110082765B (zh) | 2023-04-07 |
Family
ID=67417544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910353452.0A Active CN110082765B (zh) | 2019-04-29 | 2019-04-29 | 基于三维重构的空间目标姿态外推方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110082765B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567949A (zh) * | 2021-08-31 | 2021-10-29 | 北京环境特性研究所 | 一种散射中心关联方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738614A (zh) * | 2008-11-17 | 2010-06-16 | 清华大学 | 基于时空图像序列的逆合成孔径雷达的目标转动估计方法 |
CN102353945A (zh) * | 2011-03-31 | 2012-02-15 | 北京航空航天大学 | 基于isar像序列的散射点三维位置重构方法 |
CN103091674A (zh) * | 2012-12-14 | 2013-05-08 | 西安电子科技大学 | 基于hrrp序列的空间目标高分辨成像方法 |
KR20180046966A (ko) * | 2016-10-28 | 2018-05-10 | 국방과학연구소 | 효율적인 회전 운동 보상을 위한 isar 병진 운동 보상 방법 및 장치 |
-
2019
- 2019-04-29 CN CN201910353452.0A patent/CN110082765B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738614A (zh) * | 2008-11-17 | 2010-06-16 | 清华大学 | 基于时空图像序列的逆合成孔径雷达的目标转动估计方法 |
CN102353945A (zh) * | 2011-03-31 | 2012-02-15 | 北京航空航天大学 | 基于isar像序列的散射点三维位置重构方法 |
CN103091674A (zh) * | 2012-12-14 | 2013-05-08 | 西安电子科技大学 | 基于hrrp序列的空间目标高分辨成像方法 |
KR20180046966A (ko) * | 2016-10-28 | 2018-05-10 | 국방과학연구소 | 효율적인 회전 운동 보상을 위한 isar 병진 운동 보상 방법 및 장치 |
Non-Patent Citations (3)
Title |
---|
XIAO-YI PAN等: "Sub-Nyquist Sampling Jamming Against ISAR With CS-B ased HRRP Reconstruction", 《IEEE SENSORS JOURNAL》 * |
崔闪等: "一种基于HRRP的三维散射中心提取方法", 《系统仿真学报》 * |
毕严先等: "基于ISAR像序列的目标三维重构", 《太赫兹科学与电子信息学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567949A (zh) * | 2021-08-31 | 2021-10-29 | 北京环境特性研究所 | 一种散射中心关联方法和装置 |
CN113567949B (zh) * | 2021-08-31 | 2023-06-20 | 北京环境特性研究所 | 一种散射中心关联方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110082765B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107229918B (zh) | 一种基于全卷积神经网络的sar图像目标检测方法 | |
CN106251332B (zh) | 基于边缘特征的sar图像机场目标检测方法 | |
CN105844627B (zh) | 一种基于卷积神经网络的海面目标图像背景抑制方法 | |
CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN105259553B (zh) | 基于距离‑瞬时多普勒像的微动目标散射点航迹关联方法 | |
CN107301661A (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
CN110244303B (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN107103338A (zh) | 融合卷积特征和集成超限学习机的sar目标识别方法 | |
CN109584303B (zh) | 一种基于Lp范数和核范数的红外弱小目标检测方法 | |
CN108960190B (zh) | 基于fcn图像序列模型的sar视频目标检测方法 | |
CN105068062B (zh) | 基于稀疏散射中心提取的距离像数据外推方法 | |
Wang et al. | SAR target recognition based on probabilistic meta-learning | |
CN107831473B (zh) | 基于高斯过程回归的距离-瞬时多普勒图像序列降噪方法 | |
CN109712149B (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
CN109932717B (zh) | 基于环境统计建模的isar高分辨成像方法 | |
CN110827262B (zh) | 一种基于连续有限帧红外图像的弱小目标检测方法 | |
CN113674308B (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
CN109544575B (zh) | 一种基于isar序列多边形匹配的三维轮廓重构方法 | |
CN105447867A (zh) | 基于isar图像的空间目标姿态估计方法 | |
CN109557533A (zh) | 一种基于模型的联合跟踪与识别方法 | |
CN110082765B (zh) | 基于三维重构的空间目标姿态外推方法 | |
CN114779185A (zh) | 编解码卷积神经网络的雷达信号抗干扰低损恢复方法 | |
CN104268852A (zh) | 红外序列图像中弱小目标的检测方法及其检测装置 | |
CN107871123B (zh) | 一种逆合成孔径雷达空间目标分类方法及系统 | |
CN113807206B (zh) | 一种基于去噪任务辅助的sar图像目标识别方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Du Lan Inventor after: Wang Jiadong Inventor after: Yang Dongwen Inventor after: Zhang Xiaole Inventor before: Wang Jiadong Inventor before: Du Lan Inventor before: Yang Dongwen Inventor before: Zhang Xiaole |
|
GR01 | Patent grant | ||
GR01 | Patent grant |