CN110082765B - 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 PDF

Info

Publication number
CN110082765B
CN110082765B CN201910353452.0A CN201910353452A CN110082765B CN 110082765 B CN110082765 B CN 110082765B CN 201910353452 A CN201910353452 A CN 201910353452A CN 110082765 B CN110082765 B CN 110082765B
Authority
CN
China
Prior art keywords
matrix
scattering center
target
frame
isar
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.)
Active
Application number
CN201910353452.0A
Other languages
English (en)
Other versions
CN110082765A (zh
Inventor
杜兰
王家东
杨栋文
张晓乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201910353452.0A priority Critical patent/CN110082765B/zh
Publication of CN110082765A publication Critical patent/CN110082765A/zh
Application granted granted Critical
Publication of CN110082765B publication Critical patent/CN110082765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

基于三维重构的空间目标姿态外推方法
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：
Figure BDA0002044674700000021
其中，
Figure BDA0002044674700000022
Figure BDA0002044674700000023
表示
Figure BDA0002044674700000024
中参数组合的个数，
Figure BDA0002044674700000025
表示第i个参数组合对应的复强度，
Figure BDA0002044674700000026
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
Figure BDA0002044674700000027
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
Figure BDA0002044674700000028
位置矩阵
Figure BDA0002044674700000029
其中
Figure BDA00020446747000000210
表示左酉矩阵U的前3列，
Figure BDA00020446747000000211
表示Σ的前3列和前3行，
Figure BDA00020446747000000212
表示右酉矩阵V的前3列；
(6)根据投影矩阵
Figure BDA00020446747000000213
和位置矩阵
Figure BDA00020446747000000214
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
Figure BDA00020446747000000215
Figure BDA00020446747000000216
其中，f表示雷达回波的频率，
Figure BDA00020446747000000217
和
Figure BDA00020446747000000218
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，
Figure BDA0002044674700000031
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：
Figure BDA0002044674700000032
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
Figure BDA0002044674700000033
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
Figure BDA0002044674700000041
Figure BDA0002044674700000042
Figure BDA0002044674700000043
(3d)根据散射中心位置
Figure BDA0002044674700000044
和幅度
Figure BDA0002044674700000045
得到散射中心参数集合
Figure BDA0002044674700000046
其中，
Figure BDA0002044674700000047
Figure BDA0002044674700000048
表示
Figure BDA0002044674700000049
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
Figure BDA00020446747000000410
通过下式进行关联：
Figure BDA00020446747000000411
式中，
Figure BDA00020446747000000412
表示第n帧图像的第i个参数组合对应的位置信息，
Figure BDA00020446747000000413
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
Figure BDA00020446747000000414
获得的轨迹矩阵W如下：
Figure BDA00020446747000000415
式中，
Figure BDA00020446747000000416
表示第j帧图像的第i个参数组合对应的位置信息，
Figure BDA00020446747000000417
j＝1,2,…,n，
Figure BDA00020446747000000418
表示
Figure BDA00020446747000000419
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
Figure BDA00020446747000000420
位置矩阵
Figure BDA0002044674700000051
Figure BDA0002044674700000052
Figure BDA0002044674700000053
其中
Figure BDA0002044674700000054
表示左酉矩阵U的前3列，
Figure BDA0002044674700000055
表示对角矩阵Σ的前3列和前3行，
Figure BDA0002044674700000056
表示右酉矩阵V的前3列。
步骤6，根据投影矩阵
Figure BDA0002044674700000057
和位置矩阵
Figure BDA0002044674700000058
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：
Figure BDA0002044674700000059
其中ii(i＝1,2,…,n)表示
Figure BDA00020446747000000510
的第i行，ji(i＝1,2,…,n)表示
Figure BDA00020446747000000511
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
Figure BDA00020446747000000512
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：
Figure BDA00020446747000000513
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
Figure BDA0002044674700000061
得到目标三维散射中心矩阵
Figure BDA0002044674700000062
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
Figure BDA0002044674700000063
Figure BDA0002044674700000064
其中，f表示雷达回波的频率，
Figure BDA0002044674700000065
和
Figure BDA0002044674700000066
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：
Figure FDA0003971502380000011
其中，
Figure FDA0003971502380000012
表示
Figure FDA0003971502380000013
中参数组合的个数，
Figure FDA0003971502380000014
表示第i个参数组合对应的复强度，
Figure FDA0003971502380000015
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
Figure FDA0003971502380000016
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
Figure FDA0003971502380000017
位置矩阵
Figure FDA0003971502380000018
其中
Figure FDA0003971502380000019
表示左酉矩阵U的前3列，
Figure FDA00039715023800000110
表示对角矩阵Σ的前3列和前3行，
Figure FDA00039715023800000111
表示右酉矩阵V的前3列；
(6)根据投影矩阵
Figure FDA00039715023800000112
和位置矩阵
Figure FDA00039715023800000113
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
Figure FDA00039715023800000114
Figure FDA00039715023800000115
其中，f表示雷达回波的频率，
Figure FDA00039715023800000116
和
Figure FDA00039715023800000117
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
Figure FDA00039715023800000118
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：
Figure FDA0003971502380000021
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：
Figure FDA0003971502380000022
式中，
Figure FDA0003971502380000023
表示第n帧图像的第i个参数组合对应的位置信息，
Figure FDA0003971502380000024
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：
Figure FDA0003971502380000025
式中，
Figure FDA0003971502380000026
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：
Figure FDA0003971502380000031
其中ii(i＝1,2,…,n)表示
Figure FDA0003971502380000032
的第i行，ji(i＝1,2,…,n)表示
Figure FDA0003971502380000033
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
Figure FDA0003971502380000034
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：
Figure FDA0003971502380000035
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＝BΛΒT，得到尺寸矩阵A＝BΛ1/2；
(6e)根据尺寸矩阵A和位置矩阵
Figure FDA0003971502380000036
得到目标三维散射中心矩阵
Figure FDA0003971502380000037
CN201910353452.0A 2019-04-29 2019-04-29 基于三维重构的空间目标姿态外推方法 Active CN110082765B (zh)

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 CN110082765A (zh) 2019-08-02
CN110082765B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
Sub-Nyquist Sampling Jamming Against ISAR With CS-B ased HRRP Reconstruction;Xiao-Yi Pan等;《IEEE SENSORS JOURNAL》;20160331;第16卷(第6期);全文 *
一种基于HRRP的三维散射中心提取方法;崔闪等;《系统仿真学报》;20180228;第30卷(第2期);全文 *
基于ISAR像序列的目标三维重构;毕严先等;《太赫兹科学与电子信息学报》;20160825(第04期);全文 *

Also Published As

Publication number Publication date
CN110082765A (zh) 2019-08-02

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
US6437728B1 (en) A-scan ISAR target recognition system and method
CN103091674B9 (zh) 基于hrrp序列的空间目标高分辨成像方法
CN110244303B (zh) 基于sbl-admm的稀疏孔径isar成像方法
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
CN112782695B (zh) 基于isar图像和参数优化的卫星姿态和尺寸估计方法
CN112990334A (zh) 基于改进原型网络的小样本sar图像目标识别方法
CN110765912B (zh) 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法
Wang et al. SAR target recognition based on probabilistic meta-learning
CN106874841A (zh) 基于正则化局部保持投影的sar变形目标识别方法
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
CN106874932B (zh) 基于快速稀疏描述的sar目标型号识别方法
CN109557533A (zh) 一种基于模型的联合跟踪与识别方法
CN111025257A (zh) 基于稀疏贝叶斯学习的微动目标高分辨时频图重构方法
CN114660606B (zh) 低信噪比isar图像序列匹配搜索的空间目标姿态反演方法
Andriyanov et al. Pattern recognition on radar images using augmentation
CN112147608A (zh) 一种快速高斯网格化非均匀fft穿墙成像雷达bp方法
CN110082765B (zh) 基于三维重构的空间目标姿态外推方法
Zhou et al. ISAR images generation via generative adversarial networks
Hou et al. Sparse coding-inspired high-resolution ISAR imaging using multistage compressive sensing
CN109766899B (zh) 物理特征提取和svm的sar图像车辆目标识别方法
CN107403136B (zh) 基于结构保持字典学习的sar目标型号识别方法
CN115421115A (zh) 一种用于联合相位校正与isar成像的重赋权交替方向乘子法
CN111538003B (zh) 一种单比特压缩采样合成孔径雷达成像方法
CN113421281A (zh) 一种基于分割理论的行人微动部位分离方法

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

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

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant