CN111539488B - 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法 - Google Patents
复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法 Download PDFInfo
- Publication number
- CN111539488B CN111539488B CN202010463661.3A CN202010463661A CN111539488B CN 111539488 B CN111539488 B CN 111539488B CN 202010463661 A CN202010463661 A CN 202010463661A CN 111539488 B CN111539488 B CN 111539488B
- Authority
- CN
- China
- Prior art keywords
- image
- distortion
- images
- radar
- distorted
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003384 imaging method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 9
- 238000012937 correction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 102100024506 Bone morphogenetic protein 2 Human genes 0.000 description 2
- 101000762366 Homo sapiens Bone morphogenetic protein 2 Proteins 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Processing (AREA)
Abstract
本发明公开了复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法,对不同程度的畸变图像具有普适性,提高了在图像畸变情况下的目标鉴别的鲁棒性。包括畸变图像生成流程以及目标分类鉴别流程。畸变图像生成流程具体为:采用回波生成软件,改变雷达飞行平台飞行过程中的运动参数,对原雷达图像进行回波生成和成像处理得到畸变图像。目标分类鉴别流程中,在构造训练数据集时按照得到的统计分布模型来设计不同畸变程度畸变图像的数量分布,根据统计分布模型来设计存在畸变图像的训练集,完成鉴别分类任务。本发明解决了对畸变图像鉴别能力差的问题,提高了鉴别算法对畸变图像的鲁棒性,提高了本方法在实际应用中的应用价值。
Description
技术领域
本发明涉及雷达成像技术领域,具体涉及复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法。
背景技术
雷达具有全天候、全天时等特点,它在地质、海洋、农业、森林、气象、资源调查及监测等众多领域得到了越来越广泛的应用。致力于从复杂的地物场景中有效的检测到目标,并对检测到的目标进行鉴别的雷达目标鉴别技术,是指在雷达对目标进行检测和定位的基础上,根据目标和背景的雷达回波信号,提取出目标的特征,最终实现目标的属性、类型或型号的判定。
在实际的雷达成像过程中,由于大气干扰等原因,雷达平台很难按照理想航迹飞行,成像传感器的高度及搭载平台姿态的变化、地形地貌等很多客观因素都会导致雷达图像中像素相对于地面目标的实际位置发生扭曲、拉伸、偏移等几何畸变,直接使用这些畸变图像往往不能满足实际应用的要求。对于雷达飞行平台的复杂动态轨迹,其飞行过程所沿轨迹和飞行速度均为不确定值,发生畸变的可能性更高。
在应对图像畸变时,大多数人都是采用对畸变图像进行几何校正,根据成像特点和辅助数据选择几何校正模型;之后根据校正模型特点求取模型参数;然后按照求取的校正模型依次确定校正后图像的行列数值,并对每一像素点坐标从原图像进行重采样。其基本任务是实现失真图像和校正后图像间的几何变换。而几何校正的难点是校正模型的选择和参数的求取,面对非常多的不同畸变程度的图像,往往得不到很好的效果。
如何在存在图像畸变情况下提高目标鉴别的鲁棒性,其关键在于目标分类方法对不同程度畸变图像的普适性,这是目前已有的目标分类方法无法解决的问题。
发明内容
有鉴于此,本发明提供了复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法,对不同程度的畸变图像具有普适性,提高了在图像畸变情况下的目标鉴别的鲁棒性。
为达到上述目的,本发明的技术方案为:复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法,包括畸变图像生成流程以及目标分类鉴别流程。
畸变图像生成流程具体为:采用回波生成软件,改变雷达飞行平台飞行过程中的运动参数,对原雷达图像进行回波生成和成像处理得到畸变图像。
目标分类鉴别流程具体为:
步骤1、构建关于同一雷达飞行平台产生的畸变图像的畸变程度及其对应数量的统计分布模型,根据所构建的统计分布模型的方差与平均值计算训练集中畸变图像的不同畸变程度对应的数量。
采用畸变图像生成流程生成对应数量的不同畸变程度的畸变图像,作为训练样本图像,组成训练集。
步骤2,采用畸变图像生成流程生成畸变程度随机分布的畸变图像,作为测试样本图像,组成测试集。
步骤3,对每一幅训练样本图像特征提取,得到训练样本特征向量集合X;对每一幅测试样本图像进行特征提取,得到测试样本特征向量集合Y。
步骤4,采用训练样本特征向量集合X训练分类器,将测试样本特征向量集合Y输入训练好的分类器中,训练好的分类器自动输出测试样本图像中的待鉴别目标所属样本类别,得到最终的鉴别结果。
进一步地,采用回波生成软件,改变雷达飞行平台飞行过程中的运动参数,对原雷达图像进行回波生成和成像处理得到畸变图像,具体包括如下步骤:
S001、取原雷达图像作为实际的大地场景和雷达飞行平台的照射位置。
S002、设置回波生成软件,用于模拟地面实际情况、传感器轨道参数和雷达成像参数。
S003、将原雷达图像输入到回波生成软件,模拟雷达采集数据的工作过程,使得雷达飞行平台沿预先设定的轨迹飞行。
S004、采用回波生成软件改变雷达飞行平台飞行过程中的运动参数,运动参数包括高度、速度和加速度,对原雷达图像进行回波生成,获得回波数据。
S005、使用距离-多普勒成像算法对得到的回波数据进行成像处理,生成畸变图像,每个畸变图像的畸变程度与运动参数的改变量相对应。
进一步地,构建关于同一雷达飞行平台产生的畸变图像的畸变程度及其对应数量的统计分布模型,具体为:
所构建的统计分布模型为正态分布模型等。
进一步地,根据所构建的统计分布模型的方差与平均值计算训练集中畸变图像的不同畸变程度对应的数量,具体为:
所构建的统计分布模型中P为连续型随机变量,Q为概率密度函数,σ为方差以及μ为均值。
区间(P-μ-(1+0.2n)σ,P-μ-(1+0.2(n-1))σ)以及区间
(P-μ+(1+0.2(n-1))σ,P-μ+(1+0.2n)σ)中统计分布模型的概率和,作为训练集中畸变程度为5%×n的畸变图像所占比例。
其中n取值为[0,20]区间内的整数。
进一步地,采用畸变图像生成流程生成数量随机分布的不同畸变程度的畸变图像,具体为:
根据随机数模型,生成关于畸变程度的随机数序列,以随机数序列中的随机数作为畸变程度数值,采用畸变图像生成流程生成对应每个畸变程度数值的畸变图像,作为测试样本图像,组成测试集。
进一步地,步骤3之前还包括,对训练样本图像和测试样本图像进行预处理,具体为:
取训练样本图像或测试样本图像为当前预处理图像。
针对当前预处理图像,以当前预处理图像的几何中心为基准,在当前预处理图像上截取包含整个目标的图像,即包含目标所有信息的图像,作为子图像。
将子图像中的每一个像素值除以该子图像中所有像素值的最大值,得到归一化后的子图像,即为预处理后的图像。
有益效果:
本发明利用运行在计算机上的回波生成软件在现有图像数据基础上模拟各种畸变特性,来产生不同畸变程度畸变图像,并以此为基础构建训练集,在构造训练数据集时按照得到的统计分布模型来设计不同畸变程度畸变图像的数量分布。因此本发明所构建的训练集,与没有畸变图像的训练集相比,这种具有不同程度畸变图像的训练集,在用于目标分类鉴别时,目标鉴别准确率取得了很大的提高,能够解决存在图像畸变时的鉴别分类问题。本发明所构建的训练集其中图像畸变程度和发生的概率符合统计分布模型,这种畸变程度分布与实际中存在的畸变情况是一致的,符合实际情况,从而在很大程度上解决了对畸变图像鉴别能力差的问题,提高了鉴别算法对畸变图像的鲁棒性,提高了本方法在实际应用中的应用价值,尤其适用于极窄脉冲雷达的抗畸变分类鉴别。
附图说明
图1为本发明实施例提供的复杂动态轨迹下极窄脉冲雷达抗成像畸变分类方法流程原理图;
图2为本发明实施例提供的畸变图像生成流程示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明通过多方面调研和实验验证,发现在训练集中加入不同程度不同数量的畸变图像来训练模型可以取得很好的效果,在实际存在图像畸变时具有更好的鉴别效果。通过直接摄取的方法来获取大量所需要的畸变图像非常困难,因此本发明利用运行在计算机上的回波生成软件在现有图像数据基础上模拟各种畸变特性,来产生不同畸变程度畸变图像,其原理是根据雷达成像过程,通过改变雷达飞行平台飞行过程中的高度、速度和加速度等运动参数,对原图像进行回波生成,使用距离-多普勒成像算法得到畸变图像,根据统计分布模型来设计存在畸变图像的训练集,完成鉴别分类任务。
本发明实施例中针对复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法,其流程原理如图1所示,主要包括畸变图像生成流程以及目标分类鉴别流程;
畸变图像生成流程具体为:采用回波生成软件,改变雷达飞行平台飞行过程中的运动参数,对原雷达图像进行回波生成和成像处理得到畸变图像。
该流程的具体步骤如图2所示:
S001、取原雷达图像作为实际的大地场景和雷达飞行平台的照射位置。
S002、设置回波生成软件,用于模拟地面实际情况、传感器轨道参数和雷达成像参数。
S003、将原雷达图像输入到回波生成软件,模拟雷达采集数据的工作过程,使得雷达飞行平台沿预先设定的轨迹飞行。
S004、采用回波生成软件改变雷达飞行平台飞行过程中的运动参数,运动参数包括高度、速度和加速度,对原雷达图像进行回波生成,获得回波数据。
S005、使用距离-多普勒成像算法对得到的回波数据进行成像处理,生成畸变图像,每个畸变图像的畸变程度与运动参数的改变量相对应。
本发明利用运行在计算机上的回波生成软件在现有图像数据基础上模拟各种畸变特性,来产生不同畸变程度畸变图像以构成训练集,在用于目标分类鉴别时,目标鉴别准确率取得了很大的提高,能够解决存在图像畸变时的鉴别分类问题。这种畸变图像生成方法尤其适用于速度和运动轨迹均有不确定性的雷达复杂动态轨迹。
目标分类鉴别流程具体为:
步骤1、构建关于同一雷达飞行平台产生的畸变图像的畸变程度及其对应数量的统计分布模型,根据所构建的统计分布模型的方差与平均值计算训练集中畸变图像的不同畸变程度对应的数量。本发明实施例中,所构建的统计分布模型为正态分布模型等。
采用畸变图像生成流程生成对应数量的不同畸变程度的畸变图像,作为训练样本图像,组成训练集。
所构建的统计分布模型中P为连续型随机变量,Q为概率密度函数,σ为方差以及μ为均值;如表1所示为畸变图像的畸变程度和概率所占区间的对应关系。
表1
区间(P-μ-σ,P-μ+σ)中统计分布模型的概率,作为训练集中畸变程度为0的畸变图像所占比例;
区间(P-μ-1.2σ,P-μ-σ)以及区间(P-μ+σ,P-μ+1.2σ)中统计分布模型的概率和,作为训练集中畸变程度为5%的畸变图像所占比例;
区间(P-μ-1.4σ,P-μ-1.2σ)以及区间(P-μ+1.2σ,P-μ+1.4σ)中统计分布模型的概率和,作为训练集中畸变程度为10%的畸变图像所占比例;
区间(P-μ-1.6σ,P-μ-1.4σ)以及区间(P-μ+1.4σ,P-μ+1.6σ)中统计分布模型的概率和,作为训练集中畸变程度为15%的畸变图像所占比例;
以此类推;
区间(P-μ-(1+0.2n)σ,P-μ-(1+0.2(n-1))σ)以及区间
(P-μ+(1+0.2(n-1))σ,P-μ+(1+0.2n)σ)中统计分布模型的概率和,作为训练集中畸变程度为5%×n的畸变图像所占比例;
其中n取值为[0,20]区间内的整数。
步骤2,采用畸变图像生成流程生成畸变程度随机分布的畸变图像,作为测试样本图像,组成测试集。
本发明实施例中,根据随机数模型,生成关于畸变程度的随机数序列,以随机数序列中的随机数作为畸变程度数值,采用畸变图像生成流程生成对应每个畸变程度数值的畸变图像,作为测试样本图像,组成测试集。
步骤3,对每一幅训练样本图像特征提取,得到训练样本特征向量集合X;对每一幅测试样本图像进行特征提取,得到测试样本特征向量集合Y。提取出的训练样本的特征向量集合X具有不同程度的畸变图像所具有的特征,可以很好的同时应对实际中的无畸变图像和有畸变图像的情况。本发明采用方向梯度直方图(HOG)方法对构造的训练集提取特征,提取图像的梯度信息。
步骤3之前还包括,对训练样本图像和测试样本图像进行预处理,具体为:
取训练样本图像或测试样本图像为当前预处理图像。
针对当前预处理图像,以当前预处理图像的几何中心为基准,在当前预处理图像上截取包含整个目标的图像,即包含目标所有信息的图像,作为子图像;一般截取的子图像的大小为64×64像素。
将子图像中的每一个像素值除以该子图像中所有像素值的最大值,得到归一化后的子图像,即为预处理后的图像。
步骤4,采用训练样本特征向量集合X训练分类器,将测试样本特征向量集合Y输入训练好的分类器中,训练好的分类器自动输出测试样本图像中的待鉴别目标所属样本类别,得到最终的鉴别结果。
对于极窄脉冲雷达,其中极窄脉冲持续时间短,一般为ns级别,导致信号带宽较大,带宽达到GHz。本发明实施例提供的复杂动态轨迹下极窄脉冲雷达抗成像畸变分类方法尤其适用于极窄脉冲雷达。
本发明仿真实验环境为:MATLAB R2018a,Intel(R)Core(TM)2Duo CPU 2.53GHz,Window 7专业版。
本发明的实验数据,采用美国“运动和静止目标获取与鉴别”项目组,在互联网上所公开的实测数据。
选取T72主战坦克、BTR70装甲车和BMP2步兵战车三类目标。其中T72选取型号为sn-132,BTR70选取型号为sn-c71,BMP2选取型号为sn-9563。所有图像的大小均为128像素×128像素,聚束模式下获得的雷达图像的距离分辨率和方位分辨率为0.3米×0.3米,图像的方位覆盖范围为0°~360°,采用雷达在俯仰角为17°时的成像数据处理之后的畸变图像作为训练样本,雷达在俯仰角为15°时的成像数据处理之后的畸变图像作为测试样本。
训练样本和测试样本的型号和样本个数如表2所示。
表2
仿真结果:
采用本发明对三类目标进行鉴别,结果如表3所示。采用没有畸变图像的训练集(对比1)和图像畸变程度不同但均匀分布的训练集(对比2)作为对比实验。由表3可见,采用本发明可以取得最高的正确鉴别率,平均鉴别率比对比1和对比2的鉴别率分别高出37.82%、31.86%。
表3
以上为提高目标鉴别中应对存在图像畸变时的鲁棒性的方法,它结合了统计分布模型和雷达的成像过程,使得该方法在应对畸变图像时具有比较高的鲁棒性,从而能够获得比较高的鉴别率,使得该方法能够很好的应用在实时处理系统和存在图像畸变的情况下。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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 (5)
1.复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法,其特征在于,包括畸变图像生成流程以及目标分类鉴别流程;
所述畸变图像生成流程具体为:
S001、取原雷达图像作为实际的大地场景和雷达飞行平台的照射位置;
S002、设置回波生成软件,用于模拟地面实际情况、传感器轨道参数和雷达成像参数;
S003、将所述原雷达图像输入到所述回波生成软件,模拟雷达采集数据的工作过程,使得雷达飞行平台沿预先设定的轨迹飞行;
S004、采用所述回波生成软件改变雷达飞行平台飞行过程中的运动参数,所述运动参数包括高度、速度和加速度,对原雷达图像进行回波生成,获得回波数据;
S005、使用距离-多普勒成像算法对得到的回波数据进行成像处理,生成畸变图像,其中每个畸变图像的畸变程度与运动参数的改变量相对应;
所述目标分类鉴别流程具体为:
步骤1、构建关于同一雷达飞行平台产生的畸变图像的畸变程度及其对应数量的统计分布模型,根据所构建的统计分布模型的方差与平均值计算训练集中畸变图像的不同畸变程度对应的数量;
采用所述畸变图像生成流程生成对应数量的不同畸变程度的畸变图像,作为训练样本图像,组成训练集;
步骤2,采用所述畸变图像生成流程生成畸变程度随机分布的畸变图像,作为测试样本图像,组成测试集;
步骤3,对每一幅训练样本图像特征提取,得到训练样本特征向量集合X;对每一幅测试样本图像进行特征提取,得到测试样本特征向量集合Y;
步骤4,采用训练样本特征向量集合X训练分类器,将测试样本特征向量集合Y输入训练好的分类器中,训练好的分类器自动输出测试样本图像中的待鉴别目标所属样本类别,得到最终的鉴别结果。
2.如权利要求1所述的方法,其特征在于,所述构建关于同一雷达飞行平台产生的畸变图像的畸变程度及其对应数量的统计分布模型,具体为:
所构建的统计分布模型为正态分布模型。
3.如权利要求2所述的方法,其特征在于,所述根据所构建的统计分布模型的方差与平均值计算训练集中畸变图像的不同畸变程度对应的数量,具体为:
所构建的统计分布模型中P为连续型随机变量,Q为概率密度函数,σ为方差以及μ为均值;
区间(P-μ-(1+0.2n)σ,P-μ-(1+0.2(n-1))σ)以及区间
(P-μ+(1+0.2(n-1))σ,P-μ+(1+0.2n)σ)中统计分布模型的概率和,作为训练集中畸变程度为5%×n的畸变图像所占比例;
其中n取值为[0,20]区间内的整数。
4.如权利要求1或3任一所述的方法,其特征在于,所述采用所述畸变图像生成流程生成数量随机分布的不同畸变程度的畸变图像,具体为:
根据随机数模型,生成关于畸变程度的随机数序列,以随机数序列中的随机数作为畸变程度数值,采用所述畸变图像生成流程生成对应每个畸变程度数值的畸变图像,作为测试样本图像,组成测试集。
5.如权利要求1或3任一所述的方法,其特征在于,所述步骤3之前还包括,对训练样本图像和测试样本图像进行预处理,具体为:
取训练样本图像或测试样本图像为当前预处理图像;
针对所述当前预处理图像,以所述当前预处理图像的几何中心为基准,在所述当前预处理图像上截取包含整个目标的图像,即包含目标所有信息的图像,作为子图像;
将子图像中的每一个像素值除以该子图像中所有像素值的最大值,得到归一化后的子图像,即为预处理后的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010463661.3A CN111539488B (zh) | 2020-05-27 | 2020-05-27 | 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010463661.3A CN111539488B (zh) | 2020-05-27 | 2020-05-27 | 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539488A CN111539488A (zh) | 2020-08-14 |
CN111539488B true CN111539488B (zh) | 2021-11-26 |
Family
ID=71979609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010463661.3A Active CN111539488B (zh) | 2020-05-27 | 2020-05-27 | 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539488B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036755B (zh) * | 2020-09-02 | 2023-09-26 | 深圳比目鱼平方科技有限公司 | 一种建筑工程质量检测的监管方法及系统 |
CN112198488B (zh) * | 2020-09-08 | 2021-07-20 | 北京理工大学 | 一种极窄脉冲雷达角度关联目标回波空间聚合方法 |
CN112184868B (zh) * | 2020-09-29 | 2023-02-17 | 中国船舶重工集团公司第七二四研究所 | 一种被动雷达频率分布统计信息的三维显示方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10227854A (ja) * | 1997-02-13 | 1998-08-25 | Nippon Telegr & Teleph Corp <Ntt> | レーダーエコーパターン分類方法とその装置 |
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 |
CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
CN110516561A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于dcgan和cnn的sar图像目标识别方法 |
CN110728661A (zh) * | 2019-09-18 | 2020-01-24 | 清华大学 | 基于随机生成样本的图像畸变评价网络训练方法及装置 |
CN110824450A (zh) * | 2019-10-15 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101270993B (zh) * | 2007-12-12 | 2011-08-31 | 北京航空航天大学 | 一种远程高精度自主组合导航定位方法 |
CN108283502B (zh) * | 2018-02-12 | 2021-05-25 | 沈阳晟诺科技有限公司 | 一种焦点移动式ct机、扫描方法及图像重建方法 |
CN110988907B (zh) * | 2019-11-25 | 2022-08-30 | 中国科学院上海光学精密机械研究所 | 基于多普勒补偿的三维相干激光雷达推扫成像方法 |
-
2020
- 2020-05-27 CN CN202010463661.3A patent/CN111539488B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10227854A (ja) * | 1997-02-13 | 1998-08-25 | Nippon Telegr & Teleph Corp <Ntt> | レーダーエコーパターン分類方法とその装置 |
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 |
CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
CN110516561A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于dcgan和cnn的sar图像目标识别方法 |
CN110728661A (zh) * | 2019-09-18 | 2020-01-24 | 清华大学 | 基于随机生成样本的图像畸变评价网络训练方法及装置 |
CN110824450A (zh) * | 2019-10-15 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 |
Non-Patent Citations (3)
Title |
---|
《A Method for Recognition and Classification for Hybrid Signals Based on Deep Convolutional Neutral Network》;Liu ZP et al;《IEEE》;20180720;全文 * |
《HRWS SAR图像舰船目标监视关键技术研究》;邢相薇;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20151115(第2015年第11期);全文 * |
《一种改进的卷积神经网络SAR目标识别算法》;许强等;《西安电子科技大学学报(自然科学版)》;20181119;第45卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111539488A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539488B (zh) | 复杂动态轨迹下极窄脉冲雷达抗成像畸变目标分类方法 | |
CN109086700B (zh) | 基于深度卷积神经网络的雷达一维距离像目标识别方法 | |
CN107481315A (zh) | 一种基于Harris‑SIFT‑BRIEF算法的单目视觉三维环境重建方法 | |
CN104215935B (zh) | 一种基于决策加权融合的雷达炮弹目标识别方法 | |
CN106228510B (zh) | 基于畸变程度分割的无人机载实时sar图像配准方法 | |
CN110988818A (zh) | 基于条件生成式对抗网络的欺骗干扰模板生成方法 | |
CN113012150A (zh) | 一种特征融合的高密度稻田无人机图像稻穗计数方法 | |
CN105259553A (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 | |
CN106897681A (zh) | 一种遥感图像对比分析方法及系统 | |
CN110136162B (zh) | 无人机视角遥感目标跟踪方法及装置 | |
CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
Zhang et al. | Adversarial deception against SAR target recognition network | |
Tian et al. | Performance evaluation of deception against synthetic aperture radar based on multifeature fusion | |
CN115220007A (zh) | 一种针对姿态识别的雷达点云数据增强方法 | |
CN106897730A (zh) | 基于融合类别信息与局部保持投影的sar目标型号识别方法 | |
CN112232269B (zh) | 一种基于孪生网络的船舶身份智能识别方法及系统 | |
CN109886984A (zh) | 利用前后景灰度差和深度学习网络的图像精确分割方法 | |
Wang et al. | Multi-view SAR automatic target recognition based on deformable convolutional network | |
CN113920391B (zh) | 一种基于生成尺度自适应真值图的目标计数方法 | |
CN109767434A (zh) | 基于神经网络的时域弱小目标检测方法 | |
Wang et al. | Universal adversarial perturbation for remote sensing images | |
CN111523564B (zh) | 一种用于深度学习训练的sar时敏目标样本增广方法 | |
CN109410274B (zh) | 一种高帧频条件下典型非合作目标要害点实时定位方法 | |
CN111680552B (zh) | 一种特征部位智能识别方法 | |
CN113902947A (zh) | 一种自然图像的对空目标红外图像生成式对抗网络构建方法 |
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 |