CN111931570B - 一种基于全卷积网络的穿墙成像雷达人体目标检测方法 - Google Patents

一种基于全卷积网络的穿墙成像雷达人体目标检测方法 Download PDF

Info

Publication number
CN111931570B
CN111931570B CN202010636454.3A CN202010636454A CN111931570B CN 111931570 B CN111931570 B CN 111931570B CN 202010636454 A CN202010636454 A CN 202010636454A CN 111931570 B CN111931570 B CN 111931570B
Authority
CN
China
Prior art keywords
full convolution
human body
image
radar
network
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
CN202010636454.3A
Other languages
English (en)
Other versions
CN111931570A (zh
Inventor
郭世盛
李虎泉
崔国龙
冉清新
张扬
孔令讲
杨晓波
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010636454.3A priority Critical patent/CN111931570B/zh
Publication of CN111931570A publication Critical patent/CN111931570A/zh
Application granted granted Critical
Publication of CN111931570B publication Critical patent/CN111931570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种基于全卷积网络的穿墙成像雷达人体目标检测方法，应用于雷达探测技术领域，针对现有技术中存在的当多个目标距离较近时，目标图像出现重叠，现有技术无法区分重叠目标的技术问题，本发明首先采用超宽带雷达成像技术获取场景内目标图像，经过能量相干因子加权与高斯滤波等图像预处理后，进而使用一种基于全卷积网络的检测方法实现雷达图像中目标检测；本发明可检测穿墙雷达图像中多个不同形状目标，可有效应对不同信噪比场景下目标检测问题，同时具备区分图像中重叠目标的能力。

Description

一种基于全卷积网络的穿墙成像雷达人体目标检测方法
技术领域
本发明属于雷达探测技术领域，特别涉及一种穿墙雷达的目标检测技术。
背景技术
在城市作战、灾难救援等领域，需要对隐蔽在建筑等障碍物后的人体目标进行准确实时的检测定位，为制定安全高效的作战策略或救援方案提供支持。穿墙成像雷达是一种应用广泛的建筑物透视探测装备，可通过超宽带成像技术获取建筑物内部雷达图像。穿墙成像雷达通常工作于复杂电磁环境中，穿透墙体引起的相位畸变与信号衰减会对成像结果产生较大影响，因此隐蔽人体目标穿墙探测是一项国际难题。
近年来，国内外诸多研究机构已开展穿墙成像雷达人体目标检测方面的研究，并产出了大量研究成果。文献“Multiple extended target tracking for through-wallradars,IEEE Trans. Geosci.Remote Sens.,vol.53,pp.6482–6494,2015.”采用合成孔径方式获取建筑物内人体目标图像，并采用序列统计恒虚警检测器实现了图像中扩展目标检测。文献“Target Detection in Single-and Multiple-View Through-the-Wall RadarImaging，IEEE Trans.Geosci.Remote Sens.，vol.47,no.5,pp.1349-1361,2009.”提出了一种基于似然比检验的目标检测方法。此外，文献“Image Segmentations for Through-the-Wall Radar Target Detection,IEEE Trans. Aerosp.Electron.Syst.,vol.49,no.3,pp.1869-1896,2013.”采用了两种图像分割方法分离雷达图像中目标与背景杂波。然而，以上方法只适用于大孔径穿墙成像雷达，近年来，便携式穿墙雷达已成为行业发展趋势，由于雷达尺寸限制，便携式穿墙成像雷达往往分辨率较低，成像结果中目标出现扩展，且目标图像形状随目标位置变化而变化，目标尺寸存在较大差异。当多个目标距离较近时，目标图像出现重叠，此时传统的检测方法无法区分重叠目标。此外，低信噪比环境下的弱目标检测也是穿墙成像雷达目标探测中的一大难点。从公开发表的文献资料来看，目前还没有针对便携式穿墙成像雷达图像中多个形状多变目标的检测方法。因此，研究一种强鲁棒性的人体目标检测算法具有重要的应用价值。
发明内容
为解决上述技术问题，本发明提出一种基于全卷积网络的穿墙成像雷达人体目标检测方法，
本发明采用的技术方案为：一种基于全卷积网络的穿墙成像雷达人体目标检测方法，包括：
S1、超宽带成像：采用两脉冲对消器滤除房间内非生命体雷达回波，然后采用反投影方法获得探测场景内多个人体目标图像；
S2、对步骤S1获取的图像进行预处理：根据每个像素点处各通道的能量差异计算加权因子，对成像结果进行逐像素点加权；
S3、采用数值仿真产生若干组雷达数据，这若干组雷达数据经步骤S1-S2处理后得到若干灰度图像，所述若干灰度图像用来制作训练数据集；
S4、构建全卷积神经网络；
S5、采用步骤S3中的训练数据集对步骤S4中的全卷积神经网络进行训练；
S6、将待检测图像经不住S1-S2处理后输入训练完成的全卷积神经网络，得到输出结果。
步骤S2中所述相干因子的计算式为：
Figure GDA0003614225970000021
其中，C＝MN为成像通道数，
Figure GDA0003614225970000022
为第c个通道成像结果。
步骤S3还包括为每一灰度图像设计标签，所述标签与灰度图像尺寸相同。
步骤S4所述全卷积神经网络包括：降采样层、升采样层、跳跃连接以及Softmax层；所述降采样层包括三层步长为2与步长为1的卷积层；所述升采样层包括三层补偿为2的转置卷积层与三层步长为1的卷积层；所述降采样层与升采样层通过三个跳跃连接实现信息共享；全卷积神经网络通过Softmax层进行输出。
步骤S5采用交叉熵与dice loss结合的损失函数计算计算输出结果与标签的误差，损失函数表达式如下：
Loss＝0.5E(Ipred,Itruth)+0.5D(Ipred,Itruth)
其中，E(Ipred,Itruth)为二元交叉熵，Ipred为网络输出结果，Itruth为对应标签，D(Ipred,Itruth) 为dice loss函数。
D(Ipred,Itruth)表达式如下：
Figure GDA0003614225970000023
本发明的有益效果：本发明的一种基于全卷积网络的穿墙成像雷达人体目标检测方法，可实现雷达图像中多个不同形状目标的稳健检测，可有效应对不同信噪比场景下目标检测问题，同时具备区分图像中重叠目标的能力；本发明采用反投影成像方法得到探测区域内雷达图像；基于能量加权的图像预处理方法可抑制旁瓣与噪声，提高图像信噪比；通过全卷积神经网络可实现由输入雷达图像到目标检测结果的映射，可实现不同信噪比场景中多目标自适应检测。因此，本发明具有鲁棒性高、适应性强的优势，可以直接应用到穿墙成像雷达装备中。
附图说明
图1为本实施例的处理流程图；
图2为训练样本示意图；
其中，图2(a)为输入图像，图2(b)为输入图像对应的标签；
图3为网络结构图；
图4为数值仿真结果；
其中，图4(a)为输入图像，图4(b)为输入图像对应的标签，图4(c)为输出结果；
图5为实验场景；
图6为实验结果；
其中，图6(a)为实验选取的输入图像，图6(b)为图6(a)对应的输出结果。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
本发明流程图如图1所示，其实现的具体步骤为：
步骤1：超宽带成像
穿墙成像雷达采用配备M个发射天线与N个接收天线的天线阵列。发射信号s(t)为超宽带脉冲信号，第m个发射天线的发射信号经过目标反射后，第n个接收天线接收的回波信号为：
Figure GDA0003614225970000031
其中，t为时间，K表示人体目标个数，σk为表示第k个目标的反射系数，k＝1,2,3,...,K，
Figure GDA0003614225970000041
为第k个目标的回波延迟，φmn(t)为房间内静止物体及墙体回波，ψmn(t) 为噪声，n＝1,2,3,...,N，m＝1,2,3,...,M。
经过两脉冲对消器后，φmn(t)得到抑制，对消处理后信号表示为
Figure GDA0003614225970000042
将探测区域离散为X×Y个像素点，根据反投影成像算法，位于(xh,yh)处像素点的像素值计算为：
Figure GDA0003614225970000043
其中，τmnh表示像素点xh(xh,yh)对应的时延。对成像区域内所有像素点进行上述操作即可得到图像I(x,y)。
步骤2：图像预处理
为抑制雷达图像中目标旁瓣与背景噪声，根据像素点处各通道的能量差异计算能量相干因子，对于图像I(x,y)中每个像素点，能量相干因子可表示为：
Figure GDA0003614225970000044
其中，C＝MN为成像通道数，
Figure GDA0003614225970000045
为第c个通道成像结果，c＝1,2,3,...,C。
原始成像结果经过能量相干因子加权后，进一步采用二维高斯滤波进行图像平滑，平滑后图像作为神经网络的输入。
步骤3：制作训练数据集
步骤3-1：采用数值仿真产生1000组雷达回波数据对神经网络作为训练集。仿真中目标数量设置为1-5的随机变量，目标位置随机分布在观测空间内，并在模拟回波信号中加入5-10dB信噪比的随机高斯噪声。
步骤3-2：通过步骤1与步骤2得到灰度图像，作为神经网络的输入。
步骤3-3：步骤3-2中图像对应的标签设计为与输入图像尺寸相同的二值图像，目标标签为半径为5像素点的圆形区域，目标区域像素值为1，背景区域像素值为0。训练数据集中一个样本如图2所示，图2(a)为输入图像，图2(b)为图2(a)所述输入图像对应的标签。
步骤4：构建全卷积神经网络
网络结构如图3所示，该网络由一个降采样-升采样结构与跳跃连接组成。降采样结构由三层步长为2与步长为1的卷积层组成，在降采样过程中，输出的特征图分辨率逐渐降低，同时目标特征得到保留，背景杂波被逐步去除。升采样结构由三个步长为2的转置卷积层与步长为1的卷积层组成，经过转置卷积后，特征图分辨率提升。卷积核大小设置为 3×3。卷积层输出结果经过带泄露的线性整流(Leaky ReLU)激活函数实现非线性变换。该结构可提取多尺度目标特征，从而实现对不同大小与形状目标的检测。降采样层与升采样层通过三个跳跃连接实现信息共享，从而可以在提取高维度特征的同时保留低维度特征。网络最后通过Softmax层进行输出，输出结果为单通道灰度图像，像素值代表当前像素点被判别为目标的概率。
步骤5：网络训练
步骤5-1：网络中所有层参数初始化为高斯分布的随机数
步骤5-2：将训练数据集中训练样本依次输入构建好的全卷积神经网络，根据初始化的网络参数进行前向传播，计算每层输出结果
步骤5-3：采用交叉熵与dice loss结合的损失函数计算计算输出结果与标签的误差，表达式如下：
Loss＝0.5E(Ipred,Itruth)+0.5D(Ipred,Itruth)
其中，E(Ipred,Itruth)为二元交叉熵，Ipred为网络输出结果，Itruth为对应标签，D(Ipred,Itruth) 为dice loss函数，表达式为：
Figure GDA0003614225970000051
步骤5-4：采用Adam优化算法进行误差反向传播，并更新网络中所有卷积层参数
步骤5-5：重复进行步骤5-2至步骤5-4，直到当前损失函数计算得到的误差与上一次结果相差小于0.001或达到预设的最大迭代次数100。
本发明的效果通过以下仿真与实验验证进一步说明：
仿真结果：
仿真中穿墙成像雷达采用两发四收天线阵列，两个发射天线分别放在(4.85m,0m)和 (5.15m,0m)，四个接收天线放置在(4.8875m,0m)到(5.1125m,0m)，间距为0.075m。发射天线发射1.6GHz～2.2GHz的超宽带脉冲信号。
测试集包含仿真生成的200组雷达图像，生成条件与训练集相同。测试集中共包含576 目标，采用本发明的处理流程后，共检测到554个目标，检测概率达到96％。其中一组仿真结果如图4所示，图4(a)所示的原始图像中包含五个目标，且中间两个目标图像发生重叠，由图4(c)的结果可知，本发明的方法可有效分离重叠目标，实现多尺度多目标稳健检测，其中图4(b)为图4(a)对应的标签。
实验结果：
探测场景如图5所示，利用超宽带穿墙成像雷达探测墙后四个人体目标，雷达参数与仿真设置相同。墙体厚度为0.25m，雷达贴墙放置。
对于上述所示的穿墙成像雷达系统探测得到的回波数据，采用本发明的处理方案，得到的检测结果如图6所示。图6(a)为实验选取的输入图像，输出结果如图6(b)所示，通过仿真数据集训练的网络可直接用于处理实测数据，该神经网络具有良好的泛化能力。
仿真与实验结果说明，本发明可实现穿墙雷达图像中多个不同形状目标的稳健检测，可有效应对不同信噪比场景下目标检测问题，同时具备区分图像中重叠目标的能力。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。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权利要求范围之内。

Claims (5)

1.一种基于全卷积网络的穿墙成像雷达人体目标检测方法，其特征在于，包括：
S1、超宽带成像：采用两脉冲对消器滤除房间内非生命体雷达回波，然后采用反投影方法获得探测场景内多个人体目标图像；
S2、对步骤S1获取的图像进行预处理：根据每个像素点处各通道的能量差异计算相干因子，对成像结果进行逐像素点加权；
步骤S2中所述相干因子的计算式为：
Figure FDA0003574690720000011
其中，I(x,y)为步骤S1获取的图像，C＝MN为成像通道数，
Figure FDA0003574690720000012
为第c个通道成像结果；
S3、采用数值仿真产生若干组雷达数据，这若干组雷达数据经步骤S1-S2处理后得到若干灰度图像，所述若干灰度图像用来制作训练数据集；
S4、构建全卷积神经网络；
S5、采用步骤S3中的训练数据集对步骤S4中的全卷积神经网络进行训练；
S6、将待检测图像经不住S1-S2处理后输入训练完成的全卷积神经网络，得到输出结果。
2.根据权利要求1所述的一种基于全卷积网络的穿墙成像雷达人体目标检测方法，其特征在于，步骤S3还包括为每一灰度图像设计标签，所述标签与灰度图像尺寸相同。
3.根据权利要求2所述的一种基于全卷积网络的穿墙成像雷达人体目标检测方法，其特征在于，步骤S4所述全卷积神经网络包括：降采样层、升采样层、跳跃连接以及Softmax层；所述降采样层包括三层步长为2与步长为1的卷积层；所述升采样层包括三层补偿为2的转置卷积层与三层步长为1的卷积层；所述降采样层与升采样层通过三个跳跃连接实现信息共享；全卷积神经网络通过Softmax层进行输出。
4.根据权利要求3所述的一种基于全卷积网络的穿墙成像雷达人体目标检测方法，其特征在于，步骤S5采用交叉熵与dice loss结合的损失函数计算输出结果与标签的误差，损失函数表达式如下：
Loss＝0.5E(Ipred,Itruth)+0.5D(Ipred,Itruth)
其中，E(Ipred,Itruth)为二元交叉熵，Ipred为网络输出结果，Itruth为对应标签，D(Ipred,Itruth) 为dice loss函数。
5.根据权利要求4所述的一种基于全卷积网络的穿墙成像雷达人体目标检测方法，其特征在于，D(Ipred,Itruth)表达式如下：
Figure FDA0003574690720000021
CN202010636454.3A 2020-07-03 2020-07-03 一种基于全卷积网络的穿墙成像雷达人体目标检测方法 Active CN111931570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010636454.3A CN111931570B (zh) 2020-07-03 2020-07-03 一种基于全卷积网络的穿墙成像雷达人体目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010636454.3A CN111931570B (zh) 2020-07-03 2020-07-03 一种基于全卷积网络的穿墙成像雷达人体目标检测方法

Publications (2)

Publication Number Publication Date
CN111931570A CN111931570A (zh) 2020-11-13
CN111931570B true CN111931570B (zh) 2022-07-01

Family

ID=73312472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010636454.3A Active CN111931570B (zh) 2020-07-03 2020-07-03 一种基于全卷积网络的穿墙成像雷达人体目标检测方法

Country Status (1)

Country Link
CN (1) CN111931570B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112617850B (zh) * 2021-01-04 2022-08-30 苏州大学 心电信号的早搏心拍检测系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0812028B1 (en) * 1996-06-06 2005-08-17 University Of Bristol Apparatus for and method of detecting a reflector within a medium
CN106546981A (zh) * 2016-10-24 2017-03-29 复旦大学 运动人体安检成像系统和方法
CN108492258A (zh) * 2018-01-17 2018-09-04 天津大学 一种基于生成对抗网络的雷达图像去噪方法
CN108872984A (zh) * 2018-03-15 2018-11-23 清华大学 基于多基地雷达微多普勒和卷积神经网络的人体识别方法
CN109031287A (zh) * 2018-09-21 2018-12-18 西安交通大学 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法
CN109544563A (zh) * 2018-11-12 2019-03-29 北京航空航天大学 一种面向违禁物安检的被动毫米波图像人体目标分割方法
CN109711330A (zh) * 2018-12-25 2019-05-03 山东雷诚电子科技有限公司 一种主动毫米波人体成像威胁物检测方法
CN110428424A (zh) * 2019-07-02 2019-11-08 中国航空工业集团公司雷华电子技术研究所 基于深度学习的雷达回波图像高压线分割方法
CN110531769A (zh) * 2019-08-28 2019-12-03 深圳勇艺达机器人有限公司 用于机器人移动路径确定方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9400925B2 (en) * 2013-11-15 2016-07-26 Facebook, Inc. Pose-aligned networks for deep attribute modeling

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0812028B1 (en) * 1996-06-06 2005-08-17 University Of Bristol Apparatus for and method of detecting a reflector within a medium
CN106546981A (zh) * 2016-10-24 2017-03-29 复旦大学 运动人体安检成像系统和方法
CN108492258A (zh) * 2018-01-17 2018-09-04 天津大学 一种基于生成对抗网络的雷达图像去噪方法
CN108872984A (zh) * 2018-03-15 2018-11-23 清华大学 基于多基地雷达微多普勒和卷积神经网络的人体识别方法
CN109031287A (zh) * 2018-09-21 2018-12-18 西安交通大学 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法
CN109544563A (zh) * 2018-11-12 2019-03-29 北京航空航天大学 一种面向违禁物安检的被动毫米波图像人体目标分割方法
CN109711330A (zh) * 2018-12-25 2019-05-03 山东雷诚电子科技有限公司 一种主动毫米波人体成像威胁物检测方法
CN110428424A (zh) * 2019-07-02 2019-11-08 中国航空工业集团公司雷华电子技术研究所 基于深度学习的雷达回波图像高压线分割方法
CN110531769A (zh) * 2019-08-28 2019-12-03 深圳勇艺达机器人有限公司 用于机器人移动路径确定方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Fitting a deformable 3D human body model to depth images using convolutional neural networks;Samuel Zeitvogel等;《2016 12th IEEE International Symposium on Electronics and Telecommunications (ISETC)》;20161028;第1-6页 *
Human Target Detection Based on FCN for Through-the-Wall Radar Imaging;李虎泉等;《IEEE》;20200709;第1565-1569页 *
穿墙雷达人体目标探测技术综述;金添等;《电波科学学报》;20200617;第486-495页 *

Also Published As

Publication number Publication date
CN111931570A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN112612005B (zh) 基于深度学习的雷达抗主瓣干扰方法
CN107561507B (zh) 一种外辐射源雷达的杂波对消方法
CN104851097B (zh) 基于目标形状与阴影辅助的多通道sar‑gmti方法
CN109444820A (zh) 杂波和干扰共存时多通道雷达先干扰抑制后目标检测方法
CN105974400A (zh) 一种基于对称谱特性的稳健空时检测方法
CN111796272A (zh) 穿墙雷达人体图像序列的姿态实时识别方法及计算机设备
CN111931570B (zh) 一种基于全卷积网络的穿墙成像雷达人体目标检测方法
CN107479050B (zh) 基于对称谱特性和次对称特性的目标检测方法和装置
CN111090088B (zh) 基于主动声纳阵列斜对称特性的泄露目标空时检测方法
CN113960558A (zh) 基于多输入多输出雷达的非视距目标定位方法及系统
Gao et al. Fast two‐dimensional subset censored CFAR method for multiple objects detection from acoustic image
CN109932697B (zh) 基于压缩感知的微弱目标检测方法
CN109188373A (zh) 基于子阵阻塞矩阵预处理的抗主瓣干扰方法
CN116125421B (zh) 一种基于深度学习的阵列雷达多回波信号目标检测方法
Lee et al. Improved moving target detector using sequential combination of DPCA and ATI
CN114152918B (zh) 基于压缩感知的抗间歇式主瓣干扰方法
CN113567974B (zh) 基于cppwm雷达的多生命体智能检测装置及方法
Cai et al. Sea‐surface weak target detection scheme using a cultural algorithm aided time‐frequency fusion strategy
CN105548994B (zh) 一种基于压缩感知的水下多亮点目标的检测方法
Sun et al. Through‐the‐wall radar imaging algorithm for moving target under wall parameter uncertainties
CN113406578A (zh) 分布式无人机载雷达目标检测方法、装置及存储介质
CN112666528A (zh) 一种基于卷积神经网络的多站雷达系统干扰鉴别方法
CN109696671B (zh) 基于组结构与相关性学习的高分辨穿墙雷达成像方法
Pryshchenko et al. Collective artificial intellegence approach for the problem of object classification with UWB GPR
CN112363106A (zh) 基于量子粒子群的信号子空间波达方向检测方法及系统

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