CN111948638B - 基于高分辨距离像的目标长度估计方法与其应用 - Google Patents
基于高分辨距离像的目标长度估计方法与其应用 Download PDFInfo
- Publication number
- CN111948638B CN111948638B CN202010682024.5A CN202010682024A CN111948638B CN 111948638 B CN111948638 B CN 111948638B CN 202010682024 A CN202010682024 A CN 202010682024A CN 111948638 B CN111948638 B CN 111948638B
- Authority
- CN
- China
- Prior art keywords
- target
- length
- sequential
- boundary
- radial projection
- 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 61
- 238000000605 extraction Methods 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 210000003888 boundary cell Anatomy 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000009751 slip forming Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009827 uniform distribution 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了基于高分辨距离像的目标长度估计方法与其应用，其中所述目标长度估计方法包括提取预处理后的目标序贯高分辨距离像中目标的径向投影长度特征，得到目标的序贯径向投影长度的过程，本发明能准确、稳定地估计出目标的长度，估计结果与目标实际长度吻合性高、误差小，可有效克服现有技术在估算目标长度中的精度不足的问题。
Description
技术领域
本发明涉及高分辨距离像的技术领域。
背景技术
高分辨距离像(HRRP)是通过宽带雷达获得的目标散射点子回波在雷达视线方向上的投影的矢量和，它含有目标散射点分布情况、目标距离、目标的结构和材质等多种信息，对目标的识别、分类及相关数据的测算十分有价值，因而成为雷达自动目标识别的新技术。
现有技术中通过HRRP对目标进行识别的过程通常包括数据预处理、特征提取与选择、基于提取和选择的特征对目标进行分类与识别。其中数据预处理的目的包括克服未处理的HRRP数据在幅度、姿态和平移三个方面的敏感性问题，其常见的方式如：通过归一化进行幅度敏感性抑制，通过距离像平均法进行姿态敏感性抑制，通过包络对齐进行平移敏感性抑制等等。在获得预处理后，目标的HRRP数据集的稳定性得到了增强，可进一步实现特征提取和选择。
特征提取和选择对目标的识别及其相关参数的测算具有基础和关键作用，若提取出的特征同类聚合性差和/或异类分离性差，或在特征提取的过程中无法抑制平移、姿态等敏感性问题，最终将难以或无法实现目标的准确分类和识别。现有技术中常见的特征提取方法包括距离像域特征提取、散射中心特征提取、中心矩特征提取、幅度谱与幅度谱差分特征提取、高阶谱特征提取、时频特征提取、极化特征提取等。
从高分辨距离像中提取强散射中心的位置和幅度信息作为特征用于分类是一种常用的做法。然而，无论是强散射中心的位置还是幅度特征，受目标方位角变化的影响都非常剧烈，从而大大影响了目标识别的性能。相比之下，目标长度特征随方位角的变化较缓慢，并且是目标本身的物理特征之一，因此是一种稳定、有效的识别特征，对于目标粗分类来说非常有用，同时其本身也是目标的一个重要信息。
但现有技术中公开的一些目标长度估计方法，如基于门限分割的长度提取法等，常常存在精度不足的问题，无法得到广泛的应用。
发明内容
本发明的目的在于提出一种基于高分辨距离像的目标长度估计方法，其可快速高效地从高分辨距离像中获得目标感兴趣区域(RoI)，获得目标的实际物理长度的较准确数据，可为目标的识别及分类提供重要的先验信息。
本发明的目的还在于提出上述方法的应用。
本发明首先提供了如下的技术方案：
基于高分辨距离像的目标长度估计方法，其包括：
S2：提取预处理后的目标序贯高分辨距离像中目标的径向投影长度特征，得到目标的序贯径向投影长度。
该方案中所述“径向”是指的雷达视线方向，“序贯”是指的雷达在连续扫描的过程中按照先后顺序产生的一系列数据和/或图像。
在一些具体实施方式中，所述步骤S2包括：
S21：通过卷积核对预处理后的目标序贯高分辨距离像中的每一个高分辨距离像进行轮廓像特征提取；
S22：通过滑窗法对提取出的每个轮廓像特征图进行目标径向投影长度特征提取；
S23：对步骤S22获得的每个特征图中的多个目标径向投影长度求取平均值，得到目标的序贯径向投影长度。
在一些具体实施方式中，所述卷积核为0到1之间的均匀分布。
在一些具体实施方式中，所述步骤S2还包括：
S20：对目标的序贯高分辨距离像进行预处理，其包括：
S200：对目标的序贯高分辨距离像进行归一化。
在一些具体实施方式中，所述步骤S20还包括：
S201：通过差分算子对归一化后的高分辨距离像进行去噪，得到去噪后距离像。
在一些具体实施方式中，所述差分算子W[K]为：
其中，M表示差分算子宽度，k表示一定长度的距离单元数。
在一些具体实施方式中，所述差分算子宽度M为：
其中，m1、m2、S1、S2分别表示差分算子宽度设置参数及信噪比设置参数，SNR表示归一化后的高分辨距离像的信噪比。
在一些具体实施方式中，步骤S22中所述目标径向投影长度提取过程包括：
设定特定长度的左滑窗和右滑窗；
将上述左滑窗和右滑窗分别自所述轮廓像特征图的左边界和右边界出发，进行滑动前移，每移动一步，判断滑窗内数据是否满足各自的边界判定条件，若不满足，则继续移动，若满足，则停止移动，记录该处滑窗内数据对应的HRRP的距离单元；
通过左和右距离单元的差值获得所述目标的径向投影长度。
在一些具体实施方式中，所述边界判定条件包括：
左边界判定条件(29)-(30)：
xb/mean(xwinL)>ThrsldL (29)
mean(xwinR)>mean(xwinL) (30)；
及右边界判定条件(31)-(32)：
xb/mean(xwinR)>ThrsldR (31)
mean(xwinL)>mean(xwinR) (32)。
其中，xb表示与待判定边界单元对应的参数，xwinL表示与左参考单元WL对应的参数，xwinR表示与右参考单元WR对应的参数，ThrsldL表示待判定边界单元的左边界门限值，ThrsldR表示待判定边界单元b的右边界门限值。
在一些具体实施方式中，所述ThrsldL和ThrsldR分别通过式(25)和(26)获得：
其中，xL(n)和xR(n)为在原序贯高分辨距离像中选取的左、右两侧的m个不含有目标的距离单元图像。
在一些具体实施方式中，所述长度估计方法还包括：
S3：通过目标的序贯姿态角及所得序贯径向投影长度经式(14)获得其序贯的径向物理长度，并通过式(16)得到目标长度：
其中，θi表示目标的序贯姿态角，i＝2,…,m表示序贯姿态角的序号，Li P表示所述目标的序贯径向投影长度。
在一些具体实施方式中，所述序贯的径向物理长度为：
其中，δ1,δ2,δ3为矫正后的姿态角区间，λ1,λ2,λ3为对应的矫正值。
在一些具体实施方式中，所述长度估计方法还包括：
S1：自目标的轨迹数据中获得其序贯的姿态角。
在一些具体实施方式中，所述步骤S1包括：
S11：剔除目标的轨迹数据中的异常点；
S12：根据剔除异常点后的轨迹数据进行目标运动曲线拟合；
S13：根据拟合的目标运动曲线获得其序贯的姿态角。
在一些具体实施方式中，所述运动曲线使用如下的模型：
在一些具体实施方式中，所述运动曲线使用如下的模型：
y(x)＝a2x2+a1x+a0 (7)。
其中，其中y(x)表示目标的运动轨迹，x表示目标在笛卡尔坐标系下的横坐标，所述模型中的参数aj通过如下的优化目标函数确定：
其中，ρ为影响函数，如式(9)所示：
其中，ri表示xi的残差，ωi为其权值。
在一些具体实施方式中，所述权值设置如下：
其中σ表示误差的标准方差。
本发明进一步提出了一种基于高分辨距离像的目标识别方法，其包括以通过上述任一种方法或其具体实施方式获得的目标的长度作为提取特征之一进行目标识别。
本发明进一步提出了上述长度估计方法或其具体实施方式，或上述目标识别方法在舰船目标上的应用。
本发明具备以下有益效果：
本发明能准确、稳定地估计出目标的长度，估计结果与目标实际长度吻合性高、误差小，可有效克服现有技术在估算目标长度中的精度不足的问题。
本发明可基于目标的不变性特征，即其长度对目标进行粗分类。
本发明的估算或识别方法能快速准确地提取出目标感兴趣区域(Region ofInterest,ROI)。
本发明结合雷达跟踪信息对船长进行估计，能够提取出有效的稳定特征，对于宽带雷达舰船目标自动识别领域具有较高的工程应用价值。
附图说明
图1为具体实施方式中所述雷达探测舰船目标示意图；
图2为具体实施方式中所述坐标转换示意图；
图3为具体实施方式中所述舰船方位角、航向角和姿态角的关系示意图；
图4为具体实施方式中所述舰船姿态角、径向投影长度和径向物理长度的关系示意图；
图5为具体实施方式中所述舰船径向物理长度的估算流程；
图6为具体实施方式中所述卷积算子提取HRRP轮廓特征示意图；
图7为具体实施方式中所述HRRP样本经过卷积算子取得的HRRP轮廓像；
图8为具体实施方式中所述径向投影长度提取流程；
图9为具体实施方式中所述滑窗搜索提取示意图；
图10为具体实施方式中所述差分算子提取HRRP长度特征示意图；
图11为具体实施方式中所述HRRP样本与差分算子运算后的结果；
图12为具体实施方式中所述差分算子中的参数M和SNR的关系图；
图13为具体实施方式中所述舰船径向投影长度的HRRP仿真样本图；
图14为具体实施方式中所述不同方法提取的舰船目标径向投影长度对比图；
图15为具体实施方式中所述不同方法提取的舰船目标径向投影长度误差图；
图16为具体实施方式中所述舰船真实点迹、飞机飞行点迹和拟合点迹对比；
图17为具体实施方式中所述机载雷达探测产生的序贯HRRP图；
图18为具体实施方式中所述舰船径向物理长度测试误差统计。
具体实施方式
以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
以下实施方式中，所述“左”、“右”，“前”、“后”，“上”、“下”等均为某一特定描述对象中的相对位置关系，并不限定为具体的位置及方向。
以下实施方式中，所述姿态角是指目标运动方向与雷达视线方向之间的夹角，所述方位角是指飞行器运动方向与雷达视线方向之间的夹角，航向角是指飞行器运动方向分解后，其中与舰船首部朝向相交的分量与舰船运动方向之间的夹角(如附图2或3所示)，径向是指雷达视线方向。
如附图1所示的机载雷达对舰船目标的探测，其中含有机载宽带雷达的飞行器朝正北方向飞行，舰船目标朝正西方向航行，雷达向舰船目标照射雷达波束并获得回波，由此可获得包含舰船目标各种信息的数据。在其中一个时刻上获得的数据包括了目标在某个航迹点的情形，将其通过现有技术处理后可生成舰船目标的HRRP，当扫描数圈后，即可形成舰船目标的航迹数据和一连串的HRRP，这种连续形成的HRRP即为舰船目标的序贯HRRP，序贯HRRP包含了舰船目标在不同姿态角下的结构信息。
根据获得的航迹数据及序贯HRRP，通过如附图5所示的流程进行目标舰船长度估计，包括：
S1：自目标舰船的航迹数据中获得其序贯的姿态角。
具体的，可包括：
S10：若获得的航迹数据为极坐标系下的数据，将其转换为笛卡尔坐标系下的航迹数据，如：
如附图2所示，若雷达提供的目标坐标信息为(Ri,Ai)(i＝1,2,...,m)，其中Ri为目标在雷达方位线上的距离，Ai为方位角，将(Ri,Ai)转换至笛卡尔坐标系中，可知式(1)：
xi＝Ri sin Ai,yi＝Ri cos Ai (1)。
S11：剔除所得数据中的异常航迹点：
因目标的异常航迹点可能会对点迹的拟合造成一定的偏差，由此直接影响到目标的一些重要参数，如航向角和姿态角的估计，从而产生最终的估算误差，故若希望得到理想的航迹数据，需要对异常的离群航迹点进行识别和剔除。在现有技术中，找到并剔除异常点统称为异常检测，主要的方法涵盖了统计(Statistics)、分类(Classification)、近邻(Neighbours)和聚类(Clustering)等各个领域，本发明可选择如基于近邻的异常检测。
基于近邻的异常检测，是根据正常样本和异常样本之间的距离来进行异常判定的。即，在样本集中，正常样本的数量一般大于异常样本的数量，由此可将正常样本归类到若干个正常的类簇中，而异常样本在距离上则远于这些类簇，若将样本在距离上进行排序，设定阈值后按照排序的结果即可找出异常的样本点。
本发明可进一步选择如基于局部离群因子(LocalOutlierFactor,简称LOF)的异常检测算法进行异常航迹点剔除，具体如：
在航迹数据集中，任意选定其中某个样本x，对样本x周围的其他样本按距离大小进行升序排序，其中x的k距离表示离x最近的第k个样本到x的距离，x的k距离邻域表示数据集中距离样本x前k-1个数据样本组成的集合，那么x相对于另一个样本s的可达距离则为式(2)：
r_dist(x,s)＝max{k(x),dist(x,s)} (2)
其中k(x)表示样本x的k距离，dist(x,s)为x到s的距离，k为正整数；
令Nk(x)为x的k距离邻域，那么x的局部可达密度为式(3)：
类似地，可求得另一个样本s的局部可达密度lcdk(s)；
将x的局部离群因子定义为式(4)：
其后，通过对局部离群因子大小的判断，剔除异常点迹，具体的，若x的局部离群因子越高，那么x越有可能为局部离群点，若x的局部离群因子越低，那么x偏离整体的程度越小。
S12：拟合航迹曲线；
基于完成异常检测后的航迹数据，需要找到一条曲线去近似地描述航迹，所得曲线一方面需要严格地通过所有数据点，另一方面需要在xi处的残差都严格的趋近于零。
具体的，可选择根据使残差平方和最小的原则来进行曲线拟合，即最小二乘估计(Least Square Estimate,LSE)，包括：
设定舰船在短时间内的运动模型为：
其中y(x)表示舰船的运动轨迹，即目标在笛卡尔坐标系下纵坐标y的连线，x表示目标在笛卡尔坐标系下的横坐标。
系数a0,a1,…,am可基于下式获得：
进一步地，本发明可将航迹使用二次方程进行描述，如下式(7)所示：
y(x)＝a2x2+a1x+a0 (7)，
其中系数α0、α1和α2可通过最小二乘估计(LSE)获得，优选的，可使用加权最小二乘估计WLSE获得，其通过迭代加权LSE的回归系数，并根据前一次回归残差大小来确定各个样本点的权重，其中，偏差较大的样本点权重较小，偏差较小的样本点权重大，这样即使出现异常点也不会对最后的估计值产生较大的影响的方式获得最优的系数。
具体的，优化目标函数可设计为式(8)：
其中，ρ为影响函数，可表示为式(9)：
其中，ri表示xi的残差，ωi为其权值，并可表示为式(10)：
其中σ表示误差的标准方差。
S13：从拟合的航迹曲线中取得目标的航向角及姿态角；
具体的，在短时间内，认为舰船是稳定的，则其运动方向和舰首所指向的方向是一致的，可用所得航迹曲线在舰船位置处的切线方向表示，如附图3所示，其中舰船的运动方向与坐标系横轴的夹角即为航向角，可通过下式(11)获得：
由于舰船有多个点迹，在每个点迹上，舰船和雷达之间的方位角、姿态角和航向角都不相同，若产生了m个点迹，则将就拥有m个方位角、姿态角和航向角。
根据式(11)可知，在点迹(xi,yi)，i＝1,2,…,m中，目标运动方向的矢量为(cosαi,sinαi)，雷达扫描视线的矢量为(sinαi,cosαi)，根据夹角余弦公式，雷达扫描视线和目标运动方向的夹角可由下式(12)得到：
其中，αi为目标的序贯航向角，Ai为目标的序贯方位角，其中，序贯姿态角θi的范围需满足0°～90°，故序贯姿态角θi与的关系为式(13)：
基于式(13)即可获得序贯的姿态角θi。
S2：通过目标的序贯HRRP获得目标的径向投影长度；
通过所得序贯的姿态角，并结合目标的序贯HRRP，获得目标的径向物理长度估计值。
具体的，可包括：
S20：将目标的序贯HRRP进行预处理；
可进一步包括如：
S200：对目标的序贯HRRP进行归一化；
S201：通过差分算子对归一化后的HRRP进行去噪，得到去噪后距离像。
步骤S201可更进一步包括如：
计算归一化后HRRP的信噪比；
根据所得信噪比，获得差分算子的宽度M；
将差分算子和归一化后的HRRP滑动相乘得到差分输出，即为去噪后的HRRP。
其中，计算归一化后HRRP的信噪比可选择如下的过程：
其中，x(i)，i＝0，1，…，N-1表示归一化后的HRRP的序列图像；
其中，
k为选取的一定长度的距离单元数。
其中，根据所得信噪比，可设置差分算子宽度M。
M的设定需要考虑到若M值太小，进入差分算子的数据点少，统计的信息准确度低，差分输出波动大，得到的目标长度L大于真值；若M值太大，超过目标回波的尺寸，输出波动缓慢，得到的目标长度L将小于真实值。
同时，在实际应用中，由于信噪比受环境的影响较大，因此必须根据信噪比自适应调整算子的宽度M。如果信噪比较低，M应取较大值；如果信噪比较高，M应该取较小值。
基于上述考虑，发明人提出了如下的一个分段解析函数(37)获得差分算子宽度M：
其中，参数m1、m2、S1、S2可根据归一化后的HRRP及其所处环境进行设置，在具体实施中，S1与S2通常可选择1-10之间的数值，例如在实施例中，S1设置为1，S2设置为3；在具体实施中，m1与m2通常可选择20-60之间的数值，例如在实施例中，m1设置为30，m2设置为50，即差分算子的宽度M设置为50。
根据上式，在其后的仿真实验中，可得到如附图12所示的M和SNR的关系图。
其中，所述差分算子W可设置如：
其中，所述差分算子和归一化后的HRRP滑动相乘的过程如：
上述过程即差分算子W和归一化后的HRRP序列x(n),n＝0,1,…,N-1顺次进行内积运算，将内积运算结果的绝对值作为处理后的HRRP数据。
其中y(i),i＝1,2,…,N-2M+1表示经过差分算子处理后的结果，即去噪后的输出数据。
S21：通过卷积神经网络的多个卷积核对输入的去噪后的HRRP进行目标的轮廓像特征提取，提取过程为：
其中，Ker表示卷积核，Mj表示感受野(ReceptiveField)，即得到的轮廓像特征图上的一个点所对应的HRRP上的输入区域。
其中，所述卷积核为0到1之间的均匀分布。
所述卷积核以一定步长，如取步长为1或2，在去噪后的HRRP上进行滑动，每滑动一步实现一次卷积运算，由此，每一个卷积核可提取一种特征，若有m个卷积核，则可得到m个轮廓像特征图(即m个数据组)。
其过程如附图6所示。
S22：通过滑窗对每个卷积核提取的轮廓像特征图进行搜索，至提取出每个图中目标的径向投影长度。
为提高效率，所述搜索自所述特征图的左、右两端同时开始进行，即可设置左、右滑窗在所述特征图上进行双向滑动搜索。
如：
S220：
设定长度为Lswin＝2(WL+Wg)+b和Lswin＝2(WR+Wg)+b，且Lswin＜N的左、右两个滑动窗。
其中，WL和WR表示特征图中的左、右参考单元，Wg表示保护窗，b表示待判定边界单元，其均可根据实际情况进行选择和调整，如在实施例中，设置滑动窗待判定边界单元b的长度为1，保护窗Wg的长度为3，参考单元WL和WR的长度为5。
S221：
将上述两个滑动窗同时从特征图的两侧边界出发，滑动前移，当满足边界判定条件时记录滑动窗位置并停止移动，依此得到滑动窗中待判定边界单元b。
其中，所述边界判定条件包括：
左边界判定条件：
xb/mean(xwinL)>ThrsldL (29)
mean(xwinR)>mean(xwinL) (30)；
其中，xb表示与滑动窗待判定边界单元b对应的去噪后的HRRP序列值，xwinL表示与左参考单元WL对应的去噪后的HRRP序列值，xwinR表示与右参考单元WR对应的去噪后的HRRP序列值，ThrsldL表示待判定边界单元b的左边界门限值。
其中，右边界判定条件为：
xb/mean(xwinR)>ThrsldR (31)
mean(xwinL)>mean(xwinR) (32)；
其中，ThrsldR表示待判定边界单元b的右边界门限值。
ThrsldL和ThrsldR根据原始的HRRP进行设定，如将ThrsldL和ThrsldR分别设定为原始HRRP的左右两侧的噪声起伏度和/>其中：
其中xL(n)和xR(n)为在原始HRRP中选取的左、右两侧的m个不含有目标的HRRP距离单元。
S222：
根据上述过程得到待判定边界单元b中左右边界单元分别为Pe和Pb，则HRRP序列中目标的径向投影长度L如式(33)所示：
L＝(Pe-Pb)×ΔR， (33)
其中ΔR为雷达的距离分辨率。
若有m个轮廓像特征图，则可得到m个目标的径向投影长度。
S23:对提取得到的多个(如m个)目标的径向投影长度L进行求和取平均值，可得到目标的平均径向投影长度，
该过程可得到较精确的目标RoI特征，减少了波动误差。
上述过程S2的流程可如附图8所示。
S3：通过舰船的序贯姿态角、平均径向投影长度获得其径向物理长度；
具体的，在附图4所示的舰船姿态角、径向投影长度和径向物理长度关系图上可以看出：HRRP为舰船目标在雷达视线上的投影，若舰船目标在某个姿态角θi上经过提取得到的平均径向投影长度为其在径向的物理长度为/>则：
其中i＝2,…,m，m为目标姿态角的序号。
考虑到舰船的径向投影长度和姿态角易受到HRRP姿态敏感性的影响，可通过不同的姿态角设定的矫正值对径向物理长度进行矫正，如：设定δ1,δ2,δ3为不同的姿态角区间，其对应的矫正值为λ1,λ2,λ3，则舰船的径向物理长度矫正准则如下式(15)所述：
在目标产生的m个航迹点中，自第二个航迹点开始可估算舰船的航向角和方位角，之后每产生一个航迹点，可通过获得的平均径向投影长度和方位角对径向物理长度做一次估算，那么舰船平均径向物理长度可以估算为式(16)：
若目标的真实物理长度(即船长)为Lengthreal，则测量误差可表示为：
若n条不同长度的舰船产生了n条航迹，每条航迹中估算的舰船径向物理长度为舰船的真实长度为/>其中j＝1,2,…,n，那么每条航迹中的船长测试误差可以表示为：
实施例1
对本发明的上述长度估计方法进行仿真实验，仿真实验使用如附图13所示的舰船径向投影长度为126m的100条HRRP样本，并将其进行平移对齐和归一化预处理后随机打乱。
通过本发明的实施过程及在相同的步骤S1、S3外，含有不同步骤S2的其他方案作为对比，其中：
对比方案一：
步骤S2采用基于门限分割的径向投影长度提取过程，其包括：
A1：
设舰船目标的原始HRRP为x(i)，i＝0，1，…，N-1，其中N表示原始距离像序列的长度，对HRRP序列求取期望：
如式(20)所示，可知原始HRRP中的全部强散射点数为：
其中，U是单位阶跃函数，Q为门限系数。由于每个HRRP的生成条件是独立的，其信噪比SNR不尽相同，因此需要根据不同的SNR选择合适的门限系数Q。
在本实施例中，与通常情况类似，门限系数不能简单确定，因此通过不断地尝试，选择合适的门限系数Q。
其中，SNR的定义如式前述式(21)。
A2：
用L(j)＝{i|x(i)＞Q×Mean},j＝1,2,…,Z表示图像中各点的位置序列，则其RoI(目标投影的两个端点间的区域)含有的单元数NT为：
NT＝L(Z)-L(1)+1 (23)；
可得到目标的径向投影长度如式(24)所示：
L＝NT×ΔR (24)
其中，ΔR为雷达的距离分辨率。
对比方案二：
步骤S2采用基于滑窗搜索法的径向投影长度提取过程，其包括：
B1：
设舰船目标的距离像包括序列x(n),n＝0,1,…,N-1，为消除噪声的影响，先对HRRP样本的噪声基底进行统计，采用如下的过程：
首先，在原始HRRP中选取m个不含有目标的距离单元xL(n)和xR(n)，其中，xL(n)的范围为n＝0,1,…,m-1，xR(n)的范围为n＝N-m-1,N-m-2,…,N-1；
其后统计出上述左右两段数据xL(n)和xR(n)的噪声起伏度，包括对xL(n)和xR(n)取平均，如下：
再取的平均值或两者最大值作为噪声起伏度，即原始HRRP的噪声基底，如下：
或/>
获得所述噪声基底后，将原始的HRRP与噪声基底相减，即得到去噪后数据，如下：
B2：
对去噪后的HRRP序列x′(n)进行滑动边界提取，其过程与本发明步骤S220-S222相同。
具体如下：
如附图9所示，设定长度为Lswin＝2(WL+Wg)+b和Lswin＝2(WR+Wg)+b，且Lswin＜N的左、右两个滑动窗，其中WL和WR表示序列x′(n)中的左、右参考单元，Wg表示保护窗，b表示待判定边界单元。表现在图9中，即黑色部分为待判定边界单元b，灰色部分为保护窗Wg，白色部分为左、右参考单元WL和WR，本实施例中滑动窗待判定边界单元b的长度设置为1，保护窗Wg的长度设置为3，参考单元WL和WR的长度设置为5。
将上述两个滑动窗同时从序列x′(n)的两侧边界出发，对序列进行滑动搜索，当满足边界判定条件时记录滑动窗位置并停止搜索，依此得到滑动窗中待判定边界单元b，
其中，所述边界判定条件包括：
左边界判定条件：
xb/mean(xwinL)>ThrsldL (29)
mean(xwinR)>mean(xwinL) (30)；
其中，xb表示与待判定边界单元b对应的x′(n)序列值，xwinL表示与左参考单元WL对应的x′(n)序列值，xwinR表示与右参考单元WR对应的x′(n)序列值，ThrsldL表示待判定边界单元b的左边界门限值。
右边界判定条件：
xb/mean(xwinR)>ThrsldR (31)
mean(xwinL)>mean(xwinR) (32)；
其中，ThrsldR表示待判定边界单元b的右边界门限值。
ThrsldL和ThrsldR根据实际的HRRP进行设定，在本对比例中，将ThrsldL和ThrsldR分别设定为原始HRRP的左右两侧的噪声起伏度和/>
B3：
根据上述过程得到待判定边界单元b中左右边界单元分别为Pe和Pb，则HRRP序列中目标的径向投影长度L如式(33)所示：
L＝(Pe-Pb)×ΔR (33)
其中，ΔR为雷达的距离分辨率。
对比方案三
步骤S2采用基于双向滑动平均法的径向投影长度提取过程，其包括：
C1：
设舰船目标的距离像包括序列x(n),n＝0,1,…,N-1，其中N表示距离单元数，设定一个如前述式(34)所示的差分算子。
C2：
如附图10所示，将该差分算子在HRRP序列x(n)上沿滑动方向进行滑动差分运算，其过程与前述式(35)相同，可得到如附图11所示的去噪后图像。
从图10与图11的对比中可以看出：当差分算子位于噪声区时，输出的图像噪声明显得到了抑制，输出数据位于低位；当差分算子进入目标的回波信号区时，输出数据出现明显上升；当差分算子完全离开回波信号区时，输出数据显著下降，噪声得到了重新抑制。
通过对比可知，在经过差分算子处理后的曲线中，输出数据开始明显向上增长的点和明显增长趋势结束的点之间的区域为回波信号区域，其分别对应目标的起始位置和结束位置。
C3：
根据实际情况设定左、右两个特定宽度的滑窗，在差分运算后的去噪图像上进行双向滑动，滑窗每滑动一步，求取一次滑窗内数据的均值，由此可分别得到左滑窗内数据均值AL和右滑窗内数据均值AR。
设定目标在差分运算去噪后的图像上的左边界阀值TL及右边界阀值TR，其中：
其中，meanHRRP为图像x(n),n＝0,1,…,N-1均值，maxnoiseL和maxnoiseR分别为原始HRRP中左右两端噪声区域的最大值。
将AL与左边界阀值TL比较，若AL＞TL，则停止滑动，将当前左滑窗对应的距离单元位置标记为起始点的位置数据Pb，否则，继续向中间滑动至AL＞TL。
同理，将AR与右边界阀值TR比较，若AR＞TR，则停止滑动，将当前右滑窗所在距离单元位置记为终止点的位置数据Pe，否则，继续向中间滑动至AR＞TR。
根据Pb和Pe，可进一步通过式(39)得到目标的径向投影长度L：
L＝(Pb-Pe-2M+1)×ΔR (39)。
在仿真过程中：
对比方案一中，噪声的距离单元数k选择为200，门限系数Q为1.3。
对比方案二中，选取的噪声距离单元数m为200，P值选择为100，滑动窗待判定边界单元b的长度设置为1，保护窗Wg的长度设置为3，参考单元WL和WR的长度设置为5，左、右边界的门限ThrsldL和ThrsldR设置为20dB。
对比方案三中，S1设置为1，S2设置为3，m1设置为30，m2设置为50，滑窗的宽度W设置为50；
本发明的实施中，卷积核的数量设置为10，卷积核中的值为0至1之间的均匀分布，其余的参数和上述对比方法中的参数相同。
由本发明的实施方式可得到如附图7所示的由10个不同的卷积核提取的某个舰船目标HRRP的轮廓像，可以看得出相对于原始图像，HRRP中舰船目标的轮廓特征被强化，更有利于长度信息的提取。
各过程提取得到的目标径向长度投影如附图14所示。
在提取出舰船目标径向投影长度后，对其分别的绝对误差进行计算，结果如附图15所示。
从图14及15中可以看出，对比方案三及本发明的提取过程效果最佳，其次为对比方案二，而对比方案一的长度特征波动起伏比较大。
为了进一步测试这些方法的有效性，进行10种不同径向投影长度的HRRP样本仿真测试。
仿真环境设定为雷达发射LFM信号，带宽为100MHz，脉宽为5us，采样率为4MHz，根据船只目标表面不同的起伏状况设定不同时延的回波信号，每种径向投影长度的船只目标仿真出100条测试样本，可得到总数为1000条、包含10种不同径向投影长度船只目标的HRRP样本集，使用不同的径向投影长度提取过程对样本集的径向投影长度进行提取。
其中，方法1代表对比方案一，方法2代表对比方案三，方法3代表对比方案二，方法4代表本发明，所得的径向投影长度测量均值、测量误差和测量标准差分别列举如下(测量均值和标准差的单位为“m”，测量误差的单位为“％”)：
表1舰船目标径向投影长度提取误差均值
表2不同长度提取方法的提取误差(％)
表3不同长度提取方法提取值的标准差(m)
从表1-3中可以看出，本发明提取的径向投影长度的标准差在所有的方法中最小，说明其稳定性最好，而其余三种方法，虽然有时在测量误差上与真实值相差不大，但是样本与样本之间提取值的波动非常大，不利于提取精确的目标径向投影长度特征。
进一步地，对本发明对舰船实际长度的估计进行仿真。
设定预警机的飞行高度为6000m，飞机按时速720km/h的速度进行直线飞行，机载雷达的最大探测距离为320km，雷达带宽设置100MHz，脉宽为5us，脉冲重复频率(PulseRepetition Frequency,简称PRF)为4000Hz，采样率设置为4MHz，每次扫描的转动角度为6度，每个角度发射5个脉冲，即每扫描一圈需要11.25s，按照雷达扫描圈数为10圈计算，飞机飞过的距离为22.5km。
设每条舰船都在预警机的探测范围内，舰船目标的运动状态包括三种：为匀加速航行，定速航行，匀减速航行，飞机在这段时间内一直做匀速直线飞行，舰船的运动起始点一律设置在飞机飞行航线的右侧；舰船运动方向设置为与飞机飞行方向相同、相反和垂直三种，分别使用长度为10m、20m、30m、40m和50m五种不同长度的舰船目标进行仿真实验。
设定舰船目标的运动速度，包括初始航行速度vs和终止航行速度ve，当舰船匀加速运动时，使vs＜ve；当舰船定速航行时，使vs＝ve；当舰船匀减速航行时，使vs＞ve，具体如下表所示：
表4舰船目标的速度范围(km/h)
将舰船的运动状态和舰船与飞机的相对运动方向进行组合，可以得到9种不同的运动模式，再将9种不同的运动模式和不同长度的船进行组合，可得到45种仿真情景，在每种舰船运动模式下，再根据表4限定的速度范围，随机选定3组不同的起始速度，根据起始速度设置不同的加速度，总共可得到135种不同的仿真结果。
如其中图16所示的一种仿真情景，飞机从原点开始出发，沿纵轴正方向飞行，舰船的长度为40m、起始坐标为(3000,8000)、运动方向与飞机运动方向垂直，并沿着横轴正方向做匀速直线运动。从图中可以看出，本发明拟合的航迹曲线大体上和舰船真实的运动轨迹保持一致。该情景模式下得到的序贯HRRP如附图17所示，根据每条HRRP样本中起伏的单元数量来看，其与机载雷达和舰船的之间的姿态角吻合较好。
设定姿态角矫正区间δ1、δ2和δ3分别为15°、75°和90°，矫正值λ1、λ2和λ3分别为0.8、1和1.2，根据本发明得到物理长度估算值，并将其与实际长度值进行对比，可得到如附图18所示的135种不同情境模式下舰船径向物理长度的误差统计结果，其整体误差较小，部分情况下因为一系列噪声的存在或航迹点波动的影响，会出现稍微明显的偏差，整体测试误差在0％到40％之间。
以上实施方式仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施方式。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.基于高分辨距离像的目标长度估计方法，其包括：
S1：自目标的轨迹数据中获得其序贯的姿态角；
S2：提取预处理后的目标序贯高分辨距离像中目标的径向投影长度特征，得到目标的序贯径向投影长度，其具体包括：
S20：对目标的序贯高分辨距离像进行预处理；
S21：通过卷积核对预处理后的目标序贯高分辨距离像中的每一个高分辨距离像进行轮廓像特征提取，所述卷积核为0到1之间的均匀分布；
S22：通过滑窗对提取出的每个轮廓像特征图进行目标径向投影长度提取；
S23：对步骤S22获得的每个特征图中的多个目标径向投影长度求取平均值，得到目标的序贯径向投影长度；
S3：通过目标的序贯姿态角及所得序贯径向投影长度经式(14)获得其序贯的径向物理长度并通过式(16)得到目标长度LR：
其中，θi表示目标的序贯姿态角，i＝2,…,m表示序贯姿态角序号，表示所述目标的序贯径向投影长度；
其中，S20包括：
S200：对目标的序贯高分辨距离像进行归一化；
S201：通过差分算子对归一化后的高分辨距离像进行去噪，得到去噪后距离像；
其中，所述差分算子W[K]为：
其中，k表示一定长度的距离单元数，M表示差分算子宽度，其计算如下：
其中，m1、m2表示差分算子宽度设置参数，S1、S2表示信噪比设置参数，SNR表示归一化后的高分辨距离像的信噪比；m1、m2均为20-60，S1、S2均为1-10。
2.根据权利要求1所述的目标长度估计方法，其特征在于：步骤S22中所述目标径向投影长度提取过程包括：
设定特定长度的左滑窗和右滑窗；
将上述左滑窗和右滑窗分别自所述轮廓像特征图的左边界和右边界出发，进行滑动前移，每移动一步，判断滑窗内数据是否满足各自的边界判定条件，若不满足，则继续移动，若满足，则停止移动，记录该处滑窗内数据对应的HRRP的距离单元；
通过左和右距离单元的差值获得所述目标的径向投影长度；
其中，所述边界判定条件包括如下的左边界判定条件：
xb/mean(xwinL)>ThrsldL (29)
mean(xwinR)>mean(xwinL) (30)；
和，如下的右边界判定条件：
xb/mean(xwinR)>ThrsldR (31)
mean(xwinL)>mean(xwinR) (32)；
其中，xb表示与待判定边界单元对应的预处理后的高分辨距离像的序列值，xwinL表示与左参考单元WL对应的预处理后的高分辨距离像的序列值，xwinR表示与右参考单元WR对应的预处理后的高分辨距离像的序列值，ThrsldL表示待判定边界单元的左边界门限值，ThrsldR表示待判定边界单元b的右边界门限值；
所述ThrsldL和ThrsldR分别为：
其中xL(n)和xR(n)为在原序贯高分辨距离像中选取的左、右两侧的m个不含有目标的距离单元图像。
3.根据权利要求1所述的目标长度估计方法，其特征在于：所述序贯的径向物理长度为矫正后的序贯的径向物理长度，如下：
其中，δ1,δ2,δ3为矫正后的姿态角区间，λ1,λ2,λ3为对应的矫正值。
4.根据权利要求1所述的目标长度估计方法，其特征在于：所述S1包括：
S11：剔除目标的轨迹数据中的异常点；
S12：根据剔除异常点后的轨迹数据进行目标运动曲线拟合；
S13：根据拟合的目标运动曲线获得其序贯的姿态角。
5.根据权利要求4所述的目标的长度估计方法，其特征在于：所述目标运动曲线拟合使用如下的模型：
其中，其中y(x)表示目标的运动轨迹，x表示目标在笛卡尔坐标系下的横坐标，所述模型中的参数aj通过如下的优化目标函数确定：
其中，ρ为影响函数，如式(9)所示：
ρ(xi,ω)＝ωiri 2 (9)，
其中，ri表示xi的残差，ωi为其权值；
所述权值设置如下：
其中σ表示误差的标准方差。
6.根据权利要求5所述的目标的长度估计方法，其特征在于：所述目标运动曲线拟合使用如下的模型：
y(x)＝a2x2+a1x+a0 (7)。
7.权利要求1-6中任一项所述的目标长度估计方法在舰船目标上的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010682024.5A CN111948638B (zh) | 2020-07-15 | 2020-07-15 | 基于高分辨距离像的目标长度估计方法与其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010682024.5A CN111948638B (zh) | 2020-07-15 | 2020-07-15 | 基于高分辨距离像的目标长度估计方法与其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111948638A CN111948638A (zh) | 2020-11-17 |
| CN111948638B true CN111948638B (zh) | 2024-01-09 |
Family
ID=73341329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010682024.5A Active CN111948638B (zh) | 2020-07-15 | 2020-07-15 | 基于高分辨距离像的目标长度估计方法与其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111948638B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114741464A (zh) * | 2022-06-09 | 2022-07-12 | 成都和为时代科技有限公司 | 基于最小二乘多项式曲线拟合的船舶ais目标航迹追踪方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2523016A2 (en) * | 2011-05-10 | 2012-11-14 | Raytheon Company | Target Identification for a Radar Image |
| KR20130081527A (ko) * | 2012-01-09 | 2013-07-17 | 포항공과대학교 산학협력단 | 레이더 신호를 이용한 표적 식별 방법 및 장치 |
| CN105353362A (zh) * | 2015-11-25 | 2016-02-24 | 杭州电子科技大学 | 一种融合能量和变化率两种测量的船长估计方法 |
| CN105676201A (zh) * | 2016-01-19 | 2016-06-15 | 电子科技大学 | 一种基于滑动平均的雷达目标距离像径向长度提取方法 |
| CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
| CN109902589A (zh) * | 2019-01-30 | 2019-06-18 | 南京航空航天大学 | 一种基于雷达一维距离像的目标识别方法及系统 |
-
2020
- 2020-07-15 CN CN202010682024.5A patent/CN111948638B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2523016A2 (en) * | 2011-05-10 | 2012-11-14 | Raytheon Company | Target Identification for a Radar Image |
| KR20130081527A (ko) * | 2012-01-09 | 2013-07-17 | 포항공과대학교 산학협력단 | 레이더 신호를 이용한 표적 식별 방법 및 장치 |
| CN105353362A (zh) * | 2015-11-25 | 2016-02-24 | 杭州电子科技大学 | 一种融合能量和变化率两种测量的船长估计方法 |
| CN105676201A (zh) * | 2016-01-19 | 2016-06-15 | 电子科技大学 | 一种基于滑动平均的雷达目标距离像径向长度提取方法 |
| CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
| CN109902589A (zh) * | 2019-01-30 | 2019-06-18 | 南京航空航天大学 | 一种基于雷达一维距离像的目标识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于雷达HRRP的舰船目标识别方法;魏存伟等;《电子科技》;第30卷(第11期);13-15 * |
| 基于宽带雷达HRRP舰船目标长度估计算法;魏存伟等;《系统工程与电子技术》;第40卷(第9期);1960-1965 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111948638A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110275153B (zh) | 一种基于激光雷达的水面目标检测与跟踪方法 | |
| CN101609504B (zh) | 一种红外图像海面目标检测识别定位方法 | |
| 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 | |
| CN111291327B (zh) | 一种基于分治思想的多波束海底底质分类方法 | |
| CN113033303B (zh) | 一种基于RCIoU损失的SAR图像旋转舰船检测的实现方法 | |
| CN114200477A (zh) | 一种激光三维成像雷达地面目标点云数据处理方法 | |
| CN111736172B (zh) | 一种基于大气扰动相干激光探测的空中目标探测方法 | |
| CN113808174A (zh) | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 | |
| CN111948638B (zh) | 基于高分辨距离像的目标长度估计方法与其应用 | |
| CN113503871A (zh) | 基于相关滤波的重力匹配方法 | |
| CN114358140A (zh) | 低能见度下稀疏点云航空器快速捕获方法 | |
| CN113723365B (zh) | 基于毫米波雷达点云数据的目标特征提取及分类方法 | |
| CN108919284B (zh) | 一种船只分类方法、装置及电子设备 | |
| CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
| CN112363144A (zh) | 环扫雷达距离模糊和方位模糊鉴别方法 | |
| CN111458701A (zh) | 基于航迹特征迭代更新的气象航迹抑制方法 | |
| CN112526548B (zh) | 一种基于测风激光雷达的降雨识别方法及装置 | |
| CN106845489B (zh) | 基于改进Krawtchouk矩的SAR图像目标特征提取方法 | |
| CN113723182A (zh) | 一种训练样本受限条件下的sar图像舰船检测方法 | |
| CN113673355A (zh) | 一种海浪波谱仪回波波形分类方法 | |
| Yuankui et al. | Automatic target recognition of ISAR images based on Hausdorff distance | |
| CN113177969A (zh) | 一种基于运动方向变化的候选种子的点云单目标跟踪方法 | |
| CN108414997B (zh) | 一种基于粒子特性差异的边界层高度反演方法 | |
| CN114140699B (zh) | 基于在线局部Fisher矢量机的SAR图像目标识别方法及系统 | |
| CN111680565B (zh) | 一种基于sar图像的港口区域舰船目标检测方法 |
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 |