CN112816956A - 一种获取雷达目标信息的方法和装置 - Google Patents
一种获取雷达目标信息的方法和装置 Download PDFInfo
- Publication number
- CN112816956A CN112816956A CN202011622536.9A CN202011622536A CN112816956A CN 112816956 A CN112816956 A CN 112816956A CN 202011622536 A CN202011622536 A CN 202011622536A CN 112816956 A CN112816956 A CN 112816956A
- Authority
- CN
- China
- Prior art keywords
- target
- radar echo
- radar
- processing
- target information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 59
- 230000001133 acceleration Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000009432 framing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000013136 deep learning model Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 238000003708 edge detection Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
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
本发明提供一种获取雷达目标信息的方法和装置,所述方法包括:获取雷达回波图像;对所述雷达回波图像进行处理,获取雷达回波块目标;对所述雷达回波块目标进行处理,转换成点目标并获取目标信息。本发明的技术方案通过将雷达回波块目标转换为点目标并引入加速度模型,提高目标速度信息精度及跟踪能力。
Description
技术领域
本发明涉及雷达回波处理技术,尤其涉及一种获取雷达目标信息的方法和装置。
背景技术
航海雷达包括导航雷达和岸基雷达,导航雷达是各类商船、军舰、公务船、工程船、渔船及游艇必不可少的核心设备,它相当于船舶驾驶员的“眼睛”。岸基雷达一般安装在港口或者海边等位置,以进行近海交通监控、渔业管理监控及湖泊内河监控的重要传感器,能够提供实时海上态势认知信息,以便于用户雷达探测的信息进行分析与决策。进而保证了用户对海上监控执法、安全生产、港口监控等任务的顺利执行。目标检测和跟踪是雷达的基本功能,雷达探测目标的性能会直接影响用户对海上态势、周围目标的避让及航行规划。随着航海业务的发展,用户对快艇等机动性较强的舰船使用也越来越广泛。为了较少碰撞等事故的发生,以及优化航行路线,用户对雷达探测目标的速度、航向等信息的精度要求也越来越高。
另外,航海雷达探测到目标后会以回波块的形式展现给用户,用户捕获某一回波块时,则显示出该目标的距离、方位、速度、航向等信息。目标信息的精确性对避碰、导航或对目标分析及决策具有重要的作用。所以,雷达能够输出有效的目标及对目标增强具有重要的意义。当前,在雨、雪天气及海杂波比较强的时候,需要用户调整gain、rain、sea等参数进行杂波抑制,然后把处理后结果提供给用户。这种方法虽能够输出目标信息,但仍然存在以下不足:①现有的这种方法需要人工干预,且每个人调整的参数也不一样,从而影响了目标的精确探测。②目标跟踪,尤其是机动性较强(速度快、转弯)的目标存在跟丢的现象;③对于目标速度信息误差较大,影响用户对最近会遇点(CPA)等及航线规划的制定。④当探测到弱小目标时,其RCS值较小,则雷达回波比较弱小。给用户的对有效目标的判断与决策带来了困扰,可能还会影响船舶的行驶安全。故对目标有效的跟踪及较为准确的目标信息、目标增强显得格外重要。
发明内容
本发明的实施例提供一种获取雷达目标信息的方法和装置,用于通过将雷达回波图像上的回波块目标转换为点目标,提高目标的检测率,降低虚警率。
为了解决上述技术问题,本发明的实施例提供如下技术方案:
一种获取雷达目标信息的方法,包括:
获取雷达回波图像;
对所述雷达回波图像进行处理,获取雷达回波块目标;
对所述雷达回波块目标进行处理,转换成点目标并获取目标信息。
可选的,对所述雷达回波图像进行处理,获取雷达回波块目标,包括:
对多个所述雷达回波图像进行训练,获取深度学习的检测网络模型;
通过所述检测网络模型对所述雷达回波图像进行检测,获取雷达回波块目标。
可选的,通过所述检测网络模型对所述雷达回波图像进行处理,获取回波块目标,包括:
检测时,把所述雷达回波图像分成k×k的网格;
当目标中心落在所述检测网络模型的某个网格上时,即检测到所述雷达回波图像中的目标;
用最小矩形框把检测到的所述目标框出来,获取所述回波块目标并将其转换成点目标。
可选的,对所述雷达回波块目标进行处理,转换成点目标并获取目标信息,包括:
计算所述雷达回波块目标对应的矩形框的中心点坐标、宽、高和置信度,将雷达回波块目标转换成点目标,获取初始目标信息;
对所述初始目标信息进行处理,获取目标信息。
可选的,对所述初始目标信息进行处理,获取目标信息,包括:
通过多帧相关的方法对所述初始目标信息进行多帧匹配,获取匹配结果;
根据所述匹配结果判断检测到的所述目标是否为真目标;
若是真目标,根据预设算法模型对所述初始目标信息进行处理,获取目标的速度。
可选的,根据预设模型对所述初始目标信息进行处理,获取目标的速度,包括:
引入目标的加速度,建立辛格尔模型;
将所述辛格尔模型引入到扩展卡尔曼滤波(EKF)方程中,获得目标的状态转移方程;
根据所述状态转移方程,通过扩展卡尔曼滤波(EKF)预测和更新的计算过程,获取所述目标的速度。
可选的,所述状态转移方程为:
X(k+1)=AX(k)+V(k)
其中:X(k)=[x,y,vx,vy,ax,ay]T为k时刻的状态向量,x,y,vx,vy,ax,ay分别为x,y方向的距离,速度,加速度,A表示状态转移矩阵,V(k)表示过程噪声。
可选的,还包括状态测量方程Z(k):
Z(k)=H(k,X(k))+W(k)
其中:W(k)为观测噪声,H为量测转移矩阵。
可选的,所述目标的航向通过以下公式获得:
dis_speed=arctan((speed_y)/(speed_x))
本发明的实施例还提供一种获取雷达目标信息的装置,包括:
获取模块,获取雷达回波图像;
第一处理模块,对所述雷达回波图像进行处理,获取雷达回波块目标;
第二处理模块,对所述雷达回波块目标进行处理,转换成点目标并获取目标信息。
本发明实施例,具有如下技术效果:
本发明的上述技术方案,具有较高的检测率的同时,虚警率相对较低;引入加速度模型,提高了目标的速度精度;采用扩展卡尔曼滤波算法,提高了目标的跟踪性能;基于发送目标回波的方法,并对目标回波采用边缘检测和轮廓提取算法,具有杂波抑制的作用,并使得回波更醒目,具有较好的可视化效果。
附图说明
图1为本发明实施例提供的获取雷达目标信息的方法的流程示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明的实施例提供一种获取雷达目标信息的方法,包括:
S1:获取雷达回波图像;
S2:对所述雷达回波图像进行处理,获取雷达回波块目标;
S3:对所述雷达回波块目标进行处理,转换成点目标并获取目标信息。
具体的,雷达回波图像是对雷达扫描线输出的数字信号经处理转换为一定格式的图像数据格式,比如Mat的数据格式。针对雷达扫描后形成的图像,可以是一整张图像,也可以划分为m个扇区,可对其划分成m×n(m和n均为整数)的网格。其主要是为了提高雷达回波处理的效率,并给用户体现一种雷达扫描的显示方式;原始回波图像是以像素坐标系的形式形成的,在一帧雷达回波图像上,横轴方向(x轴)表示距离,纵轴方向(y轴)表示方位。雷达每转一圈,即形成一帧图像。每张图像的左上角为图像的原点,即x和y方向的值均为0。在每一整张图像中,按照从左到右,从上到下的顺序依次划分成m×n个网格单元。其中,每一个网格单元的左上角坐标均为上一网格单元的终止坐标值,其每个网格单元的坐标关系均为依次累加的关系。
本发明的该实施例,通过将雷达回波图像转换为点目标,提高目标的检测率,降低虚警率。
本发明一可选的实施例,步骤S2中:对所述雷达回波图像进行处理,获取雷达回波块目标,包括:
对多个所述雷达回波图像进行训练,获取深度学习的检测网络模型;
通过所述检测网络模型对所述雷达回波图像进行处理,获取雷达回波块目标,并将其转换成点目标。
具体的,本发明的该实施例通过深度学习模型对雷达回波图像信息进行深度学习算法的处理。
其中,深度学习模型格式可以是.caffemodel,也可以是使用其他框架的模型;深度学习方法采用有监督学习,可以采用开源的Yolo v5,但不限于其他开源目标检测算法,如Fast RCNN、SSD、Retina-Net、Anchor-Free等算法。该深度学习模型采用有监督性的学习方法,对输入的多张雷达回波图像进行训练而得到较好的网络模型以实现目标检测。当雷达天线扫描一圈时,会得到一张完整的雷达回波图像,再送入到深度学习模型中。
也可经过中值滤波等滤波算法对其进行预处理,滤除雨杂波、雪杂波等噪声信号,再送入到深度学习模型中。
对于回波块,目标的具体位置可以是回波块的中心位置,也可以是回波块中像素值最大的位置,进而把雷达回波块目标具体到了点目标,以提高目标信息的计算精度。这样将雷达回波转换成了点目标,以便于后处理。
本发明一可选的实施例,步骤S2中:通过所述检测网络模型对所述雷达回波图像进行处理,获取雷达回波块目标,包括:
检测时,把所述雷达回波图像分成k×k的网格;
当目标中心落在所述检测网络模型的某个网格上时,即检测到所述雷达回波图像中的目标;
用最小矩形框把检测到的所述目标框出来,获取所述雷达回波块目标并将其转换成点目标。
具体的,深度学习模型的检测过程包括如下步骤:
1)检测雷达回波图时,把图像分成k×k的网格。当目标中心落在某个网格上时,即检测到该网络中的目标;
2)用最小矩形框把该目标框出来。
3)计算目标边框的中心点坐标、宽、高和置信度,最后提取出目标信息。若目标中心未落在某个网络上,则未检测出该目标,该网络结束本次检测。
该模型类似于黑匣子,随着输入样本的增加,该模型也在不断地自学习,即网络边工作边学习,以增加模型的泛化能力和目标检测能力。
另外,可根据海杂波、雨杂波等噪声的强弱来调整置信度的大小,进一步来优化目标的输出,提高目标检测的准确性。
本发明一可选的实施例,步骤S3中:对所述雷达回波块目标进行处理,转换成点目标并获取目标信息,包括:
计算所述点目标对应的矩形框的中心点坐标、宽、高和置信度,将雷达回波块目标转换成点目标,获取初始目标信息;
对所述初始目标信息进行处理,获取目标信息。
本发明一可选的实施例,步骤S3中:对所述初始目标信息进行处理,获取目标信息,包括:
通过多帧相关的方法对所述初始目标信息进行多帧匹配,获取匹配结果;
根据所述匹配结果判断检测到的所述目标是否为真目标;
若是真目标,根据预设算法模型对所述初始目标信息进行处理,获取目标的速度。
具体的,通过多帧相关的方法把经深度学习检测后得到的目标进行多帧匹配。即为了减少杂波的影响,采用多帧相关的N/M规则(M>N)对杂波进行过滤。即,在M圈中,该目标存在N圈及以上,则判定为目标。否则,则判定为假目标。
比如:4帧中有3帧及以上的目标对应得上,则认为是目标,否则是噪声。
为了实现对目标进行跟踪,采用数据关联法对获取的目标信息进行处理,数据关联算法采用的欧氏距离,欧式距离的方法效率较高且较适宜雷达场景的应用。即判定k时刻的目标与k+1时刻的目标是否为同一个目标。
另外,在一些场景下,也可采用匈牙利算法等数据关联算法。
k时刻的目标坐标为(x1,y1),k+1时刻的目标的坐标为(x2,y2)。
X为(x2,y2)到原点的欧式距离,ρ为(x2,y2)与点(x1,y1)之间的欧氏距离。ρ的值若能满足一定的阈值范围内,则判定数据已关联上。
本发明的该实施例,多帧检测模块进一步滤除了随机噪声、同频干扰,减少了目标的误检;用户可根据不同的场景,可自定义设置相关的帧数。
本发明一可选的实施例,步骤S3中:根据预设模型对所述初始目标信息进行处理,获取目标的速度,包括:
欲引入目标的加速度,建立辛格尔模型;
将所述辛格尔模型引入到扩展卡尔曼滤波(EKF)方程中,获得目标的状态转移方程;
根据所述状态转移方程,通过扩展卡尔曼滤波(EKF)预测和更新的计算过程,获取所述目标的速度。
本发明一可选的实施例,步骤S3中:所述状态转移方程为:
X(k+1)=AX(k)+V(k)
其中:X(k)=[x,y,vx,vy,ax,ay]T为k时刻的状态向量,x,y,vx,vy,ax,ay分别为x,y方向的距离,速度,加速度,A表示状态转移矩阵,V(k)表示过程噪声。
具体的,通过雷达回波图像处理得到目标的距离、方位信息较为准确,但机动目标(急转弯,加速度加快)跟踪丢失及目标速度误差较大的问题。其主要原因是当目标发生机动时,加速度变化加大,雷达由于缺少加速度测量信息,则会出现跟踪精度低或者跟踪发散的问题。
快艇等机动性较强的目标,转向、运动速度之快,目标有一定的加速度,故需引入加速度值。
将Singer模型引入到扩展卡尔曼滤波(EKF)的状态方程中,其离散化得到的状态转移方程为:
X(k+1)=AX(k)+V(k)
定义状态向量X(k)=[x,y,vx,vy,ax,ay]T。
状态转移矩阵A:
其中:S为周期;
h3=e-aS
系统噪声协方差矩阵:
q12=q21
q23=q32
q13=q31
观测量与雷达系统输出的参数一致。函数H(k,X((k))利用状态量中的x、y方向的距离和加速度求得速度vx、vy。函数H(k,X((k))需要采用多元的泰勒公式展开到一阶,将状态测量方程表示为Z(k):
Z(k)=H(k,X(k))+W(k)
其中,H=[f1(X)f2(X)f3(X)]T
f3(X)=arctan(x/y)
预测过程:
第一步:
利用函数f(表示观测量与状态量之间的关系)和上一时刻的状态向量得到本时刻的估计状态向量:
第二步:
利用函数f和上一时刻的误差协方差矩阵得到本时刻的预测误差协方差矩阵:
通过实际观测值与预测观测值得到估计误差:
并求出估计误差的协方差矩阵:
更新过程:
第一步:求出最优的卡尔曼增益:
第二步:求得当前时刻的估计状态:
第三步:求得当前时刻的误差协方差矩阵:
通过以上的迭代计算,进而得出目标的速度vx、vy,其中,迭代过程会一直进行。
本发明的该实施例,将Singer模型引入到扩展卡尔曼EKF的状态方程中,引入了目标的加速度,提高了目标的速度精度;采用扩展卡尔曼滤波算法,提高了目标的跟踪性能。
本发明一可选的实施例,步骤S3中:所述目标信息还包括:距离、航向中的至少一个。
具体的,雷达目标信息输出,主要是根据上述检测到的目标,进而计算目标的相对于雷达的距离、方位,以及速度、航向信息。
本发明一可选的实施例,步骤S3中:所述目标的航向通过以下公式获得:
dis_speed=arctan((speed_y)/(speed_x))
本发明的上述技术方案,可通过如下实现方式实现:
以某雷达的采样率为62.5MHz为例,则在雷达回波图像中,x轴方向的值表示距离,y轴方向的值表示方位,如下所述:
目标距离dis计算方法:根据雷达前端的设计来计算目标的距离。
比如采样率为62.5MHz,由公式dis=1/2×c×Δt
其中c=3.0×108m/s,Δt=1/(62.5×106)s,则dis为2.4m,即每个像素对应的距离为2.4m。具体的,在一整张雷达回波图像上,雷达回波块目标中心点或幅度值最大点为点目标的位置,若点目标坐标为(xt,yt),则该目标相对于雷达的距离distance=xt×2.4m,其中,xt为目标中心点或幅度值在X轴上的值,yt为目标中心点或幅度值在Y轴上的值。
方位计算法,目标中心点或幅度值最大点Y轴上的值yt与整张图像的高度img_h的比值。
dis_degree=yt/(img_h)
航向:dis_speed=arctan((speed_y)/(speed_x))。
经过上述处理之后,可在客户端显示目标回波及目标的输出列表。其输出的目标列表为ID、距离、方位、航向、速度等信息,进而为用户提供雷达目标信息,便于用户分析及决策。
若用户只关心目标,则可把检测到的目标回波发送到客户端,故在客户端上仅显示检测到的目标。客户端显示的目标,可以是具体的目标点,也可以是对检测到的回波块进行边缘检测、轮廓提取,进而在客户端显示目标的回波。为了使得回波更醒目,美观或圆润,可对回波边缘的线条及轮廓内填充具有明显色阶的不同颜色。这样基于目标回波的显示,可以起到一种杂波抑制的效果。
本发明的实施例中,二值化操作可以采用threshold,并采用自适应阈值的处理方法,比如OTSU方法。
为了更好地为客户显示雷达目标回波,既创建与原始回波图像一样大小(高度和宽度)的图像,在该图像上绘制检测到的目标回波。被检测到的目标回波块为感兴趣区域(Region ofInterest,ROI),这样可以根据目标的距离方位信息,在新创建的图像上绘制目标回波块。
目标增强主要是对检测到的目标轮廓进行扩边的操作,以一定比例扩大回波块的面积,使得目标更突出。另外,可以根据扩大比例的大小,分成一级或者多级的目标增强。其不同级别的目标增强表示其回波扩边的比例大小不一样。为了使得目标更醒目,可以自定义目标回波的颜色,比如回波轮廓边缘是红色,对轮廓填充绿色。为实现目标增强的功能,使客户看到的回波更圆润,更醒目。可对ROI(雷达目标回波)进行边缘检测,其检测方法可采用canndy算子。
边缘检测是其中一种检测方法,也可采用Sobel算子、Roberts等算子。
对于提取到ROI区域的边缘信息,再对该区域的进行轮廓提取,可采用OpenCV中的findContours函数进行轮廓提取,然后通过drawContours函数绘制ROI的轮廓。对于提取到的轮廓,用户可根据喜好对轮廓进行填充不同的颜色。另外,ROI的轮廓也可以设置不同的颜色。进而,在整张回波图像上看到的都是雷达目标回波,且目标回波及其轮廓的颜色可以自定义设置。
此外,对于弱小目标可对轮廓进行扩边操作,如对目标轮廓按照一定比例1.2倍放大目标回波,这样在轮廓及回波填充颜色的同时,实现目标增强的功能。其扩边操作的比例可以设置多级,若目标增强1、目标增强2、目标增强3等,以供用户选择。
可支持多种模式,标准模式,开阔海域模式,渔网模式,海岸模式,鸟群模式,风暴模式,下雨模式,浮标模式,用户自定义模式。这些模式的区别在于不同场景数据训练得到模型或回波处理的阈值不一样。
本发明的该实施例,采用边缘检测和轮廓提取算法,使得回波更醒目。
本发明的实施例还提供一种获取雷达目标信息的装置,包括:
获取模块,获取雷达回波图像;
第一处理模块,对所述雷达回波图像进行处理,获取雷达回波块目标;
第二处理模块,对所述雷达回波块目标进行处理,转换成点目标并获取目标信息。
可选的,对所述雷达回波图像进行处理,获取雷达回波块目标,包括:
对多个所述雷达回波图像进行训练,获取深度学习的检测网络模型;
通过所述检测网络模型对所述雷达回波图像进行检测,获取雷达回波块目标。
可选的,通过所述检测网络模型对所述雷达回波图像进行处理,获取回波块目标,包括:
检测时,把所述雷达回波图像分成k×k的网格;
当目标中心落在所述检测网络模型的某个网格上时,即检测到所述雷达回波图像中的目标;
用最小矩形框把检测到的所述目标框出来,获取所述回波块目标。
可选的,对所述雷达回波块目标进行处理,转换成点目标并获取目标信息,包括:
计算所述雷达回波块目标对应的矩形框的中心点坐标、宽、高和置信度,获取初始目标信息;
对所述初始目标信息进行处理,获取目标信息。
可选的,对所述初始目标信息进行处理,获取目标信息,包括:
通过多帧相关的方法对所述初始目标信息进行多帧匹配,获取匹配结果;
根据所述匹配结果判断检测到的所述目标是否为真目标;
若是真目标,根据预设算法模型对所述初始目标信息进行处理,获取目标的速度。
可选的,根据预设模型对所述初始目标信息进行处理,获取目标的速度,包括:
引入目标的加速度,建立辛格尔模型;
将所述辛格尔模型引入到扩展卡尔曼滤波(EKF)方程中,获得目标的状态转移方程;
根据所述状态转移方程,通过扩展卡尔曼滤波(EKF)预测和更新的计算过程,获取所述目标的速度。
可选的,所述状态转移方程为:
X(k+1)=AX(k)+V(k)
其中:X(k)=[x,y,vx,vy,ax,ay]T为k时刻的状态向量,x,y,vx,vy,ax,ay分别为x,y方向的距离,速度,加速度,A表示状态转移矩阵,V(k)表示过程噪声。
可选的,还包括状态测量方程Z(k):
Z(k)=H(k,X(k))+W(k)
其中:W(k)为观测噪声,H为量测转移矩阵。
可选的,所述目标的航向通过以下公式获得:
dis_speed=arctan((speed_y)/(speed_x))
需要说明的是,该装置是与上述图1所示方法的实施例对应的装置,上述方法实施例中的所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
本发明的上述技术方案,装置支持海图叠加,可在海图上设置屏蔽区,即在该区域内不显示雷达回波或目标。若设置屏蔽区,则该装置不对屏蔽区内的雷达回波做处理,这样可提升数据处理的效率。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种获取雷达目标信息的方法,其特征在于,包括:
获取雷达回波图像;
对所述雷达回波图像进行处理,获取雷达回波块目标;
对所述雷达回波块目标进行处理,转换成点目标并获取目标信息。
2.根据权利要求1所述获取雷达目标信息的方法,其特征在于,对所述雷达回波图像进行处理,获取雷达回波块目标,包括:
对多个所述雷达回波图像进行训练,获取深度学习的检测网络模型;
通过所述检测网络模型对所述雷达回波图像进行检测,获取雷达回波块目标。
3.根据权利要求2所述获取雷达目标信息的方法,其特征在于,通过所述检测网络模型对所述雷达回波图像进行处理,获取雷达回波块目标,包括:
检测时,把所述雷达回波图像分成k×k的网格,k为正整数;
当目标中心落在所述检测网络模型的某个网格上时,即检测到所述雷达回波图像中的目标;
用最小矩形框把检测到的所述目标框出来,获取雷达回波块目标。
4.根据权利要求1所述获取雷达目标信息的方法,其特征在于,对所述雷达回波块目标进行处理,转换成点目标并获取目标信息,包括:
计算所述雷达回波块目标对应的矩形框的中心点坐标、宽、高和置信度,并将回波块目标转换成点目标,获取初始目标信息;
对所述初始目标信息进行处理,获取目标信息。
5.根据权利要求4所述获取雷达目标信息的方法,其特征在于,对所述初始目标信息进行处理,获取目标信息,包括:
通过多帧相关的方法对所述初始目标信息进行多帧匹配,获取匹配结果;
根据所述匹配结果判断检测到的所述目标是否为真目标;
若是真目标,根据预设算法模型对所述初始目标信息进行处理,获取目标的速度。
6.根据权利要求5所述获取雷达目标信息的方法,其特征在于,根据预设模型对所述初始目标信息进行处理,获取目标的速度,包括:
引入目标的加速度,建立辛格尔模型;
将所述辛格尔模型引入到扩展卡尔曼滤波EKF状态方程中,获得状态方程;
根据所述状态方程,通过扩展卡尔曼滤波EKF预测和更新的计算过程,获取所述目标的速度。
7.根据权利要求6所述获取雷达目标信息的方法,其特征在于,
所述状态方程为:
X(k+1)=AX(k)+V(k)
其中:X(k)=[x,y,vx,vy,ax,ay]T为k时刻的状态向量,x,y,vx,vy,ax,ay分别为x,y方向的距离,速度,加速度,A表示状态转移矩阵,V(k)表示过程噪声。
8.根据权利要求7所述获取雷达目标信息的方法,其特征在于,还包括状态测量方程Z(k):
Z(k)=H(k,X(k))+W(k)
其中:W(k)为观测噪声,H为量测转移矩阵。
10.一种获取雷达目标信息的装置,其特征在于,包括:
获取模块,获取雷达回波图像;
第一处理模块,对所述雷达回波图像进行处理,获取雷达回波块目标;
第二处理模块,对所述雷达回波块目标进行处理,转换成点目标并获取目标信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011622536.9A CN112816956A (zh) | 2020-12-31 | 2020-12-31 | 一种获取雷达目标信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011622536.9A CN112816956A (zh) | 2020-12-31 | 2020-12-31 | 一种获取雷达目标信息的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112816956A true CN112816956A (zh) | 2021-05-18 |
Family
ID=75854637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011622536.9A Pending CN112816956A (zh) | 2020-12-31 | 2020-12-31 | 一种获取雷达目标信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112816956A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115128570A (zh) * | 2022-08-30 | 2022-09-30 | 北京海兰信数据科技股份有限公司 | 一种雷达图像的处理方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048658A (zh) * | 2012-11-10 | 2013-04-17 | 中国人民解放军海军航空工程学院 | 基于径向加速度的RA-Singer-EKF机动目标跟踪算法 |
CN103942812A (zh) * | 2014-03-12 | 2014-07-23 | 华南理工大学 | 基于混合高斯与边缘检测的运动目标检测方法 |
CN105184804A (zh) * | 2015-10-12 | 2015-12-23 | 上海海大技术转移有限公司 | 基于机载红外相机航拍图像的海面小目标检测方法 |
CN106384344A (zh) * | 2016-08-30 | 2017-02-08 | 中国科学院长春光学精密机械与物理研究所 | 一种光学遥感图像海面舰船目标检测与提取方法 |
CN111323757A (zh) * | 2019-12-30 | 2020-06-23 | 北京海兰信数据科技股份有限公司 | 一种航海雷达目标检测方法及装置 |
CN111323756A (zh) * | 2019-12-30 | 2020-06-23 | 北京海兰信数据科技股份有限公司 | 一种基于深度学习的航海雷达目标检测方法及装置 |
CN111929653A (zh) * | 2020-07-21 | 2020-11-13 | 上海交通大学 | 一种基于无人船航海雷达的目标检测、跟踪方法及系统 |
-
2020
- 2020-12-31 CN CN202011622536.9A patent/CN112816956A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048658A (zh) * | 2012-11-10 | 2013-04-17 | 中国人民解放军海军航空工程学院 | 基于径向加速度的RA-Singer-EKF机动目标跟踪算法 |
CN103942812A (zh) * | 2014-03-12 | 2014-07-23 | 华南理工大学 | 基于混合高斯与边缘检测的运动目标检测方法 |
CN105184804A (zh) * | 2015-10-12 | 2015-12-23 | 上海海大技术转移有限公司 | 基于机载红外相机航拍图像的海面小目标检测方法 |
CN106384344A (zh) * | 2016-08-30 | 2017-02-08 | 中国科学院长春光学精密机械与物理研究所 | 一种光学遥感图像海面舰船目标检测与提取方法 |
CN111323757A (zh) * | 2019-12-30 | 2020-06-23 | 北京海兰信数据科技股份有限公司 | 一种航海雷达目标检测方法及装置 |
CN111323756A (zh) * | 2019-12-30 | 2020-06-23 | 北京海兰信数据科技股份有限公司 | 一种基于深度学习的航海雷达目标检测方法及装置 |
CN111929653A (zh) * | 2020-07-21 | 2020-11-13 | 上海交通大学 | 一种基于无人船航海雷达的目标检测、跟踪方法及系统 |
Non-Patent Citations (3)
Title |
---|
季露;陈志;岳文静: "基于模型融合和特征关联的视频目标跟踪算法", 《计算机技术与发展》, 7 February 2018 (2018-02-07) * |
曹作宝;包晓敏;汪亚明;周砚江: "基于Kalman预测和K-近邻的多目标跟踪", 《浙江理工大学学报》, 10 May 2011 (2011-05-10) * |
贾舒宜;张赟: "一种基于径向加速度的Singer-EKF机动目标跟踪算法", 《海军航空工程学院学报》, pages 141 - 145 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115128570A (zh) * | 2022-08-30 | 2022-09-30 | 北京海兰信数据科技股份有限公司 | 一种雷达图像的处理方法、装置及设备 |
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 | |
US20190204416A1 (en) | Target object detecting device, method of detecting a target object and computer readable medium | |
Galceran et al. | A real-time underwater object detection algorithm for multi-beam forward looking sonar | |
CN104933680B (zh) | 一种智能的无人艇视觉系统视频快速海雾去除方法 | |
CN105427342B (zh) | 一种水下小目标声呐图像目标检测跟踪方法和系统 | |
CN111323756B (zh) | 一种基于深度学习的航海雷达目标检测方法及装置 | |
CN109409283A (zh) | 一种海面舰船跟踪和监控的方法、系统和存储介质 | |
CN111899568B (zh) | 桥梁防撞预警系统、方法、装置和存储介质 | |
CN112634275B (zh) | 一种雷达回波图像处理方法及系统 | |
CN111126335B (zh) | 一种结合显著性和神经网络的sar船只识别方法及系统 | |
CN110443201B (zh) | 基于多源影像联合形状分析与多属性融合的目标识别方法 | |
CN108229342A (zh) | 一种海面舰船目标自动检测方法 | |
CN107942329A (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN111323757B (zh) | 一种航海雷达目标检测方法及装置 | |
CN113743385A (zh) | 一种无人船水面目标检测方法、装置及无人船 | |
CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
CN111428573B (zh) | 一种复杂背景下的红外弱小目标检测虚警抑制方法 | |
CN117075112A (zh) | 一种方位角航迹匹配的无人艇雷达光电融合方法 | |
CN112816956A (zh) | 一种获取雷达目标信息的方法和装置 | |
CN112967320B (zh) | 一种基于桥梁防撞的船舶目标检测跟踪方法 | |
CN113837924A (zh) | 一种基于无人艇感知系统的水岸线检测方法 | |
CN113205494A (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
Weng et al. | Underwater object detection and localization based on multi-beam sonar image processing | |
CN113052117B (zh) | 一种ais数据辅助的sar图像的瑞利cfar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 |