CN112835009B - 一种基于fmcw雷达rai的数据集拓展方法 - Google Patents
一种基于fmcw雷达rai的数据集拓展方法 Download PDFInfo
- Publication number
- CN112835009B CN112835009B CN202110280993.2A CN202110280993A CN112835009B CN 112835009 B CN112835009 B CN 112835009B CN 202110280993 A CN202110280993 A CN 202110280993A CN 112835009 B CN112835009 B CN 112835009B
- Authority
- CN
- China
- Prior art keywords
- dimension
- rai
- radar
- distance
- frequency
- 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 20
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000006467 substitution reaction 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
本发明公开了一种基于FMCW雷达RAI的数据集扩展方法,该方法包括:读取雷达传感器接收到的待测对象反射回的雷达回波信号;将雷达回波信号与雷达发射信号进行混频;通过对混频后的信号进行快时间维度和慢时间维度的处理,得到距离多普勒图RDI,进而提取多目标的距离和速度信息;计算RDI的距离分辨率;根据RDI得到RAI,将RAI在距离维度和角度维度进行有效扩展,从而丰富雷达信号的数据集,有利于之后机器学习层面的研究。
Description
技术领域
本发明涉及雷达信号数据领域,尤其涉及一种基于FMCW雷达RAI的数据集拓展方法。
背景技术
在人工智能时代,数据是基础,任何研究都离不开数据。大规模数据的出现,才能让庞大的模型能够被很好的拟合。很多算法结果准确性的提升,都是数据集带来的。
对于图像数据来讲,已经有大量现成的开源数据集;身边各式各样的图片视频也可以作为数据集的来源。而雷达信号数据集的建立只能通过不断地数据采集,且复用性差。
发明内容
有鉴于此,本发明提供一种基于FMCW雷达RAI的数据集拓展方法,能够解决当下雷达信号数据集稀缺的情问题。通过数据集扩展,能够更好地进行机器学习层面的研究。
为解决上述技术问题,本发明提出如下技术方案:一种基于FMCW雷达RAI(Range-Angle-Image)的数据集扩展方法,该方法包括以下步骤:
步骤1、读取雷达传感器接收到的待测对象反射回的雷达回波信号,记为S1;
步骤3、通过对混频后的信号D(t)进行快时间维度和慢时间维度的处理,即可得到距离多普勒图RDI,进而可以提取多目标的距离和速度信息;具体为:
将混频后的信号D(t)及雷达传感器参数,通过快时间维度FFT得到距离信息R:
在FMCW的差拍信号D(t)中,我们知道,差拍信号的频率为:
再通过慢时间维度FFT得到速度信息v:
其中fmovingBeat和fstaticBeat分别为目标运动和静止状态下差拍信号的频率,fd为多普勒频率,fc为扫频带宽,R为目标距离,C为光速,tc为扫频周期,f为Chirp信号的中心频率,v为目标速度;得到的RDI是一张x轴为距离维度,y轴为速度维度,值为信号强度的图像;
步骤4、在扩展之前,我们需要计算RDI的距离分辨率Rres;
根据数字信号处理的基础知识:第k个采样点的频率fk与采样频率fs间的关系,推出第k个采样点的角频率ωk服从如下关系:
其中Ns为采样点数,Ω为模拟角频率,Ts为采样周期,取出等式中的第二项和第四项,有:
可得第k个采样点的频率fk与采样频率fs间的关系为:
根据RDI中,n1为Range-FFT(快时间维度FFT)中目标对应的坐标序列号,n2为Doppler-FFT(慢时间维度FFT)中同一目标对应的坐标序列号,得到:
其中NChirp为慢时间维度处理中Chirp序列的积累个数;可解得:
因为
推出
最终得到距离分辨率Rres:
步骤5、由于每个接收天线记录的是同一物体反射的不同相位,因此我们可以得到M个接收天线的RDI。根据RDI是否处于同一水平方向分成不同组别,共计G组。将每组的RDI沿天线数量维级联为3D矩阵。
在此基础上,我们将每组的RDI的天线数量维通过补零填充至N的大小,以增加角度分辨率。然后沿着天线数量维执行第三次FFT,获得距离多普勒角度矩阵。
通过将每组的距离多普勒角度矩阵沿速度维求和,使得该3D矩阵变为2D矩阵,该2D矩阵便是我们需要的RAI,共计G张。每张RAI是一张x轴为距离维度,y轴为角度维度,值为信号强度的图像。可以在RAI中观察物体在环境中的位置。
此时该RAI图像的角度分辨率ares:
其中L为每组天线的个数;
步骤6、距离维扩展:雷达信号距离的变化,会导致信号强度发生较大的差异,我们在扩展时需要考虑这种差异。若当前点距离为R1、强度为I1,我们将其移动至R2这一距离上,我们需要将其强度修改为:
以将所有数据向外扩展一个距离分辨率Rres为例子,创建一个新的RAI′。
I′0=0
变换后,整体数据的强度中心向外扩展一个距离分辨率Rres。生成矩阵大小为xmax·ymax的噪声加入RAI′中以增强其泛化性,xmax为距离维的最大值,ymax为角度维的最大值;
步骤7、角度维扩展:将RAI沿角度维进行扩展,以将所有数据向外扩展一个角度分辨率ares为例子,创建一个新的RAI′。
I′y+1=Iy(0<y≤ymax)
I′0=0
变换后,整体数据的强度中心向外扩展一个角度分辨率ares;并和距离维扩展一样加入噪声。
进一步地,所述雷达传感器采用频率区间为57.4GHz至62.6GHz的FMCW毫米波雷达。
进一步地,在所述步骤2中,若雷达传感器具有多个接收通道,则将得到的多条对应波形都进行相同的扩展操作。
进一步地,在所述步骤6、7中,添加的噪声可以是各种噪声,其中高斯噪声的处理方法:
假设RAI大小为(2i+1)×(2j+1),以RAI中心位置为原点,则各个位置的高斯噪声计算公式如下:
I(x,y)=I(x,y)+Hx,y
其中σ为RAI图像的方差,Hx,y为(x,y)点的高斯噪声强度。
进一步地,可以对数据集进行距离和角度维度组合扩展的方式,此时只需要添加一次噪声。
本发明所具有的有益效果:本发明提出的一种基于FMCW雷达RAI的数据集拓展方法,可以解决当下雷达信号数据集稀缺的情况。通过数据集扩展,能够更好地进行机器学习层面的研究。
附图说明
图1是本发明实施例提供的原始RAI;
图2是本发明实施例提供的距离维扩展RAI;
图3是本发明实施例提供的角度维扩展RAI;
图4是本发明实施例提供的添加了高斯噪声的RAI;
图5是本发明实施例提供的原始训练集下测试集的混淆矩阵;
图6是本发明实施例提供的增强训练集下测试集的混淆矩阵;
图7是本发明实施例使用的天线排列示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
不失一般性,本实施实例提供一种基于FMCW雷达RAI的数据集扩展方法。采用频率区间为57.4GHz至62.6GHz的FMCW毫米波雷达,发射信号的帧率60帧/秒,每帧数据分为32个Chirp信号,每个Chirp中采样点数为64。
步骤1、读取雷达传感器接收到的待测对象反射回的雷达回波信号,记为S1。
步骤3、通过对混频后的信号D(t)进行快时间维度和慢时间维度的处理,即可得到距离多普勒图RDI,进而可以提取多目标的距离和速度信息。具体为:
将混频后的信号D(t)及雷达传感器参数,通过快时间维度FFT得到距离信息R:
在FMCW的差拍信号D(t)中,我们知道,差拍信号的频率为
再通过慢时间维度FFT得到速度信息v:
其中fmovingBeat和fstaticBeat分别为目标运动和静止状态下差拍信号的频率,fd为多普勒频率,fc为扫频带宽,R为目标距离,C为光速,tc为扫频周期,f为Chirp信号的中心频率,v为目标速度。得到的RDI是一张x轴为距离维度,y轴为速度维度,值为信号强度的图像。
步骤4、在扩展之前,我们需要计算RDI的距离分辨率Rres:
根据数字信号处理的基础知识:第k个采样点的频率fk与采样频率fs间的关系,推出第k个采样点的角频率ωk服从如下关系:
其中Ns为采样点数,Ω为模拟角频率,Ts为采样周期,取出等式中的第二项和第四项,有:
可得第k个采样点的频率fk与采样频率fs间的关系为:
根据RDI中,n1为Range-FFT(快时间维度FFT)中目标对应的坐标序列号,n2为Doppler-FFT(慢时间维度FFT)中同一目标对应的坐标序列号,得到:
其中NChirp为慢时间维度处理中Chirp序列的积累个数;可解得:
因为
推出
最终得到距离分辨率Rres:
步骤5、由于每个接收天线记录的是同一物体反射的不同相位,本次使用的天线排列如图7所示:一共有三个接收天线,其中Rx1和Rx3分为一组,Rx2和Rx3分为一组,Rx1和Rx2分为一组,一共构成三组数据。将每组的RDI级联为3D矩阵。
在此基础上,我们将每组的RDI的天线数量维通过补零填充至N=32的长度,以增加角度分辨率。然后沿着天线数量维执行第三次FFT,获得距离多普勒角度矩阵。
通过将每组的距离多普勒角度矩阵沿速度维求和,使得该3D矩阵变为2D矩阵,该2D矩阵便是我们需要的RAI,共计3张,如图1所示。每张RAI是一张x轴为距离维度,y轴为角度维度,值为信号强度的图像。可以在RAI中观察物体在环境中的位置。
此时该RAI图像的角度分辨率ares:
步骤6、距离维扩展:雷达信号距离的变化,会导致信号强度发生较大的差异,我们在扩展时需要考虑这种差异。若当前点距离为R1、强度为I1,我们将其移动至R2这一距离上,我们需要将其强度修改为:
以将所有数据向外扩展一个距离分辨率Rres为例子,创建一个新的RAI′,如图2所示。
I′0=0
变换后,整体数据的强度中心向外扩展一个距离分辨率Rres。生成矩阵大小为xmax·ymax的噪声加入RAI′中以增强其泛化性,xmax为距离维的最大值,ymax为角度维的最大值。
步骤7、角度维扩展:将RAI沿角度维进行扩展,以将所有数据向外扩展一个角度分辨率ares为例子,创建一个新的RAI′,如图3所示。
I′y+1=Iy((0<y≤ymax)
I′0=0
变换后,整体数据的强度中心向外扩展一个角度分辨率ares。并和距离维扩展一样加入噪声。当采用组合扩展时只需要添加一次噪声,添加的噪声可以是各种噪声,如图4为添加了高斯噪声的RAI。
本实施例中,一共召集了四位志愿者,针对四类不同手势,每人每种手势通过FMCW雷达采集20组数据,共320组手势数据。每组数据包含三个通道的混频信号,选择每组数据的其中三个通道分别提取特征得到RDI,再将通道两两组合按照步骤5提取到三个通道的RAI融合构建数据集。将该数据集按照8:2的比例随机划分成训练集和测试集,其中训练集样本为256条,测试集样本为64条,通过简单的三层感知机模型训练测试,得到的准确率为87.5%,混淆矩阵如图5。
再将上面得到的三通道RAI通过本发明提出的数据集扩展方法进行扩展,分别将其上下左右移动并各自添加噪声,再将其融合得到增强数据集为2560条数据,通过同样的三层感知机模型训练测试,得到的准确率为93.8%。混淆矩阵如图6。
综上所述,本发明提供的一种基于FMCW雷达RAI的数据集扩展方法,可以解决当下雷达信号数据集稀缺的情况。通过数据集扩展,能够更好地进行机器学习层面的研究。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于发明的保护范围。
Claims (5)
1.一种基于FMCW雷达RAI的数据集扩展方法,其特征在于,该方法包括以下步骤:
步骤1、读取雷达传感器接收到的待测对象反射回的雷达回波信号,记为S1;
步骤3、通过对混频后的信号D(t)进行快时间维度和慢时间维度的处理,得到距离多普勒图RDI,进而提取多目标的距离和速度信息;具体为:
将混频后的信号D(t)及雷达传感器参数,通过快时间维度FFT得到距离信息R:
在FMCW的差拍信号D(t)中,差拍信号的频率为:
再通过慢时间维度FFT得到速度信息v:
其中fmovingBeat和fstaticBeat分别为目标运动和静止状态下差拍信号的频率,fd为多普勒频率,fc为扫频带宽,R为目标距离,C为光速,tc为扫频周期,f为Chirp信号的中心频率,为目标速度;得到的RDI是一张x轴为距离维度,y轴为速度维度,值为信号强度的图像;
步骤4、计算RDI的距离分辨率Rres;
根据数字信号处理的基础知识:第k个采样点的频率fk与采样频率fs间的关系,推出第k个采样点的角频率ωk服从如下关系:
其中Ns为采样点数,Ω为模拟角频率,Ts为采样周期,取出等式中的第二项和第四项,有:
可得第k个采样点的频率fk与采样频率fs间的关系为:
根据RDI中,n1为快时间维度FFT中目标对应的坐标序列号,n2为慢时间维度FFT中同一目标对应的坐标序列号,得到:
其中NChirp为慢时间维度处理中Chirp序列的积累个数;可解得:
因为
推出
最终得到距离分辨率Rres:
步骤5、由于每个接收天线记录的是同一物体反射的不同相位,能够得到M个接收天线的RDI;根据RDI是否处于同一水平方向分成不同组别,共计G组;将每组的RDI沿天线数量维级联为3D矩阵;将每组的RDI的天线数量维通过补零填充至N,以增加角度分辨率;沿着天线数量维执行第三次FFT,获得距离多普勒角度矩阵;通过将每组的距离多普勒角度矩阵沿速度维求和,使得该3D矩阵变为2D矩阵,获得RAI,共计G张;每张RAI是一张x轴为距离维度,y轴为角度维度,值为信号强度的图像;RAI的角度分辨率ares:
其中L为每组天线的个数;
步骤6、距离维扩展:若当前点距离为R1、强度为I1,将其移动至R2这一距离上,需要将其强度修改为:
将所有数据向外扩展一个距离分辨率Rres,创建一个新的RAI′的公式如下:
I′0=0
变换后,整体数据的强度中心向外扩展一个距离分辨率Rres;生成矩阵大小为xmax·ymax的噪声加入RAI′中以增强其泛化性,xmax为距离维的最大值,ymax为角度维的最大值;
步骤7、角度维扩展:将所有数据向外扩展一个角度分辨率ares,创建一个新的RAI′的公式如下:
I′y+1=Iy,0≤ymax
I′0=0
变换后,整体数据的强度中心向外扩展一个角度分辨率ares;并和距离维扩展一样加入噪声。
2.根据权利要求1所述的一种基于FMCW雷达RAI的数据集扩展方法,其特征在于,所述雷达传感器采用频率区间为57.4GHz至62.6GHz的FMCW毫米波雷达。
3.根据权利要求1所述的一种基于FMCW雷达RAI的数据集扩展方法,其特征在于,在所述步骤2中,若雷达传感器具有多个接收通道,则将得到的多条对应波形都进行相同的扩展操作。
5.根据权利要求1所述的一种基于FMCW雷达RAI的数据集扩展方法,其特征在于,对数据集进行距离和角度维度组合扩展的方式,此时只需要添加一次噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110280993.2A CN112835009B (zh) | 2021-03-16 | 2021-03-16 | 一种基于fmcw雷达rai的数据集拓展方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110280993.2A CN112835009B (zh) | 2021-03-16 | 2021-03-16 | 一种基于fmcw雷达rai的数据集拓展方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112835009A CN112835009A (zh) | 2021-05-25 |
CN112835009B true CN112835009B (zh) | 2022-07-01 |
Family
ID=75930173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110280993.2A Active CN112835009B (zh) | 2021-03-16 | 2021-03-16 | 一种基于fmcw雷达rai的数据集拓展方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112835009B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591938A (zh) * | 2021-07-10 | 2021-11-02 | 亿太特(陕西)科技有限公司 | 多特征融合交通目标识别方法、系统、计算机设备及应用 |
CN113625269B (zh) * | 2021-08-26 | 2024-03-01 | 长沙理工大学 | 一种基于毫米波雷达的高速铁路钢轨沉降检测方法和系统 |
CN113837131B (zh) * | 2021-09-29 | 2024-04-05 | 南京邮电大学 | 一种基于fmcw毫米波雷达的多尺度特征融合手势识别方法 |
CN114966672A (zh) * | 2022-06-09 | 2022-08-30 | 深圳大学 | 一种基于光学与微波视觉的智能安防监控处理方法及系统 |
CN116482680B (zh) * | 2023-06-19 | 2023-08-25 | 精华隆智慧感知科技(深圳)股份有限公司 | 一种身体干扰识别方法、装置、系统和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001116838A (ja) * | 1999-10-18 | 2001-04-27 | Mitsubishi Electric Corp | 合成開口レーダ装置及び目標散乱点検出方法 |
JP2009300133A (ja) * | 2008-06-11 | 2009-12-24 | Japan Aerospace Exploration Agency | 航空機搭載用光学式遠隔気流計測装置 |
CN108828548A (zh) * | 2018-06-26 | 2018-11-16 | 重庆邮电大学 | 一种基于fmcw雷达的三参数融合数据集构建方法 |
CN109583302A (zh) * | 2018-10-29 | 2019-04-05 | 杭州电子科技大学 | 一种移动机器人可行区域训练数据集扩充方法 |
CN110632587A (zh) * | 2019-10-10 | 2019-12-31 | 南京凌云科技发展有限公司 | 一种基于快速fmcw雷达的弱运动物体监测方法 |
-
2021
- 2021-03-16 CN CN202110280993.2A patent/CN112835009B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001116838A (ja) * | 1999-10-18 | 2001-04-27 | Mitsubishi Electric Corp | 合成開口レーダ装置及び目標散乱点検出方法 |
JP2009300133A (ja) * | 2008-06-11 | 2009-12-24 | Japan Aerospace Exploration Agency | 航空機搭載用光学式遠隔気流計測装置 |
CN108828548A (zh) * | 2018-06-26 | 2018-11-16 | 重庆邮电大学 | 一种基于fmcw雷达的三参数融合数据集构建方法 |
CN109583302A (zh) * | 2018-10-29 | 2019-04-05 | 杭州电子科技大学 | 一种移动机器人可行区域训练数据集扩充方法 |
CN110632587A (zh) * | 2019-10-10 | 2019-12-31 | 南京凌云科技发展有限公司 | 一种基于快速fmcw雷达的弱运动物体监测方法 |
Non-Patent Citations (4)
Title |
---|
LFMCW雷达的距离/多普勒处理;杜川华等;《电子科技大学学报》;20040225(第01期);全文 * |
Short-Range Radar Based Real-Time Hand Gesture Recognition Using LSTM Encoder;JAE-WOO CHOI et al.;《IEEE Access》;20190307;全文 * |
基于DSP的LFMCW雷达信号处理技术研究;温宗周等;《电子测量技术》;20160515(第05期);全文 * |
基于MIMO体制的天波雷达多普勒扩展杂波抑制算法;薄超等;《中国科技论文》;20130715(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112835009A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112835009B (zh) | 一种基于fmcw雷达rai的数据集拓展方法 | |
CN112505648B (zh) | 基于毫米波雷达回波的目标特征提取方法 | |
CN106405541B (zh) | 全相参连续波多普勒雷达及其测距测速方法 | |
CN107966688B (zh) | 基于相位干涉技术的宽带雷达目标速度解模糊方法 | |
CN106842165B (zh) | 一种基于不同距离角度分辨率雷达集中式异步融合方法 | |
CN105259553B (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 | |
CN109738894B (zh) | 一种用于大视场合成孔径雷达的高斜视多角度成像方法 | |
CN105301584B (zh) | 同时解距离模糊的ipphdf机动多目标跟踪方法 | |
CN108008389B (zh) | 一种基于gpu的快速频域后向投影三维成像方法 | |
CN110568434B (zh) | 一种多通道匀加速sar动目标二维速度估计方法 | |
CN103472450B (zh) | 基于压缩感知的非均匀空间构形分布式sar动目标三维成像方法 | |
CN102707283B (zh) | 一种固定站双基地合成孔径雷达成像方法 | |
CN106707258A (zh) | 一种非高斯背景下微动目标多参数估计方法 | |
CN105467370A (zh) | 一种复合双基地雷达进动目标isar图像横向定标方法 | |
CN102749621A (zh) | 一种双基地合成孔径雷达频域成像方法 | |
CN105447867B (zh) | 基于isar图像的空间目标姿态估计方法 | |
CN105158745A (zh) | 移变双基前视合成孔径雷达距离徙动校正方法 | |
CN115561728A (zh) | 一种fmcw雷达的单帧速度解模糊方法和装置 | |
CN111352108B (zh) | 基于ffbp逆向处理的sar回波信号快速仿真方法 | |
CN113009439A (zh) | 一种基于调频连续波毫米波雷达的多目标探测方法 | |
CN112433210A (zh) | 一种双站前视探地雷达快速时域成像方法 | |
CN112346058A (zh) | 基于连续脉冲编码提升高速sar平台信噪比的成像方法 | |
CN112782665B (zh) | 一种基于fmcw雷达rdi的数据集拓展方法 | |
Kim et al. | Deep-learning based multi-object detection and tracking using range-angle map in automotive radar systems | |
CN115494496B (zh) | 单比特雷达成像系统、方法及相关设备 |
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 |