CN113030943B - 基于单脉冲雷达信号采集方位距离像的多目标跟踪算法 - Google Patents
基于单脉冲雷达信号采集方位距离像的多目标跟踪算法 Download PDFInfo
- Publication number
- CN113030943B CN113030943B CN202110248793.9A CN202110248793A CN113030943B CN 113030943 B CN113030943 B CN 113030943B CN 202110248793 A CN202110248793 A CN 202110248793A CN 113030943 B CN113030943 B CN 113030943B
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- detection
- image
- monopulse radar
- 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
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
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
-
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/417—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 involving the use of neural 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
- G06N3/04—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于单脉冲雷达信号采集方位距离像的多目标跟踪算法,包括如下步骤:步骤一:对第一帧方位距离像进行图像显著性检测,确定多目标区域,并把这些目标区域存入历史检测、跟踪集合,作为后续检测结果匹配对象;步骤二:对接下来帧图像同样进行显著性检测,并对前一帧检测、跟踪目标使用单目标跟踪ECO算法得到当前帧跟踪结果,用本发明专利方法进行跟踪目标和检测目标之间的关联;步骤三:循环步骤二,直到数据采集终止,即没有新采集生成图像为止。本发明直接从单脉冲雷达中频信号采样,用数字信号处理方法生成扫描区域态势方位距离二维像,借用图像领域经典跟踪算法,以实现对基于单脉冲雷达中频采样数据中多目标的连续跟踪。
Description
技术领域
本发明涉及雷达目标跟踪与成像技术领域,具体涉及一种基于单脉冲雷达信号采集方位距离像的多目标跟踪算法。
背景技术
单脉冲雷达具有跟踪精度高、获取数据率大、抗干扰性能好等优点。其工作原理是利用距离分辨率确认目标,然后采用单脉冲测角技术测量目标偏离角,从而实现目标定位。能够有效地对单目标进行检测,但当同一距离单元内有多个目标回波时,由于其只产生和差信号的单一指示角,与任一不可分辨的目标角度不对应,且该指示角会随目标相对幅度、相位的变化而变化。因此,传统单脉冲雷达很难区域内多个目标进行区分和实现连续稳健的跟踪。
发明内容
有鉴于此,本发明提供一种基于单脉冲雷达信号采集方位距离像的多目标跟踪算法,利用多个目标回波信息及单脉冲雷达距离高分辨的优势,直接从单脉冲雷达中频信号采样,用数字信号处理方法生成扫描区域态势方位距离二维像,借用图像领域经典跟踪算法,以实现对基于单脉冲雷达中频采样数据中多目标的连续跟踪。
为解决上述技术问题,本发明提供一种基于单脉冲雷达信号采集方位距离像的多目标跟踪算法,包括如下步骤:
步骤一:对第一帧方位距离像进行图像显著性检测,确定多目标区域,并把这些目标区域存入历史检测、跟踪集合,作为后续检测结果匹配对象;
步骤二:对接下来帧图像同样进行显著性检测,并对前一帧检测、跟踪目标使用单目标跟踪ECO算法得到当前帧跟踪结果,然后进行跟踪目标和检测目标之间的关联;
步骤三:循环步骤二,直到数据采集终止,即没有新采集生成图像为止。
进一步的,ECO跟踪器将离散通道特征插入到连续域中,目的是为了从M个训练样本中学习到连续T周期的多通道卷积滤波器f,通过最小化下面的目标函数:
其中,αj表示样本xj的权重;卷积算子Sf将样本xj映射到得分函数Sf上,用来预测目标在位置t的置信度分数;函数yj用于计算Sf中传入xj的期望,正则项则使用权重函数ω来抑制边界效应;
变换到频域,然后对滤波器f求导,可以得到:
其中,A是块对角矩阵,也就是训练样本组成的矩阵,每个对角块代表一个样本;Γ:包含每个训练样本权重αj的矩阵,通过共轭梯度迭代计算出使损失函数最小的
进一步的,融合单目标跟踪与数据关联的在线多目标跟踪是通过深度卷积网络匹配当前帧检测结果和历史检测、跟踪图像目标集合,实现数据关联。
进一步的,为目标i包含之前t-1个时刻跟踪、检测历史图像tracklet集合,记:/>关联系数/>其中,i表示历史跟踪、检测目标,j表示当前帧检测目标。/>为历史跟踪、检测目标i经过网络输出的向量,/>为当前帧检测目标j经过网络输出的向量;网络结构采用特征金字塔+全链接层结构;使用在ImageNet上预先训练过的截断的50层残差网络作为主干网络,结合特征金字塔网络,达到实现产生强语义信息和高分辨率的目的;全链接层把ResNet-50+FPN生成的多维特征图转换为一维特征向量,用于后续计算关联系数;关联系数通过历史图像得到的目标i向量与检测向量j之间的内积计算得到。
进一步的,借鉴雷达余辉衰减和亮度上呈指数关系,历史图像tracklet集合经过网络层后进行加权处理,具体加权系数为ρk,
ρ′k=e-μk,μ=0.46,k=0,1,…,t-1,μ为衰减系数;这里,取t=5。
进一步的,如果用ECO算法进行单目标跟踪后把跟踪和检测结果进行IOU判断为遮挡,则在当前目标i对应包含的tracklet图像集合中删除该帧检测图像。
进一步的,用KM算法对跟踪目标和检测目标进行数据关联,KM算法中用到的关联系数为Ci,j。
进一步的,对于找到关联匹配结果的目标,将相应的检测结果作为其在当前帧的跟踪结果;对于未关联匹配的目标分为两种情况:一种是前一帧处于跟踪状态且当前帧没有检测到,对这种类型目标将其设为丢失状态,并将其放入历史检测、跟踪图像集合,如果连续N帧没有关联到,则将该目标设为终止状态;另一种是当前帧检测到但同历史检测、跟踪图像集合没有关联上,则将该目标设为新目标出现状态;如果当前单目标跟踪结果进行IOU判断为遮挡,则不把该跟踪结果放入历史检测、跟踪图像集合中。
本发明的上述技术方案的有益效果如下:
本发明充分利用多个目标回波信息及单脉冲雷达距离高分辨的优势,直接从单脉冲雷达中频信号采样,用数字信号处理方法生成扫描区域态势方位距离二维像,借用图像领域经典跟踪算法,以实现对基于单脉冲雷达中频采样数据中多目标的连续跟踪。
附图说明
图1为本发明融合单目标跟踪与数据关联的在线多目标跟踪流程图;
图2为本发明基于KM算法的数据关联示意图;
图3为本发明中频采样处理生成的方位距离像图;
图4为本发明显著性检测处理结果图;
图5为本发明多目标跟踪算法运行结果图;
图6为本发明单脉冲雷达中频数据采集方位距离像流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图1-6,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
如图1-6所示:
本实施例提供了一种基于单脉冲雷达信号采集方位距离像的多目标跟踪算法,包括如下步骤:
步骤一:对第一帧方位距离像进行图像显著性检测,确定多目标区域,并把这些目标区域存入历史检测、跟踪集合,作为后续检测结果匹配对象;
步骤二:对接下来帧图像同样进行显著性检测,并对前一帧检测、跟踪目标使用单目标跟踪ECO算法得到当前帧跟踪结果,然后采用图1流程进行跟踪目标和检测目标之间的关联;
步骤三:循环步骤二,直到数据采集终止(也就是没有新图像)为止。
进一步的,ECO跟踪器将离散通道特征插入到连续域中,目的是为了从M个训练样本中学习到连续T周期的多通道卷积滤波器f,通过最小化下面的目标函数:
其中,αj表示样本xj的权重;卷积算子Sf将样本xj映射到得分函数Sf上,用来预测目标在位置t的置信度分数;函数yj用于计算Sf中传入xj的期望,正则项则使用权重函数ω来抑制边界效应;
变换到频域,然后对滤波器f求导,可以得到:
其中,A是块对角矩阵,也就是训练样本组成的矩阵,每个对角块代表一个样本;Γ:包含每个训练样本权重αj的矩阵,通过Conjugate Gradient(共轭梯度)迭代计算出使损失函数最小的
进一步的,融合单目标跟踪与数据关联的在线多目标跟踪是通过深度卷积网络匹配当前帧检测结果和历史检测、跟踪图像目标集合,实现数据关联。
进一步的,如图1所示,为目标i包含之前t-1个时刻跟踪、检测历史图像tracklet集合,记:/>关联系数/>其中,i表示历史跟踪、检测目标,j表示当前帧检测目标。/>为历史跟踪、检测目标i经过网络输出的向量,/>为当前帧检测目标j经过网络输出的向量;网络结构采用“ResNet-50+FPN(特征金字塔)+FC(全链接层)”结构。使用在ImageNet上预先训练过的截断的50层残差网络(ResNet-50)作为主干网络,结合特征金字塔网络,达到实现产生强语义信息和高分辨率的目的。全链接层的作用是把ResNet-50+FPN生成的多维特征图转换为一维特征向量,用于后续计算关联系数。关联系数则是通过历史图像得到的目标i向量与检测向量j之间的内积(也就是余弦相似度)计算得到的。
进一步的,由于是基于单脉冲雷达信号采样得到的二维雷达方位距离图像,参考雷达余辉绘制原理,借鉴雷达余辉衰减和亮度上呈指数关系,历史图像tracklet集合经过网络层后进行加权处理,具体加权系数为ρk,
ρ′k=e-μk,μ=0.46,k=0,1,…,t-1,μ为衰减系数;这里,取t=5。
进一步的,如果用ECO算法进行单目标跟踪(SOT)后把跟踪和检测结果进行IOU判断为遮挡,则在当前目标i对应包含的tracklet图像集合中删除该帧检测图像。
进一步的,如图2所示,用KM算法(Kuhn-Munkres Algorithm)对跟踪目标和检测目标进行数据关联,KM算法中用到的关联系数为Ci,j。
进一步的,对于找到关联匹配结果的目标,将相应的检测结果作为其在当前帧的跟踪结果;对于未关联匹配的目标分为两种情况:一种是前一帧处于跟踪状态且当前帧没有检测到,对这种类型目标将其设为丢失状态,并将其放入历史检测、跟踪图像集合,如果连续N帧没有关联到,则将该目标设为终止状态;另一种是当前帧检测到但同历史检测、跟踪图像集合没有关联上,则将该目标设为新目标出现状态;如果当前单目标跟踪结果进行IOU判断为遮挡,则不把该跟踪结果放入历史检测、跟踪图像集合中。
如图6所示,单脉冲雷达中频数据采集生成方位距离二维像方案如下:
发射机产生的信号被送至和差比较器输出和信号的∑端,1、2端输出同相等幅的激励信号,由两个馈源天线调制后进行发射。接收回波时,两馈源将接收到的回波脉冲信号分别送至和差比较器的1、2端。图中Δ端输出差信号。
和差两路信号分别经过混频、中放后,然后经过ADC采样,将数据输入到数字信号预处理模块。数字信号预处理模块主要进行对采集的数据进行下变频、滤波等处理。最后,差信号输出方位信息,和信号经过脉冲压缩生成一维高分辨距离像(距离分辨率为10米左右)。结合方位和距离信息,就可以生成10度左右扫描区域内的方位距离像。其中,数字信号预处理和脉冲压缩模块在FPGA中实现。
具体而言,
单脉冲雷达每隔3秒钟扫描生成出基于雷达信号的方位距离像,该图像为10度左右区域。图3为从采集生成图像序列中选取的第5、25、45和65帧图像。图4为对图3进行显著性检测得到的对应结果。图5为采用本文多目标跟踪算法的运行结果。
从图3-5对应生成的四帧方位距离像可以看出:目标1、2、4、5、6、7、8在整个过程中都能实现稳健的跟踪;目标3在第5帧出现后,由于雷达反射信号减弱,在后续帧再也没检测到,故终止该目标(即其状态为“终止”);目标7在25帧左右以“新目标”状态出现,稳定跟踪一段时间后因雷达信号较弱后消失,所以目标7在45帧以后的状态是“消失”;目标8在45帧左右也是以“新目标”状态出现;目标5和6在25至65帧之间发生了相互遮挡的情况,应用ECO单目标跟踪算法可以准确地判断出“遮挡”状态,究其原因是ECO算法采用的策略是:非每帧更新模型,防止模型漂移。
在本发明中,除非另有明确的规定和限定,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
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 (8)
1.一种基于单脉冲雷达信号采集方位距离像的多目标跟踪算法,其特征在于:包括如下步骤:
步骤一:对第一帧方位距离像进行图像显著性检测,确定多目标区域,并把这些目标区域存入历史检测、跟踪集合,作为后续检测结果匹配对象;
步骤二:对接下来帧图像同样进行显著性检测,并对前一帧检测、跟踪目标使用单目标跟踪ECO算法得到当前帧跟踪结果,然后进行跟踪目标和检测目标之间的关联;
步骤三:循环步骤二,直到数据采集终止,即没有新采集生成图像为止。
2.如权利要求1所述的基于单脉冲雷达信号采集方位距离像的多目标跟踪算法,其特征在于:ECO跟踪器将离散通道特征插入到连续域中,目的是为了从M个训练样本中学习到连续T周期的多通道卷积滤波器f,通过最小化下面的目标函数:
其中,αj表示样本xj的权重;卷积算子Sf将样本xj映射到得分函数Sf上,用来预测目标在位置t的置信度分数;函数yj用于计算Sf中传入xj的期望,正则项则使用权重函数ω来抑制边界效应;
变换到频域,然后对滤波器f求导,可以得到:
其中,A是块对角矩阵,也就是训练样本组成的矩阵,每个对角块代表一个样本;Γ:包含每个训练样本权重αj的矩阵,通过共轭梯度迭代计算出使损失函数最小的
3.如权利要求2所述的基于单脉冲雷达信号采集方位距离像的多目标跟踪算法,其特征在于:融合单目标跟踪与数据关联的在线多目标跟踪是通过深度卷积网络匹配当前帧检测结果和历史检测、跟踪图像目标集合,实现数据关联。
4.如权利要求3所述的基于单脉冲雷达信号采集方位距离像的多目标跟踪算法,其特征在于:为目标i包含之前t-1个时刻跟踪、检测历史图像tracklet集合,记:关联系数/>其中,i表示历史跟踪、检测目标,j表示当前帧检测目标;/>为历史跟踪、检测目标i经过网络输出的向量,/>为当前帧检测目标j经过网络输出的向量;网络结构采用特征金字塔+全链接层结构;使用在ImageNet上预先训练过的截断的50层残差网络作为主干网络,结合特征金字塔网络,达到实现产生强语义信息和高分辨率的目的;全链接层把ResNet-50+FPN生成的多维特征图转换为一维特征向量,用于后续计算关联系数;关联系数通过历史图像得到的目标i向量与检测向量j之间的内积计算得到。
5.如权利要求4所述的基于单脉冲雷达信号采集方位距离像的多目标跟踪算法,其特征在于:借鉴雷达余辉衰减和亮度上呈指数关系,历史图像tracklet集合经过网络层后进行加权处理,具体加权系数为ρk,
ρ′k=e-μk,μ=0.46,k=0,1,…,t-1,μ为衰减系数;这里,取t=5。
6.如权利要求5所述的基于单脉冲雷达信号采集方位距离像的多目标跟踪算法,其特征在于:如果用ECO算法进行单目标跟踪后把跟踪和检测结果进行IOU判断为遮挡,则在当前目标i对应包含的tracklet图像集合中删除该帧检测图像。
7.如权利要求6所述的基于单脉冲雷达信号采集方位距离像的多目标跟踪算法,其特征在于:用KM算法对跟踪目标和检测目标进行数据关联,KM算法中用到的关联系数为Ci,j。
8.如权利要求7所述的基于单脉冲雷达信号采集方位距离像的多目标跟踪算法,其特征在于:对于找到关联匹配结果的目标,将相应的检测结果作为其在当前帧的跟踪结果;对于未关联匹配的目标分为两种情况:一种是前一帧处于跟踪状态且当前帧没有检测到,对这种类型目标将其设为丢失状态,并将其放入历史检测、跟踪图像集合,如果连续N帧没有关联到,则将该目标设为终止状态;另一种是当前帧检测到但同历史检测、跟踪图像集合没有关联上,则将该目标设为新目标出现状态;如果当前单目标跟踪结果进行IOU判断为遮挡,则不把该跟踪结果放入历史检测、跟踪图像集合中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110248793.9A CN113030943B (zh) | 2021-03-05 | 2021-03-05 | 基于单脉冲雷达信号采集方位距离像的多目标跟踪算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110248793.9A CN113030943B (zh) | 2021-03-05 | 2021-03-05 | 基于单脉冲雷达信号采集方位距离像的多目标跟踪算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113030943A CN113030943A (zh) | 2021-06-25 |
CN113030943B true CN113030943B (zh) | 2023-08-18 |
Family
ID=76466747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110248793.9A Active CN113030943B (zh) | 2021-03-05 | 2021-03-05 | 基于单脉冲雷达信号采集方位距离像的多目标跟踪算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113030943B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115063454B (zh) * | 2022-08-16 | 2022-11-29 | 浙江所托瑞安科技集团有限公司 | 多目标跟踪匹配方法、装置、终端及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1190466A (zh) * | 1995-05-09 | 1998-08-12 | El-Ar电子技术公司 | 飞机场地面探测雷达 |
CN1987517A (zh) * | 2006-10-27 | 2007-06-27 | 重庆大学 | 单脉冲多目标跟踪方法与系统 |
CN102879777A (zh) * | 2012-09-17 | 2013-01-16 | 西安电子科技大学 | 基于调频率-压缩感知的稀疏isar成像方法 |
CN103675808A (zh) * | 2013-11-27 | 2014-03-26 | 上海电机学院 | 一种单脉冲雷达导引头的不可分辨多目标检测方法 |
KR101858583B1 (ko) * | 2017-10-11 | 2018-05-16 | 엘아이지넥스원 주식회사 | 밀리미터파 탐색기 및 iir 영상 탐색기를 이용한 다중 표적 추적 방법 및 기록매체에 저장된 컴퓨터 프로그램 |
KR20180080004A (ko) * | 2017-01-03 | 2018-07-11 | 국방과학연구소 | 가림환경에서의 표적 형상정보를 활용한 표적 추적 방법 |
KR101950487B1 (ko) * | 2018-09-12 | 2019-02-20 | 엘아이지넥스원 주식회사 | 모노펄스 레이더 신호를 기반으로 하는 표적 방위각 정보 보상시스템 및 이를 이용하는 방법 |
CN109814074A (zh) * | 2019-01-22 | 2019-05-28 | 西安电子科技大学 | 基于图像形态处理的群目标跟踪方法 |
CN109946671A (zh) * | 2019-04-12 | 2019-06-28 | 哈尔滨工程大学 | 一种基于双门限判决的水下机动弱目标检测跟踪方法 |
AU2020100371A4 (en) * | 2020-03-12 | 2020-04-16 | Jilin University | Hierarchical multi-object tracking method based on saliency detection |
CN111352107A (zh) * | 2019-02-01 | 2020-06-30 | 中国科学院电子学研究所 | 基于多通道数字和差的单脉冲跟踪与成像方法 |
CN111598925A (zh) * | 2020-05-15 | 2020-08-28 | 武汉卓目科技有限公司 | 基于eco算法和区域生长分割的视觉目标跟踪方法及装置 |
-
2021
- 2021-03-05 CN CN202110248793.9A patent/CN113030943B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1190466A (zh) * | 1995-05-09 | 1998-08-12 | El-Ar电子技术公司 | 飞机场地面探测雷达 |
CN1987517A (zh) * | 2006-10-27 | 2007-06-27 | 重庆大学 | 单脉冲多目标跟踪方法与系统 |
CN102879777A (zh) * | 2012-09-17 | 2013-01-16 | 西安电子科技大学 | 基于调频率-压缩感知的稀疏isar成像方法 |
CN103675808A (zh) * | 2013-11-27 | 2014-03-26 | 上海电机学院 | 一种单脉冲雷达导引头的不可分辨多目标检测方法 |
KR20180080004A (ko) * | 2017-01-03 | 2018-07-11 | 국방과학연구소 | 가림환경에서의 표적 형상정보를 활용한 표적 추적 방법 |
KR101858583B1 (ko) * | 2017-10-11 | 2018-05-16 | 엘아이지넥스원 주식회사 | 밀리미터파 탐색기 및 iir 영상 탐색기를 이용한 다중 표적 추적 방법 및 기록매체에 저장된 컴퓨터 프로그램 |
KR101950487B1 (ko) * | 2018-09-12 | 2019-02-20 | 엘아이지넥스원 주식회사 | 모노펄스 레이더 신호를 기반으로 하는 표적 방위각 정보 보상시스템 및 이를 이용하는 방법 |
CN109814074A (zh) * | 2019-01-22 | 2019-05-28 | 西安电子科技大学 | 基于图像形态处理的群目标跟踪方法 |
CN111352107A (zh) * | 2019-02-01 | 2020-06-30 | 中国科学院电子学研究所 | 基于多通道数字和差的单脉冲跟踪与成像方法 |
CN109946671A (zh) * | 2019-04-12 | 2019-06-28 | 哈尔滨工程大学 | 一种基于双门限判决的水下机动弱目标检测跟踪方法 |
AU2020100371A4 (en) * | 2020-03-12 | 2020-04-16 | Jilin University | Hierarchical multi-object tracking method based on saliency detection |
CN111598925A (zh) * | 2020-05-15 | 2020-08-28 | 武汉卓目科技有限公司 | 基于eco算法和区域生长分割的视觉目标跟踪方法及装置 |
Non-Patent Citations (1)
Title |
---|
单脉冲雷达导引头多目标检测研究;曾永钢等;兵器装备工程学报;第37卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113030943A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111352102B (zh) | 一种基于调频连续波雷达的多目标个数检测方法及装置 | |
US7969345B2 (en) | Fast implementation of a maximum likelihood algorithm for the estimation of target motion parameters | |
CN108051809B (zh) | 基于Radon变换的运动目标成像方法、装置及电子设备 | |
CN111142105B (zh) | 复杂运动目标isar成像方法 | |
CN112630768B (zh) | 一种改进调频连续波雷达目标检测的降噪方法 | |
US20060238412A1 (en) | Method and apparatus for detecting slow-moving targets in high-resolution sea clutter | |
KR101703773B1 (ko) | 탐색 레이더를 이용한 레이더 영상 획득 방법 및 이의 시스템 | |
Huang et al. | Radar high speed small target detection based on keystone transform and linear canonical transform | |
CN115877344B (zh) | 一种宽带检测跟踪识别一体化处理的雷达探测方法及系统 | |
CN113030943B (zh) | 基于单脉冲雷达信号采集方位距离像的多目标跟踪算法 | |
CN111856406B (zh) | 一种基于fmcw雷达回波的目标检测方法及装置 | |
JP2009236720A (ja) | 移動目標検出装置 | |
US7339519B2 (en) | Methods and apparatus for target radial extent determination using deconvolution | |
US5014250A (en) | Acoustic detection device | |
CN117148353B (zh) | 基于毫米波sar的近距离多目标检测方法及安检系统 | |
CN108196238B (zh) | 高斯背景下基于自适应匹配滤波的杂波图检测方法 | |
CN107976663A (zh) | 一种基于子空间投影的外辐射源雷达对目标压缩检测方法 | |
CN115685169B (zh) | 基于宽带keystone变换的水声弱运动目标检测方法 | |
Yeste-Ojeda et al. | Atomic decomposition for radar applications | |
CN108490417B (zh) | 一种精确的sar动目标参数估计方法 | |
CN111680537A (zh) | 一种基于激光红外复合的目标检测方法及系统 | |
Abe et al. | Accurate and omnidirectional UWB radar imaging algorithm with RPM method extended to curvilinear scanning model | |
CN112906476B (zh) | 一种基于信杂噪比损失的机载雷达训练样本选择方法 | |
CN111880154B (zh) | 基于对称波数谱对消的复图像域运动目标检测方法 | |
JP3881078B2 (ja) | 周波数推定方法、周波数推定装置、ドップラソナーおよび潮流計 |
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 |