CN113253272B - 基于sar距离压缩域图像的目标检测方法及装置 - Google Patents
基于sar距离压缩域图像的目标检测方法及装置 Download PDFInfo
- Publication number
- CN113253272B CN113253272B CN202110798197.8A CN202110798197A CN113253272B CN 113253272 B CN113253272 B CN 113253272B CN 202110798197 A CN202110798197 A CN 202110798197A CN 113253272 B CN113253272 B CN 113253272B
- Authority
- CN
- China
- Prior art keywords
- target
- distance
- target detection
- sar
- simulation
- 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
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
- 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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9029—SAR image post-processing techniques specially adapted for moving target detection within a single SAR image or within multiple SAR images taken at the same time
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种基于SAR距离压缩域图像的目标检测方法及装置。所述方法包括:根据不同类型的雷达参数和仿真目标的位置信息,利用距离压缩域图像模型,得到不同类型的雷达数据对应的在距离向上进行压缩的目标仿真图像,根据目标仿真图像对预设的目标检测模型进行训练,得到已训练的目标检测模型,将真实目标的SAR雷达回波信号进行脉冲压缩后得到SAR距离压缩域图像,将SAR距离压缩域图像输入已训练的目标检测模型,进行真实目标检测。采用本方法能够直接在SAR距离压缩域图像上进行目标检测。
Description
技术领域
本申请涉及雷达成像技术领域,特别是涉及一种基于SAR距离压缩域图像的目标检测方法及装置。
背景技术
SAR作为一种主动式传感器,可以全天时全天候地对目标进行监视,在许多领域具有十分重要的作用。SAR通过距离向和方位向聚焦可以获得地表的高分辨率二维图像。之所以可以在两个方向上都进行聚焦,是因为接收到的SAR数据在这两个方向都受到一个有规律的相位调制。距离向的调制由发射脉冲的相位编码决定,方位向的调制来自于平台的运动。由于距离向和方位向的耦合以及平台的运动不稳定,因此方位向聚焦的过程通常要远远复杂于距离向聚焦。
传统SAR目标检测通常在二维聚焦后的图像进行,这主要是因为二维聚焦后的SAR图像更加直观。但是由于方位向聚焦涉及复杂的距离徙动校正以及多普勒参数估计等,通常耗时较多。同时由于现有SAR图像幅宽较大,数据量很多,因此在二维聚焦后的图像上进行目标检测较难实时进行。
发明内容
基于此,有必要针对上述技术问题,提供一种能够直接在只进行距离压缩的SAR图像数据上进行检测的基于SAR距离压缩域图像的目标检测方法及装置。
一种基于SAR距离压缩域图像的目标检测方法,所述方法包括:
根据不同类型的雷达参数和仿真目标的位置信息,利用距离压缩域图像模型,得到不同类型的雷达数据对应的在距离向上进行压缩的目标仿真图像;
根据所述目标仿真图像对预设的目标检测模型进行训练,得到已训练的目标检测模型;
获取真实目标的SAR雷达回波信号,根据所述SAR雷达回波信号进行脉冲压缩后得到SAR距离压缩域图像;
将所述SAR距离压缩域图像输入已训练的目标检测模型,进行真实目标检测。
在其中一实施例中,所述雷达参数包括景中心斜距、雷达有效速度、发射脉冲时宽、距离调频率、雷达工作频率、距离采样率、距离线数、距离线采样点数、波束斜视角。
在其中一实施例中,所述仿真目标假设为点目标或多个点目标的组合。
在其中一实施例中,所述距离压缩域图像模型由对SAR原始回波信号模型进行脉冲压缩后得到。
在其中一实施例中,所述距离压缩域图像模型为:
在其中一实施例中,在根据所述目标仿真图像对预设的目标检测模型进行训练时,根据所述位置信息对目标仿真图像进行标注。
一种基于SAR距离压缩域图像的目标检测装置,所述装置包括:
目标仿真图像得到模块,用于根据不同类型的雷达参数和仿真目标的位置信息,利用距离压缩域图像模型,得到不同类型的雷达数据对应的在距离向上进行压缩的目标仿真图像;
目标检测模型训练模块,用于根据所述目标仿真图像对预设的目标检测模型进行训练,得到已训练的目标检测模型;
雷达回波信号距离向压缩模块,用于获取真实目标的SAR雷达回波信号,根据所述SAR雷达回波信号进行脉冲压缩后得到SAR距离压缩域图像;
真实目标检测模块,用于将所述SAR距离压缩域图像输入已训练的目标检测模型,进行真实目标检测。
上述基于SAR距离压缩域图像的目标检测方法,通过构建只在距离向上进行压缩的目标仿真图像,并将其对预设的目标检测模型进行训练,得到可以直接在只进行距离压缩的SAR图像数据进行目标检测的已训练的目标检测模型以避免在对SAR图像数据在方位向聚焦造成的时间消耗,有助于实现目标实时监测。
附图说明
图1为一个实施例中基于SAR距离压缩域图像的目标检测方法的流程示意图;
图2为一个实施例中基于条带模式雷达数据仿真得到距离压缩域图像;
图3为一个实施例中基于聚束模式雷达数据仿真得到距离压缩域图像;
图4为一个实施例中基于SAR距离压缩域图像的目标检测装置的结构框图;
图5为一个实施例中基于SAR距离压缩域图像的目标检测装置的结构示意图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,提供了一种基于SAR距离压缩域图像的目标检测方法,所述方法包括:
步骤S100,根据不同类型的雷达参数和仿真目标的位置信息,利用距离压缩域图像模型,得到不同类型的雷达数据对应的在距离向上进行压缩的目标仿真图像;
步骤S110,根据目标仿真图像对预设的目标检测模型进行训练,得到已训练的目标检测模型;
步骤S120,获取真实目标的SAR雷达回波信号,根据SAR雷达回波信号进行脉冲压缩后得到SAR距离压缩域图像;
步骤S130,将SAR距离压缩域图像输入已训练的目标检测模型,进行真实目标检测。
在本实施例中,首先根据不同类型的雷达参数以及距离压缩域图像模型构建大量的在距离向上进行压缩(聚焦)的目标仿真图像。
在步骤S100中,雷达参数包括景中心斜距、雷达有效速度、发射脉冲时宽、距离调频率、雷达工作频率、距离采样率、距离线数、距离线采样点数、波束斜视角。
具体的,在对仿真目标进行仿真时,可根据不同类型的雷达对各相关参数进行调整以得到不同类型的目标仿真图像。
在本实施例中,仿真目标假设为点目标或多个点目标的组合。
在本实施例中,距离压缩域图像模型由对SAR原始回波信号模型进行脉冲压缩后得到。
具体的,SAR原始回波信号模型为仿真的原始回波解调后的点目标信号模型,该模型为:
再对公式(1)采用脉冲压缩方法进行距离向聚焦后得到距离压缩域信号,并将其作为距离压缩域图像模型,该模型为:
这样,利用公式(2)和公式(3),只需要根据不同雷达参数即可仿真出大量目标的距离压缩域图像,也就是目标仿真图像,如图2-3所示,展示了不同雷达参数下仿真的两个目标的距离压缩域图像,其中图2为条带模式数据,图3为聚束模式数据。
在本实施例中,仿真目标可以有多个,并且对应每一个仿真目标可得到不同类型的雷达对其进行探测后的目标仿真图像。这样在对预设的目标检测模型进行训练时,将会有大量的训练样本。
在步骤S110中,由于对目标检测模型进行训练的目标仿真图像是仿真得到的,并且其中的目标位置信息是已知的,所以可以直接根据已知的位置信息对目标仿真图像进行标注。这样就不需要收集和标注真实的SAR距离压缩域训练样本。
在本实施例中,预设的目标检测模型可采用但不限于SVM、RCNN、Fast-RCNN、Faster-RCNN、R-FCN、YOLO、SSD、DenseBox以及Mask-RCNN等可用于目标检测或分割的学习模型。
通过大量目标仿真图像对学习模型进行训练学习,可得到训练好的目标检测模型,其训练过程一般为学习方法的后向推理过程。
在对已训练好的目标检测模型进行实际应用时,只需要对真实目标的SAR雷达回波信号进行脉冲压缩,得到对应的SAR距离压缩域图像。再将SAR距离压缩域图像输入已训练好的目标检测模型就可以对SAR距离压缩域图像中的真实目标进行检测,并且获取检测结果。
如图4所示,展示了本方法对一幅真实距离压缩域目标图像的检测结果,方框内为检测到的目标。需要说明的是图4中的方框只是为了展示目标,而非目标检测模型输出的结果。实际上,目标检测模型可输出检测到的目标的位置坐标。
具体的,通过目标检测模型可以知道SAR距离压缩域图像中是否存在目标,或目标的位置以实现对真实目标的检测。
上述基于SAR距离压缩域图像的目标检测方法中,通过构建只在距离向上进行压缩的目标仿真图像,并将其对预设的目标检测模型进行训练,得到可以直接在只进行距离压缩的SAR图像数据进行目标检测的已训练的目标检测模型可以直接在SAR距离压缩域上进行目标检测,不需要进行复杂的方位聚焦,可以有效减少整个处理流程的时间。并且通过仿真可以获得大量的SAR距离压缩域训练样本,不需要收集和标注真实的SAR距离压缩域训练样本。同时,本发明方法通用性强,可灵活适用于各种机载或星载平台不同成像模式的SAR数据。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种基于SAR距离压缩域图像的目标检测装置,包括:目标仿真图像得到模块200、目标检测模型训练模块210、雷达回波信号距离向压缩模块220和真实目标检测模块230,其中:
目标仿真图像得到模块200,用于根据不同类型的雷达参数和仿真目标的位置信息,利用距离压缩域图像模型,得到不同类型的雷达数据对应的在距离向上进行压缩的目标仿真图像;
目标检测模型训练模块210,用于根据所述目标仿真图像对预设的目标检测模型进行训练,得到已训练的目标检测模型;
雷达回波信号距离向压缩模块220,用于获取真实目标的SAR雷达回波信号,根据所述SAR雷达回波信号进行脉冲压缩后得到SAR距离压缩域图像;
真实目标检测模块230,用于将所述SAR距离压缩域图像输入已训练的目标检测模型,进行真实目标检测。
关于基于SAR距离压缩域图像的目标检测装置的具体限定可以参见上文中对于基于SAR距离压缩域图像的目标检测方法的限定,在此不再赘述。上述基于SAR距离压缩域图像的目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于SAR距离压缩域图像的目标检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据不同类型的雷达参数和仿真目标的位置信息,利用距离压缩域图像模型,得到不同类型的雷达数据对应的在距离向上进行压缩的目标仿真图像;
根据所述目标仿真图像对预设的目标检测模型进行训练,得到已训练的目标检测模型;
获取真实目标的SAR雷达回波信号,根据所述SAR雷达回波信号进行脉冲压缩后得到SAR距离压缩域图像;
将所述SAR距离压缩域图像输入已训练的目标检测模型,进行真实目标检测。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
所述雷达参数包括景中心斜距、雷达有效速度、发射脉冲时宽、距离调频率、雷达工作频率、距离采样率、距离线数、距离线采样点数、波束斜视角。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
所述仿真目标假设为点目标或多个点目标的组合。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
所述距离压缩域图像模型由对SAR原始回波信号模型进行脉冲压缩后得到。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
所述距离压缩域图像模型为:
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
在根据所述目标仿真图像对预设的目标检测模型进行训练时,根据所述位置信息对目标仿真图像进行标注。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据不同类型的雷达参数和仿真目标的位置信息,利用距离压缩域图像模型,得到不同类型的雷达数据对应的在距离向上进行压缩的目标仿真图像;
根据所述目标仿真图像对预设的目标检测模型进行训练,得到已训练的目标检测模型;
获取真实目标的SAR雷达回波信号,根据所述SAR雷达回波信号进行脉冲压缩后得到SAR距离压缩域图像;
将所述SAR距离压缩域图像输入已训练的目标检测模型,进行真实目标检测。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
所述雷达参数包括景中心斜距、雷达有效速度、发射脉冲时宽、距离调频率、雷达工作频率、距离采样率、距离线数、距离线采样点数、波束斜视角。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
所述仿真目标假设为点目标或多个点目标的组合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
所述距离压缩域图像模型由对SAR原始回波信号模型进行脉冲压缩后得。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
所述距离压缩域图像模型为:
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
在根据所述目标仿真图像对预设的目标检测模型进行训练时,根据所述位置信息对目标仿真图像进行标注。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.基于SAR距离压缩域图像的目标检测方法,其特征在于,所述方法包括:
根据不同类型的雷达参数和仿真目标的位置信息,利用距离压缩域图像模型,得到不同类型的雷达数据对应的在距离向上进行压缩的目标仿真图像,其中在对仿真目标进行仿真时,根据不同类型的雷达对各相关参数进行调整以得到不同类型的目标仿真图像,所述雷达参数包括景中心斜距、雷达有效速度、发射脉冲时宽、距离调频率、雷达工作频率、距离采样率、距离线数、距离线采样点数、波束斜视角,所述仿真目标假设为点目标或多个点目标的组合;
根据所述目标仿真图像对预设的目标检测模型进行训练,得到已训练的目标检测模型,其中所述目标检测模型采用SVM、RCNN、Fast-RCNN、Faster-RCNN、R-FCN、YOLO、SSD、DenseBox以及Mask-RCNN其中任意一种;
获取真实目标的SAR雷达回波信号,根据所述SAR雷达回波信号进行脉冲压缩后得到SAR距离压缩域图像;
将所述SAR距离压缩域图像输入已训练的目标检测模型,进行真实目标检测;
通过构建只在距离向上进行压缩的目标仿真图像,并将其对预设的目标检测模型进行训练,得到能够直接在只进行距离压缩的SAR图像数据进行目标检测的已训练的目标检测模型,以避免在对SAR图像数据在方位向聚焦造成的时间消耗。
2.根据权利要求1所述的目标检测方法,其特征在于,所述距离压缩域图像模型由对SAR原始回波信号模型进行脉冲压缩后得。
5.根据权利要求1所述的目标检测方法,其特征在于,在根据所述目标仿真图像对预设的目标检测模型进行训练时,根据所述位置信息对目标仿真图像进行标注。
6.一种基于SAR距离压缩域图像的目标检测装置,其特征在于,所述装置包括:
目标仿真图像得到模块,用于根据不同类型的雷达参数和仿真目标的位置信息,利用距离压缩域图像模型,得到不同类型的雷达数据对应的在距离向上进行压缩的目标仿真图像,其中在对仿真目标进行仿真时,根据不同类型的雷达对各相关参数进行调整以得到不同类型的目标仿真图像,所述雷达参数包括景中心斜距、雷达有效速度、发射脉冲时宽、距离调频率、雷达工作频率、距离采样率、距离线数、距离线采样点数、波束斜视角,所述仿真目标假设为点目标或多个点目标的组合;
目标检测模型训练模块,用于根据所述目标仿真图像对预设的目标检测模型进行训练,得到已训练的目标检测模型,其中所述目标检测模型采用SVM、RCNN、Fast-RCNN、Faster-RCNN、R-FCN、YOLO、SSD、DenseBox以及Mask-RCNN其中任意一种;
雷达回波信号距离向压缩模块,用于获取真实目标的SAR雷达回波信号,根据所述SAR雷达回波信号进行脉冲压缩后得到SAR距离压缩域图像;
真实目标检测模块,用于将所述SAR距离压缩域图像输入已训练的目标检测模型,进行真实目标检测;
通过构建只在距离向上进行压缩的目标仿真图像,并将其对预设的目标检测模型进行训练,得到能够直接在只进行距离压缩的SAR图像数据进行目标检测的已训练的目标检测模型,以避免在对SAR图像数据在方位向聚焦造成的时间消耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110798197.8A CN113253272B (zh) | 2021-07-15 | 2021-07-15 | 基于sar距离压缩域图像的目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110798197.8A CN113253272B (zh) | 2021-07-15 | 2021-07-15 | 基于sar距离压缩域图像的目标检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113253272A CN113253272A (zh) | 2021-08-13 |
CN113253272B true CN113253272B (zh) | 2021-10-29 |
Family
ID=77180382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110798197.8A Active CN113253272B (zh) | 2021-07-15 | 2021-07-15 | 基于sar距离压缩域图像的目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113253272B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343060A (zh) * | 2018-12-07 | 2019-02-15 | 电子科技大学 | 基于深度学习时频分析的isar成像方法及系统 |
CN109669183A (zh) * | 2017-12-27 | 2019-04-23 | 北京航空航天大学 | 一种基于Keystone和时频变换的地球同步轨道SAR运动目标成像处理装置 |
CN109709536A (zh) * | 2019-01-24 | 2019-05-03 | 电子科技大学 | 一种基于卷积神经网络的sar动目标检测方法 |
CN112099008A (zh) * | 2020-09-16 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于cv-admmn的sa-isar成像与自聚焦方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341488B (zh) * | 2017-06-16 | 2020-02-18 | 电子科技大学 | 一种sar图像目标检测识别一体化方法 |
-
2021
- 2021-07-15 CN CN202110798197.8A patent/CN113253272B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109669183A (zh) * | 2017-12-27 | 2019-04-23 | 北京航空航天大学 | 一种基于Keystone和时频变换的地球同步轨道SAR运动目标成像处理装置 |
CN109343060A (zh) * | 2018-12-07 | 2019-02-15 | 电子科技大学 | 基于深度学习时频分析的isar成像方法及系统 |
CN109709536A (zh) * | 2019-01-24 | 2019-05-03 | 电子科技大学 | 一种基于卷积神经网络的sar动目标检测方法 |
CN112099008A (zh) * | 2020-09-16 | 2020-12-18 | 中国人民解放军国防科技大学 | 基于cv-admmn的sa-isar成像与自聚焦方法 |
Non-Patent Citations (2)
Title |
---|
"Generalised likelihood ratio test detector for micro-motion targets in synthetic aperture radar raw signals";B. Deng 等;《IET Radar, Sonar and Navigation》;20111231;第5卷;第528–535页 * |
"调频连续波SAR成像R-D及ωK算法研究";杜传红;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20140415(第04期);第29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113253272A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109975773B (zh) | 毫米波雷达标定方法、装置、设备和存储介质 | |
Jose et al. | Predicting millimeter wave radar spectra for autonomous navigation | |
CN116520335B (zh) | 一种多接收阵元合成孔径声呐波数域成像方法 | |
CN112106111A (zh) | 一种标定方法、设备、可移动平台及存储介质 | |
CN112485783B (zh) | 目标探测方法、装置、计算机设备和存储介质 | |
CN114740472A (zh) | 一种无扫描单通道太赫兹雷达前视三维成像方法和系统 | |
CN113109797B (zh) | 调频连续波凝视雷达的目标探测方法、装置和计算机设备 | |
CN113253272B (zh) | 基于sar距离压缩域图像的目标检测方法及装置 | |
CN113093122A (zh) | 一种对合成孔径雷达快速场景欺骗干扰的方法 | |
CN115542323B (zh) | Sar运动目标图像快速重聚焦方法、装置和计算机设备 | |
CN108957432B (zh) | 路沿检测方法、装置、计算机设备和存储介质 | |
CN111721283A (zh) | 定位算法的精度检测方法、装置、计算机设备和存储介质 | |
CN113160406B (zh) | 道路三维重建方法、装置、存储介质及电子设备 | |
CN115291172A (zh) | 简缩极化雷达极化旋转域特征提取和目标检测方法及装置 | |
CN115407299A (zh) | 基于伯努利滤波器算法的弱小目标检测方法和装置 | |
CN114740470A (zh) | 基于属性散射模型的微波波前调制前视成像方法和装置 | |
Zhou et al. | High precision cross-range scaling and 3D geometry reconstruction of ISAR targets based on geometrical analysis | |
CN111487622A (zh) | 输电铁塔变形监测方法、装置、计算机设备和存储介质 | |
CN111723826A (zh) | 跟踪算法的精度检测方法、装置、计算机设备和存储介质 | |
JP2021012043A (ja) | 機械学習用情報処理装置、機械学習用情報処理方法、および機械学習用情報処理プログラム | |
CN112068134B (zh) | 角误差斜率值检测方法、装置及设备 | |
CN115144856B (zh) | 极化雷达空间目标抛物面天线参数反演方法与装置 | |
CN116128727B (zh) | 极化雷达图像超分辨方法、系统、设备及介质 | |
CN115356698B (zh) | 基于可观测弧段测轨信息的空间目标isar定标方法 | |
Matthies et al. | Stochastic performance modeling and evaluation of obstacle detectability with imaging range sensors |
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 |