CN113985393A - 一种目标检测方法、装置及系统 - Google Patents

一种目标检测方法、装置及系统 Download PDF

Info

Publication number
CN113985393A
CN113985393A CN202111239793.9A CN202111239793A CN113985393A CN 113985393 A CN113985393 A CN 113985393A CN 202111239793 A CN202111239793 A CN 202111239793A CN 113985393 A CN113985393 A CN 113985393A
Authority
CN
China
Prior art keywords
target
training
data
determining
time
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.)
Granted
Application number
CN202111239793.9A
Other languages
English (en)
Other versions
CN113985393B (zh
Inventor
顾超
仇世豪
许孝勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Hurys Intelligent Technology Co Ltd
Original Assignee
Nanjing Hurys Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Hurys Intelligent Technology Co Ltd filed Critical Nanjing Hurys Intelligent Technology Co Ltd
Priority to CN202111239793.9A priority Critical patent/CN113985393B/zh
Publication of CN113985393A publication Critical patent/CN113985393A/zh
Application granted granted Critical
Publication of CN113985393B publication Critical patent/CN113985393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请公开了一种目标检测方法、装置及系统，通过对获得的电磁波的连续反馈数据的处理得到预测目标的时间频率关系数据，并通过预测目标的时间频率关系数据以及预先训练得到的卷积神经网络模型能够预测预测目标的类别，实现了在进行目标分类时直接通过卷积神经网络实现即可，无需人工提取特征，提高了处理效率，同时降低了人力成本。

Description

一种目标检测方法、装置及系统
技术领域
本申请涉及目标检测领域，尤其涉及一种目标检测方法、装置及系统。
背景技术
自动驾驶技术近几年飞速发展，雷达作为自动驾驶和高级辅助驾驶的支柱，受到了广泛关注。
目前，基于雷达进行目标检测的方式，通常需要技术人员做大量的特征工程，以实现特征的提取，但是这就造成了人力成本的消耗。
发明内容
有鉴于此，本申请提供一种目标检测方法、装置及系统，其具体方案如下：
一种目标检测方法，包括：
获得雷达连续发射的电磁波的连续反馈数据；
基于每一帧反馈数据确定预测目标以及所述预测目标的位置信息；
基于连续预设帧数的反馈数据、预测目标及所述预测目标的位置信息确定所述预测目标的运动轨迹；
基于所述预测目标的运动轨迹通过短时傅里叶变化确定预设时长内所述预测目标的时间频率关系数据；
基于预先训练得到的卷积神经网络模型及所述预测目标的时间频率关系数据确定所述预测目标的类别。
进一步的，还包括：
基于训练数据对所述卷积神经网络模型进行模型训练，其中，所述训练数据至少包括：多个训练目标的时间频率关系数据以及每一个所述训练目标的类别。
进一步的，还包括：
从所述训练数据中选择不少于一个训练目标的时间频率关系数据作为所述卷积神经网络模型的输入，确定所述卷积神经网络模型的输出结果；
基于所述输出结果及每一个所述训练目标的类别确定所述卷积神经网络模型的预测概率。
进一步的，所述基于每一帧反馈数据确定预测目标以及所述预测目标的位置信息，包括：
基于每一帧反馈数据通过预设算法确定所述预测目标与所述雷达之间的距离及角度关系。
进一步的，还包括：
将获得的所述雷达连续发射的电磁波的连续反馈数据进行模数转换，得到雷达数字信号；
通过第一滤波器对所述雷达数字信号进行滤波处理，得到运动目标的连续反馈数据。
一种目标检测系统，包括：
获得单元，用于获得雷达连续发射的电磁波的连续反馈数据；
第一确定单元，用于基于每一帧反馈数据确定预测目标以及所述预测目标的位置信息；
第二确定单元，用于基于连续预设帧数、预测目标及所述预测目标的位置信息确定所述预测目标的运动轨迹；
第三确定单元，用于基于所述预测目标的运动轨迹通过短时傅里叶变化确定预设时长内所述预测目标的时间频率关系数据；
预测单元，用于基于预先训练得到的卷积神经网络模型及所述预测目标的时间频率关系数据确定所述预测目标的类别。
进一步的，还包括：
训练单元，用于基于训练数据对所述卷积神经网络模型进行模型训练，其中，所述训练数据至少包括：多个训练目标的时间频率关系数据以及每一个所述训练目标的类别。
进一步的，还包括：
第四确定单元，用于从所述训练数据中选择不少于一个训练目标的时间频率关系数据作为所述卷积神经网络模型的输入，确定所述卷积神经网络模型的输出结果，基于所述输出结果及每一个所述训练目标的类别确定所述卷积神经网络模型的预测概率。
进一步的，还包括：
预处理单元，用于将获得的所述雷达连续发射的电磁波的连续反馈数据进行模数转换，得到雷达数字信号；通过第一滤波器对所述雷达数字信号进行滤波处理，得到运动目标的连续反馈数据。
一种目标检测装置，包括：
处理器，用于获得雷达连续发射的电磁波的连续反馈数据；基于每一帧反馈数据确定预测目标以及所述预测目标的位置信息；基于连续预设帧数的反馈数据、预测目标及所述预测目标的位置信息确定所述预测目标的运动轨迹；基于所述预测目标的运动轨迹通过短时傅里叶变化确定预设时长内所述预测目标的时间频率关系数据；基于预先训练得到的卷积神经网络模型及预测目标的时间频率关系数据确定预测目标的类别；
存储器，用于存储所述处理器执行上述步骤的程序。
从上述技术方案可以看出，本申请公开的目标检测方法、装置及系统，获得雷达连续发射的电磁波的连续反馈数据，基于每一帧反馈数据确定预测目标以及预测目标的位置信息，基于连续预设帧数的反馈数据、预测目标及预测目标的位置信息确定预测目标的运动轨迹，基于预测目标的运动轨迹通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据，基于预先训练得到的卷积神经网络模型及预测目标的时间频率关系数据确定预测目标的类别。本方案通过对获得的电磁波的连续反馈数据的处理得到预测目标的时间频率关系数据，并通过预测目标的时间频率关系数据以及预先训练得到的卷积神经网络模型能够预测预测目标的类别，实现了在进行目标分类时直接通过卷积神经网络实现即可，无需人工提取特征，提高了处理效率，同时降低了人力成本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种目标检测方法的流程图；
图2为本申请实施例公开的一种行人通过短时傅里叶变化后呈现的频谱图；
图3为本申请实施例公开的一种机动车通过短时傅里叶变化后呈现的频谱图；
图4为本申请实施例公开的一种非机动车通过短时傅里叶变化后呈现的频谱图；
图5为本申请实施例公开的一种目标检测方法的流程图；
图6为本申请实施例公开的一种目标检测系统的结构示意图；
图7为本申请实施例公开的一种目标检测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请公开了一种目标检测方法，其流程图如图1所示，包括：
步骤S11、获得雷达连续发射的电磁波的连续反馈数据；
步骤S12、基于每一帧反馈数据确定预测目标以及预测目标的位置信息；
步骤S13、基于连续预设帧数的反馈数据、预测目标及预测目标的位置信息确定预测目标的运动轨迹；
步骤S14、基于预测目标的运动轨迹通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据；
步骤S15、基于预先训练得到的卷积神经网络模型及预测目标的时间频率关系数据确定预测目标的类别。
在通过雷达进行目标检测时，雷达发射电磁波，当雷达发射的电磁波的辐射范围内有目标物体时，目标物体会将电磁波反射，以使检测装置能够接收到电磁波的反馈信号，即电磁波的连续反馈数据。
对电磁波的连续反馈数据进行分析处理，从而得到每一帧反馈数据中目标的相关信息，其中，目标的相关信息至少包括：目标的位置。
具体的，将该电磁波的连续反馈数据通过OS-CFAR算法在距离谱中提取出目标，其中，OS-CFAR即有序统计常数虚警率，其主要用于克服干扰目标位于背景单元中时，单元平均CFAR算法会导致检测性能下降的问题。OS-CFAR算法通过对背景电压进行排序，对选择的分位数间隔求和，以消除具有强干扰的背景单元来解决此问题。OS-CFAR算法使用噪声单元以获得检测阈值，因此，当干扰目标位于背景单元中时，不会对检测性能造成影响，从而降低误报率。
通过OS-CFAR算法提取出目标后，可得到目标的位置信息，该位置信息可以为该目标与雷达或检测装置之间的距离以及角度信息。
获得的目标可以为：行人、机动车或者非机动车等。
由于系统获得的反馈数据是连续的，即是多帧反馈数据，通过对每一帧反馈数据的检测，可确定每一帧反馈数据中目标的位置信息，当具有多帧反馈数据中，对多帧连续的反馈数据中的目标进行分析，从而可得到该目标在连续多帧的反馈数据中的位置变化信息，以便于确定该目标在连续多帧反馈数据中的运动轨迹。
具体的，可通过扩展卡尔曼跟踪，实现对目标的运动轨迹的确定。扩展卡尔曼跟踪具体为：将经过上述检测得到的目标作为输入，首先提取目标特征匹配值，采用的是将当前帧中运动目标的面积与前后两帧该目标的质心距离作为目标特征匹配值，然后利用扩展卡尔曼滤波估计该目标在下一帧特征值的位置，确定搜索范围；继续进行特征匹配，若匹配成功，用新的特征值去更新扩展卡尔曼滤波的运动模型，这是一个递归的过程，从而实现对目标的跟踪。
在确定预测目标的运动轨迹后，通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据，从而确定预测目标的类别。
具体的，预测目标的运动轨迹是基于连续预设帧数的反馈数据得到的，那么，确定的预测目标的运动轨迹是在一定时长内的运动轨迹，即预设时长，该预设时长与预设帧数相匹配。
对该预设时长内的运动轨迹进行分析得到的是预设时长内预测目标的时间频率关系数据，即通过短时傅里叶变化确定该预设时长内预测目标的频率随时间变化的趋势，以便于根据该趋势以及卷积神经网络模型确定预测目标的类型。
不同类型的目标，其频率随时间变化的趋势不同，因此，预先基于已明确类别的目标的相关数据以及目标的类别进行模型训练，得到卷积神经网络模型，以便于在确定时间频率关系数据后，能够将该时间频率关系数据作为训练完成的卷积神经网络模型的输入，从而确定输入的时间频率关系数据所对应的目标的类别，以完成基于时间频率关系对目标类别的预测。
具体的，雷达的每一帧时间为70毫秒，选取包括当前帧在内的前预设数量的帧数据，采用短时傅里叶变化提取某一时长的时间频率图，即时间频率关系。
由于目标可以为行人、机动车、非机动车，而其中，行人属于非刚体，行人运动会产生线变形速率和角变形速率，行人的躯干、手臂、大腿等部位的多普勒信息所呈现的是不同的趋势；机动车属于刚体，机动车在行驶过程中并不会有形变，也不会产生变形速度，机动车上的各点所呈现出的趋势是相同的。
短时傅里叶变化是对信号进行时间段和频率段的同步分析，能够有效的提取信号在某个时间段内频率的变化，能有效的区分行人与车辆。如图2所示为行人通过短时傅里叶变化后呈现的频谱图，能够看出行人在预设时长内的运动趋势；图3为机动车通过短时傅里叶变化后呈现的频谱图，能够看出机动车的运动趋势；图4为非机动车通过短时傅里叶变化后呈现的频谱图，能够看出非机动车的运动趋势。
在进行模型训练时，是需要多个目标的相关数据的，即训练数据，训练数据中包括多个目标的数据，其中，多个目标的数据至少包括多个目标中每个目标的类别，以及每个目标的时间频率关系数据。即训练数据中所包括的目标是已经明确类别的目标。
首先需要对多个目标的连续反馈数据进行分析，确定多个目标的时间频率关系数据，并分别将每个目标的类别以及每个目标在预设时长内的时间频率关系数据作为训练数据，对卷积神经网络模型进行训练，以便于得到精度更高的卷积神经网络。
在得到经过训练后的卷积神经网络模型后，在对该卷积神经网络模型进行应用时，将得到的预测目标的时间频率关系数据作为该卷积神经网络模型的输入，从而得到卷积神经网络模型的输出，输出的就是通过卷积神经网络模型得到的预测目标的类别。
本实施例公开的目标检测方法，获得雷达连续发射的电磁波的连续反馈数据，基于每一帧反馈数据确定预测目标以及预测目标的位置信息，基于连续预设帧数的反馈数据、预测目标及预测目标的位置信息确定预测目标的运动轨迹，基于预测目标的运动轨迹通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据，基于预先训练得到的卷积神经网络模型及预测目标的时间频率关系数据确定预测目标的类别。本方案通过对获得的电磁波的连续反馈数据的处理得到预测目标的时间频率关系数据，并通过预测目标的时间频率关系数据以及预先训练得到的卷积神经网络模型能够预测预测目标的类别，实现了在进行目标分类时直接通过卷积神经网络实现即可，无需人工提取特征，提高了处理效率，同时降低了人力成本。
本实施例公开了一种目标检测方法，其流程图如图5所示，包括：
步骤S51、基于训练数据对卷积神经网络模型进行训练，其中，训练数据至少包括：多个训练目标的时间频率关系数据以及每一个训练目标的类别；
步骤S52、从训练数据中选择不少于一个训练目标的时间频率关系数据作为卷积神经网络模型的输入，确定卷积神经网络模型的输出结果；
步骤S53、基于输出结果及每一个训练目标的类别确定卷积神经网络模型的预测概率；
步骤S54、获得雷达连续发射的电磁波的连续反馈数据；
步骤S55、基于每一帧反馈数据确定预测目标及预测目标的位置信息；
步骤S56、基于连续预设帧数的反馈数据、预测目标及预测目标的位置信息确定预测目标的运动轨迹；
步骤S57、基于预测目标的运动轨迹通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据；
步骤S58、基于预先训练得到的卷积神经网络模型及预测目标的时间频率关系数据确定预测目标的类别。
在经过模型训练得到卷积神经网络模型之后，还需要从训练数据中选取一些参数作为测试数据，对该卷积神经网络模型进行测试，以确定该模型能够预测出目标类型的概率。
即从训练数据中选取多个训练目标的相关数据，将训练目标的时间频率关系数据作为模型的输入，获得卷积神经网络模型的输出，将该输出与训练目标的类型进行比对，确定是否准确，当有多个训练目标分别对该卷积神经网络模型进行测试时，就可以得到该卷积神经网络模型预测出目标类型的概率。
进一步的，当得到的卷积神经网络预测出目标类型的概率大于某一预设概率值时，可确定该目标识别稳定，可以进行相关的分类输出，若得到的概率未大于该预设概率值，则表明该目标识别结果不稳定，不能将该识别结果作为用于对目标进行分类的结果的依据。
对得到的概率做平滑处理，具体的，
P_now＝k1*P_now+k2*P_pre
其中，k1、k2为平滑的权重，P_now为该目标在当前帧属于经过训练得到的类别的概率值，P_pre为该目标在上一帧中属于经过训练得到的类别的概率值。
进一步的，基于预测目标的运动轨迹通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据，其中，对于一个目标的反馈数据s可以为：
s＝i+1i×q
i为I通道数据，q为Q通道数据，li为虚数符号，则上述公式s为其复数形式。
通过短时傅里叶变化，其具体计算公式为：
Figure BDA0003318805850000091
其中，n为目标的反馈数据的点数，w为频率的点数，r[m-n]为窗函数。最终得到的STFT(n，w)为一个M*N的矩阵L，m为循环变量，取值为1到n，M为时域的长度，N为频率的长度。
需要说明的是，在确定目标的频谱图时，可以采用短时傅里叶变化的方式，也可以采用小波变换的方式进行，在此并不进行限定。
在得到多个训练目标的时间频率关系数据以及类别后，进行模型训练，具体的，构造卷积神经网络，卷积神经网络由2个卷积层，2个下采样层，1个Dropout层，3个全连接层，每个卷积层采用ReLU激活函数，卷积层步长为2。每层卷积层分别对应设置一个池化层，每个卷积层采用ReLU激活函数，最终通过全连接层生成一个1维向量，输出层采用softmax分类器。
训练数据的样本集每次通过随机选取的方式来训练神经网络，每次选择一个数量的训练样本以完成参数的更新，参数更新采用引入动量因子的方式。
在训练卷积神经网络时，使用能使损失函数下降的最大学习率改变参数，例如：初始学习率设为1，在训练了50次之后，学习率降低为0.1。
在训练卷积神经网络时，所使用的损失函数使用12正则化的交叉熵损失函数，且损失函数表达式可以如下所示：
Figure BDA0003318805850000101
其中，M为类别的数量，yic为符号函数，为0或1，如果当前类别为样本i的真实类别，则c为1，否则c为0，pic用于观测样本i属于类别c的预测概率。
其中，为了判断模型在测试集中准确度是否达到最高，防止过拟合，设置终止训练门限。将卷积神经网络训练得到的参数作为实际预测的参数。
进一步的，本实施例公开的目标检测方法，还可以包括：
将获得的雷达连续发射的电磁波的连续反馈数据进行模数转换，得到雷达数字信号，通过第一滤波器对雷达数字信号进行滤波处理，得到运动目标的连续反馈数据。
具体的，对最初获得的连续反馈数据进行模数转换后，得到的雷达数字信号，进行一维的傅里叶变换，之后通过第一滤波器进行滤波处理。
其中，第一滤波器可以为4阶的高通滤波器，用于滤除0.04Hz以下的信号，得到滤除相应信号后的数据，最终得到的数据仅对应运动目标的连续反馈数据，即通过第一滤波器滤除的是静止物体的反馈数据。
本实施例公开的目标检测方法，获得雷达连续发射的电磁波的连续反馈数据，基于每一帧反馈数据确定预测目标以及预测目标的位置信息，基于连续预设帧数的反馈数据、预测目标及预测目标的位置信息确定预测目标的运动轨迹，基于预测目标的运动轨迹通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据，基于预先训练得到的卷积神经网络模型及预测目标的时间频率关系数据确定预测目标的类别。本方案通过对获得的电磁波的连续反馈数据的处理得到预测目标的时间频率关系数据，并通过预测目标的时间频率关系数据以及预先训练得到的卷积神经网络模型能够预测预测目标的类别，实现了在进行目标分类时直接通过卷积神经网络实现即可，无需人工提取特征，提高了处理效率，同时降低了人力成本。
本实施例公开了一种目标检测系统，其结构示意图如图6所示，包括：
获得单元61，第一确定单元62，第二确定单元63，第三确定单元64及预测单元65。
其中，获得单元61用于获得雷达连续发射的电磁波的连续反馈数据；
第一确定单元62用于基于每一帧反馈数据确定预测目标以及预测目标的位置信息；
第二确定单元63用于基于连续预设帧数、预测目标及预测目标的位置信息确定预测目标的运动轨迹；
第三确定单元64用于基于预测目标的运动轨迹通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据；
预测单元65用于基于预先训练得到的卷积神经网络模型及预测目标的时间频率关系数据确定预测目标的类别。
在通过雷达进行目标检测时，雷达发射电磁波，当雷达发射的电磁波的辐射范围内有目标物体时，目标物体会将电磁波反射，以使检测装置能够接收到电磁波的反馈信号，即电磁波的连续反馈数据。
对电磁波的连续反馈数据进行分析处理，从而得到每一帧反馈数据中目标的相关信息，其中，目标的相关信息至少包括：目标的位置。
具体的，将该电磁波的连续反馈数据通过OS-CFAR算法在距离谱中提取出目标，其中，OS-CFAR即有序统计常数虚警率，其主要用于克服干扰目标位于背景单元中时，单元平均CFAR算法会导致检测性能下降的问题。OS-CFAR算法通过对背景电压进行排序，对选择的分位数间隔求和，以消除具有强干扰的背景单元来解决此问题。OS-CFAR算法使用噪声单元以获得检测阈值，因此，当干扰目标位于背景单元中时，不会对检测性能造成影响，从而降低误报率。
通过OS-CFAR算法提取出目标后，可得到目标的位置信息，该位置信息可以为该目标与雷达或检测装置之间的距离以及角度信息。
获得的目标可以为：行人、机动车或者非机动车等。
由于系统获得的反馈数据是连续的，即是多帧反馈数据，通过对每一帧反馈数据的检测，可确定每一帧反馈数据中目标的位置信息，当具有多帧反馈数据中，对多帧连续的反馈数据中的目标进行分析，从而可得到该目标在连续多帧的反馈数据中的位置变化信息，以便于确定该目标在连续多帧反馈数据中的运动轨迹。
具体的，可通过扩展卡尔曼跟踪，实现对目标的运动轨迹的确定。扩展卡尔曼跟踪具体为：将经过上述检测得到的目标作为输入，首先提取目标特征匹配值，采用的是将当前帧中运动目标的面积与前后两帧该目标的质心距离作为目标特征匹配值，然后利用扩展卡尔曼滤波估计该目标在下一帧特征值的位置，确定搜索范围；继续进行特征匹配，若匹配成功，用新的特征值去更新扩展卡尔曼滤波的运动模型，这是一个递归的过程，从而实现对目标的跟踪。
在确定预测目标的运动轨迹后，通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据，从而确定预测目标的类别。
具体的，预测目标的运动轨迹是基于连续预设帧数的反馈数据得到的，那么，确定的预测目标的运动轨迹是在一定时长内的运动轨迹，即预设时长，该预设时长与预设帧数相匹配。
对该预设时长内的运动轨迹进行分析得到的是预设时长内预测目标的时间频率关系数据，即通过短时傅里叶变化确定该预设时长内预测目标的频率随时间变化的趋势，以便于根据该趋势以及卷积神经网络模型确定预测目标的类型。
不同类型的目标，其频率随时间变化的趋势不同，因此，预先基于已明确类别的目标的相关数据以及目标的类别进行模型训练，得到卷积神经网络模型，以便于在确定时间频率关系数据后，能够将该时间频率关系数据作为训练完成的卷积神经网络模型的输入，从而确定输入的时间频率关系数据所对应的目标的类别，以完成基于时间频率关系对目标类别的预测。
具体的，雷达的每一帧时间为70毫秒，选取包括当前帧在内的前预设数量的帧数据，采用短时傅里叶变化提取某一时长的时间频率图，即时间频率关系。
由于目标可以为行人、机动车、非机动车，而其中，行人属于非刚体，行人运动会产生线变形速率和角变形速率，行人的躯干、手臂、大腿等部位的多普勒信息所呈现的是不同的趋势；机动车属于刚体，机动车在行驶过程中并不会有形变，也不会产生变形速度，机动车上的各点所呈现出的趋势是相同的。
短时傅里叶变化是对信号进行时间段和频率段的同步分析，能够有效的提取信号在某个时间段内频率的变化，能有效的区分行人与车辆。如图2所示为行人通过短时傅里叶变化后呈现的频谱图，能够看出行人在预设时长内的运动趋势；图3为机动车通过短时傅里叶变化后呈现的频谱图，能够看出机动车的运动趋势；图4为非机动车通过短时傅里叶变化后呈现的频谱图，能够看出非机动车的运动趋势。
在进行模型训练时，是需要多个目标的相关数据的，即训练数据，训练数据中包括多个目标的数据，其中，多个目标的数据至少包括多个目标中每个目标的类别，以及每个目标的时间频率关系数据。即训练数据中所包括的目标是已经明确类别的目标。
首先需要对多个目标的连续反馈数据进行分析，确定多个目标的时间频率关系数据，并分别将每个目标的类别以及每个目标在预设时长内的时间频率关系数据作为训练数据，对卷积神经网络模型进行训练，以便于得到精度更高的卷积神经网络。
进一步的，本实施例公开的目标检测系统，还可以包括：第四确定单元。
第四确定单元用于从训练数据中选择不少于一个训练目标的时间频率关系数据作为卷积神经网络模型的输入，确定卷积神经网络模型的输出结果，基于输出结果及每一个训练目标的类别确定卷积神经网络模型的预测概率。
在经过模型训练得到卷积神经网络模型之后，还需要从训练数据中选取一些参数作为测试数据，对该卷积神经网络模型进行测试，以确定该模型能够预测出目标类型的概率。
即从训练数据中选取多个训练目标的相关数据，将训练目标的时间频率关系数据作为模型的输入，获得卷积神经网络模型的输出，将该输出与训练目标的类型进行比对，确定是否准确，当有多个训练目标分别对该卷积神经网络模型进行测试时，就可以得到该卷积神经网络模型预测出目标类型的概率。
进一步的，当得到的卷积神经网络预测出目标类型的概率大于某一预设概率值时，可确定该目标识别稳定，可以进行相关的分类输出，若得到的概率未大于该预设概率值，则表明该目标识别结果不稳定，不能将该识别结果作为用于对目标进行分类的结果的依据。
对得到的概率做平滑处理，具体的，
P＝k1*P+k2*P_now
其中，k1、k2为平滑的权重，P_now为该目标在当前帧属于经过训练得到的类别的概率值，P_pre为该目标在上一帧中属于经过训练得到的类别的概率值。
进一步的，基于预测目标的运动轨迹通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据，其中，对于一个目标的反馈数据s可以为：
s＝i+1i×q
i为I通道数据，q为Q通道数据，1i为虚数符号，则上述公式s为其复数形式。
通过短时傅里叶变化，其具体计算公式为：
Figure BDA0003318805850000151
其中，n为目标的反馈数据的点数，w为频率的点数，r[m-n]为窗函数。最终得到的STFT(n，w)为一个M*N的矩阵L，m为循环变量，取值为1到n，M为时域的长度，N为频率的长度。
需要说明的是，在确定目标的频谱图时，可以采用短时傅里叶变化的方式，也可以采用小波变换的方式进行，在此并不进行限定。
在得到多个训练目标的时间频率关系数据以及类别后，进行模型训练，具体的，构造卷积神经网络，卷积神经网络由2个卷积层，2个下采样层，1个Dropout层，3个全连接层，每个卷积层采用ReLU激活函数，卷积层步长为2。每层卷积层分别对应设置一个池化层，每个卷积层采用ReLU激活函数，最终通过全连接层生成一个1维向量，输出层采用softmax分类器。
训练数据的样本集每次通过随机选取的方式来训练神经网络，每次选择一个数量的训练样本以完成参数的更新，参数更新采用引入动量因子的方式。
在训练卷积神经网络时，使用能使损失函数下降的最大学习率改变参数，例如：初始学习率设为1，在训练了50次之后，学习率降低为0.1。
在训练卷积神经网络时，所使用的损失函数使用12正则化的交叉熵损失函数，且损失函数表达式可以如下所示：
Figure BDA0003318805850000152
其中，M为类别的数量，yic为符号函数，为0或1，如果当前类别为样本i的真实类别，则c为1，否则c为0，pic用于观测样本i属于类别c的预测概率。
其中，为了判断模型在测试集中准确度是否达到最高，防止过拟合，设置终止训练门限。将卷积神经网络训练得到的参数作为实际预测的参数。
进一步的，本实施例公开的目标检测方法，还可以包括：
将获得的雷达连续发射的电磁波的连续反馈数据进行模数转换，得到雷达数字信号，通过第一滤波器对雷达数字信号进行滤波处理，得到运动目标的连续反馈数据。
具体的，对最初获得的连续反馈数据进行模数转换后，得到的雷达数字信号，进行一维的傅里叶变换，之后通过第一滤波器进行滤波处理。
其中，第一滤波器可以为4阶的高通滤波器，用于滤除0.04Hz以下的信号，得到滤除相应信号后的数据，最终得到的数据仅对应运动目标的连续反馈数据，即通过第一滤波器滤除的是静止物体的反馈数据。
本实施例公开的目标检测系统，获得雷达连续发射的电磁波的连续反馈数据，基于每一帧反馈数据确定预测目标以及预测目标的位置信息，基于连续预设帧数的反馈数据、预测目标及预测目标的位置信息确定预测目标的运动轨迹，基于预测目标的运动轨迹通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据，基于预先训练得到的卷积神经网络模型及预测目标的时间频率关系数据确定预测目标的类别。本方案通过对获得的电磁波的连续反馈数据的处理得到预测目标的时间频率关系数据，并通过预测目标的时间频率关系数据以及预先训练得到的卷积神经网络模型能够预测预测目标的类别，实现了在进行目标分类时直接通过卷积神经网络实现即可，无需人工提取特征，提高了处理效率，同时降低了人力成本。
本实施例公开了一种目标检测装置，其结构示意图如图7所示，包括：
处理器71及存储器72。
处理器71用于获得雷达连续发射的电磁波的连续反馈数据；基于每一帧反馈数据确定预测目标以及预测目标的位置信息；基于连续预设帧数的反馈数据、预测目标及预测目标的位置信息确定预测目标的运动轨迹；基于预测目标的运动轨迹通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据，基于预先训练得到的卷积神经网络模型及预测目标的时间频率关系数据确定预测目标的类别；
存储器，用于存储处理器执行上述步骤的程序。
本实施例公开的目标检测装置是基于上述实施例公开的目标检测方法实现的，在此不再赘述。
本实施例公开的目标检测装置，获得雷达连续发射的电磁波的连续反馈数据，基于每一帧反馈数据确定预测目标以及预测目标的位置信息，基于连续预设帧数的反馈数据、预测目标及预测目标的位置信息确定预测目标的运动轨迹，基于预测目标的运动轨迹通过短时傅里叶变化确定预设时长内预测目标的时间频率关系数据，基于预先训练得到的卷积神经网络模型及预测目标的时间频率关系数据确定预测目标的类别。本方案通过对获得的电磁波的连续反馈数据的处理得到预测目标的时间频率关系数据，并通过预测目标的时间频率关系数据以及预先训练得到的卷积神经网络模型能够预测预测目标的类别，实现了在进行目标分类时直接通过卷积神经网络实现即可，无需人工提取特征，提高了处理效率，同时降低了人力成本。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种目标检测方法，其特征在于，包括：
获得雷达连续发射的电磁波的连续反馈数据；
基于每一帧反馈数据确定预测目标以及所述预测目标的位置信息；
基于连续预设帧数的反馈数据、预测目标及所述预测目标的位置信息确定所述预测目标的运动轨迹；
基于所述预测目标的运动轨迹通过短时傅里叶变化确定预设时长内所述预测目标的时间频率关系数据；
基于预先训练得到的卷积神经网络模型及所述预测目标的时间频率关系数据确定所述预测目标的类别。
2.根据权利要求1所述的方法，其特征在于，还包括：
基于训练数据对所述卷积神经网络模型进行模型训练，其中，所述训练数据至少包括：多个训练目标的时间频率关系数据以及每一个所述训练目标的类别。
3.根据权利要求2所述的方法，其特征在于，还包括：
从所述训练数据中选择不少于一个训练目标的时间频率关系数据作为所述卷积神经网络模型的输入，确定所述卷积神经网络模型的输出结果；
基于所述输出结果及每一个所述训练目标的类别确定所述卷积神经网络模型的预测概率。
4.根据权利要求1所述的方法，其特征在于，所述基于每一帧反馈数据确定预测目标以及所述预测目标的位置信息，包括：
基于每一帧反馈数据通过预设算法确定所述预测目标与所述雷达之间的距离及角度关系。
5.根据权利要求1所述的方法，其特征在于，还包括：
将获得的所述雷达连续发射的电磁波的连续反馈数据进行模数转换，得到雷达数字信号；
通过第一滤波器对所述雷达数字信号进行滤波处理，得到运动目标的连续反馈数据。
6.一种目标检测系统，其特征在于，包括：
获得单元，用于获得雷达连续发射的电磁波的连续反馈数据；
第一确定单元，用于基于每一帧反馈数据确定预测目标以及所述预测目标的位置信息；
第二确定单元，用于基于连续预设帧数、预测目标及所述预测目标的位置信息确定所述预测目标的运动轨迹；
第三确定单元，用于基于所述预测目标的运动轨迹通过短时傅里叶变化确定预设时长内所述预测目标的时间频率关系数据；
预测单元，用于基于预先训练得到的卷积神经网络模型及所述预测目标的时间频率关系数据确定所述预测目标的类别。
7.根据权利要求6所述的系统，其特征在于，还包括：
训练单元，用于基于训练数据对所述卷积神经网络模型进行模型训练，其中，所述训练数据至少包括：多个训练目标的时间频率关系数据以及每一个所述训练目标的类别。
8.根据权利要求7所述的系统，其特征在于，还包括：
第四确定单元，用于从所述训练数据中选择不少于一个训练目标的时间频率关系数据作为所述卷积神经网络模型的输入，确定所述卷积神经网络模型的输出结果，基于所述输出结果及每一个所述训练目标的类别确定所述卷积神经网络模型的预测概率。
9.根据权利要求6所述的系统，其特征在于，还包括：
预处理单元，用于将获得的所述雷达连续发射的电磁波的连续反馈数据进行模数转换，得到雷达数字信号；通过第一滤波器对所述雷达数字信号进行滤波处理，得到运动目标的连续反馈数据。
10.一种目标检测装置，其特征在于，包括：
处理器，用于获得雷达连续发射的电磁波的连续反馈数据；基于每一帧反馈数据确定预测目标以及所述预测目标的位置信息；基于连续预设帧数的反馈数据、预测目标及所述预测目标的位置信息确定所述预测目标的运动轨迹；基于所述预测目标的运动轨迹通过短时傅里叶变化确定预设时长内所述预测目标的时间频率关系数据；基于预先训练得到的卷积神经网络模型及预测目标的时间频率关系数据确定预测目标的类别；
存储器，用于存储所述处理器执行上述步骤的程序。
CN202111239793.9A 2021-10-25 2021-10-25 一种目标检测方法、装置及系统 Active CN113985393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111239793.9A CN113985393B (zh) 2021-10-25 2021-10-25 一种目标检测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111239793.9A CN113985393B (zh) 2021-10-25 2021-10-25 一种目标检测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN113985393A true CN113985393A (zh) 2022-01-28
CN113985393B CN113985393B (zh) 2024-04-16

Family

ID=79740866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111239793.9A Active CN113985393B (zh) 2021-10-25 2021-10-25 一种目标检测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN113985393B (zh)

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597411A (zh) * 2016-12-30 2017-04-26 无锡市雷华科技有限公司 雷达信号处理方法
CN108459311A (zh) * 2018-03-22 2018-08-28 三明学院 基于Hough变换的卷积神经网络下微多普勒目标分类方法
CN108920993A (zh) * 2018-03-23 2018-11-30 武汉雷博合创电子科技有限公司 一种基于雷达及多网络融合的行人姿态识别方法及系统
CN109407067A (zh) * 2018-10-13 2019-03-01 中国人民解放军海军航空大学 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法
CN110045348A (zh) * 2019-05-05 2019-07-23 应急管理部上海消防研究所 一种基于改进卷积神经网络的人体运动状态分类方法
US20190317191A1 (en) * 2018-04-11 2019-10-17 Infineon Technologies Ag Human Detection and Identification in a Setting Using Millimiter-Wave Radar
CN110647788A (zh) * 2018-12-28 2020-01-03 南京华曼吉特信息技术研究院有限公司 一种基于微多普勒特征的人类日常行为分类方法
CN110780289A (zh) * 2019-10-23 2020-02-11 北京信息科技大学 基于场景雷达的多目标车辆跟踪方法及装置
CN110927706A (zh) * 2019-12-10 2020-03-27 电子科技大学 基于卷积神经网络的雷达干扰检测识别方法
CN111160176A (zh) * 2019-12-19 2020-05-15 南京理工大学 基于融合特征的一维卷积神经网络地面雷达目标分类方法
CN111178331A (zh) * 2020-01-20 2020-05-19 深圳大学 雷达图像识别系统、方法、设备及计算机可读存储介质
CN111220958A (zh) * 2019-12-10 2020-06-02 西安宁远电子电工技术有限公司 基于一维卷积神经网络的雷达目标多普勒像分类识别方法
CN111310583A (zh) * 2020-01-19 2020-06-19 中国科学院重庆绿色智能技术研究院 一种基于改进的长短期记忆网络的车辆异常行为识别方法
CN111983595A (zh) * 2020-07-14 2020-11-24 北京航空航天大学杭州创新研究院 一种室内定位的方法及装置
CN112001270A (zh) * 2020-08-03 2020-11-27 南京理工大学 基于一维卷积神经网络的地面雷达自动目标分类识别方法
CN112115863A (zh) * 2020-09-18 2020-12-22 成都理工大学 基于多普勒雷达时频图像序列与交叉卷积神经网络人体动作重构方法及系统
CN112485783A (zh) * 2020-09-29 2021-03-12 北京清瑞维航技术发展有限公司 目标探测方法、装置、计算机设备和存储介质
CN112731380A (zh) * 2020-12-16 2021-04-30 路晟悠拜(重庆)科技有限公司 一种基于毫米波的人体智能监测方法及监测设备
CN113093170A (zh) * 2021-06-07 2021-07-09 长沙莫之比智能科技有限公司 一种基于knn算法的毫米波雷达室内人员检测方法
CN113126086A (zh) * 2020-12-30 2021-07-16 西安电子科技大学 一种基于状态预测积累的生命探测雷达弱目标检测方法
CN113221631A (zh) * 2021-03-22 2021-08-06 西安电子科技大学 基于卷积神经网络的序列脉冲抗干扰目标检测方法
CN113486777A (zh) * 2021-07-02 2021-10-08 北京一维大成科技有限公司 一种目标对象的行为分析方法、装置、电子设备及存储介质

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106597411A (zh) * 2016-12-30 2017-04-26 无锡市雷华科技有限公司 雷达信号处理方法
CN108459311A (zh) * 2018-03-22 2018-08-28 三明学院 基于Hough变换的卷积神经网络下微多普勒目标分类方法
CN108920993A (zh) * 2018-03-23 2018-11-30 武汉雷博合创电子科技有限公司 一种基于雷达及多网络融合的行人姿态识别方法及系统
US20190317191A1 (en) * 2018-04-11 2019-10-17 Infineon Technologies Ag Human Detection and Identification in a Setting Using Millimiter-Wave Radar
CN109407067A (zh) * 2018-10-13 2019-03-01 中国人民解放军海军航空大学 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法
CN110647788A (zh) * 2018-12-28 2020-01-03 南京华曼吉特信息技术研究院有限公司 一种基于微多普勒特征的人类日常行为分类方法
CN110045348A (zh) * 2019-05-05 2019-07-23 应急管理部上海消防研究所 一种基于改进卷积神经网络的人体运动状态分类方法
CN110780289A (zh) * 2019-10-23 2020-02-11 北京信息科技大学 基于场景雷达的多目标车辆跟踪方法及装置
CN110927706A (zh) * 2019-12-10 2020-03-27 电子科技大学 基于卷积神经网络的雷达干扰检测识别方法
CN111220958A (zh) * 2019-12-10 2020-06-02 西安宁远电子电工技术有限公司 基于一维卷积神经网络的雷达目标多普勒像分类识别方法
CN111160176A (zh) * 2019-12-19 2020-05-15 南京理工大学 基于融合特征的一维卷积神经网络地面雷达目标分类方法
CN111310583A (zh) * 2020-01-19 2020-06-19 中国科学院重庆绿色智能技术研究院 一种基于改进的长短期记忆网络的车辆异常行为识别方法
CN111178331A (zh) * 2020-01-20 2020-05-19 深圳大学 雷达图像识别系统、方法、设备及计算机可读存储介质
CN111983595A (zh) * 2020-07-14 2020-11-24 北京航空航天大学杭州创新研究院 一种室内定位的方法及装置
CN112001270A (zh) * 2020-08-03 2020-11-27 南京理工大学 基于一维卷积神经网络的地面雷达自动目标分类识别方法
CN112115863A (zh) * 2020-09-18 2020-12-22 成都理工大学 基于多普勒雷达时频图像序列与交叉卷积神经网络人体动作重构方法及系统
CN112485783A (zh) * 2020-09-29 2021-03-12 北京清瑞维航技术发展有限公司 目标探测方法、装置、计算机设备和存储介质
CN112731380A (zh) * 2020-12-16 2021-04-30 路晟悠拜(重庆)科技有限公司 一种基于毫米波的人体智能监测方法及监测设备
CN113126086A (zh) * 2020-12-30 2021-07-16 西安电子科技大学 一种基于状态预测积累的生命探测雷达弱目标检测方法
CN113221631A (zh) * 2021-03-22 2021-08-06 西安电子科技大学 基于卷积神经网络的序列脉冲抗干扰目标检测方法
CN113093170A (zh) * 2021-06-07 2021-07-09 长沙莫之比智能科技有限公司 一种基于knn算法的毫米波雷达室内人员检测方法
CN113486777A (zh) * 2021-07-02 2021-10-08 北京一维大成科技有限公司 一种目标对象的行为分析方法、装置、电子设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
I.T. HARMAN ET AL.: "Insect monitoring radar: analytical time-domain algorithm for retrieving trajectory and target parameters", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 *
丁一鹏;吴世有;王伟;方广有;: "一种基于高维频率拟合技术的恒虚警穿墙雷达目标定位算法", 电子与信息学报, no. 06 *
王蕴红 等: "基于短时傅里叶变换及奇异值特征提取的目标识别方法", 《信号处理》, vol. 14, no. 2 *
郭尊华;李达;张伯彦;: "雷达高距离分辨率一维像目标识别", 系统工程与电子技术, no. 01 *
黎耿;黎向阳;张军;: "要地警戒雷达目标特征提取及分类研究", 雷达科学与技术, no. 02 *

Also Published As

Publication number Publication date
CN113985393B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
Kong et al. Sound event detection of weakly labelled data with cnn-transformer and automatic threshold optimization
EP3440598B1 (en) Frequency based audio analysis using neural networks
Liu et al. Deep learning and recognition of radar jamming based on CNN
CN113033473B (zh) 基于st2dcnn+se的雷达重叠信号识别方法
CN110133599A (zh) 基于长短时记忆模型的智能雷达辐射源信号分类方法
CN111813222B (zh) 一种基于太赫兹雷达的精细动态手势识别方法
CN110619264B (zh) 基于UNet++的微地震有效信号识别方法及装置
Yessad et al. Micro-Doppler classification for ground surveillance radar using speech recognition tools
CN109543615A (zh) 一种基于多级特征的双学习模型目标跟踪方法
Ristea et al. Estimating the magnitude and phase of automotive radar signals under multiple interference sources with fully convolutional networks
CN110660080A (zh) 一种基于学习率调整融合多层卷积特征的多尺度目标跟踪方法
CN103994820B (zh) 一种基于微孔径麦克风阵列的运动目标识别方法
CN114114166A (zh) 一种基于dtm算法的雷达脉冲去交错方法
CN113762130A (zh) 一种毫米波雷达手势检测识别方法
Bulatović et al. Mel-spectrogram features for acoustic vehicle detection and speed estimation
Kwon et al. Human detection by deep neural networks recognizing micro-Doppler signals of radar
CN115310477A (zh) 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统
Zhang et al. Target detection for HFSWR based on an S 3 D algorithm
WO2020061346A1 (en) Methods and apparatuses for tracking weak signal traces
CN110660077A (zh) 一种融合多个特征的多尺度目标跟踪方法
CN114282576A (zh) 基于时频分析及去噪的雷达信号调制格式识别方法及装置
CN112327286B (zh) 低复杂度下日常活动分类方法、装置、设备及存储介质
CN113985393B (zh) 一种目标检测方法、装置及系统
CN115600101B (zh) 一种基于先验知识的无人机信号智能检测方法及装置
CN117233706A (zh) 一种基于多层通道注意力机制的雷达有源干扰识别方法

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