CN114002658A - 基于点迹曲线关联曲线分离的雷达目标微动特征提取方法 - Google Patents
基于点迹曲线关联曲线分离的雷达目标微动特征提取方法 Download PDFInfo
- Publication number
- CN114002658A CN114002658A CN202111615411.8A CN202111615411A CN114002658A CN 114002658 A CN114002658 A CN 114002658A CN 202111615411 A CN202111615411 A CN 202111615411A CN 114002658 A CN114002658 A CN 114002658A
- Authority
- CN
- China
- Prior art keywords
- curve
- interval
- micro
- trace
- point
- 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (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
本发明公开一种基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,步骤包括:S01.获取雷达回波进行雷达信号处理,得到时频数据;S02.将时频数据输入至U‑Net网络中,以对微多普勒曲线所在时频区域进行定位;S03.对定位的时频区域中点迹进行凝聚处理,得到各散射中心的微多普勒点迹;S04.根据点迹凝聚结果,依据每个时刻的信号分量数进行区间划分,并将每个区间的各个子信号分量进行关联;S05.对各区间进行插值后,对各个区间的点迹依次进行关联,实现微多普勒曲线的分离;S06.根据分离出的微多普勒曲线进行目标微动特征提取。本发明具有实现方法简单、计算量小、分离精度以及可靠性高、鲁棒性强等优点。
Description
技术领域
本发明涉及雷达目标微动特征提取技术领域,尤其涉及一种基于点迹曲线关联曲线分离的雷达目标微动特征提取方法。
背景技术
基于传统特征量的空间目标识别技术可靠性低,雷达目标识别与反识别正朝着精细特征的方向发展,将尺寸特征和微动特征等精细化特征应用于空间中段目标识别是目前的一个研究热点。微动特征自引入微波雷达领域以来,在目标探测与识别领域的价值日益凸显,被广泛应用于车辆、飞机、空间目标等的分类识别任务中。由于受如有限载荷、运动轨迹设定和大气干扰等因素,使得空间目标的质量分布特征和运动特征,尤其是外界干扰激励的振动、翻滚和进动等小幅运动的控制能力目前还较低。微动特征能够反映目标的电磁散射特性、几何结构特性和运动特性,是目标识别的一种有效特征,因此微动特征对于雷达目标探测与识别具有重要意义。
微多普勒曲线的分离是实现雷达微动目标特征提取与参数估计的关键。目前针对于微多普勒曲线分离主要分为变换域类、点迹-曲线关联类、最优路径搜寻等三类算法,分别为:
1、变换域类分类方法,如拓展霍夫变换、randon变换等,是通过将时频曲线转换到相应的参数空间,对微动曲线的参数进行估计。
该类方法需要完全已知目标运动形式,均需要假定雷达目标满足正旋调制,然而实际中雷达目标运动形式未知,因而难以实际应用,且随着待定参数的增多,由于需要对各个参数进行遍历,运算量也会急剧增加。
2、点迹-曲线关联类方法,是通过对骨架提取、点迹凝聚以及时频脊检测算法得到微多普勒曲线,然后通过一定的策略进行匹配关联。
目前骨架提取、点迹凝聚以及时频脊检测算法在低信噪比条件下可靠性低,因而只能够适用于信号具有很高的信噪比情况下。其他如基于趋势估计或交叉区域前后点迹斜率变化等策略进行点迹关联的算法,当存在噪声点迹时曲线趋势估计以及斜率计算可能与实际偏差较大时,如果多普勒曲线存在中断情况,则无法进行趋势估计和斜率计算,导致关联算法失效,且该类算法都需要已知信号分量数目,然而对于非合作的空间目标而言无法预先获知信号分量数目。
3、最优路径类方法,主要采用基于Viterbi(维特比)、蚁群算法等的曲线分离算法实现。
Viterbi将动态规划思想应用中频估计,具有一定的抗噪能力,但由于只考虑了时频幅值和绝对频率变化,因而极易出现提取的曲线与实际微多普勒曲线不匹配的问题;虽然可通过叠加全局约束、分段思想、自适应视场簇匹配等方式对维特比算法进行改进,得到目标微多普勒曲线的最佳匹配路径,但是又会导致计算量急剧增加的问题,不适用于实时性要求较高的空间目标识别中;蚁群优化(ACO)的中频估计方法考虑到中频边缘代表具有高能量的图像片段,以克服高噪声影响,但是极易陷入局部最优,且计算量大,只适用于单分量信号。
综上,由于雷达目标微动特征提取中微多普勒曲线在时频域内严重交叠,同时可能存在噪声、中断等复杂情况,现有技术中微多普勒曲线的分离方法,会存在计算量大、可靠性和鲁棒性低等问题,且往往还会需要依赖于空间目标已知的信息。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、计算量小、分离精度以及可靠性高、鲁棒性强的基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,能够适用于不同复杂条件下实现高精度的微多普勒曲线分离。
为解决上述技术问题,本发明提出的技术方案为:
一种基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,步骤包括:
S01.雷达信号处理:获取对雷达目标的雷达回波进行雷达信号处理,得到含有待分离微多普勒谱曲线的时频数据;
S02.U-Net分割:将含有待分离微多普勒谱曲线的所述时频数据输入至U-Net网络中进行分割,以对微多普勒曲线所在时频区域进行定位;
S03.点迹凝聚:根据步骤S01中U-Net网络的分割结果进行点迹凝聚处理,得到各散射中心的微多普勒点迹;
S04.点迹处理:根据步骤S02的点迹凝聚结果,依据每个时刻的信号分量数进行区间划分,并将每个区间的各个子信号分量进行关联;
S05.曲线关联:基于内插法和曲线平滑度函数对各个区间的点迹依次进行关联,实现微多普勒曲线的分离;
S06.微动特征提取:根据步骤S05分离出的微多普勒曲线进行雷达目标微动特征提取。
进一步的,所述步骤S02中,所述U-Net网络预先使用博弈对抗生成模型的训练方式进行训练,即以U-Net结构为生成器、多层卷积神经网络为判别器,将训练数据集输入至U-Net网络,所述U-Net网络输出分割图像,由判别网络对生成的所述分割图像进行真假判别,由所述判别器对数据来源是否为真实数据进行真假判别,所述生成器拟合真实数据以混淆判别器判断, 使得生成器生成数据被判别为真实数据,直至完成双方博弈对抗训练。
进一步的,所述步骤S03的步骤包括:
S301.对所述时频数据中每个时刻的点做凝聚处理,即将每一时间的各个散射中心的频点数据质心作为瞬时多普勒频率估计值;
进一步的,所述频点数据质心的计算公式为:
进一步的,所述步骤S04中,依据时间轴上出现的连续信号分量数对整个采样时间
进行划分,其中以两直线切角,确定交叉区间的长度范围为,为预设点迹合并阈值;对于0到T范围内的区间长度,其中T为采样时间,根据所述交叉区
间的长度范围设置阈值进行区间划分,区间长度小于交叉区间长度最小值为异常区间,区
间前后信号分量数一致且大于交叉区间长度最大阈值时为遮挡区间;具体以时为异常区间,处理时将所述异常区间与临近区间合并,当前后区间信
号分量一样时,且区间长度时为交叉区间,时
为遮挡区间,除上述以外的其余区间为正常区间。
进一步的,所述步骤S04中,采用K-means聚类算法或者NNSA算法对每个区间各个子信函分量进行关联,以及通过三次样条插值对缺失值进行补全。
进一步的,所述步骤S05包括:对各划分后的区间中,对第i个交叉区间先使用
多项式插值得到区间信息,然后通过曲线平滑度函数对上一个区间和下一个区间的曲线进行关联处理;对遮挡区间和正常区间不做插值处理,直接通过曲线平滑度函
数向下一区间进行曲线的关联处理。
根据计算得到的平滑度进行所述曲线的关联处理,具体按照下式计算得到最佳的关联曲线:
一种基于点迹曲线关联曲线分离的雷达目标微动特征提取装置,包括:
雷达信号处理模块,用于获取对雷达目标的雷达回波进行雷达信号处理,得到含有待分离微多普勒谱曲线的时频数据;
U-Net分割模块,用于将含有待分离微多普勒谱曲线的时频数据输入至U-Net网络中进行分割,以对微多普勒曲线所在时频区域进行定位;
点迹凝聚模块,用于根据U-Net分割模块中U-Net网络的分割结果进行点迹凝聚处理,以利用点迹凝聚得到各散射中心的微多普勒点迹;
点迹处理模块,用于根据点迹凝聚模块的点迹凝聚结果,依据每个时刻的信号分量数进行区间划分,并将每个区间的各个子信号分量进行关联;
曲线关联模块,用于对各区间基于内插法进行插值后,通过曲线平滑度函数对各个区间的点迹依次进行关联,实现微多普勒曲线的分离。
微动特征提取模块,用于根据所述曲线关联模块分离出的微多普勒曲线进行雷达目标微动特征提取。
一种计算机装置,包括处理器以及存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,所述处理器用于执行所述计算机程序以执行如上述方法。
与现有技术相比,本发明的优点在于:
1、本发明结合U-Net网络和点迹-曲线关联实现雷达目标微动特征提取中微多普勒分离,首先进行雷达信号处理获取时频数据后,通过U-Net网络对微多普勒曲线进行定位,可以解决传统分离方法鲁棒性差的问题,然后利用点迹凝聚得到各散射中心的微多普勒点迹,再依据每个时刻的信号分量数进行区间划分,基于内插法和曲线平滑度函数对各个区间的点迹依次进行关联,可以避免在多普勒曲线出现严重交叠以及断散等复杂情况下出现关联错误的情况,实现多普勒点迹的有效关联,相比于传统分离方法,能够有效提高分离的稳定可靠性以及鲁棒性,从而精准提取出雷达目标的微动特征。
2、本发明无需预先已知空间目标微运动形式、散射点等信息,能够适用于雷达目标微运动形式未知、散射点未知、低信噪比、散射点存在遮挡等各类复杂条件下实现雷达目标微多普勒曲线的有效分离。
3、本发明利用U-Net网络强大的特征学习能力能够有效学习到微多普勒曲线特征,实现低信噪比条件下微多普勒的有效检测,有效提高微动特征提取的鲁棒性、抗干扰能力。
4、本发明利用每个时刻的信号分量数对点迹进行区间划分,确定主体信号分量数目,对于交叉区间前后,基于内部插值和曲线平滑度的方法进行曲线关联,对于遮挡区间直接利用曲线平滑度进行关联,使得可适应雷达目标微多普勒曲线交叠、遮挡等情况下的分离,且可靠性更高、计算量小。
附图说明
图1是本实施例基于点迹曲线关联曲线分离的雷达目标微动特征提取方法的实现流程示意图。
图2是本发明在具体应用实施例中实现微多普勒曲线分离的详细流程示意图。
图3是本实施例中U-Net网络训练的流程示意图。
图4是本发明具体应用实施例中部分训练数据集的示意图。
图5是本实施例中区间划分的原理示意图。
图6是本实施例中曲线关联过程的原理示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1、2所示,本实施例基于点迹曲线关联曲线分离的雷达目标微动特征提取方法的步骤包括:
S01.雷达信号处理:获取对空间目标的雷达回波进行雷达信号处理,得到含有待分离微多普勒谱曲线的时频数据;
S02.U-Net分割:将含有待分离微多普勒谱曲线的时频数据输入至U-Net网络中进行分割,以对微多普勒曲线所在时频区域进行定位;
S03.点迹凝聚:根据步骤S01中U-Net网络的分割结果进行点迹凝聚处理,得到各散射中心的微多普勒点迹;
S04.点迹处理:根据步骤S02的点迹凝聚结果,依据每个时刻的信号分量数进行区间划分,并将每个区间的各个子信号分量进行关联;
S05.曲线关联:基于内插法和曲线平滑度函数对各个区间的点迹依次进行关联,实现微多普勒曲线的分离;
S06.微动特征提取:根据步骤S05分离出的微多普勒曲线进行雷达目标微动特征提取。
本实施例结合U-Net网络和点迹-曲线关联实现雷达目标微多普勒分离,首先进行雷达信号处理获取时频数据后,通过U-Net网络对微多普勒曲线进行定位,可以解决传统分离方法鲁棒性差的问题,然后利用点迹凝聚得到各散射中心的微多普勒点迹,再依据每个时刻的信号分量数进行区间划分,基于内插法和曲线平滑度函数对各个区间的点迹依次进行关联,可以避免在多普勒曲线出现严重交叠以及断散等复杂情况下出现关联错误的情况,实现多普勒点迹的有效关联,相比于传统分离方法,能够有效提高分离的稳定可靠性以及鲁棒性,且无需预先已知空间目标微运动形式、散射点等信息,能够适用于空间目标微运动形式未知、散射点未知、低信噪比、散射点存在遮挡等各类复杂条件下实现空间目标微多普勒曲线的有效分离,从而精准提取出雷达目标的微动特征。
本实施例步骤S01通过对空间目标的雷达回波进行雷达信号处理,获得含有待分离微多普勒谱曲线的时频数据。如图2所示,首先对于空间目标的雷达回波S(t)进行短时傅里叶变换,得到时频表示TFR,即为:
其中g(t)通常取高斯函数。
由于雷达微动时频表示可能包含较多微动周期,直接对其处理容易影响后续。本实施例将时频表示转换为图像img后,根据微动曲线的周期对时频图进行划分(img 1,img 2,…,img n ),然后对每个图片进行迭代处理。
U-Net网络是一个包含4层降采样、4层升采样和全卷积网络,卷积层在降采样和升采样部分完全对称,且降采样端的特征图可以跳过深层采样,被拼接至对应的升采样端。对于雷达目标微动特征提取中的微多普勒曲线分离,传统点迹曲线关联算法均是直接对时频图二值化结果或脊线检测结果为基础,抗噪声干扰能力弱。本实施例利用U-Net网络先对实时获取的时频图像进行图像分割,实现对微多普勒曲线所在时频区域的定位,能够利用U-Net强大的特征学习能力有效学习到微多普勒曲线特征,实现低信噪比条件下微多普勒的有效检测,有效提高微动特征提取的鲁棒性、抗干扰能力。
本实施例步骤S02中,U-Net网络预先使用博弈对抗生成模型的训练方式进行训练,即以U-Net结构为生成器、多层卷积神经网络为判别器,如图3所示,通过仿真不同信噪比的正旋调频信号时频图和理想分割图像构建训练数据集(部分数据集如图4所示),将训练数据集(预处理后的微多普勒谱图)输入至U-Net网络,U-Net网络输出分割图像,由判别网络对生成的分割图像进行真假判别,由判别器对数据来源是否为真实数据进行真假判别,生成器拟合真实数据以混淆判别器判断, 使得生成器生成数据被判别为真实数据,直至完成双方博弈对抗训练。
U-Net网络训练过程中,判别器中提取了生成器分割结果与分割标签图像特征,根据特征图像计算二者差别, 有助于整体模型梯度优化,最终损失函数包括三个部分:U-Net生成网络分割结果图与分割标签图像之间的损失的Dice损失loss unet ,分割标签图像和生成器分割结果图像在判别器网络最后一层特征图的交叉熵损失loss Dc(z),以及判别网络的交叉熵损失loss Dcu(z)。对模型损失采用Adam优化器进行优化,可以进一步提高模型分割性能。U-Net网络的训练过程具体如下式(2)所示。
步骤S02中接收到含有待分离微多普勒谱曲线的时频数据(时频图像)时,对每个图像下采样(如512*512)后输入训练好的U-Net分割网络,对微多普勒曲线所在时频区域进行检测,然后再对得到的精度较高(高于预设阈值)分割图(即检测出的区域)通过后续步骤S02~S04点迹-曲线关联步骤进行多普勒中频线的提取。
本实施例步骤S02中,还包括根据U-Net网络的分割结果统计主时频带宽,以用
于确定步骤S03点迹凝聚过程中点迹合并、点迹剔除以及对点迹进行步骤S04中区域划分时
所需要的阈值。通过对U-Net分割结果统计主时频带宽,以确定的带宽为基础,确定点迹凝
聚过程中点迹合并、点迹剔除以及对点迹进行区域划分等所需要的阈值,能够在完全无参
数的情况下实现微多普勒曲线分离。
本实施例步骤S03的步骤包括:
S301.对时频数据中每个时刻的点做凝聚处理,即将每一时间的各个散射中心的频点数据质心作为瞬时多普勒频率估计值;
为了便于分离相互混叠的微多普勒曲线,本实施例将时频面内每时刻的微多普勒
频率视为各散射点对应的点迹,受时频分辨率以及U-Net网络模型分割精度的影响,每个散
射中心的点迹在频率向存在一定的带宽,因此需要对每个时刻的点做凝聚处理,即对
每一时间的各个散射中心的频点数据质心作为瞬时多普勒频率估计值,质心计算公式具体
如式(3)所示。
其中,n为一个散射中心在t m 时刻的频点个数;f i 表示第i个频点对应的频率值,E i 表示是第i个频点对应的幅值。
当雷达回波中存在噪声时,点迹凝聚结果除微多普勒点迹外,会出现大量异常点
迹,需要予以剔除。由于噪声点迹分布在整个时频平面上,其点迹带宽会小于主时频带宽,本实施例具体以为点迹滤除阈值对噪声产生的点迹进行滤除,留50%的余量
以防止部分带宽较小的主中频区域被一同滤除,具体可通过式(4)进行估计。上述取的
比例也可以不为50%,可以根据实际需求取其他比例值。
根据点迹凝聚结果,交叉区间或者遮挡区间前后信号分量数会发生改变,本实施
例步骤S04中,具体以时间轴上出现的连续信号分量数为依据对整个采样时间进行划分,如
图5中(a)中区间长度使用表示,交叉区间长度范围可通过点迹合并阈值确定。多普勒
曲线在交叉区间做线性假设总是成立的,为保证相邻曲线能被完整分离,以两直线切角时可确定交叉区域长度大致范围为,上下边界可均留
20%(或其他值)余量防止两曲线斜率相近等极端情况分离出错,对于0到T范围内的区间长
度,以交叉区域长度范围为阈值进行区间划分,区间长度小于交叉区
间长度最小值为异常区间,区间前后信号分量数一致时大于交叉区间长度最大阈值时为遮
挡区间。具体以时为异常区间,处理时将其与临近区间合并,当前后区
间信号分量一样时,区间长度时为交叉区间,时为遮挡区间,其中T为采样时间,除上述以外的其余区间为正常区
间,如图5中(b)所示。区间划分完成后,通过K-means(K均值)聚类算法或者NNSA算法对每个
区间各个子分量进行简单的关联,以及通过三次样条插值对缺失值进行补全。
本实施例中步骤S05包括:对各划分后的区间中,交叉区间先使用多项式
插值得到区间信息,表示第i个区间,然后通过曲线平滑度函数对和的曲
线进行关联处理,其中、,其中分别表示区间i对应的
起始时刻和终止时刻;对遮挡区间和正常区间不做插值处理,直接向下一区域进行曲线的
关联处理。
交叉区间信息少容易影响曲线关联,传统方法都是直接舍弃该区域。如图6所示,
本实施例对任一交叉区域,基于趋势外推或时刻的瞬时斜率差估计值对和区间内的曲线进行关联。由于受噪声干扰容易关联错误,本
实施例利用多项式插值先得到区间信息,然后通过曲线平滑度函数对和的曲
线进行关联。以图6中 (a)所示为例进行说明,分别结合和拟合得到和,
然后计算拟合曲线的平滑度,为保证平滑度结果可靠性,进一步采用的
值按照下式(5)对t时刻平滑度计算方法做适当调整。
本实施例基于整个交叉区间的插值信息计算平滑度,因而对的取值不敏感,和区间曲线对组成的曲线越平滑则属于一个散射点的概率越大,如图6中 (b)所
示,最佳关联的曲线对可通过下式(6)得到,建立一个N sig ×3连接矩阵的用于保存前
后的曲线关联结果。
本实施例对于遮挡区间和正常区间则不做插值处理,直接通过上式(5)和(6)向下
一区域进行关联处理,缺失分量序号在的连接矩阵用0填充,循环进行该过程,直到
遍历完所有区间,对所得到的关联矩阵重组即可提取完整的多普勒曲线,如图6中(c)所示。
本实施例具体对截取的所有雷达回波时频图一次进行处理,直接按式和对每个时频的关联结果进行关联拼接,即可实现完整微多普勒的分离。步骤S06根据步骤S05分离出的微多普勒曲线进行雷达目标微动特征提取,得到雷达目标的微动特征,具体微动特征提取方法可以根据实际需求采用现有技术中微动特征提取算法。
本实施例利用每个时刻的信号分量数对点迹进行区间划分,确定主体信号分量数目,对于交叉区间前后,基于内部插值和曲线平滑度的方法进行曲线关联,对于遮挡区间直接利用曲线平滑度进行关联,使得可适应雷达目标微动特征提取中微多普勒曲线交叠、遮挡等情况下的分离,且可靠性更高、计算量小。
本实施例基于点迹曲线关联曲线分离的雷达目标微动特征提取装置包括:
雷达信号处理模块,用于获取对雷达目标的雷达回波进行雷达信号处理,得到含有待分离微多普勒谱曲线的时频数据;
U-Net分割模块,用于将含有待分离微多普勒谱曲线的时频数据输入至U-Net网络中进行分割,以对微多普勒曲线所在时频区域进行定位;
点迹凝聚模块,用于根据U-Net分割模块中U-Net网络的分割结果进行点迹凝聚处理,以利用点迹凝聚得到各散射中心的微多普勒点迹;
点迹处理模块,用于根据点迹凝聚模块的点迹凝聚结果,依据每个时刻的信号分量数进行区间划分,并将每个区间的各个子信号分量进行关联;
曲线关联模块,用于对各区间基于内插法进行插值后,通过曲线平滑度函数对各个区间的点迹依次进行关联,实现微多普勒曲线的分离;
微动特征提取模块,用于根据曲线关联模块分离出的微多普勒曲线进行雷达目标微动特征提取。
本实施例中,点迹处理模块包括:
凝聚处理单元,用于对时频数据中每个时刻的点做凝聚处理,即将每一时间的各个散射中心的频点数据质心作为瞬时多普勒频率估计值;
本实施例计算机装置,包括处理器以及存储器,存储器用于存储计算机程序,处理器用于执行计算机程序,其特征在于,处理器用于执行计算机程序以执行如上述方法。
本领域技术人员可以理解,上述计算机装置的描述仅仅是示例,并不构成对计算机装置的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (DigitalSignal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,处理器是计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
计算机装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个基于模板标注的分布式爬虫方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信号以及软件分发介质等。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,其特征在于,步骤包括:
S01.雷达信号处理:获取对雷达目标的雷达回波进行雷达信号处理,得到含有待分离微多普勒谱曲线的时频数据;
S02.U-Net分割:将含有待分离微多普勒谱曲线的所述时频数据输入至U-Net网络中进行分割,以对微多普勒曲线所在时频区域进行定位;
S03.点迹凝聚:根据步骤S01中U-Net网络的分割结果进行点迹凝聚处理,得到各散射中心的微多普勒点迹;
S04.点迹处理:根据步骤S02的点迹凝聚结果,依据每个时刻的信号分量数进行区间划分,并将每个区间的各个子信号分量进行关联;
S05.曲线关联:基于内插法和曲线平滑度函数对各个区间的点迹依次进行关联,实现微多普勒曲线的分离;
S06.微动特征提取:根据步骤S05分离出的微多普勒曲线进行雷达目标微动特征提取。
2.根据权利要求1所述的基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,其特征在于,所述步骤S02中,所述U-Net网络预先使用博弈对抗生成模型的训练方式进行训练,即以U-Net结构为生成器、多层卷积神经网络为判别器,将训练数据集输入至U-Net网络,所述U-Net网络输出分割图像,由判别网络对生成的所述分割图像进行真假判别,由所述判别器对数据来源是否为真实数据进行真假判别,所述生成器拟合真实数据以混淆判别器判断, 使得生成器生成数据被判别为真实数据,直至完成双方博弈对抗训练。
6.根据权利要求1~5中任意一项所述的基于点迹曲线关联曲线分离的雷达目标微动特征提取方法,其特征在于,所述步骤S04中,采用K-means聚类算法或者NNSA算法对每个区间各个子信函分量进行关联,以及通过三次样条插值对缺失值进行补全。
9.一种基于点迹曲线关联曲线分离的的雷达目标微动特征提取装置,其特征在于,包括:
雷达信号处理模块,用于获取对雷达目标的雷达回波进行雷达信号处理,得到含有待分离微多普勒谱曲线的时频数据;
U-Net分割模块,用于将含有待分离微多普勒谱曲线的时频数据输入至U-Net网络中进行分割,以对微多普勒曲线所在时频区域进行定位;
点迹凝聚模块,用于根据U-Net分割模块中U-Net网络的分割结果进行点迹凝聚处理,以利用点迹凝聚得到各散射中心的微多普勒点迹;
点迹处理模块,用于根据点迹凝聚模块的点迹凝聚结果,依据每个时刻的信号分量数进行区间划分,并将每个区间的各个子信号分量进行关联;
曲线关联模块,用于对各区间基于内插法进行插值后,通过曲线平滑度函数对各个区间的点迹依次进行关联,实现微多普勒曲线的分离;
微动特征提取模块,用于根据所述曲线关联模块分离出的微多普勒曲线进行雷达目标微动特征提取。
10.一种计算机装置,包括处理器以及存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,其特征在于,所述处理器用于执行所述计算机程序以执行如权利要求1~8中任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111615411.8A CN114002658B (zh) | 2021-12-28 | 2021-12-28 | 基于点迹曲线关联曲线分离的雷达目标微动特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111615411.8A CN114002658B (zh) | 2021-12-28 | 2021-12-28 | 基于点迹曲线关联曲线分离的雷达目标微动特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114002658A true CN114002658A (zh) | 2022-02-01 |
CN114002658B CN114002658B (zh) | 2022-05-24 |
Family
ID=79932094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111615411.8A Active CN114002658B (zh) | 2021-12-28 | 2021-12-28 | 基于点迹曲线关联曲线分离的雷达目标微动特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114002658B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114942419A (zh) * | 2022-07-26 | 2022-08-26 | 中国石油大学(华东) | 长积累时间下的船只散射点三自由度微动特征提取方法 |
CN115113164A (zh) * | 2022-06-28 | 2022-09-27 | 中南大学 | 基于cvm-svd的旋翼目标微多普勒参数估计方法 |
CN115390030A (zh) * | 2022-07-11 | 2022-11-25 | 中南大学 | 基于修正同步重排变换的空间目标微多普勒曲线分离方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942323A (zh) * | 2017-11-17 | 2018-04-20 | 西安电子科技大学 | 基于频域熵的进动目标时频曲线提取方法 |
US20190310362A1 (en) * | 2018-04-10 | 2019-10-10 | Aptiv Technologies Limited | Method for the recognition of an object |
US20200160046A1 (en) * | 2017-06-30 | 2020-05-21 | The Johns Hopkins University | Systems and method for action recognition using micro-doppler signatures and recurrent neural networks |
CN112051567A (zh) * | 2020-09-17 | 2020-12-08 | 中南大学 | 人体目标微多普勒频率估计方法 |
CN112130142A (zh) * | 2020-09-25 | 2020-12-25 | 中南大学 | 一种复杂运动目标微多普勒特征提取方法及系统 |
CN112184849A (zh) * | 2020-09-25 | 2021-01-05 | 中南大学 | 一种针对复杂动态多目标微动信号智能处理方法及系统 |
US11035931B1 (en) * | 2018-10-29 | 2021-06-15 | Ansys, Inc. | Accelerated radar data processing via limited pulse extrapolation |
CN113608193A (zh) * | 2021-09-17 | 2021-11-05 | 清华大学 | 一种基于UNet的雷达多目标距离和速度估计方法 |
-
2021
- 2021-12-28 CN CN202111615411.8A patent/CN114002658B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200160046A1 (en) * | 2017-06-30 | 2020-05-21 | The Johns Hopkins University | Systems and method for action recognition using micro-doppler signatures and recurrent neural networks |
CN107942323A (zh) * | 2017-11-17 | 2018-04-20 | 西安电子科技大学 | 基于频域熵的进动目标时频曲线提取方法 |
US20190310362A1 (en) * | 2018-04-10 | 2019-10-10 | Aptiv Technologies Limited | Method for the recognition of an object |
CN110361736A (zh) * | 2018-04-10 | 2019-10-22 | Aptiv技术有限公司 | 识别物体的方法 |
US11035931B1 (en) * | 2018-10-29 | 2021-06-15 | Ansys, Inc. | Accelerated radar data processing via limited pulse extrapolation |
CN112051567A (zh) * | 2020-09-17 | 2020-12-08 | 中南大学 | 人体目标微多普勒频率估计方法 |
CN112130142A (zh) * | 2020-09-25 | 2020-12-25 | 中南大学 | 一种复杂运动目标微多普勒特征提取方法及系统 |
CN112184849A (zh) * | 2020-09-25 | 2021-01-05 | 中南大学 | 一种针对复杂动态多目标微动信号智能处理方法及系统 |
CN113608193A (zh) * | 2021-09-17 | 2021-11-05 | 清华大学 | 一种基于UNet的雷达多目标距离和速度估计方法 |
Non-Patent Citations (5)
Title |
---|
SHAO CHANGYU 等: "Multiple target tracking based separation of Micro-Doppler signals from coning target", 《2014 IEEE RADAR CONFERENCE》 * |
XUE DONG 等: "Automatic multiorgan segmentation in thorax CT images using U-net-GAN", 《MEDICAL PHYSICS》 * |
杨文琳 等: "雷达点迹凝聚处理技术及其数据分析", 《信号处理》 * |
符伟 等: "基于VxWorks的雷达点迹处理系统的实现", 《合肥工业大学学报(自然科学版)》 * |
魏嘉琪 等: "曲线交叠外推的微动多目标宽带分辨算法", 《电子与信息学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115113164A (zh) * | 2022-06-28 | 2022-09-27 | 中南大学 | 基于cvm-svd的旋翼目标微多普勒参数估计方法 |
CN115113164B (zh) * | 2022-06-28 | 2024-04-19 | 中南大学 | 基于cvm-svd的旋翼目标微多普勒参数估计方法 |
CN115390030A (zh) * | 2022-07-11 | 2022-11-25 | 中南大学 | 基于修正同步重排变换的空间目标微多普勒曲线分离方法 |
CN115390030B (zh) * | 2022-07-11 | 2024-05-31 | 中南大学 | 基于修正同步重排变换的空间目标微多普勒曲线分离方法 |
CN114942419A (zh) * | 2022-07-26 | 2022-08-26 | 中国石油大学(华东) | 长积累时间下的船只散射点三自由度微动特征提取方法 |
CN114942419B (zh) * | 2022-07-26 | 2022-10-28 | 中国石油大学(华东) | 长积累时间下的船只散射点三自由度微动特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114002658B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114002658B (zh) | 基于点迹曲线关联曲线分离的雷达目标微动特征提取方法 | |
Kellner et al. | Grid-based DBSCAN for clustering extended objects in radar data | |
KR102099851B1 (ko) | 자동차 레이더 시스템에서 탐지된 타겟들의 클러스터링 방법 및 이를 위한 장치 | |
KR101766974B1 (ko) | 레이더 신호를 처리하는 방법 및 디바이스 | |
US12005907B2 (en) | Method for determining position data and/or motion data of a vehicle | |
US9991908B2 (en) | Blind source separation of signals having low signal-to-noise ratio | |
CN111060878B (zh) | 适用于单脉冲的lfm雷达工作模式实时分类方法及装置 | |
KR102088426B1 (ko) | 이중 편파 레이더의 타겟 검출 장치 및 방법 | |
US10305701B2 (en) | Phase-modulated signal parameter estimation using streaming calculations | |
US10725151B1 (en) | System and method for detecting pulses using fused signal power/phase modulation detection | |
Rizik et al. | Cost-efficient FMCW radar for multi-target classification in security gate monitoring | |
CN112241003A (zh) | 用于对象检测的方法和系统 | |
KR102060286B1 (ko) | 이미지 정보를 활용한 레이더 오브젝트 검출 임계값 결정 방법 및 이를 이용한 레이더 오브젝트 정보 생성 장치 | |
Zeng et al. | An approach to intra-pulse modulation recognition based on the ambiguity function | |
KR102132296B1 (ko) | Fmcw 레이더를 이용한 타겟 탐지 장치 및 방법 | |
CN115529213B (zh) | 一种用于分离lfm脉冲重叠信号的方法及装置 | |
KR101652193B1 (ko) | 레이더를 이용한 타겟 검출 방법 및 그 장치 | |
WO2022217407A1 (zh) | 信号处理方法、装置及可读存储介质 | |
KR102049402B1 (ko) | 레이더 시스템의 씨파를 기반으로 하는 신호 처리 방법 및 그 장치 | |
KR102169874B1 (ko) | 방위각 고분해능 신호처리 알고리즘을 이용하는 차량용 레이더 및 그 운영 방법 | |
KR102207003B1 (ko) | 해상 표적 탐지 방법 | |
JP3750860B2 (ja) | 画像レーダ装置 | |
JP7292534B1 (ja) | 信号処理装置、信号処理方法及び信号処理プログラム | |
Apostolovski et al. | Deep Learning Based Multimodal Information Fusion for Near-Miss Event Detection in Intelligent Traffic Monitoring Systems | |
CN113271161B (zh) | 一种电磁信号的筛选方法及装置 |
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 |