CN114114192A - 集群目标检测方法 - Google Patents
集群目标检测方法 Download PDFInfo
- Publication number
- CN114114192A CN114114192A CN202111460395.XA CN202111460395A CN114114192A CN 114114192 A CN114114192 A CN 114114192A CN 202111460395 A CN202111460395 A CN 202111460395A CN 114114192 A CN114114192 A CN 114114192A
- Authority
- CN
- China
- Prior art keywords
- target
- scattering center
- cluster
- scattering
- echo
- 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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种集群目标检测方法,基于雷达回波的距离‑多普勒域中集群目标散射中心的幅度特征以及相邻两帧回波中散射中心位置分布特征,本发明采用固定阈值滤波和位置交叉滤波级联的方式,有效估计各个集群目标强散射中心数量和分布,最后对每个集群目标的强散射中心能量进行非相干积累实现检测,有效解决了噪声中目标散射中心估计不精确以及散射中心在距离‑多普勒域扩展的集群目标回波能量积累问题,从而在恒定虚警率下针对集群目标具有更高的检测概率,提高了雷达探测效能。
Description
技术领域
本发明属于雷达目标检测技术领域,具体涉及噪声中集群目标回波散射中心估计、能量积累与目标检测方法。
背景技术
集群目标为尺寸相近、运动模式相似的大量个体目标混合而成的目标簇,在一定时间内保持空间关系(如位置)相对固定,且任意最相邻两个体目标量测差小于传感器系统的相关门限,则对于该传感器来说,这些个体组成的集合称为一个集群目标,如无人机群、鸟群、昆虫群等。
集群目标具有个体小、整体规模大、空间分布柔性时变的特点,其运动除整体运动速度外,集群内部各个体还会相对运动。因此,集群目标的雷达回波同时在距离维和多普勒维扩展为多个散射中心,即距离-多普勒扩展目标。
针对多散射中心扩展目标检测,有效的方式是精确估计出每个目标散射中心的数量和分布,并对所有目标散射中心能量进行非相干积累。
针对仅具有距离扩展的目标提出了许多检测方法,这些方法分别基于目标散射中心不同先验信息假设推导而出,如目标散射中心个数、分布、幅度和相位等。在实际目标检测过程中,以上方法存在先验假设不匹配问题导致无法达到声称的性能。CN112731388A提出了一种有效散射中心选择方法估计目标散射中心的数量,然后对估计的目标散射中心进行非相干检测并与第二门限比较,判断目标的有无。该方法由于能够自适应估计散射中心数量和分布,具有比其它方法更好的检测性能和鲁棒性,但是该方法存在以下不足。首先,该方法检测窗长度J固定,不能适应散射中心扩展范围大于J的目标检测;其次,其中的“有效散射中心选择”方法利用检测窗内散射中心相互之间的能量关系估计散射中心个数(散射中心个数k确定方法:一维距离像中第k个散射中心的能量不小于前k-1个散射中心能量平均值的一半),经验证,该方法在高信噪比会遗漏能量较低的目标散射中心,而在低信噪比下会将噪声散射中心误认为目标散射中心,即存在不能精确估计目标散射中心问题而出现性能下降;最后,该方法仅实现了距离扩展目标能量积累,不能实现多普勒维度扩展能量积累;
针对具有距离-多普勒扩展的目标检测技术研究较少,文献《An Adaptive OFDMDetection Strategy for Range and Doppler Spread Targets in Non-GaussianClutter》(Zhen Du等,IEEE Access,2018年第6期,第61223-61232页)公开了一种非高斯杂波背景下的广义似然比检测方法,论文《Subspace detection for range and Dopplerdistributed targets with Rao and Wald tests》(JianGuan等,Signal Processing,2011年第1期,第51-60页)提出了基于Rao和Wald检测器的距离-多普勒检测方法,以上两种方法均利用了检测窗内包含噪声和目标散射中心的所有回波信息。由于实际距离-扩展目标散射中心分布的稀疏性,直接利用距离窗内所有回波散射中心将造成检测性能出现陷落损失,实际检测性能无法达到声称的性能。
发明内容
针对背景技术存在的问题,本发明提出了一种集群目标检测方法。
本发明的技术方案为:一种集群目标检测方法,包括以下步骤:
步骤一:回波预处理,在每个相干处理间隔(CPI)内,对雷达接收信进行预处理,得到距离-多普勒域二维信号sr(n,k),(n=(1,2,…,N),k=(1,2,…,K)),其中,N、K分别为一个CPI周期发射脉冲个数和每个脉冲周期接收信号采样点数;sr(n,k)也称为一帧雷达回波数据,共包含N×K个样本点,每个样本点幅度为散射中心功率。
步骤三:位置交叉滤波,记第q-1和q连续两帧回波固定阈值滤波后的信号为和其中,2≤q,假设中有I个非零强散射中心,第i(i=1,2,…,I)个强散射中心在距离-多普勒域的坐标为(Ni,Ki),对中每个强散射中心i,判断中(Ni±η,Ki±μ)区域内是否也含非零强散射中心,若是则保留中的第i个强散射中心,反之则滤除该散射中心,其中,η和μ分别为交叉相关滤波器在多普勒维和距离维的相关门限,第q帧回波位置交叉滤波的非零强散射中心信号记为
步骤五:非相干积累与检测,假设聚类后共有M个簇,第m(m=1,2,…,M)个簇中含有的散射中心个数为Im,依次对每个簇中所有散射中心能量进行非相干积累,得到检验统计量Λm,将Λm与预先设定的第二门限T2比较,若Λm大于T2则判断为是目标,反之,则判断为无目标。
进一步的,步骤一中所述的预处理具体为在一个相干处理间隔(CPI)内,对雷达接收信号通过MTI、脉冲压缩、MTD以及平方率检波预处理。
进一步的,所述步骤二中所述的预先设定的第一门限值T1与回波中噪声功率σ2相关,即T1=λσ2,λ为比例系数。
实际检测中σ2可以通过对回波中无目标区域数据估计得到。对于无目标回波信号(即:H0假设),固定阈值滤波后的虚警率为:
其中,f(z)为噪声功率分布函数,在高斯杂波背景下,f(z)服从参数为σ2的指数分布。当λ=1\4\9时,Pfa1约等于0.34、0.045、0.003。通常λ取6.65,即虚警率Pfa1=0.01。
需要说明的是,所述步骤三中所述的η和μ依据目标在一个CPI间隔周期的最大多普勒变化和距离变化,以及雷达的多普勒分辨率和距离分辨率设置。在H0假设下,位置交叉滤波后散射中心的虚警率为:
Pfa2=Pfa1(1-(1-Pfa1)(2η+1)(2μ+1)),
若Pfa1=0.01,η=1,μ=2时,此时Pfa2=0.0014。
需要说明的是,所述步骤四中采用典型的密度聚类算法DBSCAN,其具有两个参数(ε,MinPts),ε用于限制同一个簇中最相邻的两个散射中心最大距离,MinPts用于限制每个簇中最少的散射中心个数。由于集群目标最少散射点个数为1,因此MinPts通常设置为1。在H0假设下,记聚类后一个簇中含有I个散射中心的概率为P(I;H0),则I=1和I=2的概率分别为:
当I>2时,P(I;H0)的表达式会更加复杂。但是随着K的增大,P(I;H0)会逐渐降低,当Pfa2远小于1时,虚警概率满足P(K;H0)<<…<<P(2;H0)<<P(1;H0),即对于I≥2的情况,P(I;H0)相对于P(1;H0)可忽略不计。
需要说明的是,所述步骤五中,对于含有I个散射中心簇的检验统计量ΛI的表达式为:
其中,pi为该簇中第i个散射中心在距离-多普勒域中的位置,spi表示对应位置散射中心的功率。
在H0假设下,ΛI概率密度函数pΛI(ΛI;H0)服从自由度为I的卡方分布,因此,系统的总的虚警率Pfa为:
R为聚类后簇中最多含有的散射中心数量。
由于I≥2时P(1;H0)>>P(I;H0),因此,Pfa可近似表达为:
本发明的有益效果:本发明的方法采用固定阈值滤波和位置交叉滤波级联的方式,可以更加精确估计目标散射中心的数量和位置,相对于现有方法,该方法可以尽可能降低门限T1,使得更多噪声散射中心以及目标散射中心通过门限,然后基于噪声散射中心在每帧回波中位置的随机性,而目标散射中心在相邻帧回波中位置临近的特点,位置交叉滤波器可以滤除噪声散射中心而保留目标散射中心;其次,采用聚类对散射中心进行分割,无需设置固定的检测门限,能够自适应不同尺寸的目标检测;再次,该方法不仅能够对点目标和距离扩展目标能量积累,并且能够对具有距离-多普勒二维扩展的集群目标回波能量进行积累。
附图说明
图1是本发明的集群目标检测方法的流程示意图。
图2是本发明的实施例的位置交叉滤波原理示意图。
图3是本发明实施例的仿真结果示意图。
具体实施方式
本发明主要采用计算机仿真的方法进行验证,所有步骤、结论都在MATLAB-R2018a上验证正确。下面结合附图对本发明作进一步详细描述。
针对背景技术存在的缺陷,研究设计一种集群目标检测方法,克服了现有检测方法只能实现点目标和距离扩展目标能量积累,距离扩展目标散射中心估计不精确,以及不能实现具有距离-多普勒二维扩展的集群目标能量积累和检测问题。
具体流程如图1所示,首先对相关参数进行初始化,具体为:初始化检测器各系统参数,包括参数k、η、μ、ε和MinPts。其中,k=6.65、η=1、μ=2、ε=5和MinPts=1;利用集群目标回波生成软件生成连续两帧含有两个不同尺寸的群目标雷达原始回波,其中雷达一个CPI周期脉冲数和每个脉冲采样点数分别设置为N=256和K=128。
具体执行步骤如下:
步骤一:对雷达任意第q-1和q连续两帧雷达回波进行预处理,并基于第q待检测帧回波估计噪声功率σ2,计算当前帧判别门限T1和T2。
步骤二:对第q-1和q帧雷达回波信号进行固定阈值滤波,得到固定滤波后信号和固定阈值滤波后含有较多分散的强噪声散射中心,且强噪声散射中心在连续两帧回波中的位置具有随机性;目标散射中心位置分布相对集中,且在相邻两帧回波中的位置临近。
步骤五:对每个簇中所有散射中心进行非相干积累,并与门限T2比较,大于则判断为有目标,反之则判断为无目标,完成检测。
最后采用蒙特卡洛仿真方法,针对集群目标的检测性能进行分析,并与改进的二维CA-CFAR检测性能进行对比,其中二维CA-CFAR算法保护单元和参考单元个数分别设置为24和75。改进的二维CA-CFAR即先对回波中每一个单元进行CA-CFAR检测,然后采用本实施例一致的聚类算法对通过检测的单元进行聚类,聚类后每一个簇为一个目标,从而实现集群目标检测。性能仿真结果如图3所示,在虚警率Pfa=10-4和检测概率Pd=0.9时,本发明的方法比二维CA-CFAR信噪比低约9dB。
可以看出,本发明的方法基于雷达回波中集群目标散射中心的幅度特征以及相邻两帧回波散射中心位置分布特征,采用多级滤波和密度聚类相结合,有效提取和分辨各个集群目标强散射中心,然后对强散射中心能量进行非相干积累并进行目标有无判决。多级滤波有效解决了噪声中目标散射中心估计不精确问题,密度聚类和非相干积累实现了多个集群目标间散射中心分辨划分以及每个目标散射中心能量积累问题。本发明的方法能够在恒定虚警率下针对集群目标具有更高的检测概率,提高了雷达探测效能。
Claims (4)
1.一种集群目标检测方法,包括以下步骤:
步骤一:回波预处理,在每个相干处理间隔(CPI)内,对雷达接收信进行预处理,得到距离-多普勒域二维信号sr(n,k),(n=(1,2,…,N),k=(1,2,…,K)),其中,N、K分别为一个CPI周期发射脉冲个数和每个脉冲周期接收信号采样点数;
步骤三:位置交叉滤波,记第q-1和q连续两帧回波固定阈值滤波后的信号为和其中,2≤q,假设中有I个非零强散射中心,第i(i=1,2,…,I)个强散射中心在距离-多普勒域的坐标为(Ni,Ki),对中每个强散射中心i,判断中(Ni±η,Ki±μ)区域内是否也含非零强散射中心,若是则保留中的第i个强散射中心,反之则滤除该散射中心,其中,η和μ分别为交叉相关滤波器在多普勒维和距离维的相关门限,第q帧回波位置交叉滤波的非零强散射中心信号记为
2.根据权利要求1所述的集群目标检测方法,其特征在于,步骤一中所述的预处理具体为在一个相干处理间隔(CPI)内,对雷达接收信号通过MTI、脉冲压缩、MTD以及平方率检波预处理。
3.根据权利要求1所述的集群目标检测方法,其特征在于,步骤二中所述的预先设定的第一门限值T1与回波中噪声功率σ2相关,即T1=λσ2,λ为比例系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111460395.XA CN114114192B (zh) | 2021-12-02 | 2021-12-02 | 集群目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111460395.XA CN114114192B (zh) | 2021-12-02 | 2021-12-02 | 集群目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114114192A true CN114114192A (zh) | 2022-03-01 |
CN114114192B CN114114192B (zh) | 2023-05-23 |
Family
ID=80366396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111460395.XA Active CN114114192B (zh) | 2021-12-02 | 2021-12-02 | 集群目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114114192B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114609604A (zh) * | 2022-03-25 | 2022-06-10 | 电子科技大学 | 无人机集群目标检测及目标轮廓、集群规模估计方法 |
CN115453484A (zh) * | 2022-08-29 | 2022-12-09 | 电子科技大学 | 一种自适应散射中心估计的距离扩展目标检测方法 |
CN115754970A (zh) * | 2022-12-22 | 2023-03-07 | 中国人民解放军空军预警学院 | 一种分布式无人机载雷达空时自适应目标检测方法与系统 |
CN116430349A (zh) * | 2023-06-14 | 2023-07-14 | 南京理工大学 | 一种基于物理先验知识的空间群目标探测方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140372073A1 (en) * | 2011-05-04 | 2014-12-18 | Jacques Georgy | Two-stage filtering based method for multiple target tracking |
CN105548970A (zh) * | 2015-12-11 | 2016-05-04 | 无锡市雷华科技有限公司 | 一种飞鸟探测雷达处理机 |
CN107064902A (zh) * | 2017-05-12 | 2017-08-18 | 安徽四创电子股份有限公司 | 一种用于机场场面监视雷达系统的目标凝聚方法 |
CN107742113A (zh) * | 2017-11-08 | 2018-02-27 | 电子科技大学 | 一种基于目标数量后验的sar图像集群目标检测方法 |
WO2018135754A1 (ko) * | 2017-01-18 | 2018-07-26 | (주)디지탈엣지 | 레이더 시스템의 클러터 제거 및 다중 표적 추적방법 |
CN108919247A (zh) * | 2018-03-30 | 2018-11-30 | 中国科学院电子学研究所 | 一种基于恒虚警率检测的多目标体检测及定位方法 |
JP2018205174A (ja) * | 2017-06-06 | 2018-12-27 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
US20190162838A1 (en) * | 2017-11-28 | 2019-05-30 | Viettel Group | Marine target detection in cluttered environments |
CN109839637A (zh) * | 2017-11-27 | 2019-06-04 | 通用汽车环球科技运作有限责任公司 | 利用功率信息改进雷达目标跟踪的方法和装置 |
CN110161494A (zh) * | 2019-05-30 | 2019-08-23 | 哈尔滨工业大学 | 基于速度平方滤波的rd平面弱目标检测跟踪方法及装置 |
WO2019216469A1 (ko) * | 2018-05-11 | 2019-11-14 | 서울대학교 산학협력단 | 자동차 레이더 시스템에서 탐지된 타겟들의 클러스터링 방법 및 이를 위한 장치 |
CN112731388A (zh) * | 2020-12-14 | 2021-04-30 | 北京遥感设备研究所 | 一种基于有效散射点能量积累的目标检测方法 |
CN113009450A (zh) * | 2021-04-29 | 2021-06-22 | 北京环境特性研究所 | 基于最优路径法的目标群运动特征提取方法及装置 |
CN113075648A (zh) * | 2021-03-19 | 2021-07-06 | 中国舰船研究设计中心 | 一种无人集群目标定位信息的聚类与滤波方法 |
CN113093180A (zh) * | 2021-03-20 | 2021-07-09 | 中国人民解放军空军工程大学 | 一种基于聚类外推的慢速弱目标检测方法 |
CN113702940A (zh) * | 2021-09-18 | 2021-11-26 | 中国人民解放军63921部队 | 基于多元特征信息分层融合空间集群目标分辨方法及应用 |
-
2021
- 2021-12-02 CN CN202111460395.XA patent/CN114114192B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140372073A1 (en) * | 2011-05-04 | 2014-12-18 | Jacques Georgy | Two-stage filtering based method for multiple target tracking |
CN105548970A (zh) * | 2015-12-11 | 2016-05-04 | 无锡市雷华科技有限公司 | 一种飞鸟探测雷达处理机 |
WO2018135754A1 (ko) * | 2017-01-18 | 2018-07-26 | (주)디지탈엣지 | 레이더 시스템의 클러터 제거 및 다중 표적 추적방법 |
CN107064902A (zh) * | 2017-05-12 | 2017-08-18 | 安徽四创电子股份有限公司 | 一种用于机场场面监视雷达系统的目标凝聚方法 |
JP2018205174A (ja) * | 2017-06-06 | 2018-12-27 | 株式会社東芝 | レーダ装置及びそのレーダ信号処理方法 |
CN107742113A (zh) * | 2017-11-08 | 2018-02-27 | 电子科技大学 | 一种基于目标数量后验的sar图像集群目标检测方法 |
CN109839637A (zh) * | 2017-11-27 | 2019-06-04 | 通用汽车环球科技运作有限责任公司 | 利用功率信息改进雷达目标跟踪的方法和装置 |
US20190162838A1 (en) * | 2017-11-28 | 2019-05-30 | Viettel Group | Marine target detection in cluttered environments |
CN108919247A (zh) * | 2018-03-30 | 2018-11-30 | 中国科学院电子学研究所 | 一种基于恒虚警率检测的多目标体检测及定位方法 |
WO2019216469A1 (ko) * | 2018-05-11 | 2019-11-14 | 서울대학교 산학협력단 | 자동차 레이더 시스템에서 탐지된 타겟들의 클러스터링 방법 및 이를 위한 장치 |
CN110161494A (zh) * | 2019-05-30 | 2019-08-23 | 哈尔滨工业大学 | 基于速度平方滤波的rd平面弱目标检测跟踪方法及装置 |
CN112731388A (zh) * | 2020-12-14 | 2021-04-30 | 北京遥感设备研究所 | 一种基于有效散射点能量积累的目标检测方法 |
CN113075648A (zh) * | 2021-03-19 | 2021-07-06 | 中国舰船研究设计中心 | 一种无人集群目标定位信息的聚类与滤波方法 |
CN113093180A (zh) * | 2021-03-20 | 2021-07-09 | 中国人民解放军空军工程大学 | 一种基于聚类外推的慢速弱目标检测方法 |
CN113009450A (zh) * | 2021-04-29 | 2021-06-22 | 北京环境特性研究所 | 基于最优路径法的目标群运动特征提取方法及装置 |
CN113702940A (zh) * | 2021-09-18 | 2021-11-26 | 中国人民解放军63921部队 | 基于多元特征信息分层融合空间集群目标分辨方法及应用 |
Non-Patent Citations (5)
Title |
---|
JIAN GUAN; XIAOLI ZHANG: "Subspace detection for range and Doppler distributed targets with Rao and Wald tests", SIGNAL PROCESSING * |
ZHEN DU; ZENGHUI ZHANG; WENXIAN YU: "An adaptive OFDM detection strategy for range and Doppler spread targets in non-Gaussian clutter", IEEE ACCESS * |
谭顺成;王国宏;王娜;何友;: "基于概率假设密度滤波和数据关联的脉冲多普勒雷达多目标跟踪算法", 电子与信息学报 * |
郭鹏程;刘峥;罗丁利;李俭朴;: "基于强散射点在线估计的距离扩展目标检测方法", 电子与信息学报 * |
高彦钊: "大拖尾雷达杂波模型及其背景下的扩展目标检测方法研究", 中国博士学位论文全文数据库 (信息科技辑) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114609604A (zh) * | 2022-03-25 | 2022-06-10 | 电子科技大学 | 无人机集群目标检测及目标轮廓、集群规模估计方法 |
CN115453484A (zh) * | 2022-08-29 | 2022-12-09 | 电子科技大学 | 一种自适应散射中心估计的距离扩展目标检测方法 |
CN115453484B (zh) * | 2022-08-29 | 2023-08-25 | 电子科技大学 | 一种自适应散射中心估计的距离扩展目标检测方法 |
CN115754970A (zh) * | 2022-12-22 | 2023-03-07 | 中国人民解放军空军预警学院 | 一种分布式无人机载雷达空时自适应目标检测方法与系统 |
CN116430349A (zh) * | 2023-06-14 | 2023-07-14 | 南京理工大学 | 一种基于物理先验知识的空间群目标探测方法及系统 |
CN116430349B (zh) * | 2023-06-14 | 2023-08-29 | 南京理工大学 | 一种基于物理先验知识的空间群目标探测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114114192B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114114192A (zh) | 集群目标检测方法 | |
CN108490410B (zh) | 一种两坐标雷达对海目标联合检测跟踪方法 | |
US8094060B2 (en) | Method of detecting a target | |
US8405540B2 (en) | Method for detecting small targets in radar images using needle based hypotheses verification | |
CN107861107B (zh) | 一种适用于连续波雷达的双门限cfar与点迹凝聚方法 | |
CN111624567B (zh) | 一种恒虚警检测方法及装置 | |
WO1999026079A1 (en) | Clutter rejection using adaptive estimation of a clutter probability density function | |
CN107271973A (zh) | 韦布尔杂波环境下基于偏斜度和均值比的恒虚警检测方法 | |
CN112799028B (zh) | 一种基于rcs起伏统计特性差异的虚假目标识别方法 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN106772357B (zh) | 信噪比未知条件下的ai-phd滤波器多目标跟踪方法 | |
CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN115980689A (zh) | 基于点云检测的辐射源信号分选方法、装置、设备及介质 | |
KR102361816B1 (ko) | 표적 탐지 방법 및 기록 매체 | |
CN113253262B (zh) | 一种基于一维距离像记录背景对比检测目标方法 | |
CN113093174B (zh) | 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法 | |
CN111273249B (zh) | 一种基于雷达虚警预处理时间的智能杂波分区方法 | |
CN113759335A (zh) | 一种基于时间反演的超宽带回波去噪和能量检测方法 | |
CN116224280B (zh) | 雷达目标检测方法、装置、雷达设备及存储介质 | |
CN115453489B (zh) | 一种毫米波雷达室内多径判别方法 | |
CN110632592A (zh) | 一种手持式穿墙雷达的虚警消除方法 | |
CN113534132B (zh) | 一种自适应无人机波达方向估计方法 | |
Schlangen et al. | Distinguishing small targets from sea clutter using dynamic models | |
CN117630852A (zh) | 高斯背景距离走动扩展目标cfar检测方法及系统 | |
CN116430349B (zh) | 一种基于物理先验知识的空间群目标探测方法及系统 |
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 |