CN114460661A - 降低中远距离毫米波危险品探测误报率的方法和装置 - Google Patents

降低中远距离毫米波危险品探测误报率的方法和装置 Download PDF

Info

Publication number
CN114460661A
CN114460661A CN202210124754.2A CN202210124754A CN114460661A CN 114460661 A CN114460661 A CN 114460661A CN 202210124754 A CN202210124754 A CN 202210124754A CN 114460661 A CN114460661 A CN 114460661A
Authority
CN
China
Prior art keywords
millimeter wave
dangerous goods
detection
suspected
picture
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.)
Pending
Application number
CN202210124754.2A
Other languages
English (en)
Inventor
梁昆
张伟
罗再羽
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.)
Sichuan Zhengtai Future Technology Co ltd
Original Assignee
Sichuan Zhengtai Future 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 Sichuan Zhengtai Future Technology Co ltd filed Critical Sichuan Zhengtai Future Technology Co ltd
Priority to CN202210124754.2A priority Critical patent/CN114460661A/zh
Publication of CN114460661A publication Critical patent/CN114460661A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/005—Prospecting or detecting by optical means operating with millimetre waves, e.g. measuring the black losey radiation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明公开了一种降低中远距离毫米波危险品探测误报率的方法和装置，所述方法包括：步骤一，采用毫米波雷达向受检区域发射毫米波以获取雷达信号，根据雷达信号判断受检区域内是否存在疑似危险品；若存在疑似危险品，则进入步骤二；步骤二，通过摄像头拍摄受检区域以获取带有疑似危险品的图片；基于深度学习的图像识别方法对带有疑似危险品的图片进行识别，判断疑似危险品是否为干扰物，若判断出不是干扰物，则认定疑似危险品为危险品，并告警。本发明基于深度学习的图像识别技术，在无感检测的环境下，对带有疑似危险品的图片进行识别，能够大幅降低中远距离毫米波危险品探测的误报率。

Description

降低中远距离毫米波危险品探测误报率的方法和装置
技术领域
本发明涉及智能安检领域，具体涉及降低中远距离毫米波危险品探测误报率的方法和装置。
背景技术
中远距离（3m~50m）毫米波危险品探测技术，已在国内外得到广泛研究与应用。相对以往使用的金属安检门和X射线检测仪等安检设备存在的检测不全面、速度低和不安全等各种弊端，毫米波安检设备的快速检测藏匿危险品、对人体无害的特性受到热切关注。
目前中远距离毫米波危险品探测技术可分为成像式与非成像式两类。成像式中远距离危险品探测技术结构较复杂、成本高，关键技术是收发阵列及其集成技术、多频段数据的融合与识别技术等；非成像式中远距离危险品探测技术结构较简单、成本低，关键技术是不同极化方向的回波并计算出检测参量的评估方法。
无论成像式或非成像式的中远距离毫米波危险品探测，在无感检测的实际场景使用中都会面临以下缺陷：毫米波危险品探测模块在中远距离对人体藏匿的枪支、刀具、雷管爆炸物等危险品进行探测时，会发出疑似危险品的信号，然而，毫米波危险品探测容易受到干扰物的影响，从而造成信号误报率很高。例如，当受检人拖行拉杆箱或其他可见误报源经过时，误报造成频繁的虚警对实际检测效果影响很大。
发明内容
本发明所要解决的技术问题是毫米波危险品探测模块在中远距离对人体藏匿的枪支、刀具、雷管爆炸物等危险品进行探测时，会发出疑似危险品的信号，然而，毫米波危险品探测容易受到干扰物的影响，从而造成信号误报率很高。目的在于提供一种降低中远距离毫米波危险品探测误报率的方法和装置，解决上述问题。
本发明通过下述技术方案实现：
一种降低中远距离毫米波危险品探测误报率的方法，包括：
步骤一，采用毫米波雷达向受检区域发射毫米波以获取雷达信号，根据雷达信号判断受检区域内是否存在疑似危险品；若存在疑似危险品，则进入步骤二；
步骤二，通过摄像头拍摄受检区域以获取带有疑似危险品的图片；基于深度学习的图像识别方法对带有疑似危险品的图片进行识别，判断疑似危险品是否为干扰物，若判断出不是干扰物，则认定疑似危险品为危险品，并告警。
本发明基于深度学习的图像识别技术，在无感检测的环境下，对带有疑似危险品的图片进行识别，判断疑似危险品是否为干扰物，该方法能够大幅降低中远距离毫米波危险品探测的误报率，使毫米波危险品探测在大人流的复杂环境下发挥较好的检测效果。
进一步地，在步骤二中，还包括，若判断出是干扰物，对于成像式毫米波危险品探测：根据雷达信号获取毫米波成像图片，并获取毫米波成像图片中疑似危险品位置，将毫米波成像图片与带有疑似危险品的图片特征进行叠加，判断毫米波成像图片中疑似危险品位置与带有疑似危险品的图片中干扰物位置是否重合，如重合则不告警，如不重合则告警。
进一步地，在步骤二中，还包括，若判断出是干扰物，对于非成像式毫米波危险品探测：将受检区域内的受检人标定为关注对象，根据广角摄像头中的定位，转动探测设备和变焦摄像头进行跟踪，在不同角度进行多次探测，若出现任一发现疑似危险品且无干扰物的情况，则告警。
进一步地，步骤二中，所述基于深度学习的图像识别方法对带有疑似危险品的图片进行识别，包括：
利用摄像头采集包含可见误报物体的图像数据，形成原始图像数据集，将原始图像数据集划分为训练集、验证集以及测试集；
构建用于识别可见误报物体的目标检测模型；
采用训练集、验证集数据对目标检测模型进行训练和参数调整优化，得到训练好的目标检测模型；
利用测试集数据对训练好的目标检测模型进行准确性评估与校验，以达到准确率预期要求，最终将训练好的目标检测模型用于可见误报物体的识别。
进一步地，还包括：当毫米波探测发现疑似危险品时，摄像机对此时场景图像进行拍摄，并将拍摄的图像输入到已保存的目标检测模型中，提取的相关特征对目标物体进行种类识别以及定位。
进一步地，所述摄像头为可转动的变焦摄像头，可转动的变焦摄像头拍摄范围包括毫米波危险品探测范围。
一种降低中远距离毫米波危险品探测误报率的装置，包括：
毫米波探测模块，用于向受检区域发射毫米波以获取雷达信号，根据雷达信号判断受检区域内是否存在疑似危险品；
图像采集模块，用于当存在疑似危险品时拍摄受检区域以获取带有疑似危险品的图片；
图像识别模块，用于根据深度学习的图像识别方法对带有疑似危险品的图片进行识别，判断疑似危险品是否为干扰物；
告警模块，当图像识别模块识别出疑似危险品不是干扰物时，产生告警。
进一步地，还包括：成像式毫米波危险品探测判断模块，用于当判断出是干扰物时，将毫米波成像图片与带有疑似危险品的图片特征进行叠加，判断毫米波成像图片中疑似危险品位置与带有疑似危险品的图片中干扰物位置是否重合，如重合则不告警，如不重合则告警。
进一步地，还包括：非成像式毫米波危险品探测判断模块，用于当判断出是干扰物时，将受检区域内的受检人标定为关注对象，根据广角摄像头中的定位，转动探测设备和变焦摄像头进行跟踪，在不同角度进行多次探测，若出现任一发现疑似危险品且无干扰物的情况，则告警。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1至6中任意一项所述的降低中远距离毫米波危险品探测误报率的方法。
本发明可以用于人流量大、开阔区域内的无感检测，将成像式毫米波探测的图像与图像识别到的干扰物图像进行叠加、判断，可以使整个危险品探测系统的误报率降低到15%以下。将非成像式毫米波探测的边界与干扰物边界的交叉情况进行重点关注、多次判断，可以使整个危险品探测系统的误报率降低到15%以下。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明提供的一种降低中远距离毫米波危险品探测误报率的方法和装置，基于深度学习的图像识别技术，在无感检测的环境下，对带有疑似危险品的图片进行识别，判断疑似危险品是否为干扰物，该方法能够大幅降低中远距离毫米波危险品探测的误报率，使毫米波危险品探测在大人流的复杂环境下发挥较好的检测效果。
2、本发明提供的一种降低中远距离毫米波危险品探测误报率的方法和装置，通过结合基于深度学习的图像识别技术，对特定干扰物进行识别、排除，从而降低了误报。本发明用于可见干扰物的甄别，可以有效解除虚警，使整个预警系统正常工作。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：
图1为本发明方法流程图；
图2为本发明毫米波成像探测发现疑似危险品示意图；
图3为本发明实时进行可见光图像识别辨识干扰物示意图；
图4为本发明无感探测范围和图像识别干扰物范围示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
危险品指的是：枪支、刀具、爆炸物等。
疑似危险品指的是：枪支、刀具、爆炸物以及形状类似危险品的干扰物。
干扰物指的是：非成像状态下，回波信号接近于枪支、刀具、爆炸物，但肉眼可见是其他物体的物品，以及成像状态下，形状和特性接近于枪支、刀具、爆炸物，但肉眼可见是其他物体的的物品。
实施例
本实施例以拉杆箱为例，将拉杆箱作为干扰物，在附图中，图1给出了本实施例方法流程图；图2给出了本实施例毫米波成像探测发现疑似危险品示意图；图3给出了本实施例实时进行可见光图像识别辨识干扰物示意图；图4给出了本实施例无感探测范围和图像识别干扰物范围示意图。
本实施例提供一种降低中远距离毫米波危险品探测误报率的方法，如图1所示，包括如下步骤：
步骤一，采用毫米波雷达向受检区域发射毫米波以获取雷达信号，根据雷达信号判断受检区域内是否存在疑似危险品；若不存在疑似危险品，可以不做处理；如图2所示，若存在疑似危险品，则进入步骤二；
步骤二，通过摄像头拍摄受检区域以获取带有疑似危险品的图片，如图3所示；基于深度学习的图像识别方法对带有疑似危险品的图片进行识别，判断疑似危险品是否为干扰物，若判断出不是干扰物，则认定疑似危险品为危险品，并告警；若判断出是干扰物，则不告警。
优选地，在步骤二中，还包括：若判断出是干扰物，例如识别出干扰物是拉杆箱，对于成像式毫米波危险品探测：根据雷达信号获取毫米波成像图片，并获取毫米波成像图片中疑似危险品位置，将毫米波成像图片与带有疑似危险品的图片特征进行叠加，判断毫米波成像图片中疑似危险品位置与带有疑似危险品的图片中干扰物位置是否重合，如重合则不告警，如不重合则告警。
优选地，在步骤二中，还包括：若判断出是干扰物，对于非成像式毫米波危险品探测：将受检区域内的受检人标定为关注对象，根据广角摄像头中的定位，转动探测设备和变焦摄像头进行跟踪，在不同角度进行多次探测，若出现任一发现疑似危险品且无干扰物的情况，则告警。
所述基于深度学习的图像识别方法对带有疑似危险品的图片进行识别，包括：
利用摄像头采集包含可见误报物体的图像数据，形成原始图像数据集，将原始图像数据集划分为训练集、验证集以及测试集；
构建用于识别可见误报物体的目标检测模型；
采用训练集、验证集数据对目标检测模型进行训练和参数调整优化，得到训练好的目标检测模型；
利用测试集数据对训练好的目标检测模型进行准确性评估与校验，以达到准确率预期要求，最终将训练好的目标检测模型用于可见误报物体的识别。
本实施例，还包括：当毫米波探测发现疑似危险品时，摄像机对此时场景图像进行拍摄，并将拍摄的图像输入到已保存的目标检测模型中，提取的相关特征对目标物体进行种类识别以及定位。
本实施例中的摄像头为可转动的广角变焦摄像头，可转动的广角变焦摄像头拍摄范围至少包括毫米波危险品探测范围，在实际应用中，加装可转动的变焦摄像头使其拍摄范围与毫米波危险品探测范围基本重合。
一种降低中远距离毫米波危险品探测误报率的装置，包括：
毫米波探测模块，用于向受检区域发射毫米波以获取雷达信号，根据雷达信号判断受检区域内是否存在疑似危险品；
图像采集模块，用于当存在疑似危险品时拍摄受检区域以获取带有疑似危险品的图片；
图像识别模块，用于根据深度学习的图像识别方法对带有疑似危险品的图片进行识别，判断疑似危险品是否为干扰物；
告警模块，当图像识别模块识别出疑似危险品不是干扰物时，产生告警。
成像式毫米波危险品探测判断模块，用于当判断出是干扰物时，将毫米波成像图片与带有疑似危险品的图片特征进行叠加，判断毫米波成像图片中疑似危险品位置与带有疑似危险品的图片中干扰物位置是否重合，如重合则不告警，如不重合则告警。
非成像式毫米波危险品探测判断模块，用于当判断出是干扰物时，将受检区域内的受检人标定为关注对象，根据广角摄像头中的定位，转动探测设备和变焦摄像头进行跟踪，在不同角度进行多次探测，若出现任一发现疑似危险品且无干扰物的情况，则告警。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1至6中任意一项所述的降低中远距离毫米波危险品探测误报率的方法。
本实施例可以用于人流量大、开阔区域内的无感检测，将成像式毫米波探测的图像与图像识别到的干扰物图像进行叠加、判断，可以使整个危险品探测系统的误报率降低到15%以下。将非成像式毫米波探测的边界与干扰物边界的交叉情况进行重点关注、多次判断，可以使整个危险品探测系统的误报率降低到15%以下。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.降低中远距离毫米波危险品探测误报率的方法，其特征在于，包括：
步骤一，采用毫米波雷达向受检区域发射毫米波以获取雷达信号，根据雷达信号判断受检区域内是否存在疑似危险品；若存在疑似危险品，则进入步骤二；
步骤二，通过摄像头拍摄受检区域以获取带有疑似危险品的图片；基于深度学习的图像识别方法对带有疑似危险品的图片进行识别，判断疑似危险品是否为干扰物，若判断出不是干扰物，则认定疑似危险品为危险品，并告警。
2.根据权利要求1所述的降低中远距离毫米波危险品探测误报率的方法，其特征在于，在步骤二中，还包括，若判断出是干扰物，对于成像式毫米波危险品探测：根据雷达信号获取毫米波成像图片，并获取毫米波成像图片中疑似危险品位置，将毫米波成像图片与带有疑似危险品的图片特征进行叠加，判断毫米波成像图片中疑似危险品位置与带有疑似危险品的图片中干扰物位置是否重合，如重合则不告警，如不重合则告警。
3.根据权利要求2所述的降低中远距离毫米波危险品探测误报率的方法，其特征在于，在步骤二中，还包括，若判断出是干扰物，对于非成像式毫米波危险品探测：将受检区域内的受检人标定为关注对象，根据广角摄像头中的定位，转动探测设备和变焦摄像头进行跟踪，在不同角度进行多次探测，若出现任一发现疑似危险品且无干扰物的情况，则告警。
4.根据权利要求3所述的降低中远距离毫米波危险品探测误报率的方法，其特征在于，步骤二中，所述基于深度学习的图像识别方法对带有疑似危险品的图片进行识别，包括：
利用摄像头采集包含可见误报物体的图像数据，形成原始图像数据集，将原始图像数据集划分为训练集、验证集以及测试集；
构建用于识别可见误报物体的目标检测模型；
采用训练集、验证集数据对目标检测模型进行训练和参数调整优化，得到训练好的目标检测模型；
利用测试集数据对训练好的目标检测模型进行准确性评估与校验，以达到准确率预期要求，最终将训练好的目标检测模型用于可见误报物体的识别。
5.根据权利要求4所述的降低中远距离毫米波危险品探测误报率的方法，其特征在于，还包括：当毫米波探测发现疑似危险品时，摄像机对此时场景图像进行拍摄，并将拍摄的图像输入到已保存的目标检测模型中，提取的相关特征对目标物体进行种类识别以及定位。
6.根据权利要求1所述的降低中远距离毫米波危险品探测误报率的方法，其特征在于，所述摄像头为可转动的变焦摄像头，可转动的变焦摄像头拍摄范围包括毫米波危险品探测范围。
7.降低中远距离毫米波危险品探测误报率的装置，其特征在于，包括：
毫米波探测模块，用于向受检区域发射毫米波以获取雷达信号，根据雷达信号判断受检区域内是否存在疑似危险品；
图像采集模块，用于当存在疑似危险品时拍摄受检区域以获取带有疑似危险品的图片；
图像识别模块，用于根据深度学习的图像识别方法对带有疑似危险品的图片进行识别，判断疑似危险品是否为干扰物；
告警模块，当图像识别模块识别出疑似危险品不是干扰物时，产生告警。
8.根据权利要求7所述的降低中远距离毫米波危险品探测误报率的装置，其特征在于，还包括：
成像式毫米波危险品探测判断模块，用于当判断出是干扰物时，将毫米波成像图片与带有疑似危险品的图片特征进行叠加，判断毫米波成像图片中疑似危险品位置与带有疑似危险品的图片中干扰物位置是否重合，如重合则不告警，如不重合则告警。
9.根据权利要求8所述的降低中远距离毫米波危险品探测误报率的装置，其特征在于，还包括：
非成像式毫米波危险品探测判断模块，用于当判断出是干扰物时，将受检区域内的受检人标定为关注对象，根据广角摄像头中的定位，转动探测设备和变焦摄像头进行跟踪，在不同角度进行多次探测，若出现任一发现疑似危险品且无干扰物的情况，则告警。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任意一项所述的降低中远距离毫米波危险品探测误报率的方法。
CN202210124754.2A 2022-02-10 2022-02-10 降低中远距离毫米波危险品探测误报率的方法和装置 Pending CN114460661A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210124754.2A CN114460661A (zh) 2022-02-10 2022-02-10 降低中远距离毫米波危险品探测误报率的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210124754.2A CN114460661A (zh) 2022-02-10 2022-02-10 降低中远距离毫米波危险品探测误报率的方法和装置

Publications (1)

Publication Number Publication Date
CN114460661A true CN114460661A (zh) 2022-05-10

Family

ID=81414180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210124754.2A Pending CN114460661A (zh) 2022-02-10 2022-02-10 降低中远距离毫米波危险品探测误报率的方法和装置

Country Status (1)

Country Link
CN (1) CN114460661A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114779241A (zh) * 2022-06-27 2022-07-22 北京航空航天大学杭州创新研究院 一种包裹安检方法、装置、存储介质及电子设备
CN116482038A (zh) * 2023-06-19 2023-07-25 北京中科太赫兹科技有限公司 基于kid探测器的远距离人携危险物探测管理系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114779241A (zh) * 2022-06-27 2022-07-22 北京航空航天大学杭州创新研究院 一种包裹安检方法、装置、存储介质及电子设备
CN116482038A (zh) * 2023-06-19 2023-07-25 北京中科太赫兹科技有限公司 基于kid探测器的远距离人携危险物探测管理系统

Similar Documents

Publication Publication Date Title
CN114460661A (zh) 降低中远距离毫米波危险品探测误报率的方法和装置
US4497065A (en) Target recognition system enhanced by active signature measurements
EP0205794B1 (de) Rundsuchsystem zur Raum-/Luftraumüberwachung
US8422738B1 (en) Adaptive automated synthetic aperture radar vessel detection method with false alarm mitigation
Hasirlioglu et al. Reproducible fog simulation for testing automotive surround sensors
CN110716200B (zh) 一种用于车辆内部生命探测的探测方法及雷达装置
US6756935B1 (en) Full polarization ground moving target indicator radar automatic target detection algorithm
CN109597065B (zh) 一种用于穿墙雷达检测的虚警抑制方法、装置
CN104071311B (zh) 一种船舶预警方法
US6829197B2 (en) Acoustical imaging interferometer for detection of buried underwater objects
CN111323756B (zh) 一种基于深度学习的航海雷达目标检测方法及装置
CN109444985B (zh) 多传感融合的便携式隐匿物成像探测系统
Yoldemir et al. A least squares approach to buried object detection using ground penetrating radar
CN108508439A (zh) 双机载sar对目标协同成像立体定位的方法
CN111580116A (zh) 一种车载系统的目标检测性能的评价方法和电子设备
CN104648627B (zh) 一种船舶预警方法
JP2013541696A (ja) 人物の識別装置および識別方法
US20030127558A1 (en) System and a method for detecting and countering laser threats and underwater objects for underwater vehicles
CN104700660B (zh) 船舶周边目标检测报警系统
US8237606B2 (en) UHF radar system for implementing a method of eliminating vegetation clutter
AU2020279716B2 (en) Multi-timescale doppler processing and associated systems and methods
Felber et al. Fusion of radar and ultrasound sensors for concealed weapons detection
Van Den Broek et al. A multi-sensor scenario for coastal surveillance
Ruban et al. Automatic Detection of Subsurface Objects with the Impulse GPR of the UGO-1st Robotic Platform
Chiang et al. Signal processing of ground-penetrating radar data for subsurface object detection

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