CN115184915A - 基于杂波随机徘徊行为的海杂波抑制方法及系统 - Google Patents
基于杂波随机徘徊行为的海杂波抑制方法及系统 Download PDFInfo
- Publication number
- CN115184915A CN115184915A CN202210488136.6A CN202210488136A CN115184915A CN 115184915 A CN115184915 A CN 115184915A CN 202210488136 A CN202210488136 A CN 202210488136A CN 115184915 A CN115184915 A CN 115184915A
- Authority
- CN
- China
- Prior art keywords
- track
- loitering
- radar
- loitering behavior
- behavior
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000001629 suppression Effects 0.000 title claims abstract description 31
- 230000006399 behavior Effects 0.000 claims abstract description 151
- 230000033001 locomotion Effects 0.000 claims abstract description 91
- 239000013598 vector Substances 0.000 claims abstract description 64
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000002401 inhibitory effect Effects 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000009833 condensation Methods 0.000 claims description 5
- 230000005494 condensation Effects 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000001514 detection method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination 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
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种杂波随机徘徊行为的海杂波抑制方法、系统、计算机设备和存储介质。所述方法包括：根据轨迹径向速度信息修正聚类中心和一维距离像的预测轨迹之间的距离，采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹；提取雷达扫描帧号下每一候选目标运动轨迹的角散布范围、累积停留度和累积转角，得到徘徊行为描述向量，根据徘徊行为描述向量，采用机器学习方法训练用于判决徘徊行为的判决门限向量和权重参数；根据判决门限向量和权重参数对候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。采用本方法实现对海杂波的有效滤除。
Description
技术领域
本申请涉及信号处理技术领域，特别是涉及一种杂波随机徘徊行为的海杂波抑制方法及系统。
背景技术
海洋面积广阔，渔业、矿产、能源、交通等价值巨大，其中近海、近岸和岛礁等区域的海洋监测以雷达作为主要传感器，岸基边扫描边跟踪雷达(TWS雷达)可以远距离定位船舶并持续跟踪，具有视角大、多目标同时探测、技术成熟等优势，此外雷达还能够适应不同气象和海情等复杂工作环境。TWS雷达在近海工作环境复杂，使得雷达受到严重的地面杂波和海面杂波，目标的散射回波常常被淹没在背景杂波中，因此从雷达回波中提取有用情报的难度显著增大。
基于随机过程统计理论的实验模型根据实测雷达数据统计海杂波的统计分布，将海杂波拟合到某一种类型的统计分布模型，并估计分布参数，修正杂波滤波、信号检测模型和参数，以达到抑制海杂波的目的。而海杂波因其随雷达极化方式、工作频率、天线视角及海情、风向等多个因素的变化，通常会造成单一分布，使得海杂波难以有效抑制。还有一些算法针对这一问题，建立一组海杂波统计模型，并根据实际海况自适应选择一种偏差最小的模型进行处理。
然而，目前的传统方法都存在较大的应用局限性，尤其是在近海杂波抑制应用上，具体体现为：近海海浪的非线性、空变、时变运动造成海杂波分布特性更加复杂，海杂波与地杂波混合，两者具有复杂的杂波边界，因此很多传统方法都存在实用性和普适性差的问题；近海海面交通复杂，船舶与海浪存在交互影响，例如，驱动的海浪可能引起间歇性海上杂波，将增加建模与分析的难度；传统方法的目的是更加准确的描述杂波，而不是直接消除或抑制杂波，因此即使能够准确描述，还需要研究有效消除海杂波的具体方法。
发明内容
基于此，有必要针对上述技术问题，提供一种杂波随机徘徊行为的海杂波抑制方法、系统、计算机设备和存储介质。
一种杂波随机徘徊行为的海杂波抑制方法，所述方法包括：
对待检测目标的回波信号的一维距离像中的输出像素进行点迹凝聚，得到聚类中心；所述输出像素包括轨迹径向速度信息；
根据所述轨迹径向速度信息修正所述聚类中心和所述一维距离像的预测轨迹之间的距离，采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹；
提取雷达扫描帧号下所述每一候选目标运动轨迹的角散布范围、累积停留度和累积转角，得到徘徊行为描述向量，根据所述徘徊行为描述向量，采用机器学习方法训练用于判决徘徊行为的判决门限向量和权重参数；
根据所述判决门限向量和权重参数对所述候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。
在其中一个实施例中，还包括：提取雷达扫描帧号下所述每一候选目标运动轨迹的角散布范围，所述角散布范围表示为：
其中，k0表示编号为i的轨迹首次被观测时的雷达扫描帧号，NTh表示开始计算徘徊行为指标的最小跟踪轨迹长度，m表示雷达扫描帧号，l表示雷达扫描帧号，ωm，i表示在第m帧雷达扫描时编号为i的轨迹的运动航向角度；提取雷达扫描帧号下所述每一候选目标运动轨迹的累积停留度，所述累积停留度为：
其中，
rm，i表示编号为i的轨迹在第m帧雷达扫描时与雷达的距离，θm，i表示编号为i的轨迹在第m帧雷达扫描时与雷达的方位角；提取雷达扫描帧号下所述每一候选目标运动轨迹的累积转角，所述累积转角为：
根据所述角散布范围、所述累积停留度和所述累积转角，得到徘徊行为描述向量为：
其中，[·]T表示向量转置运算，i表示轨迹编号。
在其中一个实施例中，还包括：根据所述判决门限向量和权重参数构建徘徊行为判决式为：
其中，BTh为徘徊行为判决式的判决门限值，Γ为判决门限向量，Γ＝[αangle，αtralen，αangturn]T，Λ为权重参数，Λ＝[βangle，βtralen，βangturn]T；根据所述徘徊行为判决式对所述候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。
在其中一个实施例中，还包括：根据所述徘徊行为判决式对所述候选目标运动轨迹进行徘徊行为判别，得到每一时刻的徘徊行为判决结果；根据所述每一时刻的判决结果，构建目标轨迹判决式为：
其中，判断门限为Nw，W(k，i)为所有时刻的徘徊行为判决结果，W(k，i)＝[w(k0，i)，w(k0，i)+1，…，w(k，i)]T；根据所述目标轨迹判决式，得到目标运动轨迹，并对具有徘徊行为的海杂波进行抑制。
在其中一个实施例中，还包括：根据所述目标轨迹判决式，得到目标轨迹判决结果，当所述目标轨迹判决结果为1时，不进行输出和显示，在雷达处理机的目标跟踪列中进行轨迹管理；当目标轨迹判决结果为0，输出和显示该目标的轨迹，得到目标运动轨迹。
在其中一个实施例中，还包括：根据所述轨迹径向速度信息修正所述聚类中心和所述一维距离像的预测轨迹之间的距离，修正后的距离表示为：
其中，
表示第j条轨迹的距离在当前时刻的预测值，
表示第j条轨迹的角度在当前时刻的预测值
表示第j条轨迹的径向速度在当前时刻的预测值，σr表示雷达在距离上的测量方差，σθ表示雷达在角度上的测量方差，σv表示雷达在径向速度上的测量方差。
在其中一个实施例中，还包括：采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹为；
其中，k表示雷达扫描序号，i表示轨迹编号，NID表示轨迹身份标志号，rk，i为当前所在距离，θk，i为当前所在方位，vk，i为运动速度大小，ωk，i为运动方向。
一种杂波随机徘徊行为的海杂波抑制系统，所述系统包括：
聚类模块，用于对待检测目标的回波信号的一维距离像中的输出像素进行点迹凝聚，得到聚类中心；所述输出像素包括轨迹径向速度信息；
轨迹跟踪模块，用于根据所述轨迹径向速度信息修正所述聚类中心和所述一维距离像的预测轨迹之间的距离，采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹；
徘徊行为描述模块，用于提取雷达扫描帧号下所述每一候选目标运动轨迹的角散布范围、累积停留度和累积转角，得到徘徊行为描述向量，根据所述徘徊行为描述向量，采用机器学习方法训练用于判决徘徊行为的判决门限向量和权重参数；
海杂波抑制模块，用于根据所述判决门限向量和权重参数对所述候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
对待检测目标的回波信号的一维距离像中的输出像素进行点迹凝聚，得到聚类中心；所述输出像素包括轨迹径向速度信息；
根据所述轨迹径向速度信息修正所述聚类中心和所述一维距离像的预测轨迹之间的距离，采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹；
提取雷达扫描帧号下所述每一候选目标运动轨迹的角散布范围、累积停留度和累积转角，得到徘徊行为描述向量，根据所述徘徊行为描述向量，采用机器学习方法训练用于判决徘徊行为的判决门限向量和权重参数；
根据所述判决门限向量和权重参数对所述候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对待检测目标的回波信号的一维距离像中的输出像素进行点迹凝聚，得到聚类中心；所述输出像素包括轨迹径向速度信息；
根据所述轨迹径向速度信息修正所述聚类中心和所述一维距离像的预测轨迹之间的距离，采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹；
提取雷达扫描帧号下所述每一候选目标运动轨迹的角散布范围、累积停留度和累积转角，得到徘徊行为描述向量，根据所述徘徊行为描述向量，采用机器学习方法训练用于判决徘徊行为的判决门限向量和权重参数；
根据所述判决门限向量和权重参数对所述候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。
上述杂波随机徘徊行为的海杂波抑制方法、系统、计算机设备和存储介质，通过获取待检测目标回波信号对应的输出像素的目标聚类中心和预测轨迹的径向速度，并使用预测轨迹的径向速度修正预测轨迹和聚类中心之间的距离，通过关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹，采用速度信息辅助的全局近邻算法能够实现快速跟踪，能够适应密集杂波下的多目标实时跟踪需求，提取候选目标轨迹中的角散布范围、累积停留度和累积转角特征，定义徘徊行为描述向量，从而形成徘徊行为判别式，就可以判别并抑制具有徘徊行为的海杂波。本发明方法，能够适应近海和远海雷达探测等不同场景下多种复杂海杂波的抑制需求，实现对海杂波的有效滤除。
附图说明
图1为一个实施例中杂波随机徘徊行为的海杂波抑制方法的流程场景图；
图2为一个具体实施例中采用杂波随机徘徊行为的海杂波抑制方法的运动目标检测跟踪信号处理流程示意图；
图3为一个实施例中杂波随机徘徊行为的海杂波抑制系统的结构框图；
图4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。
在一个实施例中，如图1所示，提供了一种杂波随机徘徊行为的海杂波抑制方法，包括以下步骤：
步骤102，对待检测目标的回波信号的一维距离像中的输出像素进行点迹凝聚，得到聚类中心。
待检测目标包括海面上的船舶目标，输出像素包括轨迹径向速度信息、距离信息和角度信息，将所有输出像素输入至船舶扩展目标点迹凝聚模块，根据像素之间的马氏距离的大小将其划分为不同的目标，马氏距离由距离归一化偏差、角度归一化偏差和速度归一化偏差计算得到。
步骤104，根据轨迹径向速度信息修正聚类中心和一维距离像的预测轨迹之间的距离，采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹。
使用雷达监测系统进行目标跟踪时，目标跟踪主要包括数据关联的过程，全局最近邻算法(GNN)是在每个扫描时刻都试着找到并传播最可能的假设。在海杂波存在的环境中，GNN性能会降低，容易造成跟踪轨迹混乱的问题，因此，通过轨迹径向速度信息对待关联的聚类中心和预测轨迹之间的距离，可以防止海杂波与目标错误关联。
步骤106，提取雷达扫描帧号下每一候选目标运动轨迹的角散布范围、累积停留度和累积转角，得到徘徊行为描述向量，根据徘徊行为描述向量，采用机器学习方法训练用于判决徘徊行为的判决门限向量和权重参数。
海上船舶一般具有一定的工作目标，从而具有比较稳定的航行速度与航行方向，而海杂波通常运动速度较低，没有固定的运动方向，这一重要特征可以用以将其与正常海面目标进行区分。徘徊(wander)就是运动目标在一个地方停留超过一段时间或者运动轨迹出现异常，而海杂波具有徘徊性质，通过定义徘徊行为描述向量，就可以进一步地得到徘徊行为判别式，从而判别海杂波。角散布范围(angle)指的是在一段时间内目标运动航向角度在海平面的角度分布范围，累积停留度(tralen)指的是在一段时间内目标轨迹长度的分段相加的总和，转角(angturn)指的是在一段时间内目标运动航向的相邻两帧角度之差绝对值相加的总和。
步骤108，根据判决门限向量和权重参数对候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。
通过对候选目标运动轨迹进行徘徊行为判别，就可以有效抑制复杂的海杂波，还可以保留海面上运动的船舶目标，能够提高海面监视雷达信息处理的智能化水平。
上述杂波随机徘徊行为的海杂波抑制方法中，通过获取待检测目标回波信号对应的输出像素的目标聚类中心和预测轨迹的径向速度，并使用预测轨迹的径向速度修正预测轨迹和聚类中心之间的距离，通过关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹，提取候选目标轨迹中的角散布范围、累积停留度和累积转角特征，定义徘徊行为描述向量，从而形成徘徊行为判别式，就可以判别并抑制具有徘徊行为的海杂波。本发明方法，能够适应近海和远海雷达探测等不同场景下多种复杂海杂波的抑制需求，实现对海杂波的有效滤除。
在一个具体实施例中，如图2所示，提供了一种采用杂波随机徘徊行为的海杂波抑制方法的运动目标检测跟踪信号处理流程示意图，通过前处理得到聚类中心，采用速度信息辅助的GNN算法实现快速跟踪，针对跟踪后的输出轨迹提取特征，识别存在徘徊行为的异常轨迹，将这些徘徊轨迹判定为海杂波并进行滤除，得到最终的海面目标运动轨迹图像。前处理包括接收待检测目标反射的回波信号，所述回波信号为目标反射线性调频连续波信号的雷达回波信号，基于所述回波信号提取相应的一维雷达图像，通过动目标指示和动目标检测处理所述一维雷达图像以对消静止杂波，得到运动目标和低速海杂波的检出像素，根据所述检出像素结合扩展目标点迹凝聚方法得到聚类中心。由于海杂波特性复杂，且雷达机械旋转会造成海杂波多普勒频谱的进一步展宽，因此MTI(Moving Target Indication，动目标指示)之后，海杂波在雷达图像中还存在一定的残留，通过MTD(moving targetsdetection，动目标检测)进一步从多普勒频域深入分析回波中的运动目标，前处理具体步骤如下：
S10:雷达发射线性调频连续波信号为宽带信号：
其中，t为脉冲内快采样时间，f0为起始频率，Tp为线性调频扫频周期，Kf为调频斜率，j是虚数单位，矩形函数
采用超宽带信号可以提高距离分辨率。
S20:接收待检测目标反射的雷达回波信号，接收信号是延迟和衰减之后的发射信号：
sr(t)＝st(t-τ)
其中，τ表示电磁波从天线发射照射到目标P后被接收的双程传输延迟，目标径向距离为rp，方位角度为θp，
S30:采用去调频接收体制以降低对AD采集(数据采集滤波)的要求，从而降低系统成本，即将接收回波与发射波形相乘然后低通滤波，当雷达当前探测角度为θm时，接收机得到的中频回波为：
S40:利用快速傅里叶变换(Fast Fourier Transformation，FFT)的方法对中频回波进行脉冲压缩，可得到高分辨一维雷达图像为：
其中，频率值fI与目标距离rp具有线性对应关系，
S50:通过MTI抑制静止杂波，MTI处理本质上是高通滤波，具体方法较多，其差别主要是截止频率和过渡带宽度不同。以两脉冲对消MTI为例表示该过程，具体为：
sMTI(fI，θm)＝src(fI，θm)-src(fI，θm-1)
S60:MTD将一定扫描角度间隔内的多个向量组成一个数据矩阵，称为一个相干处理间隔(Coherent Processing Interval，CPI)，该扫描间隔内的向量数量为N，利用长度为N的FFT处理，可以得到N个不同多普勒频率下的数据向量，针对每个向量执行恒虚警(Constant False Alarm Rate，CFAR)检测，可得到不同距离下的N组检测结果，取N组内最大的结果作为同一距离下的最终输出。设每个输出像素
的信息包括距离
角度
和径向速度
等信息，可以记为
其中，i表示像素编号，m表示当前CPI的编号。
S70:雷达在扫描整个监视区域第k次时，可获得M个CPI下的多个输出像素，将所有输出像素输入至船舶扩展目标点迹凝聚模块，根据像素之间的马氏距离的大小将其划分为不同的目标。记此次雷达扫描输出的聚类中心为
该中心包含信息有：平均距离
平均角度
平均径向速度
可记为
在一个实施例中，提取雷达扫描帧号下每一候选目标运动轨迹的角散布范围、累积停留度和累积转角，得到徘徊行为描述向量包括：提取雷达扫描帧号下每一候选目标运动轨迹的角散布范围，角散布范围表示为：
其中，k0表示编号为i的轨迹首次被观测时的雷达扫描帧号，NTh表示开始计算徘徊行为指标的最小跟踪轨迹长度，m表示雷达扫描帧号，l表示雷达扫描帧号，ωm，i表示在第m帧雷达扫描时编号为i的轨迹的运动航向角度；提取雷达扫描帧号下每一候选目标运动轨迹的累积停留度，累积停留度为：
其中，
rm，i表示编号为i的轨迹在第m帧雷达扫描时与雷达的距离，θm，i表示编号为i的轨迹在第m帧雷达扫描时与雷达的方位角；提取雷达扫描帧号下每一候选目标运动轨迹的累积转角，累积转角为：
根据角散布范围、累积停留度和累积转角，得到徘徊行为描述向量为：
其中，[·]T表示向量转置运算，i表示轨迹编号。
在本实施例中，通过特征值定义目标徘徊行为，特征值包括角散布范围、累积停留度和累积转角，从而得到徘徊行为描述向量，就可以在众多轨迹中判断具有徘徊行为的海杂波，从而对海杂波有效滤除。
在一个实施例中，根据判决门限向量和权重参数对候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制包括：根据判决门限向量和权重参数构建徘徊行为判决式为：
其中，BTh为徘徊行为判决式的判决门限值，Γ为判决门限向量，Γ＝[αangle，αtralen，αangturn]T，Λ为权重参数，Λ＝[βangle，βtralen，βangturn]T；根据徘徊行为判决式对候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。在本实施例中，
表示开始计算徘徊行为指标的最小跟踪轨迹长度。
越大，计算得到的徘徊行为指标越准确，但会造成判断延迟增大，
越小，判断延迟更小，但是计算得到的徘徊行为指标准确度将降低，一般取
的整数值。
在一个实施例中，根据徘徊行为判决式对候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制包括：根据徘徊行为判决式对候选目标运动轨迹进行徘徊行为判别，得到每一时刻的徘徊行为判决结果；根据每一时刻的判决结果，构建目标轨迹判决式为：
其中，判断门限为Nw，W(k，i)为所有时刻的徘徊行为判决结果，W(k，i)＝[w(k0，i)，w(k0，i)+1，…，w(k，i)]T；根据目标轨迹判决式，得到目标运动轨迹，并对具有徘徊行为的海杂波进行抑制。在本实施例中，通过构建目标轨迹判决式判决目标运动轨迹，同时实现了对海杂波的抑制。
在一个实施例中，根据目标轨迹判决式，得到目标运动轨迹包括：根据目标轨迹判决式，得到目标轨迹判决结果，当目标轨迹判决结果为1时，不进行输出和显示，在雷达处理机的目标跟踪列中进行轨迹管理；当目标轨迹判决结果为0，输出和显示该目标的轨迹，得到目标运动轨迹。在本实施例中，在将复杂的海面杂波进行有效抑制的同时，保留海面上运动的船舶目标，从而提高海面监视雷达信息处理的智能化水平。
在一个实施例中，根据轨迹径向速度信息修正聚类中心和一维距离像的预测轨迹之间的距离包括：根据轨迹径向速度信息修正聚类中心和一维距离像的预测轨迹之间的距离，修正后的距离表示为：
其中，
表示第j条轨迹的距离在当前时刻的预测值，
表示第j条轨迹的角度在当前时刻的预测值
表示第j条轨迹的径向速度在当前时刻的预测值，σr表示雷达在距离上的测量方差，σθ表示雷达在角度上的测量方差，σv表示雷达在径向速度上的测量方差。在本实施例中，针对海杂波数量较多，容易造成跟踪轨迹混乱的问题，采用径向速度信息修正聚类中心与轨迹预测之间距离的计算方法，从而防止海杂波与目标错误关联。
在一个实施例中，采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹包括：采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹为；
其中，k表示雷达扫描序号，i表示轨迹编号，NID表示轨迹身份标志号，rk，i为当前所在距离，θk，i为当前所在方位，vk，i为运动速度大小，ωk，i为运动方向。在本实施例中，通过多目标跟踪单元输出候选目标运动轨迹，基于候选目标运动轨迹进行特征提取以构建徘徊行为描述向量。
应该理解的是，虽然图1-2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1-2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3所示，提供了一种杂波随机徘徊行为的海杂波抑制系统，包括：聚类模块302、轨迹跟踪模块304、徘徊行为描述模块306和海杂波抑制模块308，其中：
聚类模块302，用于对待检测目标的回波信号的一维距离像中的输出像素进行点迹凝聚，得到聚类中心；输出像素包括轨迹径向速度信息；
轨迹跟踪模块304，用于根据轨迹径向速度信息修正聚类中心和一维距离像的预测轨迹之间的距离，采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹；
徘徊行为描述模块306，用于提取雷达扫描帧号下每一候选目标运动轨迹的角散布范围、累积停留度和累积转角，得到徘徊行为描述向量，根据徘徊行为描述向量，采用机器学习方法训练用于判决徘徊行为的判决门限向量和权重参数；
海杂波抑制模块308，用于根据判决门限向量和权重参数对候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。
在其中一个实施例中，徘徊行为描述模块306还用于：提取雷达扫描帧号下每一候选目标运动轨迹的角散布范围，角散布范围表示为：
其中，k0表示编号为i的轨迹首次被观测时的雷达扫描帧号，NTh表示开始计算徘徊行为指标的最小跟踪轨迹长度，m表示雷达扫描帧号，l表示雷达扫描帧号，ωm，i表示在第m帧雷达扫描时编号为i的轨迹的运动航向角度；提取雷达扫描帧号下每一候选目标运动轨迹的累积停留度，累积停留度为：
其中，
rm，i表示编号为i的轨迹在第m帧雷达扫描时与雷达的距离，θm，i表示编号为i的轨迹在第m帧雷达扫描时与雷达的方位角；提取雷达扫描帧号下每一候选目标运动轨迹的累积转角，累积转角为：
根据角散布范围、累积停留度和累积转角，得到徘徊行为描述向量为：
其中，[·]T表示向量转置运算，i表示轨迹编号。
在其中一个实施例中，徘徊行为描述模块306还用于：根据判决门限向量和权重参数构建徘徊行为判决式为：
其中，
为徘徊行为判决式的判决门限值，Γ为判决门限向量，Γ＝[αangle，αtralen，αangturn]T，Λ为权重参数，Λ＝[βangle，βtralen，βangturn]T；根据徘徊行为判决式对候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。
在其中一个实施例中，海杂波抑制模块308还用于：根据徘徊行为判决式对候选目标运动轨迹进行徘徊行为判别，得到每一时刻的徘徊行为判决结果；根据每一时刻的判决结果，构建目标轨迹判决式为：
其中，判断门限为Nw，W(k，i)为所有时刻的徘徊行为判决结果，W(k，i)＝[w(k0，i)，w(k0，i)+1，…，w(k，i)]T；根据目标轨迹判决式，得到目标运动轨迹，并对具有徘徊行为的海杂波进行抑制。
在其中一个实施例中，海杂波抑制模块308还用于：根据目标轨迹判决式，得到目标轨迹判决结果，当目标轨迹判决结果为1时，不进行输出和显示，在雷达处理机的目标跟踪列中进行轨迹管理；当目标轨迹判决结果为0，输出和显示该目标的轨迹，得到目标运动轨迹。
在其中一个实施例中，轨迹跟踪模块304还用于：根据轨迹径向速度信息修正聚类中心和一维距离像的预测轨迹之间的距离，修正后的距离表示为：
其中，
表示第j条轨迹的距离在当前时刻的预测值，
表示第j条轨迹的角度在当前时刻的预测值
表示第j条轨迹的径向速度在当前时刻的预测值，σr表示雷达在距离上的测量方差，σθ表示雷达在角度上的测量方差，σv表示雷达在径向速度上的测量方差。
在其中一个实施例中，轨迹跟踪模块304还用于：采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹为；
其中，k表示雷达扫描序号，i表示轨迹编号，NID表示轨迹身份标志号，rk，i为当前所在距离，θk，i为当前所在方位，vk，i为运动速度大小，ωk，i为运动方向。
关于杂波随机徘徊行为的海杂波抑制系统的具体限定可以参见上文中对于杂波随机徘徊行为的海杂波抑制方法的限定，在此不再赘述。上述杂波随机徘徊行为的海杂波抑制系统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4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、显示屏和输入系统。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杂波随机徘徊行为的海杂波抑制方法。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系统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4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，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
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上述实施例中方法的步骤。
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 (10)
1.一种基于杂波随机徘徊行为的海杂波抑制方法，其特征在于，所述方法包括：
对待检测目标的回波信号的一维距离像中的输出像素进行点迹凝聚，得到聚类中心；所述输出像素包括轨迹径向速度信息；
根据所述轨迹径向速度信息修正所述聚类中心和所述一维距离像的预测轨迹之间的距离，采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹；
提取雷达扫描帧号下所述每一候选目标运动轨迹的角散布范围、累积停留度和累积转角，得到徘徊行为描述向量，根据所述徘徊行为描述向量，采用机器学习方法训练用于判决徘徊行为的判决门限向量和权重参数；
根据所述判决门限向量和权重参数对所述候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。
2.根据权利要求1所述的方法，其特征在于，所述提取雷达扫描帧号下所述每一候选目标运动轨迹的角散布范围、累积停留度和累积转角，得到徘徊行为描述向量包括：
提取雷达扫描帧号下所述每一候选目标运动轨迹的角散布范围，所述角散布范围表示为：
其中，k0表示编号为i的轨迹首次被观测时的雷达扫描帧号，NTh表示开始计算徘徊行为指标的最小跟踪轨迹长度，m表示雷达扫描帧号，l表示雷达扫描帧号，ωm,i表示在第m帧雷达扫描时编号为i的轨迹的运动航向角度；
提取雷达扫描帧号下所述每一候选目标运动轨迹的累积停留度，所述累积停留度为：
其中，(k-k0)≥NTh，rm,i表示编号为i的轨迹在第m帧雷达扫描时与雷达的距离，θm,i表示编号为i的轨迹在第m帧雷达扫描时与雷达的方位角；
提取雷达扫描帧号下所述每一候选目标运动轨迹的累积转角，所述累积转角为：
根据所述角散布范围、所述累积停留度和所述累积转角，得到徘徊行为描述向量为：
其中，[·]T表示向量转置运算，i表示轨迹编号。
3.根据权利要求1所述的方法，其特征在于，所述根据所述判决门限向量和权重参数对所述候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制包括：
根据所述判决门限向量和权重参数构建徘徊行为判决式为：
其中，BTh为徘徊行为判决式的判决门限值，Γ为判决门限向量，Γ＝[αangle,αtralen,αangturn]T，Λ为权重参数，Λ＝[βangle,βtralen,βangturn]T；
根据所述徘徊行为判决式对所述候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。
4.根据权利要求3所述的方法，其特征在于，所述根据所述徘徊行为判决式对所述候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制包括：
根据所述徘徊行为判决式对所述候选目标运动轨迹进行徘徊行为判别，得到每一时刻的徘徊行为判决结果；
根据所述每一时刻的判决结果，构建目标轨迹判决式为：
其中，判断门限为Nw，W(k,i)为所有时刻的徘徊行为判决结果，W(k,i)＝[w(k0,i),w(k0,i)+1,…,w(k,i)]T；
根据所述目标轨迹判决式，得到目标运动轨迹，并对具有徘徊行为的海杂波进行抑制。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标轨迹判决式，得到目标运动轨迹包括：
根据所述目标轨迹判决式，得到目标轨迹判决结果，当所述目标轨迹判决结果为1时，不进行输出和显示，在雷达处理机的目标跟踪列中进行轨迹管理；
当目标轨迹判决结果为0，输出和显示该目标的轨迹，得到目标运动轨迹。
6.根据权利要求1所述的方法，其特征在于，所述根据所述轨迹径向速度信息修正所述聚类中心和所述一维距离像的预测轨迹之间的距离包括：
根据所述轨迹径向速度信息修正所述聚类中心和所述一维距离像的预测轨迹之间的距离，修正后的距离表示为：
其中，
表示第j条轨迹的距离在当前时刻的预测值，
表示第j条轨迹的角度在当前时刻的预测值,
表示第j条轨迹的径向速度在当前时刻的预测值，σr表示雷达在距离上的测量方差，σθ表示雷达在角度上的测量方差，σv表示雷达在径向速度上的测量方差。
7.根据权利要求1所述的方法，其特征在于，所述采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹包括：
采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹为；
其中，k表示雷达扫描序号，i表示轨迹编号，NID表示轨迹身份标志号，rk,i为当前所在距离，θk,i为当前所在方位，vk,i为运动速度大小，ωk,i为运动方向。
8.一种杂波随机徘徊行为的海杂波抑制系统，其特征在于，所述系统包括：
聚类模块，用于对待检测目标的回波信号的一维距离像中的输出像素进行点迹凝聚，得到聚类中心；所述输出像素包括轨迹径向速度信息；
轨迹跟踪模块，用于根据所述轨迹径向速度信息修正所述聚类中心和所述一维距离像的预测轨迹之间的距离，采用全局最近邻关联算法进行轨迹关联，并对关联轨迹进行轨迹滤波，得到候选目标运动轨迹；
徘徊行为描述模块，用于提取雷达扫描帧号下所述每一候选目标运动轨迹的角散布范围、累积停留度和累积转角，得到徘徊行为描述向量，根据所述徘徊行为描述向量，采用机器学习方法训练用于判决徘徊行为的判决门限向量和权重参数；
海杂波抑制模块，用于根据所述判决门限向量和权重参数对所述候选目标运动轨迹进行徘徊行为判别，并对具有徘徊行为的海杂波进行抑制。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210488136.6A CN115184915B (zh) | 2022-05-06 | 基于杂波随机徘徊行为的海杂波抑制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210488136.6A CN115184915B (zh) | 2022-05-06 | 基于杂波随机徘徊行为的海杂波抑制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115184915A true CN115184915A (zh) | 2022-10-14 |
| CN115184915B CN115184915B (zh) | 2024-10-29 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116359849A (zh) * | 2023-06-01 | 2023-06-30 | 中国人民解放军国防科技大学 | 一种无源侦收截获的运动雷达目标关联方法和系统 |
| CN117115015A (zh) * | 2023-08-02 | 2023-11-24 | 中国人民解放军61540部队 | 一种sar海洋图像中海浪抑制方法、系统、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009074839A (ja) * | 2007-09-19 | 2009-04-09 | Nec Corp | クラッタ判別方法およびレーダ装置 |
| CN109270501A (zh) * | 2018-10-29 | 2019-01-25 | 安徽四创电子股份有限公司 | 一种用于全固态vts雷达的海杂波抑制方法 |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009074839A (ja) * | 2007-09-19 | 2009-04-09 | Nec Corp | クラッタ判別方法およびレーダ装置 |
| CN109270501A (zh) * | 2018-10-29 | 2019-01-25 | 安徽四创电子股份有限公司 | 一种用于全固态vts雷达的海杂波抑制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 魏明珠;: "机载预警雷达海杂波的抑制方法", 雷达科学与技术, no. 06, 15 December 2015 (2015-12-15) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116359849A (zh) * | 2023-06-01 | 2023-06-30 | 中国人民解放军国防科技大学 | 一种无源侦收截获的运动雷达目标关联方法和系统 |
| CN116359849B (zh) * | 2023-06-01 | 2023-08-04 | 中国人民解放军国防科技大学 | 一种无源侦收截获的运动雷达目标关联方法和系统 |
| CN117115015A (zh) * | 2023-08-02 | 2023-11-24 | 中国人民解放军61540部队 | 一种sar海洋图像中海浪抑制方法、系统、设备及介质 |
| CN117115015B (zh) * | 2023-08-02 | 2024-05-28 | 中国人民解放军61540部队 | 一种sar海洋图像中海浪抑制方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111899568B (zh) | 桥梁防撞预警系统、方法、装置和存储介质 | |
| EP0888560B1 (en) | Improved method of moment estimation and feature extraction for devices which measure spectra as a function of range or time | |
| CN109359787A (zh) | 一种小范围海域多模态海浪预测系统及其预测方法 | |
| Ma et al. | An algorithm for power line detection and warning based on a millimeter-wave radar video | |
| CN109324335B (zh) | 一种基于激光雷达识别风切变的方法和系统 | |
| CN111323756B (zh) | 一种基于深度学习的航海雷达目标检测方法及装置 | |
| CN104331886A (zh) | 基于高分辨sar图像的港口区域舰船检测方法 | |
| CN104133211A (zh) | 一种多普勒频率变换雷达目标分类识别方法 | |
| Vicen-Bueno et al. | Ship detection by different data selection templates and multilayer perceptrons from incoherent maritime radar data | |
| Xie et al. | Fast ship detection from optical satellite images based on ship distribution probability analysis | |
| CN118334736A (zh) | 基于毫米波雷达的多目标身份识别与行为监测方法 | |
| Ji et al. | Point association analysis of vessel target detection with SAR, HFSWR and AIS | |
| CN115184915B (zh) | 基于杂波随机徘徊行为的海杂波抑制方法及系统 | |
| CN115184915A (zh) | 基于杂波随机徘徊行为的海杂波抑制方法及系统 | |
| Lu et al. | Research on rainfall identification based on the echo differential value from X-band navigation radar image | |
| Meng et al. | A novel ship CFAR detection algorithm based on adaptive parameter enhancement and wake-aided detection in SAR images | |
| Zhu et al. | Feature-aided multi-target tracking method in sea clutter using scanning radar data | |
| Tan et al. | A ship detection method based on YOLOv7 in range-compressed SAR data | |
| Zhang et al. | SAR image ship detection based on a superpixel non-window fast cfar strategy | |
| Nguyen | Small-target radar detection and tracking within the pitas hard-and software environment | |
| Liu et al. | An automatic ship detection system using ERS SAR images | |
| Wang et al. | Knowledge-Based Plot Agglomeration for Multiple Extended Targets in Partial Occlusion Conditions | |
| Quina et al. | A look on ships detection techniques using SAR images | |
| CN113450308B (zh) | 一种雷达降雨检测方法、装置、计算机设备和存储介质 | |
| CN116879863B (zh) | 一种连续波4d毫米波雷达多目标测量方法及系统 |
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 |