CN115856894A - 基于超音速设备探测器的目标识别方法及装置 - Google Patents
基于超音速设备探测器的目标识别方法及装置 Download PDFInfo
- Publication number
- CN115856894A CN115856894A CN202210633976.7A CN202210633976A CN115856894A CN 115856894 A CN115856894 A CN 115856894A CN 202210633976 A CN202210633976 A CN 202210633976A CN 115856894 A CN115856894 A CN 115856894A
- Authority
- CN
- China
- Prior art keywords
- interference
- data
- characteristic parameter
- characteristic
- supersonic
- 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
Links
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请涉及一种基于超音速设备探测器的目标识别方法及装置,基于超音速设备探测器的目标识别方法包括采集地物回波数据和干扰数据,从地物回波数据中提取特征参量,基于所述特征参量建立特征参量信号数据库,从干扰数据中提取干扰特征,基于所述干扰特征以搭建干扰特征参数库,在超音速运动情况下实时获取探测数据;将探测数据分别与特征参量信号数据库和干扰特征参数库中数据进行比对,根据比对结果识别出探测数据中的一个或多个探测目标。本申请可以在存在干扰的情况下甄别出真实目标及重要价值目标,完成对有效目标的分类。
Description
技术领域
本申请属于超音速设备探测器技术领域,具体涉及一种基于超音速设备探测器的目标识别方法及装置。
背景技术
随着近现代电子产品的高速发展和先干扰手段的迅猛发展,对于目标探测的搜索检测以及识别和目标判断性能的要求也越来越高。在高速(超音速)飞行的情况下,理想的抗干扰智能探测器需满足:在极短的时间内尽可能地采集更多的目标环境地形地貌特征;通过有效方法快速对所采集信息进行有效特征参量的提取和分析;快速识别出复杂电磁干扰环境中真正的探测目标。随着环境越来越复杂以及各种干扰技术的发展,现有超音速探测器很难在各种地形地貌环境下及复杂电磁环境中检测出所需要攻击的目标,并且,在攻击目标为多种的情况下,不能实现对多种攻击目标的同时识别,不能满足用户需求。
发明内容
为至少在一定程度上克服传统超音速探测器很难在各种地形地貌环境下及复杂电磁环境中检测出所需要攻击的目标,并且,在攻击目标为多种的情况下,不能实现对多种攻击目标的同时识别,不能满足用户需求的问题,本申请提供一种基于超音速设备探测器的目标识别方法及装置。
第一方面,本申请提供一种基于超音速设备探测器的目标识别方法,包括:
采集地物回波数据和干扰数据;
从所述地物回波数据中提取特征参量,基于所述特征参量建立特征参量信号数据库;
从所述干扰数据中提取干扰特征,基于所述干扰特征以搭建干扰特征参数库;
在超音速运动情况下实时获取探测数据;
将所述探测数据分别与所述特征参量信号数据库和所述干扰特征参数库中数据进行比对;
根据比对结果识别出所述探测数据中的一个或多个探测目标。
进一步的,还包括:
分析各个特征参量在不同类别干扰中的差异数据变化情况,所述差异数据包括随干噪比;
结合所述各个特征参量在不同类别干扰中的差异数据变化情况筛选出所述探测数据中的可用特征参量。
进一步的,所述从所述地物回波数据中提取特征参量,包括:
利用压缩感知技术从所述地物回波数据中提取特征参量,所述特征参量包括植被、车辆、坦克中的一种或多种。
进一步的,所述基于所述特征参量建立特征参量信号数据库,包括:
将所述特征参量与每个特征的预设特征参量范围进行比对;
若在对应特征的预设特征参量范围内,则将所述特征参量归属于对应特征信号;
将所述特征参量和对应特征信号进行关联后保存到特征参量信号数据库中。
进一步的,所述从所述干扰数据中提取干扰特征,基于所述干扰特征以搭建干扰特征参数库,包括:
利用压缩感知技术从所述干扰数据中提取干扰特征;
将所述干扰特征输入分类器得到干扰分类结果;
将所述干扰分类结果保存至所述干扰特征参数库。
进一步的,所述分类器为基于GAP-CNN分类器,将所述干扰特征输入分类器得到干扰分类结果,包括:
将干扰数据进行模块化;
将模块化干扰数据分别输入卷积层和池化层;
经过卷积层和池化层处理后数据输入全连接层数据池;
将所述全连接层数据池与预设标准化数据池进行比对,得到干扰分类结果。
进一步的,所述超音速设备探测器为D波段探测器。
第二方面,本申请提供一种基于超音速设备探测器的目标识别方法,包括:
采集模块,用于采集地物回波数据和干扰数据;
第一建立模块,用于从所述地物回波数据中提取特征参量,基于所述特征参量建立特征参量信号数据库;
第二建立模块,用于从所述干扰数据中提取干扰特征,基于所述干扰特征以搭建干扰特征参数库;
获取模块,用于在超音速运动情况下实时获取探测数据;
比对模块,用于将所述探测数据分别与所述特征参量信号数据库和所述干扰特征参数库中数据进行比对;
识别模块,用于根据比对结果识别出所述探测数据中的一个或多个探测目标。
本申请的实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供的基于超音速设备探测器的目标识别方法及装置,通过采集地物回波数据和干扰数据,从地物回波数据中提取特征参量,基于所述特征参量建立特征参量信号数据库,从干扰数据中提取干扰特征,基于所述干扰特征以搭建干扰特征参数库,在超音速运动情况下实时获取探测数据;将探测数据分别与特征参量信号数据库和干扰特征参数库中数据进行比对,根据比对结果识别出探测数据中的一个或多个探测目标,可以在存在干扰的情况下甄别出真实目标及重要价值目标,完成对有效目标的分类。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一个实施例提供的一种基于超音速设备探测器的目标识别方法的流程图。
图2为本申请另一个实施例提供的一种基于超音速设备探测器的目标识别方法的流程图。
图3为本申请一个实施例提供的另一种基于超音速设备探测器的目标识别方法的流程图。
图4为本申请一个实施例提供的另一种基于超音速设备探测器的目标识别方法的流程图。
图5为本申请一个实施例提供的另一种基于超音速设备探测器的目标识别方法的流程图。
图6为本申请一个实施例提供的一种基于超音速设备探测器的目标识别装置的功能结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
图1为本申请一个实施例提供的基于超音速设备探测器的目标识别方法的流程图,如图1所示,该基于超音速设备探测器的目标识别方法包括:
S11:采集地物回波数据和干扰数据;
S12:从地物回波数据中提取特征参量,基于特征参量建立特征参量信号数据库;
S13:从干扰数据中提取干扰特征,基于干扰特征以搭建干扰特征参数库;
S14:在超音速运动情况下实时获取探测数据;
S15:将探测数据分别与特征参量信号数据库和干扰特征参数库中数据进行比对;
S16:根据比对结果识别出探测数据中的一个或多个探测目标。
传统超音速探测器很难在各种地形地貌环境下及复杂电磁环境中检测出所需要攻击的目标,并且,在攻击目标为多种的情况下,不能实现对多种攻击目标的同时识别,不能满足用户需求。
本实施例中,通过采集地物回波数据和干扰数据,从地物回波数据中提取特征参量,基于所述特征参量建立特征参量信号数据库,从干扰数据中提取干扰特征,基于所述干扰特征以搭建干扰特征参数库,在超音速运动情况下实时获取探测数据;将探测数据分别与特征参量信号数据库和干扰特征参数库中数据进行比对,根据比对结果识别出探测数据中的一个或多个探测目标,可以在存在干扰的情况下甄别出真实目标及重要价值目标,完成对有效目标的分类。
本发明实施例提供另一种基于超音速设备探测器的目标识别方法,如图2所示的流程图,该基于超音速设备探测器的目标识别方法包括:
S201:采集地物回波数据和干扰数据;
一些实施例中,干扰数据通过模拟仿真产生,如图3所示,模拟干扰数据流程包括:
模拟器产生模拟信号,经过时域滤波器进行滤波处理,采集真实信号,对真实信号进行信号处理后输入至时域滤波器进行滤波处理,将滤波处理后的模拟信号和真实信号今天频率变换、标准化处理,经过邻域平滑滤波、自适应滤波及归一化处理,得到干扰数据,所述干扰数据用于训练或测试。
模拟干扰是等时长的纯干扰与高斯白噪声叠加产生的,采集信号模拟采集干扰信号,其信号是一连续时段的纯干扰与时长更长的高斯白噪声叠加得到的。在流程图中,平滑滤波采用的是图像的维纳滤波算法,目的是使图像更平滑,规格统一指将上一步的结果图像通过采样统一尺寸至128*128,采用双三次插值算法。
一些实施例中,超音速设备探测器为D波段探测器。D波段毫米波技术宽带宽、高精度的特性。模拟干扰信号,超音速运动探测器的用途包括探测、识别、目标跟踪等,而对探测器进行干扰的目的就是影响或破坏对方探测器的这些行动。对探测器进行干扰的方式基本分为两种,其一是利用高能量的噪声信号来压制目标的回波信号,从而使探测器无法从干扰中检测出目标;其二是通过假的目标信息来迷惑探测器,让探测器难以分辨真假目标,从而影响对目标的检测和跟踪。探测器干扰的分类方法很多,按照干扰的目的,分为有意干扰和无意干扰,无意干扰主要包含雷达干扰、鸟群干扰、气象干扰等自然干扰和工业干扰、建筑干扰等无意人工干扰。
S202:利用压缩感知技术从地物回波数据中提取特征参量,所述特征参量包括植被、车辆、坦克中的一种或多种;
S203:将特征参量与每个特征的预设特征参量范围进行比对;
S204:若在对应特征的预设特征参量范围内,则将所述特征参量归属于对应特征信号;
S205:将特征参量和对应特征信号进行关联后保存到特征参量信号数据库中。
基于高度运动情况下地物重要目标干扰识别离不开大量数据的支撑,通过压缩感知技术可以减少数据中无关信息,降低噪声对于有用信息的影响,提升识别效率。同时大量数据的处理必要会带来时间成本的增加,因此可结合干扰仿真,针对多维地物回波数据以及噪声干扰和距离欺骗干扰等有源干扰数据,采用压缩感知技术将其转换为简单的特征参量,主要包括植被、车辆等,建立特征参量信号数据库,为后续的干扰识别提供数据支持。
S206:利用压缩感知技术从干扰数据中提取干扰特征;
S207:将干扰特征输入分类器得到干扰分类结果;
一些实施例中,分类器为基于GAP-CNN分类器,将干扰特征输入分类器得到干扰分类结果,包括:
将干扰数据进行模块化;
将模块化干扰数据分别输入卷积层和池化层;
经过卷积层和池化层处理后数据输入全连接层数据池;
将所述全连接层数据池与预设标准化数据池进行比对,得到干扰分类结果。干扰分类结果如表1所示。
表1干扰分类表
鉴于监督学习模型CNN(卷积神经网络)在计算机视觉和图像处理领域取得的成功经验,且该算法无需人工提取特征,还具有抗噪性能强、鲁棒性好的特点。因此可将GAP(Global Average Pooling,全局平均池化)-CNN应用于干扰深度学习和识别,提出基于高速运动情况下地物回波数据集GAP-CNN的分类算法模型,将干扰的高速运动情况下基于压缩感知的回波特性数据集输入该算法模型,实现对干扰的分类识别。
如图4所示,鉴于参数过多易引起过拟合且会影响训练速度,不直接利用GAP层替代全连接层,在设计中引入GAP层代替展平层,以减少全连接层的输入数目。在此基础上,引入D波段毫米波高速运动地物目标回波特征值以及建立的干扰参数库。对比干扰波形特征以及真实目标和重要价值目标特征数据,从而甄别出真实目标及重要价值目标,完成对有效目标的分类。
S208:将干扰分类结果保存至所述干扰特征参数库。
分类器按照一定方式准确地将输入的干扰特征划分到某个特定的干扰类型中,实现干扰的识别。常见的分类器有支持向量机、决策树和BP神经网络等,基于统计学习理论,分类器从训练数据中学习并得到干扰划分准则,各种分类器在足量的训练样本做支撑时,往往才能够实现良好的干扰监督分类。干扰识别模型不能直接用来分类,首先须从干扰中提取各类干扰特征,以搭建干扰特征参数库,用于SVM训练和干扰识别。
如图5所示,本申请将结合D波段毫米波技术,采用压缩感知技术,提取出高速运动情况下地物回波的主要特征,分析各特征在不同类别干扰中的差异和它们随干噪比的变化情况,以此为依据筛选可用特征参数,结合支持向量机方法实现干扰分类,与特征参量信号数据库进行对照并最终找出目标的特征值,提升识别速度与识别准确性。
S209:在超音速运动情况下实时获取探测数据;
S210:将探测数据分别与特征参量信号数据库和干扰特征参数库中数据进行比对;
S211:根据比对结果识别出探测数据中的真实目标及重要价值目标。
真实目标例如为坦克,重要价值目标例如为车辆等。
本实施例提供的基于超音速设备探测器的目标识别方法,结合干扰仿真,针对多维地物回波数据以及噪声干扰和距离欺骗干扰等有源干扰数据,采用压缩感知技术将其转换为简单的特征参量,主要包括植被、车辆等,提取出干扰信号主要特征,建立特征参量信号数据库,结合D波段毫米波技术,采用压缩感知技术,提取出音速运动情况下地物回波的主要特征,分析各特征在不同类别干扰中的差异和它们随干噪比的变化情况,以此为依据筛选可用特征参数,结合支持向量机方法实现干扰分类,对比干扰波形特征以及真实目标和重要价值目标特征数据,从而甄别出真实目标及重要价值目标,完成对有效目标的分类。
图6为本申请一个实施例提供的基于超音速设备探测器的目标识别装置的功能结构图,如图6所示,该基于超音速设备探测器的目标识别装置包括:
采集模块61,用于采集地物回波数据和干扰数据;
第一建立模块62,用于从地物回波数据中提取特征参量,基于特征参量建立特征参量信号数据库;
第二建立模块63,用于从干扰数据中提取干扰特征,基于干扰特征以搭建干扰特征参数库;
获取模块64,用于在超音速运动情况下实时获取探测数据;
比对模块65,用于将探测数据分别与特征参量信号数据库和所述干扰特征参数库中数据进行比对;
识别模块66,用于根据比对结果识别出探测数据中的一个或多个探测目标。
本实施例中,通过采集模块采集地物回波数据和干扰数据;第一建立模块从地物回波数据中提取特征参量,基于特征参量建立特征参量信号数据库;第二建立模块从干扰数据中提取干扰特征,基于干扰特征以搭建干扰特征参数库;获取模块在超音速运动情况下实时获取探测数据;比对模块将探测数据分别与特征参量信号数据库和所述干扰特征参数库中数据进行比对;识别模块根据比对结果识别出探测数据中的一个或多个探测目标,可以在存在干扰的情况下甄别出真实目标及重要价值目标,完成对有效目标的分类。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
需要说明的是,本发明不局限于上述最佳实施方式,本领域技术人员在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。
Claims (8)
1.一种基于超音速设备探测器的目标识别方法,其特征在于,包括:
采集地物回波数据和干扰数据;
从所述地物回波数据中提取特征参量,基于所述特征参量建立特征参量信号数据库;
从所述干扰数据中提取干扰特征,基于所述干扰特征以搭建干扰特征参数库;
在超音速运动情况下实时获取探测数据;
将所述探测数据分别与所述特征参量信号数据库和所述干扰特征参数库中数据进行比对;
根据比对结果识别出所述探测数据中的一个或多个探测目标。
2.根据权利要求1所述的基于超音速设备探测器的目标识别方法,其特征在于,还包括:
分析各个特征参量在不同类别干扰中的差异数据变化情况,所述差异数据包括随干噪比;
结合所述各个特征参量在不同类别干扰中的差异数据变化情况筛选出所述探测数据中的可用特征参量。
3.根据权利要求1所述的基于超音速设备探测器的目标识别方法,其特征在于,所述从所述地物回波数据中提取特征参量,包括:
利用压缩感知技术从所述地物回波数据中提取特征参量,所述特征参量包括植被、车辆、坦克中的一种或多种。
4.根据权利要求3所述的基于超音速设备探测器的目标识别方法,其特征在于,所述基于所述特征参量建立特征参量信号数据库,包括:
将所述特征参量与每个特征的预设特征参量范围进行比对;
若在对应特征的预设特征参量范围内,则将所述特征参量归属于对应特征信号;
将所述特征参量和对应特征信号进行关联后保存到特征参量信号数据库中。
5.根据权利要求1所述的基于超音速设备探测器的目标识别方法,其特征在于,所述从所述干扰数据中提取干扰特征,基于所述干扰特征以搭建干扰特征参数库,包括:
利用压缩感知技术从所述干扰数据中提取干扰特征;
将所述干扰特征输入分类器得到干扰分类结果;
将所述干扰分类结果保存至所述干扰特征参数库。
6.根据权利要求5所述的基于超音速设备探测器的目标识别方法,其特征在于,所述分类器为基于GAP-CNN分类器,将所述干扰特征输入分类器得到干扰分类结果,包括:
将干扰数据进行模块化;
将模块化干扰数据分别输入卷积层和池化层;
经过卷积层和池化层处理后数据输入全连接层数据池;
将所述全连接层数据池与预设标准化数据池进行比对,得到干扰分类结果。
7.根据权利要求1所述的基于超音速设备探测器的目标识别方法,其特征在于,所述超音速设备探测器为D波段探测器。
8.一种基于超音速设备探测器的目标识别装置,其特征在于,包括:
采集模块,用于采集地物回波数据和干扰数据;
第一建立模块,用于从所述地物回波数据中提取特征参量,基于所述特征参量建立特征参量信号数据库;
第二建立模块,用于从所述干扰数据中提取干扰特征,基于所述干扰特征以搭建干扰特征参数库;
获取模块,用于在超音速运动情况下实时获取探测数据;
比对模块,用于将所述探测数据分别与所述特征参量信号数据库和所述干扰特征参数库中数据进行比对;
识别模块,用于根据比对结果识别出所述探测数据中的一个或多个探测目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210633976.7A CN115856894A (zh) | 2022-06-07 | 2022-06-07 | 基于超音速设备探测器的目标识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210633976.7A CN115856894A (zh) | 2022-06-07 | 2022-06-07 | 基于超音速设备探测器的目标识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115856894A true CN115856894A (zh) | 2023-03-28 |
Family
ID=85660121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210633976.7A Pending CN115856894A (zh) | 2022-06-07 | 2022-06-07 | 基于超音速设备探测器的目标识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115856894A (zh) |
-
2022
- 2022-06-07 CN CN202210633976.7A patent/CN115856894A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110007366B (zh) | 一种基于多传感器融合的生命搜寻方法以及系统 | |
CN108932479A (zh) | 一种人体异常行为检测方法 | |
CN110456320B (zh) | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 | |
CN110738095A (zh) | 一种行为分析方法及装置 | |
US10497128B2 (en) | Method and system for sea background modeling and suppression on high-resolution remote sensing sea images | |
CN107064894A (zh) | 一种基于深度学习的杂波抑制方法 | |
CN111460953B (zh) | 一种基于对抗域自适应学习的心电信号分类方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN110415260A (zh) | 基于字典与bp神经网络的烟雾图像分割与识别方法 | |
CN110443830A (zh) | 一种基于混合高斯背景模型的降水云团检测方法 | |
CN116338684A (zh) | 基于毫米波雷达与深度学习的人体跌倒检测方法及系统 | |
CN111695461A (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
CN108985375B (zh) | 考虑粒子权值空间分布的多特征融合跟踪方法 | |
JP2008059080A (ja) | 信号識別装置の学習データの選択方法 | |
CN113034471A (zh) | 一种基于finch聚类的sar图像变化检测方法 | |
CN111797690A (zh) | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 | |
CN115856894A (zh) | 基于超音速设备探测器的目标识别方法及装置 | |
Martinez et al. | Deep learning-based segmentation for the extraction of micro-doppler signatures | |
Al-Shammri et al. | A combined method for object detection under rain conditions using deep learning | |
CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及系统 | |
CN112614158B (zh) | 一种采样框自适应的多特征融合在线目标跟踪方法 | |
CN113963178A (zh) | 地空背景下红外弱小目标检测方法、装置、设备及介质 | |
CN114168058A (zh) | Fmcw单毫米波雷达的空中手写字符识别方法及装置 | |
CN113177960A (zh) | 边缘支持背景建模的roi监控视频提取平台 | |
CN108776968B (zh) | 基于深度森林的sar图像变化检测方法 |
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 |