CN115877344A - 一种宽带检测跟踪识别一体化处理的雷达探测方法及系统 - Google Patents
一种宽带检测跟踪识别一体化处理的雷达探测方法及系统 Download PDFInfo
- Publication number
- CN115877344A CN115877344A CN202310143185.0A CN202310143185A CN115877344A CN 115877344 A CN115877344 A CN 115877344A CN 202310143185 A CN202310143185 A CN 202310143185A CN 115877344 A CN115877344 A CN 115877344A
- Authority
- CN
- China
- Prior art keywords
- target
- doppler
- broadband
- detection
- track
- 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
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种宽带检测跟踪识别一体化处理的雷达探测方法及系统,通过雷达接收目标射频回波信号并下变频至中频;对其处理后对其进行宽带系统进行补偿,得到时域压缩后的信号并对其进行动目标检测,输出二维距离多普勒“复图像”,将其转换为二维距离多普勒“RGB彩色图像”,并进行目标检测处理和目标类型的识别;输出目标的空间三维坐标、多普勒维度信息以及目标类型信息。本发明通过数据驱动的雷达视觉处理流程在全信号域实现,提高了在复杂电磁环境下目标检测、跟踪与识别的性能;利用数据驱动的视觉检测技术、时空预判的目标跟踪技术以及细粒度分类算法在信号域完成对目标的检测、跟踪及识别,实现基于数据驱动的检测、跟踪与识别一体化。
Description
技术领域
本发明涉及雷达探测系统及雷达处理技术领域,具体为一种宽带检测跟踪识别一体化处理的雷达探测方法及系统。
背景技术
雷达的原理是雷达设备的发射机通过天线把电磁波能量射向空间某一方向,处在此方向上的物体反射碰到的电磁波;雷达天线接收此反射波,送至接收设备进行处理,提取有关该物体的某些信息(目标物体至雷达的距离,距离变化率或径向速度、方位、高度等)。测量速度原理是雷达根据自身和目标之间有相对运动产生的频率多普勒效应。雷达接收到的目标回波频率与雷达发射频率不同,两者的差值称为多普勒频率。从多普勒频率中可提取的主要信息之一是雷达与目标之间的距离变化率。当目标与干扰杂波同时存在于雷达的同一空间分辨单元内时,雷达利用它们之间多普勒频率的不同能从干扰杂波中检测和跟踪目标。测量目标方位原理是利用天线的尖锐方位波束,通过测量仰角靠窄的仰角波束,从而根据仰角和距离就能计算出目标高度。
基于概率统计模型驱动、恒虚警检测(CFAR)理论的雷达探测系统,对接收到的原始宽带回波信号进行脉冲压缩、动目标检测(MTD)等处理,得到目标二维距离多普勒信息,然后经过距离门恒虚警检测,输出目标点迹信息,最后经过多目标跟踪、识别等处理,得到目标探测信息,在整个处理过程中,原始信号经过了从信号域,到数据域的转换,信号带宽得到了极大的压缩,大大减轻了后续数据处理的压力,使得更为复杂的目标跟踪和识别算法得到了应用,提高了目标跟踪及识别的准确率;但同时,模型驱动的雷达信号处理流程在CFAR检测后,由信号域转换到数据域,信号带宽BW下降到数据带宽bw,信号域的带宽(BW)目前一般可以到10Gbps以上,而数据域的带宽(bw)则一般在1Mbps左右,导致信息大量丢失;使得后续算法无法使用目标及杂波的细节信息,也使得后续模型驱动算法必须在各种特定假设条件下进行,从而催生了各种模型下的不同检测、跟踪识别算法的发展,但给定假设模型下的算法对于其他模型缺乏足够的适应性。
发明内容
本发明采用以下技术方案:一种宽带检测跟踪识别一体化处理的雷达探测方法,其特征在于:包括以下步骤:
步骤S100,雷达接收目标宽带射频回波信号并变频至宽带中频;
步骤S200,对宽带中频信号进行宽带系统幅相失真补偿和IQ通道正交失衡补偿,得到宽带补偿后的目标宽带中频信号;
步骤S300,对宽带补偿后的所述目标宽带中频信号在时域对该信号进行中频正交解调后和匹配滤波处理后,得到时域压缩后的宽带信号;
步骤S400,利用MTI和256点FFT算法实现对时域压缩后的宽带信号的动目标检测算法,并输出目标所在波束指向的二维距离多普勒宽带复 “图像”;
步骤S500,对二维距离多普勒宽带复“图像”进行数据格式转换,将复数域浮点数据转换为二维距离多普勒宽带“RGB彩色图像”;
步骤S600,利用深度神经网络模型对输入的二维距离多普勒宽带“RGB彩色图像”进行特征提取和目标检测处理,获取目标的坐标信息,并用于计算对应的目标距离和多普勒数据值;目标距离、多普勒数值和接收目标射频回波信号波束形成的空域指向性信息构成目标的空间三维信息和多普勒维度信息;
步骤S700,在空间三维以及多普勒维度对目标进行基于时间、空间的目标跟踪;
步骤S800,对于输入的二维距离多普勒宽带“RGB彩色图像”利用基于BilinearCNN的深度神经网络模型,进行目标类型的识别;
步骤S900,输出目标的空间三维坐标、多普勒信息以及目标类型信息。
进一步的,所述步骤S400的具体过程包括:
步骤S401,将雷达矩阵数据进行重排获得同一距离单元的数据;
步骤S401,通过MTI算法去直流和删除多普勒频点数以抑制静止或者低速的干扰信号,使同一距离单元的数据平均值为零;
步骤S403,加入泰勒窗;
步骤S404,利用FFT运算得到运动目标的速度信息。
进一步的,所述步骤S500的具体步骤包括:
步骤S501,对输入的二维距离多普勒宽带复“图像”求模转换为幅度图像数据;
步骤S502,对幅度图像进行最大值归一化将原始浮点数据压缩为0-1之间的浮点数据;
步骤S503,根据预设的颜色表,将处于不同数值范围的像素赋予不同的色彩RGB值,生成二维距离多普勒宽带“RGB彩色图像”。
进一步的,步骤S600中采用YoLo V5深度网络对输入的二维距离多普勒 “RGB彩色图像”进行目标检测处理,具体步骤包括:
步骤S601,利用YoLo V5深度网络中的目标检测分支获取目标在二维距离多普勒“RGB彩色图像”中的坐标;
步骤S602,根据二维距离多普勒“RGB彩色图像”对应的距离单元和多普勒单元,获取对应的距离和多普勒数据值。
进一步的,所述空域指向性信息包括目标的方位和俯仰信息。
进一步的,步骤S700中所述目标跟踪模块进行时空预判的目标跟踪,形成目标航迹信息,具体步骤包括:
步骤S701,提取二维距离多普勒宽带“RGB彩色图像”中的速度、距离、角度原始点迹数据;
步骤S702,对所述原始点迹数据进行速度分段的动态杂波图过滤,在方位上求质量中心、距离上按峰值搜索、俯仰上求质量中心的方法融合点迹;;
步骤S703,点迹预处理后,对余下的点迹根据目标运动模型获取当前时刻的量测预测值,以预测值为中心建立相关波门,根据航迹关联算法,在所有落入相关波门的点迹中选择一个与预测值波门中心总误差最小的点与航迹进行关联;
步骤S704,如果点迹与航迹成功关联,则对该航迹进行滤波处理并更新航迹,转步骤S703;如果点迹未与航迹关联,则将该点迹作为新的航迹头进行航迹起始,转步骤S703;如果多轮处理中均无点迹与航迹关联,则将该航迹终止。
本发明还提供了一种宽带检测跟踪识别一体化处理的雷达探测系统,包括:
雷达接收目标射频回波信号并下变频至中频的接收模块;
对宽带中频信号进行宽带系统幅相失真补偿和IQ通道正交失衡补偿宽带校正模块;
对中频信号在时域内进行正交调节得到时域压缩后的信号的脉冲压缩模块;
利用MTI和256点FFT算法对时域压缩后的信号进行动目标检测,并输出目标所在波束指向的二维距离多普勒“复图像”的MTD模块;
对二维距离多普勒“复图像”进行数据格式转换,将复数域浮点数据转换为二维距离多普勒“RGB彩色图像”的复图像预处理模块;
利用深度神经网络模型对输入的二维距离多普勒 “RGB彩色图像”进行目标检测处理,获取目标的坐标信息的目标视觉检测模块;目标在二维距离多普勒“RGB彩色图像”上的坐标信息和接收目标射频回波信号波束形成的空域指向性信息构成目标的空间三维信息;
在空间三维以及多普勒维度对目标进行基于时间、空间的目标跟踪的目标跟踪模块;
对于输入的二维距离多普勒“RGB彩色图像”利用基于Bilinear CNN的深度神经网络模型,进行目标类型的识别的细粒度分类的目标识别模块。
进一步的,所述MTD模块具体包括:
将雷达矩阵数据进行重排获得同一距离单元的数据的子模块;
通过MTI算法去直流和删除多普勒频点数以抑制静止或者低速的干扰信号的子模块,使同一距离单元的数据平均值为零;
加入泰勒窗的子模块;
利用FFT运算得到运动目标的速度信息的子模块。
进一步的,所述复图像预处理模块具体包括:
对输入的二维距离多普勒“复图像”进行求模,转换为幅度图像数据的子模块;
对幅度图像数据进行最大值归一化将原始浮点数据压缩为0-1之间的浮点数据的子模块;
根据预设的颜色表,将处于不同数值范围的像素赋予色彩RGB值,生成二维距离多普勒“RGB彩色图像”的子模块。
进一步的,所述目标视觉检测模块中采用YoLo V5深度网络对输入的二维距离多普勒 “RGB彩色图像”进行目标检测处理,具体包括:
利用YoLo V5深度网络中的目标检测分支获取目标在二维距离多普勒“RGB彩色图像”中的坐标的子模块;
根据二维距离多普勒“RGB彩色图像”对应的距离单元和多普勒单元,获取对应的距离和多普勒数据值的子模块;
目标跟踪模块具体包括:
提取二维距离多普勒“RGB彩色图像”中速度、距离、角度原始点迹数据的子模块;
对原始点迹数据,进行速度分段的动态杂波图过滤,在方位上求质量中心、距离上按峰值搜索、俯仰上求质量中心的方法融合点迹的子模块;
对点迹预处理后余下的点迹,根据目标运动模型获取当前时刻的量测预测值,以预测值为中心建立相关波门,根据航迹关联算法,在所有落入相关波门的点迹中选择一个与预测值波门中心总误差最小的点与与航迹进行关联的子模块;
如果点迹与航迹成功关联,则对该航迹进行滤波处理并更新航迹;如果点迹未与航迹关联,则将该点迹作为新的航迹头进行航迹起始;如果多轮处理中均无点迹与航迹关联,则将该航迹终止的子模块。
有益效果:与现有技术相比,本发明优点为:
(1)数据驱动的雷达视觉处理流程在全信号域实现,保留了目标的全部信息,即全处理流程的带宽均保持在10Gbps的量级,使后续的检测、跟踪与识别均保留了目标的全部细节信息,从而提高了在复杂电磁环境下目标检测、跟踪与识别的性能。
(2)利用数据驱动的视觉检测技术、时空预判的目标跟踪技术以及细粒度分类算法在信号域完成对目标的检测、跟踪及识别,实现基于数据驱动的检测、跟踪与识别一体化。
附图说明
图1为本发明宽带检测跟踪识别一体化处理的雷达探测系统流程图;
图2为本发明实施例中宽带线性调频信号时域波形和信号频谱;
图3为本发明实施例中宽带线性调频信号正交解调后的时域波形和信号频谱;
图4为本发明实施例中数字化天线输出宽带波形;
图5为本发明未经过校正的目标宽带中频回波信号相频图;
图6为本发明经过校正的目标宽带中频回波信号相频图;
图7为本发明实施例中时宽较窄、主副瓣比较高的尖峰信号
图8为本发明实施例中二维距离多普勒宽带复“图像”;
图9为本发明实施例中经过视觉检测的连续二维距离多普勒宽带“RGB彩色图像”;
图10为本发明实施例中时空预判关联图。
实施方式
为了便于理解本发明,下面将参照附图对本发明进行更加全面的描述。本发明可以通过不同的形式来实现,并不限于文本所描述的实施例。相反的,提供实施例是为了使本发明公开的内容更加透彻全面。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1~图10,本实施例提供一种宽带检测跟踪识别一体化处理的雷达探测系统,本发明不仅保留雷达回波信号的全部信息,并在后续检测、跟踪以及识别等雷达处理中,均保留了目标的全部细节信息,能够显著提高复杂电磁环境下目标检测、跟踪与识别的性能。
此实施例中,放出无人机作为目标,启动雷达系统。
步骤1:数字化天线将经过接收波束形成在空域指向得到的目标宽带射频回波信号下变频至宽带中频回波后输出至宽带校正模块;
选用信号时宽为2us,中心频率为125MHz,带宽为32MHz的线性调频信号作为发射信号,对空域中目标进行探测搜索,数字化天线经过波束形成在空域指向接收信号,接收到信号x s (t),如图2,对实信号x s (t)进行采样,然后将采样序列x(n)分别与两路相互正交的本振信号2cos(w o n)和-2sin(w o n)相乘,最后通过低通滤波器滤除高频分量后得到零中频信号,如图3。最后经过低通滤波器后输出如图4所示的数字化天线输出宽带波形,将此信号输出至宽带校正模块。
步骤2:宽带校正模块接收来自数字化天线模块的目标宽带中频回波信号,对该信号完成宽带系统幅相失真补偿和IQ通道正交失衡补偿,得到宽带补偿后的目标宽带中频回波信号,并将该信号输出至脉冲压缩模块;
(1)对接收信号完成宽带系统幅相失真补偿。
中频回波信号设为:
该信号的频谱为:
线性调频信号在每个频率取f=Kt处都驻留了相当长的时间,线性系统在此时间内己达到稳定状态,时域信号就为线性系统传递函数E(Kt)与输入线性调频信号之积,直接利用E(Kt)的倒数就可以实现对信号的幅相误差补偿。
(2)对完成幅相误差补偿的信号进行IQ通道正交失衡补偿。
失真的I/Q信号模型可表示为:
其中,D ci 和D cq 分别为I、Q通道的直流分量;G e 为增益失衡,即I通道增益和Q通道增益的比值;θ e 为Q通道相对于I通道偏离90度的相位差。
通过下式对失真模型进行校正:
原始目标宽带中频回波信号相频如图5,经过校正后的目标宽带中频信号的相频如图6。
步骤3:脉冲压缩模块接收来自宽带校正模块输出的宽带补偿后的目标宽带中频回波信号,并在时域对该信号进行中频正交解调后,进行匹配滤波处理后,得到时域压缩后的信号,并将该信号输出至MTD模块;
脉冲压缩的时域实现方法是通过FIR滤波器来完成的,具体是将匹配滤波的系数h (n)与正交解调后的信号x(n)卷积。匹配滤波系数与接收信号镜像共轭,随着滤波器阶数的增加,信号需要进行的乘加运算也急剧增加。时域脉冲压缩法的输出信号表达式为:
其中x(n)为正交解后的信号,h(n)为匹配滤波器的系数,y(n)为时域脉冲压缩法的输出信号;
信号通过匹配滤波之后,再经过-35dB的泰勒窗抑制信号旁瓣,最终输出如图7所示的时宽较窄、主副瓣比较高的尖峰信号,并将该信号输送至MTD模块。
步骤4:MTD模块接收来自得到脉冲压缩模块输出的时域压缩后的信号,并利用MTI以及FFT算法实现对于该信号的动目标检测算法,并输出目标所在波束指向的二维距离多普勒宽带复 “图像”至复图像预处理模块;
将256个脉冲重复周期的信号进行累积,在进行动目标检测之前需要将雷达矩阵数据进行重排来得到同一距离单元的数据,并通过去直流和删除多普勒频点的方法抑制静止或者低速的干扰信号,使同一距离单元的数据平均值为零,抑制地物等静止杂波的干扰;通过加窗的方法防止信号频谱泄漏,使用泰勒窗,主旁瓣比设置为35dB,然后再通过FFT运算得到运动目标的速度信息。输出如图8所示的二维距离多普勒宽带复“图像”至复图像预处理模块。
步骤5:复图像预处理模块接收来MTD模块输出的二维距离多普勒宽带复“图像”,并对其进行数据格式转换,将复数域浮点数据转换为深度神经网络所需的二维距离多普勒宽带“RGB彩色图像”,并将输出的二维距离多普勒宽带“RGB彩色图像”输出至目标视觉检测模块;
根据环境统计特性和目标散射特性先验知识首先将输入的二维距离多普勒宽带复图像数据求模转换为幅度图像数据,将幅度数据除以数据中的最大幅度值标准化到 [0,1] 范围内,将单波段幅度图像加载到支持假彩色合成的ENVI软件中并载入预设的颜色表。该颜色表将[0, 1] 范围内的实数划分为不同的数据区间,并给每个数据区间赋予了不同的颜色。则预设的颜色表,将处于不同数值范围的像素赋予不同的色彩RGB值,从而生成后续深度神经网络模型所需的二维距离多普勒宽带“RGB彩色图像”,并输出至目标视觉检测模块。
步骤6:目标视觉检测模块利用深度神经网络模型对输入的二维距离多普勒宽带“RGB彩色图像”进行特征提取和目标检测处理,实现对于目标边界框和中心位置的标定,并输出目标在二维距离多普勒宽带“RGB彩色图像”上的坐标信息,结合接收波束形成的空域指向性信息(方位、俯仰),将目标在空间三维信息以及多普勒信息输出给基于时空预判的目标跟踪模块;
视觉检测模块主要依赖于YOLO V5算法实现对输入二维距离多普勒宽带“RGB彩色图像”的目标检测。针对不同的对象,可加载和装订不同尺寸的预设锚框。该模块需在实际工作之前,利用预先采集整理的数据集进行模型训练,完成训练后,即可将训练好的网络权重加载到实时雷达系统中对目标进行检测。在实际工作中,选择Darknet-53的网络架构检测目标物体,通过对输入伪彩色距离-多普勒图像应用随机变换来增强训练数据集,以增加数据的多样性并提高模型的泛化能力,通过使用二元交叉熵损失函数优化目标检测模块参数,在增强训练数据集上训练 YOLO V5模型。将训练好的YOLO V5模型应用到输入的伪彩色二维距离多普勒图像上进行物体检测,生成物体周围的边界框,并输出如图9所示的经过视觉检测的连续二维距离多普勒宽带“RGB彩色图像”。在此过程中利用YOLO V5模型中的目标检测分支获取候选目标在距离多普勒图像中的坐标,然后,根据二维距离多普勒宽带“RGB彩色图像”对应的距离单元和多普勒单元,获取对应的距离和多普勒数据值。由于模型输出的图像坐标为浮点数,因此,本模块所得的距离值和多普勒值较之常规雷达系统所获得的距离单元和多普勒门更为精确。
步骤7:目标跟踪模块利用输入的空间三维信息以及多普勒信息,在空间三维以及多普勒维度对目标进行基于时间空间的目标跟踪,最后将跟踪到的目标的二维距离多普勒宽带“RGB彩色图像”输出至基于细粒度分类的目标识别模块;
目标跟踪模块主要根据雷达观测到的信息,结合模式识别和自动控制,对目标的位置、速度等运动参数进行准确地估计,以实现对于机动目标跟踪的功能。当目标的运动状态突然发生停止、转向等不确定改变时,机动目标跟踪依赖航迹起始,将点迹作为航迹的起始点,建立目标的可靠航迹,实时地识别动态目标,提取目标信息,建立目标运动模型;通过卡尔曼滤波算法,根据已有的有效观测值对目标当前的状态进行平滑,并对目标的下一状态进行预测,计算出目标的位置,实现对目标的准确跟踪;并依赖点迹和航迹的互联过程实现对可靠航迹的维持与更新。其主要的过程为:(1)提取二维距离多普勒宽带“RGB彩色图像”中的速度,距离,角度等原始点迹数据;(2)对原始点迹数据进行速度分段的动态杂波图过滤,在方位上求质量中心、距离上按峰值搜索、俯仰上求质量中心的方法融合点迹;(3)点迹预处理后,对余下的点迹进行数据关联,数据关联即是点迹与航迹的关联。(4)根据建立的目标运动模型推算出当前时刻的量测预测值,然后以该预测值为中心建立关联门,根据航迹关联算法,在所有落入相关波门的点迹中选择一个最合适的点与航迹进行关联。(5)如果点迹与航迹成功关联,则对该航迹进行滤波处理以估计当前目标的真实运动参数,并更新航迹;如果点迹未与航迹关联,则将该点迹作为新的航迹头进行航迹起始;如果多轮处理中均无点迹与航迹关联,则将该航迹终止。最终输出如图10所示的时空预判关联图至基于细粒度分类的目标识别模块。
步骤8:基于细粒度分类的目标识别模块对于输入的二维距离多普勒宽带“RGB彩色图像”利用基于Bilinear CNN的深度神经网络模型,进行目标类型的识别,并最终输出目标的空间三维坐标、多普勒信息以及目标类型信息。
本系统的细粒度分类模块主要利用Bilinear CNN模型,根据输入的二维距离多普勒宽带“RGB彩色图像”, 使用两个并行的 CNN 从二维距离多普勒宽带“RGB彩色图像”中提取高阶特征,计算提取高阶特征的外积,形成二维距离多普勒宽带“RGB彩色图像”的双线性表示,将双线性表示送入全连接层进行分类,再通过一个softmax激活函数得到初步细粒度分类结果,使用交叉熵损失函数计算损失并反向传播梯度以更新Bilinear CNN模型参数。
经过以上步骤后,可以证明本雷达对目标实现了探测与跟踪,目标信息如图9所示:距离:896.48米、方位:42.47°、俯仰:13.85°、速度:11m/s,并且雷达能够分辨出目标类型为无人机,实现了宽带雷达的检测跟踪识别一体化,探测精度更高,抗干扰能力更强。
在上述实施例中可以实现全部功能,或根据需要实现部分功能。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
Claims (10)
1.一种宽带检测跟踪识别一体化处理的雷达探测方法,其特征在于:包括以下步骤:
步骤S100,雷达接收目标宽带射频回波信号并变频至宽带中频;
步骤S200,对宽带中频信号进行宽带系统幅相失真补偿和IQ通道正交失衡补偿,得到宽带补偿后的目标宽带中频信号;
步骤S300,对宽带补偿后的所述目标宽带中频信号在时域对该信号进行中频正交解调后和匹配滤波处理后,得到时域压缩后的宽带信号;
步骤S400,利用MTI和256点FFT算法实现对时域压缩后的宽带信号的动目标检测算法,并输出目标所在波束指向的二维距离多普勒宽带复 “图像”;
步骤S500,对二维距离多普勒宽带复“图像”进行数据格式转换,将复数域浮点数据转换为二维距离多普勒宽带“RGB彩色图像”;
步骤S600,利用深度神经网络模型对输入的二维距离多普勒宽带“RGB彩色图像”进行特征提取和目标检测处理,获取目标的坐标信息,并用于计算对应的目标距离和多普勒数据值;目标距离、多普勒数值和接收目标射频回波信号波束形成的空域指向性信息构成目标的空间三维信息和多普勒维度信息;
步骤S700,在空间三维以及多普勒维度对目标进行基于时间、空间的目标跟踪;
步骤S800,对于输入的二维距离多普勒宽带“RGB彩色图像”利用基于Bilinear CNN的深度神经网络模型,进行目标类型的识别;
步骤S900,输出目标的空间三维坐标、多普勒信息以及目标类型信息。
2.根据权利要求1所述的一种宽带检测跟踪识别一体化处理的雷达探测方法,其特征在于,所述步骤S400的具体过程包括:
步骤S401,将雷达矩阵数据进行重排获得同一距离单元的数据;
步骤S401,通过MTI算法去直流和删除多普勒频点数以抑制静止或者低速的干扰信号,使同一距离单元的数据平均值为零;
步骤S403,加入泰勒窗;
步骤S404,利用FFT运算得到运动目标的速度信息。
3.根据权利要求1所述的一种宽带检测跟踪识别一体化处理的雷达探测方法,其特征在于,所述步骤S500的具体步骤包括:
步骤S501,对输入的二维距离多普勒宽带复“图像”求模转换为幅度图像数据;
步骤S502,对幅度图像进行最大值归一化将原始浮点数据压缩为0-1之间的浮点数据;
步骤S503,根据预设的颜色表,将处于不同数值范围的像素赋予不同的色彩RGB值,生成二维距离多普勒宽带“RGB彩色图像”。
4.据权利要求1所述的方法,其特征在于,步骤S600中采用YoLo V5深度网络对输入的二维距离多普勒 “RGB彩色图像”进行目标检测处理,具体步骤包括:
步骤S601,利用YoLo V5深度网络中的目标检测分支获取目标在二维距离多普勒“RGB彩色图像”中的坐标;
步骤S602,根据二维距离多普勒“RGB彩色图像”对应的距离单元和多普勒单元,获取对应的距离和多普勒数据值。
5.根据权利要求1所述的一种宽带检测跟踪识别一体化处理的雷达探测方法,其特征在于,所述空域指向性信息包括目标的方位和俯仰信息。
6.根据权利要求1所述的一种宽带检测跟踪识别一体化处理的雷达探测方法,其特征在于:步骤S700中所述目标跟踪模块进行时空预判的目标跟踪,形成目标航迹信息,具体步骤包括:
步骤S701,提取二维距离多普勒宽带“RGB彩色图像”中的速度、距离、角度原始点迹数据;
步骤S702,对所述原始点迹数据进行速度分段的动态杂波图过滤,在方位上求质量中心、距离上按峰值搜索、俯仰上求质量中心的方法融合点迹;
步骤S703,点迹预处理后,对余下的点迹根据目标运动模型获取当前时刻的量测预测值,以预测值为中心建立相关波门,根据航迹关联算法,在所有落入相关波门的点迹中选择一个与预测值波门中心总误差最小的点与航迹进行关联;
步骤S704,如果点迹与航迹成功关联,则对该航迹进行滤波处理并更新航迹,转步骤S703;如果点迹未与航迹关联,则将该点迹作为新的航迹头进行航迹起始,转步骤S703;如果多轮处理中均无点迹与航迹关联,则将该航迹终止。
7.一种宽带检测跟踪识别一体化处理的雷达探测系统,其特征在于,包括:
雷达接收目标射频回波信号并下变频至中频的接收模块;
对宽带中频信号进行宽带系统幅相失真补偿和IQ通道正交失衡补偿宽带校正模块;
对中频信号在时域内进行正交调节得到时域压缩后的信号的脉冲压缩模块;
利用MTI和256点FFT算法对时域压缩后的信号进行动目标检测,并输出目标所在波束指向的二维距离多普勒“复图像”的MTD模块;
对二维距离多普勒“复图像”进行数据格式转换,将复数域浮点数据转换为二维距离多普勒“RGB彩色图像”的复图像预处理模块;
利用深度神经网络模型对输入的二维距离多普勒 “RGB彩色图像”进行目标检测处理,获取目标的坐标信息的目标视觉检测模块;目标在二维距离多普勒“RGB彩色图像”上的坐标信息和接收目标射频回波信号波束形成的空域指向性信息构成目标的空间三维信息;
在空间三维以及多普勒维度对目标进行基于时间、空间的目标跟踪的目标跟踪模块;
对于输入的二维距离多普勒“RGB彩色图像”利用基于Bilinear CNN的深度神经网络模型,进行目标类型的识别的细粒度分类的目标识别模块。
8.根据权利要求7所述的一种宽带检测跟踪识别一体化处理的雷达探测系统,其特征在于,所述MTD模块具体包括:
将雷达矩阵数据进行重排获得同一距离单元的数据的子模块;
通过MTI算法去直流和删除多普勒频点数以抑制静止或者低速的干扰信号的子模块,使同一距离单元的数据平均值为零;
加入泰勒窗的子模块;
利用FFT运算得到运动目标的速度信息的子模块。
9.根据权利要求7所述的一种宽带检测跟踪识别一体化处理的雷达探测系统,其特征在于,所述复图像预处理模块具体包括:
对输入的二维距离多普勒“复图像”进行求模,转换为幅度图像数据的子模块;
对幅度图像数据进行最大值归一化将原始浮点数据压缩为0-1之间的浮点数据的子模块;
根据预设的颜色表,将处于不同数值范围的像素赋予色彩RGB值,生成二维距离多普勒“RGB彩色图像”的子模块。
10.根据权利要求7所述的一种宽带检测跟踪识别一体化处理的雷达探测系统,其特征在于,所述目标视觉检测模块中采用YoLo V5深度网络对输入的二维距离多普勒 “RGB彩色图像”进行目标检测处理,具体包括:
利用YoLo V5深度网络中的目标检测分支获取目标在二维距离多普勒“RGB彩色图像”中的坐标的子模块;
根据二维距离多普勒“RGB彩色图像”对应的距离单元和多普勒单元,获取对应的距离和多普勒数据值的子模块;
目标跟踪模块具体包括:
提取二维距离多普勒“RGB彩色图像”中速度、距离、角度原始点迹数据的子模块;
对原始点迹数据,进行速度分段的动态杂波图过滤,在方位上求质量中心、距离上按峰值搜索、俯仰上求质量中心的方法融合点迹的子模块;
对点迹预处理后余下的点迹,根据目标运动模型获取当前时刻的量测预测值,以预测值为中心建立相关波门,根据航迹关联算法,在所有落入相关波门的点迹中选择一个与预测值波门中心总误差最小的点与与航迹进行关联的子模块;
如果点迹与航迹成功关联,则对该航迹进行滤波处理并更新航迹;如果点迹未与航迹关联,则将该点迹作为新的航迹头进行航迹起始;如果多轮处理中均无点迹与航迹关联,则将该航迹终止的子模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310143185.0A CN115877344B (zh) | 2023-02-21 | 2023-02-21 | 一种宽带检测跟踪识别一体化处理的雷达探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310143185.0A CN115877344B (zh) | 2023-02-21 | 2023-02-21 | 一种宽带检测跟踪识别一体化处理的雷达探测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115877344A true CN115877344A (zh) | 2023-03-31 |
CN115877344B CN115877344B (zh) | 2023-06-16 |
Family
ID=85761409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310143185.0A Active CN115877344B (zh) | 2023-02-21 | 2023-02-21 | 一种宽带检测跟踪识别一体化处理的雷达探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115877344B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500618A (zh) * | 2023-06-28 | 2023-07-28 | 逻安科技(天津)有限责任公司 | 一种高频超视距雷达测距与模糊环境成像的实现方法 |
CN116990773A (zh) * | 2023-09-27 | 2023-11-03 | 广州辰创科技发展有限公司 | 基于自适应门限的低慢小目标检测方法、装置和存储介质 |
CN117908018A (zh) * | 2024-03-19 | 2024-04-19 | 清澜技术(深圳)有限公司 | 一种挥手告警方法、系统、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106814353A (zh) * | 2017-01-24 | 2017-06-09 | 成都泰格微电子研究所有限责任公司 | 一种雷达信号处理系统 |
CN110705508A (zh) * | 2019-10-15 | 2020-01-17 | 中国人民解放军战略支援部队航天工程大学 | 一种isar图像的卫星识别方法 |
CN114492535A (zh) * | 2022-02-09 | 2022-05-13 | 上海芯物科技有限公司 | 一种动作识别方法、装置、设备以及存储介质 |
-
2023
- 2023-02-21 CN CN202310143185.0A patent/CN115877344B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106814353A (zh) * | 2017-01-24 | 2017-06-09 | 成都泰格微电子研究所有限责任公司 | 一种雷达信号处理系统 |
CN110705508A (zh) * | 2019-10-15 | 2020-01-17 | 中国人民解放军战略支援部队航天工程大学 | 一种isar图像的卫星识别方法 |
CN114492535A (zh) * | 2022-02-09 | 2022-05-13 | 上海芯物科技有限公司 | 一种动作识别方法、装置、设备以及存储介质 |
Non-Patent Citations (6)
Title |
---|
ALI RIZIK等: "Low-Cost FMCW Radar Human-Vehicle Classification Based on Transfer Learning", 《2020 32ND INTERNATIONAL CONFERENCE ON MICROELECTRONICS(ICM)》 * |
RODRIGO P等: "Deep learning radar object detection and classification for urban automotive scenarios", 《2019 KLEINHEUBACH CONFERENCE》 * |
张昳: "基于TMS 320C6678的低慢小雷达数据处理算法的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑。 * |
曹健: "SAR半实物仿真系统的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
赵一鹤: "基于FPGA的车载雷达信号处理系统的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
郭文举: "宽带调频连续波雷达幅相误差估计与补偿技术", 《中国优秀硕士学位论文全文数据库信息科技辑。 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500618A (zh) * | 2023-06-28 | 2023-07-28 | 逻安科技(天津)有限责任公司 | 一种高频超视距雷达测距与模糊环境成像的实现方法 |
CN116500618B (zh) * | 2023-06-28 | 2023-09-15 | 逻安科技(天津)有限责任公司 | 一种高频超视距雷达测距与模糊环境成像的实现方法 |
CN116990773A (zh) * | 2023-09-27 | 2023-11-03 | 广州辰创科技发展有限公司 | 基于自适应门限的低慢小目标检测方法、装置和存储介质 |
CN117908018A (zh) * | 2024-03-19 | 2024-04-19 | 清澜技术(深圳)有限公司 | 一种挥手告警方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115877344B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fuchs et al. | Automotive radar interference mitigation using a convolutional autoencoder | |
CN115877344A (zh) | 一种宽带检测跟踪识别一体化处理的雷达探测方法及系统 | |
CN107229048B (zh) | 一种高分宽幅sar动目标速度估计与成像方法 | |
CN103529437B (zh) | 系留气球载相控阵雷达在多目标下分辨空地目标的方法 | |
CN112162281B (zh) | 一种多通道sar-gmti图像域两步处理方法 | |
CN111142105A (zh) | 复杂运动目标isar成像方法 | |
US10031221B2 (en) | System and method for estimating number and range of a plurality of moving targets | |
CN112630768B (zh) | 一种改进调频连续波雷达目标检测的降噪方法 | |
CN107450055B (zh) | 基于离散线性调频傅立叶变换的高速机动目标检测方法 | |
CN108089167B (zh) | 一种合成孔径雷达跨脉冲干扰信号检测方法 | |
CN105445701B (zh) | Ddma‑mimo雷达目标的单脉冲角度估计方法 | |
CN110412559A (zh) | 分布式无人机mimo雷达的非相参融合目标检测方法 | |
CN115856854B (zh) | 一种模型与数据混合驱动的雷达探测方法及系统 | |
US20050179579A1 (en) | Radar receiver motion compensation system and method | |
CN110297233B (zh) | Lfmcw阵列雷达信号并行流水化处理方法 | |
CN113093122B (zh) | 一种对合成孔径雷达快速场景欺骗干扰的方法 | |
Karvonen | Virtual radar ice buoys–a method for measuring fine-scale sea ice drift | |
CN110879391B (zh) | 基于电磁仿真和弹载回波仿真的雷达图像数据集制作方法 | |
Jansen et al. | Practical multichannel SAR imaging in the maritime environment | |
CN108107427A (zh) | 基于超分辨技术的机载/弹载阵列雷达前视成像方法 | |
JP2929561B2 (ja) | レーダ信号処理装置 | |
CN109581366B (zh) | 一种基于目标导向矢量失配的离散旁瓣杂波识别方法 | |
Yang et al. | Fast generation of deceptive jamming signal against space-borne SAR | |
Gao et al. | Static background removal in vehicular radar: Filtering in azimuth-elevation-doppler domain | |
CN114966674A (zh) | 一种基于发射波形信息的凝视雷达低空目标测高方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |