CN115932834A - 一种基于多源异构数据融合的反无人机系统目标检测方法 - Google Patents

一种基于多源异构数据融合的反无人机系统目标检测方法 Download PDF

Info

Publication number
CN115932834A
CN115932834A CN202211067856.1A CN202211067856A CN115932834A CN 115932834 A CN115932834 A CN 115932834A CN 202211067856 A CN202211067856 A CN 202211067856A CN 115932834 A CN115932834 A CN 115932834A
Authority
CN
China
Prior art keywords
data
target
information
north
detection
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
CN202211067856.1A
Other languages
English (en)
Inventor
田毅
于冲
崔莹莹
高沁源
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.)
Technological Leike Electronics Xi'an Co ltd
Bit Raco Electronic Information Technology Co ltd
Original Assignee
Technological Leike Electronics Xi'an Co ltd
Bit Raco Electronic Information 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 Technological Leike Electronics Xi'an Co ltd, Bit Raco Electronic Information Technology Co ltd filed Critical Technological Leike Electronics Xi'an Co ltd
Priority to CN202211067856.1A priority Critical patent/CN115932834A/zh
Publication of CN115932834A publication Critical patent/CN115932834A/zh
Pending legal-status Critical Current

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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于多源异构数据融合的反无人机系统目标检测方法，包括以下步骤：第一步：对雷达和无线电侦测所探测的目标信息进行融合，并过滤非无线电的虚警信息；第二步：根据ADS‑B接收到的民航飞机信息，判断经第一步融合并过滤后的目标是否为低空飞行目标，保留低空飞行目标，过滤掉民航飞机；第三步：根据敌我识别模块的实时三维坐标信息，遍历第二步的结果并将其与敌我识别模块的实时三维坐标信息进行对比，设定三维空间的距离阈值和高度阈值，将阈值以外的目标标记为非合作目标，反之标记为合作目标；第四步：经过前三步初步确认目标后，将目标的位置信息传输到光电设备用来引导光电设备；光电设备被引导对准目标后，进行图像检测。

Description

一种基于多源异构数据融合的反无人机系统目标检测方法
技术领域
本发明涉及反无人机系统技术领域，具体涉及一种基于多源异构数据融合的反无人机系统目标检测方法。
背景技术
近年来无人机行业的发展突飞猛进，应用范围越来越广，但是随之带来的威胁也不容小觑。传统的安防系统不足以抵御低空的无人机入侵，防御手段也越来越多。
数据融合最早便应用于军工领域，是一种将来自多种/多个传感器的数据进行关联与组合以实现较为准确的位置推断和身份估计的技术，利用该技术可以对战场状况、威胁程度和重要水平做出及时完整的评价。多源异构数据融合技术是将来自多个数据来源、结构不同的数据进行融合的数据处理技术，通过多源异构数据融合可以实现多源异构数据的信息整合，信息的互补能增加数据的置信度、提高可靠性、降低不确定性。基于多源异构数据建立的回归预测模型能获得更加综合的估计和判断。研究基于多核学习方法的多源异构数据融合时，多核学习方法可以根据数据类型使用不同核函数将不同的特征映射到同一特征空间，实现异构数据的特征空间融合，在融合特征空间的上层添加回归模型实现预测功能。
低空防御系统允许过程中产生了大量的传感器数据，包括无线电扫描数据、可见光红外视频数据、音频、文本等多源异构信息，可以从多方面获取防护空域内的动态信息。但是由于各设备之间的关联度比较低，且各有优劣势，急需对各数据类型进行融合。低空无人机的探测和防御技术主要利用无线电、雷达、光电和干扰等设备对三维空间低、慢、小的飞行目标进行综合管制。低空无人机探测和防御的原始数据包含无线电的频谱信息，雷达探测的目标三维空间位置、速度等运动特征信息和光电设备的影像信息。通过消除冗余数据、结合互补数据和具有依赖关系的合作信息，整合得到更准确、更可靠、更完整的目标信息。
如图1所示，反无人机系统的工作流程主要分三个步骤：第一步是目标特征提取，即探测识别，第二步是多源数据的融合，第三步是分析得出结论并实施，对在有效范围内的敌方目标进行防御打击。
由于单一设备无法保证防御打击目标的准确性，目前现有的无人机防御系统解决方案多以雷达设备、光电设备、无线电探测设备和干扰设备等多设备进行组合，而多设备类型的系统具有以下等缺陷：
1)数据类型不统一；
2)难以避免误报、漏报情况；
3)无线电探测设备对DIY无人机存在探测困难问题；
4)无法区分敌我、区分民航目标；
5)存在木桶效应短板；
6)自动化程度低；
7)系统误差不确定；
其中，各探测方案的优缺点如下表1所示：
表1各探测方案的优缺点
发明内容
有鉴于此，本发明提供了一种基于多源异构数据融合的反无人机系统目标检测方法，支持同时接入多种数据源，使用一系列的融合技术，在目标位置、目标类型、敌我类型、实时性、覆盖范围以及成本维护等方面作出提升，能够减少数据冗余、避开各设备的缺点、综合各设备的优势。
本发明的技术方案为：一种基于多源异构数据融合的反无人机系统目标检测方法，包括以下步骤：
第一步：对雷达和无线电侦测所探测的目标信息进行融合，并过滤非无线电的虚警信息；
第二步：根据ADS-B接收到的民航飞机信息，判断经第一步融合并过滤后的目标是否为低空飞行目标，保留低空飞行目标，过滤掉民航飞机；
第三步：根据敌我识别模块的实时三维坐标信息，遍历第二步的结果并将其与敌我识别模块的实时三维坐标信息进行对比，设定三维空间的距离阈值和高度阈值，将阈值以外的目标标记为非合作目标，反之标记为合作目标；
第四步：经过前三步初步确认目标后，将目标的位置信息传输到光电设备用来引导光电设备；光电设备被引导对准目标后，进行图像检测。
优选地，所述第一步中，雷达和无线电侦测信息的融合过程为：
步骤一：输入雷达和无线电侦测的探测信息；
步骤二：判断无线电侦测是否探测到目标，如果无线电侦测没有探测到目标，判断是否存在特征频段，若不存在特征频段则认为雷达探测的目标均为虚警，并滤除掉，若存在特征频段则转入步骤三；如果无线电侦测探测到目标，则转入步骤三；
步骤三：遍历雷达目标，判断其是否在无线电侦测所探测到的方位扇区阈值范围内，如果不在方位扇区阈值范围内，认为雷达探测的目标均为虚警，并滤除掉，反之保留下来。
优选地，所述步骤二中，对无线电侦测的频谱探测范围按照每200MHz划定一个区间段，以0.1秒为时间间隔，累计统计各频谱区间段内高于当前平均杂波幅值1.4倍以上的频谱出现的次数；当某频谱区间段内连续2秒探测到特征频段时，遍历雷达目标进一步确认。
优选地，所述第三步中，在获取敌我识别模块的实时三维坐标信息后，做统一时间戳处理，具体处理方法为：以收到雷达数据的A时刻为参照，取敌我识别模块最新返回的数据B和上一组数据C，根据数据B和数据C推算出敌我识别模块在A时刻对应的数据D，比较A时刻的雷达数据和数据D；其中，数据包含的种类有：时间戳、经度、纬度、高度。
优选地，推算所述敌我识别模块在A时刻对应的数据D的具体过程包括：以敌我识别模块的设备架设点为基准，在地心极坐标系下，把数据B和数据C的经度、纬度、高度转换为数据B和数据C的距离、方位、俯仰信息；
当A时刻和数据B对应的时间之间的间隔T2小于30毫秒时，直接比较不再进行推算；当时间间隔T2大于30毫秒时，进行推算：
令T1＝TB-TA，T2＝TA-TB；
其中，T1为数据B对应时间和A时刻之间的时间间隔，T2为A时刻和数据B对应时间之间的时间间隔，TA为A时刻的时间，TB为数据B对应的时间；
根据数据B和数据C相对地面站的距离、方位、俯仰信息计算其在北、天、东三个方向上的距离矢量：
LB北＝B距离×cos(B俯仰÷180×π)×cos(B方位÷180×π)；
LB天＝B距离×sin(B俯仰÷180×π)；
LB东＝B距离×cos(B俯仰÷180×π)×sin(B方位÷180×π)；
同样方法可得到LC北、LC天、LC东；
其中，LB北、LB天、LB东、LC北、LC天、LC东分别为数据B和数据C在北、天、东三个方向上的距离矢量；B距离、B方位、B俯仰分别为数据B相对地面站的距离、方位、俯仰信息；
计算数据D在北、天、东三个方向上的距离矢量：
LD北＝LB北+(LB北-LC北)÷T1×T2；
LD天＝LB天+(LB天-LC天)÷T1×T2；
LD东＝LB东+(LB东-LC东)÷T1×T2；
其中，LD北、LD天、LD东分别为数据D在北、天、东三个方向上的距离矢量；
把LD北、LD天、LD东转换成地心坐标系下的距离矢量，再将地心坐标系下的距离矢量转换为经度、纬度、高度信息，至此，得到数据D的三维空间坐标。
优选地，所述第四步中，采用帧间差分法做图像检测，且在取帧之前对视频流进行图像分割。
优选地，所述帧间差分处理过程中，当相邻目标之间的距离在预设范围内，对每一帧图像取像素点时隔一个点取一次。
有益效果：
1、本发明的目标检测方法融合了多种传感设备的数据类型，行业内涵盖面广，计算速度快，结果准确率高，能够减少数据冗余、避开各设备的缺点、综合各设备的优势。
2、本发明对非常见频段无人机目标，采用一种特征频段采集分析的方法，从而提高了目标检测的覆盖面。
3、本发明采用了一种推点的方法，能够实时高效推算敌我识别模块采集的信息，提高了敌我识别模块的准确度和实时性。
4、本发明针对光电设备的融合过程设计了一种改进型的图像目标检测算法，能够有效提高检测效率。
附图说明
图1为现有技术中反无人机系统的工作流程。
图2为本发明的反无人机系统目标检测方法的流程图。
图3为本发明中雷达和无线电侦测信息融合的流程图。
图4为本发明中敌我识别模块与雷达做统一时间戳处理的时间轴示意图。
图5为本发明中图像目标检测流程图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本实施例提供了一种基于多源异构数据融合的反无人机系统目标检测方法，支持同时接入多种数据源，使用一系列的融合技术，在目标位置、目标类型、敌我类型、实时性、覆盖范围以及成本维护等方面作出提升，能够减少数据冗余、避开各设备的缺点、综合各设备的优势。
如图2所示，该多源异构数据融合方法包括以下步骤：
第一步：对雷达和无线电侦测所探测的目标信息进行融合，并过滤非无线电的虚警信息；
其中，如图3所示，雷达和无线电侦测信息的融合过程为：
步骤一：输入雷达和无线电侦测的探测信息；
步骤二：判断无线电侦测是否探测到目标，如果无线电侦测没有探测到目标(即目标数量为0)，判断是否存在特征频段，若不存在特征频段则认为雷达探测的目标均为虚警，并滤除掉，若存在特征频段则转入步骤三；如果无线电侦测探测到目标，转入步骤三；其中，判断是否存在特征频段的目的是避免漏掉对非常见频段无人机(DIY航模、穿越机等)的探测；
步骤三：遍历雷达目标(即遍历被无线电侦测探测到的雷达所探测的目标)，判断是否有目标在无线电侦测所探测到的方位扇区阈值范围内，如果没有目标在方位扇区阈值范围内，认为雷达探测的目标均为虚警，并滤除掉，反之认为可能是有效目标，保留下来。
第二步：根据ADS-B(Automatic dependent surveillance-broadcast，广播式自动相关监视)接收到的民航飞机信息，判断经第一步融合并过滤后的有效目标是否为低空飞行目标，保留低空飞行目标，过滤掉民航飞机，避免误打击。
第三步：根据敌我识别模块的实时三维坐标信息，遍历第二步的结果并将第二步的结果与敌我识别模块的实时三维坐标信息进行对比，设定三维空间的距离阈值和高度阈值，将阈值以外的目标标记为非合作目标，反之标记为合作目标。
第四步：经过前三步流程初步确认目标后，将目标的位置信息传输到光电设备用来引导光电设备；光电设备被引导对准目标后，开始进行图像检测，以便于进一步确认有效目标。
本实施例中，对无线电侦测的频谱探测范围按照每200MHz划定一个区间段，以0.1秒为时间间隔，累计统计各频谱区间段(简称为频段)内高于当前平均杂波幅值1.4倍以上的频谱出现的次数；当某频段内连续2秒探测到特征频段时，认为该频段的方位向(或方向)可能存在无人机目标，遍历雷达目标进一步确认。
本实施例中，在获取敌我识别模块的实时三维坐标信息后，由于雷达和敌我识别模块各自独立工作，必然存在两者时间戳不一致的问题；为尽可能的提高融合精度，需要做统一时间戳处理，具体处理方法为：如图4所示，以收到雷达数据的A时刻为参照，取敌我识别模块最新返回的数据B和上一组数据C，根据数据B和数据C推算出敌我识别模块在A时刻对应的数据D，比较A时刻的雷达数据和数据D即可准确判断合作目标或非合作目标；其中，数据包含的种类有：时间戳、经度、纬度、高度。
本实施例中，根据数据B和数据C推算出敌我识别模块在A时刻对应的数据D的具体过程包括：首先以敌我识别模块的设备架设点为基准，在地心极坐标系下，把数据B和数据C的经度、纬度、高度转换得到数据B和数据C的距离、方位、俯仰信息；
如图4所示，为降低计算机终端的资源占用，当A时刻和数据B对应的时间之间的时间间隔T2小于30毫秒时，认为数据B和数据D基本重合，直接比较不再进行推算；当时间间隔T2大于30毫秒时，进行推算：
令T1＝TB-TA，T2＝TA-TB；
其中，T1为数据B对应时间和A时刻之间的时间间隔，T2为A时刻和数据B对应时间之间的时间间隔，TA为A时刻的时间，TB为数据B对应的时间；
根据数据B和数据C相对地面站的距离、方位、俯仰信息计算其在北、天、东三个方向上的距离矢量：
LB北＝B距离×cos(B俯仰÷180×π)×cos(B方位÷180×π)；
LB天＝B距离×sin(B俯仰÷180×π)；
LB东＝B距离×cos(B俯仰÷180×π)×sin(B方位÷180×π)；
同样方法可得到LC北、LC天、LC东；
其中，LB北、LB天、LB东、LC北、LC天、LC东分别为数据B和数据C在北、天、东三个方向上的距离矢量；B距离、B方位、B俯仰分别为数据B相对地面站的距离、方位、俯仰信息；
计算数据D在北、天、东三个方向上的距离矢量：
LD北＝LB北+(LB北-LC北)÷T1×T2；
LD天＝LB天+(LB天-LC天)÷T1×T2；
LD东＝LB东+(LB东-LC东)÷T1×T2；
其中，LD北、LD天、LD东分别为数据D在北、天、东三个方向上的距离矢量；
最后，把LD北、LD天、LD东转换成地心坐标系下的距离矢量，再将地心坐标系下的距离矢量转换为经度、纬度、高度信息，至此，得到数据D的三维空间坐标，已知A时刻的三维空间坐标，可以据此进行比较并融合过滤掉非合作目标。
本实施例中，如图5所示，给出了一种改进的帧间差分法做图像检测，与现有技术中的帧间差分法的不同之处在于取帧之前对视频流进行了图像分割，为避免检测不到分割线位置信息的问题，图像分割需要有一定的重合度；图像分割后优先检测靠图像中心的位置，这也和使用场景有关，在引导跟踪的过程中通常认为目标大概率会落入靠近图像中心的区域，因此，优先检测存在目标可能性大的区域，可以减少运算量；
在帧间差分处理过程中，当相邻目标之间的距离相对较近时可以采用“跳点检测法”，即对每一帧图像取像素点时可以隔一个点取一次，这样可以在高分辨率图像检测过程中有效提高检测速度；帧间差分处理的过程是在二维坐标系下依次记录两帧时间相邻的图像对应坐标的灰度差值，得到一幅二值化的图像，加以阈值分析即可得到目标的x，y坐标和宽高；
到此，完成所有数据融合的步骤，得到更加精确、可靠的目标信息。
综上所述，以上仅为本发明的较佳实施例而已，并非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，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于多源异构数据融合的反无人机系统目标检测方法，其特征在于，包括以下步骤：
第一步：对雷达和无线电侦测所探测的目标信息进行融合，并过滤非无线电的虚警信息；
第二步：根据ADS-B接收到的民航飞机信息，判断经第一步融合并过滤后的目标是否为低空飞行目标，保留低空飞行目标，过滤掉民航飞机；
第三步：根据敌我识别模块的实时三维坐标信息，遍历第二步的结果并将其与敌我识别模块的实时三维坐标信息进行对比，设定三维空间的距离阈值和高度阈值，将阈值以外的目标标记为非合作目标，反之标记为合作目标；
第四步：经过前三步初步确认目标后，将目标的位置信息传输到光电设备用来引导光电设备；光电设备被引导对准目标后，进行图像检测。
2.如权利要求1所述的基于多源异构数据融合的反无人机系统目标检测方法，其特征在于，所述第一步中，雷达和无线电侦测信息的融合过程为：
步骤一：输入雷达和无线电侦测的探测信息；
步骤二：判断无线电侦测是否探测到目标，如果无线电侦测没有探测到目标，判断是否存在特征频段，若不存在特征频段则认为雷达探测的目标均为虚警，并滤除掉，若存在特征频段则转入步骤三；如果无线电侦测探测到目标，则转入步骤三；
步骤三：遍历雷达目标，判断其是否在无线电侦测所探测到的方位扇区阈值范围内，如果不在方位扇区阈值范围内，认为雷达探测的目标均为虚警，并滤除掉，反之保留下来。
3.如权利要求2所述的基于多源异构数据融合的反无人机系统目标检测方法，其特征在于，所述步骤二中，对无线电侦测的频谱探测范围按照每200MHz划定一个区间段，以0.1秒为时间间隔，累计统计各频谱区间段内高于当前平均杂波幅值1.4倍以上的频谱出现的次数；当某频谱区间段内连续2秒探测到特征频段时，遍历雷达目标进一步确认。
4.如权利要求1-3中任意一项所述的基于多源异构数据融合的反无人机系统目标检测方法，其特征在于，所述第三步中，在获取敌我识别模块的实时三维坐标信息后，做统一时间戳处理，具体处理方法为：以收到雷达数据的A时刻为参照，取敌我识别模块最新返回的数据B和上一组数据C，根据数据B和数据C推算出敌我识别模块在A时刻对应的数据D，比较A时刻的雷达数据和数据D；其中，数据包含的种类有：时间戳、经度、纬度、高度。
5.如权利要求4所述的基于多源异构数据融合的反无人机系统目标检测方法，其特征在于，推算所述敌我识别模块在A时刻对应的数据D的具体过程包括：以敌我识别模块的设备架设点为基准，在地心极坐标系下，把数据B和数据C的经度、纬度、高度转换为数据B和数据C的距离、方位、俯仰信息；
当A时刻和数据B对应的时间之间的间隔T2小于30毫秒时，直接比较不再进行推算；当时间间隔T2大于30毫秒时，进行推算：
令T1＝TB-TA，T2＝TA-TB；
其中，T1为数据B对应时间和A时刻之间的时间间隔，T2为A时刻和数据B对应时间之间的时间间隔，TA为A时刻的时间，TB为数据B对应的时间；
根据数据B和数据C相对地面站的距离、方位、俯仰信息计算其在北、天、东三个方向上的距离矢量：
LB北＝B距离×cos(B俯仰÷180×π)×cos(B方位÷180×π)；
LB天＝B距离×sin(B俯仰÷180×π)；
LB东＝B距离×cos(B俯仰÷180×π)×sin(B方位÷180×π)；
同样方法可得到LC北、LC天、LC东；
其中，LB北、LB天、LB东、LC北、LC天、LC东分别为数据B和数据C在北、天、东三个方向上的距离矢量；B距离、B方位、B俯仰分别为数据B相对地面站的距离、方位、俯仰信息；
计算数据D在北、天、东三个方向上的距离矢量：
LD北＝LB北+(LB北-LC北)÷T1×T2；
LD天＝LB天+(LB天-LC天)÷T1×T2；
LD东＝LB东+(LB东-LC东)÷T1×T2；
其中，LD北、LD天、LD东分别为数据D在北、天、东三个方向上的距离矢量；
把LD北、LD天、LD东转换成地心坐标系下的距离矢量，再将地心坐标系下的距离矢量转换为经度、纬度、高度信息，至此，得到数据D的三维空间坐标。
6.如权利要求1-3中任意一项所述的基于多源异构数据融合的反无人机系统目标检测方法，其特征在于，所述第四步中，采用帧间差分法做图像检测，且在取帧之前对视频流进行图像分割。
7.如权利要求6所述的基于多源异构数据融合的反无人机系统目标检测方法，其特征在于，所述帧间差分处理过程中，当相邻目标之间的距离在预设范围内，对每一帧图像取像素点时隔一个点取一次。
CN202211067856.1A 2022-09-01 2022-09-01 一种基于多源异构数据融合的反无人机系统目标检测方法 Pending CN115932834A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211067856.1A CN115932834A (zh) 2022-09-01 2022-09-01 一种基于多源异构数据融合的反无人机系统目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211067856.1A CN115932834A (zh) 2022-09-01 2022-09-01 一种基于多源异构数据融合的反无人机系统目标检测方法

Publications (1)

Publication Number Publication Date
CN115932834A true CN115932834A (zh) 2023-04-07

Family

ID=86696436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211067856.1A Pending CN115932834A (zh) 2022-09-01 2022-09-01 一种基于多源异构数据融合的反无人机系统目标检测方法

Country Status (1)

Country Link
CN (1) CN115932834A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117329928A (zh) * 2023-11-30 2024-01-02 武汉阿内塔科技有限公司 一种基于多元情报融合的无人机综合探测方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117329928A (zh) * 2023-11-30 2024-01-02 武汉阿内塔科技有限公司 一种基于多元情报融合的无人机综合探测方法和系统
CN117329928B (zh) * 2023-11-30 2024-02-09 武汉阿内塔科技有限公司 一种基于多元情报融合的无人机综合探测方法和系统

Similar Documents

Publication Publication Date Title
CN110850403B (zh) 一种多传感器决策级融合的智能船水面目标感知识别方法
US9696409B2 (en) Sensor suite and signal processing for border surveillance
CN112016483B (zh) 目标检测的接力系统、方法、装置及设备
CN108038415B (zh) 一种基于机器视觉的无人机自动检测与跟踪方法
CN112346096B (zh) 一种高低轨遥感卫星舰船目标航迹与点迹关联方法及系统
CN112068111A (zh) 一种基于多传感器信息融合的无人机目标侦测方法
CN111679695A (zh) 一种基于深度学习技术的无人机巡航及追踪系统和方法
GB2470806A (en) Detecting objects by comparing digital images
CN115032627A (zh) 分布式多传感器多模态无人集群目标融合跟踪方法
CN110458089B (zh) 一种基于高低轨光学卫星观测的海上目标关联系统及方法
CN115932834A (zh) 一种基于多源异构数据融合的反无人机系统目标检测方法
CN116520275A (zh) 探测追踪低慢小目标的雷达光电一体化方法和系统
CN115035470A (zh) 一种基于混合视觉的低小慢目标识别与定位方法及系统
Yuan et al. MMAUD: A Comprehensive Multi-Modal Anti-UAV Dataset for Modern Miniature Drone Threats
CN109708659B (zh) 一种分布式智能光电低空防护系统
Bloisi et al. A distributed vision system for boat traffic monitoring in the venice grand canal.
KR20240021673A (ko) 미확인 객체에 대한 정보를 제공하는 객체 모니터링 장치
CN213843519U (zh) 多目标光电搜索装置
CN115359329A (zh) 一种基于音视协同的无人飞行器追踪识别方法及系统
CN114545414A (zh) 一种用于无人机防撞雷达的航迹管理方法
CN112880643B (zh) 差异化导航星与空间目标提取方法、装置和存储介质
CN114915761A (zh) 一种联动监控方法和监控联动装置
WO2023275544A1 (en) Methods and systems for detecting vessels
CN112364798A (zh) 多目标光电搜索方法及装置
CN113740847A (zh) 基于人形目标识别的多雷达协同探测报警系统

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