DE102005003024A1 - Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar - Google Patents

Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar Download PDF

Info

Publication number
DE102005003024A1
DE102005003024A1 DE200510003024 DE102005003024A DE102005003024A1 DE 102005003024 A1 DE102005003024 A1 DE 102005003024A1 DE 200510003024 DE200510003024 DE 200510003024 DE 102005003024 A DE102005003024 A DE 102005003024A DE 102005003024 A1 DE102005003024 A1 DE 102005003024A1
Authority
DE
Germany
Prior art keywords
hybrid system
classification
spectrum
learning
neural network
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
Application number
DE200510003024
Other languages
English (en)
Other versions
DE102005003024B4 (de
Inventor
Guy Leonard Dr. Kouemou
Johann Nicola
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.)
Hensoldt Sensors GmbH
Original Assignee
EADS Deutschland GmbH
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 EADS Deutschland GmbH filed Critical EADS Deutschland GmbH
Priority to DE200510003024 priority Critical patent/DE102005003024B4/de
Publication of DE102005003024A1 publication Critical patent/DE102005003024A1/de
Application granted granted Critical
Publication of DE102005003024B4 publication Critical patent/DE102005003024B4/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S7/00Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41Details 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
    • G01S7/417Details 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 involving the use of neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Erkennung von Objekten mittels Dopplerradar, wobei aus den von dem Objekt reflektierten und von dem Dopplerradar empfangenen Echosignalen ein zu den Echosignalen gehörendes Signalspektrum gebildet wird und aus dem Spektrum vorgebbare Merkmalsparameter extrahiert und einem lernenden System zugeführt werden, wobei das lernende System durch einen lernenden Programmiervorgang derart eingestellt wird, dass zu jedem Merkmal eine diesem zugeordnete Objektklassifikation entsteht. Gemäß der Erfindung wird zur Merkmalsextraktion mindestens ein mindestens eindimensionales statistisches Analyseverfahren durchgeführt. Zur Erkennung einer bestimmten Objektklasse werden erfindungsgemäß die extrahierten Merkmale einem lernenden Hybridsystem, welches ein Klassifikationsergebnis mit Klassifikationsgüte liefert, zugeführt, wobei das Hybridsystem ein neuronales Netzwerk und ein Hidden Markov Modell-Netzwerk umfasst. Das Klassifikationsergebnis des Hybridsystems wird erfindungsgemäß einem dem Hybridsystem nachgeschalteten weiteren lernenden System zur Ergebnisbestätigung zugeführt.

Description

  • Die Erfindung betrifft ein Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar gemäß dem Oberbegriff des Patentanspruchs 1.
  • Aus der DE 29 28 907 A1 und der DE 30 02 148 A1 sind Verfahren zur Klassifizierung bewegter Objekte bekannt, bei welchen in einer Doppler-Radaranlage aus den Echosignalen Doppler-Spektren gebildet und diese neben der Ermittlung der Objektgeschwindigkeit aus der Dopplerfrequenz der Objekt-Hauptlinie des Doppler-Spektrums noch auf Nebenlinien untersucht werden, die von periodischen Änderungen des Reflektionsverhaltens des Objekts oder Teilen des Objekts herrühren. Beispielsweise kann aus dem Abstand der Nebenlinien die Blattfolgefrequenz eines Triebwerklaufrads eines Flugzeugtriebswerks oder die Gliedlänge einer Panzerkette bestimmt und zur Objektklassifizierung herangezogen werden.
  • Aus DE 197 05 730 A1 ist ein Verfahren zur Objektklassifikation bekannt, bei welchem rotierende Objekte, z.B. rotierende Turbinenlaufwerke klassifiziert werden können. Hierbei wird mittels eines von der Blattzahl und der Blattfolgefrequenz ein Merkmalsvektor generiert, welcher einem neuronalen Netzwerk zugeführt wird. Dieses Netzwerk ist dabei mittels eines Programmiervorgangs derart eingestellt, dass zu jedem generierten Merkmalsvektor eine diesem zugeordnete Objektklassifikation entsteht.
  • Derartige Verfahren zur Objektklassifizierung werden auch als nicht-kooperative Verfahren bezeichnet, da von dem zu klassifizierenden Objekt keine Kennung ausgesandt wird.
  • Es ist Aufgabe der Erfindung ein gattungsgemäßes nicht-kooperatives Verfahren zur Objektklassifikation anzugeben, welches eine hohe Zuverlässigkeit besitzt und in der Lage ist, ein breites Objektspektrum abzudecken.
  • Diese Aufgabe wird mit dem Verfahren gemäß Anspruch 1 gelöst. Vorteilhafte Ausführungen der Erfindung sind Gegenstand von Unteransprüchen.
  • Gemäß der Erfindung wird zur Merkmalsextraktion mindestens ein mindestens eindimensionales statistisches Analyseverfahren durchgeführt. Die extrahierten Merkmale werden erfindungsgemäß zur Erkennung einer bestimmten Objektklasse einem lernenden Hybridsystem, welches ein Klassifikationsergebnis mit Klassifikationsgüte liefert, zugeführt, wobei das Hybridsystem ein neuronales Netzwerk und ein Hidden Markov Modell-Netzwerk umfasst. Anschließend wird das Klassifikationsergebnis des Hybridsystems einem dem Hybridsystem nach geschalteten weiteren lernenden System zur Ergebnisbestätigung zugeführt wird.
  • Ein neuronales Netzwerk bzw. ein Hidden Markov Modell-Netzwerk wird im Weiteren auch als Klassifikator bezeichnet.
  • In einer vorteilhaften Ausführung der Erfindung ist ein weiteres dem Hybridsystem voran geschaltetes lernendes System vorhanden, welches in Abhängigkeit von vorgebbaren Kriterien, insbesondere der Objektdynamik eines oder mehrere statistische Analyseverfahren zur Merkmalsextraktion auswählt. Das dem Hybridsystem nach geschaltete lernende System gibt vorteilhaft in Abhängigkeit vorgebbarer Kriterien, insbesondere der Objektdynamik, eine Klassifikationsschwelle vor, wobei eine Unterschreitung der Klassifikationsschwelle durch die von dem Hybridsystem gelieferten Klassifikationsgüte ein Fehlklassifikationskriterium liefert, welches dem ersten lernenden System zugeführt wird und wobei eine Überschreitung der Klassifikationsschwelle durch die von dem Hybridsystem gelieferten Klassifikationsgüte das Klassifikationsergebnis anzeigt. Unter dem Begriff der Objektdynamik werden im Weiteren Geschwindigkeit, Linear- bzw. Querbeschleunigung, Kurs- und/oder Kursänderungsrate verstanden.
  • Das nach geschaltete lernende System ist zweckmäßig ein mehrstufiges neuronales Netwerk, welches vorteilhaft mit den möglichen Objektklassen trainiert ist.
  • In einer vorteilhaften Ausführung der Erfindung sind die Netzwerke des Hybridsystems mit gleichen oder unterschiedlichen Trainingsdaten für die Objektklassen nach gleichen oder unterschiedlichen Trainingsalgorithmen trainiert.
  • In den Objektklassen wird insbesondere zwischen Hubschraubern, Personen, Starrflüglern, ballistische taktische Flugkörper, Radfahrzeuge und Kettenfahrzeugen unterschieden.
  • Vorteilhaft umfasst die Merkmalsextraktion folgende Verfahrensschritte:
    • – das Signalspektrum wird zunächst normalisiert und gefiltert,
    • – das normalisierte und gefilterte Signalspektrum wird in eine vorgebbare Anzahl von Teilspektren zerlegt,
    • – für jedes Teilspektrum werden die Effektivwerte berechnet und gemittelt,
    • – aus jedem Teilspektrum werden mittels mindestens einem mindestens eindimensionalen statistischen Analyseverfahren Merkmalsvektoren berechnet,
    • – die für jedes Teilspektrum berechneten Merkmalsvektoren werden gemittelt und abgespeichert,
    • – die Effektivwerte und Merkmalsvektoren aller oder einer vorgebbaren Anzahl der Teilspektren werden in einer statistischen Kombination zu einer Matrix zusammengefasst,
    • – die in der Matrix zusammengefassten Werte werden zeitlich geglättet,
    • – die Werte werden auf einen Mittelwert mit dem Wert Null und einer vorgebbaren Standardabweichung standardisiert.
  • Die zu extrahierenden Merkmale im Spektrum sind vorteilhaft im Spektrum auftretende Signalspitzen, Amplitudenmodulationen, Phasenmodulationen, zeitlich periodisch oder aperiodisch auftretende Signale oder Kombinationen daraus.
  • Bei dem erfindungsgemäßen Verfahren wird als eindimensionales statistisches Analyseverfahren vorteilhaft eine Cepstralanalyse oder eine FFT-Analyse eingesetzt. Als zweidimensionales statistisches Analyseverfahren wird vorteilhaft eine Kurzzeit-FFT-Analyse oder eine Wavelet-Analyse eingesetzt.
  • Es ist bekannt, dass bei einer Wavelet-Analyse das Zeitsignal simultan in den Zeit-/ Frequenzraum zerlegt wird. Dabei wird mit Wavelets die zeitliche Auflösung automatisch dadurch angepasst, dass ein schmales Zeitfenster verwendet wird, um hohe Frequenzen zu untersuchen und ein breites Fenster verwendet, um niedrige Frequenzen zu analysieren. Das Verfahren ist zweckmäßig im Hinblick auf die Detektion von zeitlich aperiodischen, abrupt auftauchenden Ereignissen, z.B. Spikes im Spektrum durch Rotorblattspitzen eines Hubschraubers.
  • Cepstralanalysen werden üblicherweise in der Seismik und in der Spracherkennung eingesetzt. Mit der Cepstralanalyse ist es möglich, Trägersignale von den Echosignalen zu trennen und eignet sich so in der Radarklassifikation für die Trennung periodischer Signale wie z.B. bei Fußgängern durch Mehrfachreflexionen. Bei der Cepstralanalyse wird wie bei der Fourier-Transformation eine Kurzzeit-Analyse durchgeführt, wobei insbesondere eine Transformation des logarithmischen Spektrums im Zeitbereich durchgeführt wird.
  • Fast-Fourier-Transformationen (FFT) sind hinlänglich bekannt und werden hier nicht weiter erläutert.
  • Die Erfindung sowie weitere vorteilhafte Ausführungen des erfindungsgemäßen Verfahrens werden im Weiteren anhand von Zeichnungen näher erläutert. Es zeigen:
  • 1 eine beispielhafte schematische Darstellung eines Radarsystems, in welchem die Empfangssignale gemäß der Erfindung ausgewertet werden,
  • 2 eine beispielhafte schematische Darstellung eines Hybridsystems mit 6 Kombinationen von Merkmalsextraktionsverfahren mit einem Klassifikator,
  • 3 ein beispielhaftes Blockschaltbild eines erfindungsgemäßen Verfahrens mit zusätzlichen lernenden Systemen und Rückweisungskriterien.
  • 1 zeigt in einer beispielhaften Übersichtsdarstellung ein Radarsystem, in welches das erfindungsgemäße Verfahren zur Objekterkennung implementiert ist. In einer Sendeeinrichtung 1 wird ein Radarsignal erzeugt, welches einem Zirkulator 2 zugeführt wird und über eine Antenne 3 abgestrahlt wird. Das reflektierte Radarechosignal wird von der Antenne 3 aufgefangen und über den Zirkulator 2 einer Empfangseinrichtung 4 zugeführt. Diese Empfangseinrichtung 4 ist mit einer Einrichtung 5 zur Signalvorverarbeitung verbunden. Das Signal wird anschließend einerseits einer Trackingeinrichtung 6 zugeführt, mittels welcher es möglich ist, ein Objekt zu verfolgen. Andererseits wird das Signals aus der Einrichtung 5 einer Einrichtung 7 zur Merkmalsextraktion zugeführt. Die Daten aus der Trackingeinrichtung 6 und der Einrichtung 7 zur Merkmalsextraktion werden einem Klassifikator 8 zugeführt.
  • Der Klassifikator 8 entscheidet aufgrund der gelieferten Informationen, um welches Objekt es sich handelt. Der Klassifikator 8 unterscheidet dabei insbesondere folgende Kategorien: Helikoptern, Starrflüglern, taktisch ballistische Raketen, Personen sowie Rad- und Kettenfahrzeugen. Ereignisse die nicht in die genannten Kategorien fallen, werden in die so genannte No-Match Kategorie abgelegt. Solche Ereignisse sind z.B. kleine unbemannte Flugkörper, Geschosseinschläge auf Wasser oder Land, kleines Boote oder Schnellboote.
  • In der Einrichtung 5 zur Signalvorverarbeitung wird das empfangene Signalspektrum zunächst normalisiert und gefiltert. Anschließend wird das normalisierte und gefilterte Signalspektrum in eine vorgebbare Anzahl von Teilspektren zerlegt, für welche jeweils die Effektivwerte berechnet und gemittelt werden.
  • 2 zeigt eine beispielhafte schematische Darstellung eines Hybridsystems mit 6 Kombinationen von Merkmalsextraktionsverfahren mit einem Klassifikator. Das Radarechosignal E wird dem Hybridsystem H zugeführt. Das Ergebnis A des Hybridsystems H ist dann eine Aussage über die Objektklasse, z.B. Helikopter, Starrflüglern, Raketen, Personen oder Rad- bzw. Kettenfahrzeugen.
  • Das Hybridsystem H besteht dabei vorteilhaft aus folgenden Kombinationen eines statistischen Merkmalsextraktionsverfahren mit einem Klassifikator:
    • 1. Wavelet-Analyse und neuronales Netzwerk
    • 2. Kurzzeit-FFT-Analyse und neuronales Netzwerk
    • 3. Cepstrale Analyse und neuronales Netzwerk
    • 4. Wavelet-Analyse und Hidden Markov Modell-Netzwerk
    • 5. Kurzzeit-FFT-Analyse und Hidden Markov Modell-Netzwerk
    • 6. Cepstrale Analyse und Hidden Markov Modell-Netzwerk.
  • Die in dem Hybridsystem H zusammengefassten 6 Kombinationen sind dabei zweckmäßig jeweils 6 konkurrierende Einzelverfahren.
  • 3 zeigt schließlich ein beispielhaftes Blockschaltbild eines erfindungsgemäßen Verfahrens mit zusätzlichen lernenden Systemen und Rückweisungskriterien. Das empfangene Radarechosignals E wird einer Einrichtung 9 zur Abfrage der Bewegungsdynamik zugeführt. Hierbei werden zweckmäßig Informationen über die Flugbahn, die Geschwindigkeit und Beschleunigung des Objekts ermittelt. Diese Informationen werden einem ersten Entscheidungsgeber 10 zugeführt. Dieser erste Entscheidungsgeber 10, welchem zusätzlich a priori-Wissen, z.B. aus einer trainierten Datenbank zugeführt wird, prüft, ob mit den zur Verfügung stehenden Informationen eine gesicherte Entscheidung über das Vorliegen einer bestimmten Objektklasse möglich ist. Ergibt die Prüfung des Entscheidungsgebers 10 ein "Ja", so wird die ermittelte Objektklasse ausgegeben. Die Ausgabe erfolgt dabei z.B. über ein Anzeigegerät 14.
  • Ergibt die Prüfung hingegen ein "Nein", so wird das Radarechosignal einem Hybridsystems 12 zugeführt. Das Hybridsystem 12 erzeugt ein Klassifikationsergebnis, welches einem zweiten Entscheidungsgeber 13 zugeführt wird.
  • Der zweite Entscheidungsgeber 13, welcher ebenfalls mittels einer Datenbank (nicht dargestellt) mit a priori-Wissen gespeist werden kann, gibt eine Klassifikationsschwelle vor. Liegt das Klassifikationsergebnis des Hybridsystems 12 über der Schwelle, d.h. ist die Antwort des Entscheidungsgebers 13 auf die Frage, ob eine weitere Rückfrage erforderlich ist, "Nein", so wird die ermittelte Objektklasse ausgegeben.
  • Ist die Antwort hingegen "Ja", so wird ein Fehlklassifikationsergebnis geliefert, welches an den ersten Entscheidungsgeber 10 zurückgegeben wird.
  • Die Entscheidungsgeber 10, 13 sind dabei jeweils lernende Systeme, welche zweckmäßig jeweils mehrstufige neuronale Netzwerke sind, welche mit den möglichen Objektklassen trainiert sind.

Claims (12)

  1. Verfahren zur Erkennung von Objekten mittels Dopplerradar, wobei aus den von dem Objekt reflektierten und von dem Dopplerradar empfangenen Echosignalen ein zu den Echosignalen gehörendes Signalspektrum gebildet wird und aus dem Spektrum vorgebbare Merkmalsparameter extrahiert und einem lernenden System zugeführt werden, wobei das lernende System durch einen lernenden Programmiervorgang derart eingestellt wird, dass zu jedem Merkmal eine diesem zugeordnete Objektklassifikation entsteht, dadurch gekennzeichnet, dass zur Merkmalsextraktion mindestens ein mindestens eindimensionales statistisches Analyseverfahren durchgeführt wird, dass zur Erkennung einer bestimmten Objektklasse die extrahierten Merkmale einem lernenden Hybridsystem, welches ein Klassifikationsergebnis mit Klassifikationsgüte liefert, zugeführt werden, wobei das Hybridsystem ein neuronales Netzwerk und ein Hidden Markov Modell-Netzwerk umfasst, dass das Klassifikationsergebnis des Hybridsystems einem dem Hybridsystem nach geschalteten weiteren lernenden System zur Ergebnisbestätigung zugeführt wird.
  2. Verfahren nach Anspruch 1, wobei ein weiteres dem Hybridsystem voran geschaltetes lernendes System vorhanden ist, welches in Abhängigkeit von vorgebbaren Kriterien, insbesondere der Objektdynamik eines oder mehrere statistische Analyseverfahren zur Merkmalsextraktion auswählt.
  3. Verfahren nach Anspruch 2, wobei das dem Hybridsystem nach geschaltete lernende System in Abhängigkeit vorgebbarer Kriterien, insbesondere der Objektdynamik, eine Klassifikationsschwelle vorgibt, wobei eine Unterschreitung der Klassifikationsschwelle durch die von dem Hybridsystem gelieferten Klassifikationsgüte ein Fehlklassifikationskriterium liefert, welches dem ersten lernenden System zugeführt wird und wobei eine Überschreitung der Klassifikationsschwelle durch die von dem Hybridsystem gelieferten Klassifikationsgüte das Klassifikationsergebnis anzeigt.
  4. Verfahren nach Anspruch 3, wobei das dem Hybridsystem nach geschaltete lernende System ein mehrstufiges neuronales Netzwerk ist, welches mit den möglichen Objektklassen trainiert ist.
  5. Verfahren nach einem der vorangehenden Ansprüche, wobei zur Extraktion der Merkmale folgende Verfahrensschritte durchgeführt werden: – das Signalspektrum wird zunächst normalisiert und gefiltert, – das normalisierte und gefilterte Signalspektrum wird in eine vorgebbare Anzahl von Teilspektren zerlegt, – für jedes Teilspektrum werden die Effektivwerte berechnet und gemittelt, – aus jedem Teilspektrum werden mittels mindestens einem mindestens eindimensionalen statistischen Analyseverfahren Merkmalsvektoren berechnet, – die für jedes Teilspektrum berechneten Merkmalsvektoren werden gemittelt und abgespeichert, – die Effektivwerte und Merkmalsvektoren aller oder einer vorgebbaren Anzahl der Teilspektren werden in einer statistischen Kombination zu einer Matrix zusammengefasst, – die in der Matrix zusammengefassten Werte werden zeitlich geglättet, – die Werte werden auf einen Mittelwert mit dem Wert Null und einer vorgebbaren Standardabweichung standardisiert.
  6. Verfahren nach einem der vorangehenden Ansprüche, wobei ein eindimensionales statistisches Analyseverfahren eine Cepstralanalyse oder eine FFT-Analyse ist.
  7. Verfahren nach einem der vorangehenden Ansprüche, wobei ein zweidimensionales statistisches Analyseverfahren eine Kurzzeit-FFT-Analyse oder eine Wavelet-Analyse ist.
  8. Verfahren nach einem der vorangehenden Ansprüche, wobei die Netzwerke des Hybridsystems mit gleichen oder unterschiedlichen Trainingsdaten für die Objektklassen nach gleichen oder unterschiedlichen Trainingsalgorithmen trainiert sind.
  9. Verfahren nach einem der vorangehenden Ansprüche, wobei in den Objektklassen insbesondere zwischen Hubschraubern, Personen, Starrflüglern, ballistische taktische Flugkörper, Radfahrzeuge und Kettenfahrzeugen unterschieden wird.
  10. Verfahren nach einem der vorangehenden Ansprüche, wobei die zu extrahierenden Merkmale im Spektrum auftretende Signalspitzen, Amplitudenmodulationen, Phasenmodulationen, zeitlich periodisch oder aperiodisch auftretende Signale oder Kombinationen daraus sind.
  11. Verfahren nach einem der vorangehenden Ansprüche, wobei Informationen über die Flugbahn, die Geschwindigkeit und Beschleunigung des Objekts als Merkmale dem Hybridsystem zugeführt werden.
  12. Radarsystem zur Durchführung eines Verfahrens gemäß einem der vorangehenden Ansprüche, umfassend einen Empfänger (4) zum Empfangen von Radarechosignalen, einen Sender (1) zum Senden von Radarsignalen sowie Mittel (5, 6, 7, 8) zur Signalverarbeitung, dadurch gekennzeichnet, dass die Mittel (5, 6, 7, 8) zur Signalverarbeitung Mittel (7) zur Merkmalsextraktion sowie Mittel (8) zur Klassifikation umfassen.
DE200510003024 2005-01-22 2005-01-22 Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar Expired - Fee Related DE102005003024B4 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE200510003024 DE102005003024B4 (de) 2005-01-22 2005-01-22 Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE200510003024 DE102005003024B4 (de) 2005-01-22 2005-01-22 Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar

Publications (2)

Publication Number Publication Date
DE102005003024A1 true DE102005003024A1 (de) 2006-08-03
DE102005003024B4 DE102005003024B4 (de) 2010-04-15

Family

ID=36686295

Family Applications (1)

Application Number Title Priority Date Filing Date
DE200510003024 Expired - Fee Related DE102005003024B4 (de) 2005-01-22 2005-01-22 Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar

Country Status (1)

Country Link
DE (1) DE102005003024B4 (de)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019122130A1 (de) * 2017-12-22 2019-06-27 S.M.S. Smart Microwave Sensors Gmbh Verfahren und vorrichtung zum bestimmen wenigstens eines parameters eines objektes
EP3647810A1 (de) * 2018-11-05 2020-05-06 Tata Consultancy Services Limited Kontaktlose materialinspektion
CN113376600A (zh) * 2021-05-10 2021-09-10 西安电子科技大学 一种基于RSDNet的行人雷达回波去噪方法
CN113433946A (zh) * 2021-07-14 2021-09-24 北京华科软通科技有限公司 一种防撞预警方法、装置、系统、电子设备以及存储介质
CN113917419A (zh) * 2020-07-08 2022-01-11 罗伯特·博世有限公司 用于对对象进行分类的雷达数据混合评估
CN114049604A (zh) * 2021-11-09 2022-02-15 深圳大学 基于运动状态的区域人数统计方法、装置、设备及介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018125736B4 (de) 2018-10-17 2021-02-18 Sick Ag Verfahren zum Schutz von Menschen in einer Umgebung einer beweglichen Maschine

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE2928907A1 (de) * 1979-07-18 1981-06-19 Siemens AG, 1000 Berlin und 8000 München Verfahren zur klassifizierung bewegter ziele
DE3002148A1 (de) * 1980-01-22 1981-10-15 Siemens AG, 1000 Berlin und 8000 München Verfahren zur klassifizierung bewegter ziele
DE19649618A1 (de) * 1996-11-29 1998-06-04 Alsthom Cge Alcatel Verfahren und Vorrichtung zur automatischen Klassifikation von Objekten
DE19706576A1 (de) * 1997-02-20 1998-08-27 Alsthom Cge Alcatel Vorrichtung und Verfahren zur umgebungsadaptiven Klassifikation von Objekten
DE19705730C2 (de) * 1997-02-14 1999-04-15 Daimler Benz Aerospace Ag Verfahren zur Zielklassifizierung
DE4243527C2 (de) * 1992-12-22 2003-05-15 Daimler Chrysler Ag Verfahren zur Klassifizierung eines Radarzieles

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE2928907A1 (de) * 1979-07-18 1981-06-19 Siemens AG, 1000 Berlin und 8000 München Verfahren zur klassifizierung bewegter ziele
DE3002148A1 (de) * 1980-01-22 1981-10-15 Siemens AG, 1000 Berlin und 8000 München Verfahren zur klassifizierung bewegter ziele
DE4243527C2 (de) * 1992-12-22 2003-05-15 Daimler Chrysler Ag Verfahren zur Klassifizierung eines Radarzieles
DE19649618A1 (de) * 1996-11-29 1998-06-04 Alsthom Cge Alcatel Verfahren und Vorrichtung zur automatischen Klassifikation von Objekten
DE19705730C2 (de) * 1997-02-14 1999-04-15 Daimler Benz Aerospace Ag Verfahren zur Zielklassifizierung
DE19706576A1 (de) * 1997-02-20 1998-08-27 Alsthom Cge Alcatel Vorrichtung und Verfahren zur umgebungsadaptiven Klassifikation von Objekten

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019122130A1 (de) * 2017-12-22 2019-06-27 S.M.S. Smart Microwave Sensors Gmbh Verfahren und vorrichtung zum bestimmen wenigstens eines parameters eines objektes
CN111566506A (zh) * 2017-12-22 2020-08-21 S.M.S.斯玛特微波传感器有限公司 用于确定对象的至少一个参数的方法和装置
KR20200101424A (ko) * 2017-12-22 2020-08-27 에스. 엠. 에스. 스마트 마이크로웨이브 센서스 게엠베하 물체의 적어도 하나의 파라미터를 결정하는 방법 및 장치
US11841418B2 (en) 2017-12-22 2023-12-12 S.M.S. Smart Microwave Sensors Gmbh Method and device for determining at least one parameter of an object
KR102791928B1 (ko) * 2017-12-22 2025-04-08 에스. 엠. 에스. 스마트 마이크로웨이브 센서스 게엠베하 물체의 적어도 하나의 파라미터를 결정하는 방법 및 장치
EP3647810A1 (de) * 2018-11-05 2020-05-06 Tata Consultancy Services Limited Kontaktlose materialinspektion
CN113917419A (zh) * 2020-07-08 2022-01-11 罗伯特·博世有限公司 用于对对象进行分类的雷达数据混合评估
CN113376600A (zh) * 2021-05-10 2021-09-10 西安电子科技大学 一种基于RSDNet的行人雷达回波去噪方法
CN113376600B (zh) * 2021-05-10 2024-04-05 西安电子科技大学 一种基于RSDNet的行人雷达回波去噪方法
CN113433946A (zh) * 2021-07-14 2021-09-24 北京华科软通科技有限公司 一种防撞预警方法、装置、系统、电子设备以及存储介质
CN114049604A (zh) * 2021-11-09 2022-02-15 深圳大学 基于运动状态的区域人数统计方法、装置、设备及介质

Also Published As

Publication number Publication date
DE102005003024B4 (de) 2010-04-15

Similar Documents

Publication Publication Date Title
DE60125181T2 (de) Verfahren und vorrichtung zur radarzielerkennung
EP3540457A1 (de) Identifikation von objekten mittels radardaten
DE102018111250A1 (de) Nachverarbeitung des radarsystems zur unterdrückung der nebenkeule
EP0860712A2 (de) Vorrichtung und Verfahren zur umgebungsadaptiven Klassifikation von Objekten
DE19705730C2 (de) Verfahren zur Zielklassifizierung
DE102012208852A1 (de) Detektion von Radarobjekten mit einem Radarsensor eines Kraftfahrzeugs
EP2883073B1 (de) Verfahren und vorrichtung zum klassifizieren von wasserfahrzeugen
DE102017007961A1 (de) Verfahren und Vorrichtung zum Erkennen eines Störzustands eines Radarsensors
DE69606094T2 (de) Radarverfahren und Vorrichtung, die Ziele in Clutterbereichen mittels der Intensität und der Winkellage der Ziele erfassen
DE102018106478A1 (de) Zielverfolgung unter verwendung von regionskovarianz
EP0626583B1 (de) Verfahren zur Ermittlung einer periodischen Struktur in einem Linienspektrum und Verwendung eines solchen Verfahrens
DE102005003024B4 (de) Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar
DE102013222618A1 (de) Radareinrichtung und Signalverarbeitungsverfahren
DE102012106790A1 (de) Verfahren zum ermitteln von streuzentren eines mittels radar erfassten objekts
EP0845686A2 (de) Verfahren und Vorrichtung zur automatischen Klassifikation von Objekten
DE19518993A1 (de) Vorrichtung und Verfahren zur automatischen Detektion oder Klassifikation von Objekten
DE102018202903A1 (de) Verfahren zur Auswertung von Messdaten eines Radar Messsystems mithilfe eines neuronalen Netzwerks
DE102017128036B4 (de) Verfahren zum Auflösen eines ersten Ziels von einem zweiten Ziel und Radarsystem
DE19823135A1 (de) Verfahren und Anordnung zur Verkehrsdatenerfasung für die verkehrsabhängige Steuerung von Lichtsignalanlagen
EP0947851A2 (de) Verfahren zur Klassifikation und/oder Identifikation eines Zieles
EP2699933B1 (de) Verfahren und vorrichtung zum bestimmen von zielparametern mittels passivem sonar und supportwerten
WO2023046441A1 (de) Verfahren zur rekonstruktion eines spektrums aus einem durch interferenzen gestörten radarsignal
DE102020208544A1 (de) Hybride Auswertung von Radardaten für die Klassifikation von Objekten
DE102018117516B3 (de) Erkennung und Eliminierung von Störsignalen durch kodierte Ultraschallemissionen an einem Ultraschallsensor
WO2012143348A1 (de) Verfahren und vorrichtung zum bestimmen und darstellen von möglichen zielparametern

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8364 No opposition during term of opposition
R082 Change of representative

Representative=s name: MEEL, THOMAS, DIPL.-PHYS., DE

R081 Change of applicant/patentee

Owner name: AIRBUS DS ELECTRONICS AND BORDER SECURITY GMBH, DE

Free format text: FORMER OWNER: EADS DEUTSCHLAND GMBH, 85521 OTTOBRUNN, DE

Effective date: 20140916

Owner name: HENSOLDT SENSORS GMBH, DE

Free format text: FORMER OWNER: EADS DEUTSCHLAND GMBH, 85521 OTTOBRUNN, DE

Effective date: 20140916

Owner name: AIRBUS DEFENCE AND SPACE GMBH, DE

Free format text: FORMER OWNER: EADS DEUTSCHLAND GMBH, 85521 OTTOBRUNN, DE

Effective date: 20140916

R082 Change of representative

Representative=s name: LIFETECH IP SPIES & BEHRNDT PATENTANWAELTE PAR, DE

Effective date: 20140916

Representative=s name: MEEL, THOMAS, DIPL.-PHYS., DE

Effective date: 20140916

R081 Change of applicant/patentee

Owner name: AIRBUS DS ELECTRONICS AND BORDER SECURITY GMBH, DE

Free format text: FORMER OWNER: AIRBUS DEFENCE AND SPACE GMBH, 85521 OTTOBRUNN, DE

Owner name: HENSOLDT SENSORS GMBH, DE

Free format text: FORMER OWNER: AIRBUS DEFENCE AND SPACE GMBH, 85521 OTTOBRUNN, DE

R082 Change of representative

Representative=s name: MEEL, THOMAS, DIPL.-PHYS., DE

Representative=s name: LIFETECH IP SPIES & BEHRNDT PATENTANWAELTE PAR, DE

R081 Change of applicant/patentee

Owner name: HENSOLDT SENSORS GMBH, DE

Free format text: FORMER OWNER: AIRBUS DS ELECTRONICS AND BORDER SECURITY GMBH, 82024 TAUFKIRCHEN, DE

R082 Change of representative

Representative=s name: LIFETECH IP SPIES & BEHRNDT PATENTANWAELTE PAR, DE

R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee