DE102005003024A1 - Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar - Google Patents
Verfahren zur Identifikation und Klassifikation von Objekten mittels Radar Download PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000012790 confirmation Methods 0.000 claims abstract description 3
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000010397 one-hybrid screening Methods 0.000 claims 1
- 230000001537 neural effect Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G01S7/417—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 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
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 derDE 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 mit6 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 Sendeeinrichtung1 wird ein Radarsignal erzeugt, welches einem Zirkulator2 zugeführt wird und über eine Antenne3 abgestrahlt wird. Das reflektierte Radarechosignal wird von der Antenne3 aufgefangen und über den Zirkulator2 einer Empfangseinrichtung4 zugeführt. Diese Empfangseinrichtung4 ist mit einer Einrichtung5 zur Signalvorverarbeitung verbunden. Das Signal wird anschließend einerseits einer Trackingeinrichtung6 zugeführt, mittels welcher es möglich ist, ein Objekt zu verfolgen. Andererseits wird das Signals aus der Einrichtung5 einer Einrichtung7 zur Merkmalsextraktion zugeführt. Die Daten aus der Trackingeinrichtung6 und der Einrichtung7 zur Merkmalsextraktion werden einem Klassifikator8 zugeführt. - Der Klassifikator
8 entscheidet aufgrund der gelieferten Informationen, um welches Objekt es sich handelt. Der Klassifikator8 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 mit6 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 jeweils6 konkurrierende Einzelverfahren. -
3 zeigt schließlich ein beispielhaftes Blockschaltbild eines erfindungsgemäßen Verfahrens mit zusätzlichen lernenden Systemen und Rückweisungskriterien. Das empfangene Radarechosignals E wird einer Einrichtung9 zur Abfrage der Bewegungsdynamik zugeführt. Hierbei werden zweckmäßig Informationen über die Flugbahn, die Geschwindigkeit und Beschleunigung des Objekts ermittelt. Diese Informationen werden einem ersten Entscheidungsgeber10 zugeführt. Dieser erste Entscheidungsgeber10 , 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 Entscheidungsgebers10 ein "Ja", so wird die ermittelte Objektklasse ausgegeben. Die Ausgabe erfolgt dabei z.B. über ein Anzeigegerät14 . - Ergibt die Prüfung hingegen ein "Nein", so wird das Radarechosignal einem Hybridsystems
12 zugeführt. Das Hybridsystem12 erzeugt ein Klassifikationsergebnis, welches einem zweiten Entscheidungsgeber13 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 Hybridsystems12 über der Schwelle, d.h. ist die Antwort des Entscheidungsgebers13 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)
- 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.
- 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.
- 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.
- Verfahren nach Anspruch 3, wobei das dem Hybridsystem nach geschaltete lernende System ein mehrstufiges neuronales Netzwerk ist, welches mit den möglichen Objektklassen trainiert ist.
- 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.
- Verfahren nach einem der vorangehenden Ansprüche, wobei ein eindimensionales statistisches Analyseverfahren eine Cepstralanalyse oder eine FFT-Analyse ist.
- Verfahren nach einem der vorangehenden Ansprüche, wobei ein zweidimensionales statistisches Analyseverfahren eine Kurzzeit-FFT-Analyse oder eine Wavelet-Analyse ist.
- 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.
- Verfahren nach einem der vorangehenden Ansprüche, wobei in den Objektklassen insbesondere zwischen Hubschraubern, Personen, Starrflüglern, ballistische taktische Flugkörper, Radfahrzeuge und Kettenfahrzeugen unterschieden wird.
- 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.
- Verfahren nach einem der vorangehenden Ansprüche, wobei Informationen über die Flugbahn, die Geschwindigkeit und Beschleunigung des Objekts als Merkmale dem Hybridsystem zugeführt werden.
- 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.
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)
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)
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)
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 |
-
2005
- 2005-01-22 DE DE200510003024 patent/DE102005003024B4/de not_active Expired - Fee Related
Patent Citations (6)
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)
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 |