ES2562422T3 - Identificación de blancos para una imagen de radar - Google Patents
Identificación de blancos para una imagen de radar Download PDFInfo
- Publication number
- ES2562422T3 ES2562422T3 ES12154539.6T ES12154539T ES2562422T3 ES 2562422 T3 ES2562422 T3 ES 2562422T3 ES 12154539 T ES12154539 T ES 12154539T ES 2562422 T3 ES2562422 T3 ES 2562422T3
- Authority
- ES
- Spain
- Prior art keywords
- target
- radar image
- identification
- interest
- length
- 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.)
- Active
Links
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
- G01S7/411—Identification of targets based on measurements of radar reflectivity
- G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9027—Pattern recognition for feature extraction
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
- G01S13/9064—Inverse SAR [ISAR]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
Sistema (120) de identificación de blancos, comprendiendo el sistema: un módulo (312) de estimación de longitudes configurado para determinar una longitud (230) de un blanco (220) a partir de una imagen (210) de radar sobre la base de un perfil de distancia, la imagen de radar, y uno o más parámetros adaptativos; un módulo (313) de puntos de interés configurado para separar la imagen de radar en por lo menos dos secciones (244a, 244b) sobre la base de la longitud del blanco; e identificar por lo menos un punto de interés del blanco para por lo menos una de las por lo menos dos secciones de la imagen de radar sobre la base de la longitud del blanco, el perfil de distancia, la imagen de radar, el parámetro o parámetros adaptativos, y un procesado de Líneas de Hough; y un módulo (314) de identificación configurado para determinar una identificación de un blanco a partir de una pluralidad de clases de identificación sobre la base de la longitud del blanco y el por lo menos un punto de interés del blanco.
Description
DESCRIPCION
Identificacion de blancos para una imagen de radar Antecedentes
El reconocimiento automatico de blancos para imagenes de radar se puede utilizar para diferenciar blancos 5 comerciales y no comerciales (por ejemplo, embarcaciones mantimas, aviones, etcetera); para facilitar la identificacion de blancos en fronteras; y para identificar blancos amigos o enemigos. No obstante, debido a que existen muchos tipos posibles de blancos, la identificacion correcta de todos los blancos conocidos constituye un desaffo, cuando no un logro imposible. Ademas, los intentos anteriores de identificacion de blancos han utilizado datos simulados para entrenar la tecnologfa con el fin de identificar blancos. Estos intentos anteriores no tienen en 10 cuenta problemas de las imagenes de radar del mundo real, tales como picos de ruido, retornos de ecos parasitos, dispersion de distancia y Doppler, y turbulencias atmosfericas. Por lo tanto, existe en la tecnica una necesidad de una identificacion mejorada de blancos para una imagen de radar.
Se remite a “Automatic Recognition of ISAR Ship Images”, de Musman et al, IEEE Transactions on Aerospace and Electronic Systems, IEEE Service Center, vol. 32, n.° 4; y a “Ship Silhouette Recognition Using Principal 15 Componentes Analysis”, de Gouailler et al., Proceedings of SPIE, International Novelty for Optical Engineering, vol. 3.164, 1 de enero de 1997, pags. 59 a 69. Estos documentos se refieren al reconocimiento de blancos.
Sumario
Uno de los enfoques proporciona un sistema de identificacion de blancos segun se cita en la reivindicacion 1.
Otro enfoque proporciona un metodo segun se cita en la reivindicacion 6.
20 Otro enfoque proporciona un programa de ordenador segun se cita en la reivindicacion 12.
En otros ejemplos, cualquiera de los enfoques anteriores puede incluir una o mas de las siguientes caractensticas.
En algunos ejemplos, el sistema incluye un modulo de proyeccion de dimensiones configurado para proyectar caractensticas de blancos bidimensionales de la imagen de radar sobre un vector de caractensticas de blancos unidimensionales para la imagen de radar; y estando configurado ademas el modulo de puntos de interes para 25 determinar por lo menos un punto de interes del blanco a partir de la imagen de radar basandose en la longitud del blanco, el perfil de distancia, la imagen de radar, el parametro o parametros adaptativos, y un procesado de Lmeas de Hough.
En otros ejemplos, el sistema incluye un modulo de entrenamiento de clases configurado para generar la pluralidad de clases de identificacion sobre la base de una pluralidad de imagenes de radar pre-identificadas, incluyendo cada 30 una de la pluralidad de imagenes de radar pre-identificadas una longitud pre-identificada y por lo menos un punto de interes pre-identificado.
En algunos ejemplos, el sistema incluye un modulo de proyeccion de dimensiones configurado para proyectar caractensticas de blancos bidimensionales de cada una de la pluralidad de imagenes de radar pre-identificadas en un vector de caractensticas de blancos unidimensionales para cada una de la pluralidad de imagenes de radar pre- 35 identificadas.
En otros ejemplos, el blanco es un objeto mantimo.
En otros ejemplos, el metodo incluye repetir las etapas (a), (b), y (c) para determinar otras identificaciones de blancos para cuadros sucesivos de la pluralidad de imagenes de radar.
En algunos ejemplos, el metodo incluye aislar por lo menos una lmea horizontal o vertical en la imagen de radar 40 utilizando el perfil de distancia y/o el procesado de lmeas de Hough.
En otros ejemplos, el parametro o parametros adaptativos incluyen un parametro de angulo de aspecto, un parametro de coeficiente de alineamiento (warping), y/o un parametro de peso del punto de interes.
En otros ejemplos, la imagen de radar es una imagen de radar de apertura sintetica inversa.
Las tecnicas descritas en la presente pueden proporcionar una o mas de las siguientes ventajas. Una ventaja de la 45 tecnologfa es que la extraccion de caractensticas del blanco (por ejemplo, determinacion de la longitud, identificacion de puntos de interes, etcetera) puede cribar las posibles clases de identificacion, aumentando asf la eficiencia de la tecnologfa y reduciendo las clasificaciones erroneas del blanco. Otra ventaja de la tecnologfa es que cada clase de identificacion incluye un conjunto de parametros clasificadores (por ejemplo, longitud, puntos de interes, etcetera) que se pueden utilizar para diferenciar blancos similares (por ejemplo, blancos de una longitud 50 similar, blancos con puntos de interes similares, etcetera), reduciendose asf las clasificaciones erroneas del blanco e incrementandose los usos aplicables de la tecnologfa. Otra ventaja de la tecnologfa es el uso de clases de
5
10
15
20
25
30
35
40
45
50
55
identificacion seleccionadas, basandose en el entorno del blanco, de manera que se incrementa el nivel de clasificacion correcta de los blancos al eliminar clases de identificacion no relevantes para el entorno del blanco (por ejemplo, nivel de identificacion correcta de blancos del 96%, nivel de identificacion correcta de blancos del 77%, etcetera).
Breve descripcion de los dibujos
Los objetivos, caractensticas y ventajas anteriores y otros adicionales se pondran de manifiesto a partir de la siguiente descripcion mas particular de las realizaciones, segun se ilustra en los dibujos adjuntos en los cuales los caracteres de referencia iguales se refieren a las mismas partes en la totalidad de las diferentes vistas. Los dibujos no estan necesariamente a escala, poniendose enfasis por el contrario en la ilustracion de los principios de las realizaciones.
La FIG. 1 es un diagrama de un entorno ejemplificativo de identificacion de blancos;
las FIGS. 2A a 2D son diagramas de imagenes de radar ejemplificativas procesadas por un sistema de identificacion de blancos;
la FIG. 3 es un diagrama de bloques de un sistema ejemplificativo de identificacion de blancos; y la FIG. 4 es un diagrama de flujo de un proceso ejemplificativo de identificacion de blancos.
Descripcion detallada
La identificacion de blancos para una imagen de radar incluye tecnologfa que, en general, clasifica un blanco (por ejemplo, embarcacion mantima, vehnculo, avion, etcetera) a partir de clases de identificacion sobre la base de la longitud del blanco (por ejemplo, 55 metros, 98 metros, etcetera) y de puntos de interes del blanco (por ejemplo, ubicacion de superestructuras, mastil de radiocomunicaciones, reflector, etcetera). La tecnologfa puede incrementar de manera ventajosa la precision de identificacion al separar el blanco en secciones y utilizar los puntos de interes situados dentro de cada seccion para clasificar el blanco, incrementandose asf el mdice de precision al aumentarse los criterios de coincidencia para cada clase (por ejemplo, desde tres puntos de interes coincidentes en todo el blanco a un punto de interes coincidente en cada una de las tres secciones, etcetera). En otras palabras, un blanco que coincida con una clase de identificacion requerira no solamente la coincidencia de los puntos de interes para la clase de identificacion, sino que requerira tambien la coincidencia de las divisiones en secciones y de los puntos de interes respectivos dentro de cada seccion.
La tecnologfa clasifica el blanco basandose en una o mas imagenes de radar del blanco (por ejemplo, imagenes de radar independientes, cuadros independientes de una imagen de radar, etcetera), reduciendose asf de forma ventajosa la clasificacion erronea del blanco al aumentar las vistas del mismo. La tecnologfa puede generar las clases de identificacion basandose en datos de radar del tiempo real que se pre-identifican y/o identifican dinamicamente. La tecnologfa permite seleccionar las clases de identificacion basandose en el entorno de identificacion del blanco dentro del cual esta funcionando dicha tecnologfa, lo cual hace que aumente ventajosamente el nivel de clasificacion correcta al reducir el numero de clases de identificacion con el que la tecnologfa intenta encontrar coincidencias. Por ejemplo, si la tecnologfa funciona en un entorno de pesca comercial, las clases de identificacion se limitan a embarcaciones de pesca comerciales (por ejemplo, 20 clases de embarcaciones de pesca comerciales de entre 2.000 clases de embarcaciones mantimas). En este ejemplo, cualquier otro blanco se clasifica como desconocido y un operador puede determinar manualmente la clasificacion del blanco.
La FIG. 1 es un diagrama de un entorno ejemplificativo 100 de identificacion de blancos. El entorno 100 incluye una consola 110 de radar, un sistema 120 de identificacion de blancos, y un sistema 130 de radar. Durante el funcionamiento, un operador 115 de radar rastrea una pluralidad de blancos 142, 144, 146, y 148 utilizando el sistema 100. Tal como se ilustra en la FIG. 1, la pluralidad de blancos 142, 144, 146, y 148 son objetos mantimos (por ejemplo, un buque mantimo, una boya baliza, cualquier objeto identificable por un radar, etcetera). El sistema 130 de radar transmite ondas electromagneticas al blanco y recibe reflexiones de las ondas electromagneticas desde el mismo. El sistema 130 de radar comunica datos de radar (por ejemplo, radar de alta resolucion en distancia, radar de apertura sintetica, radar de apertura sintetica inversa, etcetera) de las reflexiones de las ondas electromagneticas a la consola 110 de radar y/o el sistema 120 de identificacion de blancos. El sistema 120 de identificacion de blancos procesa los datos de radar (por ejemplo, imagen de radar, grupo de imagenes de radar, etcetera) para identificar uno o mas blancos. Aunque la FIG. 1 ilustra objetos mantimos en calidad de blancos 142, 144, 146 y 148, el sistema 120 de identificacion de blancos puede identificar cualquier tipo de objeto (por ejemplo, aviones, vehnculos, edificios, etcetera).
La FIG. 2A es un diagrama de una imagen 210 de radar ejemplificativa procesada por un sistema de identificacion de blancos (por ejemplo, el sistema 120 de identificacion de blancos de la FIG. 1). Se ilustra un blanco 220 (en este ejemplo, una embarcacion mantima) dentro de la imagen 210 de radar. El sistema 120 de identificacion de blancos determina una longitud 230 del blanco 220 (por ejemplo, usando un perfil de distancia normalizado por suma, usando un procesado de lmeas Hough, etcetera) sobre la base de un perfil de distancia, la imagen 210 de radar, y
5
10
15
20
25
uno o mas parametros adaptativos. La longitud 230 del blanco 220 permite que la tecnologfa cribe el numero de posibles clases de identificacion y/o permite que la tecnologfa concentre la disponibilidad del procesador en los datos de radar asociados al blanco en lugar de datos de radar perifericos.
El sistema 120 de identificacion de blancos identifica dos puntos de interes, A 222a (en este ejemplo, una chimenea) y B 222b (en este ejemplo, una superestructura), sobre la base de la longitud, el perfil de distancia, la imagen de radar, y el parametro o parametros adaptativos. Los puntos de interes, A 222a y B 222b, permiten que la tecnologfa se centre en las diferencias entre las clases de identificacion y caractensticas de identificacion, incrementando asf el mdice de clasificacion correcta para la tecnologfa. En algunos ejemplos, el sistema 120 de identificacion de blancos gira y/o voltea la imagen de radar con vistas a la congruencia de la identificacion de los puntos de interes (por ejemplo, girar una imagen de radar 180 grados, girar una imagen de radar 90 grados, etcetera).
El sistema 120 de identificacion de blancos determina la identificacion de un blanco (en este ejemplo, un crucero Alpha Tango) de entre una pluralidad de clases de identificacion (por ejemplo, crucero Alpha Tango, crucero Beta Tango, crucero Alpha Beta, etcetera), basandose en la longitud 230 y los puntos de interes (A 222a y B 222b). Las Tablas 1 y 2 ilustran la identificacion de blancos usando respectivamente, la longitud y puntos de interes. Tal como se ilustra en las Tablas 1 y 2, la identificacion de traza de blanco Traza ABC001 se identifica como Arrastrero BC y la identificacion de traza de blanco Traza GHA001 se identifica como Arrastrero CD.
Tabla 1. Identificacion ejemplificativa por medio de la longitud
- Identificacion de Traza de Blanco
- Longitud del Blanco Clase de Identificacion Longitud de la Clase Coincidencia
- Traza ABC001
- 45 metros Arrastrero AB 85 metros No
- Arrastrero BC
- 45 metros Si
- Arrastrero CD
- 62 metros No
- Arrastrero BD
- 46 metros Si
- Traza GHA001
- 72 metros Arrastrero AB 85 metros Si
- Arrastrero BC
- 45 metros No
- Arrastrero CD
- 62 metros Si
- Arrastrero BD
- 46 metros No
Tabla 2. Identificacion Ejemplificativa por Medio de Puntos de Interes
- Identificacion de Traza de Blanco
- Punto de Interes Clase de Identificacion Punto de Interes Coincidencia
- Traza ABC001
- Superestructura a 1-9 metros desde el lado derecho del blanco Arrastrero AB Superestructura a 11-56 metros desde el lado izquierdo del blanco No
- Arrastrero BC
- Superestructura a 1-9 metros desde el lado derecho del blanco Si
- Arrastrero CD
- Superestructura a 11-25 metros desde el lado derecho del blanco No
- Arrastrero BD
- Superestructura a 26-56 metros desde el lado derecho del blanco No
- Traza GHA001
- Mastil de radiocomunicaciones a 2 metros desde el lado derecho del blanco Arrastrero AB Mastil de radiocomunicaciones a 5 metros desde el lado derecho del blanco No
- Arrastrero BC
- Mastil de radiocomunicaciones a 8 metros desde el lado derecho del blanco No
- Arrastrero CD
- Mastil de radiocomunicaciones a 2 metros desde el lado derecho del blanco Si
- Arrastrero BD
- Mastil de radiocomunicaciones a 11 metros desde el lado derecho del blanco No
La FIG. 2B es un diagrama de la imagen 210 de radar ejemplificativa procesada por el sistema 120 de identificacion de blancos. Tal como se ilustra en la FIG. 2B, el sistema 120 de identificacion de blancos separa la imagen 210 de radar del blanco 220 en secciones (A 224a, B 224b, y C 224c). La separacion de la imagen 210 de radar permite ventajosamente que el sistema 120 de identificacion de blancos incremente los puntos de coincidencia para las clases de identificacion (es decir, un aumento del numero de puntos de interes para el blanco).
5
10
15
20
25
30
35
40
45
La FIG. 2C es un diagrama de una fraccion de la imagen 210 de radar ejemplificativa procesada por el sistema 120 de identificacion de blancos. El sistema 120 de identificacion de blancos identifica el punto de interes (A 222a) dentro de la seccion (B 224b) basandose en la longitud, el perfil de distancia, la imagen de radar, y el parametro o parametros adaptativos.
La FIG. 2D es un diagrama de la imagen 210 de radar ejemplificativa procesada por el sistema 120 de identificacion de blancos. El sistema 120 de identificacion de blancos afsla lmeas verticales A 226a y B 226b y la lmea horizontal C 226c utilizando el perfil de distancia y/o el procesado de lmeas Hough. La determinacion de lmeas verticales permite ventajosamente diferenciar puntos de interes (por ejemplo, superestructuras, mastiles, chimeneas, etcetera) con respecto a otros puntos de interes (por ejemplo, rotadores, reflectores, etcetera), en primer lugar por la dispersion Doppler y en segundo lugar por la frecuencia de aparicion cuando se realiza un rastreo de una exploracion a otra. La determinacion de lmeas horizontales permite ventajosamente la identificacion correcta de la plataforma de un blanco y/o la misma se puede usar para mejorar la precision de cualquier estimacion inicial de la longitud del blanco.
La FIG. 3 es un diagrama de bloques de un sistema ejemplificativo 310 de identificacion de blancos. El sistema 310 de identificacion de blancos incluye un modulo 311 de comunicaciones, un modulo 312 de estimacion de longitudes, un modulo 313 de puntos de interes, un modulo 314 de identificacion, un modulo 315 de proyeccion de dimensiones, un modulo 316 de entrenamiento de clases, un dispositivo 391 de entrada, un dispositivo 392 de salida, un dispositivo 393 de visualizacion, un procesador 394, y un dispositivo de almacenamiento. Los modulos y dispositivos descritos en la presente pueden utilizar, por ejemplo, el procesador 394 para ejecutar instrucciones ejecutables por ordenador y/o pueden incluir un procesador para ejecutar instrucciones ejecutables por ordenador (por ejemplo, una unidad de procesado de cifrado, una unidad de procesado de matriz de puertas programables in situ, etcetera). Debena entenderse que el sistema 310 de identificacion de blancos puede incluir, por ejemplo, otros modulos, dispositivos, y/o procesadores conocidos en la tecnica y/o variantes de los modulos, dispositivos, y/o procesadores ilustrados.
El modulo 311 de comunicaciones comunica informacion hacia/desde el sistema 310 de identificacion de blancos. El modulo 312 de estimacion de longitudes determina una longitud de un blanco (por ejemplo, objeto mantimo, objeto terrestre, objeto orbital, etcetera) a partir de una imagen basandose en un perfil de distancia, en la imagen de radar (por ejemplo, imagen de un radar de apertura sintetica inversa, imagen de un radar de apertura sintetica, imagen de un radar de alta resolucion en distancia, datos de radar no procesados, datos de radar pre-procesados, etcetera), y en uno o mas parametros adaptativos. La longitud determinada del blanco se puede usar para cribar el numero de posibles clases de identificacion. Por ejemplo, el numero de posibles clases de identificacion incluye 212 clases que van desde longitudes de 25 metros a 125 metros y, basandose en la longitud determinada de 30 metros, las posibles clases de identificacion se criban a 35 clases que van desde longitudes de 25 metros a 45 metros. Los parametros adaptativos incluyen un parametro de angulo de aspecto (por ejemplo, 66 grados, 45 grados, -44 grados, etcetera), un parametro de coeficiente de alineamiento (warping), y/o un parametro de peso de los puntos de interes (por ejemplo, superestructura = 4, reflector = 1, etcetera). El parametro de coeficiente de alineamiento (warping) se puede utilizar cuando se ajustan estimaciones de longitud aparentes en la dimension de la distancia en situaciones en las cuales el angulo de aspecto del blanco no es favorable para estimaciones de longitud (por ejemplo, menos de -60 grados, mas de 60 grados, etcetera). El parametro de coeficiente de alineamiento (warping) reduce ventajosamente la subestimacion o sobreestimacion aproximada de la longitud del blanco debido a angulos de aspecto del mismo menos favorables.
La Tabla 3 ilustra longitudes determinadas ejemplificativas para una pluralidad de blancos.
Tabla 3. Longitudes Ejemplificativas
- Identificacion de Traza de Blanco
- Longitud Determinada Identificacion de Imagen de Radar Perfil de Distancia Parametros Adaptativos
- Traza ABC001
- 45 metros Imagen DEG33 10.000 metros Angulo de Aspecto = + 32 grados Coeficiente de alineamiento = 3
- Traza D32001
- 25 metros Imagen TR342 50.000 metros Angulo de Aspecto = -15 grados
- Traza A001
- 62 metros ImagenIU324 100.000 metros Angulo de Aspecto = - 50 grados Coeficiente de alineamiento = 8
El modulo 313 de puntos de interes identifica por lo menos un punto de interes (por ejemplo, mastil de radiocomunicaciones, superestructura, mastil de bandera, una matriz de radar, una antena parabolica, etcetera) del blanco a partir de la imagen de radar basandose en la longitud, el perfil de distancia, la imagen de radar, y el parametro o parametros adaptativos. El punto de interes puede ser cualquier parte distinguible del blanco (por ejemplo, una torreta, altura por encima de la lmea de flotacion, tipo de construccion, etcetera). En otros ejemplos, el
modulo 313 de puntos de interes determina por lo menos un punto de interes del blanco a partir de la imagen de radar basandose en la longitud, el perfil de distancia, la imagen de radar, el parametro o parametros adaptativos, un procesado de Lmeas de Hough, y/o lmeas horizontales y verticales aisladas. La Tabla 4 ilustra puntos de interes ejemplificativos para una pluralidad de blancos.
5 Tabla 4. Puntos de Interes Ejemplificativos
- Identificacion de Traza de Blanco
- Longitud Determinada Punto de Interes
- Traza ABC001
- 45 metros Mastil de Radiocomunicaciones a 1/6 desde el lado izquierdo del blanco; Superestructura a 1-9 metros desde el lado derecho del blanco; Superestructura a 32-44 metros desde el lado izquierdo del blanco
- Traza D32001
- 25 metros Mastil de Radiocomunicaciones a 1/12 desde el lado derecho del blanco; Superestructura a 10-14 metros desde el lado izquierdo del blanco
- Traza A001
- 62 metros Matriz de radar a 3 metros desde el lado izquierdo del blanco; Antena parabolica a 5 metros desde el lado derecho del blanco; Superestructura 12-24 metros desde el lado izquierdo del blanco
El modulo 314 de identificacion determina una identificacion de blanco a partir de una pluralidad de clases de identificacion basandose en la longitud y el por lo menos un punto de interes. La Tabla 5 ilustra clases de identificacion ejemplificativas. La Tabla 6 ilustra identificaciones de blancos ejemplificativas sobre la base de las 10 clases de identificacion ejemplificativas de la Tabla 5.
Tabla 5. Clases de Identificacion Ejemplificativas
- Clase de Identificacion
- Longitud Punto de Interes
- Arrastrero AB
- 85 metros Mastil de Radiocomunicaciones a 1/8 desde el lado izquierdo/derecho del blanco; Superestructura a 1-9 metros desde el lado izquierdo/derecho del blanco; Superestructura a 80-85 metros desde el lado derecho/izquierdo del blanco
- Arrastrero BC
- 45 metros Mastil de Radiocomunicaciones a 1/6 desde el lado izquierdo/derecho del blanco; Superestructura a 32-44 metros desde el lado izquierdo del blanco
- Arrastrero CD
- 62 metros Matriz de Radar a 2 metros desde el lado izquierdo/derecho del blanco; Antena Parabolica a 4 metros desde el lado derecho/izquierdo del blanco; Superestructura a 12-24 metros desde el lado izquierdo del blanco
Tabla 6. Identificaciones de Blanco Ejemplificativas
- Identificacion de Traza de Blanco
- Identificacion de Blanco
- Traza ABC001
- Arrastrero BC
- Traza D32001
- Desconocido - Ninguna Identificacion Sobre la Base de las Clases de Identificacion
- Traza A001
- Arrastrero CD
15 El modulo 315 de proyeccion de dimensiones proyecta caractensticas de blancos bidimensionales de la imagen de radar sobre un vector de caractensticas de blancos unidimensionales para la imagen de radar. El vector de caractensticas de blancos unidimensionales incluye la longitud del blanco, y para cada seccion del blanco, la ubicacion (por ejemplo, en distancia) de cada punto de interes designado, con una designacion (por ejemplo, mastil, superestructura, rotador, reflector, etcetera) y una ponderacion respectivas. Si en una seccion particular se 20 encuentra mas de un punto de interes, el vector de caractensticas de blancos unidimensionales incluye la caractenstica con la mayor ponderacion. En otros ejemplos, si se utilizan ambos puntos de interes para diferenciar entre clases, el blanco se separa en mas secciones con el fin de crear una separacion por distancia entre dichos puntos de interes mencionados anteriormente. En algunos ejemplos, el modulo 315 de proyeccion de dimensiones proyecta caractensticas de blancos bidimensionales de cada una de la pluralidad de imagenes de radar pre- 25 identificadas en un vector de caractensticas de blancos unidimensionales para cada una de la pluralidad de imagenes de radar pre-identificadas.
El modulo 316 de entrenamiento de clases genera la pluralidad de clases de identificacion basandose en una pluralidad de imagenes de radar pre-identificadas. Cada una de la pluralidad de imagenes de radar pre-identificadas incluye una longitud pre-identificada y por lo menos un punto de interes pre-identificado. Las imagenes de radar pre- 30 identificadas pueden ser de imagenes de radar del mundo real con problemas de datos del mundo real, tales como
5
10
15
20
25
30
35
40
45
picos de ruido, retornos de eco parasito, dispersion de distancia y Doppler, y turbulencias atmosfericas. El modulo 316 de entrenamiento de clases puede utilizar un Modelo de Mezcla de Gaussianas basado en una Red Neuronal y/o cualquier otro tipo de clasificador (por ejemplo, Modelos Ocultos de Markov, Cuantificadores Vectoriales, Redes Neuronales, Funciones de Base Radial, etcetera) para llevar a cabo el entrenamiento y/o las pruebas de la clasificacion. El modulo 316 de entrenamiento de clases puede utilizar una tecnica de esperanza-maximizacion y/o cualquier otra tecnica de entrenamiento algontmicamente iterativa para designar un blanco con la probabilidad de la clase de datos mas alta. La Tabla 3, antes descrita, ilustra clases de identificacion ejemplificativas.
El dispositivo 391 de entrada recibe informacion asociada al sistema 310 de identificacion de blancos (por ejemplo, instrucciones de un usuario, instrucciones de otro dispositivo informatico, etcetera) proveniente de un usuario (no mostrado) y/o de otro sistema informatico (no mostrado). El dispositivo 391 de entrada puede incluir, por ejemplo, un teclado, un escaner, etcetera. El dispositivo 392 de salida da salida a informacion asociada al sistema 310 de identificacion de blancos (por ejemplo, informacion para una impresora (no mostrada), informacion para un altavoz, etcetera).
El dispositivo 393 de visualizacion visualiza informacion asociada al sistema 310 de identificacion de blancos (por ejemplo, informacion del estado, informacion de configuracion, etcetera). El procesador 394 ejecuta el sistema operativo y/o cualesquiera otras instrucciones ejecutables por ordenador para el sistema 310 de identificacion de blancos (por ejemplo, ejecuta aplicaciones, etcetera).
El dispositivo 395 de almacenamiento almacena datos de radar y/o datos de identificacion de blancos. El dispositivo 395 de almacenamiento puede almacenar informacion y/o cualesquiera otros datos asociados al sistema 310 de identificacion de blancos. El dispositivo 395 de almacenamiento puede incluir una pluralidad de dispositivos de almacenamiento y/o el sistema 310 de identificacion de blancos puede incluir una pluralidad de dispositivos de almacenamiento (por ejemplo, un dispositivo de almacenamiento de entradas de radar, un dispositivo de almacenamiento de identificaciones de blancos, un dispositivo de almacenamiento de entrenamiento de blancos, etcetera). El dispositivo 395 de almacenamiento puede incluir, por ejemplo, medios de almacenamiento de largo plazo (por ejemplo, una unidad de disco duro, un dispositivo de almacenamiento en cinta, memoria flash, etcetera), medios de almacenamiento de corto plazo (por ejemplo, una memoria de acceso aleatorio, una memoria grafica, etcetera,), y/o cualquier otro tipo de medios legibles por ordenador.
La FIG. 4 es un diagrama de flujo de un proceso ejemplificativo 400 de identificacion de blancos que utiliza, por ejemplo, el sistema 310 de identificacion de blancos de la FIG. 3. El modulo 312 de estimacion de longitudes determina (410) una longitud de un blanco a partir de una imagen de radar (por ejemplo, una imagen de radar de apertura sintetica inversa, una imagen de radar de apertura sintetica, etcetera) basandose en un perfil de distancia, en la imagen de radar, y en uno o mas parametros adaptativos. El modulo 313 de puntos de interes identifica (420) por lo menos un punto de interes del blanco a partir de la imagen radar basandose en la longitud, el perfil de distancia, la imagen de radar, y el parametro o parametros adaptativos. El modulo 314 de identificacion determina (430) una identificacion de un blanco a partir de una pluralidad de clases de identificacion basandose en la longitud y el por lo menos un punto de interes.
En algunos ejemplos, el modulo 313 de puntos de interes separa (422) la imagen de radar en por lo menos dos secciones sobre la base de la longitud del blanco. En otros ejemplos, el modulo 313 de puntos de interes identifica (424) por lo menos un punto de interes del blanco para por lo menos una de las por lo menos dos secciones de la imagen de radar basandose en el perfil de distancia, en la imagen de radar, y en el parametro o parametros adaptativos. La Tabla 7 ilustra secciones ejemplificativas y el punto de interes correspondiente.
Tabla 7. Puntos de Interes Ejemplificativos
- Identificacion de Traza del Blanco
- Seccion Punto de Interes
- Traza GA
- A Superestructura a 1-9 metros desde el lado izquierdo del blanco
- B Mastil de Radiocomunicaciones a 1/2 desde el lado izquierdo del blanco
- C Superestructura a 32-44 metros desde el lado izquierdo del blanco
- Traza HA
- A Superestructura a 4-45 metros desde el lado izquierdo del blanco
- B Mastil de Radiocomunicaciones a 60 metros desde el lado izquierdo del blanco
- C Superestructura a 100-115 metros desde el lado izquierdo del blanco
- D Matriz de Radar a 1/100 desde el lado derecho del blanco
En algunos ejemplos, el sistema 310 de identificacion de blancos y/o los modulos asociados repiten (440) las etapas (410, 420 y 430) para determinar otra identificacion de blanco para otro cuadro de la imagen de radar. Por ejemplo, el sistema de identificacion de blancos identifica un primer cuadro de la imagen de radar como un arrastrero AB, un segundo cuadro de la imagen radar como un arrastrero BC, y un tercer cuadro de la imagen de radar como el arrastrero AB. La Tabla 8 ilustra cuadros ejemplificativos y las identificaciones de blanco correspondientes.
5
10
15
20
25
Tabla 8. Cuadros Ejemplificativos
- Identificacion de Traza de Blanco
- Cuadro Tiempo Identificacion de blanco
- Traza ABC001
- A 3:34.12 Barco de Recreo AB
- B
- 3:34.22 Barco de Recreo BC
- C
- 3:34.32 Barco de Recreo AB
- X
- 4:21.22 Barco de Recreo AB
- W
- 4:21.42 Barco de Recreo CD
- Z
- 4:21.54 Barco de Recreo AB
- Traza A001
- A 3:34.23 Barco de Recreo CD
- B
- 3:34.24 Barco de Recreo CD
- C
- 3:34.35 Barco de Recreo AB
- X
- 3:35.12 Barco de Recreo CD
- W
- 3:35.13 Barco de Recreo CD
- Z
- 3:35.14 Barco de Recreo CD
En otros ejemplos, el modulo 314 de identificacion rastrea las identificaciones de blancos a partir de los cuadros. El dispositivo 393 de visualizacion puede visualizar las identificaciones de los blancos para un usuario (por ejemplo, para el operador 115 de radar). La Tabla 9 ilustra recuentos ejemplificativos para trazas de blancos.
Tabla 9. Recuentos Ejemplificativos
- Identificacion de Traza de Blanco
- Cuadros Identificacion de Blanco Recuento de Identificaciones
- Traza ABC001
- 150 Barco de Recreo AB 112
- Barco de Recreo BC 28
- Barco de Recreo CD 10
- Traza A001
- 450 Barco de Recreo AB 17
- Barco de Recreo BC 23
- Barco de Recreo CD 410
En algunos ejemplos, el modulo 314 de identificacion determina (430) una identificacion de blanco de entre una pluralidad de clases de identificacion basandose en la longitud y el por lo menos un punto de interes utilizando un Modelo de Mezcla de Gaussianas (GMM) y/o cualquier otra tecnica similar. El GMM se puede basar en parametros tales como el numero de componentes de mezcla o centros en el modelo, el tipo de modelo (por ejemplo, esferico, cuadrado, etcetera), y/o la dimensionalidad del modelo.
En algunos ejemplos, el modulo 312 de estimacion de longitudes afsla por lo menos una lmea horizontal o vertical de la imagen de radar utilizando el perfil de distancia y/o un procesado de lmeas de Hough. En otros ejemplos, el modulo 312 de estimacion de longitudes compara las lmeas verticales con las posiciones de picos asociados a un perfil de distancia normalizado por suma, de la imagen de radar, y designa como posiciones de los puntos de interes cualquiera que aparezca en la misma region.
En otros ejemplos, la longitud de un blanco se determina de acuerdo con la siguiente ecuacion:
L„
Jtrue
uosl
donde:
Ltrue = longitud real del blanco;
La = longitud aparente del blanco; y
&asp = angulo formado por la Lmea Visual del radar y el angulo longitudinal del blanco.
Los sistemas y metodos antes descritos se pueden implementar en circuitena electronica digital, en hardware de ordenador, en microprogramas y/o en software. La implementacion puede ser en forma de un producto de programa de ordenador. La implementacion puede ser, por ejemplo, en un dispositivo de almacenamiento legible por maquina, para su ejecucion por parte de aparatos de procesado de datos o para controlar el funcionamiento de estos ultimos. La implementacion puede ser, por ejemplo, un procesador programable, un ordenador, y/o multiples ordenadores.
5
10
15
20
25
30
35
40
45
50
55
60
Un programa de ordenador se puede escribir en cualquier forma de lenguaje de programacion, incluyendo lenguajes compilados y/o interpretados, y el programa de ordenador se puede desplegar en cualquier forma, incluyendo un programa autonomo o una subrutina, elemento, y/u otra unidad adecuada para su uso en un entorno informatico. Un programa de ordenador se puede desplegar para ser ejecutado en un ordenador o en multiples ordenadores en un emplazamiento.
Las etapas de metodo pueden ser llevadas a cabo por uno o mas procesadores programables que ejecutan un programa de ordenador para llevar a cabo funciones de la invencion actuando sobre datos de entrada y generando una salida. Las etapas de metodo tambien pueden ser llevadas a cabo por una circuitena logica de proposito especial y un aparato se puede implementar en forma de esta ultima. La circuitena puede ser, por ejemplo, una FPGA (matriz de puertas programable in situ) y/o un ASIC (circuito integrado de aplicacion espedfica). Las subrutinas y agentes de software pueden remitir a partes de programa de ordenador, al procesador, a la circuitena especial, al software y/o al hardware que implementan esa funcionalidad.
Los procesadores adecuados para la ejecucion de un programa de ordenador incluyen, a tttulo de ejemplo, microprocesadores de proposito tanto general como especial, y uno cualquiera o mas procesadores de cualquier tipo de ordenador digital. En general, un procesador recibe instrucciones y datos de una memoria de solo lectura o de una memoria de acceso aleatorio o de ambas. Los elementos esenciales de un ordenador son un procesador para ejecutar instrucciones y uno o mas dispositivos de memoria para almacenar instrucciones y datos. En general, un ordenador puede incluir, puede estar acoplado operativamente para recibir datos desde y/o transferir datos hacia, uno o mas dispositivos de almacenamiento masivo destinados a almacenar datos (por ejemplo, discos magneticos, magneto-opticos, u opticos).
La transmision de datos y las instrucciones tambien se pueden producir a traves de una red de comunicaciones. Los portadores de informacion adecuados para materializar instrucciones y datos de programas de ordenador incluyen toda forma de memoria no volatil, incluyendo a tftulo de ejemplo dispositivos de memoria de semiconductores. Los portadores de informacion pueden ser, por ejemplo, EPROM, EEPROM, dispositivos de memoria flash, discos magneticos, discos duros internos, discos extrafbles, discos magneto-opticos, CD-ROM, y/o discos de DVD-ROM. El procesador y la memoria se pueden complementar con circuitena logica de proposito especial y/o se pueden incorporar en esta ultima.
Para proporcionar interaccion con un usuario, las tecnicas antes descritas se pueden implementar en un ordenador que tenga un dispositivo de visualizacion. El dispositivo de visualizacion puede ser, por ejemplo, un tubo de rayos catodicos (CRT) y/o un monitor de pantalla de cristal lfquido (LCD). La interaccion con un usuario puede ser, por ejemplo, una visualizacion de informacion para el usuario y un teclado y un dispositivo senalador (por ejemplo, un raton o un control de trackball) por medio de los cuales el usuario puede proporcionar una entrada al ordenador (por ejemplo, interaccionar con un elemento de interfaz de usuario). Se pueden usar otros tipos de dispositivos para proporcionar interaccion con un usuario. Otros dispositivos pueden ser, por ejemplo, retroalimentacion proporcionada al usuario en cualquier forma de retroalimentacion sensorial (por ejemplo, retroalimentacion visual, auditiva o tactil). La entrada proveniente del usuario se puede recibir, por ejemplo, en cualquier forma, incluyendo una entrada acustica, de voz, y/o tactil.
Las tecnicas antes descritas se pueden implementar en un sistema informatico distribuido que incluye un componente de fondo (back-end). El componente de fondo puede ser, por ejemplo, un servidor de datos, un componente de software intermedio (middleware), y/o un servidor de aplicaciones. Las tecnicas antes descritas se pueden implementar en un sistema informatico de distribucion que incluya un componente de etapa frontal (front- end). El componente de etapa frontal puede ser, por ejemplo, un ordenador de cliente que tenga una interfaz grafica de usuario, un navegador web a traves del cual un usuario pueda interaccionar con una implementacion de ejemplo, y/u otras interfaces graficas de usuario para un dispositivo de transmision. Los componentes del sistema se pueden interconectar mediante cualquier forma o soporte de comunicaciones de datos digitales (por ejemplo, una red de comunicaciones). Los ejemplos de redes de comunicacion incluyen una red de area local (LAN), una red de area extensa (WAN), Internet, redes por cables, y/o redes inalambricas.
El sistema puede incluir clientes y servidores. Un cliente y un servidor son en general remotos uno con respecto a otro y tfpicamente interaccionan a traves de una red de comunicaciones. La relacion de cliente y servidor surge como consecuencia de programas de ordenador que se ejecutan en los ordenadores respectivos y que presentan una relacion mutua de cliente-servidor.
Las redes basadas en paquetes pueden incluir, por ejemplo, Internet, una red portadora del Protocolo de Internet (IP) (por ejemplo, una red de area local (LAN), una red de area extensa (WAN), una red de area de campus (CAN), una red de area metropolitana (MAN), una red de area domestica (HAN), una red de IP privada, una centralita privada de IP (IPBX), una red inalambrica (por ejemplo, una red de acceso de radiocomunicaciones (RAN), una red 802.11, una red 802.16, una red del servicio general de radiocomunicaciones por paquetes (GPRS), una HiperLAN), y/u otras redes basadas en paquetes. Las redes basadas en circuitos pueden incluir, por ejemplo, la red telefonica publica conmutada (PSTN), una centralita privada (PBX), una red inalambrica (por ejemplo, RAN, bluetooth, red de acceso multiple por division de codigo (CDMA), una red de acceso multiple por division de tiempo (TDMA), una red del sistema global para comunicaciones de moviles (GSM)), y/u otras redes basadas en circuitos.
El dispositivo de transmision puede incluir, por ejemplo, un ordenador, un ordenador con un dispositivo navegador, un telefono, un telefono IP, un dispositivo movil (por ejemplo, telefono celular, dispositivo de asistente personal digital (PDA), un ordenador portatil, un dispositivo de correo electronico), y/u otros dispositivos de comunicacion. El dispositivo navegador incluye, por ejemplo, un ordenador (por ejemplo, ordenador de sobremesa, ordenador portatil) 5 con un navegador para la red informatica mundial (por ejemplo, Internet Explorer(R) de Microsoft(R) disponible en Microsoft Corporation, Firefox Mozilla(R) disponible en Mozilla Corporation). El dispositivo informatico movil incluye, por ejemplo, una Blackberry(R).
Comprender, incluir, y/o las diversas formas de cada una de las mencionadas son terminos de interpretacion abierta e incluyen las partes enumeradas y pueden incluir partes adicionales que no se han enumerado. Y/o es una 10 expresion de interpretacion abierta e incluye una o mas de las partes enumeradas y combinaciones de las partes enumeradas.
Aquellos versados en la materia percibiran que la invencion se puede materializar en otras formas espedficas sin desviarse con respecto a sus caractensticas esenciales. Por tanto, las anteriores realizaciones deben considerarse en todos sus aspectos como ilustrativas mas que limitativas de la invencion que se describe en la presente. El 15 alcance de la invencion queda indicado por tanto por las reivindicaciones adjuntas, mas que por la descripcion anterior, y por esa razon todos los cambios que se situan dentro del significado y el alcance de equivalencia de las reivindicaciones estan destinados a quedar abarcados por las mismas.
Claims (12)
- 5101520253035404550REIVINDICACIONES1. Sistema (120) de identificacion de blancos, comprendiendo el sistema:un modulo (312) de estimacion de longitudes configurado para determinar una longitud (230) de un blanco (220) a partir de una imagen (210) de radar sobre la base de un perfil de distancia, la imagen de radar, y uno o mas parametros adaptativos;un modulo (313) de puntos de interes configurado para separar la imagen de radar en por lo menos dos secciones (244a, 244b) sobre la base de la longitud del blanco; e identificar por lo menos un punto de interes del blanco para por lo menos una de las por lo menos dos secciones de la imagen de radar sobre la base de la longitud del blanco, el perfil de distancia, la imagen de radar, el parametro o parametros adaptativos, y un procesado de Lmeas de Hough; yun modulo (314) de identificacion configurado para determinar una identificacion de un blanco a partir de una pluralidad de clases de identificacion sobre la base de la longitud del blanco y el por lo menos un punto de interes del blanco.
- 2. Sistema de la reivindicacion 1, que comprende ademas:un modulo (315) de proyeccion de dimensiones configurado para proyectar caractensticas de blancos bidimensionales de la imagen de radar sobre un vector de caractensticas de blancos unidimensionales para la imagen de radar; yestando configurado ademas el modulo de puntos de interes para determinar por lo menos un punto de interes del blanco a partir de la imagen de radar basandose en la longitud del blanco, el perfil de distancia, la imagen de radar, el parametro o parametros adaptativos, y un procesado de Lmeas de Hough.
- 3. Sistema de la reivindicacion 1, que comprende ademas un modulo (316) de entrenamiento de clases configurado para generar la pluralidad de clases de identificacion sobre la base de una pluralidad de imagenes de radar pre-identificadas, comprendiendo cada una de la pluralidad de imagenes de radar pre-identificadas una longitud pre-identificada y por lo menos un punto de interes pre-identificado.
- 4. Sistema de la reivindicacion 3, que comprende ademas un modulo (315) de proyeccion de dimensiones configurado para proyectar caractensticas de blancos bidimensionales de cada una de la pluralidad de imagenes de radar pre-identificadas en un vector de caractensticas de blancos unidimensionales para cada una de la pluralidad de imagenes de radar pre-identificadas.
- 5. Sistema de una cualquiera de las reivindicaciones 1 a 4, en el que el blanco es un objeto mantimo (142, 144, 146, 148).
- 6. Metodo para identificacion de blancos de una imagen de radar, comprendiendo el metodo:(a) determinar (410) una longitud de un blanco a partir de una imagen de radar sobre la base de un perfil de distancia, la imagen de radar, y uno o mas parametros adaptativos;(b) separar (422) la imagen de radar en por lo menos dos secciones sobre la base de la longitud del blanco; identificar (424) por lo menos un punto de interes del blanco para por lo menos una de las por lo menos dos secciones de la imagen de radar sobre la base de la longitud del blanco, el perfil de distancia, la imagen de radar, el parametro o parametros adaptativos, y un procesado de Lmeas de Hough; y(c) determinar una identificacion de un blanco (430) a partir de una pluralidad de clases de identificacion sobre la base de la longitud del blanco y el por lo menos un punto de interes del blanco.
- 7. Metodo de la reivindicacion 6, que comprende ademas repetir las etapas (a), (b), y (c) para determinar otras identificaciones de blancos para cuadros sucesivos de la pluralidad de imagenes de radar.
- 8. Metodo de la reivindicacion 6 o la reivindicacion 7, que comprende ademas aislar (412) por lo menos una lmea horizontal o vertical en la imagen de radar utilizando el perfil de distancia, el procesado de lmeas de Hough, o cualquier combinacion de los mismos.
- 9. Metodo de una cualquiera de las reivindicaciones 6 a 8, en el que el parametro o parametros adaptativos comprenden un parametro de angulo de aspecto, un parametro de coeficiente de alineamiento (warping), un parametro de peso de los puntos de interes, o cualquier combinacion de los mismos.
- 10. Metodo de una cualquiera de las reivindicaciones 6 a 9, en el que la imagen de radar es una imagen de radar de apertura sintetica inversa.
- 11. Metodo de una cualquiera de las reivindicaciones 6 a 10, en el que el blanco es un objeto mantimo (142, 144,146, 148).
- 12. Programa de ordenador que comprende instrucciones que se pueden hacer funcionar para conseguir que un aparato de procesado de datos lleve a cabo las etapas del metodo de una cualquiera de las reivindicaciones 6 a 11.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/104,243 US8730091B2 (en) | 2011-05-10 | 2011-05-10 | Target identification for a radar image |
US201113104243 | 2011-05-10 |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2562422T3 true ES2562422T3 (es) | 2016-03-04 |
Family
ID=45655465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES12154539.6T Active ES2562422T3 (es) | 2011-05-10 | 2012-02-08 | Identificación de blancos para una imagen de radar |
Country Status (4)
Country | Link |
---|---|
US (1) | US8730091B2 (es) |
EP (1) | EP2523016B1 (es) |
ES (1) | ES2562422T3 (es) |
PL (1) | PL2523016T3 (es) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2639781A1 (en) * | 2012-03-14 | 2013-09-18 | Honda Motor Co., Ltd. | Vehicle with improved traffic-object position detection |
US9785824B2 (en) | 2014-04-15 | 2017-10-10 | Infineon Technologies Ag | Apparatus and a method for detecting a motion of an object in a target space |
US9299010B2 (en) * | 2014-06-03 | 2016-03-29 | Raytheon Company | Data fusion analysis for maritime automatic target recognition |
US10310068B2 (en) * | 2014-12-08 | 2019-06-04 | Northrop Grumman Systems Corporation | Variational track management |
US10948570B2 (en) | 2015-04-28 | 2021-03-16 | Furuno Electric Company Limited | Signal processor and radar apparatus |
CN105676200B (zh) * | 2016-01-07 | 2017-11-03 | 北京环境特性研究所 | 进动目标结构参数提取方法 |
FR3050279B1 (fr) * | 2016-04-19 | 2018-05-11 | Thales | Calcul automatique d'une dimension d'une plateforme mobile |
CN107219524B (zh) * | 2017-05-11 | 2020-01-07 | 西北工业大学 | 一种基于全局最小相位近似的sar成像优化方法 |
JP6838658B2 (ja) * | 2017-07-04 | 2021-03-03 | 日本電気株式会社 | 物体検知装置、物体検知方法、及びプログラム |
CN108459312B (zh) * | 2018-03-26 | 2022-05-03 | 西安电子科技大学 | 基于复合多径因子估计的加权多频最大似然仰角估计方法 |
CN108872960A (zh) * | 2018-05-09 | 2018-11-23 | 南京航空航天大学 | 用于hrrp目标识别的滑动分帧方法 |
RU2713193C1 (ru) * | 2019-03-11 | 2020-02-04 | Акционерное общество научно-внедренческое предприятие "ПРОТЕК" | Способ межпозиционного отождествления результатов измерений и определения координат воздушных целей в многопозиционной радиолокационной системе |
CN110082738B (zh) * | 2019-06-18 | 2023-03-28 | 西安电子科技大学 | 基于高斯混合和张量循环神经网络的雷达目标识别方法 |
JP7337575B2 (ja) * | 2019-07-16 | 2023-09-04 | 株式会社東芝 | レーダ監視装置及び方法 |
CN110412548B (zh) * | 2019-07-20 | 2023-08-01 | 中国船舶集团有限公司第七二四研究所 | 基于高分辨一维距离像的雷达多目标识别方法 |
CN110780270B (zh) * | 2019-10-16 | 2022-11-04 | 电子科技大学 | 一种目标库属性判别局部正则学习子空间特征提取方法 |
JP7414566B2 (ja) * | 2020-02-06 | 2024-01-16 | 株式会社東芝 | 誘導装置 |
US11280899B2 (en) * | 2020-02-28 | 2022-03-22 | The Boeing Company | Target recognition from SAR data using range profiles and a long short-term memory (LSTM) network |
CN111626363B (zh) * | 2020-05-28 | 2022-06-07 | 电子科技大学 | 一种基于期望最大化算法的多视角sar目标识别方法 |
US11222245B2 (en) * | 2020-05-29 | 2022-01-11 | Raytheon Company | Systems and methods for feature extraction and artificial decision explainability |
RU2752863C1 (ru) * | 2020-06-03 | 2021-08-11 | Акционерное общество "Концерн "Созвездие" | Способ стробового отождествления сигналов с источниками радиоизлучения в многоцелевой обстановке |
CN111948638B (zh) * | 2020-07-15 | 2024-01-09 | 南京航空航天大学 | 基于高分辨距离像的目标长度估计方法与其应用 |
CN114266819B (zh) * | 2022-03-02 | 2022-06-07 | 中国科学院空天信息创新研究院 | 一种船只吃水深度计算方法和装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6255981B1 (en) | 1999-08-04 | 2001-07-03 | Raytheon Company | Method for range alignment and rotation correction of a high resolution image in an inverse synthetic aperture radar system |
US6259396B1 (en) | 1999-08-26 | 2001-07-10 | Raytheon Company | Target acquisition system and radon transform based method for target azimuth aspect estimation |
US6337654B1 (en) * | 1999-11-05 | 2002-01-08 | Lockheed Martin Corporation | A-scan ISAR classification system and method therefor |
US6687577B2 (en) * | 2001-12-19 | 2004-02-03 | Ford Global Technologies, Llc | Simple classification scheme for vehicle/pole/pedestrian detection |
KR100982900B1 (ko) * | 2002-03-15 | 2010-09-20 | 록히드 마틴 코포레이션 | 목표 시그니처 계산 및 인식을 위한 시스템 및 방법 |
US6943724B1 (en) | 2002-10-30 | 2005-09-13 | Lockheed Martin Corporation | Identification and tracking of moving objects in detected synthetic aperture imagery |
US7081850B2 (en) | 2004-06-03 | 2006-07-25 | Raytheon Company | Coherent detection of ultra wideband waveforms |
US7889232B2 (en) | 2004-06-22 | 2011-02-15 | Stratech Systems Limited | Method and system for surveillance of vessels |
US7116265B2 (en) | 2005-02-10 | 2006-10-03 | Raytheon Company | Recognition algorithm for the unknown target rejection based on shape statistics obtained from orthogonal distance function |
US7940206B2 (en) | 2005-04-20 | 2011-05-10 | Accipiter Radar Technologies Inc. | Low-cost, high-performance radar networks |
WO2007133085A1 (en) * | 2006-05-15 | 2007-11-22 | Telefonaktiebolaget Lm Ericsson (Publ) | A method and system for automatic classification of objects |
US7598900B2 (en) | 2007-11-09 | 2009-10-06 | The Boeing Company | Multi-spot inverse synthetic aperture radar imaging |
US8232908B2 (en) | 2008-06-26 | 2012-07-31 | Raytheon Company | Inverse synthetic aperture radar image processing |
-
2011
- 2011-05-10 US US13/104,243 patent/US8730091B2/en active Active
-
2012
- 2012-02-08 ES ES12154539.6T patent/ES2562422T3/es active Active
- 2012-02-08 EP EP12154539.6A patent/EP2523016B1/en active Active
- 2012-02-08 PL PL12154539T patent/PL2523016T3/pl unknown
Also Published As
Publication number | Publication date |
---|---|
EP2523016A2 (en) | 2012-11-14 |
US20120286989A1 (en) | 2012-11-15 |
EP2523016A3 (en) | 2014-04-30 |
PL2523016T3 (pl) | 2016-06-30 |
US8730091B2 (en) | 2014-05-20 |
EP2523016B1 (en) | 2016-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2562422T3 (es) | Identificación de blancos para una imagen de radar | |
US11287276B2 (en) | Generating navigation instructions | |
US8244418B1 (en) | System and method for generating alert signals in a weather awareness and warning system | |
US20180165544A1 (en) | Method and Apparatus for Representing a Map Element and Method and Apparatus for Locating a Vehicle / Robot | |
US10540896B2 (en) | Driving assistance device and driving assistance method | |
US9098747B1 (en) | Systems and methods for identifying locations of infrastructure assets using aerial imagery | |
ATE399360T1 (de) | Vermessungs- und kollisionsvermeidungssystem mit zusammengesetzten symbolen | |
Musa et al. | A review of copter drone detection using radar systems | |
US20220398448A1 (en) | Systems, methods, and computer readable media for vessel rendezvous detection and prediction | |
CN110889380A (zh) | 一种舰船识别方法、装置及计算机存储介质 | |
WO2019118713A1 (en) | System for determining the location of an autonomous vehicle when a location system is offline | |
Nicola et al. | Collaborative solutions for interference management in GNSS-based aircraft navigation | |
Hareide et al. | Maritime augmented reality | |
CN112857377A (zh) | 定位方法、装置、电子设备、存储介质及计算机程序产品 | |
JP2016090409A (ja) | 鳥類の観測方法 | |
RU2469408C1 (ru) | Способ и устройство контроля состояния охраняемого объекта | |
US20220316886A1 (en) | Route planning device, route planning method, and program | |
KR20200010849A (ko) | 노선버스용 재난 문자 정보 발송 시스템 및 그 방법 | |
JP2022514825A (ja) | 音声無線信号を処理するための装置、方法、およびコンピュータプログラム | |
US10922838B2 (en) | Image display system, terminal, method, and program for displaying image associated with position and orientation | |
He et al. | Edge computing empowered generative adversarial networks for realtime road sensing | |
Böniger et al. | Detection of mini-uavs in the presence of strong topographic relief: a multisensor perspective | |
US20240142602A1 (en) | Generalized angle-based tracker (gabt) | |
CN114140699B (zh) | 基于在线局部Fisher矢量机的SAR图像目标识别方法及系统 | |
Ilcev | The development of maritime radar. Part 2: Since 1939 |