JP2018048862A - レーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラム - Google Patents
レーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラム Download PDFInfo
- Publication number
- JP2018048862A JP2018048862A JP2016183496A JP2016183496A JP2018048862A JP 2018048862 A JP2018048862 A JP 2018048862A JP 2016183496 A JP2016183496 A JP 2016183496A JP 2016183496 A JP2016183496 A JP 2016183496A JP 2018048862 A JP2018048862 A JP 2018048862A
- Authority
- JP
- Japan
- Prior art keywords
- radar
- feature vector
- radar image
- signal processing
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
【課題】より迅速に物体の種別を判別することができるレーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラムを提供することである。
【解決手段】実施形態のレーダ信号処理装置は、レーダ画像取得部と、特徴ベクトル導出部と、物体種別判別部とを持つ。レーダ画像取得部は、レーダ画像を取得する。特徴ベクトル導出部は、少なくとも前記レーダ画像取得部により取得されたレーダ画像に基づいて、複数の要素を有する特徴ベクトルを導出する。物体種別判別部は、前記特徴ベクトル導出部により導出された特徴ベクトルを、前記特徴ベクトルの複数の要素を軸とした特徴空間に設定された境界面を用いて分類することで、前記取得部により取得されたレーダ画像の表す物体の種別を判別する。
【選択図】図2
【解決手段】実施形態のレーダ信号処理装置は、レーダ画像取得部と、特徴ベクトル導出部と、物体種別判別部とを持つ。レーダ画像取得部は、レーダ画像を取得する。特徴ベクトル導出部は、少なくとも前記レーダ画像取得部により取得されたレーダ画像に基づいて、複数の要素を有する特徴ベクトルを導出する。物体種別判別部は、前記特徴ベクトル導出部により導出された特徴ベクトルを、前記特徴ベクトルの複数の要素を軸とした特徴空間に設定された境界面を用いて分類することで、前記取得部により取得されたレーダ画像の表す物体の種別を判別する。
【選択図】図2
Description
本発明の実施形態は、レーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラムに関する。
従来、レーダ装置の受信信号に基づいてレーダ画像を生成し、レーダ画像に基づいて、レーダ装置の検知した物体の種別を判別する技術が知られている。従来の技術では、レーダ画像の形状等をデータベースに格納されたモデルと比較していたため、比較処理に要する時間が増大するという課題があった。レーダ装置からの物体の見え方(姿勢)によってレーダ画像も異なる形状を示すため、姿勢ごとのモデルを用意する必要があることも、比較処理に要する時間を長くする要因となっている。
本発明が解決しようとする課題は、より迅速に物体の種別を判別することができるレーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラムを提供することである。
実施形態のレーダ信号処理装置は、レーダ画像取得部と、特徴ベクトル導出部と、物体種別判別部とを持つ。レーダ画像取得部は、レーダ画像を取得する。特徴ベクトル導出部は、少なくとも前記レーダ画像取得部により取得されたレーダ画像に基づいて、複数の要素を有する特徴ベクトルを導出する。物体種別判別部は、前記特徴ベクトル導出部により導出された特徴ベクトルを、前記特徴ベクトルの複数の要素を軸とした特徴空間に設定された境界面を用いて分類することで、前記取得部により取得されたレーダ画像の表す物体の種別を判別する。
以下、実施形態のレーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラムを、図面を参照して説明する。
図1は、レーダ信号処理装置が適用されるレーダシステム1の構成例を示す図である。レーダシステム1は、例えば、アンテナ10と、サーキュレータ20と、送信部30と、受信部40と、記憶部60と、入力部70と、表示部80と、レーダ信号処理部(レーダ信号処理装置)100とを備える。レーダシステム1は、移動体に搭載されて移動しながら使用されてもよいし、静止した状態で使用されてもよい。
アンテナ10は、任意の形態のアンテナである。サーキュレータ20は、送受信信号を分離するための循環回路である。すなわち、サーキュレータ20は、送信部30により生成されたRF信号をアンテナ10へ供給し、アンテナ10により受信された反射エコーを受信信号として受信部40へ供給する。
送信部30は、例えば、所定の送信周期でRF信号を生成し、生成したRF信号を、サーキュレータ20を介してアンテナ10から空間へ送信する。アンテナ10により送信された送信波の一部は、物体によって反射され、反射エコーとしてアンテナ10により受信される。
受信部40は、送信部30がRF信号を生成する送信周期に基づく周期でアンテナ10から供給される信号に基づいて、レーダ受信信号を生成する。受信部40は、生成したレーダ受信信号をレーダ信号処理部100に出力する。
記憶部60は、例えば、RAM(Random Access Memory)やROM(Read Only Memory)、HDD(Hard Disk Drive)、フラッシュメモリなどにより実現される。記憶部60には、レーダ信号処理部100により参照される各種情報が格納されている。また、記憶部60には、レーダ信号処理部100がCPU(Central Processing Unit)などのプロセッサを含む場合、プロセッサにより実行されるプログラム(レーダ信号処理プログラム)が格納されてよい。
入力部70は、レーダシステム1のオペレータによる入力操作を受け付ける。入力部70により受け付けられた入力操作は、入力操作の内容を示す信号に変換されてレーダ信号処理部100に供給される。表示部80は、LCD(Liquid Crystal Display)や有機EL(Electroluminescence)表示装置などにより実現される。表示部80は、レーダ信号処理部100により処理された結果を表示する。
図2は、レーダ信号処理部100の機能構成の一例を示す図である。図示するように、レーダ信号処理部100は、レーダ画像生成部110と、特徴ベクトル導出部120と、物体種別判別部130とを備える。これらの機能部は、例えば、CPUなどのプロセッサがプログラム(ソフトウェア)を実行することにより実現される。また、これらの機能部のうち一部または全部は、LSI(Large Scale Integration)やASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)などのハードウェアにより実現されてもよいし、ソフトウェアとハードウェアが協働することて実現されてもよい。
レーダ画像生成部110は、受信部40から供給されるレーダ受信信号に基づいて、レーダ画像を生成する。以下の説明では、レーダ画像は、レンジ・ドップラ法により生成されるISAR(Inverse Synthetic Aperture Radar)画像であるものとするが、レーダ画像は、SAR(Synthetic Aperture Radar)画像であってもよいし、前方監視レーダ画像や側方監視レーダ画像であってもよい。
図3は、レーダ画像生成部110による主な処理の流れを示す図である。図中、括弧内の符号はデータの軸を示しており、tは時間軸を、uは合成開口軸を、ωは時間軸のFFTを、kuは合成開口軸のFFTを、それぞれ示している。
レーダ画像生成部110は、時間領域のデータとして入力されるレーダ受信信号に対して、FFT(Fast Fourier Transform;高速フーリエ変換)を行って、周波数領域のレーダ受信信号を導出する。また、レーダ画像生成部110は、時間領域のデータであるレンジ参照信号に対してFFTを行って、周波数領域のレンジ参照信号を導出する。そして、これらを掛け合わせることで、周波数領域のレンジ圧縮データを導出する。
更に、レーダ画像生成部110は、時間領域のデータであるクロスレンジ参照信号に対してFFTを行って周波数領域のクロスレンジ参照信号を導出する。そして、周波数領域のレンジ圧縮データとクロスレンジ参照信号とを掛け合わせることで、周波数領域のクロスレンジ圧縮データを導出する。そして、レーダ画像生成部110は、周波数領域のクロスレンジ圧縮データに対して、2次元FFTを行って時間領域のクロスレンジ圧縮データを導出し、これに基づいて画像データを出力する。
図4は、レーダ画像生成部110により生成されるレーダ画像の一例を示す図である。図中、横軸はレンジ方向の距離を表し、縦軸はクロスレンジを表している。また、画像における濃淡(輝度)は、反射波の強度を示している。なお、レーダ画像生成部110は、「レーダ画像取得部」の一例である。これに限らず、「レーダ画像取得部」は、他装置において生成されてレーダ画像を通信によって取得するものであってもよい。
特徴ベクトル導出部120は、少なくともレーダ画像生成部110により生成(取得)されたレーダ画像に基づいて、複数の要素を有する特徴ベクトルを導出する。特徴ベクトルの要素は、例えば、レーダ画像により表される物体の形状、大きさ、重心の相対位置のうち一つを少なくとも含む。形状とは、予め用意された大まかな形状パターンのうち該当形状を示す情報である。大まかな形状パターンは、物体の種別を判別可能なほど高精度な形状パターンでなくてもよく、パターンマッチング処理によって物体の種別を判別する際の照合処理に比して、短時間でレーダ画像と比較可能な形状パターンである。大きさとは、距離成分を加味した実際の大きさであってもよいし、画像における大きさであってもよい。また、重心の相対位置は、物体の占める空間における重心の偏り度合を示す指標値である。重心を求める際に、輝度に基づく重みが画素に付与されてもよい。
また、特徴ベクトルの要素は、レーダ画像により表される物体の速度、または受信部40により測定される受信強度に関する指標値を含んでもよい。物体の速度は、レーダ画像生成部110の処理の過程、或いはこれと別に行われる信号処理によって求められる。また、受信強度に関する指標値とは、受信強度を表すレーダ画像中の輝度について、最大値、平均値、周辺分布(分散)などの統計値を求めたものである。
また、特徴ベクトルの要素は、レーダ応答情報を含んでもよい。レーダ応答情報とは、レーダ画像生成部110の処理とは別に行われる信号処理によって求められるものであり、物体の材質、誘電率、表面粗度などを含む。
このようにして、特徴ベクトル導出部によって、上記列挙した要素のうち一部または全部を含む特徴ベクトルが導出される。
物体種別判別部130は、特徴ベクトル導出部120により導出された特徴ベクトルを、特徴ベクトルの複数の要素を軸とした特徴空間に設定された境界面を用いて分類することで、レーダ画像の表す物体の種別を判別する。
図5は、物体種別判別部130による処理の内容を模式的に示す図である。図5は、特徴ベクトルが3次元ベクトルであることを前提としている。この場合、物体種別判別部130は、第1物体と第2物体との境界面(超平面)SA、第2物体と第3物体との境界面SBのそれぞれに対していずれの側に存在するかを判定することで、第1物体、第2物体、第3物体の中からレーダ画像により表される物体の種別を選択する。境界面(超平面)の情報は、記憶部60に格納されている。なお、超平面は、特徴ベクトルの次数をnとすると、n‐1次元の空間である。
境界面は、例えば、SVM(Support Vector Machine)やニューラルネットワークなどの機械学習によって、予め取得されたものである。すなわち、教師データを与えることによって、最適な境界面が導出されており、物体種別判別部130は、これを用いて物体の種別を判別する。
図6は、学習段階における処理の流れの一例を示すフローチャートである。本フローチャートの処理は、レーダ信号処理部100により実行されてもよいし、他の装置によって実行されてもよい。以下の説明では、処理の実行主体を「学習装置」と称して説明する。
まず、学習装置は、レーダ受信信号と、正解データとを取得する(ステップS200)。レーダ受信信号は、実際にレーダ装置において取得された信号であってもよいし、シミュレーションなどにより生成した疑似信号であってもよい。また、正解データとは、レーダ受信信号の元となった物体の種別を特定するデータである。
次に、学習装置は、実施形態のレーダ画像生成部110と同様の手法により、レーダ画像を生成し(ステップS202)、特徴ベクトル導出部120と同様の手法により、特徴ベクトルを導出する(ステップS204)。そして、学習装置は、ステップS204で導出した特徴ベクトルとステップS200で取得された正解データとを対応付けて記憶部に記憶させる(ステップS206)。
次に、学習装置は、他に入力データが存在するか否かを判定する(ステップS208)。他に入力データが存在する場合、ステップS200の処理に戻る。他に入力データが存在しない場合、学習装置は、ステップS206で記憶された特徴ベクトルと正解データとの組に基づいて、機械学習を実行する(ステップS210)。これによって、レーダ信号処理部100が使用する境界面の情報が得られることになる。
図7は、運用段階における処理の流れの一例を示すフローチャートである。本フローチャートの処理は、レーダ信号処理部100によって、例えば所定周期で繰り返し実行される。
まず、レーダ信号処理部100は、受信部40からレーダ受信信号を取得する(ステップS300)。次に、前述したように、レーダ画像生成部110が、レーダ画像を生成し(ステップS302)、特徴ベクトル導出部120が、特徴ベクトルを導出する(ステップS304)。そして、物体種別判別部130が、学習段階における処理のステップS210で得られた境界面の情報を用いて、物体の種別を判定する(ステップS306)。レーダ信号処理部100は、物体種別判別部130による判別結果を、表示部80などを用いて出力する(ステップS308)。
係る処理によって、実施形態のレーダ信号処理部100は、より迅速かつ精度よく物体の種別を判別することができる。従来、レーダ画像を含めた「画像」に基づいて物体の種別を判別する際には、予め定めた形状モデルとの比較によって判別処理を行うことが多かった。ここで、一つの物体につき一つの形状モデルを用意する場合に限らず、物体のパーツごとの形状モデルが用意されることがあり、更に、物体の姿勢によって見え方が変化することもあるため、形状モデルとの比較処理は処理負荷の高いものとなっていた。これに対し、実施形態のレーダ信号処理部100によれば、境界面を用いて特徴ベクトルを分類するという、比較的処理負荷の軽い処理を主として行うため、より迅速に物体の種別を判別することができる。また、特徴ベクトルに、レーダ画像に関する要素だけでなく、レーダ画像により表される物体の速度、または受信部40により測定される受信強度に関する指標値、レーダ応答情報などを要素として含めることで、精度よく物体の種別を判別することができる。
実施形態のレーダ信号処理部100は、図7に示す処理に代えて、以下に説明する図8の処理を実行してもよい。図8は、レーダ信号処理部100により実行される処理の他の一例を示すフローチャートである。本フローチャートの処理は、レーダ信号処理部100によって、例えば所定周期で繰り返し実行される。
まず、レーダ信号処理部100は、受信部40からレーダ受信信号を取得する(ステップS400)。次に、レーダ信号処理部100は、レーダ受信信号の表す物体を特定する(ステップS402)。レーダ受信信号に基づく物体の特定手法に関しては、種々の手法が知られているため説明を省略する。例えば、パルス圧縮、レンジ圧縮、クロスレンジ圧縮といった処理が適用される。また、アンテナ10が複数の素子を備える場合、レーダビーム内における受信強度の強弱を把握することができるため、受信強度の分布や、受信強度の大きい領域の連結成分(画像処理におけるセグメント)などを基準として、物体を周辺領域と区別して特定することができる。特定される物体は、一つに限らず、複数の場合がある。次に、レーダ信号処理部100は、ステップS404で特定した物体を、S/N比(Signal/Noise比)の高い順に順位付けする(ステップS404)。
次に、レーダ信号処理部100は、ステップS404で順位付けした順に、物体を一つ選択する(ステップS406)。次に、レーダ信号処理部100は、選択した物体の大きさが想定範囲内であるか否かを判定する(ステップS408)。選択した物体の大きさが想定範囲内でない場合、レーダ信号処理部100は、ステップS406で未だ選択していない他の物体が存在するか否かを判定する(ステップS410)。他の物体が存在する場合はステップS406に戻り、他の物体が存在しない場合は本フローチャートの1ルーチンが終了する。
ステップS408において、大きさが想定範囲内であると判定された場合、前述したように、レーダ画像生成部110が、レーダ画像を生成し(ステップS412)、特徴ベクトル導出部120が、特徴ベクトルを導出する(ステップS414)。そして、物体種別判別部130が、学習段階における処理のステップS210で得られた境界面の情報を用いて、物体の種別を判定する(ステップS416)。レーダ信号処理部100は、物体種別判別部130による判別結果を、表示部80などを用いて出力する(ステップS418)。
係る処理によって、レーダ画像処理装置100は、S/N比が小さい物体(すなわち反射強度が低く、対象物体である可能性が低いもの)、或いは、大きさが想定範囲外であるような物体については処理の対象から除外あるいは順序を下げるため、無駄な処理を省略して効率的な処理を行うことができる。
実施形態のレーダ信号処理装置は、例えば、飛行体に搭載されるレーダシステムに適用することができ、飛行しながら到達目標の種別を判定し、飛行経路を決定するといった利用方法が可能である。これらの他、実施形態のレーダ信号処理装置は、各種防衛用途に適用することができる。
以上説明した少なくともひとつの実施形態によれば、レーダ画像を取得するレーダ画像取得部(レーダ画像生成部110)と、少なくともレーダ画像取得部により取得されたレーダ画像に基づいて、複数の要素を有する特徴ベクトルを導出する特徴ベクトル導出部120と、特徴ベクトル導出部120により導出された特徴ベクトルを、特徴ベクトルの複数の要素を軸とした特徴空間に設定された境界面を用いて分類することで、レーダ画像取得部により取得されたレーダ画像の表す物体の種別を判別する物体種別判別部130とを持つことにより、より迅速に物体の種別を判別することができる。
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
1…レーダシステム、100…レーダ信号処理部、110…レーダ画像生成部、120…特徴ベクトル導出部、130…物体種別判別部
Claims (7)
- レーダ画像を取得するレーダ画像取得部と、
少なくとも前記レーダ画像取得部により取得されたレーダ画像に基づいて、複数の要素を有する特徴ベクトルを導出する特徴ベクトル導出部と、
前記特徴ベクトル導出部により導出された特徴ベクトルを、前記特徴ベクトルの複数の要素を軸とした特徴空間に設定された境界面を用いて分類することで、前記取得部により取得されたレーダ画像の表す物体の種別を判別する物体種別判別部と、
を備えるレーダ信号処理装置。 - 前記特徴ベクトルは、少なくとも、前記レーダ画像により表される物体の形状、大きさ、重心の相対位置のうち少なくとも一つを要素とする、
請求項1記載のレーダ信号処理装置。 - 前記特徴ベクトルは、更に、前記レーダ画像により表される物体の速度を要素とする、
請求項2記載のレーダ信号処理装置。 - 前記特徴ベクトルは、更に、前記レーダ画像が生成される元となったレーダ装置における受信強度に関する指標値を要素とする、
請求項2または3記載のレーダ信号処理装置。 - 前記レーダ画像が生成される元となったレーダ装置におけるS/N比に基づいて前記レーダ装置により認識される物体を順位付し、順位に従って選択した物体について、前記レーダ画像取得部がレーダ画像を生成する、
請求項1から4のうちいずれか1項記載のレーダ信号処理装置。 - コンピュータが、
レーダ画像を取得し、
少なくとも取得されたレーダ画像に基づいて、複数の要素を有する特徴ベクトルを導出し、
前記導出した特徴ベクトルを、前記特徴量の複数の要素を軸とした特徴量空間に設定された境界面を用いて分類することで、前記取得されたレーダ画像の表す物体の種別を判別する、
レーダ信号処理方法。 - コンピュータに、
レーダ画像を取得させ、
少なくとも取得されたレーダ画像に基づいて、複数の要素を有する特徴ベクトルを導出させ、
前記導出させた特徴ベクトルを、前記特徴量の複数の要素を軸とした特徴量空間に設定された境界面を用いて分類することで、前記取得されたレーダ画像の表す物体の種別を判別させる、
レーダ信号処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016183496A JP2018048862A (ja) | 2016-09-20 | 2016-09-20 | レーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016183496A JP2018048862A (ja) | 2016-09-20 | 2016-09-20 | レーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018048862A true JP2018048862A (ja) | 2018-03-29 |
Family
ID=61767518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016183496A Pending JP2018048862A (ja) | 2016-09-20 | 2016-09-20 | レーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018048862A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110716199A (zh) * | 2019-09-18 | 2020-01-21 | 武汉市工程科学技术研究院 | 用于计算机自动辨别多类型缺陷的地质雷达标记方法 |
JP2020016597A (ja) * | 2018-07-27 | 2020-01-30 | パナソニック株式会社 | レーダデータ処理装置、物体判別装置、レーダデータ処理方法、および物体判別方法 |
WO2021111600A1 (ja) * | 2019-12-05 | 2021-06-10 | 三菱電機株式会社 | レーダ信号処理器、レーダセンサシステム及び信号処理方法 |
KR20210146666A (ko) * | 2020-05-27 | 2021-12-06 | 한국항공대학교산학협력단 | 특징점 기반 신경망 학습을 이용한 보안 감시용 레이다 시스템 및 그 보안 감시 방법 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002006034A (ja) * | 2000-06-21 | 2002-01-09 | Toshiba Corp | レーダにおける目標の類識別方法及び装置 |
JP2004184369A (ja) * | 2002-12-06 | 2004-07-02 | Mitsubishi Electric Corp | 観測目標の類識別装置 |
JP2007232412A (ja) * | 2006-02-27 | 2007-09-13 | Toyota Motor Corp | 物体検出装置 |
JP2010175381A (ja) * | 2009-01-29 | 2010-08-12 | Mitsubishi Electric Corp | 画像変化抽出装置 |
JP2011191227A (ja) * | 2010-03-16 | 2011-09-29 | Daihatsu Motor Co Ltd | 物体認識装置 |
JP2012128558A (ja) * | 2010-12-14 | 2012-07-05 | Toshiba Corp | 識別装置 |
WO2015187468A1 (en) * | 2014-06-03 | 2015-12-10 | Raytheon Company | Data fusion analysis for maritime automatic target recognition |
-
2016
- 2016-09-20 JP JP2016183496A patent/JP2018048862A/ja active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002006034A (ja) * | 2000-06-21 | 2002-01-09 | Toshiba Corp | レーダにおける目標の類識別方法及び装置 |
JP2004184369A (ja) * | 2002-12-06 | 2004-07-02 | Mitsubishi Electric Corp | 観測目標の類識別装置 |
JP2007232412A (ja) * | 2006-02-27 | 2007-09-13 | Toyota Motor Corp | 物体検出装置 |
JP2010175381A (ja) * | 2009-01-29 | 2010-08-12 | Mitsubishi Electric Corp | 画像変化抽出装置 |
JP2011191227A (ja) * | 2010-03-16 | 2011-09-29 | Daihatsu Motor Co Ltd | 物体認識装置 |
JP2012128558A (ja) * | 2010-12-14 | 2012-07-05 | Toshiba Corp | 識別装置 |
WO2015187468A1 (en) * | 2014-06-03 | 2015-12-10 | Raytheon Company | Data fusion analysis for maritime automatic target recognition |
Non-Patent Citations (1)
Title |
---|
QUN ZHAO ET AL.: "Support Vector Machines for SAR Automatic Target Recognition", IEEE TRANSACTONS ON AEROSPACE AND ELECTRONIC SYSTEMS, vol. 37, no. 2, JPN6017045804, April 2001 (2001-04-01), pages 643 - 654, ISSN: 0003808429 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020016597A (ja) * | 2018-07-27 | 2020-01-30 | パナソニック株式会社 | レーダデータ処理装置、物体判別装置、レーダデータ処理方法、および物体判別方法 |
WO2020022110A1 (ja) * | 2018-07-27 | 2020-01-30 | パナソニック株式会社 | レーダデータ処理装置、物体判別装置、レーダデータ処理方法、および物体判別方法 |
CN112470033A (zh) * | 2018-07-27 | 2021-03-09 | 松下电器产业株式会社 | 雷达数据处理装置、物体判别装置、雷达数据处理方法以及物体判别方法 |
EP3819669A4 (en) * | 2018-07-27 | 2021-08-25 | Panasonic Corporation | RADAR DATA PROCESSING DEVICE, OBJECT DETERMINATION DEVICE, RADAR DATA PROCESSING METHODS, AND OBJECT DETERMINATION METHODS |
CN110716199A (zh) * | 2019-09-18 | 2020-01-21 | 武汉市工程科学技术研究院 | 用于计算机自动辨别多类型缺陷的地质雷达标记方法 |
CN110716199B (zh) * | 2019-09-18 | 2023-09-29 | 武汉市工程科学技术研究院 | 用于计算机自动辨别多类型缺陷的地质雷达标记方法 |
WO2021111600A1 (ja) * | 2019-12-05 | 2021-06-10 | 三菱電機株式会社 | レーダ信号処理器、レーダセンサシステム及び信号処理方法 |
JPWO2021111600A1 (ja) * | 2019-12-05 | 2021-06-10 | ||
KR20210146666A (ko) * | 2020-05-27 | 2021-12-06 | 한국항공대학교산학협력단 | 특징점 기반 신경망 학습을 이용한 보안 감시용 레이다 시스템 및 그 보안 감시 방법 |
KR102356347B1 (ko) | 2020-05-27 | 2022-01-27 | 한국항공대학교산학협력단 | 특징점 기반 신경망 학습을 이용한 보안 감시용 레이다 시스템 및 그 보안 감시 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7254823B2 (ja) | 物体の検出および特徴付けのためのニューラルネットワーク | |
US10565721B2 (en) | Information processing device and information processing method for specifying target point of an object | |
EP3152707B1 (en) | Data fusion analysis for maritime automatic target recognition | |
JP2018048862A (ja) | レーダ信号処理装置、レーダ信号処理方法、およびレーダ信号処理プログラム | |
JP5214716B2 (ja) | 識別装置 | |
US9501839B1 (en) | Methods and systems for detecting moving objects in a sequence of image frames produced by sensors with inconsistent gain, offset, and dead pixels | |
CN110907906B (zh) | 目标分类方法和相关设备 | |
CN111862222B (zh) | 一种目标检测方法及电子设备 | |
CN113486961A (zh) | 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备 | |
JP2020507767A (ja) | 車両レーダシステム用の逆合成開口レーダ | |
JP2015087352A (ja) | 移動速度推定装置、静止物体分類装置及び移動速度推定方法 | |
JP6903196B1 (ja) | 路面領域検出装置、路面領域検出システム、車両および路面領域検出方法 | |
Zhu et al. | A model-based sonar image atr method based on sift features | |
JP2012127920A (ja) | 目標類識別装置 | |
Wolf et al. | Deterministic Gibbs sampling for data association in multi-object tracking | |
Chang et al. | Confidence level estimation in multi-target classification problems | |
JP2021110565A (ja) | 類別装置及び類別方法 | |
KR102428740B1 (ko) | 포인트 클라우드 완성 네트워크 생성 및 포인트 클라우드 데이터 처리 | |
Mathews et al. | Learning multi-static contextual target signatures | |
US11280899B2 (en) | Target recognition from SAR data using range profiles and a long short-term memory (LSTM) network | |
JP6751063B2 (ja) | レーダ信号処理装置、レーダ信号処理方法、およびプログラム | |
CN114004674A (zh) | 模型训练方法、商品推送方法、装置和电子设备 | |
US20160070985A1 (en) | Image processing apparatus, image processing method, and storage medium storing image processing program thereon | |
WO2022038757A1 (ja) | 目標識別装置、目標識別方法及び目標識別プログラム | |
JP2012026976A (ja) | レーダ装置、目標類別装置及び目標類別プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20180605 |