CN103809173A - 帧恒虚警目标检测跟踪一体化方法 - Google Patents
帧恒虚警目标检测跟踪一体化方法 Download PDFInfo
- Publication number
- CN103809173A CN103809173A CN201410070414.1A CN201410070414A CN103809173A CN 103809173 A CN103809173 A CN 103809173A CN 201410070414 A CN201410070414 A CN 201410070414A CN 103809173 A CN103809173 A CN 103809173A
- Authority
- CN
- China
- Prior art keywords
- frame
- target
- detection
- frame target
- ripple door
- 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
Images
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
- 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
- G01S13/66—Radar-tracking systems; Analogous systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种帧恒虚警目标检测跟踪一体化方法,主要解决现有技术目标检测概率较低、目标跟踪距离较短的问题。其实现过程是:1)通过航迹起始算法得到目标的初始状态估计值和初始状态估计协方差矩阵;2)根据第k-1帧目标状态估计值和第k-1帧状态估计协方差矩阵,确定第k帧目标预测波门;3)计算第k帧目标预测波门内各个检测单元的虚警概率和检测门限;4)对目标预测波门内的回波信号进行检测,并估计目标参数,作为第k帧量测数据集合;5)对第k帧量测数据集合进行关联和滤波,得到第k帧目标状态估计值和第k帧状态估计协方差矩阵。本发明与现有检测跟踪方法相比,提高了目标的检测概率,扩展了目标的跟踪距离。
Description
技术领域
本发明属于雷达技术领域,具体的说是一种利用目标预测信息调整目标预测波门内各个检测单元虚警概率的检测跟踪方法,可用于雷达目标跟踪状态下提高目标检测概率,扩展目标跟踪距离。
背景技术
现代雷达***通常包含两大模块,即信号处理模块和数据处理模块。雷达信号处理模块作为第一次处理,将检测到的目标信息送入雷达数据处理模块做进一步处理。雷达数据处理模块在得到目标的位置、运动参数等估计量后进行预测、关联、滤波等操作,从而对雷达量测过程中的随机误差起到一定的抑制作用,使得对目标运动信息的估计更加准确,并形成稳定目标航迹。
目标检测是雷达信号处理模块的重要环节,主要的任务是对雷达接收到的回波信号进行处理,并判断目标的有无,由于噪声和干扰的影响,需要采用恒虚警方法来降低误判的概率,保证雷达信号检测具有恒虚警特性,常用的恒虚警检测算法包括单元平均恒虚警、顺序统计量恒虚警、广义似然比、自适应匹配滤波等。
目标跟踪是基于检测得到的目标位置信息,通过滤波连续地跟踪出目标的航迹。在目标跟踪算法中,主要有线性自回归滤波,两点外推滤波,维纳滤波,加权最小二乘滤波,α-β滤波和卡尔曼滤波等,其中卡尔曼滤波可用于线性时变***,其变形扩展卡尔曼滤波、转换量测卡尔曼滤波和不敏卡尔曼滤波可用于非线性时变***,统计模型均采用状态方程和量测方程,且滤波方程以递推的方式计算,计算量小,实用性强,因此在目标跟踪理论中占了主导地位。
目标跟踪是在目标检测的基础上进行的,高的检测性能可以保证目标航迹的快速起始,而差的检测性能可以导致目标航迹的结束,因此目标的检测性能直接影响着目标的跟踪性能。对于传统的检测跟踪处理流程,首先进行目标检测并估计目标运动参数,得到量测信息后送入雷达数据处理模块,再进行预测、关联、滤波等处理,实现对目标的检测和跟踪。当目标回波信噪比较低时目标检测概率较低,将会造成目标航迹的不连续性,容易导致航迹过早地结束,因而目标跟踪距离较短。
发明内容
本发明的目的在于针对上述已有技术的不足,提出了一种帧恒虚警目标检测跟踪一体化方法,在保证不产生虚假航迹的条件下,调整目标预测波门内各个检测单元的虚警概率,从而提高跟踪状态下目标的检测概率,扩展目标的跟踪距离。
为实现上述目的,本发明包括如下技术步骤:
1)初始化参数:通过目标航迹起始算法,得到目标航迹的初始状态估计值以及初始状态估计协方差矩阵P0;
3)根据第k-1帧状态估计协方差矩阵Pk-1和步骤2)得到的第k帧目标状态预测值 计算第k帧目标量测的预测协方差矩阵Dk|k-1;
4)根据步骤2)得到的第k帧目标量测的预测值和步骤3)得到的第k帧目标量测的预测协方差矩阵Dk|k-1,确定第k帧目标预测波门Ok;
5)设定在连续M帧的跟踪过程中至少N帧的目标预测波门内出现虚警的概率PF,则利用下式计算第k帧目标预测波门Ok内出现虚警的概率PZ:
其中,n表示连续M帧的跟踪过程中目标预测波门内出现虚警的可能帧数,符号!表示阶乘运算,M、N的取值需满足M>N≥1;
6)根据步骤5)得到的第k帧目标预测波门Ok内出现虚警的概率PZ,计算第k帧目标预测波门Ok内各个检测单元的虚警概率和检测门限;
7)根据步骤6)得到的第k帧目标预测波门Ok内各个检测单元的检测门限,对第k帧目标预测波门Ok内的回波信号进行检测,并估计目标参数,作为第k帧量测数据集合Z(k);
8)根据步骤7)得到的第k帧量测数据集合Z(k),利用关联算法筛选出第k帧有效量测集合Zk,选取第k帧有效量测集合Zk中与航迹关联度最高的量测数据,并利用跟踪算法计算第k帧目标状态估计值以及第k帧状态估计协方差矩阵Pk,返回步骤2)。
本发明由于在计算目标预测波门内各个检测单元的虚警概率过程中,综合考虑了目标的预测信息以及虚假航迹的抑制问题,即保证了在连续M帧的跟踪过程中至少N帧的目标预测波门内出现虚警的概率PF,恒定了每一帧出现虚警的概率PZ,从而计算出目标预测波门内各个检测单元的虚警概率和检测门限,因此具有以下优点:
(1)目标预测波门内的检测门限低于传统检测跟踪方法的检测门限,提高了目标的检测概率;
(2)在低信噪比情况下仍具有较高的检测概率,提高了目标航迹的连续性,避免了目标航迹过早地结束,扩展了目标的跟踪距离;
(3)当目标突然消失时,航迹能够以很高的概率正确结束,避免了虚假航迹的产生。
附图说明
图1是本发明的工作流程图;
图2是本发明与传统检测跟踪方法的检测性能对比图;
图3是本发明与传统检测跟踪方法的探测距离对比图;
图4是目标在第10帧消失的情况下各帧目标航迹存在的概率图。
具体实施方式
参照图1,本发明的实现步骤如下:
2a)设定目标状态转移方程为:
xk=Fk-1xk-1+vk-1,
其中,xk表示第k帧目标的状态,Fk-1表示第k-1帧目标的状态转移矩阵,xk-1表示第k-1帧目标的状态,vk-1表示第k-1帧的过程噪声,本实例中Fk-1采用以下形式:
其中,ΔT表示雷达扫描周期,本实例中取ΔT=2s。
2b)设定雷达量测方程为:
zk=hk(xk)+wk,
其中,zk表示第k帧目标的量测值,hk(·)表示第k帧目标的量测函数,wk表示第k帧的量测噪声;
3b)根据第k-1帧目标状态估计协方差矩阵Pk-1和步骤3a)得到的第k帧目标量测函数的雅克比矩阵Hk,计算第k帧目标量测的预测协方差矩阵Dk|k-1:
其中,Qk-1表示第k-1帧的过程噪声协方差矩阵,本实例中采用以下形式:
其中,σp表示过程噪声标准差,本实例中取σp=0.1。
4a)设定目标落入第k帧目标预测波门Ok的概率PG,本实例中取PG=0.9997,通过查自由度为目标量测维数的卡方分布表,得到第k帧目标预测波门的门限γ,其中卡方分布表是概率论中卡方分布随机变量的分布函数对照表;
4b)根据步骤4a)得到的第k帧目标预测波门Ok的门限γ,按如下公式确定第k帧目标预测波门Ok:
其中,y表示目标出现的位置,|表示条件符号,符号左边是集合元素,右边是元素满足的条件。
步骤5,设定在连续M帧的跟踪过程中至少N帧的目标预测波门内出现虚警的概率PF,则利用下式计算第k帧目标预测波门Ok内出现虚警的概率PZ:
其中,n表示连续M帧的跟踪过程中目标预测波门内出现虚警的可能帧数,符号!表示阶乘运算,M、N的取值需满足M>N≥1,本实例中取M=100,N=3,PF=0.08;
步骤6,设定雷达检波器形式,根据目标检测算法得到第k帧目标预测波门Ok内第i个检测单元的检测统计量ξ(i;k),i=1,2,...,Nk,其中,Nk表示第k帧目标预测波门Ok内检测单元的个数;
所述雷达检波器的检波形式包括,平方率检波、线性检波等,本实例选用但不限于平方率检波器。
所述目标检测算法包括,单元平均恒虚警、顺序统计量恒虚警、广义似然比、自适应匹配滤波等,本实例选用但不限于单元平均恒虚警检测算法,即通过如下公式计算第k帧目标预测波门Ok内第i个检测单元的检测统计量ξ(i;k):
其中,x(i;k)表示第k帧目标预测波门Ok内第i个检测单元的检波器输出数据,y(l;i,k)表示第k帧目标预测波门Ok内第i个检测单元的参考窗内第l个参考单元的检波器输出数据,Nr表示参考窗内参考单元的个数,本实例中取Nr=20。
步骤7,根据步骤6得到的第k帧目标预测波门Ok内各个检测单元的检测统计量,计算第k帧目标预测波门Ok内各个检测单元的虚警概率和检测门限。
7a)设定第k帧目标预测波门Ok内第i个检测单元的检测统计量的权值w(i;k), i=1,2,...,Nk本实例中取w(i;k)=1/Nk,i=1,2,...,Nk,得到第k帧目标预测波门Ok内第i个检测单元的加权检测统计量ξ′(i;k):
ξ′(i;k)=w(i;k)ξ(i;k),i=1,2,...,Nk;
7b)利用如下方程组计算第k帧目标预测波门Ok内各个检测单元的虚警概率和检测门限:
其中,Pf(i;k)表示第k帧目标预测波门Ok内第i个检测单元的虚警概率,H0表示目标不存在的情况,T(k)表示第k帧目标预测波门Ok内各个检测单元的检测门限,Pr{ξ′(i;k)≥T(k)|H0}表示在目标不存在的情况下第k帧目标预测波门Ok内第i个检测 单元的加权检测统计量ξ′(i;k)超过检测门限T(k)的概率。
步骤8,根据步骤7得到的第k帧目标预测波门Ok内各个检测单元的检测门限T(k),对第k帧目标预测波门Ok内的回波信号进行检测,并估计目标参数,作为第k帧量测数据集合Z(k);
步骤9,根据步骤8得到的第k帧量测数据集合Z(k),利用关联算法筛选出第k帧有效量测集合Zk,选取该有效量测集合Zk中航迹关联度最高的量测数据。
所述关联算法包括,最近邻域算法、概率数据关联算法、最优贝叶斯关联算法等,本实例选用但不限于概率数据关联算法,即按照如下步骤选取航迹关联度最高的量测数据:
9a)利用下式计算第k帧新息协方差矩阵Sk:
Sk=Dk|k-1+Rk,
其中,Dk|k-1表示第k帧目标量测的预测协方差矩阵,Rk表示第k帧量测协方差矩阵;
9b)设定目标量测数据被选取为有效量测的概率Pg,本实例中选取Pg=0.9997,通过查自由度为目标量测维数的卡方分布表,获得有效量测的门限η,并确定第k帧有效量测区域Ak:
9c)筛选出第k帧量测数据集合Z(k)中落入第k帧有效量测区域Ak内的量测数据,作为第k帧有效量测集合Zk,并利用下式计算该有效量测集合Zk中第j个量测数据的新息vj:
其中,Zk(j)表示第k帧有效量测集合Zk中第j个量测数据,mk表示第k帧有效量测集 合Zk中量测数据个数;
9d)根据步骤9a)得到的第k帧新息协方差矩阵Sk和步骤9c)得到的第k帧有效量测集合Zk中第j个量测数据的新息vj,计算第k帧有效量测集合Zk中各个量测数据的航迹关联度βj:
其中,表示均值为0、方差为新息协方差矩阵Sk的高斯随机矢量在vj处的概率密度值,Pd表示第k帧目标的检测概率,Vk表示第k帧有效量测区域Ak的面积,本实例中取其中,|Sk|表示第k帧新息协方差矩阵Sk的行列式;
9e)选取第k帧有效量测集合Zk中各个量测数据的航迹关联度中最大值对应的量测数据。
所述跟踪算法包括,卡尔曼滤波、扩展卡尔曼滤波、转换量测卡尔曼滤波、不敏卡尔曼滤波,粒子滤波等,本实例选用但不限于扩展卡尔曼滤波算法,即按照如下步骤计算第k帧目标状态估计值以及第k帧状态估计协方差矩阵Pk:
10a)利用如下公式计算滤波增益矩阵Kk:
其中,Fk-1表示第k-1帧目标的状态转移矩阵,Pk-1表示第k-1帧目标状态估计协方差矩阵,Qk-1表示第k-1帧的过程噪声协方差矩阵,Hk表示第k帧目标量测函数的雅克比矩阵;
10c)利用下式计算第k帧状态估计协方差矩阵Pk:
其中,I表示单位矩阵。
本发明的效果通过以下仿真对比试验进一步说明:
1.实验场景:采用一个位于坐标原点的2D雷达,设载频fc=3GHz,天线孔径D=2.5m,发射信号带宽B=2MHz,采样频率为Fs=4MHz,雷达扫描周期为ΔT=2s,雷达测量参数为目标的距离和方位角;设初始时刻目标在X轴、Y轴的位置均为50km,且远离雷达站匀速飞行,X轴、Y轴的速度分量均为300m/s,初始信噪比为20dB,传统检测跟踪算法中目标检测的虚警概率为10-6;航迹终结规则为:若连续三帧未检测到目标,则航迹终结,目标跟踪过程结束。
2.仿真内容:
仿真1:采用以上实验场景,利用传统的检测跟踪方法和本发明的检测跟踪方法,对雷达的检测性能进行仿真对比,结果如图2;
仿真2:采用以上实验场景,利用传统的检测跟踪方法和本发明的检测跟踪方法,对雷达的探测距离进行仿真对比,结果如图3;
仿真3:采用以上实验场景,假定第10帧目标突然消失,对各帧航迹存在的概率进行仿真,结果如图4。
3.实验结果分析:
通过图2可以看出,在保证同样的检测概率0.6的情况下,传统检测跟踪方法所需要的回波信噪比为13.28dB,本发明所需要的回波信噪比为9.533dB,与传统检测跟踪方法相比,本发明所需要的回波信噪比可以降低3.747dB,从而提高了雷达对目标的检测性能。
通过图3可以看出,在保证同样的检测概率0.6的情况下,传统检测跟踪方法对目 标的最远探测距离为104.4km,本发明对目标的最远探测距离为129.3km,与传统检测跟踪方法相比提高了24.9km,提高了雷达对目标的探测距离,从而增大了雷达对目标的跟踪距离。
通过图4可以看出,当目标在第10帧消失后,正常情况下应该在第12帧消失,通过仿真结果可以看出,在第12帧目标航迹存在的概率为0.023,即航迹结束的概率为0.977,保证了目标消失后航迹能够有效的结束,抑制了虚假航迹的产生,验证了本发明中调整虚警概率的有效性,且最迟在第15帧左右便可结束航迹。
综合上述仿真实验可以看出,在目标远离雷达站的飞行过程中,信噪比随着目标距离的增大逐渐降低,本发明相对于传统的检测跟踪方法,由于综合考虑了***对目标的预测信息以及虚假航迹抑制问题,可以在保证在不产生虚假航迹的条件下,降低目标的检测门限,从而提高了目标的检测性能,即信噪比较低时仍可保证航迹的连续性,从而增大了目标的跟踪距离。
Claims (5)
1.一种帧恒虚警目标检测跟踪一体化方法,包括如下步骤:
5)设定在连续M帧的跟踪过程中至少N帧的目标预测波门内出现虚警的概率PF,则利用下式计算第k帧目标预测波门Ok内出现虚警的概率PZ:
其中,n表示连续M帧的跟踪过程中目标预测波门内出现虚警的可能帧数,符号!表示阶乘运算,M、N的取值需满足M>N≥1;
6)根据步骤5)得到的第k帧目标预测波门Ok内出现虚警的概率PZ,计算第k帧目标预测波门Ok内各个检测单元的虚警概率和检测门限;
7)根据步骤6)得到的第k帧目标预测波门Ok内各个检测单元的检测门限,对第k帧目标预测波门Ok内的回波信号进行检测,并估计目标参数,作为第k帧量测数据集合Z(k);
2a)设定目标状态转移方程为:
xk=Fk-1xk-1+vk-1,
其中,xk表示第k帧目标的状态,Fk-1表示第k-1帧目标的状态转移矩阵,xk-1表示第k-1帧目标的状态,vk-1表示第k-1帧的过程噪声;
2b)设定雷达量测方程为:
zk=hk(xk)+wk,
其中,zk表示第k帧目标的量测值,hk(·)表示第k帧目标的量测函数,wk表示第k帧的量测噪声;
5.根据权利要求1所述的帧恒虚警目标检测跟踪一体化方法,其中步骤6)所述的计算第k帧目标预测波门Ok内各个检测单元的虚警概率和检测门限,按如下步骤进行:
6a)设定雷达检波器形式,根据目标检测算法得到第k帧目标预测波门Ok内第i个检测单元的检测统计量ξ(i;k),i=1,2,...,Nk,其中,Nk表示第k帧目标预测波门Ok内检测单元的个数;
6b)设定第k帧目标预测波门Ok内第i个检测单元的检测统计量的权值w(i;k), i=1,2,...,Nk得到第k帧目标预测波门Ok内第i个检测单元的加权检测统计量ξ′(i;k):
ξ′(i;k)=w(i;k)ξ(i;k),i=1,2,...,Nk;
6c)利用如下方程组计算第k帧目标预测波门Ok内各个检测单元的虚警概率和检测 门限:
其中,Pf(i;k)表示第k帧目标预测波门Ok内第i个检测单元的虚警概率,H0表示目标不存在的情况,T(k)表示第k帧目标预测波门Ok内各个检测单元的检测门限,Pr{ξ′(i;k)≥T(k)|H0}表示在目标不存在的情况下第k帧目标预测波门Ok内第i个检测单元的加权检测统计量ξ′(i;k)超过检测门限T(k)的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410070414.1A CN103809173B (zh) | 2014-02-28 | 2014-02-28 | 帧恒虚警目标检测跟踪一体化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410070414.1A CN103809173B (zh) | 2014-02-28 | 2014-02-28 | 帧恒虚警目标检测跟踪一体化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103809173A true CN103809173A (zh) | 2014-05-21 |
CN103809173B CN103809173B (zh) | 2016-03-09 |
Family
ID=50706225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410070414.1A Active CN103809173B (zh) | 2014-02-28 | 2014-02-28 | 帧恒虚警目标检测跟踪一体化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103809173B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104035076A (zh) * | 2014-06-30 | 2014-09-10 | 电子科技大学 | 一种多帧检测前跟踪的迭代滤波方法 |
CN105277939A (zh) * | 2015-09-30 | 2016-01-27 | 深圳大学 | 用于被动传感器对空观测网的目标引导方法及引导*** |
CN105842687A (zh) * | 2016-03-21 | 2016-08-10 | 西安电子科技大学 | 基于rcs预测信息的检测跟踪一体化方法 |
CN106054169A (zh) * | 2016-05-18 | 2016-10-26 | 西安电子科技大学 | 基于跟踪信息的多站雷达信号融合检测方法 |
CN107607916A (zh) * | 2017-08-18 | 2018-01-19 | 上海无线电设备研究所 | 一种抗自卫式速度距离联合欺骗干扰方法 |
CN107993245A (zh) * | 2017-11-15 | 2018-05-04 | 湖北三江航天红峰控制有限公司 | 一种空天背景多目标检测和跟踪方法 |
CN108469609A (zh) * | 2018-06-11 | 2018-08-31 | 成都纳雷科技有限公司 | 一种用于雷达目标跟踪的检测信息滤波方法 |
CN109655822A (zh) * | 2018-11-09 | 2019-04-19 | 上海无线电设备研究所 | 一种改进的航迹起始方法 |
CN110244289A (zh) * | 2019-05-23 | 2019-09-17 | 自然资源部第一海洋研究所 | 一种自适应粒子滤波地波雷达目标一体化探测方法 |
CN113093134A (zh) * | 2021-02-23 | 2021-07-09 | 福瑞泰克智能***有限公司 | 一种扩展目标的跟踪方法、装置、感知设备及车辆 |
CN113109796A (zh) * | 2021-03-03 | 2021-07-13 | 四川九洲防控科技有限责任公司 | 一种目标检测方法及装置 |
CN116482673A (zh) * | 2023-04-27 | 2023-07-25 | 电子科技大学 | 基于强化学习的分布式雷达检测跟踪一体化波形实现方法 |
CN118226385A (zh) * | 2024-05-27 | 2024-06-21 | 中国工程物理研究院电子工程研究所 | 基于恒定虚假概率检测的隐蔽干扰方法及雷达干扰*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147468A (zh) * | 2011-01-07 | 2011-08-10 | 西安电子科技大学 | 基于贝叶斯理论的多传感器检测跟踪联合处理方法 |
CN102313884A (zh) * | 2010-06-29 | 2012-01-11 | 电子科技大学 | 一种基于多帧相参积累的目标检测前跟踪方法 |
US20120182171A1 (en) * | 2011-01-18 | 2012-07-19 | U.S. Government As Represented By The Secretary Of The Army | Change detection method and system for use in detecting moving targets behind walls, barriers or otherwise visually obscured |
US20130082863A1 (en) * | 2010-08-26 | 2013-04-04 | David W. Paglieroni | Spatially assisted down-track median filter for gpr image post-processing |
CN103353594A (zh) * | 2013-06-17 | 2013-10-16 | 西安电子科技大学 | 二维自适应雷达恒虚警检测方法 |
CN103439697A (zh) * | 2013-08-23 | 2013-12-11 | 西安电子科技大学 | 基于动态规划的目标检测方法 |
-
2014
- 2014-02-28 CN CN201410070414.1A patent/CN103809173B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102313884A (zh) * | 2010-06-29 | 2012-01-11 | 电子科技大学 | 一种基于多帧相参积累的目标检测前跟踪方法 |
US20130082863A1 (en) * | 2010-08-26 | 2013-04-04 | David W. Paglieroni | Spatially assisted down-track median filter for gpr image post-processing |
CN102147468A (zh) * | 2011-01-07 | 2011-08-10 | 西安电子科技大学 | 基于贝叶斯理论的多传感器检测跟踪联合处理方法 |
US20120182171A1 (en) * | 2011-01-18 | 2012-07-19 | U.S. Government As Represented By The Secretary Of The Army | Change detection method and system for use in detecting moving targets behind walls, barriers or otherwise visually obscured |
CN103353594A (zh) * | 2013-06-17 | 2013-10-16 | 西安电子科技大学 | 二维自适应雷达恒虚警检测方法 |
CN103439697A (zh) * | 2013-08-23 | 2013-12-11 | 西安电子科技大学 | 基于动态规划的目标检测方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104035076A (zh) * | 2014-06-30 | 2014-09-10 | 电子科技大学 | 一种多帧检测前跟踪的迭代滤波方法 |
CN104035076B (zh) * | 2014-06-30 | 2017-02-08 | 电子科技大学 | 一种多帧检测前跟踪的迭代滤波方法 |
CN105277939A (zh) * | 2015-09-30 | 2016-01-27 | 深圳大学 | 用于被动传感器对空观测网的目标引导方法及引导*** |
CN105842687A (zh) * | 2016-03-21 | 2016-08-10 | 西安电子科技大学 | 基于rcs预测信息的检测跟踪一体化方法 |
CN105842687B (zh) * | 2016-03-21 | 2018-11-16 | 西安电子科技大学 | 基于rcs预测信息的检测跟踪一体化方法 |
CN106054169B (zh) * | 2016-05-18 | 2018-09-21 | 西安电子科技大学 | 基于跟踪信息的多站雷达信号融合检测方法 |
CN106054169A (zh) * | 2016-05-18 | 2016-10-26 | 西安电子科技大学 | 基于跟踪信息的多站雷达信号融合检测方法 |
CN107607916B (zh) * | 2017-08-18 | 2020-07-31 | 上海无线电设备研究所 | 一种抗自卫式速度距离联合欺骗干扰方法 |
CN107607916A (zh) * | 2017-08-18 | 2018-01-19 | 上海无线电设备研究所 | 一种抗自卫式速度距离联合欺骗干扰方法 |
CN107993245A (zh) * | 2017-11-15 | 2018-05-04 | 湖北三江航天红峰控制有限公司 | 一种空天背景多目标检测和跟踪方法 |
CN108469609A (zh) * | 2018-06-11 | 2018-08-31 | 成都纳雷科技有限公司 | 一种用于雷达目标跟踪的检测信息滤波方法 |
CN109655822A (zh) * | 2018-11-09 | 2019-04-19 | 上海无线电设备研究所 | 一种改进的航迹起始方法 |
CN110244289A (zh) * | 2019-05-23 | 2019-09-17 | 自然资源部第一海洋研究所 | 一种自适应粒子滤波地波雷达目标一体化探测方法 |
CN110244289B (zh) * | 2019-05-23 | 2022-08-12 | 自然资源部第一海洋研究所 | 一种自适应粒子滤波地波雷达目标一体化探测方法 |
CN113093134A (zh) * | 2021-02-23 | 2021-07-09 | 福瑞泰克智能***有限公司 | 一种扩展目标的跟踪方法、装置、感知设备及车辆 |
CN113109796A (zh) * | 2021-03-03 | 2021-07-13 | 四川九洲防控科技有限责任公司 | 一种目标检测方法及装置 |
CN116482673A (zh) * | 2023-04-27 | 2023-07-25 | 电子科技大学 | 基于强化学习的分布式雷达检测跟踪一体化波形实现方法 |
CN116482673B (zh) * | 2023-04-27 | 2024-01-05 | 电子科技大学 | 基于强化学习的分布式雷达检测跟踪一体化波形实现方法 |
CN118226385A (zh) * | 2024-05-27 | 2024-06-21 | 中国工程物理研究院电子工程研究所 | 基于恒定虚假概率检测的隐蔽干扰方法及雷达干扰*** |
Also Published As
Publication number | Publication date |
---|---|
CN103809173B (zh) | 2016-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103809173B (zh) | 帧恒虚警目标检测跟踪一体化方法 | |
CN103472445B (zh) | 一种针对多目标场景的检测跟踪一体化方法 | |
CN111965615B (zh) | 一种基于检测前估计的雷达目标检测方法 | |
CN105842687B (zh) | 基于rcs预测信息的检测跟踪一体化方法 | |
CN109633633B (zh) | 一种基于分段分类增强处理的生命信号增强方法 | |
CN107436434B (zh) | 基于双向多普勒估计的航迹起始方法 | |
CN104502899A (zh) | 一种自适应的恒虚警率目标检测方法 | |
CN104155650A (zh) | 一种基于熵权值法点迹质量评估的目标跟踪方法 | |
CN103197297B (zh) | 基于认知框架的雷达动目标检测方法 | |
CN103558597A (zh) | 基于谱峭度的海杂波中弱目标检测方法 | |
CN107037424B (zh) | 一种基于序贯优化的多普勒雷达多帧相干检测前跟踪方法 | |
CN107064865A (zh) | 基于深度聚类的极坐标动态规划无源协同定位方法 | |
Nagappa et al. | A tractable forward–backward CPHD smoother | |
CN107271973A (zh) | 韦布尔杂波环境下基于偏斜度和均值比的恒虚警检测方法 | |
CN110308442B (zh) | 强杂波环境下相控阵雷达的gm-phd目标跟踪方法 | |
CN107102293B (zh) | 基于滑窗累积密度估计的未知杂波无源协同定位方法 | |
CN112748429B (zh) | 一种快速噪声对消滤波方法 | |
CN105652256B (zh) | 一种基于极化信息的高频地波雷达tbd方法 | |
CN106569190A (zh) | 一种高海况下海面目标检测装置及其检测方法 | |
Kang et al. | A GNSS interference identification and tracking based on adaptive fading Kalman filter | |
CN113126086B (zh) | 一种基于状态预测积累的生命探测雷达弱目标检测方法 | |
CN113608190B (zh) | 基于奇异空间三特征的海面目标检测方法及*** | |
CN112327260A (zh) | 一种sar回波数据中脉冲式干扰信号的抑制方法和装置 | |
CN111796267A (zh) | 一种基于伪谱匹配滤波的机动转弯目标检测前跟踪方法 | |
CN112230200A (zh) | 一种基于激光雷达回波信号的改进型组合降噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |