公开(公告)号：CN113808174B

公开(公告)日：2024-03-26

申请号：CN202110995010.3

申请日：2021-08-27

Applicant: 杭州电子科技大学

Inventor： 曹九稳 ,  王陈幸 ,  田江敏 ,  王天磊 ,  王晓洪

IPC: G06T7/277 ,  G01S13/66 ,  G01S7/41 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0985

Abstract: 本发明公开了一种基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法。本发明步骤：1、对雷达接收机采集的回波信号进行预处理，获取信号的R‑D图；2、构建全卷积神经网络并利用网络预测特征图像素点对应R‑D图中每个感受野区域分别属于目标和背景的类别概率，以及该区域包含目标时，特征图像素点在每个网格划分区域中相对于左上单元的偏移量，从而判断存在目标时的目标位置；3、将目标位置的俯仰角、方位角及径向距离作为雷达系统的量测值，通过坐标转换卡尔曼滤波器实现目标跟踪。本发明利用特征图像素点对应的感受野替代传统深度学习方案的滑窗技术，大幅提升模型训练及检测的速度，并通过坐标转换卡尔曼滤波器跟踪目标，更准确快速得到目标轨迹。

公开(公告)号：CN111368653A

公开(公告)日：2020-07-03

申请号：CN202010103060.1

申请日：2020-02-19

Applicant: 杭州电子科技大学

Inventor： 曹九稳 ,  王陈幸 ,  田江敏 ,  佟力 ,  王晓洪 ,  张鑫

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于R-D图与深度神经网络的低空小目标检测方法。本发明包括如下步骤：步骤1、对雷达接收机采集的回波信号进行预处理，获取信号的R-D图；步骤2、构建深度卷积神经网络并利用网络预测R-D图中每个局部区域分别属于目标和背景的类别概率，以及该区域包含目标时，其中心与目标位置之间的偏移量；步骤3、结合预测的类别概率和位置回归的偏移量，判断是否存在，以及存在目标时的目标位置。本发明在类别预测基础上增加了对目标位置的回归，并通过回归结果的投票统计获得目标的精确位置，从而可以实现预测精度更高、虚警率更低的雷达小目标检测效果。

公开(公告)号：CN111368653B

公开(公告)日：2023-09-08

申请号：CN202010103060.1

申请日：2020-02-19

Applicant: 杭州电子科技大学

Inventor： 曹九稳 ,  王陈幸 ,  田江敏 ,  佟力 ,  王晓洪 ,  张鑫

IPC: G06F18/10 ,  G06F18/214 ,  G06F18/27 ,  G06N3/084 ,  G06N3/0464

Abstract: 本发明公开了一种基于R‑D图与深度神经网络的低空小目标检测方法。本发明包括如下步骤：步骤1、对雷达接收机采集的回波信号进行预处理，获取信号的R‑D图；步骤2、构建深度卷积神经网络并利用网络预测R‑D图中每个局部区域分别属于目标和背景的类别概率，以及该区域包含目标时，其中心与目标位置之间的偏移量；步骤3、结合预测的类别概率和位置回归的偏移量，判断是否存在，以及存在目标时的目标位置。本发明在类别预测基础上增加了对目标位置的回归，并通过回归结果的投票统计获得目标的精确位置，从而可以实现预测精度更高、虚警率更低的雷达小目标检测效果。

公开(公告)号：CN114677419A

公开(公告)日：2022-06-28

申请号：CN202210412020.4

申请日：2022-04-19

Applicant: 杭州电子科技大学

Inventor： 曹九稳 ,  王陈幸 ,  田江敏 ,  王天磊 ,  王晓洪

IPC: G06T7/33 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，首先进行数据预处理，训练样本集准备；然后构建以3D卷积层、池化层交替组成的3D卷积网络为骨干网络的深度神经网络，并利用准备的训练样本集进行网络参数的学习；最后进行网络预测及后处理。本发明通过融合更多时间维度的目标信息，构建三维R‑D图进行目标轨迹特征的提取，在保证合理的虚警率之内，有效地提高模型预测的准确率。

公开(公告)号：CN113808174A

公开(公告)日：2021-12-17

申请号：CN202110995010.3

申请日：2021-08-27

Applicant: 杭州电子科技大学

Inventor： 曹九稳 ,  王陈幸 ,  田江敏 ,  王天磊 ,  王晓洪

IPC: G06T7/277 ,  G01S13/66 ,  G01S7/41 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法。本发明步骤：1、对雷达接收机采集的回波信号进行预处理，获取信号的R‑D图；2、构建全卷积神经网络并利用网络预测特征图像素点对应R‑D图中每个感受野区域分别属于目标和背景的类别概率，以及该区域包含目标时，特征图像素点在每个网格划分区域中相对于左上单元的偏移量，从而判断存在目标时的目标位置；3、将目标位置的俯仰角、方位角及径向距离作为雷达系统的量测值，通过坐标转换卡尔曼滤波器实现目标跟踪。本发明利用特征图像素点对应的感受野替代传统深度学习方案的滑窗技术，大幅提升模型训练及检测的速度，并通过坐标转换卡尔曼滤波器跟踪目标，更准确快速得到目标轨迹。