-
公开(公告)号：CN113808219A
公开(公告)日：2021-12-17
申请号：CN202111117899.1
申请日：2021-09-17
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于深度学习的雷达辅助相机标定方法，解决了从雷达点迹到图像目标框转换的技术问题。实现步骤：数据采集形成雷达点迹和图像目标框数据；采集时间对齐；雷达点迹数据形成训练输入数据集；转换后的图像目标框数据形成训练输出数据集；构建并训练深度神经网络模型；获得相机标定函数。本发明利用含有跨层链接的深度神经网络模型将雷达点迹数据转换为图像目标框数据构成标定函数，减小了人为误差和标定过程的额外工作，提高了相机标定的灵活性和效率；计算量小，标定准确率高。用于多传感器融合目标检测，更具体地用在雷达和相机摄像头同时进行目标检测的情况下的相机标定。
-
公开(公告)号：CN113808219B
公开(公告)日：2024-05-14
申请号：CN202111117899.1
申请日：2021-09-17
Applicant: 西安电子科技大学
IPC: G06T7/80 , G06T7/246 , G06V10/80 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的雷达辅助相机标定方法，解决了从雷达点迹到图像目标框转换的技术问题。实现步骤：数据采集形成雷达点迹和图像目标框数据；采集时间对齐；雷达点迹数据形成训练输入数据集；转换后的图像目标框数据形成训练输出数据集；构建并训练深度神经网络模型；获得相机标定函数。本发明利用含有跨层链接的深度神经网络模型将雷达点迹数据转换为图像目标框数据构成标定函数，减小了人为误差和标定过程的额外工作，提高了相机标定的灵活性和效率；计算量小，标定准确率高。用于多传感器融合目标检测，更具体地用在雷达和相机摄像头同时进行目标检测的情况下的相机标定。
-
公开(公告)号：CN115201768B
公开(公告)日：2024-07-30
申请号：CN202210655328.1
申请日：2022-06-10
Applicant: 西安电子科技大学
IPC: G01S7/38
Abstract: 本发明提供的一种基于循环一致性生成对抗网络的有源欺骗式干扰方法，在雷达距离‑多普勒域通过对雷达目标回波截取、间隔采样、相邻填充等一系列步骤可以生成虚假目标数量更多，干扰强度更强的C&I干扰和SMSP干扰信号序列作为判决标准，将不包含干扰的原始回波信号序列作为Cycle‑GAN模型的输入。Cycle‑GAN模型由一对GAN模型构成循环训练模型，可以实现在不降低生成器准确性的基础上提升GAN模型稳定性的效果，并且本发明通过将检测出的虚假目标个数与总目标数进行对比，以确定Cycle‑GAN模型的性能。因此本发明可以增强干扰能量，泛化干扰样式，得到在距离‑多普勒域难以识别的干扰效果。
-
公开(公告)号：CN115201768A
公开(公告)日：2022-10-18
申请号：CN202210655328.1
申请日：2022-06-10
Applicant: 西安电子科技大学
IPC: G01S7/38
Abstract: 本发明提供的一种基于循环一致性生成对抗网络的有源欺骗式干扰方法，在雷达距离‑多普勒域通过对雷达目标回波截取、间隔采样、相邻填充等一系列步骤可以生成虚假目标数量更多，干扰强度更强的C&I干扰和SMSP干扰信号序列作为判决标准，将不包含干扰的原始回波信号序列作为Cycle‑GAN模型的输入。Cycle‑GAN模型由一对GAN模型构成循环训练模型，可以实现在不降低生成器准确性的基础上提升GAN模型稳定性的效果，并且本发明通过将检测出的虚假目标个数与总目标数进行对比，以确定Cycle‑GAN模型的性能。因此本发明可以增强干扰能量，泛化干扰样式，得到在距离‑多普勒域难以识别的干扰效果。
-
-
-
Search Results
4
records
(took 0.017 seconds)
