[go: up one dir, main page]

CN110031816B - 基于探鸟雷达的机场飞行区非合作目标分类识别方法 - Google Patents

基于探鸟雷达的机场飞行区非合作目标分类识别方法 Download PDF

Info

Publication number
CN110031816B
CN110031816B CN201910479838.6A CN201910479838A CN110031816B CN 110031816 B CN110031816 B CN 110031816B CN 201910479838 A CN201910479838 A CN 201910479838A CN 110031816 B CN110031816 B CN 110031816B
Authority
CN
China
Prior art keywords
target object
area
airport
radar
target
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
Application number
CN201910479838.6A
Other languages
English (en)
Other versions
CN110031816A (zh
Inventor
陈唯实
陈小龙
卢贤锋
张洁
李敬
黄勇
关键
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval Aeronautical University
China Academy of Civil Aviation Science and Technology
Original Assignee
Naval Aeronautical University
China Academy of Civil Aviation Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Naval Aeronautical University, China Academy of Civil Aviation Science and Technology filed Critical Naval Aeronautical University
Publication of CN110031816A publication Critical patent/CN110031816A/zh
Application granted granted Critical
Publication of CN110031816B publication Critical patent/CN110031816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/88—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
    • 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
    • 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
    • G01S7/414—Discriminating targets with respect to background clutter

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本公开涉及一种基于探鸟雷达的机场飞行区非合作目标分类识别方法，所述方法包括：根据预设的机场区域以及探鸟雷达获取的机场图像，建立机场区域分类模型；根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的第一特征信息；根据所述目标对象的第一特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果。本公开实施例能够使得探鸟雷达可以对探测到的目标对象进行快速准确的识别分类，从而提高探鸟雷达的探测性能。

Description

基于探鸟雷达的机场飞行区非合作目标分类识别方法
技术领域
本公开涉及目标检测技术领域，尤其涉及一种基于探鸟雷达的机场飞行区非合作目标分类识别方法。
背景技术
飞鸟是机场净空区的传统安全隐患，飞鸟防范长期以来是威胁飞行安全的国际性难题。随着航班量的持续增长和生态环境的不断好转，我国机场的鸟击防范工作压力越来越大。目前，雷达是鸟情观测的重要技术手段。
对于探鸟雷达来说，飞鸟是其主要的探测目标，而机场飞行区内活动的航空器、巡场车辆等其他非合作目标，则应作为“杂波”剔除。虽然探鸟雷达获取的目标的雷达散射截面(RCS，Radar Cross Section)具有一定的起伏特征，但航空器、车辆、飞鸟的RCS分布区域可能存在重叠，因此，依靠雷达散射截面对三者进行分类存在困难。
发明内容
有鉴于此，本公开提出了一种基于探鸟雷达的机场飞行区非合作目标分类识别方法。
根据本公开的一方面，提供了一种基于探鸟雷达的机场飞行区非合作目标分类识别方法，包括：
根据预设的机场区域以及探鸟雷达获取的机场图像，建立机场区域分类模型，其中，所述机场区域至少包括跑道和滑行道区域、巡场道区域以及土质区区域；
根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的第一特征信息；
根据所述目标对象的第一特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果，其中，所述多个类别至少包括航空器、巡场车辆以及鸟类。
在一种可能的实现方式中，所述分类结果还包括所述多个类别以外的其他类别，所述方法还包括：
当所述目标对象的分类结果为其他类别时，根据探鸟雷达获取的目标对象的第二状态信息，确定所述目标对象的第二特征信息；
根据所述目标对象的第二特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果。
在一种可能的实现方式中，根据预设的机场区域以及探鸟雷达获取的机场图像，建立机场区域分类模型，包括：
根据机场区域，对探鸟雷达获取的机场图像中的每个像素点进行设置，建立机场区域分类模型，其中，所述机场区域分类模型至少包括跑道和滑行道区域模型，巡场道区域模型和土质区区域模型。
在一种可能的实现方式中，根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的第一特征信息，包括：
根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的多个雷达散射截面信息以及多个目标位置；
根据所述多个雷达散射截面信息以及所述多个目标位置，确定所述目标对象的第一特征信息。
在一种可能的实现方式中，根据所述目标对象的第一特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果，包括：
根据所述目标对象的多个雷达散射截面信息以及预设的多个类别的雷达散射截面样本库，确定所述目标对象与各类别的相符率；
根据所述目标对象的多个目标位置以及所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率；
根据所述目标对象与各类别的相符率以及所述目标对象的多个目标位置位于各机场区域的概率，确定目标对象的分类结果。
在一种可能的实现方式中，根据所述目标对象的多个雷达散射截面信息以及预设的多个类别的雷达散射截面样本库，确定所述目标对象与各类别的相符率，包括：
根据预设的多个类别的雷达散射截面样本库，分别确定所述雷达散射截面样本库中所有样本的雷达散射截面均值和标准差；
根据所述雷达散射截面均值和标准差，确定所述多个类别的样本取值范围；
根据所述目标对象的多个雷达散射截面信息以及所述多个类别的样本取值范围，确定所述目标对象与各类别的相符率。
在一种可能的实现方式中，所述方法还包括：
根据多个类别的典型数据，建立所述多个类别的雷达散射截面样本库。
在一种可能的实现方式中，根据所述目标对象的多个目标位置以及所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率，包括：
根据所述目标对象的多个目标位置，建立目标位置模型；
根据所述目标位置模型与所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率。
根据本公开的另一方面，提供了一种基于探鸟雷达的机场飞行区非合作目标分类识别装置，包括：
模型建立模块，用于根据预设的机场区域以及探鸟雷达获取的机场图像，建立机场区域分类模型，其中，所述机场区域至少包括跑道和滑行道区域、巡场道区域以及土质区区域；
第一特征确定模块，用于根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的第一特征信息；
第一分类模块，用于根据所述目标对象的第一特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果，其中，所述多个类别至少包括航空器、巡场车辆以及鸟类。
在一种可能的实现方式中，所述分类结果还包括所述多个类别以外的其他类别，所述装置还包括：
第二特征确定模块，用于当所述目标对象的分类结果为其他类别时，根据探鸟雷达获取的目标对象的第二状态信息，确定所述目标对象的第二特征信息；
第二分类模块，用于根据所述目标对象的第二特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果。
在一种可能的实现方式中，所述模型建立模块，包括：
区域模型建立子模块，用于根据机场区域，对探鸟雷达获取的机场图像中的每个像素点进行设置，建立机场区域分类模型，其中，所述机场区域分类模型至少包括跑道和滑行道区域模型，巡场道区域模型和土质区区域模型。
在一种可能的实现方式中，所述第一特征确定模块，包括：
信息获取子模块，用于根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的多个雷达散射截面信息以及多个目标位置；
特征确定子模块，根据所述多个雷达散射截面信息以及所述多个目标位置，确定所述目标对象的第一特征信息。
在一种可能的实现方式中，所述第一分类模块，包括：
相符率计算子模块，用于根据所述目标对象的多个雷达散射截面信息以及预设的多个类别的雷达散射截面样本库，确定所述目标对象与各类别的相符率；
概率计算子模块，用于根据所述目标对象的多个目标位置以及所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率；
分类确定子模块，用于根据所述目标对象与各类别的相符率以及所述目标对象的多个目标位置位于各机场区域的概率，确定目标对象的分类结果。
在一种可能的实现方式中，所述相符率计算子模块，用于：
根据预设的多个类别的雷达散射截面样本库，分别确定所述雷达散射截面样本库中所有样本的雷达散射截面均值和标准差；
根据所述雷达散射截面均值和标准差，确定所述多个类别的样本取值范围；
根据所述目标对象的多个雷达散射截面信息以及所述多个类别的样本取值范围，确定所述目标对象与各类别的相符率。
在一种可能的实现方式中，所述装置还包括：
样本库建立模块，用于根据多个类别的典型数据，建立所述多个类别的雷达散射截面样本库。
在一种可能的实现方式中，所述概率计算子模块，用于：
根据所述目标对象的多个目标位置，建立目标位置模型；
根据所述目标位置模型与所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率。
根据本公开的实施例，能够根据目标对象的第一特征信息、机场区域分类模型以及多个类别的雷达散射截面样本库，确定出目标对象的分类结果，使得探鸟雷达可以对探测到的目标对象进行快速准确的识别分类，从而提高探鸟雷达的探测性能。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的基于探鸟雷达的机场非合作目标分类识别方法的流程图。
图2示出根据本公开一实施例的基于探鸟雷达的机场非合作目标分类识别方法的步骤S13的流程图。
图3示出根据本公开一实施例的基于探鸟雷达的机场非合作目标分类识别方法的应用场景的示意图。
图4示出根据本公开一实施例的基于探鸟雷达的机场非合作目标分类识别装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的基于探鸟雷达的机场非合作目标分类识别方法的流程图。如图1所示，该方法包括：
在步骤S11中，根据预设的机场区域以及探鸟雷达获取的机场图像，建立机场区域分类模型，其中，所述机场区域至少包括跑道和滑行道区域、巡场道区域以及土质区区域；
在步骤S12中，根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的第一特征信息；
在步骤S13中，根据所述目标对象的第一特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果，其中，所述多个类别至少包括航空器、巡场车辆以及鸟类。
根据本公开的实施例，能够根据目标对象的第一特征信息、机场区域分类模型以及多个类别的雷达散射截面样本库，确定出目标对象的分类结果，使得探鸟雷达可以对探测到的目标对象进行快速准确的识别分类，从而提高探鸟雷达的探测性能。
在一种可能的实现方式中，所述机场区域可以是根据用途将机场飞行区划分为多个区域，机场区域至少包括跑道和滑行道区域、巡场道区域以及土质区区域。对于不同的机场，其机场区域的划分可以不同。本公开对机场区域的具体划分不作限制。
在一种可能的实现方式中，所述目标对象可包括出现在机场飞行区的航空器、巡场车辆以及飞鸟，目标对象可包括一个或多个。在一般情况下，航空器出现在跑道和滑行道区域，巡场车辆出现在巡场道上，且按照特征的轨迹运行，飞鸟出现在土质区，且运动轨迹灵活多样。
在一种可能的实现方式中，所述多个类别的雷达散射截面样本库是预先设置的，其中，多个类别至少包括航空器、巡场车辆以及鸟类。所述方法可包括：根据多个类别的典型数据，建立所述多个类别的雷达散射截面样本库。不同机场的多个类别的雷达散射截面样本库可以不同。对于一个机场，可以利用探鸟雷达对该机场飞行区的航空器、巡场车辆、鸟类进行探测，获得大量的雷达散射截面数据，从各个类别中分别选取其中的一部分典型数据，例如，分别选取其中的N组(N为整数，且N≥100)典型数据，建立多个类别的雷达散射截面样本库。
在一种可能的实现方式中，可以在步骤S11中，根据预设的机场区域以及探鸟雷达获取的机场图像，建立机场区域分类模型。机场探鸟雷达获取的机场图像可以根据雷达监视区域的变化而变化。根据预设的机场区域，可以对探鸟雷达获取的机场图像进行分类，标识出不同的区域，从而建立机场区域分类模型。
在一种可能的实现方式中，步骤S11可包括：根据机场区域，对探鸟雷达获取的机场图像中的每个像素点进行设置，建立机场区域分类模型，其中，所述机场区域分类模型至少包括跑道和滑行道区域模型，巡场道区域模型和土质区区域模型。通过对机场图像中每个像素点的设置来建立机场区域分类模型，可以提高机场区域分类模型的准确度。根据机场区域不同，机场区域分类模型可至少包括跑道和滑行道区域模型，巡场道区域模型和土质区区域模型。
在一种可能的实现方式中，可以通过对机场图像中的每个像素点(x,y)标定不同的数值来建立机场区域分类模型ML×W，其中，跑道和滑行道区域模型可表示为
Figure GDA0002970089520000081
巡场道区域模型可表示为
Figure GDA0002970089520000082
土质区区域模型可表示为
Figure GDA0002970089520000083
可分别使用下述公式(1)、(2)(3)来表示
Figure GDA0002970089520000084
Figure GDA0002970089520000085
Figure GDA0002970089520000086
Figure GDA0002970089520000087
其中，L表示模型的行数，W表示模型的列数。
在一种可能的实现方式中，建立机场区域分类模型后，可以在步骤S12中，根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的第一特征信息。其中，第一特征信息可以用来标识目标对象，例如，目标对象的大小、位置坐标、运动轨迹等。从探鸟雷达获取的目标对象的多个第一状态信息中，可以提取出目标对象的第一特征信息，例如，目标对象的运动轨迹，雷达散射截面信息。本公开对第一特征信息的具体内容不作限制。
在一种可能的实现方式中，步骤S12可包括：根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的多个雷达散射截面信息以及多个目标位置；根据所述多个雷达散射截面信息以及所述多个目标位置，确定所述目标对象的第一特征信息。
在一种可能的实现方式中，多个第一状态信息可以是目标对象在连续n个时刻的第一状态信息，其中，n为整数且5≤n≤15，可以从目标对象的多个第一状态信息中确定出目标对象在连续n个时刻的雷达散射截面信息
Figure GDA0002970089520000088
(单位为m2)，以及目标对象在连续n个时刻的目标位置{(x1,y1),(x2,y2),…,(xn,yn)}，然后将目标对象在连续n个时刻的雷达散射截面信息和目标位置作为目标对象的第一特征信息。
应当理解，本领域技术人员可以根据实际情况对n的具体取值及其取值范围进行设置，本公开对此不做限制。
在一种可能的实现方式中，可以在步骤S13中，根据所述目标对象的第一特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果。
图2示出根据本公开一实施例的基于探鸟雷达的机场非合作目标分类识别方法的步骤S13的流程图。如图2所述，步骤S13可包括：
在步骤S131中，根据所述目标对象的多个雷达散射截面信息以及预设的多个类别的雷达散射截面样本库，确定所述目标对象与各类别的相符率；
在步骤S132中，根据所述目标对象的多个目标位置以及所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率；
在步骤S133中，根据所述目标对象与各类别的相符率以及所述目标对象的多个目标位置位于各机场区域的概率，确定目标对象的分类结果。
在一种可能的实现方式中，可以在步骤S131中，根据目标对象的多个雷达散射截面信息以及预设的多个类别的雷达散射截面样本库，确定目标对象与各类别的相符率。可以采用各种方法计算目标对象与各类别的相符率，本公开对此不作限制。
在一种可能的实现方式中，步骤S131可包括：根据预设的多个类别的雷达散射截面样本库，分别确定所述雷达散射截面样本库中所有样本的雷达散射截面均值和标准差；根据所述雷达散射截面均值和标准差，确定所述多个类别的样本取值范围；根据所述目标对象的多个雷达散射截面信息以及所述多个类别的样本取值范围，确定所述目标对象与各类别的相符率。
在一种可能的实现方式中，多个类别可至少包括航空器、巡场车辆、飞鸟三个类别，对应的雷达散射截面样本库分别为航空器雷达散射截面样本库
Figure GDA0002970089520000091
巡场车辆雷达散射截面样本库
Figure GDA0002970089520000092
和鸟类雷达散射截面样本库
Figure GDA0002970089520000093
在一种可能的实现方式中，可以分别计算上述三个类别的雷达散射截面样本库中所有样本的雷达散射截面均值
Figure GDA0002970089520000101
和标准差sA、sV、sB；然后根据雷达散射截面均值和标准差，分别确定出三个类别的样本库的样本取值范围
Figure GDA0002970089520000102
在一种可能的实现方式中，可以使用下述公式(4)来计算雷达散射截面样本库中所有样本的雷达散射截面均值
Figure GDA00029700895200001012
可以使用下述公式(5)来计算雷达散射截面样本库中所有样本的雷达散射截面的标准差s：
Figure GDA0002970089520000103
Figure GDA0002970089520000104
其中，N为样本库中的样本数，σi为样本库中雷达散射截面的样本值。
在一种可能的实现方式中，根据目标对象的多个雷达散射截面信息以及多个类别的样本取值范围，可以确定出目标对象与各类别的相符率。也就是说，根据多个类别的样本取值范围，可以确定出目标对象的多个雷达散射截面信息
Figure GDA0002970089520000105
落在每个类别的样本取值范围中的样本数
Figure GDA0002970089520000106
然后根据样本数
Figure GDA0002970089520000107
确定出目标对象与各类别的相符率
Figure GDA0002970089520000108
Figure GDA0002970089520000109
可以通过下述公式(6)来计算
Figure GDA00029700895200001010
Figure GDA00029700895200001011
在一种可能的实现方式中，可以在步骤S132中，根据所述目标对象的多个目标位置以及所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率。也就是说，可以首先分别确定目标对象的多个目标位置位于机场区域分类模型中的区域，然后确定出目标对象的多个目标位置位于各机场区域的概率。
在一种可能的实现方式中，步骤S132可包括：根据所述目标对象的多个目标位置，建立目标位置模型；根据所述目标位置模型与所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率。
在一种可能的实现方式中，在雷达监视区域与机场图像大小相同的情况下，机场图像中像素点坐标等同于目标位置坐标。对于目标对象在连续n个时刻的目标位置{(x1,y1),(x2,y2),…,(xn,yn)}，可以将目标位置在机场图像中进行标注，然后建立目标位置模型TL×W，可使用下述公式(7)表示TL×W：
Figure GDA0002970089520000111
其中，L表示模型的行数，W表示模型的列数，L和W的取值与机场区域分类模型相同。
在一种可能的实现方式中，在雷达监视区域与机场图像的大小不相同的情况下，可以对雷达监视区域或机场图像进行调整，使两者大小一致后，使用上述公式(7)建立目标位置模型。
在一种可能的实现方式中，建立目标对象的目标位置模型后，可以使用下述公式(8)来确定目标对象的多个目标位置位于各机场区域的概率：
Figure GDA0002970089520000112
其中，
Figure GDA0002970089520000113
分别为多个目标位置在跑道和滑行道区域、巡场道区域、土质区区域三类区域的出现概率，n为目标位置的总数，TL×W·ML×W表示将矩阵TL×W和矩阵ML×W对应元素相乘获得的矩阵，sum(·)表示该矩阵中所有元素相加之和。
在一种可能的实现方式中，可以在步骤S133中，根据所述目标对象与各类别的相符率以及所述目标对象的多个目标位置位于各机场区域的概率，确定目标对象的分类结果。
在一种可能的实现方式中，可以预先设置相符率阈值以及概率阈值。相符率阈值及概率阈值的取值可以由本领域技术人员根据实际情况或经验值进行设置，例如，相符率阈值的取值可以在0.7至0.8之间，概率阈值的取值可以在0.7-0.9之间。本公开对相符率阈值以及概率阈值的具体取值不作限制。
在一种可能的实现方式中，在目标对象与某一类别的相符率大于相符率阈值，且目标对象的多个目标位置位于该类别对应的机场区域的概率大于概率阈值的情况下，可以确定目标对象属于该类别。
举例来说，可以设置相符率阈值为0.75，概率阈值为0.8。首先判断目标对象与各类别的相符率是否大于相符率阈值；在目标对象与某一类别(例如航空器)的相符率大于相符率阈值0.75的情况下，判断目标对象的多个目标位置位于该类别(航空器)对应的机场区域(跑道和滑行道区域)的概率是否大于概率阈值0.8；在目标对象的多个目标位置位于跑道和滑行道区域的概率大于概率阈值0.8的情况下，确定目标对象属于航空器。
在一种可能的实现方式中，可以使用下述公式(9)来确定目标对象的分类结果：
Figure GDA0002970089520000121
在一种可能的实现方式中，所述分类结果还包括所述多个类别以外的其他类别，所述方法还包括：当所述目标对象的分类结果为其他类别时，根据探鸟雷达获取的目标对象的第二状态信息，确定所述目标对象的第二特征信息；根据所述目标对象的第二特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果。
在一种可能的实现方式中，第二状态信息中包括探鸟雷达获取的目标对象的新的状态信息，第二状态信息可以与第一状态信息存在部分重叠。
在一种可能的实现方式中，当目标对象的分类结果为其他类别时，可以根据探鸟雷达获取的目标对象的第二状态信息，确定出目标对象的第二特征信息，然后根据目标对象的第二特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果。确定目标对象的第二特征信息以及目标对象的分类结果的方法，与上述方法类似，此处不再赘述。
通过这种方式，可以获取分类结果是其他类别的目标对象的第二状态信息，并使用第二状态信息继续对目标对象进行识别分类，从而可以实现对目标对象的准确分类，提高探鸟雷达的探测性能。
图3示出根据本公开一实施例的基于探鸟雷达的机场非合作目标分类识别方法的应用场景的示意图。如图3所示，探鸟雷达获取的机场图像中的区域包括跑道和滑行道区域31，巡场道区域32和土质区区域33(跑道和滑行道区域31和巡场道区域32之外的区域)，以及探鸟雷达探测到的机场区域中的三个目标对象，即目标对象34，目标对象35和目标对象36。在该机场图像中，坐标原点设在图像左上角，X轴水平向右，Y轴垂直向下。
在一种可能的实现方式中，可以利用探鸟雷达对该机场飞行区的航空器、巡场车辆、鸟类进行探测，获得大量的雷达散射截面数据。在航空器、巡场车辆、鸟类三个类别中，分别选取其中的100组典型数据，分别建立三个类别的雷达散射截面样本库。
在一种可能的实现方式中，可以首先通过标定的方式标记跑道和滑行道区域31、巡场道区域32，并将其他区域标记为土质区区域33，然后结合机场图像，使用上述公式(1)、(2)和(3)来建立机场区域分类模型。建立的机场区域分类模型包括跑道和滑行道区域模型
Figure GDA0002970089520000131
巡场道区域模型
Figure GDA0002970089520000132
和土质区区域模型
Figure GDA0002970089520000133
其中，L＝900，W＝900。
在一种可能的实现方式中，建立机场区域分类模型后，可以根据探鸟雷达获取的目标对象的多个第一状态信息，确定目标对象的第一特征信息，第一特征信息可包括多个雷达散射截面信息和多个目标位置信息。如图3所示，探鸟雷达在连续5个时刻探测到三个目标对象，可以从连续5个时刻的第一状态信息中，确定出三个目标对象的第一特征信息，分别如下：
目标对象34的5个雷达散射截面信息为{100.2,104,96.8,112.5,102.4}，5个目标位置为{(377,257),(380,326),(384,373),(386,419),(388,461)}；
目标对象35的5个雷达散射截面信息为{1.2,0.8,0.7,1.8,0.6}，5个目标位置为{(472,734),(474,751),(474,771),(473,788),(474,806)}；
目标对象36的5个雷达散射截面信息为{0.012,0.008,0.013,0.009,0.005}，5个目标位置为{(195,453),(201,469),(210,486),(229,492),(237,509)}。
在一种可能的实现方式中，可以根据三个目标对象的5个雷达散射截面信息以及三个类别的雷达散射截面样本库，确定目标对象与各类别的相符率。
在一种可能的实现方式中，可以使用上述公式(4)和(5)分别计算航空器、巡场车辆、鸟类三个类别的雷达散射截面样本库的均值和标准差，然后根据均值和标准差确定三个类别的样本取值范围，分别如下：
Figure GDA0002970089520000141
Figure GDA0002970089520000142
Figure GDA0002970089520000143
在一种可能的实现方式中，分别根据三个目标对象的5个雷达散射截面信息以及三个类别的雷达散射截面样本库，确定出三个目标对象的雷达散射截面信息在三个类别的雷达散射截面样本库的样本取值范围内的样本数，分别如下：
Figure GDA0002970089520000144
Figure GDA0002970089520000145
Figure GDA0002970089520000146
其中，
Figure GDA0002970089520000147
分别表示目标对象34的雷达散射截面信息落在三个类别的样本取值范围内的样本数，
Figure GDA0002970089520000148
分别表示目标对象35的雷达散射截面信息落在三个类别的样本取值范围内的样本数，
Figure GDA0002970089520000149
分别表示目标对象36的雷达散射截面信息落在三个类别的样本取值范围内的样本数。
根据上述公式(6)，可以分别确定出三个目标对象与三个类别的相符率如下：
Figure GDA00029700895200001410
Figure GDA0002970089520000151
Figure GDA0002970089520000152
其中，
Figure GDA0002970089520000153
分别表示目标对象34与三个类别的相符率，
Figure GDA0002970089520000154
Figure GDA0002970089520000155
分别表示目标对象35与三个类别的相符率，
Figure GDA0002970089520000156
分别表示目标对象36与三个类别的相符率。
在一种可能的实现方式中，分别根据三个目标对象的5个目标位置，使用公式(7)建立目标位置模型，分别如下：
Figure GDA0002970089520000157
Figure GDA0002970089520000158
Figure GDA0002970089520000159
其中，
Figure GDA00029700895200001510
为目标对象34的目标位置模型，
Figure GDA00029700895200001511
为目标对象35的目标位置模型，
Figure GDA00029700895200001512
为目标对象34的目标位置模型，L＝900，W＝900。
在一种可能的实现方式中，分别根据三个目标对象的目标位置模型与机场区域分类模型，使用公式(8)确定三个目标对象的5个目标位置位于各机场区域的概率，分别如下：
Figure GDA00029700895200001513
Figure GDA00029700895200001514
Figure GDA00029700895200001515
其中，
Figure GDA00029700895200001516
分别表示目标对象34的5个目标位置位于跑道与滑行道区域、巡场道区域、土质区区域的概率，
Figure GDA00029700895200001517
分别表示目标对象35的5个目标位置位于跑道与滑行道区域、巡场道区域、土质区区域的概率，
Figure GDA00029700895200001518
分别表示目标对象36的5个目标位置位于跑道与滑行道区域、巡场道区域、土质区区域的概率。
在一种可能的实现方式中，可以将相符率阈值设置为0.75，概率阈值设置为0.8，然后使用公式(9)对三个目标对象进行分类：
目标对象34与航空器的相符率为
Figure GDA0002970089520000161
且位于跑道与滑行道区域31的概率为
Figure GDA0002970089520000162
则将目标对象34识别为航空器；
目标对象35与巡场车辆的相符率为
Figure GDA0002970089520000163
且位于巡场道区域32的概率为
Figure GDA0002970089520000164
则将目标对象35识别为巡场车辆；
目标对象36与飞鸟的相符率为
Figure GDA0002970089520000165
且位于土质区区域33的概率为
Figure GDA0002970089520000166
则将目标对象36识别为飞鸟。
根据本公开的实施例，能够根据目标对象的第一特征信息、机场区域分类模型以及多个类别的雷达散射截面样本库，确定出目标对象的分类结果；对于分类结果是其他类别的目标对象，获取其第二状态信息，并使用第二状态信息继续对目标对象进行识别分类，可以使得探鸟雷达能够对探测到的目标对象进行快速准确的识别分类，从而提高探鸟雷达的探测性能。
需要说明的是，尽管以上述实施例作为示例介绍了基于探鸟雷达的机场非合作目标分类识别方法如上，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定各步骤，只要符合本公开的技术方案即可。
图4示出根据本公开一实施例的基于探鸟雷达的机场非合作目标分类识别装置的框图。如图4所示，所述装置包括：
模型建立模块41，用于根据预设的机场区域以及探鸟雷达获取的机场图像，建立机场区域分类模型，其中，所述机场区域至少包括跑道和滑行道区域、巡场道区域以及土质区区域；
第一特征确定模块42，用于根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的第一特征信息；
第一分类模块43，用于根据所述目标对象的第一特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果，其中，所述多个类别至少包括航空器、巡场车辆以及鸟类。
在一种可能的实现方式中，所述分类结果还包括所述多个类别以外的其他类别，所述装置还包括：
第二特征确定模块，用于当所述目标对象的分类结果为其他类别时，根据探鸟雷达获取的目标对象的第二状态信息，确定所述目标对象的第二特征信息；
第二分类模块，用于根据所述目标对象的第二特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果。
在一种可能的实现方式中，所述模型建立模块41，包括：
区域模型建立子模块，用于根据机场区域，对探鸟雷达获取的机场图像中的每个像素点进行设置，建立机场区域分类模型，其中，所述机场区域分类模型至少包括跑道和滑行道区域模型，巡场道区域模型和土质区区域模型。
在一种可能的实现方式中，所述第一特征确定模块42，包括：
信息获取子模块，用于根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的多个雷达散射截面信息以及多个目标位置；
特征确定子模块，根据所述多个雷达散射截面信息以及所述多个目标位置，确定所述目标对象的第一特征信息。
在一种可能的实现方式中，所述第一分类模块43，包括：
相符率计算子模块，用于根据所述目标对象的多个雷达散射截面信息以及预设的多个类别的雷达散射截面样本库，确定所述目标对象与各类别的相符率；
概率计算子模块，用于根据所述目标对象的多个目标位置以及所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率；
分类确定子模块，用于根据所述目标对象与各类别的相符率以及所述目标对象的多个目标位置位于各机场区域的概率，确定目标对象的分类结果。
在一种可能的实现方式中，所述相符率计算子模块，用于：
根据预设的多个类别的雷达散射截面样本库，分别确定所述雷达散射截面样本库中所有样本的雷达散射截面均值和标准差；
根据所述雷达散射截面均值和标准差，确定所述多个类别的样本取值范围；
根据所述目标对象的多个雷达散射截面信息以及所述多个类别的样本取值范围，确定所述目标对象与各类别的相符率。
在一种可能的实现方式中，所述装置还包括：
样本库建立模块，用于根据多个类别的典型数据，建立所述多个类别的雷达散射截面样本库。
在一种可能的实现方式中，所述概率计算子模块，用于：
根据所述目标对象的多个目标位置，建立目标位置模型；
根据所述目标位置模型与所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种基于探鸟雷达的机场飞行区非合作目标分类识别方法，其特征在于，包括：
根据预设的机场区域以及探鸟雷达获取的机场图像，建立机场区域分类模型，其中，所述机场区域至少包括跑道和滑行道区域、巡场道区域以及土质区区域；
根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的第一特征信息；
根据所述目标对象的第一特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果，其中，所述多个类别至少包括航空器、巡场车辆以及鸟类；
所述根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的第一特征信息，包括：
根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的多个雷达散射截面信息以及多个目标位置；
根据所述多个雷达散射截面信息以及所述多个目标位置，确定所述目标对象的第一特征信息；
根据所述目标对象的第一特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果，包括：
根据所述目标对象的多个雷达散射截面信息以及预设的多个类别的雷达散射截面样本库，确定所述目标对象与各类别的相符率；
根据所述目标对象的多个目标位置以及所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率；
根据所述目标对象与各类别的相符率以及所述目标对象的多个目标位置位于各机场区域的概率，确定目标对象的分类结果。
2.根据权利要求1所述的方法，其特征在于，所述分类结果还包括所述多个类别以外的其他类别，所述方法还包括：
当所述目标对象的分类结果为其他类别时，根据探鸟雷达获取的目标对象的第二状态信息，确定所述目标对象的第二特征信息；
根据所述目标对象的第二特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果。
3.根据权利要求1所述的方法，其特征在于，根据预设的机场区域以及探鸟雷达获取的机场图像，建立机场区域分类模型，包括：
根据机场区域，对探鸟雷达获取的机场图像中的每个像素点进行设置，建立机场区域分类模型，其中，所述机场区域分类模型至少包括跑道和滑行道区域模型，巡场道区域模型和土质区区域模型。
4.根据权利要求1所述的方法，其特征在于，根据所述目标对象的多个雷达散射截面信息以及预设的多个类别的雷达散射截面样本库，确定所述目标对象与各类别的相符率，包括：
根据预设的多个类别的雷达散射截面样本库，分别确定所述雷达散射截面样本库中所有样本的雷达散射截面均值和标准差；
根据所述雷达散射截面均值和标准差，确定所述多个类别的样本取值范围；
根据所述目标对象的多个雷达散射截面信息以及所述多个类别的样本取值范围，确定所述目标对象与各类别的相符率。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述方法还包括：
根据多个类别的典型数据，建立所述多个类别的雷达散射截面样本库。
6.根据权利要求4所述的方法，其特征在于，根据所述目标对象的多个目标位置以及所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率，包括：
根据所述目标对象的多个目标位置，建立目标位置模型；
根据所述目标位置模型与所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率。
7.一种基于探鸟雷达的机场飞行区非合作目标分类识别装置，其特征在于，包括：
模型建立模块，用于根据预设的机场区域以及探鸟雷达获取的机场图像，建立机场区域分类模型，其中，所述机场区域至少包括跑道和滑行道区域、巡场道区域以及土质区区域；
第一特征确定模块，用于根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的第一特征信息；
第一分类模块，用于根据所述目标对象的第一特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果，其中，所述多个类别至少包括航空器、巡场车辆以及鸟类；
所述第一特征确定模块，包括：
信息获取子模块，用于根据探鸟雷达获取的目标对象的多个第一状态信息，确定所述目标对象的多个雷达散射截面信息以及多个目标位置；
特征确定子模块，根据所述多个雷达散射截面信息以及所述多个目标位置，确定所述目标对象的第一特征信息；
所述第一分类模块，包括：
相符率计算子模块，用于根据所述目标对象的多个雷达散射截面信息以及预设的多个类别的雷达散射截面样本库，确定所述目标对象与各类别的相符率；
概率计算子模块，用于根据所述目标对象的多个目标位置以及所述机场区域分类模型，确定所述目标对象的多个目标位置位于各机场区域的概率；
分类确定子模块，用于根据所述目标对象与各类别的相符率以及所述目标对象的多个目标位置位于各机场区域的概率，确定目标对象的分类结果。
8.根据权利要求7所述的装置，其特征在于，所述分类结果还包括所述多个类别以外的其他类别，所述装置还包括：
第二特征确定模块，用于当所述目标对象的分类结果为其他类别时，根据探鸟雷达获取的目标对象的第二状态信息，确定所述目标对象的第二特征信息；
第二分类模块，用于根据所述目标对象的第二特征信息、所述机场区域分类模型以及预设的多个类别的雷达散射截面样本库，确定所述目标对象的分类结果。
CN201910479838.6A 2019-03-22 2019-06-04 基于探鸟雷达的机场飞行区非合作目标分类识别方法 Active CN110031816B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2019102220422 2019-03-22
CN201910222042 2019-03-22

Publications (2)

Publication Number Publication Date
CN110031816A CN110031816A (zh) 2019-07-19
CN110031816B true CN110031816B (zh) 2021-04-27

Family

ID=67243904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910479838.6A Active CN110031816B (zh) 2019-03-22 2019-06-04 基于探鸟雷达的机场飞行区非合作目标分类识别方法

Country Status (1)

Country Link
CN (1) CN110031816B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110568435B (zh) * 2019-07-26 2022-11-22 广东工业大学 一种适用于高压杆塔的鸟类飞行轨迹预测方法
CN111310794B (zh) * 2020-01-19 2021-04-20 北京字节跳动网络技术有限公司 目标对象的分类方法、装置和电子设备
CN112285668A (zh) * 2020-12-29 2021-01-29 南京华格信息技术有限公司 一种基于探鸟雷达的机场鸟类检测方法
CN113657329B (zh) * 2021-08-24 2025-08-01 西安天和防务技术股份有限公司 一种目标的分类识别方法、装置及终端设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694681A (zh) * 2008-11-28 2010-04-14 北京航空航天大学 一种鸟击风险评估系统及其评估方法
CN101697007A (zh) * 2008-11-28 2010-04-21 北京航空航天大学 一种基于雷达图像的飞鸟目标识别与跟踪方法
CN101865995A (zh) * 2010-05-05 2010-10-20 南京莱斯信息技术股份有限公司 一种机场雷达信号的处理方法
CN101916489A (zh) * 2010-06-24 2010-12-15 北京华安天诚科技有限公司 机场跑道侵入告警服务器、系统和方法
CN102946528A (zh) * 2012-12-14 2013-02-27 安徽水天信息科技有限公司 基于全景点智能视频监控的机场跑道监控系统
US8730098B1 (en) * 2011-01-05 2014-05-20 The United States Of America As Represented By The Secretary Of The Navy Method for radar detection of persons wearing wires
CN105611244A (zh) * 2015-12-23 2016-05-25 东南大学 一种基于球机监控视频的机场外来异物检测方法
CN106022217A (zh) * 2016-05-09 2016-10-12 中国民航大学 无监督多级分类的民用机场跑道区域检测方法
CN106199555A (zh) * 2016-08-31 2016-12-07 上海鹰觉科技有限公司 一种无人船导航避碰雷达探测方法
CN106597401A (zh) * 2016-11-14 2017-04-26 北京无线电测量研究所 一种弹头目标散射特性分类对比方法及系统
WO2018136947A1 (en) * 2017-01-23 2018-07-26 Ohio University System and method for detection and reporting of targets with data links
US10115209B2 (en) * 2016-08-22 2018-10-30 Ulsee Inc. Image target tracking method and system thereof
EP2994721B1 (en) * 2013-05-06 2018-11-28 Hydro-Québec Quantitative analysis of signal related measurements for trending and pattern recognition
CN109239702A (zh) * 2018-10-17 2019-01-18 北京航空航天大学 一种基于目标状态集的机场低空飞鸟数量统计方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3416730B2 (ja) * 2000-05-12 2003-06-16 防衛庁技術研究本部長 レーダによる目標の識別装置
US7639178B1 (en) * 2005-11-04 2009-12-29 Rockwell Collins, Inc. System and method for detecting receivers
IT1393687B1 (it) * 2009-04-03 2012-05-08 Tele Rilevamento Europa T R E S R L Procedimento per l'identificazione di pixel statisticamente omogenei in immagini sar acquisite sulla stessa area.
ES2634111T3 (es) * 2009-04-17 2017-09-26 Raytheon Company Método y aparato para integración de sensores distribuidos y radar de vigilancia en aeropuertos para mitigar puntos ciegos
CN104199010B (zh) * 2014-09-18 2016-08-10 中国民航科学技术研究院 一种通航目标雷达回波数据仿真计算方法
CN104462784A (zh) * 2014-11-17 2015-03-25 电子科技大学 一种基于动态分辨熵的传感器优化管理方法
CN104751477A (zh) * 2015-04-17 2015-07-01 薛笑荣 基于空间域和频域特征的并行sar图像分类方法
CN104865562B (zh) * 2015-06-12 2017-05-24 西安电子科技大学 基于混合模型的雷达非合作目标的识别方法
CN109190149B (zh) * 2018-07-20 2023-04-21 北京理工大学 一种基于鸟类电磁散射模型提取振翅频率的仿真验证方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697007A (zh) * 2008-11-28 2010-04-21 北京航空航天大学 一种基于雷达图像的飞鸟目标识别与跟踪方法
CN101694681A (zh) * 2008-11-28 2010-04-14 北京航空航天大学 一种鸟击风险评估系统及其评估方法
CN101865995A (zh) * 2010-05-05 2010-10-20 南京莱斯信息技术股份有限公司 一种机场雷达信号的处理方法
CN101916489A (zh) * 2010-06-24 2010-12-15 北京华安天诚科技有限公司 机场跑道侵入告警服务器、系统和方法
US8730098B1 (en) * 2011-01-05 2014-05-20 The United States Of America As Represented By The Secretary Of The Navy Method for radar detection of persons wearing wires
CN102946528A (zh) * 2012-12-14 2013-02-27 安徽水天信息科技有限公司 基于全景点智能视频监控的机场跑道监控系统
EP2994721B1 (en) * 2013-05-06 2018-11-28 Hydro-Québec Quantitative analysis of signal related measurements for trending and pattern recognition
CN105611244A (zh) * 2015-12-23 2016-05-25 东南大学 一种基于球机监控视频的机场外来异物检测方法
CN106022217A (zh) * 2016-05-09 2016-10-12 中国民航大学 无监督多级分类的民用机场跑道区域检测方法
US10115209B2 (en) * 2016-08-22 2018-10-30 Ulsee Inc. Image target tracking method and system thereof
CN106199555A (zh) * 2016-08-31 2016-12-07 上海鹰觉科技有限公司 一种无人船导航避碰雷达探测方法
CN106597401A (zh) * 2016-11-14 2017-04-26 北京无线电测量研究所 一种弹头目标散射特性分类对比方法及系统
WO2018136947A1 (en) * 2017-01-23 2018-07-26 Ohio University System and method for detection and reporting of targets with data links
CN109239702A (zh) * 2018-10-17 2019-01-18 北京航空航天大学 一种基于目标状态集的机场低空飞鸟数量统计方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Bird strike risk mitigation using avian radar and ADS-B;Chris G. Barione 等;《2018 Integrated Communications, Navigation, Surveillance Conference (ICNS)》;20180614;第1-8页 *
Impact analysis of wind farms on telecommunication services;I. Angulo 等;《Renewable and Sustainable Energy Reviews》;20140430;第84-99页 *
基于雷达图像的飞鸟目标检测与信息提取;陈唯实 等;《系统工程与电子技术》;20080930;第30卷(第9期);第1624-1627页 *
基于雷达识别的鸟情探测研究;王军 等;《第18届全国煤矿自动化与信息化学术会议论文集》;20080901;第238-242页 *
机场防鸟击雷达的研究现状;郑晓霞 等;《成都航空职业技术学院学报》;20151231;第42-44页 *
雷达探鸟技术发展与应用综述;陈唯实 等;《现代雷达》;20170228;第39卷(第2期);第7-17页 *

Also Published As

Publication number Publication date
CN110031816A (zh) 2019-07-19

Similar Documents

Publication Publication Date Title
CN110031816B (zh) 基于探鸟雷达的机场飞行区非合作目标分类识别方法
US8611604B2 (en) Object detection device
CN106546975B (zh) 一种基于雷达数据的轻小型无人机与飞鸟分类识别方法
Nagarani et al. Unmanned Aerial vehicle’s runway landing system with efficient target detection by using morphological fusion for military surveillance system
CN112285733B (zh) 一种城乡规划核实测绘数据处理方法
CN104182985A (zh) 遥感图像变化检测方法
CN107992782B (zh) 基于图像几何特征参量的云降水粒子形状识别方法
CN107895139A (zh) 一种基于多特征融合的sar图像目标识别方法
CN114139373A (zh) 一种面向无人机反制车的多传感器自动协同管理方法
Selvi et al. A deep learning approach to classify drones and birds
CN107247262B (zh) 一种机场跑道异物分层检测方法
CN114019503A (zh) 基于fod检测系统的机场跑道异物检测方法、设备、存储介质
CN111142085A (zh) 一种基于航迹特征提取的外辐射源雷达目标分类识别方法
Patil et al. A survey on joint object detection and pose estimation using monocular vision
CN112396031B (zh) 基于异构运算平台的目标检测方法及系统
Shen et al. Aircraft wake recognition and strength classification based on deep learning
JP2022013152A (ja) 雲高計測装置、計測点決定方法、および雲種類決定方法
CN109117776A (zh) 基于航迹信息的飞机与气象杂波分类识别方法
Tsapparellas et al. Vision-based runway detection and landing for unmanned aerial vehicle enhanced autonomy
CN113537347A (zh) 一种基于航迹运动特征的无人机和飞鸟目标分类方法
US9953238B2 (en) Image processing method and system for extracting distorted circular image elements
CN109993107B (zh) 一种基于非迭代k均值算法的移动机器人障碍物视觉检测方法
CN112327266B (zh) 一种基于多维信息融合的杂波点迹剔除方法
Eaton et al. Image segmentation for automated taxiing of unmanned aircraft
Lu et al. Autonomous vision-based safe area selection algorithm for UAV emergency forced landing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant