自动目标识别

编辑
本词条由“匿名用户” 建档。

自动目标识别别(ATR)是算法或设备根据从传感器获得的数据识别目标或其他对象的能力。 目标识别最初是通过使用接收信号的声音表示来完成的,训练有素的操作员会破译该声音以对雷达照射的目标进行分类。虽然这些训练有素的操作员取得了成功,但已经开发并继续开发自动化方法,以提高分类的准确性和速度。ATR可用于识别人造物体,例如地面和空中交通工具,以及生物目标,例如动物、人类和杂乱植物。这对于从识别战场上的物体...

自动目标识别

编辑

自动目标识别别 (ATR) 是算法或设备根据从传感器获得的数据识别目标或其他对象的能力

目标识别最初是通过使用接收信号的声音表示来完成的,训练有素的操作员会破译该声音以对雷达照射的目标进行分类。 虽然这些训练有素的操作员取得了成功,但已经开发并继续开发自动化方法,以提高分类的准确性和速度。 ATR 可用于识别人造物体,例如地面和空中交通工具,以及生物目标,例如动物、人类和杂乱植物。 这对于从识别战场上的物体到过滤掉多普勒天气雷达上大群鸟类造成的干扰等方方面面都非常有用。

可能的军事应用包括一个简单的识别系统,例如 IFF 应答器,并用于其他应用,例如无人驾驶飞行器和巡航导弹。 越来越多的人对在国内应用中使用 ATR 表现出兴趣。 已经对使用 ATR 进行边境安全、安全系统识别地铁轨道上的物体或人员、自动车辆等进行了研究。

概念

编辑

历史

目标识别的历史几乎与雷达一样长。 雷达操作员将通过反射信号接收到的音频表示来识别敌方轰炸机和战斗机(参见二战中的雷达)。

多年来,目标识别都是通过向操作员播放基带信号来完成的。 收听此信号,训练有素的雷达操作员可以识别有关被照目标的各种信息,例如车辆类型、目标大小,甚至可以区分生物目标。 但是,这种方法有很多限制。 操作员必须针对每个目标的声音进行培训,如果目标高速行驶,则可能听不见,而且人为决策因素会导致出错的可能性很高。 然而,这种以可听方式表示信号的想法确实为目标的自动分类提供了基础。 已开发的几种分类方案使用基带信号的特征,这些特征已用于其他音频应用(例如语音识别)。

概览

微多普勒效应

雷达通过计算发射信号从该信号照射的目标返回所需的时间来确定物体的距离。 当这个物体不静止时,它会导致频率偏移,称为多普勒效应。 除了整个物体的平移运动之外,物体的振动或旋转也会引起额外的频率偏移。 当发生这种情况时,多普勒频移信号将被调制。 这种导致信号调制的额外多普勒效应称为微多普勒效应。 这种调制可以具有特定的模式或特征,这将允许为 ATR 开发算法。 微多普勒效应将根据目标的运动随时间变化,从而导致时间和频率变化的信号。

时频分析

该信号的傅里叶变换分析是不够的,因为傅里叶变换不能解释时变分量。 获得频率和时间函数的最简单方法是使用短时傅立叶变换 (STFT)。 然而,可以使用 Gabor 变换或 Wigner 分布函数 (WVD) 等更稳健的方法来提供频域和时域的同时表示。 然而,在所有这些方法中,都会在频率分辨率和时间分辨率之间进行权衡。

检测

一旦提取了该光谱信息,就可以将其与现有数据库进行比较,该数据库包含有关系统将识别的目标的信息,并且可以决定被照亮的目标是什么。 这是通过对接收到的信号建模,然后使用xxx似然 (ML)、多数表决 (MV) 或xxx后验概率 (MAP) 等统计估计方法来决定库中的哪个目标最适合使用构建的模型来完成的 接收到的信号。

自动目标识别

方法

编辑

特征提取

已经完成的研究采用语音识别中使用的音频特征来构建自动目标识别系统,该系统将根据这些音频启发系数识别目标。 这些系数包括

  • 线性预测编码 (LPC) 系数
  • 倒谱线性预测编码 (LPCC) 系数
  • 梅尔频率倒谱系数 (MFCC)。

处理基带信号以获得这些系数,然后使用统计过程来确定数据库中的哪个目标与系数最相似。

内容由匿名用户提供,本内容不代表vibaike.com立场,内容投诉举报请联系vibaike.com客服。如若转载,请注明出处:https://vibaike.com/220255/

(7)
词条目录
  1. 自动目标识别
  2. 概念
  3. 历史
  4. 概览
  5. 微多普勒效应
  6. 时频分析
  7. 检测
  8. 方法
  9. 特征提取

轻触这里

关闭目录

目录