特殊环境下道路目标的三维感知对汽车的全天时、全气候自动驾驶具有重要意义,红外双目视觉模仿人眼实现微光/无光等特殊环境下目标的立体感知,目标检测与匹配是双目视觉立体感知的关键技术。针对当前分步实现目标检测与目标匹配的过程冗杂问题,提出了一个可以同步检测与匹配红外目标的深度学习网络——SODMNet(Synchronous Object Detection and Matching Network)。SODMNet融合了目标检测网络和目标匹配模块,以目标检测网络为主要架构,取其分类与回归分支深层特征为目标匹配模块的输入,与特征图相对位置编码拼接后通过卷积网络输出左右图像特征描述子,根据特征描述子之间的欧氏距离得到目标匹配结果,实现双目视觉目标检测与匹配。与此同时,采集并制作了一个包含人、车辆等标注目标的夜间红外双目数据集。实验结果表明,SODMNet在该红外双目数据集上的目标检测精度mAP(Mean Average Precision)提升84.9%以上,同时目标匹配精度AP(Average Precision)达到0.5777。结果证明,SODMNet能够高精度地同步实现红外双目目标检测与匹配。
为提升低空突防作战场景下分布式多输入多输出(Multiple Input and Multiple Output,MIMO)雷达系统的目标检测效能,提出一种合作博弈功率分配(Cooperative Game Power Allocation,CGPA)算法。基于带误差的支援信息建立了低空多径环境下...
详细信息
为提升低空突防作战场景下分布式多输入多输出(Multiple Input and Multiple Output,MIMO)雷达系统的目标检测效能,提出一种合作博弈功率分配(Cooperative Game Power Allocation,CGPA)算法。基于带误差的支援信息建立了低空多径环境下的分布式MIMO雷达信号模型,并推导了基于奈曼皮尔逊准则的检测模型。结合Max-Min准则以信干噪比(Signal to Interference plus Noise Ratio,SINR)为优化模型的效用函数。在此基础上,利用加权方法简化了联盟利益Shapley值的计算,得到满足帕累托最优性和公平性的合作资源分配方案。通过对发射功率资源的细致化管理,有效减小多径效应引起接收信号幅度的参差与衰落。在改善接收信号的稳定性的同时,挖掘并利用多径环境下丰富的散射特性,有效提升了雷达系统的探测效能。仿真实验验证了分布式MIMO雷达系统低空多径目标检测的出色性能,所提功率分配算法能够有效提升系统检测性能,并具有较好的实时性。
暂无评论