雷达原理关于目标检测的论文

1、雷达概念形成于20世纪初。雷达是英文radar的音译，为Radio Detection And Ranging的缩写，意为无线电检测和测距的电子设备。2、其原理是雷达设备的发射机通过天线把电磁波能量射向空间某一方向，处在此方向上的物体反射碰到的电磁波；雷达天线接收此反射波，送至接收设备进行处理，提取有关该物体的某些信息(目标物体至雷达的距离，距离变化率或径向速度、方位、高度等)。3、测量距离实际是测量发射脉冲与回波脉冲之间的时间差，因电磁波以光速传播，据此就能换算成目标的精确距离。 4、测量目标方位是利用天线的尖锐方位波束测量。测量仰角靠窄的仰角波束测量。根据仰角和距离就能计算出目标高度。5、测量速度是雷达根据自身和目标之间有相对运动产生的频率多普勒效应原理。雷达接收到的目标回波频率与雷达发射频率不同，两者的差值称为多普勒频率。从多普勒频率中可提取的主要信息之一是雷达与目标之间的距离变化率。当目标与干扰杂波同时存在于雷达的同一空间分辨单元内时，雷达利用它们之间多普勒频率的不同能从干扰杂波中检测和跟踪目标。6、成子，我回答够精确吧~嘿嘿。（你的12年好友的回答）

发射电磁波对目标进行照射并接收其回波，由此获得目标至电磁波发射点的距离、距离变化率（径向速度）、方位、高度等信息

论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：

问题一：雷达的工作原理是这样的: 雷达所起的作用和眼睛和耳朵相似，当然，它不再是大自然的杰作，同时，它的信息载体是无线电波。 事实上，不论是可见光或是无线电波，在本质上是同一种东西，都是电磁波，在真空中传播的速度都是光速C，差别在于它们各自的频率和波长不同。其原理是雷达设备的发射机通过天线把电磁波能量射向空间某一方向，处在此方向上的物体反射碰到的电磁波；雷达天线接收此反射波，送至接收设备进行处理，提取有关该物体的某些信息（目标物体至雷达的距离，距离变化率或径向速度、方位、高度等）。 测量距离实际是测量发射脉冲与回波脉冲之间的时间差，因电磁波以光速传播，据此就能换算成目标的精确距离。 测量目标方位是利用天线的尖锐方位波束测量。测量仰角靠窄的仰角波束测量。根据仰角和距离就能计算出目标高度。 测量速度是雷达根据自身和目标之间有相对运动产生的频率多普勒效应原理。雷达接收到的目标回波频率与雷达发射频率不同，两者的差值称为多普勒频率。从多普勒频率中可提取的主要信息之一是雷达与目标之间的距离变化率。当目标与干扰杂波同时存在于雷达的同一空间分辨单元内时，雷达利用它们之间多普勒频率的不同能从干扰杂波中检测和跟踪目标。 问题二：雷达的工作原理是什么 雷达发射信号后，遇到物体会返回，雷达接受的的回波信号包含了目标的距离信息和速度信息，甚至根据雷达发射波束还可以计算出目标的角度，楼主可以看看雷达原理的数，理解下雷达方程就可以了 问题三：雷达的工作原理是什么？ 看了几个回答，都不够全面。 主动雷达依靠自身定向辐射电磁波，接收目标反射回波进行探测，获取目标的方位、距离等信息，还可以通过回波中的多普勒频移，解算出目标的径向速度等信息。被动雷达的工作方式有两种：一、依靠第三方辐射源对目标发射电磁波，接收回波信号，获取目标信息。二、接收目标辐射的电磁波，从而获取目标方位信息。方式一可以理解为雷达组网；方式二近似于电子侦察。 相对来说，主动雷达在信息的获取上自主性更强，依靠自身获得的目标信息也更全面，但也容易暴露自己。被动雷达隐蔽性更好，即使是采用方式一，暴露的也是第三方辐射源。但依靠雷达本身只能得到目标的方位信息，如果想进一步获取目标的距离信息需要与第三方协同，或者单部雷达通过机动在不同位置进行目标方位测量，解算出目标距离，而且这样的探测是难以保证目标精度的。 在舰艇领域，被动雷达一般采用方式二。因为在另一艘舰船上再配置一套辐射源来进行方式一的被动探测，显得有些多余。抛开组网反隐身的特殊要求，还不如配置一套主动雷达方便。方式二的被动雷达在舰船上往往用于无源超视距探测：接收视距外目标通过大气层折射的电磁波进行探测。主动雷达的特定波段也具有超视距探测能力，海面水蒸气会形成大气波导效应，供主动雷达的电磁波进行超视距探测，但由于海面上的水蒸气层厚度有限，这一类雷达的架设高度需控制在水蒸气层厚度以内。 来自：求助得到的回答 查看原帖>> 问题四：网络雷达的工作原理 无线宽带用户在上网时，会有大量无线信号向周边扩散、辐射。这部分信号非常弱，常规无线网卡根本无法接收，而网络雷达是一款大功率信号接收器，接收功率达到1000MW，并能自动搜索收集周边的网络信号，而且接收能力非常强。假如安装网络雷达的电脑东边、西边和南边都有人使用宽带上网，网络雷达能够同时接收到这三路信号，并且整合到该电脑上，三条通道同时传输，这就是所谓的多通道传输。传输速度足以上网冲浪、看电影、看电视、打游戏、下载东西，随心所欲。 ●贵州省通管局：销售和使用网络雷达属违法行为“破解密码，盗取别人网络是违法行为。”贵州省通信管理局市场监管处相关负责人告诉记者，网络雷达损害了其他用户的合法权益，同时，上网过程中对信息安全也造成隐患。这样的行为是一种黑客行为，违反了《中华人民共和国电信条例》，是一种攻击网络，扰乱电信市场秩序的违法行为。根据国家相关法律法规，监管部门将予以处罚，情节严重构成犯罪的将追究刑事责任。同时，该负责人提醒，网络用户在使用网络时一定要对网络加密，以保障自身的信息网络安全。销售和使用网络雷达设备和破解软件等都是违法行为，希望市民不要轻易购买、使用。 问题五：雷达的工作原理 向空中发出电磁波，电磁波传递过程中遇到障碍物(比如飞机)时，电磁波就被反射会来，通过对比发出和接收回来的电磁波，找到飞机，并确定飞机的方位，离雷达的距离，速度等 问题六：相控阵雷达的基本工作原理是什么? 摘自百度百科等网页： 我们知道，蜻蜓的每只眼睛由许许多多个小眼组成，每个小眼都能成完整的像，这样就使得蜻蜓所看到的范围要比人眼大得多。与此类似，相控阵雷达的天线阵面也由许多个辐射单元和接收单元（称为阵元）组成，单元数目和雷达的功能有关，可以从几百个到几万个。这些单元有规则地排列在平面上，构成阵列天线。利用电磁波相干原理，通过计算机控制馈往各辐射单元电流的相位，就可以改变波束的方向进行扫描，故称为电扫描。辐射单元把接收到的回波信号送入主机，完成雷达对目标的搜索、跟踪和测量。每个天线单元除了有天线振子之外，还有移相器等必须的器件。不同的振子通过移相器可以被馈入不同的相位的电流，从而在空间辐射出不同方向性的波束。天线的单元数目越多，则波束在空间可能的方位就越多。这种雷达的工作基础是相位可控的阵列天线，“相控阵”由此得名。 美国NMD系统的陆基相控阵雷达 相位控制可采用相位法、实时法、频率法和电子馈电开关法。在一维上排列若干辐射单元即为线阵，在两维上排列若干辐射单元称为平面阵。辐射单元也可以排列在曲线上或曲面上．这种天线称为共形阵天线。共形阵天线可以克服线阵和平面阵扫描角小的缺点，能以一部天线实现全空域电扫。通常的共形阵天线有环形阵、圆面阵、圆锥面阵、圆柱面阵、半球面阵等。综上所述，相控阵雷达因其天线为相控阵型而得名。 例如，美国装备的“铺路爪”相控阵预警雷达在固定不动的圆形天线阵上，排列着15360个能发射电磁波的辐射器和2000个不发射电磁波的辐射器。这15360个辐射器分成96组，与其他不发射电磁波的辐射器搭配起来。这样，每组由各自的发射机供给电能，也由各自的接收机来接收自己的回波。所以，它实际上是96部雷达的组合体。如果我们把通常的雷达称作“个体户”，那么相控阵雷达就相当于一个“合作社”了。