排序方式: 共有45条查询结果,搜索用时 31 毫秒
1.
为提高雷达旋翼无人机的识别效果,本文提出一种基于多域特征融合的旋翼无人机分类方法。首先利用K波段连续波(Continuous Wave,CW)雷达观测多旋翼无人机,对采集到的雷达回波信号进行信号处理依次得到时频图、节奏速度图(Cadence?Velocity Diagram, CVD)和节奏频谱图(Cadence Frequency Spectrum,CFS),然后将时频图和CVD图分别输入SqueezeNet网络,CFS数据输入一维卷积神经网络(1?D?CNN)提取回波信号在时频域、节奏速度域和节奏频率域的特征,最后将特征融合输入支持向量机(Support Vector Machine, SVM)进行分类。实测雷达数据处理的结果表明基于多域特征融合的旋翼无人机分类识别方法对三类旋翼无人机的分类准确率达到99.14%。 相似文献
2.
3.
为了提高对手势动作的分类能力,该文提出一种基于双通道卷积神经网络(CNN)的调频连续波(FMCW)雷达手势识别方法。首先利用具有一个发射天线两个接收天线的FMCW雷达对不同手势动作进行探测并收集到回波数据,之后对每个接收通道的回波数据进行预处理分别得到距离时间图、距离多普勒图与微多普勒时频谱图,然后将每个动作对应的三种彩色RGB图像进行堆叠。最后将堆叠后的彩色RGB图像输入到双通道CNN中进行手势特征提取和特征融合。实测数据处理结果表明所提基于双通道CNN手势识别方法对设计的八种手势动作的分类平均正确率为97.52%,与传统的单通道CNN相比有效地提高了对手势动作的分类能力。 相似文献
4.
5.
6.
7.
8.
9.
10.
为了解决依靠光学传感器进行手势识别对外部环境依赖较大的问题,提出了一种基于连续波(Continuous Wave,CW)雷达的手势识别方法,并建立了4种手势动作的回波数据库.首先,对CW雷达回波进行短时傅里叶变换(Short-Time Fourier Transform,STFT)获取手势动作的时频谱;然后,通过设立阈值将时频谱中的背景杂波去除;接下来,对处理后的时频谱提取方向梯度直方图(Histogram of Oriented Gradient,HOG)特征;最后,采用支持向量机(Support Vector Machine,SVM)作为分类器,以HOG特征作为输入进行手势识别.实验结果表明,所提方法在普通室内环境下的识别精度超过95%,能够对典型的手势动作进行有效识别. 相似文献