| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 41 | 电动智能无人驾驶消防车 | CN202310290763.3 | 2023-03-23 | CN116531697A | 2023-08-04 | 尤玉狮; 刘志勇; 尤俊杰 |
| 本发明属于消防车技术领域，且公开了电动智能无人驾驶消防车，包括车体，所述车体的内部安装有水箱，且车体的底部两端对称安装有驱动电机，所述驱动电机上安装有轮胎，所述车体的内部且位于水箱的旁侧开设有放置柜，所述放置柜的内部顶部安装有信号接收发射器，本发明设置了控制计算单元、驱动电机和声波发射器等，在使用时，由声波发射器发射声波并接收返回声波，并将信号传输给控制计算单元，由控制计算单元计算后对驱动电机发送移动或偏移指令，消防人员可通过手持信号发射器，对车体的行进方向进行大致确定，解决了消防车无法自主跟随消防人员实时移动致使可持续性降低的问题。 | ||||||
| 42 | 一种被动声纳目标的时频分析与跟踪方法 | CN201911051681.3 | 2019-10-31 | CN110716203B | 2023-07-28 | 谢佳文; 刘超; 陈静; 侯晓迁; 崔立丹 |
| 本发明公开一种被动声纳目标的时频分析与跟踪方法，属于水声信号检测技术领域。对每路波束域信号单独进行傅里叶变换；将傅里叶变换后的数据叠加，获得一组频域数据；根据所需频段需求，在傅里叶变换后的数据中选择相应的谱线数据；进行频域时间积累和平滑处理；获得录用目标频谱的跟踪方位，再通过卡尔曼滤波进行跟踪。通过本发明提供的方法能够获得较高分辨率的频谱信息，在跟踪显示上具有更直观的数据，噪声信号的频率信息更加明确，为后续目标识别与判定提供更为有利的数据信息。 | ||||||
| 43 | 一种连续主动声纳目标测距方法 | CN202210565945.2 | 2022-05-19 | CN116299488A | 2023-06-23 | 程垦; 王方勇; 谷新禹 |
| 本发明公开了一种连续主动声纳目标测距方法，方法包括以下步骤：步骤1，获取不同时刻的目标方位角，并采用基于多普勒频移的相对径向速度计算公式计算各时刻的目标相对径向速度；步骤2，选取相邻两时刻的目标方位角和目标相对径向速度，通过速度矢量关系计算得到目标真实相对运动速度；步骤3，将目标真实相对运动速度补偿本船的运动速度，得到目标真实绝对运动速度；步骤4，基于目标真实相对运动速度获取各时刻的目标相对距离。 | ||||||
| 44 | 一种基于斜对称结构的空时自适应检测前跟踪方法 | CN202211591607.2 | 2022-12-12 | CN116243321A | 2023-06-09 | 郝程鹏; 宿晓静; 徐达; 朱东升; 马治勋; 师英杰 |
| 本发明涉及水下低速弱目标检测及跟踪领域，特别涉及一种基于斜对称结构的空时自适应检测前跟踪方法。本发明方法包括：获取声纳系统采集的数据，并建立二元假设检验问题；由混响协方差矩阵的斜对称特性，构造新向量，得到样本协方差矩阵估计值，将二元假设检验问题转换成等价的二元复合假设检验；将数据从复数域变换到实数域，并代入均匀高斯背景下RAO检测器的检测统计量，得到均匀背景下的斜对称RAO的检测统计量，并代入均匀环境下RAO‑DP‑TBD的判别准则，得到斜对称RAO‑TBD‑DP值函数；利用斜对称RAO‑DP‑TBD值函数进行动态迭代寻优，实现对目标的检测和跟踪。本发明能够解决小辅助数据下检测性能不足的问题。 | ||||||
| 45 | 一种基于水声目标倒谱特征的深度学习目标识别方法 | CN202211506714.0 | 2022-11-28 | CN116230007A | 2023-06-06 | 刘宇轩; 陈韶华 |
| 本发明涉及一种基于水声目标倒谱特征的深度学习目标识别方法，用于解决低信噪比时的水面目标与水下目标的识别率低的问题。具体的，从历史数据中提取出不同信噪比下的水面目标与水下目标的原始信号；对原始信号进行预处理；利用目标倒谱提取方法对预处理后的信号进行处理，提取出水面目标与水下目标的倒谱曲线；利用目标正横时刻附近的倒谱特征作为深度学习网络的特征输入对深度学习网络进行训练；利用训练好的深度学习网络完成目标识别。本发明的综合识别率相比传统BP神经网络得到了提高，特别是基于改进LSTM网络模型有了进一步的提高。 | ||||||
| 46 | 一种运动特征辅助的主动声呐小目标实时跟踪方法 | CN202211377779.X | 2022-11-04 | CN116203567A | 2023-06-02 | 韩一娜; 魏卓群; 刘清宇; 宋俊 |
| 本发明涉及一种运动特征辅助的主动声呐小目标实时跟踪方法，首先对主动声呐回波序列进行运动特征提取，获得目标位置量测信息和目标运动特征；再利用目标位置量测信息和目标运动特征估计目标的速度量测信息；然后进行目标状态的预测(如果是跟踪起始时刻或新生成的轨迹则需要进行状态的初始化，如果是现有的轨迹则利用前一时刻估计的状态进行预测)；接下来进行量测关联；最后进行状态更新，并判断是否到达终止时刻，到达则输出跟踪轨迹，未到达则继续下一时刻的状态预测。本发明计算量更少，可以满足实时运动目标检测。在复杂杂波背景且目标存在机动的情况下，能够建立量测和目标的有效对应关系，有效地防止了跟踪精度降低和目标丢失的发生。 | ||||||
| 47 | 一种三维声呐点云环境中的移动物体检测与跟踪方法 | CN201611216488.7 | 2016-12-26 | CN108241150B | 2023-05-30 | 邓小明; 杨硕; 袁野; 郑文勇; 王宏安 |
| 本发明提供一种三维声呐点云环境中的移动物体检测与跟踪方法，其步骤包括：1)从三维声呐设备中获取原始声呐数据D0并对其进行过滤，得到过滤后的数据D1；2)将过滤后的数据D1进行联通区域分析，分割出多个联通区域，其中每个联通区域作为一个候选项C；3)提取候选项C的特征；4)对连续多帧原始声呐数据的每一帧数据进行1)至3)所述的处理，得到候选项集合；5)在上述候选项集合中进行移动物体的检测与跟踪，得到移动物体的运动轨迹。并且当发生多物体轨迹交叉时，对得到的物体的运动轨迹进行基于图方法的分析矫正。本发明方法根据数据的时空信息进行检测跟踪，可以快速实时的检测追踪移动物体，且当多物体交叉运动时也具有很强的鲁棒性。 | ||||||
| 48 | 一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法 | CN202111251248.1 | 2021-10-27 | CN113989327B | 2023-04-07 | 林常见; 王雪松; 程玉虎; 王国庆; 孟振; 周淑燕; 马磊 |
| 本发明公开了一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法，对一段时域内目标观测状态进行采样，利用采样粒子拟合非高斯观测噪声的分布；建立基于卷积神经网络的预测网络描述非线性的声呐观测模型以及目标相对UUV的运动模型，对目标运动状态进行预测；利用卷积层和池化层的组合赋予预测网络一定的不变性，提高预测网络对不确定观测的适应能力。与现有方法相比，本发明可解决非线性非高斯强机动的UUV目标状态估计问题，克服由非高斯观测噪声导致的目标状态估计精度低和稳定性差等问题，摆脱了目标状态估计方法对目标观测时序性的依赖，使得本发明具有根据时序紊乱的目标观测，以高精度和强稳定性估计目标运动状态的能力。 | ||||||
| 49 | 一种基于岸基被动声纳线谱提纯方法及最优路径跟踪算法 | CN202211458815.5 | 2022-11-17 | CN115828552A | 2023-03-21 | 杨鑫 |
| 本发明涉及一种基于岸基被动声纳线谱提纯方法及最优路径跟踪算法，其中的线谱提纯方法采用α双向滤波器对Hough变换输出频谱进行滤波，包括如下步骤：利用抗干扰的稳健自适应波束形成器设计提高信号的信干噪比；从LOFAR谱图更有效的提取线谱信息，采用双向滤波器对Hough变换输出频谱进行滤波；最后分离出了相比后置处理前更加清晰和纯净的线谱信息。而跟踪算法需在完成线谱提纯后，为在LOFAR图上实现线谱的检测与跟踪，就要充分考量到谱线的特征。本发明线谱提纯方法及最优路径跟踪算法，通过分析与提取目标的线谱辐射特性来提升检测能力，在增强的背景均衡处理技术基础上构建基于代价函数决策模型搜索最优路径模型。 | ||||||
| 50 | 一种基于多波束成形的成像声呐与双目相机联合仿真方法 | CN202211158387.4 | 2022-09-22 | CN115561766A | 2023-01-03 | 潘汉; 隋雪琼; 许萌; 武霞; 彭湃; 刘洋; 敬忠良 |
| 本发明公开了一种基于多波束成形的成像声呐与双目相机联合仿真方法，涉及图像领域。设计并构建基于成像声呐与双目相机的水下视频目标跟踪系统；在Gazebo中建立双目相机模型并导入具有移动目标的世界模型文件，通过发布话题的方式利用ROS系统下显示多种数据的三维可视化平台‑Rviz对目标运动进行观测；利用波束级时间序列声呐仿真方法在Gazebo框架下产生真实的相干图像散斑和正确的点扩散函数，并提供实时传感器级光束强度数据和场景渲染；计算水下视频目标在水下双目相机、成像声呐等坐标系下的测量值。本发明可以生成定性真实的图像，并提供水下自主系统所需要的数据，在深海作业、空间机器人等领域具有广泛的应用前景。 | ||||||
| 51 | 一种基于子频段的轨迹交叉目标关联方法 | CN202011402804.6 | 2020-12-04 | CN112684454B | 2022-12-06 | 楼万翔; 冯凯; 孙伟平; 傅仁琦; 侯觉 |
| 本发明公开了一种基于子频段的轨迹交叉目标关联方法，首先将宽带的整个带宽分解成若干个子频段，然后分别对各个子频段进行波束形成处理，然后利用每个目标不同子频段声能量信息和连续谱信息筛选出目标特征子频段，利用特征子频段信息进行目标交叉前后的轨迹关联。本发明的有益效果为：旨在综合利用目标的角度信息、能量信息以及谱特征解决轨迹交叉后目标失跟或者误跟的问题。利用目标的声能量信息和连续谱信息筛选目标的特征子频段，利用特征子频段信息进行交叉跟踪前后的轨迹关联，从而解决多目标跟踪轨迹交叉失跟问题。 | ||||||
| 52 | 物体探测装置 | CN201780066668.8 | 2017-10-10 | CN109891262B | 2022-11-11 | 前田优; 柳川博彦; 松浦充保 |
| 本发明涉及物体探测装置。物体检测装置应用于具备测距传感器(10)和车载相机(20)的车辆，上述测距传感器(10)通过向车辆(50)的周围发送探查波并接收该探查波的反射波来对到该车辆的周围存在的物体的距离进行计测，上述车载相机(20)拍摄上述车辆的周围，上述物体检测装置具备：图像获取部，获取由上述车载相机拍摄到的拍摄图像；判定部，判定基于上述拍摄图像所识别出的图像物体是否包含通过上述测距传感器的反射波的物体探测困难的规定物体；灵敏度控制部，在判定为上述图像物体包含上述规定物体的情况下，增大上述测距传感器对物体探测的灵敏度；以及车辆控制部，以上述规定物体作为对象物体来实施车辆控制。 | ||||||
| 53 | 一种水听器镜像对称弧型阵及其布置方法 | CN201910915132.X | 2019-09-26 | CN110646802B | 2022-08-02 | 聂东虎; 庞桐桐; 乔钢; 周锋; 刘凇佐; 孙宗鑫 |
| 本发明提供的是一种水听器镜像对称弧型阵及其布置方法。步骤一，初始化最大长度和宽度，建立坐标系；步骤二，计算阵元间距；步骤三，令阵列横向孔径等于最大宽度；步骤四,预估阵元数；步骤五：计算单条弧阵的半径和阵列两端之间圆心夹角；步骤六，计算阵列的轴向孔径，如果周向孔径大于最大长度，则阵元数减一，并转到步骤五；步骤七，计算阵元坐标。本发明基于水下机器人可供安装的最大宽度和最大长度，得到一种镜像对称弧阵，适合无人水下机器人搭载。 | ||||||
| 54 | 一种基于YOLO算法的水声被动跟踪多目标的方法 | CN202111661212.0 | 2021-12-30 | CN114706084A | 2022-07-05 | 王茂法; 仇宝春; 薛欢欢; 杨武; 巩超; 钱高峰 |
| 本发明公开了一种基于YOLO算法的水声目标被动跟踪方法，步骤包括：S1、获取多波束LOFAR谱图；S2、通过YOLO神经网络模型对多波束LOFAR谱图进行检测，得到不同目标的频率范围和目标的方位方位中心；S3、确定目标的方位波束指向角和目标的数据关联；S4、通过分裂波束形成，进一步的求出目标的方位波束指向角目标的精确方位角；S5、对目标的精确方位角进行滤波估计，进而进行K时刻目标的状态估计；S6、重复S1‑S6，更新跟踪信息。采用上述技术方案，在同一帧输入数据中识别出多个目标，并输出目标的频率范围和方位范围，能够识别出不同目标的方位；YOLO算法在检测多目标时，给出不同目标的预测概率，可用于数据关联，相较于现有的数据关联方法，其准确度更高。 | ||||||
| 55 | 一种基于水声传感器网络的水下目标多模型跟踪方法 | CN202111653942.6 | 2021-12-30 | CN114415157A | 2022-04-29 | 闫永胜; 韩世华; 王海燕; 申晓红; 张天佑 |
| 本发明提供了一种基于水声传感器网络的水下目标多模型跟踪方法，建立水下三维UASNs‑IMM目标量测模型；将均匀量化后的数据传输到融合中心进行融合；对目标量测模型中的全部子模型的初始状态进行交互运算，并把交互后的值输入到各个子模型对应的滤波器中，得到目标混合状态输入和协方差矩阵；将输入交互运算得到的初始化状态向量及协方差矩阵作为滤波器输入进行条件滤波预测和估计；将获取的子滤波器的新息及其对应协方差矩阵对各预测模型的转移概率进行更新修正；以更新后的模型概率为标准，对当前时刻各个子滤波器输出的状态估计和对应协方差进行加权求和得到融合后的估计状态。本发明具有跟踪范围大、估计精度高的优势。 | ||||||
| 56 | 一种实时生成水声被动跟踪目标数据集的方法及装置 | CN202111605494.2 | 2021-12-25 | CN114325721A | 2022-04-12 | 王茂法; 仇宝春; 薛欢欢; 薛静泽; 徐楚臻 |
| 本发明涉及一种实时生成水声被动跟踪目标数据集的方法以及装置，该方法通过被动声纳阵列接收水声信号，确认被跟踪目标后，持续实时生成被跟踪目标的数据集，具体步骤包括：波束形成；划分频域子带区间；联合检测确认目标；获取单波束子带LOFAR；转换频域数据并累积；生成目标LOFAR谱图；特征矩阵与标签信息组成多维数组存储；重复以上步骤。本发明提出了克服了水声目标被动跟踪过程中生成目标样本单一性不足，容易受到其它目标信号在频域上的污染的缺陷；解决了水声类数据集中样本信息存储复杂的难题。本发明可用于基于深度学习的被动声呐跟踪系统，实时生成被跟踪目标的数据集，用于后续检测和跟踪。 | ||||||
| 57 | 一种利用浮沉载荷装置实现深海扩展跟踪的方法 | CN202011341725.9 | 2020-11-25 | CN112630782B | 2022-04-12 | 杨鑫; 郭超群; 白云; 陆路; 王长宏; 姚鸿博 |
| 本发明涉及水声设备设计与制造技术领域，具体涉及一种利用浮沉载荷装置实现深海扩展跟踪的方法，包括以下步骤：S1、构建一个可移动的水下探测节点；S2、当目标被检测到之后，水听器阵列将被调整为垂直阵列，通过窄波束对准目标；S3、当目标移动出观测区域后，水听器阵列将向水平方向调整，以增加水平空间增益，实现对目标的持续追踪；述水听器阵列的深度和指向，根据环境噪声和目标的距离，将被连续调整，以实现在会聚区内对目标的连续扩展跟踪；优点是兼具隐蔽与机动性，利用深海声学特性对探测性能取得突破性进步。对未来扩大水下目标信息感知范围，对敏感或争议区域实施全覆盖、建立我国水下侦、通、导、测一体化海底观测网具有重要意义。 | ||||||
| 58 | 低空高速飞行目标的声学跟踪方法 | CN201810382317.4 | 2018-04-26 | CN108614268B | 2021-12-07 | 陈昭男; 王磊; 阎肖鹏; 杨东永; 隋鉴 |
| 一种低空高速飞行目标的声学跟踪方法，适用于亚音速低空飞行目标，其步骤是：该方法采用至少三个超短基线声传感器阵来实现，每个超短基线阵由若干个声音传感器组成；在每个超短基线阵中，利用各路声传感器所接收的目标噪声最强点的声压或振速信息对目标噪声入射波方向矢量进行估计，计算任意两个超短基线阵所估计的目标噪声入射波方向矢量的叉乘，即为目标运动轨迹方向向量的估计值；将一个超短基线阵中心作为平面上的一点，计算该超短基线阵对应的目标噪声入射波方向矢量与目标运动轨迹方向向量估计值的叉乘向量，作为平面的法向量，从而建立该超短基线阵对应的平面方程；用这种方法对各个超短基线阵分别建立其对应的平面方程，求解所有平面的交点坐标，该交点即为目标运动轨迹点；利用目标运动轨迹方向向量估计值和目标运动轨迹点，即可实现对目标运动轨迹的估计。 | ||||||
| 59 | 一种基于避碰声纳的水下障碍物分类识别方法 | CN202110572998.2 | 2021-05-25 | CN113281756A | 2021-08-20 | 刘佳; 蒋立军; 逄岩; 许枫 |
| 本发明属于水下目标分类与识别技术领域，具体地说，涉及一种基于避碰声纳的水下障碍物分类识别方法，包括：潜航器驶入某一目标水域后，潜航器上设置的水听器阵列发射多个声信号；每个水下疑似目标在声信号的激发下，产生回波，得到多个水下疑似目标和回波信号；设置在潜航器上的避碰声纳采集到多个回波信号，形成波束域数据；对波束域数据进行处理，获得每个水下疑似目标的回波到达时刻；在预先建立的极坐标系中，获得每个水下疑似目标的位置信息；根据预先设置的跟踪门，对得到的多个水下疑似目标的位置信息进行障碍物跟踪和确认，得到多个有效目标及其对应的位置信息；对多个有效目标进行障碍物分类和识别，完成对水下障碍物的分类和识别。 | ||||||
| 60 | 对枪声定位装置的欺骗干扰方法、系统及终端设备 | CN201910731250.5 | 2019-08-08 | CN110531345B | 2021-08-13 | 王龙; 李书日; 刘臣; 张财谦; 王恒 |
| 本发明适用于电子对抗技术领域，提供了一种对枪声定位装置的欺骗干扰方法、系统及终端设备，该方法包括：实时采集环境噪声，并将所述环境噪声转化为电信号，然后提取所述电信号的特征值，当所述电信号的特征值与预设枪声特征值的相似度达到预设阈值时，输出模拟枪声，使真实枪声淹没在模拟枪声中进而使枪声定位装置无法检测出枪声或者探测到多个虚假枪声位置，从而提高了枪声定位装置对狙击枪声的探测难度，有利于保护己方狙击手不易被探测和识别。 | ||||||
QQ群二维码
意见反馈
意见反馈