简介：在超宽带穿墙雷达成像领域，交叉极化雷达能有效识别建筑物角散射中心，而交叉极化接收到的回波信号较弱，成像中的耦合信号得到增强，角散射信号不易识别。对此提出一种基于方位散射熵的建筑物特征提取方法。该方法首先利用散射体交叉极化相关性对交叉极化成像结果进行加权提取角散射中心，然后通过方位散射熵滤除墙体杂波影响、增强墙角散射幅度，最后使用循环迭代的中心定位算法得到精确的墙角散射中心。仿真和实验数据结果表明，该方法通过角散射体的极化特性和方位角属性可以准确地提取建筑物角散射中心。

简介：在穿墙雷达建筑物布局成像中，针对现有成像算法因没有充分利用墙体本身的物理特性而出现墙体轮廓模糊、边缘不连贯以及成像过程耗时的问题，提出一种基于优化最小化框架的墙体成像算法。该算法首先利用像素块来表征墙体连续块状的物理特性,并将其引入信号模型，然后以LASSO（LeastAbsoluteShrinkageandSelectionOperator）模型为基础，在优化最小化框架下构造稳健的优化目标函数，最后利用墙体回波信号的时移特性并结合卷积得到迭代过程的快速实现。实验结果表明，该算法对墙体成像特征明显，不仅保证了墙体轮廓特性，而且杂波少、分辨率高，并较大幅度减小了成像算法处理时间。

简介：针对传统道路障碍物检测算法准确性和鲁棒性不强等问题,本文提出一种基于卷积神经网络的道路障碍物检测算法。该算法首先对车载图像预处理生成障碍物候选区域,再将障碍物候选区域输入到改进的卷积神经网络中,进行精确识别和剔除,区分道路障碍物和非障碍物。改进的卷积神经网络在原有网络的基础上,调整了卷积核的大小和个数、池化层的空间尺寸和神经网络的深度,并且在卷积层后选择性的加入池化层,提高障碍物的识别率。在不同场景中进行了测试,实验结果表明：本文提出的道路障碍物检测算法有效的提高了障碍物的识别率,识别率达到98.2%,并且拥有较高的鲁棒性。