CN109669168A - 一种基于深度学习的雷达虚警剔除方法 - Google Patents
一种基于深度学习的雷达虚警剔除方法 Download PDFInfo
- Publication number
- CN109669168A CN109669168A CN201910052943.1A CN201910052943A CN109669168A CN 109669168 A CN109669168 A CN 109669168A CN 201910052943 A CN201910052943 A CN 201910052943A CN 109669168 A CN109669168 A CN 109669168A
- Authority
- CN
- China
- Prior art keywords
- track
- false alarm
- plot
- neighborhood
- roi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 230000008030 elimination Effects 0.000 title claims abstract 4
- 238000003379 elimination reaction Methods 0.000 title claims abstract 4
- 238000003909 pattern recognition Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 66
- 238000004364 calculation method Methods 0.000 claims description 22
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000009833 condensation Methods 0.000 claims description 6
- 230000005494 condensation Effects 0.000 claims description 6
- 241000287196 Asthenes Species 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
- G01S7/4004—Means for monitoring or calibrating of parts of a radar system
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的雷达虚警剔除方法，包括如下步骤：a、将疑似目标区域周围领域划分为若干个小格；b、对每个邻域小格，分别提取其灰度类特征及纹理类特征，组成其邻域描述特征；c、从而计算出当前目标疑似区域的邻域相似性；d、对目标疑似区域进行判断，判为疑似目标的ROI保留，判断为虚警的ROI进入步骤e再次判断；e、对步骤d中判断为虚警的ROI进行点迹级虚警概率计算和航迹级虚警概率计算，能够形成航迹的即为疑似目标的ROI，不能形成航迹的即为最终虚警的ROI；g、将步骤d和步骤e中的疑似目标的ROI，用基于ROI表面特征结合基于模式识别的分类方法进行进一步确认，得到最终真实的目标。
Description
技术领域
本发明涉及雷达检测技术领域，特别是一种基于深度学习的雷达虚警剔除方法。
背景技术
雷达在低慢小的地方虚警问题是一个主要的，不容易解决的问题。例如无人机监控，无人机是典型的低慢小场景的应用。在这种场景下，背景的复杂可以直接导致虚警问题严重，比如树叶的摇动都可能使得雷达把其当成无人机。
发明内容
为解决现有技术中存在的问题，本发明提供了一种基于深度学习的雷达虚警剔除方法。
本发明采用的技术方案是：
一种基于深度学习的雷达虚警剔除方法，包括如下步骤：
a、取出目标候选区域检测阶段所获得的疑似目标区域及其周围邻域，将疑似目标区域周围领域划分为若干个小格，为特征提取做准备；
b、对每个邻域小格，分别提取其灰度类特征及纹理类特征，组成其邻域描述特征；
c、对每个邻域小格提取得到的邻域描述特征，判断每个邻域小格在每一种类型特征下是否是相对于其它周围邻域格奇异的小格，并将这些奇异性累计，从而计算出当前目标疑似区域的邻域相似性；
d、对目标疑似区域进行判断，判为疑似目标的ROI保留，判断为虚警的ROI进入步骤e再次判断；
e、对步骤d中判断为虚警的ROI进行点迹级虚警概率计算和航迹级虚警概率计算，设定航迹级虚警概率并反推点迹级虚警概率，根据点迹级虚警概率反推检测级虚警概率，计算检测门限，利用该门限进行CFAR检测，按照点迹级虚警概率计算中点迹凝聚过程进行点迹凝聚处理，得到点迹数据，按照航迹级虚警概率计算中的目标建航逻辑准则建立航迹，能够形成航迹的即为疑似目标的ROI，不能形成航迹的即为最终虚警的ROI；
g、将步骤d和步骤e中的疑似目标的ROI，用基于ROI表面特征结合基于模式识别的分类方法进行进一步确认，得到最终真实的目标。
优选地，所述步骤c具体包括如下步骤：
c1、对于邻域小格Ik的第i个给定的特征Fi，按照以下规则来判定邻域小格Ik是否为相对于其它剩余周围邻域区域奇异的格：
其中：N表示邻域小格的数量；表示除了邻域小格Ik外的其它剩余小格所提取的第i类特征Fi的平均值；DifFlag(i,k)表示在考虑特征类型Fi的情况下Ik是否为奇异块，DifFlag(i,k)＝0是当前小格Ik在第i类特征下表现出奇异的特性的标志，DifFlag(i,k)＝1表示当前小格Ik在第i类特征下表现出与其它邻域小格相似的特性，TFlag是标志判决的门限；
c2、给定一个等判别的疑似疑似目标ROI，考虑其所有的邻域小格及所有的特征类型，计算邻域相似性，邻域相似性定义如下：
优选地，所述步骤a具体包括如下步骤：
a1、截取出目标候选区域检测阶段所获得目标ROI周围的邻域，其中，目标ROI为包含疑似目标的方形区域，ROI周围的邻域为环绕目标ROI周围的环状区域；
a2、将获得的疑似目标ROI周围邻域均匀地划分为若干个方形小格I1，I2，…，IN，每个小格与疑似目标ROI的尺寸相同；
优选地，所述步骤b中邻域描述特征包括2维灰度类特征和4维纹理类特征，具体包括如下步骤：
针对步骤a中划分得到的邻域小格，对每个小格分别提取其灰度类及纹理类的特征；令F1(Ik)，F2(Ik)，…，FM(Ik)表示从第k个邻域小格Ik中对应提取的特征，其中，M为特征的数目，灰度类特征F1(Ik)，F2(Ik)分别表示小格Ik的灰度均值及标准差；
计算邻域小格Ik的灰度共生矩阵，提取它的4个派生参数，分别是对比特征F3(Ik)，相关特征F4(Ik)，能量特征F5(Ik)，同质性F6(Ik)；
至此，每个邻域小格可以得到2维灰度类特征和4维纹理类特征，共6维邻域描述特征。
优选地，所述步骤d具体包括如下步骤：
在获得邻域相似性Similarity后，判断Similarity是否≥Taccept，如是，则表示给定疑似目标ROI的的邻域在灰度及纹理特性上具有较高的相似性，这个疑似目标ROI将被保留进行后续表面特征确认的进一步分析；如否，则判定为虚警ROI进行剔除；其中，Taccept为接受门限，且值为0.8，TFlag的值为2。
优选地，所述步骤g具体包括如下步骤：
g1、对步骤d和步骤e中的疑似目标的ROI采用尺度不变特征变换技术描述疑似目标的ROI的特性，按标准SIFT算法获得128维的特征向量VSIFT；
g2、对VSIFT采用基于RBF核的支持向量机进行分类，最后鉴别出真实目标和虚警。
优选地，所述步骤g具体包括如下步骤：
g1、设两坐标雷达距离向分辨力为Rres，距离采样单元大小为ΔR；距离向采用Mr/Nr准则检测，其中如果Nr≤3，取Nr＝3， 表示向上取整运算，表示向下取取整运算；设CFAR检测后的检测级虚警概率为Pfa_CFAR，则在一个距离分辨单元内，距离检测后虚警概率为点迹凝聚时以分辨单元划设网格，设方位向天线波束3dB主瓣宽度为φ3dB，在一个方位分辨单元Φ3dB内有Na个相关脉冲，方位向采用Ma/Na准则检测，其中，如果一个分辨单元内的Na个脉冲数据中有≥Ma个脉冲满足距离检测准则，则满足方位检测准则，凝聚形成点迹；即经过距离和方位检测后，对于第一个分辨单元，点迹级虚警概率为
g2、设点迹-航迹关联波门为扇形波门，最大为Rass×θass，其中，Rass为关联波门距离范围大小，θass为关联波门方位范围大小，计算关联波门内分辨单元个数为则每个数据周期关联波门内出现虚假点迹的概率为设自动建航按照M/N逻辑准则进行，以任意一个分辨单元的虚假点迹为航迹起始结点，采用状态转移法计算在连续K个周期内形成一条虚假航迹的概率为Pfa_tr_one，设探测区域可以划分为Nres_all个分辨单元，则在连续K个周期内形成Ntrack条虚假航迹的概率为
g3、设定自动建航在K个周期内形成Ntrack条虚假航迹的概率为PFA_track，则根据步骤g2的计算过程反推此时的点迹级虚警概率；采用基于二分法搜索逼近的方式，计算对应的点迹级虚警概率PFA_plot；
g4、采用基于二分法搜索逼近的方式，计算对应的检测级虚警概率PFA_CFAR；
g5、将PFA_CFAR代入检测门限计算公式中，得到最终的检测门限为VT＝其中，为噪声均值，利用该门限进行CFAR检测，按照步骤g1中的点迹凝聚过程进行点迹凝聚处理，得到点迹数据；按照步骤g2中的目标建航逻辑准则建立航迹，能够形成航迹的即为目标，完成最终的真实目标检测。
优选地，所述步骤g3和步骤g4中点迹级虚警概率和检测级虚警概率采用二分法反推，过程如下：
s1、设定搜索逼近阈值ΔPfa_track＝PFA_track×10-3；
s2、设定点迹级虚警概率两个搜索初始值Pfa_plot_1和Pfa_plot_2，分别按照步骤g2计算航迹级虚警概率Pfa_plot_1和Pfa_plot_2，使Pfa_plot_1V<PFA_track，Pfa_plot_2V>PFA_track；
s3、令Pfa_plot_3＝(Pfa_plot_1+Pfa_plot_2)/2，按照步骤g2计算航迹级虚警概率Pfa_track_3；
s4、若Pfa_track_3>PFA_track，令Pfa_plot_4＝(Pfa_plot_1+Pfa_plot_3)/2，按照步骤g2计算航迹级虚警概率Pfa_track_4；若Pfa_track_4>PFA_track，令Pfa_plot_5＝(Pfa_plot_1+Pfa_plot_4)/2，按照步骤g2计算航迹级虚警概率Pfa_track_5；若Pfa_track_4<PFA_track，令Pfa_plot_5＝(Pfa_plot_3+Pfa_plot_4)/2，按照步骤g2计算航迹级虚警概率Pfa_track_5，依次类推；
s5、若Pfa_track_3<PFA_track，令Pfa_plot_4＝(Pfa_plot_2+Pfa_plot_3)/2，按照步骤g2计算航迹级虚警概率Pfa_track_4；若Pfa_track_4>PFA_track，令Pfa_plot_5＝(Pfa_plot_3+Pfa_plot_4)/2，按照步骤g2计算航迹级虚警概率Pfa_track_5；若Pfa_track_4<PFA_track，令Pfa_plot_5＝(Pfa_plot_2+Pfa_plot_4)/2，按照步骤g2计算航迹级虚警概率Pfa_track_5，依次类推；
s6、按照s4和s5的原理依次类推计算，直至根据Pfa_plot_i计算得到的Pfa_track_i满足|Pfa_track_i-PFA_track|≤ΔPfa_track，则由航迹级虚警概率反推得到的点迹级虚警概率为PFA_plot＝Pfa_plot_i。
本发明的有益效果是：采用多级虚警剔除方法，大大提高了探测精度，在保持漏警率不变的情况下，大大降低虚警率，解决了雷达在低慢小的地方虚警问题，即使背景复杂也能明显降低虚警率，在不改变现有信息处理架构和处理方式的前提下，逐级推导虚警概率，并由设定的航迹级虚警概率反推计算最终的检测门限，在提高低信噪比目标检测概率的同时，控制航迹级虚警概率在设定范围，且不需要重新设计检测算法，在设定航迹级虚警概率后，只需要反推计算一次检测门限，没有额外的计算耗时，即使背景复杂也有很高的检测效率。
具体实施方式
下面对本发明的实施例进行详细说明。
实施例1
一种基于深度学习的雷达虚警剔除方法，包括如下步骤：
a、取出目标候选区域检测阶段所获得的疑似目标区域及其周围邻域，将疑似目标区域周围领域划分为若干个小格，为特征提取做准备；
b、对每个邻域小格，分别提取其灰度类特征及纹理类特征，组成其邻域描述特征；
c、对每个邻域小格提取得到的邻域描述特征，判断每个邻域小格在每一种类型特征下是否是相对于其它周围邻域格奇异的小格，并将这些奇异性累计，从而计算出当前目标疑似区域的邻域相似性；
d、对目标疑似区域进行判断，判为疑似目标的ROI保留，判断为虚警的ROI进入步骤e再次判断；
e、对步骤d中判断为虚警的ROI进行点迹级虚警概率计算和航迹级虚警概率计算，设定航迹级虚警概率并反推点迹级虚警概率，根据点迹级虚警概率反推检测级虚警概率，计算检测门限，利用该门限进行CFAR检测，按照点迹级虚警概率计算中点迹凝聚过程进行点迹凝聚处理，得到点迹数据，按照航迹级虚警概率计算中的目标建航逻辑准则建立航迹，能够形成航迹的即为疑似目标的ROI，不能形成航迹的即为最终虚警的ROI；
g、将步骤d和步骤e中的疑似目标的ROI，用基于ROI表面特征结合基于模式识别的分类方法进行进一步确认，得到最终真实的目标。
实施例2
本实施例在实施例1的基础上，所述步骤c具体包括如下步骤：
c1、对于邻域小格Ik的第i个给定的特征Fi，按照以下规则来判定邻域小格Ik是否为相对于其它剩余周围邻域区域奇异的格：
其中：N表示邻域小格的数量；表示除了邻域小格Ik外的其它剩余小格所提取的第i类特征Fi的平均值；DifFlag(i,k)表示在考虑特征类型Fi的情况下Ik是否为奇异块，DifFlag(i,k)＝0是当前小格Ik在第i类特征下表现出奇异的特性的标志，DifFlag(i,k)＝1表示当前小格Ik在第i类特征下表现出与其它邻域小格相似的特性，TFlag是标志判决的门限；
c2、给定一个等判别的疑似疑似目标ROI，考虑其所有的邻域小格及所有的特征类型，计算邻域相似性，邻域相似性定义如下：
实施例3
本实施例在实施例2的基础上，所述步骤a具体包括如下步骤：
a1、截取出目标候选区域检测阶段所获得目标ROI周围的邻域，其中，目标ROI为包含疑似目标的方形区域，ROI周围的邻域为环绕目标ROI周围的环状区域；
a2、将获得的疑似目标ROI周围邻域均匀地划分为若干个方形小格I1，I2，…，IN，每个小格与疑似目标ROI的尺寸相同；
实施例4
本实施例在实施例3的基础上，所述步骤b中邻域描述特征包括2维灰度类特征和4维纹理类特征，具体包括如下步骤：
针对步骤a中划分得到的邻域小格，对每个小格分别提取其灰度类及纹理类的特征；令F1(Ik)，F2(Ik)，…，FM(Ik)表示从第k个邻域小格Ik中对应提取的特征，其中，M为特征的数目，灰度类特征F1(Ik)，F2(Ik)分别表示小格Ik的灰度均值及标准差；
计算邻域小格Ik的灰度共生矩阵，提取它的4个派生参数，分别是对比特征F3(Ik)，相关特征F4(Ik)，能量特征F5(Ik)，同质性F6(Ik)；
至此，每个邻域小格可以得到2维灰度类特征和4维纹理类特征，共6维邻域描述特征。
实施例5
本实施例在实施例4的基础上，所述步骤d具体包括如下步骤：
在获得邻域相似性Similarity后，判断Similarity是否≥Taccept，如是，则表示给定疑似目标ROI的的邻域在灰度及纹理特性上具有较高的相似性，这个疑似目标ROI将被保留进行后续表面特征确认的进一步分析；如否，则判定为虚警ROI进行剔除；其中，Taccept为接受门限，且值为0.8，TFlag的值为2。
实施例6
本实施例在实施例5的基础上，所述步骤g具体包括如下步骤：
g1、对步骤d和步骤e中的疑似目标的ROI采用尺度不变特征变换技术描述疑似目标的ROI的特性，按标准SIFT算法获得128维的特征向量VSIFT；
g2、对VSIFT采用基于RBF核的支持向量机进行分类，最后鉴别出真实目标和虚警。
实施例7
本实施例在实施例6的基础上，所述步骤g具体包括如下步骤：
g1、设两坐标雷达距离向分辨力为Rres，距离采样单元大小为ΔR；距离向采用Mr/Nr准则检测，其中如果Nr≤3，取Nr＝3，Mr＝ 表示向上取整运算，表示向下取取整运算；设CFAR检测后的检测级虚警概率为Pfa_CFAR，则在一个距离分辨单元内，距离检测后虚警概率为点迹凝聚时以分辨单元划设网格，设方位向天线波束3dB主瓣宽度为φ3dB，在一个方位分辨单元Φ3dB内有Na个相关脉冲，方位向采用Ma/Na准则检测，其中，如果一个分辨单元内的Na个脉冲数据中有≥Ma个脉冲满足距离检测准则，则满足方位检测准则，凝聚形成点迹；即经过距离和方位检测后，对于第一个分辨单元，点迹级虚警概率为
g2、设点迹-航迹关联波门为扇形波门，最大为Rass×θass，其中，Rass为关联波门距离范围大小，θass为关联波门方位范围大小，计算关联波门内分辨单元个数为则每个数据周期关联波门内出现虚假点迹的概率为设自动建航按照M/N逻辑准则进行，以任意一个分辨单元的虚假点迹为航迹起始结点，采用状态转移法计算在连续K个周期内形成一条虚假航迹的概率为Pfa_tr_one，设探测区域可以划分为Nres_all个分辨单元，则在连续K个周期内形成Ntrack条虚假航迹的概率为
g3、设定自动建航在K个周期内形成Ntrack条虚假航迹的概率为PFA_track，则根据步骤g2的计算过程反推此时的点迹级虚警概率；采用基于二分法搜索逼近的方式，计算对应的点迹级虚警概率PFA_plot；
g4、采用基于二分法搜索逼近的方式，计算对应的检测级虚警概率PFA_CFAR；
g5、将PFA_CFAR代入检测门限计算公式中，得到最终的检测门限为 其中，为噪声均值，利用该门限进行CFAR检测，按照步骤g1中的点迹凝聚过程进行点迹凝聚处理，得到点迹数据；按照步骤g2中的目标建航逻辑准则建立航迹，能够形成航迹的即为目标，完成最终的真实目标检测。
实施例8
本实施例在实施例7的基础上，所述步骤g3和步骤g4中点迹级虚警概率和检测级虚警概率采用二分法反推，过程如下：
s1、设定搜索逼近阈值ΔPfa_track＝PFA_track×10-3；
s2、设定点迹级虚警概率两个搜索初始值Pfa_plot_1和Pfa_plot_2，分别按照步骤g2计算航迹级虚警概率Pfa_plot_1和Pfa_plot_2，使Pfa_plot_1V<PFA_track，Pfa_plot_2V>PFA_track；
s3、令Pfa_plot_3＝(Pfa_plot_1+Pfa_plot_2)/2，按照步骤g2计算航迹级虚警概率Pfa_track_3；
s4、若Pfa_track_3>PFA_track，令Pfa_plot_4＝(Pfa_plot_1+Pfa_plot_3)/2，按照步骤g2计算航迹级虚警概率Pfa_track_4；若Pfa_track_4>PFA_track，令Pfa_plot_5＝(Pfa_plot_1+Pfa_plot_4)/2，按照步骤g2计算航迹级虚警概率Pfa_track_5；若Pfa_track_4<PFA_track，令Pfa_plot_5＝(Pfa_plot_3+Pfa_plot_4)/2，按照步骤g2计算航迹级虚警概率Pfa_track_5，依次类推；
s5、若Pfa_track_3<PFA_track，令Pfa_plot_4＝(Pfa_plot_2+Pfa_plot_3)/2，按照步骤g2计算航迹级虚警概率Pfa_track_4；若Pfa_track_4>PFA_track，令Pfa_plot_5＝(Pfa_plot_3+Pfa_plot_4)/2，按照步骤g2计算航迹级虚警概率Pfa_track_5；若Pfa_track_4<PFA_track，令Pfa_plot_5＝(Pfa_plot_2+Pfa_plot_4)/2，按照步骤g2计算航迹级虚警概率Pfa_track_5，依次类推；
s6、按照s4和s5的原理依次类推计算，直至根据Pfa_plot_i计算得到的Pfa_track_i满足|Pfa_track_i-PFA_track|≤ΔPfa_track，则由航迹级虚警概率反推得到的点迹级虚警概率为PFA_plot＝Pfa_plot_i。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (8)
1.一种基于深度学习的雷达虚警剔除方法，其特征在于，包括如下步骤：
a、取出目标候选区域检测阶段所获得的疑似目标区域及其周围邻域，将疑似目标区域周围领域划分为若干个小格，为特征提取做准备；
b、对每个邻域小格，分别提取其灰度类特征及纹理类特征，组成其邻域描述特征；
c、对每个邻域小格提取得到的邻域描述特征，判断每个邻域小格在每一种类型特征下是否是相对于其它周围邻域格奇异的小格，并将这些奇异性累计，从而计算出当前目标疑似区域的邻域相似性；
d、对目标疑似区域进行判断，判为疑似目标的ROI保留，判断为虚警的ROI进入步骤e再次判断；
e、对步骤d中判断为虚警的ROI进行点迹级虚警概率计算和航迹级虚警概率计算，设定航迹级虚警概率并反推点迹级虚警概率，根据点迹级虚警概率反推检测级虚警概率，计算检测门限，利用该门限进行CFAR检测，按照点迹级虚警概率计算中点迹凝聚过程进行点迹凝聚处理，得到点迹数据，按照航迹级虚警概率计算中的目标建航逻辑准则建立航迹，能够形成航迹的即为疑似目标的ROI，不能形成航迹的即为最终虚警的ROI；
g、将步骤d和步骤e中的疑似目标的ROI，用基于ROI表面特征结合基于模式识别的分类方法进行进一步确认，得到最终真实的目标。
2.根据权利要求1所述的基于深度学习的雷达虚警剔除方法，其特征在于，所述步骤c具体包括如下步骤：
c1、对于邻域小格Ik的第i个给定的特征Fi，按照以下规则来判定邻域小格Ik是否为相对于其它剩余周围邻域区域奇异的格：
其中：N表示邻域小格的数量；表示除了邻域小格Ik外的其它剩余小格所提取的第i类特征Fi的平均值；DifFlag(i,k)表示在考虑特征类型Fi的情况下Ik是否为奇异块，DifFlag(i,k)＝0是当前小格Ik在第i类特征下表现出奇异的特性的标志，DifFlag(i,k)＝1表示当前小格Ik在第i类特征下表现出与其它邻域小格相似的特性，TFlag是标志判决的门限；
c2、给定一个等判别的疑似疑似目标ROI，考虑其所有的邻域小格及所有的特征类型，计算邻域相似性，邻域相似性定义如下：
3.根据权利要求2所述的基于深度学习的雷达虚警剔除方法，其特征在于，所述步骤a具体包括如下步骤：
a1、截取出目标候选区域检测阶段所获得目标ROI周围的邻域，其中，目标ROI为包含疑似目标的方形区域，ROI周围的邻域为环绕目标ROI周围的环状区域；
a2、将获得的疑似目标ROI周围邻域均匀地划分为若干个方形小格I1，I2，…，IN，每个小格与疑似目标ROI的尺寸相同。
4.根据权利要求3所述的基于深度学习的雷达虚警剔除方法，其特征在于，所述步骤b中邻域描述特征包括2维灰度类特征和4维纹理类特征，具体包括如下步骤：
针对步骤a中划分得到的邻域小格，对每个小格分别提取其灰度类及纹理类的特征；令F1(Ik)，F2(Ik)，…，FM(Ik)表示从第k个邻域小格Ik中对应提取的特征，其中，M为特征的数目，灰度类特征F1(Ik)，F2(Ik)分别表示小格Ik的灰度均值及标准差；
计算邻域小格Ik的灰度共生矩阵，提取它的4个派生参数，分别是对比特征F3(Ik)，相关特征F4(Ik)，能量特征F5(Ik)，同质性F6(Ik)；
至此，每个邻域小格可以得到2维灰度类特征和4维纹理类特征，共6维邻域描述特征。
5.根据权利要求2所述的基于深度学习的雷达虚警剔除方法，其特征在于，所述步骤d具体包括如下步骤：
在获得邻域相似性Similarity后，判断Similarity是否≥Taccept，如是，则表示给定疑似目标ROI的的邻域在灰度及纹理特性上具有较高的相似性，这个疑似目标ROI将被保留进行后续表面特征确认的进一步分析；如否，则判定为虚警ROI进行剔除；其中，Taccept为接受门限，且值为0.8，TFlag的值为2。
6.根据权利要求5所述的基于深度学习的雷达虚警剔除方法，其特征在于，所述步骤g具体包括如下步骤：
g1、对步骤d和步骤e中的疑似目标的ROI采用尺度不变特征变换技术描述疑似目标的ROI的特性，按标准SIFT算法获得128维的特征向量VSIFT；
g2、对VSIFT采用基于RBF核的支持向量机进行分类，最后鉴别出真实目标和虚警。
7.根据权利要求1-6任一项所述的基于深度学习的雷达虚警剔除方法，其特征在于，所述步骤g具体包括如下步骤：
g1、设两坐标雷达距离向分辨力为Rres，距离采样单元大小为ΔR；距离向采用Mr/Nr准则检测，其中如果Nr≤3，取Nr＝3， 表示向上取整运算，表示向下取取整运算；设CFAR检测后的检测级虚警概率为Pfa_CFAR，则在一个距离分辨单元内，距离检测后虚警概率为点迹凝聚时以分辨单元划设网格，设方位向天线波束3dB主瓣宽度为φ3dB，在一个方位分辨单元Φ3dB内有Na个相关脉冲，方位向采用Ma/Na准则检测，其中，如果一个分辨单元内的Na个脉冲数据中有≥Ma个脉冲满足距离检测准则，则满足方位检测准则，凝聚形成点迹；即经过距离和方位检测后，对于第一个分辨单元，点迹级虚警概率为
g2、设点迹-航迹关联波门为扇形波门，最大为Rass×θass，其中，Rass为关联波门距离范围大小，θass为关联波门方位范围大小，计算关联波门内分辨单元个数为则每个数据周期关联波门内出现虚假点迹的概率为设自动建航按照M/N逻辑准则进行，以任意一个分辨单元的虚假点迹为航迹起始结点，采用状态转移法计算在连续K个周期内形成一条虚假航迹的概率为Pfa_tr_one，设探测区域可以划分为Nres_all个分辨单元，则在连续K个周期内形成Ntrack条虚假航迹的概率为
g3、设定自动建航在K个周期内形成Ntrack条虚假航迹的概率为PFA_track，则根据步骤g2的计算过程反推此时的点迹级虚警概率；采用基于二分法搜索逼近的方式，计算对应的点迹级虚警概率PFA_plot；
g4、采用基于二分法搜索逼近的方式，计算对应的检测级虚警概率PFA_CFAR；
g5、将PFA_CFAR代入检测门限计算公式中，得到最终的检测门限为 其中，为噪声均值，利用该门限进行CFAR检测，按照步骤g1中的点迹凝聚过程进行点迹凝聚处理，得到点迹数据；按照步骤g2中的目标建航逻辑准则建立航迹，能够形成航迹的即为目标，完成最终的真实目标检测。
8.根据权利要求7所述的基于深度学习的雷达虚警剔除方法，其特征在于，所述步骤g3和步骤g4中点迹级虚警概率和检测级虚警概率采用二分法反推，过程如下：
s1、设定搜索逼近阈值ΔPfa_track＝PFA_track×10-3；
s2、设定点迹级虚警概率两个搜索初始值Pfa_plot_1和Pfa_plot_2，分别按照步骤g2计算航迹级虚警概率Pfa_plot_1和Pfa_plot_2，使Pfa_plot_1V<PFA_track，Pfa_plot_2V>PFA_track；
s3、令Pfa_plot_3＝(Pfa_plot_1+Pfa_plot_2)/2，按照步骤g2计算航迹级虚警概率Pfa_track_3；
s4、若Pfa_track_3>PFA_track，令Pfa_plot_4＝(Pfa_plot_1+Pfa_plot_3)/2，按照步骤g2计算航迹级虚警概率Pfa_track_4；若Pfa_track_4>PFA_track，令Pfa_plot_5＝(Pfa_plot_1+Pfa_plot_4)/2，按照步骤g2计算航迹级虚警概率Pfa_track_5；若Pfa_track_4<PFA_track，令Pfa_plot_5＝(Pfa_plot_3+Pfa_plot_4)/2，按照步骤g2计算航迹级虚警概率Pfa_track_5，依次类推；
s5、若Pfa_track_3<PFA_track，令Pfa_plot_4＝(Pfa_plot_2+Pfa_plot_3)/2，按照步骤g2计算航迹级虚警概率Pfa_track_4；若Pfa_track_4>PFA_track，令Pfa_plot_5＝(Pfa_plot_3+Pfa_plot_4)/2，按照步骤g2计算航迹级虚警概率Pfa_track_5；若Pfa_track_4<PFA_track，令Pfa_plot_5＝(Pfa_plot_2+Pfa_plot_4)/2，按照步骤g2计算航迹级虚警概率Pfa_track_5，依次类推；
s6、按照s4和s5的原理依次类推计算，直至根据Pfa_plot_i计算得到的Pfa_track_i满足|Pfa_track_i-PFA_track|≤ΔPfa_track，则由航迹级虚警概率反推得到的点迹级虚警概率为PFA_plot＝Pfa_plot_i。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910052943.1A CN109669168A (zh) | 2019-01-21 | 2019-01-21 | 一种基于深度学习的雷达虚警剔除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910052943.1A CN109669168A (zh) | 2019-01-21 | 2019-01-21 | 一种基于深度学习的雷达虚警剔除方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109669168A true CN109669168A (zh) | 2019-04-23 |
Family
ID=66149680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910052943.1A Pending CN109669168A (zh) | 2019-01-21 | 2019-01-21 | 一种基于深度学习的雷达虚警剔除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109669168A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401208A (zh) * | 2020-03-11 | 2020-07-10 | 北京百度网讯科技有限公司 | 一种障碍物检测方法、装置、电子设备及存储介质 |
| CN113093121A (zh) * | 2021-04-12 | 2021-07-09 | 北京无线电测量研究所 | 基于点迹密度反馈的自适应门限检测方法 |
| CN115840226A (zh) * | 2023-02-27 | 2023-03-24 | 中国科学院空天信息创新研究院 | 一种方位向多通道ScanSAR快速目标检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000171555A (ja) * | 1998-12-08 | 2000-06-23 | Mitsubishi Electric Corp | 目標検出装置及び目標検出方法 |
| CN103020592A (zh) * | 2012-11-22 | 2013-04-03 | 北京大学 | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 |
| CN107561506A (zh) * | 2017-07-27 | 2018-01-09 | 中国船舶重工集团公司第七二四研究所 | 一种多级虚警概率联合递推目标检测方法 |
-
2019
- 2019-01-21 CN CN201910052943.1A patent/CN109669168A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000171555A (ja) * | 1998-12-08 | 2000-06-23 | Mitsubishi Electric Corp | 目標検出装置及び目標検出方法 |
| CN103020592A (zh) * | 2012-11-22 | 2013-04-03 | 北京大学 | 一种基于局部上下文的遥感图像舰船检测虚警剔除方法 |
| CN107561506A (zh) * | 2017-07-27 | 2018-01-09 | 中国船舶重工集团公司第七二四研究所 | 一种多级虚警概率联合递推目标检测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401208A (zh) * | 2020-03-11 | 2020-07-10 | 北京百度网讯科技有限公司 | 一种障碍物检测方法、装置、电子设备及存储介质 |
| CN111401208B (zh) * | 2020-03-11 | 2023-09-22 | 阿波罗智能技术(北京)有限公司 | 一种障碍物检测方法、装置、电子设备及存储介质 |
| CN113093121A (zh) * | 2021-04-12 | 2021-07-09 | 北京无线电测量研究所 | 基于点迹密度反馈的自适应门限检测方法 |
| CN113093121B (zh) * | 2021-04-12 | 2022-08-02 | 北京无线电测量研究所 | 基于点迹密度反馈的自适应门限检测方法 |
| CN115840226A (zh) * | 2023-02-27 | 2023-03-24 | 中国科学院空天信息创新研究院 | 一种方位向多通道ScanSAR快速目标检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016677B (zh) | 一种基于fcn和cnn的云图分割方法 | |
| CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
| CN111680542B (zh) | 基于多尺度特征提取和Pointnet神经网络的钢卷点云识别与分类方法 | |
| CN110927712B (zh) | 跟踪方法和装置 | |
| CN109669168A (zh) | 一种基于深度学习的雷达虚警剔除方法 | |
| CN108256471B (zh) | 一种基于双层分类网的高分辨率合成孔径雷达船只识别方法 | |
| CN113221787A (zh) | 基于多元差异性融合的行人多目标跟踪方法 | |
| CN111929653B (zh) | 一种基于无人船航海雷达的目标检测、跟踪方法及系统 | |
| CN111598925B (zh) | 基于eco算法和区域生长分割的视觉目标跟踪方法及装置 | |
| CN106127228A (zh) | 一种基于决策模板分类器融合的遥感图像船舶检测候选区鉴别方法 | |
| CN108399420A (zh) | 一种基于深度卷积网络的可见光舰船虚警剔除方法 | |
| CN106951915A (zh) | 一种基于类别置信度的一维距离像多分类器融合识别法 | |
| CN106326938B (zh) | 基于弱监督学习的sar图像目标鉴别方法 | |
| CN113808166B (zh) | 基于聚类差分和深度孪生卷积神经网络的单目标跟踪方法 | |
| CN111950498A (zh) | 一种基于端到端实例分割的车道线检测方法及装置 | |
| CN111352086A (zh) | 一种基于深度卷积神经网络的未知目标识别方法 | |
| CN109558803B (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
| CN106600613B (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
| CN109117739A (zh) | 一种基于邻域样本定向鉴别投影特征提取方法 | |
| CN107067039A (zh) | 基于超像素的sar图像舰船目标快速检测方法 | |
| CN101976347A (zh) | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 | |
| CN115908930A (zh) | 一种基于改进cfwpso-svm的前视声呐图像识别分类方法 | |
| CN109448024B (zh) | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 | |
| Shuang et al. | Detail R-CNN: Insulator detection based on detail feature enhancement and metric learning | |
| CN107273914B (zh) | 基于信源自适应动态选择的高效融合识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |