CN110428424A - 基于深度学习的雷达回波图像高压线分割方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的雷达回波图像高压线分割方法，通过雷达回波图像高压线目标标注,以及深度学习高压线分割网络模型的设计训练，从雷达回波图像中分割出高压线目标，提高复杂场景下的高压线检测正确率。其中网络模型设计了卷积模块DCN，堆叠DCN模块实现编码，对雷达回波图像进行特征变换和特征提取，得到特征图；设计卷积模块GCN，堆叠GCN模块，再经过转置卷积，实现编码后特征图有效信息的恢复。本发明将雷达回波方位向拼接，可有效利用高压线的空间关系特征；本发明网络模型的参数调整不需要人工参与，提高了特征选择和提取的有效性；本发明将雷达回波目标检测问题转化成深度学习图像分割问题，实现了高压线目标的精确检测。

Description

基于深度学习的雷达回波图像高压线分割方法

技术领域

本技术属于雷达防撞探测技术领域，具体公开了一种基于深度学习的雷达回波图像高压线分割方法。

背景技术

高压线的准确检测是低空防撞雷达最重要的功能，但由于高压线特性复杂，地面场景多样，传统的高压线检测方法例如基于CFAR检测、角度模型匹配检测和SVM检测等方法难以获得稳健的特征，复杂场景适应性差，目前未能取得令人满意的检测效果。

近些年来深度学习技术发展，在光学图像目标识别、检测和分割等领域的应用，已经取得了巨大的成功，但在雷达检测识别的应用甚少，特别是深度学习在高压线检测/分割方面的应用，目前还未找到发表的相关论文及专利。本发明首次将深度学习技术应用于高压线检测，通过拼接多个方位的雷达回波获得雷达回波图像，将高压线检测问题转化成图像分割问题，使用深度学习图像分割方法，实现雷达回波高压线目标的准确检测，解决高压线检测场景适应性差、检测性能不稳定等问题，为防撞雷达高压线检测提供新方法新思路。

发明创造目的

由于低空环境复杂，高压线的架设条件受地形地物的影响，传统的高压线检测方法依靠人工凭借经验难以提取与选择有效的特征，检测识别性能不佳。针对上述问题，本发明提出了一种基于深度学习的雷达回波图像高压线分割方法，实现了雷达回波中的高压线目标的有效检测，该方法极大提高了复杂场景下高压线检测的准确性，为直升机防撞探测系统提供技术支持。

技术方案

基于深度学习的雷达回波图像高压线分割方法，其特征在于，通过雷达回波图像高压线目标标注,以及深度学习高压线分割网络模型的设计和训练，从雷达回波图像中分割出高压线目标，提高复杂场景下的高压线检测正确率。

所述深度学习高压线分割网络模型的设计，具体包括：

a)输入：雷达回波图像，按照全卷积网络要求进行数据的尺度缩放或裁剪；

b)编码：设计卷积模块DCN，堆叠DCN模块实现编码，对雷达回波图像进行特征变换和特征提取，得到特征图。

c)解码：设计卷积模块GCN，堆叠GCN模块，再经过转置卷积，实现编码后特征图有效信息的恢复。

d)输出：解码后的特征图经过分类器，输出雷达回波图像高压线语义分割结果。

所述DCN模块具体实现为：

对于输入尺寸为2W×2H×C₀的特征图，使用1×1卷积核进行特征图降维处理，再分两支路，其中一个支路通过最大池化，再将特征图填充到W×H×C₁维度上；另一支路用2×2卷积核以步长为2进行处理，再经过dilated为1、2、4的3×3空洞卷积操作，之后利用1×1卷积核进行升维，得到尺寸为W×H×C₁的特征图。最后将两个支路数据相加输出。

所述GCN模块具体实现为：

对于输入尺寸为W×H×C的特征图，分两支路，其中一个支路先用尺寸为K×1的卷积核处理，再用1×K的卷积核处理；另一支路先用尺寸为1×K的卷积核处理，再用K×1的卷积核处理；之后将两路尺寸为W×H×21的特征图相加；最后再经过反池化处理，得到尺寸2W×2H×21的特征图。

所述深度学习高压线分割网络模型的训练，具体包括：

a)数据准备：将雷达回波图像数据与标签，划分成训练集和测试集，其中训练集多于测试集；

b)设置训练参数：包括训练迭代次数、学习批次大小、学习率大小、学习率衰减策略；

c)模型预测：从训练集中随机获取一个批次的训练数据，输入到高压线分割模型进行前向传播计算，得到预测的高压线分割结果；

d)计算损失：设定模型的损失函数为交叉熵，根据预测的高压线分割结果与标签数据，计算每个像素点的交叉熵，累加每个点的交叉熵得到损失，即预测结果与真实结果的误差；

e)误差传播：根据损失，使用反向传播算法计算梯度，对模型的权值进行更新；重复步骤c)-e)过程，直到训练迭代次数完成；

f)保存训练好的模型参数。

所述雷达回波图像高压线目标标注，包括：

a)回波数据拼接：将雷达扫描的不同方位向的回波数据进行拼接，形成雷达回波图像，多张雷达回波图像构成雷达回波图像集{X^M×N},M、N分别表示图像的行和列数；

高压线标注：标签集{Y^M×N}初始化为全零，图像从左至右，获取高压线的塔点坐标、线点坐标，对于线点不明显的高压线根据两塔点直线关系，获取高压线走向的坐标，将高压线塔点、线点等坐标周围行列的像素值做标记。

有益效果

通常的高压线检测与识别依靠人工经验从原理和数据中分析特征，选择并提取特征用于最终的检测识别，这些方法多是考虑较为理想的典型的高压线特征，特征选择具有主观性强，有效的特征提取方法难以设计，不能适应复杂低空环境下的高压线检测。

相比于传统方法，本发明有许多优点。首先，将雷达回波方位向拼接，以二维图像作为深度学习模型的输入，可有效利用高压线的空间关系特征；其次，深度学习高压线分割网络模型的参数调整不需要人工参与，使模型从大量回波数据中自动学习并提取高压线特征，提高了特征选择和提取的有效性；再次，本发明将雷达回波目标检测问题转化成深度学习图像分割问题，实现了高压线目标的精确检测，适用于各种复杂场景，极大提高了复杂环境下高压线检测的有效性和稳定性。

本发明可应用在雷达图像分割和高压线检测识别领域，为低空防撞技术的发展提供有力支持。

附图说明

图1雷达回波图像和高压线标签；

图2深度学习高压线分割网络模型示意图；

图3网络模块结构图；

图4高压线分割结果示意图。

具体实施方式

本发明核心为基于深度学习的雷达回波图像高压线分割方法，将雷达回波图像尺度变换化输入到深度学习高压线分割网络模型，经过前向计算得到预测结果，再用反向传播算法进行网络模型参数的更新，最终完成模型的训练。

在本发明的一个实施例中，为256×256的图像为例，具体实施过程为：

(1)雷达回波图像高压线目标标注

b)回波数据拼接。将雷达扫描的不同方位向的回波数据进行拼接，形成雷达回波图像，多张雷达回波图像构成雷达回波图像集{X^M×N}如图1(a)所示,M、N分别表示图像的行和列数；

c)高压线标注。标签集{Y^M×N}初始化为全零，图像从左至右，获取高压线的塔点坐标、线点坐标，对于线点不明显的高压线根据两塔点直线关系，获取高压线走向的坐标，将高压线塔点、线点等坐标周围行列的5个像素值标记为1。

(2)深度学习高压线分割网络模型

a)尺度缩放。采用双线性插值方法，将图像集{X^M×N}中的图像x^M×N和标签集{Y^M×N}中的y^M×N尺度缩放成256×256,得到x^256×256、y^256×256。

b)输入。将x^256×256输入到深度学习高压线分割网络模型中；

c)编码。如图2所示编码器串联三个DCN模块，数据的输入、计算过程和输出描述如下(下面符号中的表示特征图大小为W×H×C第i层的第j子层的特征图)：

·如图3(a)所示，将x^256×256输入到第一个DCN模块，得到输出大小为128×128×32的特征图。x^256×256经过16个卷积核大小为1×1、步长为1卷积处理，得到特征图分两个支路，其中a路，将经过16个大小为2×2、步长为2的卷积处理，得到特征图将经过16个大小为3×3、空洞为1、步长为1的卷积处理，得到特征图将经过16个大小为3×3、空洞为2、步长为1的卷积处理，得到特征图将经过16个大小为3×3、空洞为4、步长为1的卷积处理，得到特征图将经过32个大小为1×1步长为1的卷积处理，得到特征图其中b路，将经过最大池化(Max pooling)得到再将特征图填充(padding)到特征图维度为32的将相加得到

·将输入到第二个DCN模块，其中模型中第一个1×1的卷积操作卷积核个数为21、第二个1×1卷积操作卷积核个数为64、输出的通道数为64，其它参数设置与计算过程与第一个DCN模类似，不再详细介绍，最终经过DCN模块得到的特征图

·将输入到第三个DCN模块，其中模型中第一个1×1的卷积操作卷积核个数为21、第二个1×1卷积操作卷积核个数为128、输出的通道数为128，其它参数设置与第一个DCN模块相同，最终经过DCN模块得到的特征图

d)解码。如图2所示解码器串联三个GCN模块，再经过转置卷积处理，

数据的输入、计算过程和输出描述如下：

·将输入到第一个GCN模块，得到输出大小为64×64×21的特征图。如图3(b)所示，GCN模块输入为32×32×128，则对应的参数W＝32、H＝32、C＝128，设置K＝32。分两路，第一路将经过21个K×1步长为1的卷积处理得到将经过21个1×K步长为1的卷积处理得到第二路，将经过21个1×K步长为1的卷积处理得到将经过21个K×1步长为1的卷积处理得到将相加，得到再将其经过反池化处理(Unpooling),得到

·将输入到第二个GCN模块，得到输出大小为128×128×21的特征图。此时GCN模块输入为64×64×21，则对应的参数W＝64、H＝64、C＝21，设置K＝64。其它设置与计算同第一个GCN模块，在此不再详细描述，最终经过GCN模块得到的特征图

·将输入到转置卷积模块，得到输出大小为256×256×2的特征图如图3(c)所示，转置卷积核个数为2、尺寸为3×3、步长为1。

e)输出。特征图经过softmax层得到再对每个像素点中值大的作为预测目标类型结果，输出雷达回波图像高压线语义分割结果。softmax层是对每一个特征点计算是否为目标的概率，其公式其中C为输出类别数、x_c为特征点的值，对于

其C＝2，x_c共有256×256个。

(3)高压线分割模型训练

a)数据准备。将图像集{X^M×N}中和标签集{Y^M×N}数据，划分成训练集和测试集其中训练集和测试集分别占90％、10％；

b)设置训练参数。设置训练迭代次数为450、学习批次大小为10、学习率大小5×10^-4、学习率每迭代150次衰减10^-1；

c)模型预测。从中获取一个批次10训练数据将输入到高压线分割模型进行前向传播计算，得到预测的高压线分割结果

d)计算损失。计算与每个像素点的交叉熵其中i∈{1,2,…,256}、j∈{1,2,…,256}表示像素点标号，b∈{1,2,…,B}表示图像标号，交叉熵累加得到损失(预测结果与真实结果的误差)；

e)误差传播。根据损失L，使用反向传播算法计算梯度，对模型的权值进行更新。重复步骤c)-e)过程，直到训练迭代次数完成或是达到预期的效果。

f)保存训练好的模型参数。

(4)高压线分割模型测试。

将测试数据集输入到训练好的模型，经过计算输出高压线分割结果如图4所示。

本发明实施例技术方案的实验：依据本发明对某型直升机雷达数据，811个雷达回波图像数据进行高压线分割处理，按像素点计算正确分割概率为90.84％，按高压线条数计算，检测率大于95％，虚警高压线概率小于3％。

Claims (6)

1.基于深度学习的雷达回波图像高压线分割方法，其特征在于，通过雷达回波图像高压线目标标注,以及深度学习高压线分割网络模型的设计和训练，从雷达回波图像中分割出高压线目标，提高复杂场景下的高压线检测正确率。

2.根据权利要求1的基于深度学习的雷达回波图像高压线分割方法，其特征在于，所述深度学习高压线分割网络模型的设计，具体包括：

a)输入：雷达回波图像，按照全卷积网络要求进行数据的尺度缩放或裁剪；

b)编码：设计卷积模块DCN，堆叠DCN模块实现编码，对雷达回波图像进行特征变换和特征提取，得到特征图。

c)解码：设计卷积模块GCN，堆叠GCN模块，再经过转置卷积，实现编码后特征图有效信息的恢复。

d)输出：解码后的特征图经过分类器，输出雷达回波图像高压线语义分割结果。

3.根据权利要求2的基于深度学习的雷达回波图像高压线分割方法，其特征在于，所述DCN模块具体实现为：

对于输入尺寸为2W×2H×C₀的特征图，使用1×1卷积核进行特征图降维处理，再分两支路，其中一个支路通过最大池化，再将特征图填充到W×H×C₁维度上；另一支路用2×2卷积核以步长为2进行处理，再经过dilated为1、2、4的3×3空洞卷积操作，之后利用1×1卷积核进行升维，得到尺寸为W×H×C₁的特征图。最后将两个支路数据相加输出。

4.根据权利要求2的基于深度学习的雷达回波图像高压线分割方法，其特征在于，所述GCN模块具体实现为：

对于输入尺寸为W×H×C的特征图，分两支路，其中一个支路先用尺寸为K×1的卷积核处理，再用1×K的卷积核处理；另一支路先用尺寸为1×K的卷积核处理，再用K×1的卷积核处理；之后将两路尺寸为W×H×21的特征图相加；最后再经过反池化处理，得到尺寸2W×2H×21的特征图。

5.根据权利要求1的基于深度学习的雷达回波图像高压线分割方法，其特征在于，所述深度学习高压线分割网络模型的训练，具体包括：

a)数据准备：将雷达回波图像数据与标签，划分成训练集和测试集，其中训练集多于测试集；

b)设置训练参数：包括训练迭代次数、学习批次大小、学习率大小、学习率衰减策略；

c)模型预测：从训练集中随机获取一个批次的训练数据，输入到高压线分割模型进行前向传播计算，得到预测的高压线分割结果；

d)计算损失：设定模型的损失函数为交叉熵，根据预测的高压线分割结果与标签数据，计算每个像素点的交叉熵，累加每个点的交叉熵得到损失，即预测结果与真实结果的误差；

e)误差传播：根据损失，使用反向传播算法计算梯度，对模型的权值进行更新；重复步骤c)-e)过程，直到训练迭代次数完成；

f)保存训练好的模型参数。

6.根据权利要求1的基于深度学习的雷达回波图像高压线分割方法，其特征在于，所述雷达回波图像高压线目标标注，包括：

a)回波数据拼接：将雷达扫描的不同方位向的回波数据进行拼接，形成雷达回波图像，多张雷达回波图像构成雷达回波图像集{X^M×N},M、N分别表示图像的行和列数；

b)高压线标注：标签集{Y^M×N}初始化为全零，图像从左至右，获取高压线的塔点坐标、线点坐标，对于线点不明显的高压线根据两塔点直线关系，获取高压线走向的坐标，将高压线塔点、线点等坐标周围行列的像素值做标记。