CN111323756B - 一种基于深度学习的航海雷达目标检测方法及装置 - Google Patents
一种基于深度学习的航海雷达目标检测方法及装置 Download PDFInfo
- Publication number
- CN111323756B CN111323756B CN202010207699.4A CN202010207699A CN111323756B CN 111323756 B CN111323756 B CN 111323756B CN 202010207699 A CN202010207699 A CN 202010207699A CN 111323756 B CN111323756 B CN 111323756B
- Authority
- CN
- China
- Prior art keywords
- target
- deep learning
- processing
- radar
- algorithm
- 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.)
- Active
Links
Images
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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/295—Means for transforming co-ordinates or for evaluating data, e.g. using computers
-
- 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
- G01S7/35—Details of non-pulse systems
- G01S7/352—Receivers
- G01S7/354—Extracting wanted echo-signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于深度学习的航海雷达目标检测方法及装置,该方法包括:获取雷达接收机采集的雷达原始数据信息;对雷达原始数据信息进行模数转换处理,得到数字信号;根据深度学习算法和/或第一滤波算法,分别对数字信号进行检测处理,确定目标;若根据第一滤波算法没有检测到目标,且根据深度学习算法检测到目标时,输出根据所述深度学习算法检测到的目标;或者,根据所述深度学习算法没有检测到目标时,且根据所述第一滤波算法检测到目标时,输出根据第一滤波算法检测到的目标。本发明为用户提供较为准确的目标信息,从而为导航、避碰和目标监视提供了可靠的参考依据。
Description
技术领域
本发明涉及雷达技术领域,尤其涉及一种基于深度学习的航海雷达目标检测方法及装置。
背景技术
雷达在船舶领域得到了广泛应用,对于船舶驾驶员来说,雷达相当于他们的“眼睛”。大型船舶需要配备两部雷达,一部是工作3GHz的S波段雷达,另一部是工作在9GHz的X波段雷达,通过X波段进行远距检测,实现早期报警和导航功能;通过S波段进行短距测量,实现导航和避碰功能。除了船用雷达外,还有岸基雷达。岸基雷达一般安装在港口或者海边,用来监视和协助船舶安全进港。船用雷达和岸基雷达都属于航海雷达,但是航海雷达是根据回波质量(大小、圆度等)的传统门限方法来检测目标,存在有回波而没有生成目标的情况,影响了雷达目标检测的准确性,进而导致不能准确的为用户提供准确、可靠的目标信息。
发明内容
本发明提供一种基于深度学习的航海雷达目标检测方法及装置,解决了雷达目标检测准确性差的问题。
为解决上述技术问题,本发明的实施例提供如下技术方案:
一种基于深度学习的航海雷达目标检测方法,包括:
获取雷达接收机采集的雷达原始数据信息;
对所述雷达原始数据信息进行模数转换处理,得到数字信号;
根据深度学习算法和/或第一滤波算法,分别对所述数字信号进行检测处理,确定目标;
若根据第一滤波算法没有检测到目标,且根据所述深度学习算法检测到目标时,输出根据所述深度学习算法检测到的目标;或者,根据所述深度学习算法没有检测到目标,且根据所述第一滤波算法检测到目标时,输出根据所述第一滤波算法检测到的目标。
可选的,根据深度学习算法对所述数字信号进行检测处理,确定目标,包括:
对所述数字信号进行格式转换,得到第一图像信息;
对所述第一图像信息进行处理,得到原始回波图像信息;
对所述原始回波图像进行处理,得到第二图像信息;
将所述第二图像信息输入深度学习模型进行处理,得到图像检测结果,确定目标。
可选的,对所述数字信号进行格式转换,得到第一图像信息,包括:
按照雷达信号处理的固定格式,对所述数字信号进行格式转换,得到所述第一图像信息。
可选的,对所述第一图像信息进行处理,得到原始回波图像信息,包括:
将所述第一图像信息的像素值信息,进行处理,得到所述原始回波图像信息。
可选的,对所述原始回波图像进行处理,得到第二图像信息,包括:
使用第二滤波算法,对所述原始回波图像进行滤波处理,得到第二图像信息。
可选的,将所述第二图像信息输入深度学习模型进行处理,得到图像检测结果,确定目标,包括:
将第二图像分成多个k×k的网格;
当目标中心落在某个网格上时,确定检测到该网格中的目标;
用最小矩形框把该目标对象框出来;
计算目标的边框的中心点坐标、边框的宽、边框的高和置信度,得到所述图像检测结果,并提取出目标信息。
可选的,基于深度学习的航海雷达目标检测方法,还包括:若所述图像检测结果中有N帧图像,其中有M帧图像和目标匹配,则确定该目标,M和N均为正整数,且M大于N/2。
可选的,基于深度学习的航海雷达目标检测方法还包括:用外接矩形框对所述目标进行标识。
可选的,将所述矩形框的对角线的交点作为所述目标的坐标信息,进行直角坐标和极坐标的转换,得到所述目标的方位和距离信息。
可选的,根据第一滤波算法,对所述数字信号进行检测处理,确定目标,包括:根据至少一级检测门限,对所述数字信号进行检测处理,确定目标。
可选的,基于深度学习的航海雷达目标检测方法还包括:若雷达的天线扫描X圈的图像中,有Y圈的图像与所述目标匹配上,则确定所述目标为真实目标,并输出所述目标,X和Y均为正整数,且Y大于X/2。
可选的,基于深度学习的航海雷达目标检测方法还包括:对根据所述深度学习算法得到的目标的信息,和/或,根据第一滤波算法得到的目标的信息,进行跟踪。
可选的,基于深度学习的航海雷达目标检测方法还包括:显示输出的所述目标。
本发明的实施例还提供一种基于深度学习的航海雷达目标检测装置,包括:
获取模块,用于获取雷达接收机采集的雷达原始数据信息;
处理模块,用于对所述雷达原始数据信息进行模数转换处理,得到数字信号;根据深度学习算法和/或第一滤波算法,分别对所述数字信号进行检测处理,确定目标;若根据第一滤波算法没有检测到目标,且根据所述深度学习算法检测到目标时,输出根据所述深度学习算法检测到的目标;或者,根据所述深度学习算法没有检测到目标,且根据所述第一滤波算法检测到目标时,输出根据所述第一滤波算法检测到的目标。
本发明的上述技术方案的有益效果是:通过深度学习模型来检测雷达目标,适用于不同波段的航海雷达,且不需要或者辅助雷达回波的大小门限值来判断目标信息,为用户提供了较为准确的目标信息,从而为导航和避碰提供了可靠的参考依据。
附图说明
图1表示本发明的实施例的基于深度学习的航海雷达目标检测方法的流程示意图;
图2表示本发明的实施例基于深度学习的航海雷达目标检测方法的具体实现流程示意图;
图3表示本发明的实施例中深度学习模型的算法流程示意图;
图4表示本发明的实施例中显示模块的功能示意图;
图5表示本发明的实施例中报警模块的功能示意图;
图6表示本发明的实施例中数据管理模块的功能示意图;
图7表示本发明的实施例中基于深度学习的航海雷达目标检测装置的模块结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
如图1所示,本发明的实施例提供了一种基于深度学习的航海雷达目标检测方法,具体包括以下步骤:
步骤11:获取雷达接收机采集的雷达原始数据信息。
步骤12:对所述雷达原始数据信息进行模数转换处理,得到数字信号。
步骤13:根据深度学习算法和/或第一滤波算法,分别对所述数字信号进行检测处理,确定目标;
步骤14:若根据第一滤波算法没有检测到目标,且根据所述深度学习算法检测到目标时,输出根据所述深度学习算法检测到的目标;或者,根据所述深度学习算法没有检测到目标,且根据所述第一滤波算法检测到目标时,输出根据所述第一滤波算法检测到的目标。
本发明的一可选实施例中,上述步骤11中,雷达接收机可以是X波段雷达接收机、S波段雷达接收机等。这里的航海雷达可以是船用雷达,也可以是岸基雷达。值得指出的是,本发明实施对雷达接收机的应用场景以及波段不作限制,以上仅为示例性说明。
本发明的一可选实施例中,上述步骤12中,雷达接收机接收到雷达原始数据信息,对该雷达原始数据信息经过AD(模数)转换,转换成离散的数字信号,并进行数字信号处理。
本发明的一可选实施例中,上述步骤13中,根据深度学习算法对所述数字信号进行检测处理,确定目标,可以包括:
步骤131,对所述数字信号进行格式转换,得到第一图像信息;具体的,可以按照雷达信号处理的固定格式,对所述数字信号进行格式转换,得到所述第一图像信息。
步骤132,对所述第一图像信息进行处理,得到原始回波图像信息;具体的,可以将所述第一图像信息的像素值信息,进行处理,得到所述原始回波图像信息。
步骤133,对所述原始回波图像进行处理,得到第二图像信息;具体的,可以使用第二滤波算法,对所述原始回波图像进行滤波处理,得到第二图像信息。这里的第二滤波算法包括但不限于:中值滤波算法、均值滤波、小波变换等。该步骤中,对所述原始回波图像进行滤波处理,滤除一定的杂波噪声,进而可输入到深度学习模型进行进一步的处理,也可输入至显示模块进行显示。
步骤134,将所述第二图像信息输入深度学习模型进行处理,得到图像检测结果,确定目标。这里的深度学习模型是指用多组已标注的原始回波图像通过深度学习算法而训练好的模型,其格式可以是caffemodel,也可以是使用其他框架的模型;深度学习方法采用有监督学习,可以采用开源的Yolo v3,但不限于其他开源目标检测算法,如Fast RCNN、SSD、Retina-Net、Anchor-Free等算法。该深度学习模型具有自学习的功能,随着目标数据的增多,深度学习模型不断在训练,提高自身的精确度和泛化能力。
本发明的一可选实施例中,步骤134可以包括:
步骤1341,将第二图像分成多个k×k的网格;
步骤1342,当目标中心落在某个网格上时,确定检测到该网格中的目标;
步骤1343,用最小矩形框把该目标对象框出来;
步骤1344,计算目标的边框的中心点坐标、边框的宽、边框的高和置信度,得到所述图像检测结果,并提取出目标信息。
该实施中,深度学习模型检测雷达回波图像时,把图像分成多个k×k的网格。当目标中心落在某个网格上时,即检测到该网络中的目标,用最小矩形框把该目标画出来。计算目标边框的中心点坐标、宽、高和置信度,最后提取出目标信息。若目标中心未落在某个网络上,则未检测出该目标,该网络结束本次检测。像该模型类似于黑匣子,随着输入样本的增加,该模型也在不断的自学习,即网络边工作边学习,以增加模型的泛化能力和目标检测能力。另外,可根据海杂波、雨杂波等噪声的强弱来调整输出目标置信度的大小,进一步来优化目标的输出,提高目标检测的准确性。
本发明的一可选实施例中,步骤134之后,基于深度学习的航海雷达目标检测方法还可以包括:
步骤135,若所述图像检测结果中有N帧图像,其中有M帧图像和目标匹配,则确定该目标准确,M和N均为正整数,且M大于N/2。
该实施例中,把经深度学习检测后的结果进行多帧图像的匹配,比如4帧中有3帧及以上的目标对应得上,则认为是目标,否则是噪声。该实施例进一步滤除了随机噪声、雨雪杂波的干扰,减少了目标的误检。
本发明的一可选实施例中,步骤135之后,基于深度学习的航海雷达目标检测方法还可以包括:
步骤136,用外接矩形框对所述目标进行标识。
该实施例中,把深度学习检测到的目标信息提取出来,其目标用外接矩形框的形式把目标标识出来。为了得到更精确的目标信息,可求得矩形框的对角线的交点(即中心点)为目标的坐标信息。
本发明的一可选实施例中,步骤136之后,基于深度学习的航海雷达目标检测方法还可以包括:
步骤137,将所述矩形框的对角线的交点作为所述目标的坐标信息,进行直角坐标和极坐标的转换,得到所述目标的方位和距离信息。
该实施例中,对直角坐标与极坐标的转换,可使得用户更直观的观测到目标的具体方位和距离信息。
本发明的一可选实施例中,步骤13中,根据第一滤波算法,对所述数字信号进行检测处理,确定目标,包括:
步骤231,根据至少一级检测门限,对所述数字信号进行检测处理,确定目标;具体的,设置多级检测门限对所述数字信号进行检测处理,例如,针对回波的圆度、大小或第一波幅检测门限、第二波幅检测门限等门限调节方法来检测目标。
本发明的一可选实施例中,基于深度学习的航海雷达目标检测方法还可以包括:
步骤232,若雷达的天线扫描X圈的图像中,有Y圈的图像与所述目标匹配上,则确定所述目标为真实目标,并输出所述目标,X和Y均为正整数,且Y大于X/2。具体的,采用天线多圈扫描后的结果进行相关匹配,若天线扫描4圈内有3圈及以上的圈数内目标能够匹配得上,则进一步确定该目标是真实目标,即进一步滤除随机噪声和雨雪杂波的干扰。
本发明的一可选实施例中,步骤14之后,基于深度学习的航海雷达目标检测方法还可以包括:
步骤15,对根据所述深度学习算法得到的目标的信息,和/或,根据第一滤波算法得到的目标的信息,进行跟踪;
该实施例中,将深度学习算法和第一滤波算法得到的目标信息进行持续跟踪,这里的跟踪算法可以是跟踪前检测TBD算法或扩展卡尔曼滤波EKF算法等跟踪算法。
本发明的一可选实施例中,该基于深度学习的航海雷达目标检测方法还可以包括:步骤16,显示输出的所述目标。该实施例中,深度学习算法和第一滤波算法检测到的目标输出至客户端以供用户参考使用。
下面结合具体流程图说明上述实施例的具体实现过程,如图2所示,本发明的上述基于深度学习的航海雷达目标检测方法具体可以包括:
步骤21,通过信号采集模块获取雷达接收机采集的雷达原始数据信息,经过AD转换成离散的数字信号并进行数字信号处理,进而进行格式转换和通过第一滤波算法进行处理。
步骤22,通过格式转换模块把雷达的上述数字信号转换成雷达信号处理的固定格式数据,进而转换成第一图像信息。
步骤23,通过原始回波图像模块对第一图像信息的像素值信息,进行处理得到原始回波图像。
步骤24,通过图像预处理模块使用中值滤波等算法,对雷达原始回波图像进行预处理,滤除雨杂波、雪杂波等杂波的干扰,得到第二图像信息,进而可输入到深度学习模型,也可输入至显示模块进行显示。
步骤25,通过深度学习模型对第二图像信息进行深度学习算法的处理,这里的深度学习模型格式可以是caffemodel,也可以是使用其他框架的模型;深度学习方法采用有监督学习,可以采用开源的Yolo v3,但不限于其他开源目标检测算法,如Fast RCNN、SSD、Retina-Net、Anchor-Free等算法。该深度学习采用有监督性的学习方法,对输入的多张雷达回波图像进行训练而得到较好的网络模型以实现目标检测。当雷达天线扫描一圈时,会得到一张完整的雷达回波图像,并经过中值滤波等算法对其进行预处理,滤除雨杂波、雪杂波等噪声信号,再送入到深度学习模型中。如图3所示,该深度学习模型的流程包括:检测雷达回波图时,把图像分成k×k的网格。当目标中心落在某个网格上时,即检测到该网络中的目标,用最小矩形框把该目标画出来。计算目标边框的中心点坐标、宽、高和置信度,最后提取出目标信息。若目标中心未落在某个网络上,则未检测出该目标,该网络结束本次检测。该模型类似于黑匣子,随着输入样本的增加,该模型也在不断的自学习,即网络边工作边学习,以增加模型的泛化能力和目标检测能力。另外,可根据海杂波、雨杂波等噪声的强弱来调整置信度的大小,进一步来优化目标的输出,提高目标检测的准确性。
步骤26,通过多帧相关模块把经深度学习检测后的结果进行多帧图像的匹配,比如4帧中有3帧及以上的目标对应得上,则认为是目标,否则是噪声。多帧模块进一步滤除了随机噪声、雨雪杂波的干扰,减少了目标的误检。
步骤27,通过目标信息提取模块把深度学习检测到的目标信息提取出来,其目标用外接矩形框的形式把目标标识出来,然后使用K最近邻算法把矩形框与目标做进一步的匹配,把矩形框的坐标提取出来,即得到目标的位置信息。
步骤28,通过坐标转换模块对直角坐标与极坐标进行转换,可使得用户更直观的观测到目标的具体方位和距离信息。
步骤29,通过第一滤波算法模块使用数字信号处理的方法,设置多级门限来针对回波的圆度、大小或第一波幅检测门限、第二波幅检测门限等门限调节方法来检测目标。
步骤30,通过多圈相关模块,采用天线多圈扫描后的结果进行相关匹配,若天线扫描4圈内有3圈及以上的圈数内目标能够匹配得上,则进一步确定该目标是真实目标,即进一步滤除随机噪声和雨雪杂波的干扰。
步骤31,所述第一滤波算法判断是否检测到目标的存在,若检测到目标,则保持目标输出,否则进入深度学习模块是否有检测到目标,进而可避免了有回波而无目标的情况发生。
步骤32,当第一滤波算法没有检测到目标,但此时有回波,深度学习算法已检测到,则深度学习算法来对传统目标检测算法做一个补充辅助,以保证所有目标均被检测到。
步骤33,通过目标信息输出模块把深度学习检测到的目标信息输出来,并把目标信息输出至目标跟踪模块。
步骤34,通过目标跟踪模块将深度学习和传统数字信号处理算法得到的目标信息进行持续跟踪,该模块算法可以是跟踪前检测TBD算法或扩展卡尔曼滤波EKF算法等跟踪算法。也可以采用匈牙利等数据关联算法,使用辛格尔模型来引入加速度,扩展卡尔曼滤波等方法来实现目标跟踪。但,不限于这些数据关联、处理算法和跟踪方法。
步骤35,通过显示模块将第一滤波算法得到的目标和深度学习算法检测到的目标,输出至客户端以供用户参考使用。如图4所示,该显示模块还可以同时显示X波段和S波段雷达两部雷达检测到的所有目标,也可以单独显示X波段或S波段中的一个雷达检测到的目标,也可以设置仅显示两部雷达检测的共同或不同区域;另外,该显示模块可以根据目标的距离来设定显示的范围,还可以显示目标的速度、方向、位置以及ID等信息。
本发明的上述实施例中,如图5所示,当目标靠近本船或者特定区域时,还可以通过报警模块的声音报警或灯光报警以提醒用户采取相应的避碰措施。
本发明的上述实施例中,如图6所示,用户可通过数据管理模块对雷达的各种参数进行储存,查阅、分析、打印目标信息数据,供用户查阅和分析雷达目标的历史信息,为分析目标的运动轨迹、意图及航迹规划提供了可靠的依据。
本发明的上述实施例,还支持海图叠加功能,目标信息能在海图上进行显示,更直观的显示目标的轨迹和状态信息。
本发明的上述实施例,还可以通过声音、灯光闪烁等现象提示用户目标的位置、方位和速度信息,通过消音和复位按钮可以使报警模块复位和消音。
本发明的上述实施例,设置ID管理模块,可以对目标的ID信息进行管理,确保每个历史目标ID号的唯一性,便于目标的航迹规划和管理。
本发明的上述实施例中,根据目标的运动方向来设置靠近、远离、静置目标,并针对运动状态来进行分类。
本发明实施例的雷达目标检测方法中通过深度学习模型来检测雷达目标,适用于不同波段的航海雷达,且不需要或者辅助雷达回波的大小门限值来判断目标信息,为用户提供了较为准确的目标信息,从而为导航和避碰提供了可靠的参考依据。
如图7所示,本发明的实施例还提供一种基于深度学习的航海雷达目标检测装置70,包括:
获取模块71,用于获取雷达接收机采集的雷达原始数据信息;
处理模块72,用于对所述雷达原始数据信息进行模数转换处理,得到数字信号;根据深度学习算法和/或第一滤波算法,分别对所述数字信号进行检测处理,确定目标;若根据第一滤波算法没有检测到目标,且根据所述深度学习算法检测到目标时,输出根据所述深度学习算法检测到的目标;或者,根据所述深度学习算法没有检测到目标,且根据所述第一滤波算法检测到目标时,输出根据所述第一滤波算法检测到的目标。
可选的,根据深度学习算法对所述数字信号进行检测处理,确定目标,包括:
对所述数字信号进行格式转换,得到第一图像信息;
对所述第一图像信息进行处理,得到原始回波图像信息;
对所述原始回波图像进行处理,得到第二图像信息;
将所述第二图像信息输入深度学习模型进行处理,得到图像检测结果,确定目标。
可选的,对所述数字信号进行格式转换,得到第一图像信息,包括:
按照雷达信号处理的固定格式,对所述数字信号进行格式转换,得到所述第一图像信息。
可选的,对所述第一图像信息进行处理,得到原始回波图像信息,包括:
将所述第一图像信息的像素值信息,进行处理,得到所述原始回波图像信息。
可选的,对所述原始回波图像进行处理,得到第二图像信息,包括:
使用第二滤波算法,对所述原始回波图像进行滤波处理,得到第二图像信息。
可选的,将所述第二图像信息输入深度学习模型进行处理,得到图像检测结果,确定目标,包括:
将第二图像分成多个k×k的网格;
当目标中心落在某个网格上时,确定检测到该网格中的目标;
用最小矩形框把该目标对象框出来;
计算目标的边框的中心点坐标、边框的宽、边框的高和置信度,得到所述图像检测结果,并提取出目标信息。
可选的,处理模块72还用于判断若所述图像检测结果中有N帧图像,其中有M帧图像和目标匹配,则确定该目标准确,M和N均为正整数,且M大于N/2。
可选的,处理模块72还用于用外接矩形框对所述目标进行标识。
可选的,处理模块72还用于将所述矩形框的对角线的交点作为所述目标的坐标信息,进行直角坐标和极坐标的转换,得到所述目标的方位和距离信息。
可选的,根据第一滤波算法,对所述数字信号进行检测处理,确定目标,包括:根据至少一级检测门限,对所述数字信号进行检测处理,确定目标;
可选的,处理模块72还用于若雷达的天线扫描X圈的图像中,有Y圈的图像与所述目标匹配上,则确定所述目标为真实目标,并输出所述目标,X和Y均为正整数,且Y大于X/2。
可选的,处理模块72还用于对根据所述深度学习算法得到的目标的信息,和/或,根据第一滤波算法得到的目标的信息,进行跟踪。
可选的,上述装置还包括:显示模块,用于显示输出的所述目标。
需要说明的是,该装置是与上述方法对应的装置,上述方法实施例中的所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
具体实现时,如图2所示,该实施例中的获取模块71可以是上述信号采集模块,处理模块72可以是上述的格式转换模块、原始回波图像模块、图像预处理模块、深度学习模型、多帧相关模块、目标信息提取模块、坐标转换模块、第一滤波算法模块、多圈相关模块、目标信息输出模块、目标跟踪模块中的至少一个,也可以包括这些模块。该装置的实施例中,还可以包括如图5所示的故障报警模块、如图6所示的数据管理模块等。
值得指出的是,本发明实施例中上述方法每个步骤所实现的功能与系统中实现相应功能的模块所对应,相应地,方法实施例和系统实施例中的示例也是对应的,为避免重复,在方法实施例中记载的示例可适用于系统实施例中相应模块的示例中,系统实施例中记载的模块的示例亦可适用于方法实施例中相应步骤的实现示例中。
本发明的上述实施例通过深度学习模型来检测雷达目标,为用户提供了较为准确的目标信息,从而为导航和避碰提供了可靠的参考依据。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种基于深度学习的航海雷达目标检测方法,其特征在于,包括:
获取雷达接收机采集的雷达原始数据信息;
对所述雷达原始数据信息进行模数转换处理,得到数字信号;
根据深度学习算法和/或第一滤波算法,分别对所述数字信号进行检测处理,确定目标;
若根据第一滤波算法没有检测到目标,且根据所述深度学习算法检测到目标时,输出根据所述深度学习算法检测到的目标;或者,根据所述深度学习算法没有检测到目标,且根据所述第一滤波算法检测到目标时,输出根据所述第一滤波算法检测到的目标;
其中,根据深度学习算法对所述数字信号进行检测处理,确定目标,包括:
对所述数字信号进行格式转换,得到第一图像信息;
对所述第一图像信息进行处理,得到原始回波图像信息;
对所述原始回波图像进行处理,得到第二图像信息;
将所述第二图像信息输入深度学习模型进行处理,得到图像检测结果,确定目标;所述深度学习模型是用多组已标注的原始回波图像通过深度学习算法而训练好的模型。
2.根据权利要求1所述的基于深度学习的航海雷达目标检测方法,其特征在于,对所述数字信号进行格式转换,得到第一图像信息,包括:
按照雷达信号处理的固定格式,对所述数字信号进行格式转换,得到所述第一图像信息。
3.根据权利要求1所述的基于深度学习的航海雷达目标检测方法,其特征在于,对所述第一图像信息进行处理,得到原始回波图像信息,包括:
对所述第一图像信息的像素值信息进行处理,得到所述原始回波图像信息。
4.根据权利要求1所述的基于深度学习的航海雷达目标检测方法,其特征在于,对所述原始回波图像进行处理,得到第二图像信息,包括:
使用第二滤波算法,对所述原始回波图像进行滤波处理,得到第二图像信息。
5.根据权利要求1所述的基于深度学习的航海雷达目标检测方法,其特征在于,将所述第二图像信息输入深度学习模型进行处理,得到图像检测结果,确定目标,包括:
将第二图像分成多个k×k的网格;
当目标中心落在某个网格上时,确定检测到该网格中的目标;
用最小矩形框把该目标对象框出来;
计算目标的边框的中心点坐标、边框的宽、边框的高和置信度,得到所述图像检测结果,并提取出目标信息。
6.根据权利要求1所述的基于深度学习的航海雷达目标检测方法,其特征在于,还包括:
若所述图像检测结果中有N帧图像,其中有M帧图像和目标匹配,则确定该目标准确,M和N均为正整数,且M大于N/2。
7.根据权利要求6所述的基于深度学习的航海雷达目标检测方法,其特征在于,还包括:
用外接矩形框对所述目标进行标识;
将所述矩形框的对角线的交点作为所述目标的坐标信息,进行直角坐标和极坐标的转换,得到所述目标的方位和距离信息。
8.根据权利要求1所述的基于深度学习的航海雷达目标检测方法,其特征在于,根据第一滤波算法,对所述数字信号进行检测处理,确定目标,包括:
根据至少一级检测门限,对所述数字信号进行检测处理,确定目标。
9.根据权利要求8所述的基于深度学习的航海雷达目标检测方法,其特征在于,还包括:
若雷达的天线扫描X圈的图像中,有Y圈的图像与所述目标匹配上,则确定所述目标为真实目标,并输出所述目标,X和Y均为正整数,且Y大于X/2。
10.根据权利要求1所述的基于深度学习的航海雷达目标检测方法,其特征在于,还包括:
对根据所述深度学习算法得到的目标的信息,和/或,根据第一滤波算法得到的目标的信息,进行跟踪,并显示所述目标。
11.一种基于深度学习的航海雷达目标检测装置,其特征在于,包括:
获取模块,用于获取雷达接收机采集的雷达原始数据信息;
处理模块,用于对所述雷达原始数据信息进行模数转换处理,得到数字信号;根据深度学习算法和/或第一滤波算法,分别对所述数字信号进行检测处理,确定目标;若根据第一滤波算法没有检测到目标,且根据所述深度学习算法检测到目标时,输出根据所述深度学习算法检测到的目标;或者,根据所述深度学习算法没有检测到目标,且根据所述第一滤波算法检测到目标时,输出根据所述第一滤波算法检测到的目标;
其中,根据深度学习算法对所述数字信号进行检测处理,确定目标,包括:
对所述数字信号进行格式转换,得到第一图像信息;
对所述第一图像信息进行处理,得到原始回波图像信息;
对所述原始回波图像进行处理,得到第二图像信息;
将所述第二图像信息输入深度学习模型进行处理,得到图像检测结果,确定目标;所述深度学习模型是用多组已标注的原始回波图像通过深度学习算法而训练好的模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019113882309 | 2019-12-30 | ||
CN201911388230 | 2019-12-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111323756A CN111323756A (zh) | 2020-06-23 |
CN111323756B true CN111323756B (zh) | 2022-05-13 |
Family
ID=71169509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010207699.4A Active CN111323756B (zh) | 2019-12-30 | 2020-03-23 | 一种基于深度学习的航海雷达目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111323756B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112255613B (zh) * | 2020-12-23 | 2021-04-30 | 北京海兰信数据科技股份有限公司 | 一种自动抑制导航雷达海杂波的方法及系统 |
CN112816956A (zh) * | 2020-12-31 | 2021-05-18 | 北京海兰信数据科技股份有限公司 | 一种获取雷达目标信息的方法和装置 |
CN113111890B (zh) * | 2021-04-08 | 2022-09-27 | 哈尔滨工程大学 | 一种基于水天线的远距离水面红外目标快速跟踪方法 |
CN117784028A (zh) * | 2024-02-27 | 2024-03-29 | 南京天朗防务科技有限公司 | 随机杂波识别方法、系统、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015081890A (ja) * | 2013-10-24 | 2015-04-27 | 古野電気株式会社 | 信号処理装置及びレーダ装置 |
CN107884768A (zh) * | 2017-10-12 | 2018-04-06 | 上海无线电设备研究所 | 基于大数据分析技术的复杂环境自适应主动雷达系统 |
CN108197582A (zh) * | 2018-01-10 | 2018-06-22 | 武汉理工大学 | 基于深度学习的海事雷达图像处理方法 |
CN109993692A (zh) * | 2019-04-09 | 2019-07-09 | 大连海事大学 | 一种基于深度学习的电子海图和雷达图像的数据融合方法 |
CN110398720A (zh) * | 2019-08-21 | 2019-11-01 | 深圳耐杰电子技术有限公司 | 一种反无人机探测跟踪干扰系统及光电跟踪系统工作方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10124730B2 (en) * | 2016-03-17 | 2018-11-13 | Ford Global Technologies, Llc | Vehicle lane boundary position |
CN110490829B (zh) * | 2019-08-26 | 2022-03-15 | 北京华捷艾米科技有限公司 | 一种深度图像的滤波方法及系统 |
-
2020
- 2020-03-23 CN CN202010207699.4A patent/CN111323756B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015081890A (ja) * | 2013-10-24 | 2015-04-27 | 古野電気株式会社 | 信号処理装置及びレーダ装置 |
CN107884768A (zh) * | 2017-10-12 | 2018-04-06 | 上海无线电设备研究所 | 基于大数据分析技术的复杂环境自适应主动雷达系统 |
CN108197582A (zh) * | 2018-01-10 | 2018-06-22 | 武汉理工大学 | 基于深度学习的海事雷达图像处理方法 |
CN109993692A (zh) * | 2019-04-09 | 2019-07-09 | 大连海事大学 | 一种基于深度学习的电子海图和雷达图像的数据融合方法 |
CN110398720A (zh) * | 2019-08-21 | 2019-11-01 | 深圳耐杰电子技术有限公司 | 一种反无人机探测跟踪干扰系统及光电跟踪系统工作方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111323756A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111323756B (zh) | 一种基于深度学习的航海雷达目标检测方法及装置 | |
CN111323757B (zh) | 一种航海雷达目标检测方法及装置 | |
US20190204416A1 (en) | Target object detecting device, method of detecting a target object and computer readable medium | |
CN111899568B (zh) | 桥梁防撞预警系统、方法、装置和存储介质 | |
CN109409283A (zh) | 一种海面舰船跟踪和监控的方法、系统和存储介质 | |
CN101915910B (zh) | 利用航海雷达识别海上溢油目标的方法及系统 | |
CN107942329B (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN109597065B (zh) | 一种用于穿墙雷达检测的虚警抑制方法、装置 | |
CN105427342A (zh) | 一种水下小目标声呐图像目标检测跟踪方法和系统 | |
JP2017156219A (ja) | 追尾装置、追尾方法およびプログラム | |
CN110263646A (zh) | 一种基于卷积神经网络的海面弱目标探测方法和系统 | |
CN111123212A (zh) | 一种基于复杂杂波背景下的场面监视雷达的信号处理方法 | |
Zhao et al. | SAR ship detection based on end-to-end morphological feature pyramid network | |
CN113743385A (zh) | 一种无人船水面目标检测方法、装置及无人船 | |
CN111123251B (zh) | 一种雷达的目标对象检测方法及装置 | |
CN115061113A (zh) | 用于雷达的目标检测模型训练方法、装置及存储介质 | |
CN115184915A (zh) | 基于杂波随机徘徊行为的海杂波抑制方法及系统 | |
CN112305531B (zh) | 一种目标检测方法及装置 | |
Gupta et al. | A GUI based application for low intensity object classification & count using SVM approach | |
CN112435249A (zh) | 一种基于周扫红外搜索系统的动态小目标检测方法 | |
CN117173215A (zh) | 一种跨摄像头的内河航船全程轨迹识别方法及系统 | |
Tang et al. | A novel approach for automatic recognition of LPI radar waveforms based on CNN and attention mechanisms | |
CN113534096B (zh) | 基于样条函数的LiDAR信号几何特征提取方法及系统 | |
CN112816956A (zh) | 一种获取雷达目标信息的方法和装置 | |
CN110827257B (zh) | 一种嵌入式机载红外图像视觉导航定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |