CN111880157B - 一种雷达图像中目标的检测方法及系统 - Google Patents
一种雷达图像中目标的检测方法及系统 Download PDFInfo
- Publication number
- CN111880157B CN111880157B CN202010785327.XA CN202010785327A CN111880157B CN 111880157 B CN111880157 B CN 111880157B CN 202010785327 A CN202010785327 A CN 202010785327A CN 111880157 B CN111880157 B CN 111880157B
- Authority
- CN
- China
- Prior art keywords
- target detection
- target
- network
- detection model
- echo data
- 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
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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种雷达图像中目标的检测方法及系统。该方法包括:获取雷达回波数据;将所述雷达回波数据转换为PPI视频流;所述PPI视频流包括多帧PPI图像;获取目标检测模型;所述目标检测模型包括杂波抑制网络和目标检测网络;所述杂波抑制网络用于在抑制杂波的基础上提取图像中的关键特征;所述目标检测网络为跨阶段局部残差网络,所述目标检测网络用于根据图像的关键特征提取待测目标;将所述PPI视频流输入所述目标检测模型,得到所述PPI视频流中的待测目标。本发明可以抑制杂波,提高目标检测的准确度。
Description
技术领域
本发明涉及目标检测领域,特别是涉及一种雷达图像中目标的检测方法及系统。
背景技术
雷达动目标检测是雷达信号处理领域的重要分支,也是雷达目标检测中的重要内容。可靠和稳健的动目标检测技术的难点主要体现在目标回波微弱、机动导致多普勒时变等。雷达在动目标探测时不仅受到目标机动特性的影响,还受杂波和噪声等干扰,在实际的复杂背景下检测难度大。其中,杂波是目标检测的主要干扰源,一方面,目标回波的信杂比(Signal-to-clutter ratio,SCR)较低,易造成漏检,另一方面,强杂波幅值类似于目标回波,易引起虚警;而且,由于风力的影响,某些杂波也有着一定的速度,如海杂波,其多普勒不为零,进一步提升了慢速目标检测的难度。
传统的雷达动目标检测方法主要是通过时域、频域、变换域的处理,改善SCR,实现目标的可靠检测。时域处理的经典方法包括非相参积累以及恒虚警(CFAR)检测,然而以非相参积累为代表的目标检测算法基于回波统计模型假设,抗杂波能力不强,以CFAR为代表的目标检测算法的检测性能受到背景杂波分布模型的限制,对背景环境的泛化能力不强,难以保证检测的稳定性和高精度性。频域处理的经典方法包括动目标显示(Moving TargetIndicator,MTI)和动目标检测(Moving Target Detection,MTD),它们通过傅里叶变换实现多普勒信息的提取,利用多普勒滤波器来区分运动目标和杂波,然而该类方法对于匀速运动目标的检测性能最好,面对变速和机动目标,会产生频谱发散,能量难以积累的问题。
针对传统目标检测算法抗杂波能力差和泛化能力弱的现状,新的研究思路和方法亟需被提出。近年来,深度学习方法得到了飞跃式的发展,卷积神经网络(ConvolutionalNeural Network,CNN)作为深度学习的重要组成部分,能够自动学习和提取目标的特征,实现对图像目标的智能检测与分类等任务。将深度学习应用于雷达图像目标检测的新方法也不断被提出。郭赛提出了基于深度学习的海面目标检测方法,将深度学习与海面目标检测结合,有效地提高了算法的性能;苏宁远等提出了一种基于卷积神经网络的海面微动目标检测与分类方法,通过智能化特征提取回波信号时频图特征,实现微动目标的检测与分类;陈晨等提出了一种基于深度卷积网络的多尺度SAR图像船舶检测方法;黄洁等提出了一种基于卷积神经网络的遥感图像舰船目标检测方法,将深度学习方法延伸到了SAR图像以及遥感图像的目标检测领域并且实现了较好的检测性能提升。然而,上述方法大多是深度学习方法在高分辨遥感图像和SAR图像上的应用,强杂波背景下的目标检测首要问题就是杂波抑制,但对于普通的中低分辨率雷达图像尤其是对海雷达图像目标检测研究较少。同时,考虑到图像目标实时检测领域,YOLOv3作为基于卷积神经网络的检测算法中实时性最好的方法,被广泛地应用于人脸识别、行人检测等工程实践中并取得了良好的效果。然而,将其应用于雷达目标检测时虽然可以满足实时性的需求,但是存在着漏检率高、虚警率高的“双高”问题,小目标的机动性和杂波的干扰限制了其性能的进一步提升。
发明内容
本发明的目的是提供一种雷达图像中目标的检测方法及系统,以实现杂波抑制,提高目标检测的准确性。
为实现上述目的,本发明提供了如下方案:
一种雷达图像中目标的检测方法,包括:
获取雷达回波数据;所述雷达回波数据为雷达采集的方位-距离回波数据;
将所述雷达回波数据转换为PPI视频流;所述PPI视频流包括多帧PPI图像;
获取目标检测模型;所述目标检测模型包括杂波抑制网络和目标检测网络;所述杂波抑制网络用于在抑制杂波的基础上提取图像中的关键特征;所述目标检测网络为跨阶段局部残差网络,所述目标检测网络用于根据图像的关键特征提取待测目标;
将所述PPI视频流输入所述目标检测模型,得到所述PPI视频流中的待测目标。
可选的,所述获取目标检测模型,之前还包括:
构建所述目标检测模型;
获取样本回波数据;所述样本回波数据为导航雷达发射不同采样频率的长脉冲和短脉冲条件下采集的回波数据;
将所述样本回波数据转换为PPI图像,得到样本图像;
对所述样本图像进行裁剪,并将所述样本图像中的目标添加标签,得到目标数据集;
将所述目标数据集输入所述目标检测模型进行迭代训练,根据损失函数对所述目标检测模型的参数进行调整和优化,得到训练好的所述目标检测模型。
可选的,所述杂波抑制网络具体包括:LN-TC模块和ARN模块;
所述LN-TC模块包括归一化单元和传递与连接单元;所述归一化单元用于在通道方向对通道和张量的长与宽进行归一化,提取特征矩阵的矩信息;所述矩信息包括所述特征矩阵的均值和所述特征矩阵的标准差;所述传递与连接单元用于将所述归一化单元提取的矩信息与后续的网络层进行跳变连接,对所述特征矩阵进行解码和增强,得到新的特征张量;
所述ARN模块包括三个注意力子网络,三个注意力子网络通过残差连接。
可选的,所述目标检测网络包括多个卷积层和多个输出,多个卷积层之间通过残差连接;输入所述目标检测网络的特征张量经过两条通道向下传播,第一条通道经过中间层向下传输,第二条通道与所述第一条通道传输的特征合并后向下传输;所述目标检测网络的多个输出尺度不同。
本发明还提供一种雷达图像中目标的检测系统,包括:
雷达回波数据获取模块,用于获取雷达回波数据;所述雷达回波数据为雷达采集的方位-距离回波数据;
数据转换模块,用于将所述雷达回波数据转换为PPI视频流;所述PPI视频流包括多帧PPI图像;
目标检测模型获取模块,用于获取目标检测模型;所述目标检测模型包括杂波抑制网络和目标检测网络;所述杂波抑制网络用于在抑制杂波的基础上提取图像中的关键特征;所述目标检测网络为跨阶段局部残差网络,所述目标检测网络用于根据图像的关键特征提取待测目标;
待测目标检测模块,用于将所述PPI视频流输入所述目标检测模型,得到所述PPI视频流中的待测目标。
可选的,还包括:
目标检测模型构建模块,用于在获取目标检测模型之前,构建所述目标检测模型;
样本回波数据获取模块,用于获取样本回波数据;所述样本回波数据为导航雷达发射不同采样频率的长脉冲和短脉冲条件下采集的回波数据;
样本图像获取模块,用于将所述样本回波数据转换为PPI图像,得到样本图像;
目标数据集获取模块,用于对所述样本图像进行裁剪,并将所述样本图像中的目标添加标签,得到目标数据集;
训练模块,用于将所述目标数据集输入所述目标检测模型进行迭代训练,根据损失函数对所述目标检测模型的参数进行调整和优化,得到训练好的所述目标检测模型。
可选的,所述杂波抑制网络具体包括:LN-TC模块和ARN模块;
所述LN-TC模块包括归一化单元和传递与连接单元;所述归一化单元用于在通道方向对通道和张量的长与宽进行归一化,提取特征矩阵的矩信息;所述矩信息包括所述特征矩阵的均值和所述特征矩阵的标准差;所述传递与连接单元用于将所述归一化单元提取的矩信息与后续的网络层进行跳变连接,对所述特征矩阵进行解码和增强,得到新的特征张量;
所述ARN模块包括三个注意力子网络,三个注意力子网络通过残差连接。
可选的,所述目标检测网络包括多个卷积层和多个输出,多个卷积层之间通过残差连接;输入所述目标检测网络的特征张量经过两条通道向下传播,第一条通道经过中间层向下传输,第二条通道与所述第一条通道传输的特征合并后向下传输;所述目标检测网络的多个输出尺度不同。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明通过杂波抑制网络抑制杂波和增强目标,并通过跨阶段局部残差网络进行目标检测,以保证检测网络的轻量化和准确性,进而避免了杂波的影响,提高了目标检测的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明雷达图像中目标的检测方法的流程示意图;
图2为本发明目标检测模型的结构示意图;
图3为本发明ARN模块的结构示意图;
图4为本发明目标检测网络的结构示意图;
图5为本发明雷达图像中目标的检测系统的结构示意图;
图6为本发明具体实施例中PPI图像裁剪前后对比图;
图7为本发明具体实施例中杂波抑制网络的特征图;
图8为本发明具体实施例目标检测模型的检测结果与原图的对比示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明雷达图像中目标的检测方法的流程示意图。如图1所示,本发明雷达图像中目标的检测方法包括以下步骤:
步骤100:获取雷达回波数据。所述雷达回波数据为雷达采集的方位-距离回波数据。
步骤200:将雷达回波数据转换为PPI视频流。所述PPI视频流包括多帧PPI图像。
步骤300:获取目标检测模型。目标检测模型包括杂波抑制网络和目标检测网络;所述杂波抑制网络用于在抑制杂波的基础上提取图像中的关键特征;所述目标检测网络为跨阶段局部残差网络,所述目标检测网络用于根据图像的关键特征提取待测目标。
为了提高目标检测的准确率,降低虚警率,增强算法的泛化能力,本发明采用杂波抑制和目标检测一体化融合的目标检测模型。本发明目标检测模型中基于YOLOv3的损失函数,同时引入了YOLOv4算法的数据增强方法Mosaic和交并比(Intersection over Union,IOU)计算方法Ciou。如图2所示,本发明目标检测模型包括杂波抑制网络和目标检测网络。
杂波抑制网络包括用于关键特征提取和增强的LN-TC模块和ARN模块,LN-TC模块和ARN模块是整个杂波抑制网络的核心。LN-TC为层归一化-传递和连接(LayerNormalization-Transfer and Connection,LN-TC),ARN为注意力残差网络(AttentionResidual Network,ARN)。
LN-TC模块利用LN-TC算法可以提取图像中的关键目标信息,并加以增强,保证在完成杂波抑制任务的同时使目标得以完整保留,同时可以减少对于数据集样本数量的依赖,实现小样本的高效生成对抗训练。具体的,LN-TC模块包括层归一化单元和传递与连接单元。
层归一化单元利用层归一化方法在通道方向对通道、张量的长和宽进行归一化,与批归一化(Batch Normalization)相比在小批量、少样本的矩信息提取方面有着极大的优势。层归一化的公式为:
其中,μn为第n层特征矩阵的均值,σn为第n层特征矩阵的标准差,H为该层的神经元数量,为该层第i个输入的神经元,ε为一常数,防止σb,h,w为0。
传递与连接单元用于把提取的矩信息μ、σ与后续的网络层进行跳变连接,对在层归一化单元中被归一化的特征进行解码和增强,公式为:
其中,Y为输出的新特征张量,x为输入的特征张量,μ、σ分别为μn和σn的集合,γ、β分别为层归一化中提取的方差和均值,f(·)为整个ARN模块的函数表示。
ARN模块的结构如图3所示,包括三个注意力子网络,分别为注意力网络1(Attention Network 1,AN1),注意力网络2(Attention Network 2,AN2)和注意力网络3(Attention Network 3,AN3)。三个注意力子网络之间通过残差连接,残差连接能够通过学习残差函数来构造一个新的恒等映射,提高神经网络的特征提取效率和特征信息的完整性。注意力网络可以通过训练实现模型权重的合理分配,关注图像和特征张量中的重点信息,忽略和少关注不重要的信息,而在杂波图像中,目标是重要信息,杂波是可以忽略的无关信息。ARN的公式表示为:
Featurenew=Featureold+F1·F2·F3 (4)
其中,F1=f1(Featureold),F2=f2(F1),F3=f3(F1·F2),Featureold表示输入基本模块的特征,Featurenew表示ARN网络处理后输出的新特征,f1(·)表示注意力网络1的函数,f2(·)表示注意力网络2的函数,f3(·)表示注意力网络3的函数。
目标检测网络为跨阶段局部残差网络CSPRM,本发明的目标检测网络为基于CSPnet和Resnet网络构建的网络。CSPNet能够把提取的特征通过两条通道继续向下传播:一条通道经过中间层向下传输,另一条通道将与传输的特征合并继续向下传输,该网络结构可以在增强特征提取能力的同时减少网络参数,大大减少显存的资源占用,在保证良好的特征提取性能的同时提高网络的训练和测试速度,因此,本发明的目标检测网络采用同样的方式进行通道的向下传播。Resnet网络的残差连接能够增强特征提取的完整性,减少梯度消失的可能,因此,本发明的目标检测网络中的多个卷积层之间也采用残差连接。本发明目标检测网络的具体结构如图4所示,能够使网络轻量化的同时不影响特征提取性能。而且,本发明的目标检测网络沿用了YOLOv3的三个尺度的输出,即图2中的输出1、输出2和输出3,与YOLOv3、YOLOv4不同的是,该多尺度输出部分特征输出之前没有进行特征融合,一方面是为了减少网络参数,使网络轻量化,另一方面是经过目标检测模型前端杂波抑制网络的杂波抑制和特征增强,以及目标检测模型后端CSPRM的特征传输后,特征已得到了较好的提取和传输。
在使用目标检测模型之前,需要构建目标检测模型,并对构建好的目标检测模型进行训练。具体过程如下:
(1)构建所述目标检测模型,包括杂波抑制网络和目标检测网络。
(2)采集样本回波数据。使用导航雷达发射不同采样频率的长脉冲和短脉冲采集不同条件下的雷达回波数据,以保证采集的数据样本的多样性。同时,选择并采集复杂样本(不容易被检测的样本),以提高数据集在不同情况下的泛化能力。
(3)数据转换。将所述样本回波数据转换为PPI图像,得到样本图像。
(4)构建目标数据集。使用labeling软件对所述样本图像进行裁剪,并将所述样本图像中的目标添加标签,得到目标数据集。
(5)模型的训练与优化。将所述目标数据集输入所述目标检测模型进行迭代训练,根据损失函数对所述目标检测模型的参数进行调整和优化,
(6)最优目标检测模型的获得。迭代过程中选取损失函数值loss小于1的训练模型,使用目标数据集对模型进行测试,选取检测概率达到90%以上的模型作为最优目标检测模型,即训练好的目标检测模型。
步骤400:将PPI视频流输入目标检测模型,得到PPI视频流中的待测目标。
图5为本发明雷达图像中目标的检测系统的结构示意图。如图5所示,本发明雷达图像中目标的检测系统包括:
雷达回波数据获取模块501,用于获取雷达回波数据;所述雷达回波数据为雷达采集的方位-距离回波数据。
数据转换模块502,用于将所述雷达回波数据转换为PPI视频流;所述PPI视频流包括多帧PPI图像。
目标检测模型获取模块503,用于获取目标检测模型;所述目标检测模型包括杂波抑制网络和目标检测网络;所述杂波抑制网络用于在抑制杂波的基础上提取图像中的关键特征;所述目标检测网络为跨阶段局部残差网络,所述目标检测网络用于根据图像的关键特征提取待测目标。
待测目标检测模块504,用于将所述PPI视频流输入所述目标检测模型,得到所述PPI视频流中的待测目标。
作为另一实施例,本发明雷达图像中目标的检测系统,还包括:
目标检测模型构建模块,用于在获取目标检测模型之前,构建所述目标检测模型。
样本回波数据获取模块,用于获取样本回波数据;所述样本回波数据为导航雷达发射不同采样频率的长脉冲和短脉冲条件下采集的回波数据。
样本图像获取模块,用于将所述样本回波数据转换为PPI图像,得到样本图像。
目标数据集获取模块,用于对所述样本图像进行裁剪,并将所述样本图像中的目标添加标签,得到目标数据集。
训练模块,用于将所述目标数据集输入所述目标检测模型进行迭代训练,根据损失函数对所述目标检测模型的参数进行调整和优化,得到训练好的所述目标检测模型。
下面提供一个具体实施案例,进一步说明本发明的方案。本具体实施案例包括以下步骤:
Step1、数据采集。
在一级、二级、三级和四级海况下,利用X波段非相参导航雷达发射脉冲信号,在烟台港附近进行数据采集实验,得到不同海况和天气下的民用船只的雷达回波数据,存储为DAT格式的数据文件。烟台港海域每日有大量进出港的客船、货船等,同时周边分布着养殖区,渔船数量较多,为海面目标数据的采集提供了便利。此外,AIS(AutomaticIdentification System,船舶自动识别系统)设备得到的船只的位置信息可作为目标检测结果的验证。
数据样本的多样性保证:从不同雷达探测参数(脉冲的长短、采样频率)、不同海况(一级、二级、三级、四级海况)和天气情况(晴天、大风、雨天、雪天)以及不同类型海上目标(目标尺度、目标数量、目标类型)等几个方面,采集多种观测条件下的雷达海上目标探测数据。
数据样本的平衡性保证:为了提高数据集对复杂环境的泛化能力,改善简单样本和困难样本数量不平衡的问题,需要采集困难样本。困难样本是相对于简单样本而言,不容易被深度学习分类器区分的样本,该类样本有助于提高训练模型的识别能力和检测性能。采集复杂天气如雨雪天气、大风大浪天气中的目标样本以及小尺度目标样本等等,不仅可以进一步提高数据样本的多样性,而且可以从数据集层面改善简单样本和困难样本不平衡的问题。
Step2、数据预处理。
使用Matlab将PCI采集卡采集到的DAT格式原始数据转换为MAT格式,同时读取该格式数据生成为PPI图像。由于PPI图像较大而且大部分区域没有目标,使用完整的PPI图像训练会占用过高的显存和耗费过长的时间,因此需要对原始PPI图像进行裁剪处理。如图6所示,图6为本发明具体实施例中PPI图像裁剪前后对比图,其中图6中(a)部分为裁剪前的PPI图像,从该部分可以看出,海面目标主要位于PPI图像的右上部分,即烟台港出港口以东的广大海域,因此裁剪四分之一大小的PPI图像并基于此构建数据集,裁剪后的PPI图像如图6中(b)部分所示。
在深度学习目标检测领域最常用的数据标注格式为Pascal VOC和COCO,本文使用Pascal VOC格式制作数据集:首先使用标注精灵软件来标注数据集图像并生成XML格式的标注文件;然后,设置数据集中80%的图像用于训练,20%的图像用于测试,训练集中90%的图像用于训练,10%的图像用于验证,生成trainval.txt、train.txt、val.txt、test.txt等四个文本文档作为训练检验集、训练、检验、测试集的图片名称索引目录,训练数据集包括1600张图像,测试数据集包括400张图像。
Step3、验证数据集。
利用测试集对模型测试得到最优模型后,需要进一步对其对于动目标的检测性能进行验证,这里需要用到实时验证数据集。验证数据集来源于实时的实测回波数据生成的实时PPI视频,本文选用了三类不同类型的实时回波数据对模型进行验证,三类数据的具体参数如表1所示。
表1实时验证数据集参数
数据编号 | 目标数量 | 目标尺度 | 目标速度 | 海况 | 背景 | PPI视频帧数 |
Data_01# | 3 | 中型船 | 中速 | 2级 | 海杂波较弱 | 150 |
Data_02# | 2 | 中、小型船 | 低速 | 2级 | 地杂波较强 | 150 |
Data_03# | 9 | 中、小型船 | 低速 | 4级 | 海杂波较强 | 50 |
Step4、目标检测模型INet的训练和测试。
计算机配置如下: CoreTM i7-8700K处理器,16G内存,Ge Force GTX1050Ti显卡,显存为6G。系统环境是Windows,框架是Pytorch。实验的参数设置如下:梯度下降算法为Adam算法,初始学习率设置为0.001,epoch设置为100。输入海面目标数据集到目标检测模型INet中后,经过不断的迭代训练,在96epoch时得到了最优INet目标检测模型。在对模型进行测试时,为了提高模型的检测速度,将雷达回波数据实时生成灰度PPI图像,同时只生成并显示PPI图像的四分之一。测试结果见表2。
表2测试结果表
算法 | Recall | FA | 速度 |
INet | 91.12% | 1.30% | 9.12FPS |
其中,表2中的Recall、FA对应于传统目标检测中的检测概率和虚警率,其公式如下:
FA=1-P (7)
其中,R为Recall,表示召回率,P为Precision,表示精确度,FA为虚警率,FP(FalsePositive)表示负样本的模型预测结果为正,TP(True Positive)表示正样本的模型预测结果为负,TN(True Negative)表示正样本的模型预测结果为负,FN(False Negative)表示负样本的模型预测结果为负。
同时,为了检验杂波抑制网络的杂波抑制效果,本实施例以一帧包含三个运动民船目标的图像输入到INet网络的杂波抑制网络中,选取了三类具有代表性的特征图进行输出展示:第一个卷积层输出的特征图、第四个卷积层输出的特征图、最后一层输出的特征图,如图7所示,图7中(a)部分为输入的图像,图7中(b)部分为第一个卷积层输出的特征图,图7中(c)部分为第四个卷积层输出的特征图,图7中(d)部分为最后一层输出的特征图。
Step5、INet目标检测模型的优化(帧间积累和预训练)。
INet目标检测模型目标检测的准确率虽然达到了90%以上,但是仍然有进一步提升的空间,可以通过预训练的方式进一步改善检测能力,基于此,本实施例对INet目标检测模型进行预训练,以此进一步提高算法的检测概率。预训练是指先对模型进行训练,将测试后得到的最优模型的网络参数作为真正训练时网络的初始参数,基于预训练网络再进行一次模型的训练,达到进一步优化网络模型参数和提高模型训练效果的目的。与此同时,对INet目标检测模型采取预训练的方式虽然能够在一定程度上提高检测的准确率,减少漏检率,但是仍然没有解决算法虚警率高的问题,而同频异步干扰和海杂波是引起虚警率高的主要原因。基于此,对INet目标检测模型进行预训练和帧间积累的优化结果见表3。
表3 INet模型优化结果对比
从表3中可以看出,经过INet目标检测模型的预训练和帧间积累,漏检率和虚警率得到了进一步的降低,检测概率Recall提升了1.61%,达到了92.73%,虚警率由1.12%降低到了0.33%,降低了一个数量级,INet目标检测模型实现了良好的优化,得到了最终的O-INet(Optimized INet)目标检测模型。
图8为本发明具体实施例目标检测模型的检测结果与原图的对比示意图。其中图8中(a)部分为图像原图,图8中(b)部分为检测结果图。根据图8可以看出本发明提供的目标检测方法检测准确度高,虚警问题得到了较好的改善,泛化能力更强,可以较好地完成动目标的实时检测任务。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种雷达图像中目标的检测方法,其特征在于,包括:
获取雷达回波数据;所述雷达回波数据为雷达采集的方位-距离回波数据;
将所述雷达回波数据转换为PPI视频流;所述PPI视频流包括多帧PPI图像;
获取目标检测模型;所述目标检测模型包括杂波抑制网络和目标检测网络;所述杂波抑制网络用于在抑制杂波的基础上提取图像中的关键特征,所述杂波抑制网络具体包括:LN-TC模块和ARN模块;所述LN-TC模块包括归一化单元和传递与连接单元;所述归一化单元用于在通道方向对通道和张量的长与宽进行归一化,提取特征矩阵的矩信息;所述矩信息包括所述特征矩阵的均值和所述特征矩阵的标准差;所述传递与连接单元用于将所述归一化单元提取的矩信息与后续的网络层进行跳变连接,对所述特征矩阵进行解码和增强,得到新的特征张量;所述ARN模块包括三个注意力子网络,三个注意力子网络通过残差连接;所述目标检测网络为跨阶段局部残差网络,所述目标检测网络用于根据图像的关键特征提取待测目标;
将所述PPI视频流输入所述目标检测模型,得到所述PPI视频流中的待测目标。
2.根据权利要求1所述的雷达图像中目标的检测方法,其特征在于,所述获取目标检测模型,之前还包括:
构建所述目标检测模型;
获取样本回波数据;所述样本回波数据为导航雷达发射不同采样频率的长脉冲和短脉冲条件下采集的回波数据;
将所述样本回波数据转换为PPI图像,得到样本图像;
对所述样本图像进行裁剪,并将所述样本图像中的目标添加标签,得到目标数据集;
将所述目标数据集输入所述目标检测模型进行迭代训练,根据损失函数对所述目标检测模型的参数进行调整和优化,得到训练好的所述目标检测模型。
3.根据权利要求1所述的雷达图像中目标的检测方法,其特征在于,所述目标检测网络包括多个卷积层和多个输出,多个卷积层之间通过残差连接;输入所述目标检测网络的特征张量经过两条通道向下传播,第一条通道经过中间层向下传输,第二条通道与所述第一条通道传输的特征合并后向下传输;所述目标检测网络的多个输出尺度不同。
4.一种雷达图像中目标的检测系统,其特征在于,包括:
雷达回波数据获取模块,用于获取雷达回波数据;所述雷达回波数据为雷达采集的方位-距离回波数据;
数据转换模块,用于将所述雷达回波数据转换为PPI视频流;所述PPI视频流包括多帧PPI图像;
目标检测模型获取模块,用于获取目标检测模型;所述目标检测模型包括杂波抑制网络和目标检测网络;所述杂波抑制网络用于在抑制杂波的基础上提取图像中的关键特征,所述杂波抑制网络具体包括:LN-TC模块和ARN模块;所述LN-TC模块包括归一化单元和传递与连接单元;所述归一化单元用于在通道方向对通道和张量的长与宽进行归一化,提取特征矩阵的矩信息;所述矩信息包括所述特征矩阵的均值和所述特征矩阵的标准差;所述传递与连接单元用于将所述归一化单元提取的矩信息与后续的网络层进行跳变连接,对所述特征矩阵进行解码和增强,得到新的特征张量;所述ARN模块包括三个注意力子网络,三个注意力子网络通过残差连接;所述目标检测网络为跨阶段局部残差网络,所述目标检测网络用于根据图像的关键特征提取待测目标;
待测目标检测模块,用于将所述PPI视频流输入所述目标检测模型,得到所述PPI视频流中的待测目标。
5.根据权利要求4所述的雷达图像中目标的检测系统,其特征在于,还包括:
目标检测模型构建模块,用于在获取目标检测模型之前,构建所述目标检测模型;
样本回波数据获取模块,用于获取样本回波数据;所述样本回波数据为导航雷达发射不同采样频率的长脉冲和短脉冲条件下采集的回波数据;
样本图像获取模块,用于将所述样本回波数据转换为PPI图像,得到样本图像;
目标数据集获取模块,用于对所述样本图像进行裁剪,并将所述样本图像中的目标添加标签,得到目标数据集;
训练模块,用于将所述目标数据集输入所述目标检测模型进行迭代训练,根据损失函数对所述目标检测模型的参数进行调整和优化,得到训练好的所述目标检测模型。
6.根据权利要求4所述的雷达图像中目标的检测系统,其特征在于,所述目标检测网络包括多个卷积层和多个输出,多个卷积层之间通过残差连接;输入所述目标检测网络的特征张量经过两条通道向下传播,第一条通道经过中间层向下传输,第二条通道与所述第一条通道传输的特征合并后向下传输;所述目标检测网络的多个输出尺度不同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010785327.XA CN111880157B (zh) | 2020-08-06 | 2020-08-06 | 一种雷达图像中目标的检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010785327.XA CN111880157B (zh) | 2020-08-06 | 2020-08-06 | 一种雷达图像中目标的检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111880157A CN111880157A (zh) | 2020-11-03 |
CN111880157B true CN111880157B (zh) | 2023-08-22 |
Family
ID=73210881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010785327.XA Active CN111880157B (zh) | 2020-08-06 | 2020-08-06 | 一种雷达图像中目标的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111880157B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508001A (zh) * | 2020-12-03 | 2021-03-16 | 安徽理工大学 | 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法 |
CN112651326B (zh) * | 2020-12-22 | 2022-09-27 | 济南大学 | 一种基于深度学习的驾驶员手部检测方法及系统 |
CN112712052A (zh) * | 2021-01-13 | 2021-04-27 | 安徽水天信息科技有限公司 | 一种机场全景视频中微弱目标的检测识别方法 |
CN113534146B (zh) * | 2021-07-26 | 2023-12-01 | 中国人民解放军海军航空大学 | 一种雷达视频图像目标自动检测方法与系统 |
CN113609951B (zh) * | 2021-07-30 | 2023-11-24 | 北京百度网讯科技有限公司 | 目标检测模型的训练和目标检测方法、装置、设备及介质 |
CN114154545B (zh) * | 2021-12-07 | 2022-08-05 | 中国人民解放军32802部队 | 强互干扰条件下无人机测控信号智能识别方法 |
CN114638262B (zh) * | 2022-03-09 | 2024-02-27 | 西北工业大学 | 基于时频二维特征学习的雷达对海杂波智能抑制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928825A (zh) * | 2012-09-25 | 2013-02-13 | 北京航空航天大学 | 一种基于非负矩阵分解的雷达背景图像实时构造方法 |
CN104199009A (zh) * | 2014-09-18 | 2014-12-10 | 中国民航科学技术研究院 | 一种基于时域特性的雷达图像杂波抑制方法 |
CN109239669A (zh) * | 2018-08-16 | 2019-01-18 | 厦门大学 | 一种基于深度学习的自进化雷达目标检测算法 |
CN109407067A (zh) * | 2018-10-13 | 2019-03-01 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
CN109543824A (zh) * | 2018-11-30 | 2019-03-29 | 腾讯科技(深圳)有限公司 | 一种序列模型的处理方法和装置 |
CN109901129A (zh) * | 2019-03-06 | 2019-06-18 | 中国人民解放军海军航空大学 | 一种海杂波中目标检测方法及系统 |
CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
CN110441752A (zh) * | 2019-07-30 | 2019-11-12 | 中国人民解放军海军航空大学 | 海上目标检测方法及装置 |
-
2020
- 2020-08-06 CN CN202010785327.XA patent/CN111880157B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928825A (zh) * | 2012-09-25 | 2013-02-13 | 北京航空航天大学 | 一种基于非负矩阵分解的雷达背景图像实时构造方法 |
CN104199009A (zh) * | 2014-09-18 | 2014-12-10 | 中国民航科学技术研究院 | 一种基于时域特性的雷达图像杂波抑制方法 |
CN109239669A (zh) * | 2018-08-16 | 2019-01-18 | 厦门大学 | 一种基于深度学习的自进化雷达目标检测算法 |
CN109407067A (zh) * | 2018-10-13 | 2019-03-01 | 中国人民解放军海军航空大学 | 基于时频图卷积神经网络的雷达动目标检测与分类一体化方法 |
CN109543824A (zh) * | 2018-11-30 | 2019-03-29 | 腾讯科技(深圳)有限公司 | 一种序列模型的处理方法和装置 |
CN109901129A (zh) * | 2019-03-06 | 2019-06-18 | 中国人民解放军海军航空大学 | 一种海杂波中目标检测方法及系统 |
CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
CN110441752A (zh) * | 2019-07-30 | 2019-11-12 | 中国人民解放军海军航空大学 | 海上目标检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
Marine Target Detection Based on Improved Faster R-CNN for Navigation Radar PPI Images;Xiaoqian Mou;《2019 International Conference on Control, Automation and Information Sciences (ICCAIS)》;20191231;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111880157A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111880157B (zh) | 一种雷达图像中目标的检测方法及系统 | |
CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN101470194B (zh) | 一种水雷目标的识别方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN112001306A (zh) | 基于深度卷积对抗生成神经网络的脑电信号解码方法 | |
CN109711314B (zh) | 基于特征融合与sae的雷达辐射源信号分类方法 | |
CN112882009B (zh) | 基于幅度相位双通道网络的雷达微多普勒目标识别方法 | |
Chen et al. | Spatial–temporal convolutional gated recurrent unit network for significant wave height estimation from shipborne marine radar data | |
CN109948722B (zh) | 一种识别空间目标的方法 | |
CN113534065B (zh) | 一种雷达目标微动特征提取与智能分类方法及系统 | |
CN113361367B (zh) | 基于深度学习的地下目标电磁反演方法及系统 | |
CN113640768B (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
CN103473559A (zh) | 基于nsct域合成核的sar图像变化检测方法 | |
Qin et al. | Radar waveform recognition based on deep residual network | |
CN115438708A (zh) | 一种基于卷积神经网络和多模态融合的分类识别方法 | |
Chen et al. | Marine target detection based on Marine-Faster R-CNN for navigation radar plane position indicator images | |
CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及系统 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
CN109061628B (zh) | 一种基于多功能雷达慢扫增强的浒苔提取方法 | |
CN115223044A (zh) | 基于深度学习的端到端三维探地雷达目标识别方法及系统 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
CN113421281A (zh) | 一种基于分割理论的行人微动部位分离方法 | |
Gong et al. | Lightcnn: A compact cnn for moving maritime targets detection | |
CN111144316A (zh) | 基于堆栈自编码器的海面目标检测方法 |
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 |