CN113064133B - 一种基于时频域深度网络的海面小目标特征检测方法 - Google Patents
一种基于时频域深度网络的海面小目标特征检测方法 Download PDFInfo
- Publication number
- CN113064133B CN113064133B CN202110332553.7A CN202110332553A CN113064133B CN 113064133 B CN113064133 B CN 113064133B CN 202110332553 A CN202110332553 A CN 202110332553A CN 113064133 B CN113064133 B CN 113064133B
- Authority
- CN
- China
- Prior art keywords
- time
- vector
- target
- frequency
- boundary
- 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
- G01S7/41—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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于时频域深度网络的海面小目标特征检测方法,获取待检测单元的观测向量,并建立三元假设检验问题;将观测向量转换到二维时频域中,获得二维时频图;对二维时频图进行归一化处理,获得归一化时频图;构建深度网络模型,提取属于三类假设的概率值作为特征值;构建一个2D特征向量,作为最终的检验统计量;在给定虚警率下,结合三次样条曲线算法,确定虚警可控的判决区域;计算检验统计量是否在判决区域内。本发明结合了神经网络和特征检测技术,具有自主学习特征提取和多维特征联合的优势,提升了雷达对处在低信杂比下的海面小目标的探测性能。
Description
技术领域
本发明属于雷达信号处理技术领域,具体涉及一种基于时频域深度网络的海面小目标特征检测方法,适用于具有长时观测体制的对海探测雷达。
背景技术
目前,小船、快艇、飞机残骸等海面小目标已成为海洋雷达探测的重点和难点对象。通常,这些小目标的物理尺寸较小且具有隐身材料,使得信杂比(signal-to-clutter,SCR)往往临界可检测。相对于空中目标,低速运动的海面目标通常具有较弱的机动性,这导致其频谱容易落在海杂波主杂波区,加大了检测的难度。
在雷达信号处理中,长时观测累积是提高海面小目标检测性能的一种有效途径。在长时观测下,海杂波具有较强的空-时变特性,其幅度建模为具有时变纹理的复合高斯模型。在时频域,海杂波频谱占据较大的带宽且呈现出主杂波区和噪声区,其频谱过程可建模为随机过程。运动刚体目标的频谱占据较小的带宽且能量汇聚在瞬时频率曲线上。因此,时频域蕴含着更多的海杂波和目标特性,从理论上保证了目标检测性能的上升空间。
目前,长时观测累积的检测方法主要分为三大类。第一类,基于分形理论的检测方法,适用于秒级以上观测条件。根据海杂波的多尺度分形特性,有学者提出基于Hurst指数的海面目标检测方法。第二类,基于多维特征的目标检测方法。有学者提出基于三特征检测器以及特征检测框架,联合了1个时域能量和2个频域几何特征。有学者提出一种基于改进SVM的三特征检测方法和基于决策树的三特征检测,两者都需要搜索最优的参数进行虚警控制。这类方法需要人为提取特征,提取的特征往往是经验的、定性的和不完备的。第三类,基于卷积神经网络(convolutional neural network,CNN)的智能检测方法。有学者将时频图作为CNN的输入,用于仿真数据下的多种海面机动目标检测和分类中。有学者将平面位置显示器(PPI)图像作为输入,实现基于INet的杂波抑制和中小型船的检测。这类智能检测方法是提升检测性能的有效途径,难点在于虚警可控判决区域的设计。
针对人工特征提取的局限性和虚警可控判决区域设计的问题,本发明提出一种基于时频域深度网络的海面小目标特征检测方法,将深度网络作为特征提取器,进而深入挖掘海杂波和含目标回波在时频图上的差异性,实现低信杂比下海面小目标的检测。
发明内容
发明目的:本发明提出一种基于时频域深度网络的海面小目标特征检测方法,结合了神经网络和特征检测技术,具有自主学习特征提取和多维特征联合的优势,旨在提升雷达对处在低信杂比下的海面小目标的探测性能。
技术方案:本发明所述的一种基于时频域深度网络的海面小目标特征检测方法,包括以下步骤:
(1)雷达在一个距离单元接收到连续N个脉冲,构成一个观测向量z=[z(1),z(2),...,z(N)]T,构成待检测单元,然后获取待检测单元周围P个观测向量,zp,p=1,2,...,P;建立三元假设检验问题H0、H1+、H1-,精细化目标落在海杂波带内外的不同特性;
(2)将观测向量z和zp,p=1,2,...,P,转换到二维时频域中,通过计算平滑伪魏格纳-维尔分布SPWVD,获得二维时频图TFG(z)和TFG(zp),p=1,2,...,P;
(3)对二维时频图TFG(z)进行归一化处理,获得归一化时频图NTFG(z)
(4)构建深度网络模型,提取属于三类假设的概率值作为特征值,记为p0,p1,p2且满足p0+p1+p2=1;
(5)构建一个2D特征向量ξ=[p1,p2]T,p1,p2∈[0,1],作为最终的检验统计量ξ;
(6)在给定虚警率Pfa下,结合三次样条曲线算法,不断迭代和优化边界区域,确定虚警可控的判决区域Ω;
进一步地,步骤(1)所述的三元假设检验问题为:
其中,c表示海杂波向量,cp表示第p个参考单元为海杂波向量,s表示目标回波向量,fd表示目标的多普勒偏移,H0假设表示只有海杂波,H1+假设表示具有正多普勒偏移的含目标观测向量,H1-假设表示具有负多普勒偏移的含目标观测向量。
进一步地,所述步骤(2)通过以下公式实现:
其中,n=1,2,…,N表示时间维,l=1,2,…,N表示频率维,g和h分别是时间和频率的平滑窗,Δfd为归一化多普勒频率的采样间隔。
进一步地,步骤(4)所述的深度网络模型包括Stem模块、Reduction-A以及Reduction-B两个网格缩减模块,5个Inception-resnet-A模块、10个Inception-resnet-B模块、5个Inception-resnet-C模块、平均池化模块、Dropout模块以及Softmax模块。
进一步地,所述步骤(6)包括以下步骤:
(63)根据p2值,将样本集Ω0划分到M个等宽区间中,其中,第i个区间记为:
将各个区间最值点作为样条控制点,若区间无样本则不设置控制点;
(64)对所有区间的样条控制点按p2值升序排列,从最小值开始进行滑窗分组,窗长为4;每组中,4个点的p2和p1分别对应x和y值,采用三次多项式拟合:
y=a3x3+a2x2+a1x+a0
其中,a3,a2,a1,a0为拟合参数,选择每组最大值点作为分段函数起始点,对所有组数据进行拟合后,得到完整的样条曲线,作为初始边界;
(65)将H0假设下Q个特征向量代入(64)中初始边界验证,保证只有虚警点在判决区域外面,若存在某个特征向量分类错误,微调所在分段的样条控制点,迭代更新边界,获得临时边界;
(66)通过减小全部样条控制点拟合时y维度数值,实现样条边界内部收缩,不断迭代优化(65)中的临时边界,直到边界发生错误时停止收缩,获得最终边界,即虚警可控的判决区域Ω。
有益效果:与现有技术相比,本发明的有益效果:1、本发明建立三元假设检验问题,更加精细化地区分目标落在主杂波带内外的不同特性;2、本发明引入深度网络作为特征提取器,深入自主学习时频图的特征,解决人工特征提取的局限性问题;3、本发明提出2D特征空间中具有引导的三次样条曲线算法,获得虚警可控的判决区域;4、通过此发明可以解决人工特征提取局限性
以及判决区域虚警控制的问题,提高了海面低速运动小目标的检测概率。
附图说明
图1为本发明的流程图;
图2为IRV2深度网络模型结构示意图;
图3为2D特征空间判决区域示意图;
图4为基于三特征检测器的检测结果;
图5为基于AlexNet检测器的检测结果图;
图6为本发明提出检测器的检测结果图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出一种基于时频域深度网络的海面小目标特征检测方法,如图1所示,具体包括以下步骤:
步骤1:获取待检测单元周围P个观测向量,zp,p=1,2,...,P;建立三元假设检验问题H0、H1+、H1-,精细化目标落在海杂波带内外的不同特性。
假设雷达在一个距离单元接收到连续N个脉冲,构成一个观测向量z=[z(1),z(2),...,z(N)]T,称为待检测单元(Cell Under Test,CUT)。同时,获得CUT周围P个参考单元的观测向量zp,p=1,2,...,P。
为了进一步精细化目标落在海杂波带内外的不同特性,建立三元假设检验问题:
其中,H0假设表示只有海杂波,H1+假设表示具有正多普勒偏移的含目标观测向量,H1-假设表示具有负多普勒偏移的含目标观测向量,c表示海杂波向量,cp表示第p个参考单元为海杂波向量,s表示目标回波向量,fd表示目标的多普勒偏移。
步骤2:将观测向量z和zp,p=1,2,...,P,转换到二维时频域中,通过计算平滑伪魏格纳-维尔分布(smoothed pseudo Wigner-Ville distribution,SPWVD),获得二维时频图TFG(z)和TFG(zp),p=1,2,...,P。计算公式如下:
其中,n=1,2,…,N表示时间维,l=1,2,…,N表示频率维,g和h分别是时间和频率的平滑窗。Δfd为归一化多普勒频率的采样间隔。
步骤3:对二维时频图TFG(z)进行归一化处理,获得归一化时频图NTFG(z)。
对步骤2中的TFG(z)进行归一化处理,获得归一化时频图NTFG:
步骤4:构建深度网络模型,提取属于三类假设的概率值作为特征值,记为p0,p1,p2且满足p0+p1+p2=1。
4.1)雷达开机后,获取H0假设下Q个观测向量;同时仿真分别获得H1+假设和H1-假设下Q个观测向量。按照步骤2和步骤3,计算三类假设下NTFG样本,依次记标签为“0”,“1”,“2”,作为训练样本。
4.2)参照图2搭建深度网络模型Inception-ResNet V2(简称IRV2),包括Stem模块、Reduction-A以及Reduction-B两个网格缩减模块,5个Inception-resnet-A模块、10个Inception-resnet-B模块、5个Inception-resnet-C模块、平均池化模块、Dropout模块以及Softmax模块。
4.3)将步骤4.1)中训练样本作为IRV2深度网络的输入,进行训练学习不同类别时频图的差异性,这些差异性凝聚到深度网络模型的参数中。最后,通过多次迭代学习和更新,获得最优的深度网络模型参数。
4.4)将步骤3中的NTFG(z)进入到步骤4.3)中深度网络中,得到属于H0假设、H1+假设和H1-假设的概率值,作为检测的特征值,记为p0,p1,p2,且满足p0+p1+p2=1。
步骤5:根据步骤4中输出的概率值,将属于H1+假设和H1-假设的概率值作为特征值,构建一个2D特征向量:
ξ=[p1,p2]T,p1,p2∈[0,1]
将之作为最终的检验统计量ξ。
步骤6:在给定虚警率Pfa下,结合三次样条曲线算法,不断迭代和优化边界区域,确定虚警可控的判决区域Ω。
6.1)将步骤4.1)中训练样本进入到深度网络中,按照步骤5获得3Q个2D特征向量,即H0假设下Q个特征向量H1+假设下Q个特征向量H1-假设下Q个特征向量分别计算H1+假设和H1-假设下的类别中心:
6.4)对所有区间的样条控制点按p2值升序排列,从最小值开始进行滑窗分组,窗长为4。每组中,4个点的p2和p1分别对应x和y值,采用三次多项式拟合
y=a3x3+a2x2+a1x+a0
其中,a3,a2,a1,a0为拟合参数。选择每组最大值点作为分段函数起始点,对所有组数据进行拟合后,得到完整的样条曲线,作为初始边界。
6.5)将H0假设下Q个特征向量代入步骤6.4)中初始边界验证,保证只有虚警点在判决区域外面。若存在某个特征向量分类错误,微调所在分段的样条控制点,迭代更新边界,获得临时边界。
6.6)在保证划分正确前提下,通过减小全部样条控制点拟合时y维度数值,实现样条边界内部收缩,不断迭代优化步骤6.5)中的临时边界。直到边界发生错误时停止收缩,获得最终边界。因此,最终边界就是虚警可控的判决区域Ω。
下面结合实测数据的实验结果对本发明的效果做进一步说明。
本实例使用来自已公开的IPIX雷达于1993年采集的数据库,该数据库是目前国际上公认的小目标实测数据。实验中,数据名称19931118_162155_stareC0000310。X波段雷达的脉冲重复频率为1000Hz,距离分辨率30m,测试目标为海面漂浮的小球,直径1m。
仿真实验1:演示了2D特征空间中的判决区域获取过程,如图3所示,其中:海杂波训练特征向量共10230个,即Q=10230,虚警率Pfa=0.001。H1+假设和H1-假设的类别中心分别标注为六角星和五角星。根据目标类别中心引导信息,获得离类别中心最近的10个虚警特征向量,标注为圆圈。按照步骤6.3)至步骤6.6)进行优化迭代,最终获得基于三次样条曲线的判决区域边界,标注为黑色粗实线,见右下角放大图。该样条边界由22段三次样条曲线联合构成,实现了判决区域形状的非凸性。
仿真实验2:验证本发明提出的检测算法,设置脉冲累积数为N=256,即观测时间为0.256s,参考单元P=10,虚警率Pfa=0.001,结果如图4、图5、图6所示,其中:
图4为基于三特征检测器的检测结果,检测概率为0.591,人工提取了一个时域特征和两个频域特征,这3个特征在高信杂比下具有较好的性能。由于该数据的信杂比约为2.3dB,因而时域和频域联合检测的性能有限。
图5为基于AlexNet的检测器的检测结果,检测器对二维时频图进行学习和分类,并采用一类概率进行虚警控制。相对于三特征检测器,该检测器性能从0.591降低到0.506。这主要因为该检测器并未对时频域海杂波抑制,在低信杂比下很难从原始时频图上学习到有效的特征。同时,AlexNet网络的层数较为浅,很难学习到深层特性。
图6为本发明提出检测器的检测结果,检测概率为0.948,性能提升显著。性能提升主要来源于三个方面。第一,归一化处理实现对时频域海杂波抑制,提高了信杂比。同时,建立三元假设问题,进一步精细化了目标落在主杂波带内外的差异性。第二,将深度网络作为特征提取器,能够自主学习时频域的深层特性,相对于传统地人工特征提取的方式优势更大。第三,在2D特征空间中,提出了具有引导的三次样条曲线算法,获得非凸性的判决区域。
综上可见,本发明对海面小目标的检测性能优于现有的检测方法,集成了深度网络自主学习和多维特征联合的优势,为传统检测方法提出了新思路。
Claims (4)
1.一种基于时频域深度网络的海面小目标特征检测方法,其特征在于,包括以下步骤:
(1)雷达在一个距离单元接收到连续N个脉冲,构成一个观测向量z=[z(1),z(2),...,z(N)]T,构成待检测单元,然后获取待检测单元周围P个观测向量,zp,p=1,2,...,P;建立三元假设检验问题H0、H1+、H1-,精细化目标落在海杂波带内外的不同特性;
(2)将观测向量z和zp,p=1,2,...,P,转换到二维时频域中,通过计算平滑伪魏格纳-维尔分布SPWVD,获得二维时频图TFG(z)和TFG(zp),p=1,2,...,P;
(3)对二维时频图TFG(z)进行归一化处理,获得归一化时频图NTFG(z);
(4)构建深度网络模型,提取属于三类假设的概率值作为特征值,记为p0,p1,p2且满足p0+p1+p2=1;
(5)构建一个2D特征向量ξ=[p1,p2]T,p1,p2∈[0,1],作为最终的检验统计量ξ;
(6)在给定虚警率Pfa下,结合三次样条曲线算法,不断迭代和优化边界区域,确定虚警可控的判决区域Ω;
所述步骤(6)包括以下步骤:
(63)根据p2值,将样本集Ω0划分到M个等宽区间中,其中,第i个区间记为:
将各个区间最值点作为样条控制点,若区间无样本则不设置控制点;
(64)对所有区间的样条控制点按p2值升序排列,从最小值开始进行滑窗分组,窗长为4;每组中,4个点的p2和p1分别对应x和y值,采用三次多项式拟合:
y=a3x3+a2x2+a1x+a0
其中,a3,a2,a1,a0为拟合参数,选择每组最大值点作为分段函数起始点,对所有组数据进行拟合后,得到完整的样条曲线,作为初始边界;
(65)将H0假设下Q个特征向量代入(64)中初始边界验证,保证只有虚警点在判决区域外面,若存在某个特征向量分类错误,微调所在分段的样条控制点,迭代更新边界,获得临时边界;
(66)通过减小全部样条控制点拟合时y维度数值,实现样条边界内部收缩,不断迭代优化(65)中的临时边界,直到边界发生错误时停止收缩,获得最终边界,即虚警可控的判决区域Ω。
4.根据权利要求1所述的基于时频域深度网络的海面小目标特征检测方法,其特征在于,步骤(4)所述的深度网络模型包括Stem模块、Reduction-A以及Reduction-B两个网格缩减模块,5个Inception-resnet-A模块、10个Inception-resnet-B模块、5个Inception-resnet-C模块、平均池化模块、Dropout模块以及Softmax模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110332553.7A CN113064133B (zh) | 2021-03-29 | 2021-03-29 | 一种基于时频域深度网络的海面小目标特征检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110332553.7A CN113064133B (zh) | 2021-03-29 | 2021-03-29 | 一种基于时频域深度网络的海面小目标特征检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113064133A CN113064133A (zh) | 2021-07-02 |
CN113064133B true CN113064133B (zh) | 2022-06-28 |
Family
ID=76564083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110332553.7A Active CN113064133B (zh) | 2021-03-29 | 2021-03-29 | 一种基于时频域深度网络的海面小目标特征检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113064133B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608190B (zh) * | 2021-07-22 | 2023-09-26 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于奇异空间三特征的海面目标检测方法及系统 |
CN113608209B (zh) * | 2021-08-04 | 2023-09-19 | 上海无线电设备研究所 | 一种机载雷达的主瓣杂波时频域分布的计算方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3179921B2 (ja) * | 1993-02-16 | 2001-06-25 | 株式会社東芝 | 小目標探知レーダ |
CN105866758B (zh) * | 2016-03-31 | 2018-06-05 | 西安电子科技大学 | 基于块白化杂波抑制的时频双特征海面小目标检测方法 |
CN105738888B (zh) * | 2016-03-31 | 2018-05-04 | 西安电子科技大学 | 基于海杂波抑制的双特征海面漂浮小目标检测方法 |
CN111505643B (zh) * | 2020-04-22 | 2022-07-05 | 南京信息工程大学 | 基于时频图深度学习的海面小目标检测方法 |
CN111707999B (zh) * | 2020-06-15 | 2023-03-31 | 西安电子科技大学 | 一种基于多特征与集成学习结合的海面漂浮小目标检测方法 |
CN112180396B (zh) * | 2020-10-21 | 2023-05-23 | 航天科工智能机器人有限责任公司 | 一种激光雷达定位及地图创建方法 |
-
2021
- 2021-03-29 CN CN202110332553.7A patent/CN113064133B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113064133A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709315A (zh) | 一种基于领域适配的水声目标辐射噪声识别方法 | |
CN111160176B (zh) | 基于融合特征的一维卷积神经网络地面雷达目标分类方法 | |
CN113064133B (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
CN109634309B (zh) | 一种飞行器自主避障系统、方法及飞行器 | |
CN107992818B (zh) | 一种光学遥感图像海面船只目标的检测方法 | |
CN112052817B (zh) | 基于迁移学习的改进YOLOv3模型侧扫声纳沉船目标自动识别方法 | |
CN103440495A (zh) | 一种复合绝缘子憎水等级自动识别方法 | |
CN111505643B (zh) | 基于时频图深度学习的海面小目标检测方法 | |
CN112001270A (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN109753874A (zh) | 一种基于机器学习的低慢小雷达目标分类方法 | |
CN112036239B (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
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 | |
CN107064894A (zh) | 一种基于深度学习的杂波抑制方法 | |
CN115222949B (zh) | 一种基于激光卫星数据的浅海区域光子去噪方法 | |
CN113808174A (zh) | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 | |
CN113589272A (zh) | 一种目标跟踪设备值班日志自动生成方法 | |
CN109558803B (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
CN111368653B (zh) | 一种基于r-d图与深度神经网络的低空小目标检测方法 | |
CN113744237A (zh) | 一种基于深度学习的渣土流塑性自动检测方法及系统 | |
Chen et al. | A review of underwater target recognition based on deep learning | |
CN115015908A (zh) | 基于图神经网络的雷达目标数据关联方法 | |
CN111429419B (zh) | 一种基于混合蚁群算法的绝缘子轮廓检测方法 | |
CN114594463A (zh) | 一种基于组合凸包的海面小目标特征检测方法 |
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 |