CN113962968A - 面向复杂电磁环境下多源混合干扰雷达图像目标检测系统 - Google Patents
面向复杂电磁环境下多源混合干扰雷达图像目标检测系统 Download PDFInfo
- Publication number
- CN113962968A CN113962968A CN202111250098.2A CN202111250098A CN113962968A CN 113962968 A CN113962968 A CN 113962968A CN 202111250098 A CN202111250098 A CN 202111250098A CN 113962968 A CN113962968 A CN 113962968A
- Authority
- CN
- China
- Prior art keywords
- image
- target detection
- data set
- neural network
- module
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011068 loading method Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 abstract description 2
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 5
- 230000009191 jumping Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011049 filling Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,属于雷达图像目标检测领域;包括数据增强模块、图像去噪模块、基于深度学习的目标检测训练模块和模型评估模块;其中,数据增强模块包括传统数据增强模块和基于生成对抗网络的数据增强模块;通过生成对抗网络,实现雷达多普勒图像数据的数据扩增;通过图像去噪神经网络过滤了复杂混合干扰,相较于背景建模等方法,该方法实用性更强;通过深度检测网络实现了去噪后图像高准确度识别,实现了目标精准定位,此外为考核算法的时间性能和识别能力,本发明还提出了一种评估方法,从而提高实际工程应用中对目标检测算法高准确度的需求,为高精度目标识别应用场景提供了有力的算法支撑。
Description
技术领域
本发明属于雷达图像目标检测领域,涉及面向复杂电磁环境下多源混合干扰雷达图像目标检测系统。
背景技术
区别于传统的光学图像,雷达图像信息量严重不足,在成像机理、目标特性、分辨率方面差异显著。雷达回波数据在多普勒维上成像特点和光学图像存在显著差异:图像包含了杂波信号等大量混合有源无源噪声,目标及干扰物相比整张图像的所占像素比极低且分布稀疏。传统的雷达图像目标检测一般利用先验知识通过候选区域提取特征。经典的恒虚警检测只对背景信息统计建模,没有考虑对目标信息的完整建模,只是利用目标成像区域的部分特征来检测,没有充分利用全局特征,漏警率较高;传统特征提取方法需要考虑特定环境下信息建模或者规则匹配,然而实际应用中雷达所处的电磁环境恶劣,特定统计建模方法和规则匹配方式只适用于既定的环境。同时目标本身轮廓、方位、尺寸、背景干扰等变化均会对实际的目标检测造成显著地影响,人工设定的背景信息建模和规则匹配难以实现通用,局限性较大。
近年来随着深度学习技术的发展,目标检测技术被广泛地应用到多个领域,对社会经济发展和生产生活带来巨大改变,随着技术的日益成熟,深度学习技术在泛图像识别领域的应用也取得显著进步,雷达时频数据作为一种泛图像信号,其与深度学习技术的深入结合将是未来发展的重要趋势。为突破复杂电磁环境下多源混合干扰的雷达图像目标识别难题,本发明提出了一种基于深度学习的检测识别方法,该方法搭建“数据增强-深度学习去噪-深度学习识别-结果评估”链路,给出深度学习技术在混合干扰条件下雷达图像识别处理的模式,降低了复杂混合干扰对识别过程的影响,提升了目标检测准确度。
从文献中看,目前在工程中应用的雷达图像识别算法大部分属于基于背景建模和特征匹配类,这类算法由于需要设定具体的使用场景,因此在使用上具有较大的局限性。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提出面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,提高了实际工程应用中对目标检测算法高准确度的需求,为高精度目标识别应用场景提供了有力的算法支撑。
本发明解决技术的方案是:
面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,包括数据增强模块、图像去噪模块、基于深度学习的目标检测训练模块和模型评估模块;其中,数据增强模块包括传统数据增强模块和基于生成对抗网络的数据增强模块;
传统数据增强模块:接收外部输入的原始图像,依次进行去除随机噪声、去除频域内噪声、增加图像对比度处理,生成第一增强数据集,并将第一增强数据集发送至图像去噪模块;
基于生成对抗网络的数据增强模块:接收外部输入的原始图像,依次进行去除随机噪声、去除频域内噪声、增加图像对比度处理,生成第二增强数据集,并将第二增强数据集发送至图像去噪模块;
图像去噪模块:接收传统数据增强模块传来的第一增强数据集;接收基于生成对抗网络的数据增强模块传来的第二增强数据集;对第一增强数据集和第二增强数据集进行混合处理,获得混合数据集;并对混合数据集进行滤波去噪处理,生成降噪数据集,并将降噪数据集发送至基于深度学习的目标检测训练模块;
基于深度学习的目标检测训练模块:接收图像去噪模块传来的混合数据集,对混合数据集进行深度神经网络训练,获得神经网络权重文件,并将神经网络权重文件发送至模型评估模块;
模型评估模块:接收基于深度学习的目标检测训练模块传来的神经网络权重文件;接收外部输入的待测试图像;根据神经网络权重文件完成对待测试图像的预测。
在上述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,传统数据增强模块和基于生成对抗网络的数据增强模块均采用滤波算法去除原始图像中随机噪声,均采用频域处理方法去除频域内噪声,均采用直方图均衡方法增加图像对比度。
在上述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,传统数据增强模块和基于生成对抗网络的数据增强模块均采用高斯滤波器去除图像中随机噪声,使用中值滤波器去除校验噪声,使用双边滤波器去除其余噪声,得到滤波后图像blurImg。
在上述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,传统数据增强模块和基于生成对抗网络的数据增强模块均对滤波后图像blurImg进行快速傅里叶变换,将图像变换频域内,使用频域中值滤波器去除频域内噪声,处理完成后通过逆变换得到图像fftImg。
在上述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,传统数据增强模块和基于生成对抗网络的数据增强模块均统计fftImg的像素得到灰度分布直方图,将直方图归一化到0-1区间,使用归一化灰度直方图计算累积分布,使用量化公式计算原图和直方图均衡化后图像灰度变换关系f,将原图灰度值按照f进行计算并替换,得到图像histImg;定义图像对比增强函数F,将histImg输入到函数F中得到对比增强后的图像Fimg。
在上述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,基于深度学习的目标检测训练模块对混合数据集进行深度神经网络训练的具体方法为:
将混合数据集作为深度神经网络训练的输入,读取混合数据集的超参合尺度缩放参数,通过求解深度神经网络各单元隐层数据实现前向传播,并计算深度神经网络的输出值与期望输出值之间的差值;当差值在预设的差值区间内时,训练结束,生成神经网络权重文件;当当差值在预设的差值区间外时,通过误差反向传递更新权重,并重新将将混合数据集作为深度神经网络训练的输入,进行训练,直至差值在预设的差值区间内。
在上述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,所述模型评估模块对待测试图像的预测的具体方法为:
步骤一、读取待测试图像;并对待测试图像进行去噪处理;
步骤二、加载神经网络权重文件;
步骤三、对待测试图像的预测。
在上述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,模型评估模块根据神经网络权重文件完成对待测试图像的预测信息包括待测试图像的目标类别和待测试图像的目标矩形位置框。
本发明与现有技术相比的有益效果是:
(1)本发明考虑了雷达图像数据的小样本特性,通过构建面向雷达时频图像数据的生成对抗网络,对雷达数据样本进行有效地扩增,为雷达目标检测算法奠定数据基础;
(2)本发明提出了一种基于深度神经网络的图像去噪方法,较好地解决了复杂电磁环境下混合干扰对雷达图像检测过程的影响;
(3)本发明给出了一种基于深度学习的雷达时频图像目标识别的方法,该方法提升了目标检测准确度,避免了传统的背景信息建模和规则匹配方法带来了的适应性较差的问题,提高了识别泛化能力。
附图说明
图1为本发明雷达图像目标检测系统示意图。
图2为本发明增强模块的工作流程图;
图3为本发明图像去噪模块工作流程图;
具体实施方式
下面结合实施例对本发明作进一步阐述。
本发明面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,通过生成对抗网络,实现雷达多普勒图像数据的数据扩增;通过图像去噪神经网络过滤了复杂混合干扰,相较于背景建模等方法,该方法实用性更强;通过深度检测网络实现了去噪后图像高准确度识别,实现了目标精准定位,此外为考核算法的时间性能和识别能力,本发明还提出了一种评估方法,从而提高实际工程应用中对目标检测算法高准确度的需求,为高精度目标识别应用场景提供了有力的算法支撑。
多源混合干扰雷达图像目标检测系统,如图1所示,具体包括数据增强模块、图像去噪模块、基于深度学习的目标检测训练模块和模型评估模块;其中,数据增强模块包括传统数据增强模块和基于生成对抗网络的数据增强模块。
传统数据增强模块:接收外部输入的原始图像,依次进行去除随机噪声、去除频域内噪声、增加图像对比度处理,生成第一增强数据集,并将第一增强数据集发送至图像去噪模块。
基于生成对抗网络的数据增强模块:接收外部输入的原始图像,依次进行去除随机噪声、去除频域内噪声、增加图像对比度处理,生成第二增强数据集,并将第二增强数据集发送至图像去噪模块。
传统数据增强模块和基于生成对抗网络的数据增强模块均采用滤波算法去除原始图像中随机噪声,均采用频域处理方法去除频域内噪声,均采用直方图均衡方法增加图像对比度。
具体为,传统数据增强模块和基于生成对抗网络的数据增强模块均采用高斯滤波器去除图像中随机噪声,使用中值滤波器去除校验噪声,使用双边滤波器去除其余噪声,得到滤波后图像blurImg。对滤波后图像blurImg进行快速傅里叶变换,将图像变换频域内,使用频域中值滤波器去除频域内噪声,处理完成后通过逆变换得到图像fftImg。统计fftImg的像素得到灰度分布直方图,将直方图归一化到0-1区间,使用归一化灰度直方图计算累积分布,使用量化公式计算原图和直方图均衡化后图像灰度变换关系f,将原图灰度值按照f进行计算并替换,得到图像histImg;定义图像对比增强函数F,将histImg输入到函数F中得到对比增强后的图像Fimg。
图像去噪模块:接收传统数据增强模块传来的第一增强数据集;接收基于生成对抗网络的数据增强模块传来的第二增强数据集;对第一增强数据集和第二增强数据集进行混合处理,获得混合数据集;并对混合数据集进行滤波去噪处理,生成降噪数据集,并将降噪数据集发送至基于深度学习的目标检测训练模块。
基于深度学习的目标检测训练模块:接收图像去噪模块传来的混合数据集,对混合数据集进行深度神经网络训练,获得神经网络权重文件,并将神经网络权重文件发送至模型评估模块;基于深度学习的目标检测训练模块对混合数据集进行深度神经网络训练的具体方法为:
将混合数据集作为深度神经网络训练的输入,读取混合数据集的超参合尺度缩放参数,通过求解深度神经网络各单元隐层数据实现前向传播,并计算深度神经网络的输出值与期望输出值之间的差值;当差值在预设的差值区间内时,训练结束,生成神经网络权重文件;当当差值在预设的差值区间外时,通过误差反向传递更新权重,并重新将将混合数据集作为深度神经网络训练的输入,进行训练,直至差值在预设的差值区间内。
模型评估模块:接收基于深度学习的目标检测训练模块传来的神经网络权重文件;接收外部输入的待测试图像;根据神经网络权重文件完成对待测试图像的预测。模型评估模块对待测试图像的预测的具体方法为:
步骤一、读取待测试图像;并对待测试图像进行去噪处理;
步骤二、加载神经网络权重文件;
步骤三、对待测试图像的预测。模型评估模块根据神经网络权重文件完成对待测试图像的预测信息包括待测试图像的目标类别和待测试图像的目标矩形位置框。
实施例
如图2所示,传统数据增强模块和基于生成对抗网络的数据增强模块的工作流程为:
1、读入上述数据集中的图像数据;
2、使用高斯滤波器去除图像中随机噪声,使用中值滤波器去除椒盐噪声、使用双边滤波器去除其余噪声,得到滤波后图像blurImg;
3、blurImg进行快速傅里叶变换,将图像变换频域内,使用频域中值滤波器去除频域内噪声,处理完成后通过逆变换得到图像fftImg;
4、统计fftImg的像素得到灰度分布直方图,将直方图归一化到0-1区间,使用归一化灰度直方图计算累积分布,使用量化公式计算原图和直方图均衡化后图像灰度变换关系f,将原图灰度值按照f进行计算并替换,得到图像histImg;
5、定义图像对比增强函数F,将histImg输入到函数F中得到对比增强后的图像Fimg,完成对比增强后图像预处理工作结束。
6、读入已经预处理的图像及图像标注信息,从标注信息中读取图像名和对应图像名的标注信息;
7、判断标注信息中旋转信息字段是否为True,如果不满足则跳转到步骤4,判定图像是否可以剪裁;
8、生成一个开区间(0,360)之间的随机数R,以目标外接矩形的中心为旋转中心旋转R度,对应地按照变换关系计算旋转后图像标注信息,如矩形位置框坐标、图像像素级位置信息;
9、判断标注信息中裁剪信息字段是否为True,如果不满足则跳转到步骤6,判定图像是否可以剪裁;
10、获取目标左上角点(x,y),高度ht,宽度wt,获取图像高度h,宽度w,生成随机数Δw∈(0,w-wt),Δh∈(0,h-ht),获得剪裁区域左角点(x-Δw,y-Δh),裁剪区域宽度w+2Δw,裁剪区域高度h+2Δh,对应地按照变换关系计算旋转后图像标注信息,如矩形位置框坐标、图像像素级位置信息,得到目标裁剪后新生成的图像与注释;
11、将图像翻转、镜像,生成新图片和注释文件;
12、将图像缩放形成新的图片,按照缩放变换关系生成新图片和注释文件;
13、在图像中加入随机噪声,生成新图片和注释文件,此步骤结束后,跳出图像增强模块。
如图3所示,图像去噪模块方法工作流程为:
1、读取n个训练数据样本I;
2、计算样本I的均值;
3、计算样本I的方差;
4、进行样本的归一化处理;
5、对图像进行缩放变换;
6、将图像输入神经网络卷积+激活层提取图像特征信息;
7、将图像特征图输入卷积+批归一化层提取图像非线性映射信息;
8、将图像非线性映射信息输入纯卷积层,获取图像残差信息;
9、将原始图像与残差做差,获得去噪后的图像;
基于深度学习的目标检测训练模块对混合数据集进行深度神经网络训练的流程为:
1、读入预处理后的去噪图像数据,并将其展开为神经网络张量;
2、读入图像标注文件,解析目标外接矩阵坐标;
3、读取图像掩码标注信息,创建与待处理图像等尺寸掩码图像,将目标区域填充为白色,背景填充为黑色;
4、读取神经网络超参包括学习率、迭代次数、收敛误差区间等,同时读取图像尺度参数(大L、中M、小S);
5、按照尺度缩放参数,进行图像缩放;
6、按照超参中,图像批次数据构建一个批次训练数据,送入深度神经网络;
7、求神经网络各隐藏层、输出层的值;
8、求神经网络输出层与标注信息的实际值之间的误差e;
9、若误差在超参规定的范围,训练结束,跳转到步骤;
10、计算各层神经元误差量;
11、求误差梯度;
12、使用误差梯度更新权重,跳转到步骤613、与其他尺度下深度神经网络模型集成,训练过程结束,进入图像推理阶段;
14、经预处理数据增强的图像和注释文件输入特征提取网络;
15、特征提取网络经过卷积运算获得图像的feature Map;
16、为feature Map中的每一个点设立感兴趣的图像区域ROI;
17、获取ROI的个数Num;
18、选择一个ROI送入RPN网络,RPN网络生成一个候选目标区域;
19、ROI候选目标区域进行二值化分类,区分前景和背景;
20、对候选区域的边框进行回归;
21、判断ROI处理个数是否得到了NUM,也就是说是否所有的候选ROI都经过了处理,如果不满足条件,跳到步骤5;
22、根据ROI分类和边框回归结果,使用超参中设定的阈值进行ROI区域筛选过滤;
23、获取筛选后ROI的个数;
24、选择一个ROI区域进行多分类;
25、对ROI区域的边框再次进行回归;
26、对ROI区域内目标进行图像掩码生成,获取目标准确的像素级位置信息计算;
27、判断ROI区域是否均处理完成,否则跳转步骤24。
通过本发明可显著提升目标检测的准确度,使用生成对抗网络和经典数据增强方式增加了样本数量和丰富程度,所述深度学习去噪算法较好地解决了雷达背景图像中的混合干扰问题,所述深度学习目标检测方法,有效降低算法漏检率,进一步提高目标检测的效率。因此,将该技术应用于工程实际具有重要意义。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (8)
1.面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,其特征在于:包括数据增强模块、图像去噪模块、基于深度学习的目标检测训练模块和模型评估模块;其中,数据增强模块包括传统数据增强模块和基于生成对抗网络的数据增强模块;
传统数据增强模块:接收外部输入的原始图像,依次进行去除随机噪声、去除频域内噪声、增加图像对比度处理,生成第一增强数据集,并将第一增强数据集发送至图像去噪模块;
基于生成对抗网络的数据增强模块:接收外部输入的原始图像,依次进行去除随机噪声、去除频域内噪声、增加图像对比度处理,生成第二增强数据集,并将第二增强数据集发送至图像去噪模块;
图像去噪模块:接收传统数据增强模块传来的第一增强数据集;接收基于生成对抗网络的数据增强模块传来的第二增强数据集;对第一增强数据集和第二增强数据集进行混合处理,获得混合数据集;并对混合数据集进行滤波去噪处理,生成降噪数据集,并将降噪数据集发送至基于深度学习的目标检测训练模块;
基于深度学习的目标检测训练模块:接收图像去噪模块传来的混合数据集,对混合数据集进行深度神经网络训练,获得神经网络权重文件,并将神经网络权重文件发送至模型评估模块;
模型评估模块:接收基于深度学习的目标检测训练模块传来的神经网络权重文件;接收外部输入的待测试图像;根据神经网络权重文件完成对待测试图像的预测。
2.根据权利要求1所述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,其特征在于:传统数据增强模块和基于生成对抗网络的数据增强模块均采用滤波算法去除原始图像中随机噪声,均采用频域处理方法去除频域内噪声,均采用直方图均衡方法增加图像对比度。
3.根据权利要求2所述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,其特征在于:传统数据增强模块和基于生成对抗网络的数据增强模块均采用高斯滤波器去除图像中随机噪声,使用中值滤波器去除校验噪声,使用双边滤波器去除其余噪声,得到滤波后图像blurImg。
4.根据权利要求3所述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,其特征在于:传统数据增强模块和基于生成对抗网络的数据增强模块均对滤波后图像blurImg进行快速傅里叶变换,将图像变换频域内,使用频域中值滤波器去除频域内噪声,处理完成后通过逆变换得到图像fftImg。
5.根据权利要求4所述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,其特征在于:传统数据增强模块和基于生成对抗网络的数据增强模块均统计fftImg的像素得到灰度分布直方图,将直方图归一化到0-1区间,使用归一化灰度直方图计算累积分布,使用量化公式计算原图和直方图均衡化后图像灰度变换关系f,将原图灰度值按照f进行计算并替换,得到图像histImg;定义图像对比增强函数F,将histImg输入到函数F中得到对比增强后的图像Fimg。
6.根据权利要求5所述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,其特征在于:基于深度学习的目标检测训练模块对混合数据集进行深度神经网络训练的具体方法为:
将混合数据集作为深度神经网络训练的输入,读取混合数据集的超参合尺度缩放参数,通过求解深度神经网络各单元隐层数据实现前向传播,并计算深度神经网络的输出值与期望输出值之间的差值;当差值在预设的差值区间内时,训练结束,生成神经网络权重文件;当当差值在预设的差值区间外时,通过误差反向传递更新权重,并重新将将混合数据集作为深度神经网络训练的输入,进行训练,直至差值在预设的差值区间内。
7.根据权利要求6所述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,其特征在于:所述模型评估模块对待测试图像的预测的具体方法为:
步骤一、读取待测试图像;并对待测试图像进行去噪处理;
步骤二、加载神经网络权重文件;
步骤三、对待测试图像的预测。
8.根据权利要求7所述的面向复杂电磁环境下多源混合干扰雷达图像目标检测系统,其特征在于:模型评估模块根据神经网络权重文件完成对待测试图像的预测信息包括待测试图像的目标类别和待测试图像的目标矩形位置框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111250098.2A CN113962968B (zh) | 2021-10-26 | 2021-10-26 | 面向复杂电磁环境下多源混合干扰雷达图像目标检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111250098.2A CN113962968B (zh) | 2021-10-26 | 2021-10-26 | 面向复杂电磁环境下多源混合干扰雷达图像目标检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962968A true CN113962968A (zh) | 2022-01-21 |
CN113962968B CN113962968B (zh) | 2024-06-04 |
Family
ID=79467318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111250098.2A Active CN113962968B (zh) | 2021-10-26 | 2021-10-26 | 面向复杂电磁环境下多源混合干扰雷达图像目标检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962968B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310356A (zh) * | 2023-03-23 | 2023-06-23 | 昆仑芯(北京)科技有限公司 | 深度学习模型的训练方法、目标检测方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180240219A1 (en) * | 2017-02-22 | 2018-08-23 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach |
CN112926661A (zh) * | 2021-02-26 | 2021-06-08 | 电子科技大学 | 一种增强图像分类鲁棒性的方法 |
US20210279513A1 (en) * | 2019-03-21 | 2021-09-09 | Tecent Technology (Shenzhen) Company Limited | Target detection method and apparatus, model training method and apparatus, device, and storage medium |
CN113486961A (zh) * | 2021-07-12 | 2021-10-08 | 安徽耀峰雷达科技有限公司 | 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备 |
-
2021
- 2021-10-26 CN CN202111250098.2A patent/CN113962968B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180240219A1 (en) * | 2017-02-22 | 2018-08-23 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach |
US20210279513A1 (en) * | 2019-03-21 | 2021-09-09 | Tecent Technology (Shenzhen) Company Limited | Target detection method and apparatus, model training method and apparatus, device, and storage medium |
CN112926661A (zh) * | 2021-02-26 | 2021-06-08 | 电子科技大学 | 一种增强图像分类鲁棒性的方法 |
CN113486961A (zh) * | 2021-07-12 | 2021-10-08 | 安徽耀峰雷达科技有限公司 | 基于深度学习的低信噪比下雷达rd图像目标检测方法、系统及计算机设备 |
Non-Patent Citations (1)
Title |
---|
周龙;韦素媛;崔忠马;房嘉奇;杨小婷;杨龙;: "基于深度学习的复杂背景雷达图像多目标检测", 系统工程与电子技术, no. 06, 1 March 2019 (2019-03-01) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310356A (zh) * | 2023-03-23 | 2023-06-23 | 昆仑芯(北京)科技有限公司 | 深度学习模型的训练方法、目标检测方法、装置及设备 |
CN116310356B (zh) * | 2023-03-23 | 2024-03-29 | 昆仑芯(北京)科技有限公司 | 深度学习模型的训练方法、目标检测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113962968B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114022759B (zh) | 一种融合神经网络时空特性的空域有限像素目标检测系统及方法 | |
Zhang et al. | Regions of interest detection in panchromatic remote sensing images based on multiscale feature fusion | |
Lei et al. | Multiscale superpixel segmentation with deep features for change detection | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
Yu et al. | Automated delineation of coastline from polarimetric SAR imagery | |
Qi et al. | FTC-Net: Fusion of transformer and CNN features for infrared small target detection | |
CN107590427B (zh) | 基于时空兴趣点降噪的监控视频异常事件检测方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN116012364B (zh) | Sar图像变化检测方法和装置 | |
Yang et al. | Evaluating SAR sea ice image segmentation using edge-preserving region-based MRFs | |
Tahseen et al. | Binarization Methods in Multimedia Systems when Recognizing License Plates of Cars | |
Valliammal et al. | A novel approach for plant leaf image segmentation using fuzzy clustering | |
CN110135312B (zh) | 一种基于分级lcm的快速小目标检测方法 | |
Hemalatha et al. | A computational model for texture analysis in images with fractional differential filter for texture detection | |
CN111563577B (zh) | 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法 | |
Wang et al. | The PAN and MS image fusion algorithm based on adaptive guided filtering and gradient information regulation | |
Song et al. | A novel self-learning weighted fuzzy local information clustering algorithm integrating local and non-local spatial information for noise image segmentation | |
Lei et al. | Infrared pedestrian segmentation algorithm based on the two-dimensional Kaniadakis entropy thresholding | |
CN112508963A (zh) | 一种基于模糊c均值聚类的sar图像分割方法 | |
CN113962968B (zh) | 面向复杂电磁环境下多源混合干扰雷达图像目标检测系统 | |
Mu et al. | Accelerated genetic algorithm based on search-space decomposition for change detection in remote sensing images | |
Krylov et al. | False discovery rate approach to unsupervised image change detection | |
CN117315670B (zh) | 一种基于计算机视觉的水表读数区域检测方法 | |
CN115223033A (zh) | 一种合成孔径声呐图像目标分类方法及系统 | |
CN108776968B (zh) | 基于深度森林的sar图像变化检测方法 |
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 |