CN114937150A - 一种基于深度阈值残差网络的无人机目标识别方法 - Google Patents
一种基于深度阈值残差网络的无人机目标识别方法 Download PDFInfo
- Publication number
- CN114937150A CN114937150A CN202210548856.7A CN202210548856A CN114937150A CN 114937150 A CN114937150 A CN 114937150A CN 202210548856 A CN202210548856 A CN 202210548856A CN 114937150 A CN114937150 A CN 114937150A
- Authority
- CN
- China
- Prior art keywords
- threshold
- residual error
- threshold residual
- network
- layer
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于无人机识别技术领域,具体涉及一种基于深度阈值残差网络的无人机目标识别方法。本发明首先通过对无人机雷达回波信号进行短时傅里叶变换(STFT)得到微多普勒谱图,然后用深度阈值残差网络从微多普勒谱图中提取分类特征,采用softmax分类器实现对无人机目标的分类识别。其中,深度阈值残差网络由一个卷积模块和三个阈值残差子网组成,在阈值残差子网中引入阈值提取模块,自动学习一个能够抑制噪声分量的阈值,从而降低特征图中的噪声强度,改善信噪比,因此该方法与常规的深度学习方法相比,在低信噪比的条件下具有更优的识别性能。仿真实验验证了本文方法的有效性。
Description
技术领域
本发明属于无人机识别技术领域,具体涉及一种基于深度阈值残差网络的无人机目标识别方法。
背景技术
无人机有着体积小、成本低、易藏匿的特点,因此其应用变得越来越广泛,如,无人机已被用于消防、气象监测、巡检、安防监控、农林植保、测绘与地理信息等领域;但同时也有不法分子利用它易藏匿的特点进行违法活动,威胁着国民安全。因此,能准确的识别出无人机类型对预防各类犯罪活动有着重要的意义。
由于无人机的旋翼在旋转过程中有着明显的微动效应,因此常通过提取无人机的微多普勒特征进行分类识别。而深度学习可以避免人为设计提取特征的复杂性与不稳定性,故常利用深度学习模型对无人机进行识别,可改善识别准确率,但是在低信噪比的情况下,这类方法的识别准确率将降低。
发明内容
本发明在组成深度阈值残差网络的阈值残差子网中利用阈值提取模块自动学习能够抑制噪声分量的阈值,以便降低特征图中的噪声强度,改善信噪比,从而可以进一步提高识别准确率。
本发明的技术方案为:
一种基于深度阈值残差网络的无人机目标识别方法,包括以下步骤:
S1、获取无人机的微多普勒谱图构成训练样本数据集;
S2、构建深度阈值残差网络,包括输入层、卷积模块、第一阈值残差子网、第二阈值残差子网、第三阈值残差子网、全连接层和分类层,每个阈值残差子网均由两个卷积模块、阈值提取层、阈值化层、连接层组成;深度阈值残差网络对训练数据的处理过程为:
输入层将每个训练样本的大小裁剪为224*224,并进行随机水平翻转后通过卷积模块进行特征提取,卷积模块的输出F1 (in)输入到第一阈值残差子网后依次通过两个卷积模块,定义第一阈值残差子网的两个卷积模块输出分别为F1 (1)和F1 (2),F1 (1)是第一阈值残差子网第二个卷积模块的输入,F1 (2)作为第一阈值残差子网中的阈值提取层和阈值化层的输入,第一阈值残差子网中的阈值提取层的输出为T1,T1同时也是第一阈值残差子网中的阈值化层的输入,第一阈值残差子网中的阈值化层的输出为F1 (3),F1 (3)经过第一阈值残差子网连接层得到第一阈值残差子网的输出F1 (out);具体处理方法是:
求输入特征图F1 (2)的平均特征值F1 (avg):
其中,H、W分别为特征图F1 (2)的高度和宽度,F1 (2)(x,y)表示特征图F1 (2)在(x,y)这个坐标处的值,x表示高度维,y表示宽度维;
求对平均特征值F1 (avg)加权的权值W1 f:
W1 f=max(0,F1 (avg)*w1+b1)
其中,w1和b1是网络自动更新的权值和偏移值;
对平均特征值F1 (avg)加权得到阈值T1:
T1=F1 (avg)*W1 f
阈值提取层学习到阈值T1后,阈值化层对特征图F1 (2))的处理如下:
其中,F1 (3)(x,y)表示特征图F1 (3)在(x,y)这个坐标处的值;
得到阈值化处理后的特征图F1 (3)后,在连接层处与第一阈值残差子网的输入F1 (in)相加得到第一阈值残差子网的输出F1 (out):
F1 (out)=F1 (3)+F1 (in)
将第一个阈值残差子网的输出F1 (out)输入到第二个阈值残差子网,经过与第一个阈值残差子网相同的处理,得到第二个阈值残差子网的输出F2 (out),以F2 (out)作为第三个阈值残差子网的输入,经过第三个阈值残差子网的处理后得到F3 (out),则F3 (out)为最终提取到的深度特征;
第三个阈值残差子网后接一个全连接层,通过全连接层将提取的二维深度特征F3 (out)转化为一维特征矢量;然后,一维特征矢量输入到采用softmax分类器的分类层,以分类层的输出向量中最大的值对应的标签作为该目标的类别标签;
S3、采用S1中训练数据集对S2中深度阈值残差网络进行训练后得到训练好的深度阈值残差网络;
S4、获取待识别的无人机微多普勒谱图,输入采用训练好的深度阈值残差网络进行识别。
本发明的有益效果为,在阈值残差子网中引入阈值提取模块,自动学习一个能够抑制噪声分量的阈值,从而降低特征图中的噪声强度,改善信噪比,因此该方法与常规的深度学习方法相比,在低信噪比的条件下具有更优的识别性能。
附图说明
图1为深度阈值残差网络模型示意图。
图2为阈值残差子网示意图。
具体实施方式
下面结合附图和仿真对本发明进行详细的说明:
本文提出的深度阈值残差网络模型的具体结构如图1所示。该模型由输入、特征提取、分类识别等三部分组成,其中,特征提取部分由一个卷积模块和三个阈值残差子网组成,分类识别部分由全连接层与softmax分类层实现。
本发明中输入部分由数据输入部分与预处理层组成。数据输入部分对获取到的雷达回波信号进行短时傅里叶变换得到其微多普勒谱图;预处理层将对微多普勒谱图进行归一化处理,且将每个样本的大小裁剪为224*224,并进行随机水平翻转。
特征提取部分由一个卷积模块和三个阈值残差子网组成。其中,每个阈值残差子网均由两个卷积模块、阈值提取层、阈值化层、连接层组成,阈值提取层根据第二个卷积模块的输出提取阈值,阈值化层根据阈值提取层获得的阈值T对第二个卷积模块的输出进行阈值化,连接层将阈值化层的输出与当前子网的输入相加,作为下一个阈值残差子网的输入。第i(i=1,2,3)个阈值残差子网的结构如图2所示,其中卷积模块由卷积层、批归一化层以及激活层组成。
设卷积模块1的输入为Fi (in),输出为Fi (1),则Fi (1)同时也是卷积模块2的输入;卷积模块2的输出为Fi (2),则Fi (2)同时也是阈值提取层和阈值化层的输入;阈值提取层的输出为Ti,则Ti同时也是阈值化层的输入;阈值化层的输出为Fi (3),则Fi (3))同时也是连接层的输入,阈值提取层的处理如下:
1)求输入特征图Fi (2)的平均特征值Fi (avg):
其中,H、W分别为特征图Fi (2)的高度和宽度,Fi (2)(x,y)表示特征图Fi (2)在(x,y)这个坐标处的值,x表示高度维,y表示宽度维。
2)求对平均特征值Fi (avg)加权的权值Wi f:
其中,wi和bi是网络自动更新的权值和偏移值。
3)对平均特征值Fi (avg)加权得到阈值Ti:
Ti=Fi (avg)*Wi f
阈值提取层学习到阈值Ti后,阈值化层对特征图Fi (2))的处理如下:
其中,Fi (3)(x,y)表示特征图Fi (3)在(x,y)这个坐标处的值。
得到阈值化处理后的特征图Fi (3)后,在连接层处与阈值残差子网的输入相加:
Fi (out)=Fi (3)+Fi (in)
其中,F1 (out)为第一个阈值残差子网的输出,同时也是第二个阈值残差子网的输入,第二阈值残差子网的输出F2 (out)将作为第三个阈值残差子网的输入,第三个阈值残差子网的输出F3 (out)将作为最终提取到的深度特征。
分类识别部分由全连接层与分类层组成。全连接层将提取的二维深度特征转化为一维特征矢量;对一维特征矢量采用softmax分类器实现分类,以softmax分类器输出向量中最大的值对应的标签作为该目标的类别标签。
仿真示例
通过仿真实验设计了4类无人机,分别是双旋翼无人机、四旋翼无人机、六旋翼无人机和八旋翼无人机。其中,无人机的旋翼到其中心距离为0.8m,桨叶长度为0.3m,旋翼转速为30r/s;仿真雷达载频为34.6GHz(Ka波段),脉冲重复频率为125KHz;无人机中心与雷达的距离为100m,无人机相对于雷达的俯仰角为10°、方位角为45°,信噪比为15dB。
每类目标的总观测时间为15s,取每0.05s的雷达回波信号作为一帧,每帧之间的重复率为60%,则每类目标均可得到15/(0.05*(1-0.6))=750个雷达回波信号帧,随机选取其中的600个雷达回波信号帧作为样本。
对获取的雷达回波数据帧进行短时傅里叶变换(STFT)得到微多普勒谱图,最终每类目标均有600幅微多普勒谱图作为样本,每类样本按照7:3的比例划分训练集与测试集,则训练集共含1680个样本,每类样本各有420个,测试集共含720个样本,每类样本各有180个。
将训练集输入到图1所示的模型进行训练,学习率设置为0.001,迭代次数为200次,损失函数采用交叉熵损失函数;用测试集对训练好的模型进行验证,最终四类无人机的平均识别率达到了98.4%。其中,卷积模块与残差阈值模块中的卷积层参数设置如表1所示。
表1卷积模块与残差阈值模块的卷积层设置
Claims (1)
1.一种基于深度阈值残差网络的无人机目标识别方法,其特征在于,包括以下步骤:
S1、获取无人机的微多普勒谱图构成训练样本数据集;
S2、构建深度阈值残差网络,包括输入层、卷积模块、第一阈值残差子网、第二阈值残差子网、第三阈值残差子网、全连接层和分类层,每个阈值残差子网均由两个卷积模块、阈值提取层、阈值化层、连接层组成;深度阈值残差网络对训练数据的处理过程为:
输入层将每个训练样本的大小裁剪为224*224,并进行随机水平翻转后通过卷积模块进行特征提取,卷积模块的输出F1 (in)输入到第一阈值残差子网后依次通过两个卷积模块,定义第一阈值残差子网的两个卷积模块输出分别为F1 (1)和F1 (2),F1 (1)是第一阈值残差子网第二个卷积模块的输入,F1 (2)作为第一阈值残差子网中的阈值提取层和阈值化层的输入,第一阈值残差子网中的阈值提取层的输出为T1,T1同时也是第一阈值残差子网中的阈值化层的输入,第一阈值残差子网中的阈值化层的输出为F1 (3),F1 (3)经过第一阈值残差子网连接层得到第一阈值残差子网的输出F1 (out);具体处理方法是:
求输入特征图F1 (2)的平均特征值F1 (avg):
其中,H、W分别为特征图F1 (2)的高度和宽度,F1 (2)(x,y)表示特征图F1 (2)在(x,y)这个坐标处的值,x表示高度维,y表示宽度维;
求对平均特征值F1 (avg)加权的权值W1 f:
W1 f=max(0,F1 (avg)*w1+b1)
其中,w1和b1是网络自动更新的权值和偏移值;
对平均特征值F1 (avg)加权得到阈值T1:
T1=F1 (avg)*W1 f
阈值提取层学习到阈值T1后,阈值化层对特征图F1 (2))的处理如下:
其中,F1 (3)(x,y)表示特征图F1 (3)在(x,y)这个坐标处的值;
得到阈值化处理后的特征图F1 (3)后,在连接层处与第一阈值残差子网的输入F1 (in)相加得到第一阈值残差子网的输出F1 (out):
F1 (out)=F1 (3)+F1 (in)
将第一个阈值残差子网的输出F1 (out)输入到第二个阈值残差子网,经过与第一个阈值残差子网相同的处理,得到第二个阈值残差子网的输出F2 (out),以F2 (out)作为第三个阈值残差子网的输入,经过第三个阈值残差子网的处理后得到F3 (out),则F3 (out)为最终提取到的深度特征;
第三个阈值残差子网后接一个全连接层,通过全连接层将提取的二维深度特征F3 (out)转化为一维特征矢量;然后,一维特征矢量输入到采用softmax分类器的分类层,以分类层的输出向量中最大的值对应的标签作为该目标的类别标签;
S3、采用S1中训练数据集对S2中深度阈值残差网络进行训练后得到训练好的深度阈值残差网络;
S4、获取待识别的无人机微多普勒谱图,输入采用训练好的深度阈值残差网络进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548856.7A CN114937150B (zh) | 2022-05-20 | 2022-05-20 | 一种基于深度阈值残差网络的无人机目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210548856.7A CN114937150B (zh) | 2022-05-20 | 2022-05-20 | 一种基于深度阈值残差网络的无人机目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114937150A true CN114937150A (zh) | 2022-08-23 |
CN114937150B CN114937150B (zh) | 2023-04-07 |
Family
ID=82865207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210548856.7A Active CN114937150B (zh) | 2022-05-20 | 2022-05-20 | 一种基于深度阈值残差网络的无人机目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114937150B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629790A (zh) * | 2018-04-26 | 2018-10-09 | 大连理工大学 | 一种基于深度残差网络的光条图像阈值分割方法 |
CN108847223A (zh) * | 2018-06-20 | 2018-11-20 | 陕西科技大学 | 一种基于深度残差神经网络的语音识别方法 |
CN110543823A (zh) * | 2019-07-30 | 2019-12-06 | 平安科技(深圳)有限公司 | 基于残差网络的行人再识别方法、装置和计算机设备 |
CN114091545A (zh) * | 2021-12-02 | 2022-02-25 | 中国人民解放军国防科技大学 | 基于深度残差收缩网络的辐射源个体识别方法及装置 |
CN114241340A (zh) * | 2021-12-16 | 2022-03-25 | 北京工业大学 | 一种基于双路深度残差网络的图像目标检测方法及系统 |
-
2022
- 2022-05-20 CN CN202210548856.7A patent/CN114937150B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629790A (zh) * | 2018-04-26 | 2018-10-09 | 大连理工大学 | 一种基于深度残差网络的光条图像阈值分割方法 |
CN108847223A (zh) * | 2018-06-20 | 2018-11-20 | 陕西科技大学 | 一种基于深度残差神经网络的语音识别方法 |
CN110543823A (zh) * | 2019-07-30 | 2019-12-06 | 平安科技(深圳)有限公司 | 基于残差网络的行人再识别方法、装置和计算机设备 |
WO2021017316A1 (zh) * | 2019-07-30 | 2021-02-04 | 平安科技(深圳)有限公司 | 基于残差网络的信息识别方法、装置和计算机设备 |
CN114091545A (zh) * | 2021-12-02 | 2022-02-25 | 中国人民解放军国防科技大学 | 基于深度残差收缩网络的辐射源个体识别方法及装置 |
CN114241340A (zh) * | 2021-12-16 | 2022-03-25 | 北京工业大学 | 一种基于双路深度残差网络的图像目标检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
WANTIAN WANG 等: "Aircraft Target Classification for Conventional Narrow-Band Radar with Multi-Wave Gates Sparse Echo Data" * |
李粮余: "基于微多普勒谱图的多旋翼无人机识别" * |
陈唯实 等: "基于运动模型的低空非合作无人机目标识别" * |
Also Published As
Publication number | Publication date |
---|---|
CN114937150B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108226892B (zh) | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 | |
CN105550636A (zh) | 一种目标类型识别的方法及装置 | |
CN111220958A (zh) | 基于一维卷积神经网络的雷达目标多普勒像分类识别方法 | |
CN101587186B (zh) | 一种雷达脉内调制信号的特征提取方法 | |
CN112087774B (zh) | 一种基于残差神经网络的通信辐射源个体识别方法 | |
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 | |
Guo et al. | One-dimensional frequency-domain features for aircraft recognition from radar range profiles | |
CN105445723A (zh) | 一种基于背景噪声频谱起伏特性的宽带阵列信号处理方法 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
CN111929654A (zh) | 一种基于微多普勒技术的杂波抑制方法 | |
CN109901130A (zh) | 一种基于Radon变换和改进2DPCA的旋翼无人机检测与识别方法 | |
CN103116740B (zh) | 一种水下目标识别方法及其装置 | |
CN105988113A (zh) | 极化合成孔径雷达图像变化检测方法 | |
CN113191185A (zh) | 一种利用Dense2Net的雷达探测无人机目标分类方法 | |
CN107748364A (zh) | 基于降秩多级维纳滤波器的低空风切变风场速度估计方法 | |
CN113673312A (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
CN111985349A (zh) | 一种雷达接收信号类型分类识别方法及系统 | |
CN113640768B (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
CN114937150B (zh) | 一种基于深度阈值残差网络的无人机目标识别方法 | |
Kim et al. | Codebook-based hierarchical polarization feature for unsupervised fine land classification using high-resolution PolSAR data | |
CN110532909B (zh) | 一种基于三维uwb定位的人体行为识别方法 | |
CN111639595B (zh) | 基于权重不可知神经网络的无人机微动特征信号检测方法 | |
CN112801065B (zh) | 一种基于时空多特征信息的被动声纳目标探测方法及装置 | |
Hofele | A new algorithm for automatic radar target classification using feature extraction having special regard to drones | |
CN103913724B (zh) | 基于先验地形覆盖数据的杂波抑制方法 |
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 |