CN115856854B - 一种模型与数据混合驱动的雷达探测方法及系统 - Google Patents

Abstract

本发明公开一种模型与数据混合驱动的雷达探测方法及系统，包括：雷达接收目标射频回波信号并下变频至中频；对中频信号处理后得到时域压缩后的信号并对其进行动目标检测，输出二维距离多普勒复图像；将二维距离多普勒复图像转换为二维距离多普勒RGB彩色图像，并进行目标检测处理；对目标进行目标跟踪；对于输入的二维距离多普勒RGB彩色图像进行目标类型的识别；输出目标的空间三维坐标、多普勒维度信息以及目标类型信息。本发明不仅保留雷达回波信号的全部信息，并在后续检测、跟踪以及识别等雷达处理中，均保留了目标的全部细节信息，能显著提高复杂电磁环境下目标检测、跟踪与识别的性能。

Description

一种模型与数据混合驱动的雷达探测方法及系统

技术领域

本发明涉及雷达探测系统及雷达处理技术领域，具体为一种模型与数据混合驱动的雷达探测方法及系统。

背景技术

传统的雷达探测系统是基于概率统计模型驱动、恒虚警检测（CFAR）理论的雷达探测系统，对接收到的原始回波信号进行脉冲压缩、动目标检测（MTD）等处理，得到目标二维距离多普勒信息，然后经过距离门恒虚警检测，输出目标点迹信息，最后经过多目标跟踪、识别等处理，得到目标探测信息，在整个处理过程中，原始信号经过了从信号域到数据域的转换，信号带宽得到了极大的压缩，大大减轻了后续数据处理的压力，使得更为复杂的目标跟踪和识别算法得到了应用，提高了目标跟踪及识别的准确率；但同时，信号带宽压缩的后果就是大量的目标以及杂波的细节信息被丢失，使得后续算法无法使用目标及杂波的细节信息，也使得后续模型驱动算法必须在各种特定假设条件下进行，从而催生了各种模型下的不同检测、跟踪识别算法的发展，但给定假设模型下的算法对于其他模型缺乏足够的适应性，因此造成了雷达探测系统在不同环境及场景下，性能千差万别。

上述这类基于概率统计模型驱动、恒虚警检测（CFAR）理论的雷达探测系统，将信号分为信号域与数据域处理的概念，而且在雷达回波信号经过CFAR检测后，会丢失大量的目标信息以及信号处理泛化能力不强。

发明内容

本发明的目的在于提供一种模型与数据混合驱动的雷达探测方法，已解决目标在探测时信息丢失的问题。包括以下步骤：

步骤S100，雷达接收目标射频回波信号并下变频至中频；

步骤S200，对中频信号在时域内进行正交调节和匹配滤波处理后得到时域压缩后的信号；

步骤S300，利用MTI和256点FFT算法对时域压缩后的信号进行动目标检测，并输出目标所在波束指向的二维距离多普勒复图像；

步骤S400，对二维距离多普勒复图像进行数据格式转换，将复数域浮点数据转换为二维距离多普勒RGB彩色图像；

步骤S500，利用深度神经网络模型对输入的二维距离多普勒 RGB彩色图像进行目标检测处理，获取目标的坐标信息，并用于计算对应的目标距离和多普勒数据值；目标距离、多普勒数值和接收目标射频回波信号波束形成的空域指向性信息构成目标的空间三维信息和多普勒维度信息；

步骤S600，在空间三维以及多普勒维度对目标进行基于时间、空间的目标跟踪；

步骤S700，对于输入的二维距离多普勒RGB彩色图像利用基于Bilinear CNN的深度神经网络模型，进行目标类型的识别；

步骤S800，输出目标的空间三维坐标、多普勒维度信息以及目标类型信息。

进一步地，步骤S300的具体过程包括：

步骤S301，将雷达矩阵数据进行重排获得同一距离单元的数据；

步骤S302，通过MTI算法去直流和删除多普勒频点数为N=0,1,2,254,255以抑制静止或者低速的干扰信号；

步骤S303，加入泰勒窗；

步骤S304，利用FFT运算得到运动目标的速度信息。

进一步地，步骤S400具体步骤包括：

步骤S401，对输入的二维距离多普勒复图像进行求模，转换为幅度图像数据；

步骤S402，对幅度图像数据进行最大值归一化将原始浮点数据压缩为0-1之间的浮点数据；

步骤S403，根据预设的颜色表，将处于不同数值范围的像素赋予色彩RGB值，生成二维距离多普勒RGB彩色图像。

进一步地，步骤S500中采用YoLo V5深度网络对输入的二维距离多普勒 RGB彩色图像进行目标检测处理，具体步骤包括：

步骤S501，利用YoLo V5深度网络中的目标检测分支获取目标在二维距离多普勒RGB彩色图像中的坐标；

步骤S502，根据二维距离多普勒RGB彩色图像对应的距离单元和多普勒单元，获取对应的距离和多普勒数据值。

进一步地，空域指向性信息包括目标的方位和俯仰信息。

进一步地，步骤S600的具体过程为：

步骤S601，提取二维距离多普勒RGB彩色图像中速度、距离、角度原始点迹数据；

步骤S602，对原始点迹数据，进行速度分段的动态杂波图过滤，在方位上求质量中心、距离上按峰值搜索、俯仰上求质量中心的方法融合点迹；

步骤S603，对点迹预处理后余下的点迹，根据目标运动模型获取当前时刻的量测预测值，以预测值为中心建立相关波门，根据航迹关联算法，在所有落入相关波门的点迹中选择一个与预测值波门中心总误差最小的点与航迹进行关联；

步骤S604，如果点迹与航迹成功关联，则对该航迹进行滤波处理并更新航迹，转步骤S603；如果点迹未与航迹关联，则将该点迹作为新的航迹头进行航迹起始，转步骤S603；如果设定的轮数处理中均无点迹与航迹关联，则将该航迹终止。

本发明还提供了一种模型与数据混合驱动的雷达探测系统，包括：

雷达接收目标射频回波信号并下变频至中频的接收模块；

对中频信号在时域内进行正交调节得到时域压缩后的信号的脉冲压缩模块；

利用MTI和256点FFT算法对时域压缩后的信号进行动目标检测，并输出目标所在波束指向的二维距离多普勒复图像的MTD模块；

对二维距离多普勒复图像进行数据格式转换，将复数域浮点数据转换为二维距离多普勒RGB彩色图像的复图像预处理模块；

利用深度神经网络模型对输入的二维距离多普勒 RGB彩色图像进行目标检测处理，获取目标的坐标信息的目标视觉检测模块；目标在二维距离多普勒RGB彩色图像上的坐标信息和接收目标射频回波信号波束形成的空域指向性信息构成目标的空间三维信息；

在空间三维以及多普勒维度对目标进行基于时间、空间的目标跟踪的目标跟踪模块；

对于输入的二维距离多普勒RGB彩色图像利用基于Bilinear CNN的深度神经网络模型，进行目标类型的识别的细粒度分类的目标识别模块。

进一步地，MTD模块具体包括：

将雷达矩阵数据进行重排获得同一距离单元的数据的子模块；

通过MTI算法去直流和删除多普勒频点数为N=0,1,2,254,255以抑制静止或者低速的干扰信号的子模块；

加入泰勒窗的子模块；

利用FFT运算得到运动目标的速度信息的子模块。

进一步地，复图像预处理模块具体包括：

对输入的二维距离多普勒复图像进行求模，转换为幅度图像数据的子模块；

对幅度图像数据进行最大值归一化将原始浮点数据压缩为0-1之间的浮点数据的子模块；

根据预设的颜色表，将处于不同数值范围的像素赋予色彩RGB值，生成二维距离多普勒RGB彩色图像的子模块。

进一步地，目标视觉检测模块中采用YoLo V5深度网络对输入的二维距离多普勒RGB彩色图像进行目标检测处理，具体包括：

利用YoLo V5深度网络中的目标检测分支获取目标在二维距离多普勒RGB彩色图像中的坐标的子模块；

根据二维距离多普勒RGB彩色图像对应的距离单元和多普勒单元，获取对应的距离和多普勒数据值的子模块。

进一步地，目标跟踪模块具体包括：

提取二维距离多普勒RGB彩色图像中速度、距离、角度原始点迹数据的子模块；

对原始点迹数据，进行速度分段的动态杂波图过滤，在方位上求质量中心、距离上按峰值搜索、俯仰上求质量中心的方法融合点迹的子模块；

对点迹预处理后余下的点迹，根据目标运动模型获取当前时刻的量测预测值，以预测值为中心建立相关波门，根据航迹关联算法，在所有落入相关波门的点迹中选择一个与预测值波门中心总误差最小的点与与航迹进行关联的子模块；

如果点迹与航迹成功关联，则对该航迹进行滤波处理并更新航迹；如果点迹未与航迹关联，则将该点迹作为新的航迹头进行航迹起始；如果多轮处理中均无点迹与航迹关联，则将该航迹终止的子模块。

与现有技术相比，本发明优点为：（1）本发明区别于传统雷达系统的视觉雷达系统，在全信号域采用雷达视觉处理技术，保留了目标的全部细节信息，通过对二维距离多普勒图像进行视觉处理，将雷达目标检测变为目标视觉检测，第一次构建真正意义上的视觉雷达系统；（2）本发明利用基于模型驱动的雷达信号脉冲压缩以及动目标检测技术，将目标回波信号转换为二维距离多普勒图像，采用基于机理建模与统计学习相结合的深度学习图像分析技术完成目标的检测、跟踪及识别，实现基于模型与数据混合驱动的全信号域雷达视觉处理技术；（3）本发明利用数据驱动的视觉检测技术、时空预判的目标跟踪技术以及细粒度分类算法在整个信号域完成对目标的检测、跟踪及识别，实现基于数据驱动的检测、跟踪与识别一体化技术研究。

附图说明

图1为本发明方法流程示意图。

图2为本发明实施例中线性调频信号时域波形和信号频谱示意图。

图3为本发明实施例中数字化天线输出波形示意图。

图4为本发明实施例中时宽较窄、主副瓣比较高的尖峰信号示意图。

图5为本发明实施例中二维距离多普勒复图像示意图。

图6为本发明实施例中复图像预处理后的二维距离多普勒 RGB彩色图像示意图。

图7的a、b、c图为本发明实施例中经过视觉检测的不同距离多普勒的二维距离多普勒 RGB彩色图像示意图。

图8为本发明实施例中时空预判关联图。

图9为本发明系统框图。

实施方式

为了便于理解本发明，下面将参照附图对本发明进行更加全面的描述。本发明可以通过不同的形式来实现，并不限于文本所描述的实施例。相反的，提供实施例是为了使本发明公开的内容更加透彻全面。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。

本实施例提供一种模型与数据混合驱动的统一的全信号域雷达探测系统及视觉处理技术，本发明不仅保留雷达回波信号的全部信息，并在后续检测、跟踪以及识别等雷达处理中，均保留了目标的全部细节信息，能够显著提高复杂电磁环境下目标检测、跟踪与识别的性能。

参见图1~图9，本实施例提供一种一种模型与数据混合驱动的雷达探测方法及系统。本发明不仅保留雷达回波信号的全部信息，并在后续检测、跟踪以及识别等雷达处理中，均保留了目标的全部细节信息，能够显著提高复杂电磁环境下目标检测、跟踪与识别的性能。

该系统包括接收模块、脉冲压缩模块、二维距离多普勒复图像的MTD模块、复图像预处理模块、目标跟踪模块、目标识别模块。系统通过以下步骤实现探测。

步骤1：数字化天线将经过接收波束形成在空域指向得到的目标射频回波信号下变频至中频回波后输出至脉冲压缩模块。

选用信号时宽为6us，中心频率为125MHz，带宽为40MHz的线性调频信号作为发射信号，对空域中飞行的无人机进行探测搜索，数字化天线经过波束形成在空域指向接收信号，接收信号通过100MHz带通采样，保证从离散信号x(n)中无失真地恢复出原信号x(t),得到如图2所示的时域波形和频谱；将得到的模拟信号x(t)进行f _s =125MHz的AD采样得到数字序列x(n) ，然后分别与两路正交数字信号cos(w ₀ n)和-sin(w ₀ n)相乘，可以获得正交解调后的信号x(n)，最后经过低通滤波器后输出如图3所示的数字化天线输出波形，将此信号输出至脉冲压缩模块。

步骤2：脉冲压缩模块接收来自数字化天线输出的目标中频回波信号，并在时域对回波信号进行中频正交解调，匹配滤波处理后，得到时域压缩后的信号，并将该信号输出至MTD模块。

通过FIR滤波器来完成匹配滤波，具体是将匹配滤波的系数h(n)与正交解后的信号x(n)卷积。匹配滤波系数与接收信号镜像共轭，随着滤波器阶数的增加，信号需要进行的乘加运算也急剧增加。时域脉冲压缩法的输出信号表达式为：

（1）

其中x(n)为正交解后的信号，h(n)为匹配滤波器的系数，y(n)为时域脉冲压缩法的输出信号；

信号通过匹配滤波之后，再经过-35dB的泰勒窗抑制信号旁瓣，最终输出如图4所示的时宽较窄、主副瓣比较高的尖峰信号，并将该信号输送至MTD模块。

步骤3：MTD模块接收来自得到脉冲压缩模块输出的时域压缩后的信号，并利用MTI以及FFT算法实现对于回波的动目标检测算法，并输出目标所在波束指向的二维距离多普勒 复图像至复图像预处理模块。

MTD模块主要是将雷达矩阵数据进行重排来得到同一距离单元的数据, 由于总计做256点的傅里叶变换，因此多普勒单元数为0-255,而0,1和254,255为多普勒频率为0附近的多普勒单元，将其删除可抑制地面静止和慢动杂波。再通过MTI算法去直流和删除多普勒频点数为N=0,1,2,254,255以抑制静止或者低速的干扰信号，加入设置为35dB 旁瓣比的泰勒窗防止频谱泄露，然后再通过256点的FFT运算对加窗和MTI滤波后的信号是进行运算，得到二维距离多普勒 复图像中运动目标的速度信息，输出如图5所示的二维距离多普勒复图像至复图像预处理模块。

所述重拍即在距离多普勒图像平面上，按照距离单元编号，逐距离单元提取对应所有多普勒单元的列数据，则每列数据得到的就是同一距离单元的数据。所述去直流的处理是使同一距离单元的数据平均值为零。加泰勒窗即对去直流和杂波抑制后的同一距离单元信号乘以等长泰勒窗系数，这个操作称为加窗或者加权处理。

步骤4：复图像预处理模块接收来MTD模块输出的二维距离多普勒复图像，并对其进行数据格式转换，将复数域浮点数据转换为深度神经网络所需的二维距离多普勒RGB彩色图像，并将转换后的二维距离多普勒RGB彩色图像输出至目标视觉检测模块。

首先将输入的复图像数据求模转换为幅度图像数据。然后，将幅度数据除以数据中的最大幅度值，将所有数据都标准化到 [0, 1]范围内。得到归一化后的幅度数据，之后对幅度数据进行假彩色RGB合成。将单波段幅度图像加载到支持假彩色合成的ENVI软件中，并载入预设的颜色表。该颜色表将[0, 1]范围内的实数划分为不同的数据区间，并给每个数据区间赋予了不同的颜色。则根据预设的颜色表，可将处于不同数值范围的幅度数据赋予不同的RGB值，从而生成如图6所示的后续深度神经网络模型所需的二维距离多普勒RGB彩色图像，并输出至目标视觉检测模块。

步骤5：目标视觉检测模块利用深度神经网络模型对输入的二维距离多普勒 RGB彩色图像进行目标检测处理，实现对于目标边界框的标定，并输出目标在二维距离多普勒RGB彩色图像上的坐标信息，结合接收波束形成的空域指向性信息（方位、俯仰），将目标在空间三维信息（方位、俯仰、距离）以及多普勒信息，输出给基于时空预判的目标跟踪模块。

所述视觉检测模块主要依赖于YOLO V5算法实现对输入二维距离多普勒RGB彩色图像的目标检测。针对不同大小的目标，可加载和装订不同尺寸的目标边界框，可方便获得目标在二维距离多普勒RGB彩色图像上的坐标信息。该模块需在实际工作之前，利用预先采集整理的数据集进行模型训练，完成训练后，即可将训练好的网络权重加载到实时雷达系统中对目标进行检测。在实际工作中，选择Darknet-53的网络架构检测目标物体，通过对输入二维距离多普勒RGB彩色图像应用随机变换来增强训练数据集，以增加数据的多样性并提高模型的泛化能力，通过使用二元交叉熵损失函数优化目标检测模块参数，在增强训练数据集上训练YOLO V5模型。将训练好的YOLO V5模型应用到输入的二维距离多普勒RGB彩色图像上进行物体检测，生成物体周围的边界框，并输出如图7所示的经过视觉检测的方位41.8038，俯仰64.9336，不同距离多普勒的连续二维距离多普勒 RGB彩色图像。在此过程中利用YOLO V5模型中的目标检测分支获取候选目标在二维距离多普勒 RGB彩色图像中的坐标，然后，根据二维距离多普勒 RGB彩色图像对应的距离单元和多普勒单元，获取对应的距离和多普勒数据值。其中，二维距离多普勒的二维坐标分别是距离和速度（速度也可称为多普勒）。由于模型输出的图像坐标为浮点数，因此，本模块所得的距离值和多普勒值较之常规雷达系统所获的距离单元和多普勒门更为精确。

步骤6：目标跟踪模块利用输入的空间三维信息以及多普勒信息，在空间三维以及多普勒维度对目标进行基于时间空间的目标跟踪，最后将跟踪到的目标二维距离多普勒RGB彩色图像输出至基于细粒度分类的目标识别模块。

所述目标跟踪模块主要根据雷达观测到的信息，结合模式识别和自动控制，对参数进行准确地估计，以实现对于机动目标跟踪的功能。当目标的运动状态突然发生停止、转向等不确定改变时，机动目标跟踪依赖航迹起始，将点迹作为航迹的起始点，建立目标的可靠航迹，实时地识别动态目标，提取目标信息，建立目标运动模型（一般为匀速直线运动模型或匀加速直线运动模型）；通过卡尔曼滤波算法，根据已有的有效观测值对目标当前的状态进行平滑，并对目标的下一状态进行预测，计算出目标的位置，实现对目标的准确跟踪；并依赖点迹和航迹的互联过程实现对可靠航迹的维持与更新。其主要的过程为：（1）提取二维距离多普勒RGB彩色图像中的速度，距离，角度等原始点迹数据；(2)对原始点迹数据进行速度分段的动态杂波图过滤，在方位上求质量中心、距离上按峰值搜索、俯仰上求质量中心的方法融合点迹；（3）点迹预处理后，对余下的点迹进行数据关联，数据关联即是点迹与航迹的关联。（4）根据建立的目标运动模型推算出当前时刻的量测预测值，然后以该预测值为中心建立关联门，根据航迹关联算法，在所有落入相关波门的点迹中选择一个最与预测值波门中心总误差最小的点的点与航迹进行关联，即认定为属于当前航迹对应目标在本扫描周期内的航迹点。（5）如果点迹与航迹成功关联，则对该航迹进行滤波处理以估计当前目标的真实运动参数，并更新航迹；如果点迹未与航迹关联，则将该点迹作为新的航迹头进行航迹起始；如果多轮（3-5轮）处理中均无点迹与航迹关联，则将该航迹终止。最终输出如图8所示的时空预判关联图至基于细粒度分类的目标识别模块；

步骤7： 基于细粒度分类的目标识别模块对于输入的二维距离多普勒RGB彩色图像利用基于Bilinear CNN的深度神经网络模型，进行目标类型的识别，并最终输出目标的空间三维坐标、多普勒信息以及目标类型信息。

本系统的细粒度分类模块主要依赖于Bilinear CNN模型，根据输入的二维距离多普勒RGB彩色图像， 使用两个并行的 CNN 从二维距离多普勒RGB彩色图像中提取高阶特征，计算提取高阶特征的外积，形成二维距离多普勒RGB彩色图像的双线性表示，将双线性表示送入全连接层进行分类，再通过一个softmax激活函数得到初步细粒度分类结果，使用交叉熵损失函数计算损失并反向传播梯度以更新Bilinear CNN模型参数。重复上述步骤之后，最终识别出此目标为空域中飞行的无人机，证明模型在二维距离多普勒RGB彩色图像的训练数据上达到期望的精度水平，细粒度分类模块性能较好，并准确输出目标关于方位:41.8038，距离: 3415.78 ，俯仰: 64.9336，速度: 9.47452幅度: 83.5，信噪比: 32等信息。

在上述实施例中可以实现全部功能，或根据需要实现部分功能。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims (10)

1.一种模型与数据混合驱动的雷达探测方法，其特征在于，包括以下步骤：

步骤S100，雷达接收目标射频回波信号并下变频至中频；

步骤S200，对中频信号在时域内进行正交调节和匹配滤波处理后得到时域压缩后的信号；

步骤S300，利用MTI和256点FFT算法对时域压缩后的信号进行动目标检测，并输出目标所在波束指向的二维距离多普勒复图像；

步骤S400，对二维距离多普勒复图像进行数据格式转换，将复数域浮点数据转换为二维距离多普勒RGB彩色图像；

步骤S500，利用深度神经网络模型对输入的二维距离多普勒 RGB彩色图像进行目标检测处理，获取目标的坐标信息，并用于计算对应的目标距离和多普勒数据值；目标距离、多普勒数值和接收目标射频回波信号波束形成的空域指向性信息构成目标的空间三维信息和多普勒维度信息；

步骤S600，在空间三维以及多普勒维度对目标进行基于时间、空间的目标跟踪，最后将跟踪到的目标二维距离多普勒RGB彩色图像输出至基于细粒度分类的目标识别模块；

步骤S700，基于细粒度分类的目标识别模块对于输入的二维距离多普勒RGB彩色图像利用基于Bilinear CNN的深度神经网络模型，进行目标类型的识别；

步骤S800，输出目标的空间三维坐标、多普勒维度信息以及目标类型信息。

2.根据权利要求1所述的一种模型与数据混合驱动的雷达探测方法，其特征在于，步骤S300的具体过程包括：

步骤S301，将雷达矩阵数据进行重排获得同一距离单元的数据；

步骤S302，通过MTI算法去直流和删除N=0,1,2,254,255的多普勒频点数，以抑制静止或者低速的干扰信号；

步骤S303，加入泰勒窗；

步骤S304，利用FFT运算得到运动目标的速度信息。

3.根据权利要求1所述的一种模型与数据混合驱动的雷达探测方法，其特征在于，步骤S400具体步骤包括：

步骤S401，对输入的二维距离多普勒复图像进行求模，转换为幅度图像数据；

步骤S402，对幅度图像数据进行最大值归一化将原始浮点数据压缩为0-1之间的浮点数据；

步骤S403，根据预设的颜色表，将处于不同数值范围的像素赋予色彩RGB值，生成二维距离多普勒RGB彩色图像。

4.根据权利要求1所述的一种模型与数据混合驱动的雷达探测方法，其特征在于，步骤S500中采用YoLo V5深度网络对输入的二维距离多普勒 RGB彩色图像进行目标检测处理，具体步骤包括：

步骤S501，利用YoLo V5深度网络中的目标检测分支获取目标在二维距离多普勒RGB彩色图像中的坐标；

步骤S502，根据二维距离多普勒RGB彩色图像对应的距离单元和多普勒单元，获取对应的距离和多普勒数据值。

5.根据权利要求4所述的一种模型与数据混合驱动的雷达探测方法，其特征在于，空域指向性信息包括目标的方位和俯仰信息。

6.根据权利要求1所述的一种模型与数据混合驱动的雷达探测方法，其特征在于，步骤S600的具体过程为：

步骤S601，提取二维距离多普勒RGB彩色图像中速度、距离、角度原始点迹数据；

步骤S602，对原始点迹数据，进行速度分段的动态杂波图过滤，在方位上求质量中心、距离上按峰值搜索、俯仰上求质量中心的方法融合点迹；

步骤S603，对点迹预处理后余下的点迹，根据目标运动模型获取当前时刻的量测预测值，以预测值为中心建立相关波门，根据航迹关联算法，在所有落入相关波门的点迹中选择一个与预测值波门中心总误差最小的点与航迹进行关联；

步骤S604，如果点迹与航迹成功关联，则对该航迹进行滤波处理并更新航迹，转步骤S603；如果点迹未与航迹关联，则将该点迹作为新的航迹头进行航迹起始，转步骤S603；如果设定的轮数处理中均无点迹与航迹关联，则将该航迹终止。

7.一种模型与数据混合驱动的雷达探测系统，其特征在于，包括：

雷达接收目标射频回波信号并下变频至中频的接收模块；

对中频信号在时域内进行正交调节得到时域压缩后的信号的脉冲压缩模块；

利用MTI和256点FFT算法对时域压缩后的信号进行动目标检测，并输出目标所在波束指向的二维距离多普勒复图像的MTD模块；

对二维距离多普勒复图像进行数据格式转换，将复数域浮点数据转换为二维距离多普勒RGB彩色图像的复图像预处理模块；

利用深度神经网络模型对输入的二维距离多普勒 RGB彩色图像进行目标检测处理，获取目标的坐标信息的目标视觉检测模块；目标在二维距离多普勒RGB彩色图像上的坐标信息和接收目标射频回波信号波束形成的空域指向性信息构成目标的空间三维信息；

在空间三维以及多普勒维度对目标进行基于时间、空间的目标跟踪的目标跟踪模块，将跟踪到的目标二维距离多普勒RGB彩色图像输出至基于细粒度分类的目标识别模块；

对于输入的二维距离多普勒RGB彩色图像利用基于Bilinear CNN的深度神经网络模型，进行目标类型的识别的细粒度分类的目标识别模块。

8.根据权利要求7所述的一种模型与数据混合驱动的雷达探测系统，其特征在于，所述MTD模块具体包括：

将雷达矩阵数据进行重排获得同一距离单元的数据的子模块；

通过MTI算法去直流和删除N=0,1,2,254,255的多普勒频点数，以抑制静止或者低速的干扰信号的子模块；

加入泰勒窗的子模块；

利用FFT运算得到运动目标的速度信息的子模块。

9.根据权利要求7所述的一种模型与数据混合驱动的雷达探测系统，其特征在于，所述复图像预处理模块具体包括：

对输入的二维距离多普勒复图像进行求模，转换为幅度图像数据的子模块；

对幅度图像数据进行最大值归一化将原始浮点数据压缩为0-1之间的浮点数据的子模块；

根据预设的颜色表，将处于不同数值范围的像素赋予色彩RGB值，生成二维距离多普勒RGB彩色图像的子模块。

10.根据权利要求7所述的一种模型与数据混合驱动的雷达探测系统，其特征在于，所述目标视觉检测模块中采用YoLo V5深度网络对输入的二维距离多普勒 RGB彩色图像进行目标检测处理，具体包括：

利用YoLo V5深度网络中的目标检测分支获取目标在二维距离多普勒RGB彩色图像中的坐标的子模块；

根据二维距离多普勒RGB彩色图像对应的距离单元和多普勒单元，获取对应的距离和多普勒数据值的子模块；

目标跟踪模块具体包括：

提取二维距离多普勒RGB彩色图像中速度、距离、角度原始点迹数据的子模块；

对原始点迹数据，进行速度分段的动态杂波图过滤，在方位上求质量中心、距离上按峰值搜索、俯仰上求质量中心的方法融合点迹的子模块；

对点迹预处理后余下的点迹，根据目标运动模型获取当前时刻的量测预测值，以预测值为中心建立相关波门，根据航迹关联算法，在所有落入相关波门的点迹中选择一个与预测值波门中心总误差最小的点与航迹进行关联的子模块；

如果点迹与航迹成功关联，则对该航迹进行滤波处理并更新航迹；如果点迹未与航迹关联，则将该点迹作为新的航迹头进行航迹起始；如果多轮处理中均无点迹与航迹关联，则将该航迹终止的子模块。

Images