CN116299286A - 抗间歇采样干扰的目标检测方法、系统、装置及存储介质 - Google Patents
抗间歇采样干扰的目标检测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN116299286A CN116299286A CN202310228568.8A CN202310228568A CN116299286A CN 116299286 A CN116299286 A CN 116299286A CN 202310228568 A CN202310228568 A CN 202310228568A CN 116299286 A CN116299286 A CN 116299286A
- Authority
- CN
- China
- Prior art keywords
- target
- detection
- doppler
- network
- range
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 189
- 238000005070 sampling Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 79
- 230000000007 visual effect Effects 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 58
- 238000010586 diagram Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 21
- 238000007906 compression Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006835 compression Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 2
- 230000002829 reductive effect Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
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
本发明公开了一种抗间歇采样干扰的目标检测方法、系统、装置及存储介质，本发明实施例方法首先通过将雷达回波信号转换为距离多普勒图，能够显著压缩数据，减少数据处理量，并且通过距离多普勒图引入更多领域知识，能够进一步便于视觉目标检测网络的训练以及预测分析；同时，基于改进的YOLOX‑Nano网络的单检测头结构在不影响检测精度的情况下大幅度减少模型参数量和计算量；并且，通过引入的焦点损失函数，能够提升正负样本不平衡条件下抗间歇采样目标检测的性能；最终，根据距离多普勒图相对于原始的雷达回波信号的物理意义更清晰的特性，通过确定的目标预测框，能高效且准确获取检测结果，可广泛应用于雷达检测技术领域。
Description
技术领域
本发明涉及雷达检测技术领域，尤其是一种抗间歇采样干扰的目标检测方法、系统、装置及存储介质。
背景技术
数字射频存储器(digital radio frequency memory,DRFM)是一种常见的用于产生欺骗干扰信号的设备。它有两种工作模式，一种是全转发模式，另外一种是间歇采样转发模式。在全转发模式下，DRFM截获、存储和转发的是完整的雷达发射信号。在间歇采样转发模式下，DRFM则是用一个矩形窗对雷达的发射信号进行部分采样并多次转发，然后重复这个过程直到采样至雷达发射信号的末端。通常把间歇采样转发模式下产生的欺骗干扰叫做间歇采样重复转发干扰(interrupted sampling repeater jamming,ISRJ)。相较于全转发模式下的干扰，间歇采样重复转发干扰具有功耗小、时延低、响应快、灵活性高、能产生超前于真实目标的假目标信号等优点，是目前最具有威胁性的干扰技术之一。间歇采样重复转发干扰会严重限制雷达功能的正常使用，研究抗主瓣间歇采样重复转发干扰的目标检测算法具有重要的意义和应用价值。
在基于深度学习的抗间歇采样干扰方面，有学者提出一种基于CNN(convolutional neural network,卷积神经网络)的端到端的抗间歇采样干扰目标检测方法并取得了大幅度优于传统方法的效果。该方法首先利用一种波形自适应处理方法将发射信号与回波信号转换成一个三维特征块，然后将该特征块输入一个CNN网络中。该CNN网络在实现对干扰抑制的同时完成对真实目标的检测。然而由于该方法输出的是每个距离单元是否存在目标的二分类概率，因此该方法难以与传统的动目标检测算法相结合，从而计算出目标的速度信息。此外，该方法还存在输入的样本大小会随着待检测距离单元数量的增加而急剧增加的问题。针对上述问题，近期有另外一位学者提出了一种基于时频图及CNN的抗间歇采样目标测距和测速的方法。该方法首先利用一个计算机视觉目标检测网络YOLO(You Only Look Once)在回波信号的时频图上大致检测出被干扰信号的位置，然后利用构建的验证集获取yolo网络的估计误差，并根据该估计误差对回波信号进行裁剪，以此来减少后续雷达目标测距和测速网络的输入量的大小。之后该方法根据裁剪出的信号构建目标测距样本集以及目标测速样本集，并用这两个样本集对该方法提出的CNN测距模型和CNN测速模型进行训练，从而得到最终的抗ISRJ目标测距模型以及目标测速模型。该方法在仿真数据集上以及实测数据集上均取得了明显优于所对比的传统方法的抗ISRJ目标测速和测距结果。然而，该方法步骤繁琐，测距和测速分开处理，不是端到端的形式，这会导致误差容易在各个步骤中进行积累，因此系统难以实现最优。此外，该方法还需要构建多个数据集以及多个检测网络，这会增加该方法使用的复杂性以及内存和时间资源的消耗。另一方面，上述两种抗间歇采样目标检测模型的输入都是由原始雷达信号经过简单处理得到的特征块。这种特征块所含有的先验信息有限，这会导致网络训练所需要的样本量很大。此外，这两种方法在极低信噪比的条件下虽然表现的虽然比传统方法好，但是其检测准确率还是大幅下降。另外，这两种方法还存在不够直观、可解释性不强、物理意义不够明确的问题，这会降低他们使用的可靠性。因此，如何高效实现雷达信号的抗间歇采样干扰并获取真实准确的雷达检测目标是一个亟需解决的问题。
发明内容
有鉴于此，本发明实施例提供一种抗间歇采样干扰的目标检测方法、系统、装置及存储介质，能够高效实现雷达信号的抗间歇采样干扰并获取真实准确的雷达检测目标。
一方面，本发明的实施例提供了一种抗间歇采样干扰的目标检测方法，包括：
获取雷达回波信号；
对雷达回波信号进行多普勒转换处理，得到距离多普勒图；其中，多普勒转换处理包括快时间维的脉冲压缩处理和慢时间维的离散傅里叶变换处理；
利用视觉目标检测网络对距离多普勒图进行分析，获得目标特征图；其中，目标特征图包括预设数量的预测框；视觉目标检测网络基于改进的YOLOX-Nano网络通过已标注标签的样本训练生成的，改进的YOLOX-Nano网络包括单检测头结构和焦点损失函数；
根据预测框，通过预设检测门限值确定目标预测框；其中，预设检测门限值通过检测的虚警率指标确定；
基于目标预测框的参数，确定检测结果；其中，目标预测框的参数包括目标预测框内含有的待检测物体的置信度、物体的类别分数以及目标预测框的中心点坐标；检测结果包括检测分数、目标距离和目标速度。
可选地，对雷达回波信号进行多普勒转换处理，得到距离多普勒图，包括：
对雷达回波信号进行解调频，根据解调频后的雷达回波信号与匹配滤波器进行卷积，完成雷达回波信号的快时间维的脉冲压缩处理；
对脉冲压缩处理后的雷达回波信号进行慢时间维的离散傅里叶变换处理，得到距离多普勒谱；
根据所述距离多普勒谱绘制成图，得到距离多普勒图。
可选地，还包括：
基于改进的YOLOX-Nano网络，创建视觉目标检测网络。
可选地，基于改进的YOLOX-Nano网络，创建视觉目标检测网络，包括：
设置改进的YOLOX-Nano网络，基于训练样本，结合整体损失函数对改进的YOLOX-Nano网络进行预测训练，并基于训练结果，对改进的YOLOX-Nano网络进行调整，获得视觉目标检测网络；
其中，改进的YOLOX-Nano网络包括主干部分、连接部分和检测头部分，检测头部分使用单检测头结构；整体损失函数包括前景预测损失、类别预测损失和预测框定位损失。
可选地，在结合整体损失函数对改进的YOLOX-Nano网络进行预测训练这一步骤中，在前景预测损失的计算使用焦点损失函数，在类别预测损失的计算使用交叉熵损失函数，在预测框定位损失的计算使用交并比损失。
可选地，视觉目标检测网络包括主干部分、连接部分和检测头部分，利用视觉目标检测网络对距离多普勒图进行分析，获得目标特征图，包括：
通过主干部分对距离多普勒图进行多层次的特征提取，得到不同层次的特征；
通过连接部分对不同层次的特征进行特征融合，得到融合特征；
通过检测头部分对融合特征进行回归和分类处理，得到目标特征图。
可选地，基于目标预测框的参数，确定检测结果，包括：
根据目标预测框内含有的待检测物体的置信度和物体的类别分数，计算得到检测分数；
根据目标预测框的中心点横坐标，结合距离多普勒图的宽度和雷达距离探测范围，计算得到目标距离；
根据目标预测框的中心点纵坐标，结合距离多普勒图的高度和雷达速度范围，计算得到目标速度；
其中，中心点横坐标和中心点纵坐标通过中心点坐标确定，雷达距离探测范围和雷达速度范围基于雷达回波信号对应的雷达确定。
另一方面，本发明的实施例提供了一种抗间歇采样干扰的目标检测系统，包括：
第一模块，用于获取雷达回波信号；
第二模块，用于对雷达回波信号进行多普勒转换处理，得到距离多普勒图；其中，多普勒转换处理包括快时间维的脉冲压缩处理和慢时间维的离散傅里叶变换处理；
第三模块，用于利用视觉目标检测网络对距离多普勒图进行分析，获得目标特征图；其中，目标特征图包括预设数量的预测框；视觉目标检测网络基于改进的YOLOX-Nano网络通过已标注标签的样本训练生成的，改进的YOLOX-Nano网络包括单检测头结构和焦点损失函数；
第四模块，用于根据预测框，通过预设检测门限值确定目标预测框；其中，预设检测门限值通过检测的虚警率指标确定；
第五模块，用于基于目标预测框的参数，确定检测结果；其中，目标预测框的参数包括目标预测框内含有的待检测物体的置信度、物体的类别分数以及目标预测框的中心点坐标；检测结果包括检测分数、目标距离和目标速度。
另一方面，本发明的实施例提供了一种抗间歇采样干扰的目标检测装置，包括处理器以及存储器；
存储器用于存储程序；
处理器执行程序实现如前面的方法。
另一方面，本发明的实施例提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明实施例首先获取雷达回波信号；对雷达回波信号进行多普勒转换处理，得到距离多普勒图；其中，多普勒转换处理包括快时间维的脉冲压缩处理和慢时间维的离散傅里叶变换处理；利用视觉目标检测网络对距离多普勒图进行分析，获得目标特征图；其中，目标特征图包括预设数量的预测框；视觉目标检测网络基于改进的YOLOX-Nano网络通过已标注标签的样本训练生成的，改进的YOLOX-Nano网络包括单检测头结构和焦点损失函数；根据预测框，通过预设检测门限值确定目标预测框；其中，预设检测门限值通过检测的虚警率指标确定；基于目标预测框的参数，确定检测结果；其中，目标预测框的参数包括目标预测框内含有的待检测物体的置信度、物体的类别分数以及目标预测框的中心点坐标；检测结果包括检测分数、目标距离和目标速度。本发明实施例首先通过将雷达回波信号转换为距离多普勒图，能够显著压缩数据，减少数据处理量，并且通过距离多普勒图引入更多领域知识，能够进一步便于视觉目标检测网络的训练以及预测分析；同时，基于改进的YOLOX-Nano网络的单检测头结构在不影响检测精度的情况下大幅度减少模型参数量和计算量；并且，通过引入的焦点损失函数，能够提升正负样本不平衡条件下抗间歇采样目标检测的性能；最终，根据距离多普勒图相对于原始的雷达回波信号的物理意义更清晰的特性，通过确定的目标预测框，能高效且准确获取检测结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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为本发明实施例提供的一种抗间歇采样干扰的目标检测方法的流程示意图；
图2为本发明实施例提供的一种抗间歇采样干扰的目标检测方法的主体框架示意图；
图3为间歇采样转发干扰信号产生过程的示意图；
图4为本发明实施例提供的视觉目标检测网络的结构示意图；
图5为本发明实施例提供的Focus模块示意图；
图6为本发明实施例提供的Conv模块示意图；
图7为本发明实施例提供的DWConv模块示意图；
图8为本发明实施例提供的堆叠模块示意图；
图9为本发明实施例提供的CSP1模块示意图；
图10为本发明实施例提供的BottleNeck1模块示意图；
图11为本发明实施例提供的CSP2模块示意图；
图12为本发明实施例提供的BottleNeck2模块示意图；
图13为本发明实施例提供的SPP模块示意图；
图14为本发明实施例提供的上采样模块示意图；
图15为本发明实施例提供的检测头模块示意图；
图16为本发明实施例提供的标签框和预测框示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
鉴于现有技术存在所需训练样本量大、物理意义不够明确、使用步骤多、无法同时测距和测速、在极低信噪比条件下效果不佳等问题。针对这些问题，本发明提出基于视觉目标检测网络的一种抗间歇采样干扰的目标检测方法。该方法将雷达回波信号转为距离多普勒图，然后输入至一个视觉目标检测网络中。该网络根据目标和间歇采样转发干扰信号在距离多普勒图上的差异实现对真实目标的检测，进而获取真实目标的距离和速度信息。如图1为本发明方法的流程图，如图2为本发明方法的主体框架图。一方面，本发明的实施例提供了一种抗间歇采样干扰的目标检测方法，包括：
S100、获取雷达回波信号；
具体地，为便于后续步骤的理解，首先针对相关雷达信号模型进行详细说明：
1)发射信号模型
设雷达发射信号使用的是线性调频信号。线性调频信号是一种广泛应用的雷达调制信号，具有容易产生、处理简单、能够在脉冲压缩的过程中获得高脉冲压缩比等优点。原始的线性调频信号可以表示如下式(1)：
式中，j表示的是虚数单位。π表示的是圆周率。
表示的是线性调频信号的调频斜率。B表示的是信号的带宽。Tp表示的是线性调频信号的脉冲宽度。t表示的是时间。
表示的是宽度为的矩形窗函数，其表达式如下式(2)：
在原始的线性调频信号上添加载频，即可得到雷达的发射信号。雷达发射信号可以表示如下式(3)：
式中，f0表示的是信号的载频。
2)间歇采样转发干扰信号模型
间歇采样转发干扰信号产生的基本过程如图3所示，干扰机首先利用一个脉宽为Tw，重复周期为Ts的矩形脉冲序列对雷达的发射信号进行采样，然后将采样得到的切片信号进行转发即可得到间歇采样转发干扰信号。
用于采样的矩形脉冲序列可以表示如下式(4)：
式中，*表示卷积操作。δ(·)表示的是冲击响应函数。n表示的是第n个采样脉冲。N表示的是采样脉冲的个数。
表示的是宽为Tw的矩形窗函数。其表达式如下式(5)：
雷达接收到的间歇采样干扰信号可以表示如下式(6)：
式中，AJ表示的是干扰信号的幅度。m表示的是雷达发射的线性调频信号的序号。
表示雷达发射的第m个线性调频信号对应的由干扰机距离造成的回波时延。m的取值范围是[0,M-1]。M表示的是雷达在一个相干处理间隔内发射的脉冲数量。/>
的表达式如下式(7)：
式中，RJ表示的是干扰机接收到雷达的第一个发射信号时，干扰机与雷达的距离。VJ表示干扰机相对于雷达的径向运动速度。Tr表示脉冲重复间隔。C表示的是光速。
3)回波信号模型
目标回波信号可以表示如下式(8)：
式中，AT表示的是目标回波信号的幅度。
表示的是雷达发射的第m个线性调频信号对应的的由目标距离造成的回波时延迟。/>
的表达式如下式(9)：
式中，RT表示的雷达发射的第一个脉冲信号达到目标处时目标与雷达的之间的距离。VT表示的是目标相对于雷达的径向运动速度。
雷达接收到的回波信号(即雷达回波信号)由目标回波信号、干扰信号以及噪声信号组成。其表达式如下式(10)：
r(t)＝x(t)+j(t)+n(t)
式中，n(t)表示的是噪声信号。
S200、对雷达回波信号进行多普勒转换处理，得到距离多普勒图；
需要说明的是，多普勒转换处理包括快时间维的脉冲压缩处理和慢时间维的离散傅里叶变换处理；
一些实施例中，通过对雷达回波信号进行解调频，根据解调频后的雷达回波信号与匹配滤波器进行卷积，完成雷达回波信号的快时间维的脉冲压缩处理；对脉冲压缩处理后的雷达回波信号进行慢时间维的离散傅里叶变换处理，得到距离多普勒谱；根据所述距离多普勒谱绘制成图，得到距离多普勒图。
具体地，通过将雷达接收到的多个脉冲的雷达回波信号转为距离多普勒图。以一具体实施例为例，设在一个相干处理间隔时间内，雷达接收到的回波脉冲的个数为32。对这32个回波脉冲组成的数据进行快时间维的脉冲压缩处理以及慢时间维的离散傅里叶变换处理后，即可获取其对应的距离多普勒图。设获取的距离多普勒图的维度为343×434×3。为进一步描述多普勒转换处理得到距离多普勒图的原理，以步骤S100中雷达回波信号中的目标回波信号为例，展开说明多普勒图的产生原理：
首先，需要对目标回波信号进行解调频。这可以通过将目标回波信号与载频信号的复数形式相乘实现，如下式(11)所示:
xr(t)＝x(t)exp(-j·2·π·f0·t)
将公式(8)带入公式(11)可得如下式(12)：
式中，t的取值范围是
发射信号对应的匹配滤波器可以表示如下式(13)：
h(t)＝conj(ζ(-t))
式中，t的取值范围是
conj(·)表示共轭操作。
之后，通过将解调后的目标回波信号与匹配滤波器进行卷积，即可实现对目标回波信号的脉冲压缩。该过程可以表示如下式(14)：
式中，*表示卷积操作。通过将式(12)和式(13)代入式(14)并进行整理，可以得到如下式(15)：
式中，sinc(·)表示辛格函数。在该式中，y(t)在t的值为
时最大。而/>
的值近似等于/>
通过求出/>
的值，我们可以求出目标的距离RT。/>
的值与目标在距离多普勒图上的横坐标是对应的，它们的关系为：/>
其中，a表示的是目标在距离多普勒图上的横坐标。WRD表示的是距离多普勒图的宽。TRD表示的是距离多普勒图的宽对应的雷达检测时长，该值是已知的。
在对目标回波信号的快时间维进行脉冲压缩处理后，再对其慢时间维进行离散傅里叶变换，即可得到目标回波信号的距离多普勒谱。将距离多普勒谱绘制成图即可得到距离多普勒图。计算距离多普勒谱的过程如下。首先，将公式(9)代入公式(15)，可以得到如下式(16)：
式中，m的取值范围是[0,M-1]。M表示的是雷达在一个相干处理间隔内发射的脉冲数量。将式(16)中的m看成自变量，并对该式子进行简化，可以得到其离散形式如下式(17)：
设有如下式(18)的离散傅里叶变换对：
其中，ω表示的是数字域角频率。X(ω)表示的是傅里叶变换。
式(17)的离散傅里叶变换可以表示如下式(19)：
可以看到，式(17)对应的频谱中心ω0如下式(20)：
ω0即为数字域角频率，它与对应的真实频率存在如下关系：
式中，fd表示的是多普勒频率。
表示的是雷达发射信号的脉冲重复频率。
其中，由公式(20)和(21)可以得到目标速度与多普勒频率的关系，如下式(22)所示。当获得目标的多普勒频率后，可以根据式(22)求出目标的速度：
综上，本发明实施将雷达回波信号对应的距离多普勒图作为后续检测网络的输入。这样做的好处有4点。一是能够压缩原始回波数据，从而减少网络需要处理的数据量。二是距离多普勒图相对于原始回波数据引入了更多的领域知识，这能够减少网络训练所需要的样本量。三是距离多普勒图相对于原始回波信号的物理意义更清晰。目标在距离多普勒图中的位置对应的就是目标的距离信息和速度信息。这使得后续目标检测网络检测出目标在多普勒图中的位置后即可获得目标的距离和速度信息，从而实现测速测距一体化。四是目标信号与干扰信号在距离多普勒图上的差异是直观且容易区分的，这有助于减少后续目标检测网络对间歇采样干扰条件下真实目标检测的难度。
S300、利用视觉目标检测网络对距离多普勒图进行分析，获得目标特征图；
需要说明的是，目标特征图包括预设数量的预测框；视觉目标检测网络基于改进的YOLOX-Nano网络通过已标注标签的样本训练生成的，改进的YOLOX-Nano网络包括单检测头结构和焦点损失函数；
一些实施例中，还包括：基于改进的YOLOX-Nano网络，创建视觉目标检测网络。
其中，基于改进的YOLOX-Nano网络，创建视觉目标检测网络，包括：设置改进的YOLOX-Nano网络，基于训练样本，结合整体损失函数对改进的YOLOX-Nano网络进行预测训练，并基于训练结果，对改进的YOLOX-Nano网络进行调整，获得视觉目标检测网络；其中，改进的YOLOX-Nano网络包括主干部分、连接部分和检测头部分，检测头部分使用单检测头结构；整体损失函数包括前景预测损失、类别预测损失和预测框定位损失。
其中，一些实施例中，在结合整体损失函数对改进的YOLOX-Nano网络进行预测训练这一步骤中，在前景预测损失的计算使用焦点损失函数，在类别预测损失的计算使用交叉熵损失函数，在预测框定位损失的计算使用交并比损失。
一些实施例中，视觉目标检测网络包括主干部分、连接部分和检测头部分，利用视觉目标检测网络对距离多普勒图进行分析，获得目标特征图，包括：通过主干部分对距离多普勒图进行多层次的特征提取，得到不同层次的特征；通过连接部分对不同层次的特征进行特征融合，得到融合特征；通过检测头部分对融合特征进行回归和分类处理，得到目标特征图。
首先需要说明的是，YOLOX总共有7种不同大小的模型。按照参数量从大到小排序，这7种模型分别是YOLOX-x，YOLOX-Darknet53，YOLOX-l，YOLOX-m，YOLOX-s，YOLOX-Tiny以及YOLOX-Nano。其中，最小模型YOLOX-Nano的参数量为0.9M，是最大模型YOLOX-x参数量99.1M的百分之一。原YOLOX-Nano网络包含3个检测头。这3个检测头输出预测特征图的宽和高分别为输入图片宽和高的1/8、1/16和1/32。YOLOX通过3个检测头的设计实现对不同尺度目标的检测，即输出预测特征图尺寸为输入图片尺寸1/8、1/16和1/32的检测头分别负责预测小面积目标、中面积目标和大面积目标。然而，在雷达目标检测领域，目标在距离多普勒图上通常表现为小目标。原YOLOX-Nano网络负责预测大面积目标和中等面积目标的检测头在本发明实施例的抗间歇采样目标检测任务上是没有必要的、冗余的。多余的检测头会增加模型的大小，从而增加内存资源和计算资源的消耗。针对上述问题，本发明实施例在YOLOX-Nano的基础上进行改进，提出一种单检测头YOLOX-Nano目标检测网络。该网络主要是通过对原YOLOX-Nano网络的检测头进行裁剪，去掉16倍下采样的检测头和32倍下采样的检测头，从而在保持检测精度基本不变的情况下实现模型参数量和计算量的大幅度减少。本发明实施例提出基于改进的YOLOX-Nano网络得到的视觉目标检测网络结构如图4所示，包括Backbone(主干部分)、Neck(连接部分)和Head(检测头部分)，Backbone包括Backbone1、Backbone2和Backbone3。具体地，如图4所示，Backbone1包括Focus(像素聚焦模块)、DWConv(depthwise separable convolution,深度可分离卷积模块)和CSP1(cross stagepartial network 1,跨阶段局部网络1模块)；Backbone2包括DWConv和CSP1；Backbone3包括DWConv、SPP(spatial pyramid pooling，空间金字塔池化模块)和CSP1；Neck包括Conv(convolution，卷积模块)、上采样模块和堆叠模块、CSP2(cross stage partial network2，跨阶段局部网络2模块)。
具体地，考虑现实应用中计算资源的限制，本发明实施例使用YOLOX-Nano模型作为基准网络，并在此基础上对其进行改进，从而实现端到端的抗ISRJ干扰的目标检测、测距及测速。以一具体实施例为例，为便于网络的数据处理，先将距离多普勒图的维度缩放到640×640×3。通过将缩放后的距离多谱图输入至训练好的改进的YOLOX-Nano网络中。首先，网络中的Backbone(主干部分)会对输入的距离多普勒图进行不同层次的特征提取(输入的距离多普勒图依次经过Backbone1、Backbone2和Backbone3处理，进而得到不同层次的特征)。之后，网络中的Neck(连接部分)将会对Backbone输出的不同层次的特征进行特征融合。最后，网络中的Head(检测头部分)将会对Neck部分输出的融合特征进行回归和分类操作，输出维度为的特征图。其中80×80对应的是6400个预测框。数值6对应的是预测框的宽、高、预测框中心点的横坐标、纵坐标、预测框内含有待检测物体的置信度以及预测框内物体的类别分数。具体地，输出预测特征图(即目标特征图)的维度为80×80×(bbox+obj+cls)，其中，80×80对应的是6400个预测框，bbox(bounding box,预测框)的值为4，对应的是预测预测框的宽、高以及中心点的横纵坐标。obj(object,目标)的值为1，对应的是预测框中包含的目标的置信度。由于预测目标的可能类别仅有1个，即真实目标，因此cls(class，类别)的值为1，对应的是预测预测框中包含的目标类别为真实目标的分数。
为详细描述视觉目标检测网络的功能作用，下面对改进的YOLOX-Nano网络中的各个模块及检测头的具体结果进行说明：
Focus：Focus模块的示意图如图5所示。其主要操作就是将输入图片每间隔一个像素点取出然后进行堆叠。将维度为640×640×3的图片输入Focus模块后，可以得到维度为320×320×12的特征图。Focus模块的主要作用是对输入图片进行下采样、减少模型的参数量、计算量、提升模型的运行速度等。
Conv：Conv是常规卷积模块。常规卷积模块的示意图如图6所示。其特点是卷积核的通道数与输入特征图的通道数相同，输出特征图的通道数与卷积核的个数相同。其作用是提取输入数据的特征。一般常规卷积层的后面还会添加批归一化层和激活层。批归一化层的作用是对上一层输出的特征进行标准化处理，从而使得网络更容易训练。激活层的作用是引入非线性因子，从而增强网络的非线性表达能力。
DWConv：DWConv是深度可分离卷积。深度可分离卷积的示意图如图7所示。与常规卷积相比，深度可分离卷积具有更少的参数量和计算量，因此一般被应用于轻量化网络中。深度可分离卷积主要由两部分组成，分别是逐通道卷积和逐点卷积。逐通道卷积的特点是卷积核的通道数为1，卷积核的个数与输入特征图的通道数相等。经过逐通道卷积层操作后，输出特征图的通道数与输入特征图的通道数相等。逐通道卷积的每个卷积核将分别与输入特征图的每个通道特征进行卷积运算，从而提取输入特征图各通道的特征。逐点卷积的特点是卷积核尺寸为1×1，卷积核的通道数等于输入特征图的通道数。经过逐点卷积层操作后，输出特征图的通道数与逐点卷积的卷积核个数相同。逐点卷积的主要作用是对逐通道卷积层输出的特征图进行通道维的融合。
堆叠模块：堆叠模块的示意图如图8所示。堆叠模块的主要作用是将输入的多个特征图在通道维上进行拼接。
CSP1模块：CSP1的主要结构如图9所示。由图9可知，CSP1模块主要由Conv模块、若干个BottleNeck1模块以及堆叠模块构成。BottleNeck1模块的组成如图10所示。BottleNeck1模块主要由Conv模块、DWConv模块以及加法模块构成。输入的特征图在通过BottleNeck1的第一个Conv模块后，其通道数将会减半。然后再通过DWConv模块后，其通道数将会增加至原来的数量。将输入特征图的通道数先减少再增加的处理方式有助于减少网络的参数量和计算量。
CSP2：CSP2模块的主要结构如图11所示。CSP2与CSP1模块结构类似，主要区别在于CSP1模块中使用了BottleNeck1结构，而CSP2模块中使用的是BottleNeck2结构。BottleNeck2的结构如图12所示。在BottleNeck2结构中，输入特征图首先会通过一个Conv模块进行通道数缩减，然后再通过一个DWConv模块进行通道数复原。
SPP模块：SPP模块的示意图如图13所示。SPP模块主要由常规卷积模块Conv、最大池化层模块MaxPool以及堆叠模块组成。SPP模块利用不同尺寸的池化核对输入特征图进行最大池化操作，从而提取不同感受野的特征。
上采样模块：上采样模块的示意图如图14所示。本发明实施例使用的是最近邻插值上采样。经过放大倍数为2的上采样模块后，输入特征图的宽和高将分别扩大1倍。
检测头：原YOLOX检测头模块中包含3个检测头。这3个检测头输出预测特征图的尺寸分别为20*20，40*40和80*80，分别适用于大面积、中等面积与小面积目标的检测。在雷达回波信号的距离多普勒谱中，真实目标通常表现为小面积目标。针对这一特点，本发明实施删减掉原YOLOX中输出预测特征图尺寸为20*20以及40*40的检测头，仅保留输出预测特征图尺寸为80*80的检测头。通过这种改进，实现了网络参数量和计算量的大幅度减少，使得本发明实施例方法更加适用于实际的工程应用。本发明实施例使用的检测头模块如图15所示。
其中，在YOLOX的损失函数计算中，前景预测使用的是二值交叉熵(binary crossentropy,BCE)损失函数。交叉熵损失函数具有收敛速度快、函数求导简单等优点。然而，基于距离多普勒图的抗间歇采样干扰检测任务存在正负样本不平衡的问题，即在距离多普勒图中，目标所占面积通常远小于背景所占面积。交叉熵损失函数对于这种问题并不适用。这是因为交叉熵损失函数对于单个的正样本损失和负样本损失所赋予的权重是相等的。当负样本数量远大于正样本数量时，负样本对应的损失也会远大于正样本对应的损失。这会使得模型在训练的过程中向负样本倾斜，从而造成模型对正样本检测的性能下降。针对这个问题，本发明实施例提出引入Focal loss(焦点损失)函数来替换原YOLOX损失函数中前景预测部分使用的交叉熵损失函数，以此提升正负样本不平衡条件下抗间歇采样目标检测模型的性能。焦点损失函数用于解决一阶视觉目标检测算法在样本极度不平衡条件下检测精度不佳的问题。Focal loss通过在交叉熵损失函数的基础上添加一个调节因子来增加难以分类样本的损失权重，从而使得模型更加侧重于在难以分类样本上的训练。Focal loss的表达式如下式(23)：
LFocal＝-((1-p)γ·y·log(p)+pγ·(1-y)·log(1-p))
式中，γ表示可调系数。当y取值为1时，公式(23)可以表示如式(24)。当训练样本为易于分类的正样本时，预测值p会趋近于标签值1，对应的损失值趋近于0。若将γ的值增大，则对应损失值会进一步减小，即易分类的正样本对总的损失值的贡献会减少，式(24)如下：
LFocal＝-(1-p)γ·log(p)
类似的，当y的取值为0时，公式(23)可以表示如式(25)。当训练样本为易于分类的负样本时，预测值p会趋近于标签值0，此时对应的损失值也会趋近于0。若将γ的值增大，对应的损失值也会进一步减小，即易于分类的负样本对总的损失的贡献会减少，式(25)如下：
LFocal＝-pγ·log(1-p)
抗间歇采样干扰目标检测任务中的正负样本不平衡问题会导致模型对数量占比大的负样本，也就是背景样本的分类准确率相对较高，对数量占比小的正样本，也就是真实目标样本的分类准确率相对较低。Focal loss通过动态地减少训练过程中分类难度低的样本对应的损失值，使得模型更加侧重于在分类难度高的样本上的训练，从而缓解抗间歇采样干扰目标检测任务中的正负样本不平衡问题并有效提升模型的检测性能。
对于改进的YOLOX-Nano网络训练过程的整体损失函数说明如下：
本发明实施例提出的改进的YOLOX-Nano网络训练时所使用的损失函数主要由3部分构成，分别是前景预测损失、类别预测损失以及预测框定位损失。前景预测损失计算使用的是focal loss函数。前景预测损失函数的表达式如下式(26)所示：
式中，W和H分别是网络输出预测特征图的宽和高。i表示的是预测框的序号。
表示的是第i个预测框含有目标的概率。/>
表示的是第i个预测框前景预测对应的标签值。
类别预测损失计算使用的是交叉熵损失函数。类别预测损失函数如下式(27)所示：
式中，P表示的是正样本预测框的数量。
表示的是该预测框的类别为真实目标的概率。/>
表示的是该预测框的类别标签。当该预测框中所含目标的类别为真实目标时，
的值为1。否则/>
为0。
预测框定位损失计算使用的是IOU loss(intersection over union loss，交并比损失)。预测框定位损失的表达式如式(28)所示：
式中，IOUi表示的是第i个预测框与对应的标签框的交并比值。IOUi的计算表达式如下式(29)所示：
式中，Ii表示的是第i个预测框与对应的标签框相交部分的面积，如图16中标签框与预测框相交部分所示(左上表示标签框，右下表示预测框)。Ui表示的是第i个预测框与对应的标签框相并面积。
S400、根据预测框，通过预设检测门限值确定目标预测框；
需要说明的是，预设检测门限值通过检测的虚警率指标确定；
以一具体实施例为例，在视觉目标检测网络输出的6400个预测框中，只有检测分数大于检测门限值的预测框会被筛选出来，作为最终的检测结果(即目标预测框)。检测分数的值等于预测框内含有待检测物体的置信度乘以预测框内物体的类别分数。检测门限值是根据检测的虚警率指标进行调整设定的。
S500、基于目标预测框的参数，确定检测结果；
需要说明的是，目标预测框的参数包括目标预测框内含有的待检测物体的置信度、物体的类别分数以及目标预测框的中心点坐标；检测结果包括检测分数、目标距离和目标速度；一些具体实施例中，如图4所示，输出预测特征图(即目标特征图)的维度为80×80×(bbox+obj+cls)，其中，80×80对应的是6400个预测框，各个预测框的参数对应：bbox(bounding box,预测框)的值为4，对应的是预测预测框的宽、高以及中心点的横纵坐标；obj(object,目标)的值为1，对应的是预测框中包含的目标的置信度；由于预测目标的可能类别仅有1个，即真实目标，因此cls(class，类别)的值为1，对应的是预测预测框中包含的目标类别为真实目标的分数。
一些实施例中，根据目标预测框内含有的待检测物体的置信度和物体的类别分数，计算得到检测分数；根据目标预测框的中心点横坐标，结合距离多普勒图的宽度和雷达距离探测范围，计算得到目标距离；根据目标预测框的中心点纵坐标，结合距离多普勒图的高度和雷达速度范围，计算得到目标速度；其中，中心点横坐标和中心点纵坐标通过中心点坐标确定，雷达距离探测范围和雷达速度范围基于雷达回波信号对应的雷达确定。
具体地，被筛选出来的目标预测框的个数就是网络检测出来的目标的个数。每个预测框的中心点的横坐标对应的是目标的距离，纵坐标对应的是目标的速度。预测框中心点的横坐标除以距离多普勒图的宽，再乘以雷达的距离探测范围，即可得到目标的距离。预测框中心点的纵坐标除以距离多普勒图的高，再乘以雷达的速度范围，即可得到目标的速度。
综上所述，本发明实施例通过将抗间歇采样干扰的目标检测问题转换为基于距离多普勒图的视觉目标检测问题，并利用一种改进的YOLOX-Nano网络训练得到视觉目标检测网络实现端到端的抗间歇采样目标检测、测距和测速。该方法具有物理意义清晰、步骤简洁、测速测距一体化、所需训练样本少的优点；并且针对现有基于深度学习的抗间歇采样目标检测方法在极低信噪比条件下表现不佳的问题，引入focal loss损失函数来提高低信噪比条件下样本的识别损失权重。这使得本发明实施例在低信噪比条件下的也能保持较高的目标检测正确率；同时，针对目标信号在距离多普勒图上通常为小目标的特点，本文提出一种单检测头YOLOX-Nano的视觉目标检测网络。该网络是通过原YOLOX-Nano网络的检测头进行裁剪而得。与原YOLOX-Nano网络相比，本发明实施例所提网络的参数量和计算量更小，因此更适用于在实际工程中进行应用。
另一方面，本发明的实施例提供了一种抗间歇采样干扰的目标检测系统，包括：第一模块，用于获取雷达回波信号；第二模块，用于对雷达回波信号进行多普勒转换处理，得到距离多普勒图；其中，多普勒转换处理包括快时间维的脉冲压缩处理和慢时间维的离散傅里叶变换处理；第三模块，用于利用视觉目标检测网络对距离多普勒图进行分析，获得目标特征图；其中，目标特征图包括预设数量的预测框；视觉目标检测网络基于改进的YOLOX-Nano网络通过已标注标签的样本训练生成的，改进的YOLOX-Nano网络包括单检测头结构和焦点损失函数；第四模块，用于根据预测框，通过预设检测门限值确定目标预测框；其中，预设检测门限值通过检测的虚警率指标确定；第五模块，用于基于目标预测框的参数，确定检测结果；其中，目标预测框的参数包括目标预测框内含有的待检测物体的置信度、物体的类别分数以及目标预测框的中心点坐标；检测结果包括检测分数、目标距离和目标速度。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例的另一方面还提供了一种抗间歇采样干扰的目标检测装置，包括处理器以及存储器；
存储器用于存储程序；
处理器执行程序实现如前面的方法。
本发明方法实施例的内容均适用于本装置实施例，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例的另一方面还提供了一种计算机可读存储介质，存储介质存储有程序，程序被处理器执行实现如前面的方法。
本发明方法实施例的内容均适用于本计算机可读存储介质实施例，本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行装置、装置或设备(如基于计算机的装置、包括处理器的装置或其他可以从指令执行装置、装置或设备取指令并执行指令的装置)使用，或结合这些指令执行装置、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行装置、装置或设备或结合这些指令执行装置、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (10)
1.一种抗间歇采样干扰的目标检测方法，其特征在于，包括：
获取雷达回波信号；
对所述雷达回波信号进行多普勒转换处理，得到距离多普勒图；其中，所述多普勒转换处理包括快时间维的脉冲压缩处理和慢时间维的离散傅里叶变换处理；
利用视觉目标检测网络对所述距离多普勒图进行分析，获得目标特征图；其中，所述目标特征图包括预设数量的预测框；所述视觉目标检测网络基于改进的YOLOX-Nano网络通过已标注标签的样本训练生成的，所述改进的YOLOX-Nano网络包括单检测头结构和焦点损失函数；
根据所述预测框，通过预设检测门限值确定目标预测框；其中，所述预设检测门限值通过检测的虚警率指标确定；
基于所述目标预测框的参数，确定检测结果；其中，所述目标预测框的参数包括所述目标预测框内含有的待检测物体的置信度、物体的类别分数以及所述目标预测框的中心点坐标；所述检测结果包括检测分数、目标距离和目标速度。
2.根据权利要求1所述的一种抗间歇采样干扰的目标检测方法，其特征在于，所述对所述雷达回波信号进行多普勒转换处理，得到距离多普勒图，包括：
对所述雷达回波信号进行解调频，根据所述解调频后的雷达回波信号与匹配滤波器进行卷积，完成所述雷达回波信号的快时间维的脉冲压缩处理；
对所述脉冲压缩处理后的雷达回波信号进行慢时间维的离散傅里叶变换处理，得到距离多普勒谱；
根据所述距离多普勒谱绘制成图，得到距离多普勒图。
3.根据权利要求1所述的一种抗间歇采样干扰的目标检测方法，其特征在于，还包括：
基于改进的YOLOX-Nano网络，创建视觉目标检测网络。
4.根据权利要求3所述的一种抗间歇采样干扰的目标检测方法，其特征在于，所述基于改进的YOLOX-Nano网络，创建视觉目标检测网络，包括：
设置改进的YOLOX-Nano网络，基于训练样本，结合整体损失函数对所述改进的YOLOX-Nano网络进行预测训练，并基于训练结果，对所述改进的YOLOX-Nano网络进行调整，获得视觉目标检测网络；
其中，所述改进的YOLOX-Nano网络包括主干部分、连接部分和检测头部分，所述检测头部分使用单检测头结构；所述整体损失函数包括前景预测损失、类别预测损失和预测框定位损失。
5.根据权利要求4所述的一种抗间歇采样干扰的目标检测方法，其特征在于，在所述结合整体损失函数对所述改进的YOLOX-Nano网络进行预测训练这一步骤中，在所述前景预测损失的计算使用所述焦点损失函数，在所述类别预测损失的计算使用交叉熵损失函数，在所述预测框定位损失的计算使用交并比损失。
6.根据权利要求1所述的一种抗间歇采样干扰的目标检测方法，其特征在于，所述视觉目标检测网络包括主干部分、连接部分和检测头部分，所述利用视觉目标检测网络对所述距离多普勒图进行分析，获得目标特征图，包括：
通过所述主干部分对所述距离多普勒图进行多层次的特征提取，得到不同层次的特征；
通过所述连接部分对所述不同层次的特征进行特征融合，得到融合特征；
通过所述检测头部分对所述融合特征进行回归和分类处理，得到目标特征图。
7.根据权利要求1所述的一种抗间歇采样干扰的目标检测方法，其特征在于，所述基于所述目标预测框的参数，确定检测结果，包括：
根据所述目标预测框内含有的待检测物体的置信度和物体的类别分数，计算得到检测分数；
根据所述目标预测框的中心点横坐标，结合所述距离多普勒图的宽度和雷达距离探测范围，计算得到目标距离；
根据所述目标预测框的中心点纵坐标，结合所述距离多普勒图的高度和雷达速度范围，计算得到目标速度；
其中，所述中心点横坐标和所述中心点纵坐标通过所述中心点坐标确定，所述雷达距离探测范围和所述雷达速度范围基于所述雷达回波信号对应的雷达确定。
8.一种抗间歇采样干扰的目标检测系统，其特征在于，包括：
第一模块，用于获取雷达回波信号；
第二模块，用于对所述雷达回波信号进行多普勒转换处理，得到距离多普勒图；其中，所述多普勒转换处理包括快时间维的脉冲压缩处理和慢时间维的离散傅里叶变换处理；
第三模块，用于利用视觉目标检测网络对所述距离多普勒图进行分析，获得目标特征图；其中，所述目标特征图包括预设数量的预测框；所述视觉目标检测网络基于改进的YOLOX-Nano网络通过已标注标签的样本训练生成的，所述改进的YOLOX-Nano网络包括单检测头结构和焦点损失函数；
第四模块，用于根据所述预测框，通过预设检测门限值确定目标预测框；其中，所述预设检测门限值通过检测的虚警率指标确定；
第五模块，用于基于所述目标预测框的参数，确定检测结果；其中，所述目标预测框的参数包括所述目标预测框内含有的待检测物体的置信度、物体的类别分数以及所述目标预测框的中心点坐标；所述检测结果包括检测分数、目标距离和目标速度。
9.一种抗间歇采样干扰的目标检测装置，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310228568.8A CN116299286A (zh) | 2023-03-09 | 2023-03-09 | 抗间歇采样干扰的目标检测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310228568.8A CN116299286A (zh) | 2023-03-09 | 2023-03-09 | 抗间歇采样干扰的目标检测方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116299286A true CN116299286A (zh) | 2023-06-23 |
Family
ID=86800828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310228568.8A Pending CN116299286A (zh) | 2023-03-09 | 2023-03-09 | 抗间歇采样干扰的目标检测方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116299286A (zh) |
-
2023
- 2023-03-09 CN CN202310228568.8A patent/CN116299286A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Neupane et al. | A review on deep learning-based approaches for automatic sonar target recognition | |
| CN112526524B (zh) | 一种基于前视声纳图像和auv平台的水下渔网检测方法 | |
| CN111722199A (zh) | 一种基于卷积神经网络的雷达信号检测方法 | |
| CN111880157B (zh) | 一种雷达图像中目标的检测方法及系统 | |
| CN115291210B (zh) | 一种结合注意力机制的3d-cnn探地雷达三维图像管线识别方法 | |
| de Oliveira et al. | Deep convolutional autoencoder applied for noise reduction in range-Doppler maps of FMCW radars | |
| CN112990082B (zh) | 一种水声脉冲信号的检测识别方法 | |
| Nuhoglu et al. | Image segmentation for radar signal deinterleaving using deep learning | |
| Zhang et al. | Crossterm-free time-frequency representation exploiting deep convolutional neural network | |
| CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及系统 | |
| CN117331031A (zh) | 一种lpi雷达信号谱图融合识别方法 | |
| CN113759362B (zh) | 雷达目标数据关联的方法、装置、设备和存储介质 | |
| 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 | |
| Eisele et al. | Convolutional neural network with data augmentation for object classification in automotive ultrasonic sensing | |
| CN117452155A (zh) | 电缆放电位置的定位方法、装置、存储介质及电子设备 | |
| CN117092592A (zh) | 基于小波分析和改进cbam注意力机制的手势识别方法 | |
| CN115267713B (zh) | 一种基于语义分割的间歇采样干扰识别和抑制方法 | |
| CN116953702A (zh) | 基于演绎范式的旋转目标检测方法及装置 | |
| Li et al. | Small boat detection for radar image datasets with yolo V3 network | |
| Wu et al. | Using range-Doppler spectrum-based deep learning method to detect radar target in interrupted sampling repeater jamming | |
| CN116299286A (zh) | 抗间歇采样干扰的目标检测方法、系统、装置及存储介质 | |
| Wang et al. | Underwater target recognition method based on multi-domain active sonar echo images | |
| Bach | Improving the classification of propeller ships using LOFAR and triple loss variational auto encoder | |
| CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
| CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 |
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 |