CN117111013A - 一种雷达目标跟踪航迹起始方法、装置、设备及介质 - Google Patents
一种雷达目标跟踪航迹起始方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117111013A CN117111013A CN202311059713.0A CN202311059713A CN117111013A CN 117111013 A CN117111013 A CN 117111013A CN 202311059713 A CN202311059713 A CN 202311059713A CN 117111013 A CN117111013 A CN 117111013A
- Authority
- CN
- China
- Prior art keywords
- neural network
- radar
- measurement
- module
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 128
- 238000013135 deep learning Methods 0.000 claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 230000000977 initiatory effect Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000008447 perception Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01S7/417—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)
- Artificial Intelligence (AREA)
- Evolutionary Computation (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
本发明公开了一种雷达目标跟踪航迹起始方法、装置、设备及介质,包括获取航迹起始的雷达量测数据,根据所述雷达量测数据提取量测样本特征;构建用于量测分类的深度学习神经网络模型,将所述量测样本特征输入至所述深度学习神经网络模型进行训练,得到训练后的深度学习神经网络模型;获取雷达待处理量测数据,根据所述雷达待处理量测数据提取量测特征,将所述量测特征输入至训练后的深度学习神经网络模型,输出分类标签。本发明通过对雷达量测数据提取量测样本特征,根据训练后的深度学习神经网络模型得到分类标签,快速准确的确认航迹起始,摆脱传统航迹起始方法中对目标运动模型以及噪声密度等先验信息的依赖。
Description
技术领域
本发明涉及雷达数据处理技术领域,尤其涉及一种雷达目标跟踪航迹起始方法、装置、设备及介质。
背景技术
航迹起始是目标跟踪技术的首要问题也是关键部分,在毫米波雷达的多目标检测场景中起着至关重要的作用。其目的是希望目标进入雷达监视区域之后能尽快建立目标航迹,且要避免虚假点迹过多而造成虚假航迹的出现。从工程实现来看,航迹起始是根据传感器测量值建立初始航迹并判断航迹是否源于一个真实目标的过程。由于目前毫米波雷达应用场景日趋复杂,更多杂波的嘈杂环境干扰,以及有限的先验知识,雷达传感器量测的不确定性为航迹起始带来了更大的难度和误差。
航迹起始方法按照其数据处理方式的不同,可以分为顺序处理技术和批处理技术两大类,而顺序处理技术代表性的算法有直观法、逻辑法等,顺序处理技术具有较低的计算量,适用于背景杂波较弱的情况。直观法的处理思想是,通过目标最大速度等信息建立关联波门,若连续N次扫描中超过M次量测数据落入关联波门内,则建立目标航迹。现有雷达航迹起始方法主要包含两大类,直观法和逻辑法。直观法在弱杂波的安静环境中具有计算量小的显著优势,基于物体运动规律,在波门中通过速度和加速度的大小限制关联目标,具有起始快的优点。但缺点也很明显,在强杂波的嘈杂环境中,仅限制速度和加速度的量测关联会出现冗余的现象,降低数据关联正确率。逻辑法的处理思想是,初始关联波门通过目标最大速度等信息建立,后续的关联波门通过航迹预测外推得到,最后若连续N次扫描中超过M次存在量测数据落入关联波门内,则建立目标航迹。逻辑法则通过预测目标下一时刻的状态及波门限制来判断航迹起始,具有较好的鲁棒性,但强杂波环境下逻辑法的计算量非常大,对航迹起始同样有效率低的缺点。
发明内容
技术目的:针对现有技术中嘈杂环境下无法快速确认航迹起始的缺陷,本发明公开了一种雷达目标跟踪航迹起始方法、装置、设备及介质,通过对雷达量测数据提取量测样本特征,根据训练后的深度学习神经网络模型得到分类标签,快速准确的确认航迹起始。
技术方案:为实现上述技术目的,本发明采用以下技术方案。
一种雷达目标跟踪航迹起始方法,包括:
获取航迹起始的雷达量测数据,根据所述雷达量测数据提取量测样本特征;
构建用于量测分类的深度学习神经网络模型,所述深度学习神经网络模型中引入自相关权重提取特征内部的相关性,将所述量测样本特征输入至所述深度学习神经网络模型进行训练,得到训练后的深度学习神经网络模型;
获取雷达待处理量测数据,根据所述雷达待处理量测数据提取量测特征,将所述量测特征输入至训练后的深度学习神经网络模型,输出分类标签。
优选地,所述获取航迹起始的雷达量测数据,包括:确定航迹起始帧数,根据所述航迹起始帧数获取雷达检测的数据样本,所述数据样本包括标签分类。
优选地,所述构建用于量测分类的深度学习神经网络模型包括:卷积神经网络模块、全连接特征感知模块和分类器模块;所述卷积神经网络模块的输入和全连接特征感知模块的输入为量测样本特征,所述分类器模块的输入为卷积神经网络模块的输出和全连接特征感知模块的输出,所述分类器模块输出分类标签。
优选地,所述卷积神经网络模块的输入为量测样本特征中的空间特征向量,所述全连接特征感知模块的输入为量测样本特征中的时序特征向量,所述时序特征向量包括速度信息和加速度信息,所述空间特征向量包括航向角信息和偏航角信息。
优选地,所述卷积神经网络模块中引入残差结构,用于空间特征向量的输出补充信息量。
优选地,所述全连接特征感知模块包括依次连接的全连接模块、一维卷积、神经元、激活层、平均池化层、Add层,其中全连接模块的输出与Add层的输入连接;所述神经元中引入代表时间特征向量内部关联的自相关权重,自相关权重根据输入的维度构建自相关权重矩阵,并在模型训练过程中迭代更新。
优选地,所述全连接模块包括依次连接的Flatten摊平向量、线性层1、Sigmoid函数、线性层2,所述线性层1和线性层2中包括多个神经元,下一层神经元对上一层神经元进行一次求和计算。
一种雷达目标跟踪航迹起始装置,包括数据获取模块和数据处理模块,所述数据获取模块用于获取航迹起始的雷达量测数据,根据所述雷达量测数据提取量测样本特征,以及获取雷达待处理量测数据,根据所述雷达待处理量测数据提取量测特征,所述量测样本特征用于训练深度学习神经网络模型,所述数据处理模块包括训练后的深度学习神经网络模型,所述深度学习神经网络模型中引入自相关权重提取特征内部的相关性,所述训练后的深度学习神经网络模型用于根据输入的量测特征输出分类标签,得到航迹起始结果。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上任一所述的一种雷达目标跟踪航迹起始方法。
一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行以上任一所述的一种雷达目标跟踪航迹起始方法。
有益效果:本发明通过对雷达量测数据提取量测样本特征,根据训练后的深度学习神经网络模型得到分类标签,快速准确的确认航迹起始,本发明将航迹起始的量测关联问题转化为真实与虚假量测的二分类问题,以完成在嘈杂环境下快速准确确认航迹起始的优化目标,摆脱传统航迹起始方法中对目标运动模型以及噪声密度等先验信息的依赖。
附图说明
图1为本发明的方法流程图;
图2为卷积神经网络模块结构示意图;
图3为全连接特征感知模块结构示意图;
图4为全连接模块结构示意图;
图5为线性层1结构示意图;
图6为线性层2结构示意图;
图7为分类器模块结构示意图;
图8为深度学习神经网络模型结构示意图;
图9为本发明的装置结构示意图。
具体实施方式
以下结合附图和实施例对本发明的一种雷达目标跟踪航迹起始方法、装置、设备及介质做进一步的说明和解释。
如附图1所示,一种雷达目标跟踪航迹起始方法,包括:
获取航迹起始的雷达量测数据,根据所述雷达量测数据提取量测样本特征;所述获取航迹起始的雷达量测数据,包括:确定航迹起始帧数,根据所述航迹起始帧数获取雷达检测的数据样本,所述数据样本包括标签分类。根据所述雷达量测数据提取量测样本特征前,还包括对所述雷达量测数据进行量测候选,包括根据速度阈值范围以及航偏角阈值范围对雷达量测数据进行选择性筛选,过滤掉不在速度阈值范围和/或航偏角阈值范围内的雷达量测数据。根据所述雷达量测数据提取量测样本特征,包括:根据所述雷达量测数据,计算时序特征向量和空间特征向量这两个量测样本特征,所述时序特征向量包括速度信息和加速度信息,所述空间特征向量包括航向角信息和偏航角信息。
构建用于量测分类的深度学习神经网络模型,所述深度学习神经网络模型中引入自相关权重提取特征内部的相关性,将所述量测样本特征输入至所述深度学习神经网络模型进行训练,得到训练后的深度学习神经网络模型;所述构建用于量测分类的深度学习神经网络模型包括:卷积神经网络模块、全连接特征感知模块和分类器模块;所述卷积神经网络模块的输入为量测样本特征中的空间特征向量,所述全连接特征感知模块的输入模块的输入为量测样本特征中的时序特征向量,所述分类器模块的输入为卷积神经网络模块的输出和全连接特征感知模块的输出,所述分类器模块输出分类标签
获取雷达待处理量测数据,根据所述雷达待处理量测数据提取量测特征,将所述量测特征输入至训练后的深度学习神经网络模型,输出分类标签。其中,根据所述雷达待处理量测数据提取量测特征包括:根据所述雷达量测数据,计算时序特征向量和空间特征向量这两个量测样本特征,所述时序特征向量包括速度信息和加速度信息,所述空间特征向量包括航向角信息和偏航角信息。
本发明的一种雷达目标跟踪航迹起始方法,摆脱传统航迹起始方法中对目标运动模型以及噪声密度等先验信息的依赖,通过对雷达量测数据提取量测样本特征,根据训练后的深度学习神经网络模型得到分类标签,快速准确的确认航迹起始。
如图9所示,本发明还公开了一种雷达目标跟踪航迹起始装置,包括数据获取模块和数据处理模块,所述数据获取模块用于获取航迹起始的雷达量测数据,根据所述雷达量测数据提取量测样本特征,以及获取雷达待处理量测数据,根据所述雷达待处理量测数据提取量测特征,所述量测样本特征用于训练深度学习神经网络模型,所述数据处理模块包括训练后的深度学习神经网络模型,所述深度学习神经网络模型中引入自相关权重提取特征内部的相关性,所述训练后的深度学习神经网络模型用于根据输入的量测特征输出分类标签,得到航迹起始结果。
实施例
本实施例中将对所述一种雷达目标跟踪航迹起始方法做更进一步的说明。
本实施例中的一种雷达目标跟踪航迹起始方法具体包括以下步骤:
S1、量测定义
本发明以单雷达笛卡尔坐标系作为量测默认坐标,单个量测表述(x,y,t),其中,(x,y,t)表示坐标和时间,另外包含速度信息(R,V,A),表示距离,速度,角度,为雷达提供的;第c个扫描周期的量测集合G(Ci)={mi(x,y,t)},1≤i≤imax,i表示第i个量测,imax为每个扫描周期中量测数量,Ci=mi(x,y,t)为第i个量测数据,包括坐标和时间;对N个扫描周期的量测组合, 表示第c个扫描周期的第i个量测数据,包括坐标和时间;转化到本发明的目标,即将量测分类为真实量测,标签为1,虚假量测,标签为0。对于雷达检测的若干帧数据样本,根据实际应用场景中的需求确定航迹起始帧数,如需要4帧起航迹,则后续的每个量测组合应该是从4帧样本中选择,那么筛选出训练所需的样本集合就需要若干个4帧数据作为基础,通过人工标注的手段,从每帧中选择属于真实航迹的一个量测p,组合成真实量测组合P{pi},重复筛选,直到原始样本中都是虚假航迹的量测,同样逐帧选择组合,构成虚假量测组合样本N{pi},一个量测组合视为一个数据样本,数据样本中的每一帧数据为/>真实量测组合P称为正样本,虚假量测组合N称为负样本。
S2、量测候选
本发明将航迹起始问题转化为了针对量测数据的二分类问题,但因为毫米波雷达的大量量测组合对于深度学习神经网络模型而言会造成计算冗余和性能下降,影响航迹起始算法的实时性,因此本发明的前提工作是对量测进行选择性过滤,筛选出候选量测,以确保在嘈杂环境中大量杂波引起的不必要计算量,包括根据速度阈值范围以及航偏角阈值范围对雷达量测数据进行选择性筛选,过滤掉不在速度阈值范围和/或航偏角阈值范围内的雷达量测数据。
以速度阈值范围为例,由于在一般确定的场景中,运动目标的速度基本会符合一个区间值,例如城区内道路汽车的速度基本不会超过70-80km/h等,高速路常规驾驶速度不会超过120-140km/h等,以实际应用场景中的合理速度范围Vmin和Vmax作为过滤条件。设任意两个量测组合中相邻扫描周期的两个量测m1和m2距离为dist,雷达扫描周期为T,则应该满足:
此外,相邻扫描周期的航偏角也是有限的,因此实际应用场景中也可以用速度和航偏角联合过滤筛选出一定的量测集合作为神经网络的输入。
S3、构建量测时空向量
将筛选出的量测组合转换为神经网络输入需要的特征向量集合,对每个量测组合的空间向量进行归一化构建。根据解析的基础空间位置坐标(x,y),根据坐标计算相邻扫描周期的两个量测之间的欧式距离dist;相邻扫描周期的航向角θ1、θ2计算偏航角yA:
yA=θ2-θ1
以4帧起始为例,一个正/负样本中包含4个量测,通过欧氏距离计算可以得到3个距离信息d,计算偏航角需要首先计算航向角,航向角θ通过v=Δd/T方法求解X轴速度Vx和Y轴速度Vy近似计算,参考公式:
因此4个量测可以得到3个航向角信息,进而得到2个偏航角信息,构建出空间特征向量Sp(1*10)=(x1,y1,x2,y2,yA1,x3,y3,x4,y4,yA2);
此外,4个量测可以计算出3个速度信息(Δd/T),进而得到2个加速度信息(Δv/T),构建时序特征向量St(1*7)=(v1,v2,a1,A1,v3,a2,A2)。
S4、构建深度学习神经网络模型
S4.1、卷积神经网络模块,用于处理空间特征向量,也定义为空间特征向量处理模块,卷积神经网络模块的输入为若干空间特征向量Sp(1*10)=(x1,y1,x2,y2,yA1,x3,y3,x4,y4,yA2),经过特征提取输出1*4的特征向量。
所述卷积神经网络模块结构如附图2所示,包括依次连接的输入、Conv1、BN、ReLU、MaxPooling、Conv2、BN、ReLU、MaxPooling、输出,以及Conv3和BN,Conv3直接连接输入,Conv3之后的BN与Conv2之后的BN输出连接,每个结构的设定如下:
Conv1:卷积核尺寸3*3,数量10,步长1;
Conv2:卷积核尺寸3*3,数量20,步长1;
BN:批量归一化处理,保证输入的分布不变;
ReLU:激活函数;
MaxPooling:最大池化层,核尺寸2*2,步长2;
Conv3:残差结构的卷积核,卷积核尺寸3*3,数量20,步长1。
由于毫米波雷达在数据规模上的稀疏性,加上本发明在特征向量的选择和卷积层堆叠导致经过卷积模块提取特征后样本在信息量上的进一步压缩,易出现深度学习中常见的梯度消失或者梯度爆炸等问题,导致模型训练无法正常收敛,因此本发明引入了残差结构,为空间特征向量的输出补充信息量。原始输入通过Conv3卷积层和BN层处理后的输出和Conv2之后的BN层处理后进行叠加之后再输入下一层激活函数处理,使得卷积神经网络模块训练可以正常收敛。
S4.2、全连接特征感知模块,用于处理时序特征向量,也定义为时间特征向量处理模块,全连接特征感知模块的输入为若干时序特征向量St(1*7)=(v1,v2,a1,A1,v3,a2,A2),经过特征提取输出1*4的特征向量。
所述全连接特征感知模块结构如附图3所示,包括输入、全连接模块、一维卷积、神经元、双曲正切、AvgPooling(平均池化)、Add、输出;其中,双曲正切为Tanh激活函数,与ReLU功能类似,Add用于将全连接模块输出值与AvgPooling输出值经过Flatten摊平后的结果叠加后输出;
所述全连接模块结构如附图4所示,包括输入、Flatten摊平向量、线性层1、Sigmoid函数、线性层2、输出;每个结构的设定如下:输入为时序特征向量St(1*7)=(v1,v2,a1,A1,v3,a2,A2),经过Flatten摊平向量为(-1,7),如附图5所示,线性层1中将(4,1)向量转为(32,1)向量,其中,权重Weight为(7,32)向量,偏置Bias为(32,1)向量;线性层1输出的(32,1)向量通过Sigmoid函数激活后输入至线性层2。如附图6所示,线性层2中将(32,1)向量转为(4,1)向量,其中,权重Weight为(32,4)向量,偏置Bias为(4,1)向量。
和普通单神经元结构的区别是,普通单神经元结构只有一层数据映射操作,本发明中的线性层1和线性层2中包括多个神经元,本质上也相当于一次全连接操作,每个神经元的输入都是上一层所有神经元的输出之和,也就是说下一层神经元对上一层神经元多了一次求和计算,相当于对上一层特征提取的综合;同时,线性层1和Sigmoid激活函数及线性层2属于组合关系,线性层本身的计算是线性的,引入Sigmoid非线性函数即为了对提取特征进行非线性映射,这样模型即同时具备了处理线性特征和非线性特征的处理能力。对于神经网络而言,全线性计算的特性下,堆叠层数的结构设计没有任何意义,只有加入非线性计算才能使层数的堆叠带来推理效果上的优势。
在全连接模块中引入自相关计算,包括:
为了充分考虑时序特征向量中子特征元素之间的相互影响,使得模型在训练中可以学习到特征内部的相关性,本发明在全连接模块引入自相关权重设定进一步强化模型的特征感知能力。全连接特征感知模块工作过程具体如下:
所述全连接特征感知模块工作过程包括:输入时序特征向量St(1*7)=(v1,v2,a1,A1,v3,a2,A2),先通过全连接模块转为1*4向量;对于全连接模块输出的向量X(1,4),首先通过一维卷积进行维度扩展,通过4个1*1卷积核计算将输入维度扩展为4*4;经过一个神经元(W*X+bias)对特征向量进行非线性变换,经过激活函数(Tanh函数)后使用平均池化降维,将池化后的结果矩阵(2,2)通过Flatten(现有深度学习框架中的功能函数)摊平即可恢复到原来的输入维度得到输出向量X’,将原始向量X以跳跃连接的方式和X’叠加,得到最终输出的时间特征向量。其中,神经元中的W矩阵即代表了时间特征向量内部的自相关权重,会在整体模型的训练中通过优化器逐步迭代更新。自相关权重根据输入的维度构建自相关权重矩阵,保证符合神经元的计算函数f(x)=W*x+b的矩阵运算方式,例如x为(1,4),则W初始化应为(4,n),n根据对模型参数量的设计目标自行选择,b为(1,n),根据矩阵和向量的运算规则,f(x)的最终计算结果为(1,n)。训练前自相关权重矩阵随机初始化,即起始可以为任意值,会在训练中逐步迭代更新。
其中激活函数使用Tanh是为了减轻低维度样本导致的梯度消失问题。Tanh公式为:
S4.3、分类器模块,分类器模块Classifier用于处理卷积神经网络模块输出的1*4特征向量和全连接特征感知模块输出的1*4特征向量,所述分类器模块结构如附图7所示,包括两个全连接层,第一层为4个神经元,第二层为1个神经元,最终由sigmoid激活函数输出二分类标签0或1,0表示为虚假航迹,1表示为真实航迹。
S4.4、构建深度学习神经网络模型,用于量测分类的深度学习神经网络模型包括S4.1中的卷积神经网络模块、S4.2中的全连接特征感知模块和S4.3中的分类器模块;其结构如附图8所示,卷积神经网络模块的输入为量测样本特征中的空间特征向量,全连接特征感知模块的输入模块的输入为量测样本特征中的时序特征向量,分类器模块的输入为卷积神经网络模块的输出和全连接特征感知模块的输出,所述分类器模块输出分类标签。在整体模型训练中,三个部分的所有参数矩阵都会参与训练学习,通过深度学习的反向传播模式迭代更新参数,直至模型收敛达到最优解。在训练中,损失函数使用常用的分类算法损失函数交叉熵函数计算,优化器使用Adam优化算法。
本发明将航迹起始的量测关联问题转化为真实与虚假量测的二分类问题,以完成在嘈杂环境下快速准确确认航迹起始的优化目标,摆脱传统航迹起始方法中对目标运动模型以及噪声密度等先验信息的依赖。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现以上任一所述的一种雷达目标跟踪航迹起始方法。存储器可为各种类型的存储器,可为随机存储器、只读存储器、闪存等。处理器可为各种类型的处理器,例如,中央处理器、微处理器、数字信号处理器或图像处理器等。
一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于执行以上任一所述的一种雷达目标跟踪航迹起始方法。存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种雷达目标跟踪航迹起始方法,其特征在于,包括:
获取航迹起始的雷达量测数据,根据所述雷达量测数据提取量测样本特征;
构建用于量测分类的深度学习神经网络模型,所述深度学习神经网络模型中引入自相关权重提取特征内部的相关性,将所述量测样本特征输入至所述深度学习神经网络模型进行训练,得到训练后的深度学习神经网络模型;
获取雷达待处理量测数据,根据所述雷达待处理量测数据提取量测特征,将所述量测特征输入至训练后的深度学习神经网络模型,输出分类标签。
2.根据权利要求1所述的一种雷达目标跟踪航迹起始方法,其特征在于:所述获取航迹起始的雷达量测数据,包括:确定航迹起始帧数,根据所述航迹起始帧数获取雷达检测的数据样本,所述数据样本包括标签分类。
3.根据权利要求1所述的一种雷达目标跟踪航迹起始方法,其特征在于:所述构建用于量测分类的深度学习神经网络模型包括:卷积神经网络模块、全连接特征感知模块和分类器模块;所述卷积神经网络模块的输入和全连接特征感知模块的输入为量测样本特征,所述分类器模块的输入为卷积神经网络模块的输出和全连接特征感知模块的输出,所述分类器模块输出分类标签。
4.根据权利要求3所述的一种雷达目标跟踪航迹起始方法,其特征在于:所述卷积神经网络模块的输入为量测样本特征中的空间特征向量,所述全连接特征感知模块的输入为量测样本特征中的时序特征向量,所述时序特征向量包括速度信息和加速度信息,所述空间特征向量包括航向角信息和偏航角信息。
5.根据权利要求3所述的一种雷达目标跟踪航迹起始方法,其特征在于:所述卷积神经网络模块中引入残差结构,用于空间特征向量的输出补充信息量。
6.根据权利要求3所述的一种雷达目标跟踪航迹起始方法,其特征在于:所述全连接特征感知模块包括依次连接的全连接模块、一维卷积、神经元、激活层、平均池化层、Add层,其中全连接模块的输出与Add层的输入连接;所述神经元中引入代表时间特征向量内部关联的自相关权重,自相关权重根据输入的维度构建自相关权重矩阵,并在模型训练过程中迭代更新。
7.根据权利要求6所述的一种雷达目标跟踪航迹起始方法,其特征在于:所述全连接模块包括依次连接的Flatten摊平向量、线性层1、Sigmoid函数、线性层2,所述线性层1和线性层2中包括多个神经元,下一层神经元对上一层神经元进行一次求和计算。
8.一种雷达目标跟踪航迹起始装置,其特征在于,包括数据获取模块和数据处理模块,所述数据获取模块用于获取航迹起始的雷达量测数据,根据所述雷达量测数据提取量测样本特征,以及获取雷达待处理量测数据,根据所述雷达待处理量测数据提取量测特征,所述量测样本特征用于训练深度学习神经网络模型,所述数据处理模块包括训练后的深度学习神经网络模型,所述深度学习神经网络模型中引入自相关权重提取特征内部的相关性,所述训练后的深度学习神经网络模型用于根据输入的量测特征输出分类标签,得到航迹起始结果。
9.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-7任一所述的一种雷达目标跟踪航迹起始方法。
10.一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1-7任一所述的一种雷达目标跟踪航迹起始方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311059713.0A CN117111013B (zh) | 2023-08-22 | 2023-08-22 | 一种雷达目标跟踪航迹起始方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311059713.0A CN117111013B (zh) | 2023-08-22 | 2023-08-22 | 一种雷达目标跟踪航迹起始方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117111013A true CN117111013A (zh) | 2023-11-24 |
CN117111013B CN117111013B (zh) | 2024-04-30 |
Family
ID=88812159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311059713.0A Active CN117111013B (zh) | 2023-08-22 | 2023-08-22 | 一种雷达目标跟踪航迹起始方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117111013B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
TW202004661A (zh) * | 2018-05-29 | 2020-01-16 | 長庚醫療財團法人林口長庚紀念醫院 | 自體免疫抗體免疫螢光影像分類系統及其分類方法 |
CN111754403A (zh) * | 2020-06-15 | 2020-10-09 | 南京邮电大学 | 一种基于残差学习的图像超分辨率重构方法 |
CN112116078A (zh) * | 2020-09-22 | 2020-12-22 | 工业互联网创新中心(上海)有限公司 | 一种基于人工智能的信息安全基线学习方法 |
CN112991354A (zh) * | 2021-03-11 | 2021-06-18 | 东北大学 | 一种基于深度学习的高分辨率遥感影像语义分割方法 |
KR20220053936A (ko) * | 2020-10-23 | 2022-05-02 | 엘아이지넥스원 주식회사 | 영상센서 모사방법 |
CN114519770A (zh) * | 2022-01-07 | 2022-05-20 | 南京航空航天大学 | 一种腰骶丛神经分割及三维可视化方法 |
CN115018773A (zh) * | 2022-05-23 | 2022-09-06 | 中国海洋大学 | 基于全局动态卷积神经网络的sar图像变化检测方法 |
CN115496771A (zh) * | 2022-09-22 | 2022-12-20 | 安徽医科大学 | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 |
CN115586506A (zh) * | 2022-12-13 | 2023-01-10 | 南京慧尔视智能科技有限公司 | 一种抗干扰目标分类方法及装置 |
CN115631771A (zh) * | 2022-10-17 | 2023-01-20 | 陕西师范大学 | 基于组合卷积神经网络的声音事件检测与定位方法 |
CN115656958A (zh) * | 2022-11-08 | 2023-01-31 | 四川启睿克科技有限公司 | 实时航迹起始和航迹分类的检测方法及检测装置 |
CN115908829A (zh) * | 2022-09-09 | 2023-04-04 | 广州大学 | 基于点柱的二阶多注意力机制3d点云目标检测方法 |
CN116258056A (zh) * | 2022-12-07 | 2023-06-13 | 华中师范大学 | 多模态知识水平评估与学习表现预测方法、系统及介质 |
-
2023
- 2023-08-22 CN CN202311059713.0A patent/CN117111013B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784320A (zh) * | 2017-09-27 | 2018-03-09 | 电子科技大学 | 基于卷积支持向量机的雷达一维距离像目标识别方法 |
TW202004661A (zh) * | 2018-05-29 | 2020-01-16 | 長庚醫療財團法人林口長庚紀念醫院 | 自體免疫抗體免疫螢光影像分類系統及其分類方法 |
CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
CN111754403A (zh) * | 2020-06-15 | 2020-10-09 | 南京邮电大学 | 一种基于残差学习的图像超分辨率重构方法 |
CN112116078A (zh) * | 2020-09-22 | 2020-12-22 | 工业互联网创新中心(上海)有限公司 | 一种基于人工智能的信息安全基线学习方法 |
KR20220053936A (ko) * | 2020-10-23 | 2022-05-02 | 엘아이지넥스원 주식회사 | 영상센서 모사방법 |
CN112991354A (zh) * | 2021-03-11 | 2021-06-18 | 东北大学 | 一种基于深度学习的高分辨率遥感影像语义分割方法 |
CN114519770A (zh) * | 2022-01-07 | 2022-05-20 | 南京航空航天大学 | 一种腰骶丛神经分割及三维可视化方法 |
CN115018773A (zh) * | 2022-05-23 | 2022-09-06 | 中国海洋大学 | 基于全局动态卷积神经网络的sar图像变化检测方法 |
CN115908829A (zh) * | 2022-09-09 | 2023-04-04 | 广州大学 | 基于点柱的二阶多注意力机制3d点云目标检测方法 |
CN115496771A (zh) * | 2022-09-22 | 2022-12-20 | 安徽医科大学 | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 |
CN115631771A (zh) * | 2022-10-17 | 2023-01-20 | 陕西师范大学 | 基于组合卷积神经网络的声音事件检测与定位方法 |
CN115656958A (zh) * | 2022-11-08 | 2023-01-31 | 四川启睿克科技有限公司 | 实时航迹起始和航迹分类的检测方法及检测装置 |
CN116258056A (zh) * | 2022-12-07 | 2023-06-13 | 华中师范大学 | 多模态知识水平评估与学习表现预测方法、系统及介质 |
CN115586506A (zh) * | 2022-12-13 | 2023-01-10 | 南京慧尔视智能科技有限公司 | 一种抗干扰目标分类方法及装置 |
Non-Patent Citations (2)
Title |
---|
孙枫;: "基于深度卷积生成对抗网络的人脸检测算法研究", 计算机仿真, no. 09, 15 September 2020 (2020-09-15), pages 409 - 413 * |
张振;苏依拉;牛向华;高芬;赵亚平;仁庆道尔吉;: "域信息共享的方法在蒙汉机器翻译中的应用", 计算机工程与应用, no. 10, 31 December 2020 (2020-12-31), pages 111 - 119 * |
Also Published As
Publication number | Publication date |
---|---|
CN117111013B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
CN111123257B (zh) | 基于图时空网络的雷达动目标多帧联合检测方法 | |
CN111709416B (zh) | 车牌定位方法、装置、系统及存储介质 | |
Tao et al. | Scene context-driven vehicle detection in high-resolution aerial images | |
Le et al. | Deep gabor neural network for automatic detection of mine-like objects in sonar imagery | |
CN111368671A (zh) | 基于深度学习的sar图像舰船目标检测识别一体化方法 | |
CN114022759A (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 | |
CN113808174B (zh) | 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法 | |
CN112288026B (zh) | 一种基于类激活图的红外弱小目标检测方法 | |
CN111833353B (zh) | 一种基于图像分割的高光谱目标检测方法 | |
CN108537825B (zh) | 一种基于迁移学习回归网络的目标跟踪方法 | |
CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
CN116109950A (zh) | 一种低空域反无人机视觉检测、识别与跟踪方法 | |
CN116580322A (zh) | 一种地面背景下无人机红外小目标检测方法 | |
CN109493370B (zh) | 一种基于空间偏移学习的目标跟踪方法 | |
Xu et al. | Marine radar small target classification based on block-whitened time–frequency spectrogram and pre-trained CNN | |
CN113887583A (zh) | 基于深度学习的低信噪比下雷达rd图像目标检测方法 | |
Zou et al. | Sonar Image Target Detection for Underwater Communication System Based on Deep Neural Network. | |
CN110361709B (zh) | 一种基于动态虚警概率的车载毫米波雷达目标识别方法 | |
CN117111013B (zh) | 一种雷达目标跟踪航迹起始方法、装置、设备及介质 | |
Albalooshi et al. | Deep belief active contours (DBAC) with its application to oil spill segmentation from remotely sensed sea surface imagery | |
CN116310837A (zh) | 一种sar舰船目标旋转检测方法及系统 | |
Qiwei et al. | SAR image ship detection based on improved YOLOv4 | |
Yu et al. | A lightweight ship detection method in optical remote sensing image under cloud interference |
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 |