[發明專利]一種基于雷達一維距離像的目標識別方法及系統

在審

• 申請號: 201910089020.3
• 申請日: 2019-01-30
• 公開（公告）號: CN109902589A
• 公開（公告）日: 2019-06-18
• 發明（設計）人: 張勁東;張超;徐乃清;李晨
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 程華

本發明公開一種基于雷達一維距離像的目標識別方法及系統。本發明對訓練樣本對的回波數據進行傅里葉梅林變換處理后，再將其輸入一維卷積神經網絡模型進行訓練。由于傅里葉梅林變換具有時移不變性和尺度不變性，其尺度不變性可使得距離像在梅林變換域對方位角和姿態角的變化不敏感；其時移不變性使得傅里葉梅林變換能適應信號的時間平移與尺度變化，故一維距離像經傅里葉梅林變換后可以得到穩定的特征向量，降低了距離像的姿態敏感度，平移敏感度和幅度敏感度，增強了距離像的魯棒性，提高了目標識別的準確性。

技術領域

本發明涉及雷達技術領域，特別是涉及一種基于雷達一維距離像的目標識別方法及系統。

背景技術

在當前的目標識別領域，對雷達一維距離像的識別使用的是模式識別的經典流程，其中對一維距離像預處理主要使用包絡對齊來降低其姿態和平移敏感性，但是在實際情況中，包絡對齊在距離像局部噪聲比較強的情況下并不能很好的發揮作用，而非相干平均等提高距離像數據信噪比的方法均是以包絡對齊為基礎的。因此，一維距離像的平移敏感性和姿態敏感性會降低目標識別的準確性。

發明內容

本發明的目的是提供一種基于雷達一維距離像的目標識別方法及系統，能夠降低距離像的姿態敏感度，平移敏感度和幅度敏感度，增強距離像的魯棒性，提高目標識別的準確性。

為實現上述目的，本發明提供了如下方案：

一種基于雷達一維距離像的目標識別方法，所述目標識別方法包括：

獲取待識別回波數據；

將所述待識別回波數據輸入目標識別模型，獲得所述待識別回波數據對應的目標類型；其中，所述目標識別模型的輸入為回波數據，所述目標識別模型的輸出為目標類型；所述目標識別模型是基于傅里葉變換、梅林變換和卷積神經網絡模型建立的；所述目標識別模型的建立方法具體包括：

獲取訓練樣本集，所述訓練樣本集包括多個目標的訓練樣本對，每一訓練樣本對包括一個輸入和一個輸出，輸入為樣本的不同回波數據構成的集合，輸出為樣本對應的類型；其中，各目標的回波數據是由同一雷達生成的；

對每一所述訓練樣本對的所述回波數據進行傅里葉梅林變換，獲得頻域訓練樣本對，各所述頻域訓練樣本對組成頻域訓練樣本集；

構建一維卷積神經網絡模型；

利用所述頻域訓練樣本集訓練所述一維卷積神經網絡模型，獲得目標識別模型。

可選的，所述對每一所述訓練樣本對的所述回波數據進行傅里葉梅林變換之前，還包括：

對每一所述訓練樣本對的回波數據進行歸一化處理，獲得歸一化處理后的訓練樣本對。

可選的，所述對每一所述訓練樣本對的所述回波數據進行傅里葉梅林變換，獲得頻域訓練樣本對，具體包括：

對每一訓練樣本對的回波數據進行傅里葉變換，獲得頻域回波數據；

對所述頻域回波數據進行取模運算，獲得取模后的頻域回波數據；

對取模后的頻域回波數據進行梅林變換，獲得梅林回波數據，所述梅林回波數據和樣本對應的類型組成頻域訓練樣本對。

可選的，所述利用所述頻域訓練樣本集訓練所述一維卷積神經網絡模型，獲得目標識別模型，具體包括：

獲取最大迭代次數，初始化一維卷積神經網絡模型的學習率；

對所述頻域訓練樣本集的頻域訓練樣本對進行分組，獲得多組頻域訓練樣本組；

將一組頻域訓練樣本組標記為目標訓練樣本組，并將所述目標訓練樣本組輸入所述一維卷積神經網絡模型進行訓練，以更新所述一維卷積神經網絡模型的學習率；

更新迭代次數；