[發明專利]一種基于深度光流網絡的連續幀RD圖像目標識別方法

在審

• 申請號: 201910592911.0
• 申請日: 2019-07-03
• 公開（公告）號: CN110348356A
• 公開（公告）日: 2019-10-18
• 發明（設計）人: 房嘉奇;楊小婷;李洪鵬;何向晨
• 申請（專利權）人: 北京遙感設備研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 中國航天科工集團公司專利中心 11024
• 代理人: 葛鵬

本發明公開了一種基于深度光流網絡的連續幀雷達RD圖像艦船目標檢測識別方法，本發明方法首先構建連續幀雷達RD圖像艦船智能目標檢測識別系統，所構建的系統包括：訓練數據預處理模塊、連續圖像特征提取與分析模塊、深度光流網絡檢測識別模塊，訓練數據預處理模塊，獲取深度學習線下訓練的大量艦船目標與干擾數據，并進行類型標定，對RD圖像進行量化、平滑處理；連續圖像特征提取與分析模塊對連續圖像序列數據中某一幀圖像進行特征提取及分析，并將檢測結果快速并準確的傳播給其他幀的圖像；深度光流網絡檢測識別模塊根據連續幀雷達RD圖像信息，構建深度光流網絡對RD圖像中艦船目標進行檢測識別。本發明方法針對連續幀雷達圖像數據存在的幀間關聯性，將深度學習模型推廣至動態網絡，以克服單幀圖像信息不足，辨識精度不高等問題。

技術領域

本發明涉及一種目標識別方法，特別是一種連續幀雷達RD圖像艦船目標智能檢測識別方法。

背景技術

目前雷達目標技術包括高分辨率目標一維距離像(HRRP)、SAR圖像識別等內容。對海面高速運動的飛行器來說，雷達和目標的相對運動關系復雜，不僅包括飛行器的高機動，還包括完全未知的艦船目標運動狀態，且會受到海情影響，這將導致成像結果出現距離向展寬和方位散焦，因此，距離—多普勒(Range-Doppler，RD)二維像常被用來作為飛行器雷達目標識別的重要數據來源。RD圖像是相參雷達在探測海面運動目標時，對多個脈沖信號進行相參處理以獲得的探測目標圖像。傳統的雷達目標識別算法首先對RD圖像進行恒虛警檢測處理；然后對艦船目標、雜波、島嶼、無源干擾等所占據的多個獨立單元進行聚類處理；最后提取不同種類之間的目標有效特征，并進行目標分類識別。

在過去幾年中，由深度學習研究發展延伸出來的人工智能技術，對各領域的信息處理技術都形成了不小的沖擊，例如在光學圖像處理中，深度學習很好地解決了圖像特征自動提取的問題，在目標檢測、分類與識別的各項任務中顯示出卓越的性能。目前國內外將深度學習用于雷達圖像處理的研究才剛剛起步，未來的飛行器希望利用深度學習技術，通過對目標、環境和干擾等特性的深入研究，深層次挖掘目標、欺騙式干擾在多維度上的微小差異，完成對復雜環境下海面艦船目標的智能識別。深度學習方法已經在靜態目標檢測方面取得了較為矚目的成就，FasterR-CNN、YOLO與SSD算法都能夠在保證準確率的前提下將檢測的速率提升到一個非常快的水準。而對于連續圖像序列數據來說，目標在數據中的位置并不像靜態圖像那樣保持不變，而是有可能會因為變形、運動和遮擋等因素導致在某些幀上用靜態檢測的方法很難檢測到結果，因此需要進行該方面的關鍵技術研究。

發明內容

本發明目的在于提供連續幀雷達RD圖像艦船目標智能檢測識別方法，解決在復雜海面干擾環境下，現有的雷達無法對艦船目標進行準確識別的問題。

有鑒于此，本發明提供的技術方案是：一種連續幀雷達RD圖像艦船目標智能檢測識別方法，其特征在于，包括：

訓練數據獲取、標定及預處理：獲取深度學習線下訓練的大量艦船目標與干擾數據，并進行類型標定，同時對距離-多普勒RD圖像進行量化、平滑處理。

連續圖像特征提取與分析：對連續序列數據中某一幀圖像進行特征提取及分析，并將檢測結果快速并準確的傳播給其他幀的圖像。

深度光流網絡實現艦船目標檢測識別：根據連續幀雷達RD圖像信息，構建深度光流網絡對RD圖像中艦船目標進行檢測識別。

至此，完成連續幀雷達RD圖像艦船目標智能檢測識別。

本發明實現了以下顯著的有益效果：

將深度學習技術用于雷達圖像處理中，利用多幅圖像的幀間信息進行關聯圖像智能識別，根據目標之前的位置信息預測目標下一時刻的位置信息，同時將多幀識別網絡與單幀識別網絡相結合進行目標位置檢測，單個目標時能夠排除冗余幀數，提高檢測速度；多個目標時，可以緩解目標遮擋和局部區域重疊問題。算法能夠輔助目標的檢測識別和定位，進一步提高網絡性能。