[發(fā)明專利]基于Precise ROI-Faster R-CNN的雷達目標圖像檢測方法

有效

• 申請?zhí)枺?/td>: 201910596538.6
• 申請日: 2019-07-03
• 公開（公告）號: CN110210463B
• 公開（公告）日: 2023-07-11
• 發(fā)明（設計）人: 陳小龍;牟效乾;張林;王國慶;薛永華;關鍵
• 申請（專利權）人: 中國人民解放軍海軍航空大學
• 主分類號: G06F18/24
• 分類號: G06F18/24;G01S7/02;G06N3/0464;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于Precise?ROI-FasterR-CNN的雷達目標圖像檢測方法，其特征在于，包括以下步驟：

步驟一、將雷達回波數據信息轉換為圖像，構建訓練數據集；

所述的訓練數據集構建方法為：

采集多種觀測條件和區(qū)域下的雷達回波數據，將回波數據信息轉換為圖像信息，對圖像進行裁剪和數據增強處理，進行人工識別分類和標簽添加，構建雷達圖像訓練數據集；

步驟二、構建Precise?ROI-FasterR-CNN目標檢測模型，包括共享卷積神經網絡、區(qū)域建議網絡、分類和回歸網絡，并采用ELU激活函數、Precise?ROI?Pooling方法和Soft-NMS方法；

所述的共享卷積神經網絡為：

將深度卷積神經網絡中的任一網絡的卷積層作為共享卷積層，提取的特征共享給區(qū)域建議網絡和分類和回歸網絡；

所述的區(qū)域建議網絡為：

將共享卷積網絡輸入的特征分別在兩條支路處理，一條支路做預分類處理得到每個特征圖的每一個像素位置預設的9種形狀尺度框屬于前景和背景的得分，即softmax分類的分數，另一條支路做回歸處理得到對于每個特征圖的每一個像素位置預設的9種形狀尺度框與加標簽的真實檢測框之間的4個變換參數，包括2個平移參數和2個伸縮參數，每4個變換參數確定一個候選框，將初步確定的候選框后先用softmax分類的分數排序剔除分數低的候選框，然后采用Soft-NMS做非極大值抑制處理，選取一定數量的候選框作為最終生成的優(yōu)質候選框；

所述的分類和回歸網絡為：

將共享卷積網絡提取的特征圖和區(qū)域建議網絡生成的候選框輸入Precise?ROIPooling，輸出尺度相同的特征，分別在分類和回歸網絡的兩條支路處理，一條支路做分類處理，完成q類目標的分類，一條支路做回歸處理，完成q類目標的檢測；

步驟三、輸入訓練數據集對模型進行迭代優(yōu)化訓練，得到最優(yōu)網絡參數；

步驟四、將實時雷達回波生成圖像，輸入訓練后的目標檢測模型進行測試，完成目標檢測與分類。

2.根據權利要求1所述的基于Precise?ROI-FasterR-CNN的雷達目標圖像檢測方法，其特征在于，步驟二所述的ELU激活函數為：

其中，x為經卷積層卷積后輸出的特征圖矩陣，α為調節(jié)參數。

3.根據權利要求1所述的基于Precise?ROI-Faster?R-CNN的雷達目標圖像檢測方法，其特征在于，步驟二所述的Precise?ROI?Pooling方法為：

其中，

(x1,y1)、(x2,y2)為其中一個bin區(qū)域的左上角和右下角坐標，bin為池化前分割成的一個個區(qū)域，IC函數計算每一個連續(xù)的x，y方向的偏移的乘積，在1個像素以內的偏移，使用該像素(i,j)表示，然后該偏移的乘積和(i,j)的像素值w_i,j乘積得到f(x,y)。

4.根據權利要求1所述的基于Precise?ROI-FasterR-CNN的雷達目標圖像檢測方法，其特征在于，步驟二所述的Soft-NMS方法為：

其中，s_i為第i個候選框的得分，M為當前得分最高框，b_i為待處理框，N_t為檢測的閾值，IOU表示預測框與標注框之間的重合度百分比。

5.根據權利要求4所述的基于Precise?ROI-Faster?R-CNN的雷達目標圖像檢測方法，其特征在于，步驟三所述的網絡參數優(yōu)化方法為：

將步驟一構建的訓練數據集輸入步驟二建立的目標檢測模型中，利用梯度下降法對模型進行訓練，經過不斷的迭代優(yōu)化訓練，當損失函數值達到最小值時訓練結束，目標檢測模型訓練完成，網絡參數實現最優(yōu)化。

6.根據權利要求5所述的基于Precise?ROI-Faster?R-CNN的雷達目標圖像檢測方法，其特征在于，步驟四所述的測試方法為通過將實時生成的回波數據圖像輸入到基于大量優(yōu)質數據訓練好的最優(yōu)目標檢測模型中，對目標進行檢測和分類一體化處理。