[發(fā)明專利]基于圖時空網絡的雷達動目標多幀聯合檢測方法

有效

• 申請?zhí)枺?/td>: 201911389117.2
• 申請日: 2019-12-30
• 公開（公告）號: CN111123257B
• 公開（公告）日: 2023-03-28
• 發(fā)明（設計）人: 丁金閃;溫利武;黃學軍;秦思琪
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G01S13/50
• 分類號: G01S13/50;G01S7/41
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;黎漢華

本發(fā)明公開了一種基于圖時空網絡的雷達動目標多幀聯合檢測方法，主要解決現有技術對單通道系統(tǒng)動目標檢測虛警率較高的問題。其方案是：獲取子孔徑距離多普勒譜；構造子殘差網絡和子圖時空網絡，并用其構成用于動目標檢測的神經網絡模型；用子殘差網絡做區(qū)域目標檢測，輸出初步檢測概率圖并計算交叉熵損失；用子圖時空網絡作時空特征提取與融合，輸出中間幀動目標的最終檢測概率圖并計算均方誤差；將交叉熵損失與均方誤差之和作為總代價函數，訓練神經網絡至總代價函數收斂得到訓練好的神經網絡，將測試數據輸入訓練好的神經網絡，對其輸出的閾值判斷，抑制非極大值后得到中間幀的動目標檢測結果。本發(fā)明降低了虛警率，可實現可靠的動目標檢測。

技術領域

本發(fā)明屬于雷達信號處理技術領域，特別涉及一種動目標多幀聯合檢測方法，可用于高幀率雷達系統(tǒng)。

背景技術

運動目標檢測是機載海事雷達實現戰(zhàn)場環(huán)境感知與潛在目標監(jiān)視的基本任務。在多普勒處理中，可以通過提取運動目標的多普勒頻移對其進行檢測。但是，惡劣的海況與目標復雜的運動特性往往導致動目標回波信雜噪比較低。在低信雜噪比下實現可靠的運動目標檢測是目前研究的熱點。大多數的目標檢測算法都通過雜波抑制來提高信雜噪比，因此對強海雜波的有效抑制是海事雷達運動目標檢測的關鍵技術。在單通道雷達系統(tǒng)中，雜波抑制的主要方法包括頻域濾波、時頻分析、子孔徑對消技術等。然而，頻域濾波法要求目標多普勒頻移大于主瓣雜波的多普勒帶寬，并且存在速度盲區(qū)；子孔徑對消法其性能在很大程度上依賴于相干斑噪聲的抑制以及配準技術，存在對消后雜波剩余較大，信雜比改善不理想的問題；時頻分析法則存在交叉項干擾、信雜比較小時不適用等問題。

基于上述分析，單通道雷達系統(tǒng)雜波抑制能力弱，現有技術不具備相對徹底的雜波抑制能力，無法有效區(qū)分運動目標與雜波的多普勒頻譜，導致傳統(tǒng)的動目標檢測方法無法實現穩(wěn)健的目標檢測，存在虛警與漏警的問題。因此在單通道雷達系統(tǒng)的動目標檢測問題中迫切需要一種穩(wěn)健的動目標檢測方法。隨著機器學習技術特別是深度學習技術的快速發(fā)展，越來越多的深度學習模型被遷移應用以及改進到雷達目標檢測領域中，其強大的特征提取能力與幀間信息融合能力使得直接從多幀雷達回波數據中提取動目標信息成為可能，避免了單通道雷達系統(tǒng)中的雜波抑制問題。

目前，針對單通達雷達系統(tǒng)中的動目標檢測問題以及深度學習中的多幀信息融合問題主要有以下兩種方法：

一是Zhirui Wang,Xian Sun,Wenhui Diao等在論文“Ground Moving TargetIndication Based on Optical Flow in Single-Channel SAR”中提出了一種基于光流信息的地面移動目標檢測方法。該方法利用運動目標在多視SAR圖像序列中的光流信息實現初步的檢測，隨后結合動目標在相鄰幀之間的運動相關性進行虛警抑制，最終實現了穩(wěn)健的動目標檢測。但是該方法受限于在實際的SAR圖像中，由于相干斑噪聲的影響，動目標的光流信息很難被準確的提取，從而影響動目標檢測效果，在實際任務中其檢測效果并不理想。

二是D.Tran,L.Bourdev,R.Fergus在論文“Learning Spatiotemporal Featureswith 3D Convolutional Networks”中針對傳統(tǒng)視頻處理方法的不足，提出了一種利用三維卷積神經網絡進行時空特征抽取的方法。在傳統(tǒng)視頻處理任務中，均采用二維卷積神經網絡進行各個關鍵幀的特征提取，而后再應用相關算法把關鍵幀的特征融合在一起，沒有充分利用時間維度的運動信息，其在視頻分類任務上取得了不錯的效果，但在視頻檢測任務上任有較大的提升空間。該方法為了避免上述問題，采用三維卷積神經網路對一段視頻幀數據進行特征提取與融合，對每幀輸入信息分別提取其灰度、x/y方向梯度、x/y方向光流信息，然后在連續(xù)視頻幀間利用三維卷積操作分別對上述信息進行特征提取，并在時間維度上對相鄰幀間的信息進行特征融合，有效地提取到了連續(xù)幀中的運動信息。但是該方法由于對整張圖像的特征提取，只適用于提取視頻中的運動信息以及視頻分類等任務，無法提取目標位置信息，因此不適用于目標檢測的任務。

發(fā)明內容