[發明專利]一種基于機器學習的對海監視雷達目標識別方法

在審

• 申請號: 202110684658.9
• 申請日: 2021-06-21
• 公開（公告）號: CN113447902A
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 張波;吳偉;王文鋒;孫葉;趙冉;潘宇楓
• 申請（專利權）人: 南京信息職業技術學院
• 主分類號: G01S7/41
• 分類號: G01S7/41
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 王安琪

本發明公開了一種基于機器學習的對海監視雷達目標識別方法，包括如下步驟：S01，采集路口不同場景下的對海雷達探測信息，形成回波監視畫面；S02，將對海雷達回波監視畫面進行截圖，形成圖像信息數據；S03，對S02獲得數據進行預處理，作為訓練樣本，構建訓練集、測試集；S04，構建基于多任務卷積神經網絡的機器學習模型；S05，用S02得到的訓練集和測試集對S03得到的機器學習模型進行訓練，得到合適的模型參數；S06，將S02得到的對海雷達回波監視畫面數據輸入到S05訓練好的機器學習模型進行分類，識別船舶目標并定位和判斷數量。本發明通過對對海雷達回波數據形成的圖像進行處理，實現目標識別和分類，具有通用性和高效性的優點。

技術領域

本發明涉及對海雷達探測監視技術領域，尤其是一種基于機器學習的對海監視雷達目標識別方法。

背景技術

對海監視雷達用于警戒、搜索、監視與識別海上目標，可用于港口船舶狀態監視、船舶移動引導、行船導航，增強相關單位的監視能力。傳統方法主要基于信號處理方法，通過實測數據與仿真分析部署區域的海雜波特性分布情況，設計合適的海雜波抑制方法實現對雜波背景中有用目標的有效檢測，已能對雜波進行抑制并對目標進行檢測，但仍可以在以下方面進行增強：須對部署區域的雜波進行數據統計分析，部署前須進行設備調教，設備部署應用效率不高，且調教性能對應用后的識別性能影響明顯；另一方面，監視時仍主要依靠人工經驗進行目標判別，值班時間過長會造成判斷正確率的下降，同時，不同值班人員的判斷能力也有差異，特別是在云、雨、霧等氣象條件復雜的情況下，目標識別準確率難以保證，目標識別不具備一致性和通用性。

機器學習具有強大的特征提取、表達和分類能力，通過對數據樣本的學習和訓練，實現模型自動化抽取關鍵特征，從而實現高速、準確的識別分類，同時，為不同場景下依據通用、一致的判別準則進行目標識別提供了可能。現有技術中，亟需一種能夠將機器學習應用到對海監視雷達的目標識別應用中，能夠實現高效、通用的船舶目標識別。

發明內容

本發明所要解決的技術問題在于，提供一種基于機器學習的對海監視雷達目標識別方法，實現目標識別和分類，具有通用性和高效性的優點。

為解決上述技術問題，本發明提供一種基于機器學習的對海監視雷達目標識別方法，包括如下步驟：

S01，采集路口不同場景下的對海雷達探測信息，形成回波監視畫面；

S02，將對海雷達回波監視畫面進行截圖，形成圖像信息數據；

S03，對S02獲得數據進行預處理，作為訓練樣本，構建訓練集、測試集；

S04，構建基于多任務卷積神經網絡的機器學習模型；

S05，用S02得到的訓練集和測試集對S03得到的機器學習模型進行訓練，得到合適的模型參數；

S06，將S02得到的對海雷達回波監視畫面數據輸入到S05訓練好的機器學習模型進行分類，識別船舶目標并定位和判斷數量。

優選的，S03中，對S02獲得數據進行預處理具體為：將對海雷達回波監視畫面轉換為灰度圖，通過人工標記的方式對每一張灰度圖中的船舶目標數量進行標識，其中：包含一艘船的標記為“1”，包含兩艘船的標記為“2”，以此類推，形成不同場景下船舶目標數量圖像信息的樣本。

優選的，不同場景包括船舶體積、天氣、背景、船舶移動速度。

優選的，S04中，構建基于多任務卷積神經網絡的機器學習模型包括三個神經網絡，三個神經網絡將輸入的原始圖片縮放至不同尺寸，對每個尺寸的圖片分別通過神經網絡進行計算，兼顧圖片中不同大小的目標形態。從而實現基于統一尺度對圖片中不同大小的船舶目標進行檢測，并對船舶目標數量進行分類。