[發明專利]一種基于深度神經網絡的多目標恒虛警率檢測方法

有效

• 申請號: 202110793105.7
• 申請日: 2021-07-14
• 公開（公告）號: CN113534120B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 宋春毅;曹智輝;宋鈺瑩;艾福元;吳京軒;徐志偉
• 申請（專利權）人: 浙江大學
• 主分類號: G01S13/02
• 分類號: G01S13/02;G01S7/41;G06N3/04;G06N3/084;G06F18/214;G06F18/2415;G06F18/2413
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 賈玉霞

本發明公開一種基于深度神經網絡的多目標恒虛警檢測方法，該方法通過建立使用了數據增強技術的仿真數據集來訓練基于深度神經網絡的預檢測器，對雷達信號峰值進行分類，以區分是目標還是雜波。從原始背景樣本中移除預檢測器檢測到的目標形成縮減樣本。基于此縮減樣本使用基于泰勒級數的近似最大似然估計器進行背景水平估計得到虛警調節門限，移除預檢測結果中低于此門限的目標，輸出最終檢測結果。本發明的方法不需要依賴預先估計的背景水平來檢測目標，在目標密集度很高的場景下依然能保持優越的檢測性能。

技術領域

本發明屬于調頻連續波(Frequency?Modulated?Continuous?Wave,FMCW)雷達多目標恒虛警率(Constant?False?Alarm?Rate,以下簡稱CFAR)檢測技術領域，具體涉及一種基于深度神經網絡的多目標恒虛警率檢測方法。

背景技術

多目標檢測具有很大的挑戰性，尤其是在目標密集分布的場景。在傳統的CFAR檢測方法中，檢測閾值是基于預先估計的背景水平確定的。但是，干擾目標會難以避免地導致背景水平估計不準確，從而導致檢測性能下降。

發明內容

針對傳統CFAR檢測方法在多目標場景檢測性能下降的缺點，本發明提出一種基于深度神經網絡的多目標恒虛警率檢測方法，通過深度神經網絡檢測器將目標檢測轉換為雷達的峰值序列分類問題來提高檢測性能，不需要依賴于背景水平估計。在使用了數據增強技術的仿真數據集上訓練的深度神經網絡檢測器具有出色的泛化能力，可以在真實場景中部署。在虛警調節過程中使用基于泰勒級數的近似最大似然估計器獲得了更好的計算性能。

本發明的目的通過如下的技術方案來實現：

一種基于深度神經網絡的多目標恒虛警率檢測方法，該方法包括以下步驟：

S1：通過數據增強技術建立具有動態信雜比和動態目標數的雷達中頻信號的仿真數據集其中，n為訓練樣本的個數，K_n為第n個樣本的距離序列長度；L_K為真實標簽，目標被標記為1，雜波被標記為0；R_K＝[r₁，r₂，...，r_K]為峰值距離序列，I_K＝[i₁，i₂，...，i_K]是與P_K對應的峰值強度序列；峰值序列P_K＝(R_K，I_K)，其是先將雷達中頻信號作傅里葉變換后取模得到雷達頻率強度測量X，再對X取峰值得到的；

S2：構建能夠對峰值序列P_K進行分類的深度神經網絡檢測器，并利用所述仿真數據集對其進行訓練，得到訓練后的深度神經網絡檢測器；

S3：將待檢測的雷達頻率強度測量X取峰值，得到的峰值序列P_K輸入訓練后的深度神經網絡檢測器，輸出目標檢測結果Y；

S4：假設X中的雜波服從瑞利分布，從X中移除目標檢測結果Y后形成縮減樣本并用截斷的瑞利分布對中的雜波建模；

S5：設計基于泰勒級數的近似最大似然估計器，確定比例參數σ的近似最大似然估計；根據指定的虛警率P_FA和比例參數σ的近似最大似然估計計算得到虛警調節門限T_fa，剔除檢測結果Y中低于T_fa的目標，輸出恒虛警檢測結果。

進一步地，所述S1中仿真數據集的增強按照以下方式進行：

(1)使雷達中頻信號具有動態信雜比

將所述仿真數據集對應的雷達中頻信號的第k個目標的回波信號乘上其對應的回波功率

其中，P_c為雜波功率，SCR_k為第k個目標設置的動態信雜比