[發(fā)明專利]基于多特征分類的雷達(dá)低空目標(biāo)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210751752.6
• 申請(qǐng)日: 2022-06-29
• 公開(kāi)（公告）號(hào): CN115035430A
• 公開(kāi)（公告）日: 2022-09-09
• 發(fā)明（設(shè)計(jì)）人: 潘雪莉;李娜娜;楊利霞;黃志祥;任愛(ài)娣
• 申請(qǐng)（專利權(quán)）人: 安徽大學(xué)
• 主分類號(hào): G06V20/17
• 分類號(hào): G06V20/17;G06V10/46;G06V10/56;G06V10/764
• 代理公司: 合肥國(guó)和專利代理事務(wù)所(普通合伙) 34131
• 代理人: 孫永剛

本發(fā)明涉及一種基于多特征分類的雷達(dá)低空目標(biāo)檢測(cè)方法，包括：對(duì)雷達(dá)低空RD圖進(jìn)行多特征提取，得到LBP紋理特征、灰度特征和灰度最大起伏特征；組成特征向量集F′，將特征向量集F′劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；使用單分類SVM算法訓(xùn)練訓(xùn)練數(shù)據(jù)集，得到分類模型；將測(cè)試數(shù)據(jù)集輸入分類模型進(jìn)行目標(biāo)檢測(cè)，輸出目標(biāo)檢測(cè)結(jié)果。本發(fā)明主要利用雷達(dá)RD圖像中目標(biāo)與雜波背景間的差異性進(jìn)行特征選擇，構(gòu)造能夠區(qū)分目標(biāo)和雜波的特征訓(xùn)練集，然后基于單分類SVM算法實(shí)現(xiàn)對(duì)低空目標(biāo)像素點(diǎn)和雜波背景像素點(diǎn)的準(zhǔn)確分類，通過(guò)大量實(shí)驗(yàn)證明該發(fā)明的有效性。

技術(shù)領(lǐng)域

本發(fā)明涉及雷達(dá)應(yīng)用技術(shù)領(lǐng)域，尤其是一種基于多特征分類的雷達(dá)低空目標(biāo)檢測(cè)方法。

背景技術(shù)

近年來(lái)，隨著低空開(kāi)放，無(wú)人飛行器逐漸被應(yīng)用各行各業(yè)，給工業(yè)、日常生活都帶來(lái)了極大的便利，但也對(duì)低空安全帶來(lái)了巨大的威脅，例如泄密、公共安全、航空安全等。為了滿足我國(guó)在民用航空以及軍事低空突防等領(lǐng)域的急切需求，如何實(shí)現(xiàn)高效準(zhǔn)確的低空目標(biāo)檢測(cè)具有重要的研究意義。

低空環(huán)境復(fù)雜，低空目標(biāo)的散射較弱，飛行高度比較低，易于隱藏在雜波中難以提取，影響雷達(dá)的檢測(cè)性能。對(duì)于傳統(tǒng)CFAR檢測(cè)方法，易于出現(xiàn)虛警和漏檢。近年來(lái)，深度學(xué)習(xí)逐漸被應(yīng)用雷達(dá)低空目標(biāo)檢測(cè)，但是深度學(xué)習(xí)的時(shí)間復(fù)雜度較高，難以在實(shí)際中進(jìn)行應(yīng)用。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種能夠高效地檢測(cè)出低空目標(biāo)，尤其是低空弱目標(biāo)，且基于機(jī)器學(xué)習(xí)進(jìn)行特征分類很大程度上提高了目標(biāo)與雜波像素的分類準(zhǔn)確率，從而改善了目標(biāo)檢測(cè)性能的基于多特征分類的雷達(dá)低空目標(biāo)檢測(cè)方法。

為實(shí)現(xiàn)上述目的，本發(fā)明采用了以下技術(shù)方案：一種基于多特征分類的雷達(dá)低空目標(biāo)檢測(cè)方法，該方法包括下列順序的步驟：

(1)獲取待檢測(cè)的原始雷達(dá)低空RD圖；

(2)對(duì)待檢測(cè)的原始雷達(dá)低空RD圖進(jìn)行多特征提取，得到LBP紋理特征、灰度特征和灰度最大起伏特征；

(3)對(duì)雷達(dá)RD圖像經(jīng)滑窗處理得到LBP紋理特征向量數(shù)據(jù)集、灰度特征向量數(shù)據(jù)集和灰度最大起伏特征向量數(shù)據(jù)集，將LBP紋理特征向量數(shù)據(jù)集、灰度特征向量數(shù)據(jù)集和灰度最大起伏特征向量數(shù)據(jù)集分別歸一化處理之后共同組成特征向量集F′，將特征向量集F′劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

(4)使用單分類SVM算法訓(xùn)練訓(xùn)練數(shù)據(jù)集，得到分類模型；

(5)將測(cè)試數(shù)據(jù)集輸入分類模型進(jìn)行目標(biāo)檢測(cè)，輸出目標(biāo)檢測(cè)結(jié)果。

所述步驟(2)具體包括以下步驟：

(2a)計(jì)算局部窗口區(qū)域的LBP紋理特征值：

局部二值模式LBP以3×3窗口內(nèi)中心像素點(diǎn)的灰度值作為閾值，將鄰域內(nèi)的像素點(diǎn)進(jìn)行劃分，大于中心像素點(diǎn)灰度值的記為亮像素點(diǎn)，小于中心像素點(diǎn)灰度值的記為暗像素點(diǎn)，將3×3局部窗口區(qū)域的紋理結(jié)構(gòu)信息表示為矩陣模式：

其中，x_c代表3×3局部窗口區(qū)域中心像素點(diǎn)處的灰度值，x(i,j)表示3×3局部窗口區(qū)域中的任意像素點(diǎn)的灰度值；將S取值為1的像素點(diǎn)記為亮像素點(diǎn)，將S取值為0的像素點(diǎn)記為暗像素點(diǎn)；

通過(guò)計(jì)算3×3局部窗口區(qū)域中的亮暗像素對(duì)比度來(lái)表征3×3局部窗口區(qū)域的紋理強(qiáng)度信息，則LBP紋理特征值的計(jì)算公式為：

其中，G_p表示該3×3局部窗口區(qū)域中第p個(gè)亮像素點(diǎn)的灰度值，n₁表示3×3局部窗口鄰域中的亮像素點(diǎn)的個(gè)數(shù)；g_q表示3×3局部窗口區(qū)域中第q個(gè)暗像素點(diǎn)的灰度值，n₂表示3×3局部窗口鄰域中的暗像素點(diǎn)的個(gè)數(shù)；

(2b)計(jì)算局部窗口區(qū)域的灰度特征值：