一种基于多尺度特征融合的雷达目标检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115019141A(43)申请公布日2022.09.06(21)申请号202210625921.1G06V10/764(2022.01)(22)申请日2022.06.02G06V10/22(2022.01)G06T7/73(2017.01)(71)申请人北京理工大学G01S7/41(2006.01)地址100081北京市海淀区中关村南大街5号(72)发明人傅雄军刘畅李明玲谢民杜慧茜(74)专利代理机构北京众元弘策知识产权代理事务所(普通合伙)11462专利代理师白元群(51)Int.Cl.G06V10/80(2022.01)G06V10/82(2022.01)G06V20/70(2022.01)G06V10/774(2022.01)权利要求书2页说明书7页附图4页(54)发明名称一种基于多尺度特征融合的雷达目标检测方法(57)摘要本发明涉及一种基于多尺度特征融合的雷达目标检测方法，属于雷达目标探测技术领域。所述方法致力于改进现有目标检测模型FasterRCNN，通过多尺度特征融合设计增强小目标特征表征能力，进而提升杂波背景下的小目标检测性能。包括：构建目标检测数据集并划分训练集和测试集；将训练集依次输入基于多尺度特征融合的主干网络、区域生成网络、分块池化网络和输出网络进行模型训练，获得训练好的目标检测模型；将测试集输入训练好的目标检测模型中进行模型测试，获得测试图像的预测类别和位置坐标。所述方法通过融合高层特征的强语义信息和低层特征的丰富细节信息，有效提高了小目标的特征表征能力，从而实现了较高的检测精度。CN115019141ACN115019141A权利要求书1/2页1.一种基于多尺度特征融合的雷达目标检测方法，其特征在于：包括如下步骤：S1、构建目标检测数据集并划分训练集和测试集；S2、将训练集输入目标检测模型进行训练，获得训练好的目标检测模型；所述目标检测模型包括基于多尺度特征融合的主干网络、区域生成网络、分块池化网络和输出网络；S2具体包括以下子步骤：S21、将训练集输入基于多尺度特征融合的主干网络，对训练图像进行特征提取，获得融合特征图；所述基于多尺度特征融合的主干网络包括VGG16网络和特征融合网络；所述特征融合网络是自顶向下高层特征和下一层特征逐层融合的网络；S21具体如下：S211、将训练集输入VGG16网络，获得多尺度特征图C_1、C_2、C_3、C_4和C_5；S212、将C_3、C_4和C_5输入特征融合网络，获得融合特征图；所述特征融合网络的具体连接方式为：将C_3、C_4和C_5分别经过1×1大小的卷积层，获得P3、P4和P5特征图；将P5和P4直接元素相加得到融合特征W4；将W4上采样后和P3尺寸对齐，然后元素相加得到融合特征W3；将W3经过3×3大小的卷积层平滑后得到融合特征图；S22、将融合特征图输入区域生成网络，获得目标候选区域，具体如下：S221、采用尺寸为G×G的滑动窗口在融合特征图上滑动，然后将每个对应区域经过中间层映射成长度为D的特征向量；S222、将特征向量分别送入两个网络，第一个网络进行目标和背景的二分类，获得类别得分；第二个网络进行目标位置回归，获得候选框坐标；S223、根据目标得分和候选框坐标进行非极大值抑制去除冗余框，取目标得分排名前N的候选框作为目标候选区域；S23、将目标候选区域映射回融合特征图，并输入分块池化网络，获得固定尺寸为F×F大小的特征图；S24、将固定尺寸为F×F大小的特征图送入输出网络，获得目标预测类别和位置坐标；S25、重复S21至S24，遍历训练集中的所有图像，完成训练集所有图像的训练，获得所有图像中目标的预测类别和位置坐标，并得到训练好的目标检测模型；S3、将测试集输入训练好的目标检测模型中进行模型测试，并遍历测试集中的所有图像，获得模型对测试图像的预测类别和位置坐标；至此，从S2到S3完成了一次模型的训练和测试；S4、重复S2至S3，进行多次的训练和测试，直至满足预设的训练轮数E，则停止训练和测试。2.如权利要求1所述的雷达目标检测方法，其特征在于：S1所述目标检测数据集的具体构建方式为：针对雷达回波，每K个脉冲在快时间维进行脉冲压缩，在慢时间维进行快速傅里叶变换，得到相应的距离‑多普勒图；然后，根据目标在距离‑多普勒图上的位置打出标签，得到目标标签文件；脉冲个数K的取值范围为128至1024，且为整数。3.如权利要求1所述的雷达目标检测方法，其特征在于：S1所述训练集和测试集的比例为X:10‑X，且无重叠数据；X的取值范围为6.5至8.5。2CN115019141A权利要求书2/2页4.如权利要求1所述的雷达目标检测方法，其特征在于：S21所述VGG16网络是自底向上逐层降采样的网络