一种雷达目标检测模型的构建方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114255390A(43)申请公布日2022.03.29(21)申请号202111353790.8G06V10/774(2022.01)(22)申请日2021.11.16G06V10/80(2022.01)G06V10/82(2022.01)(71)申请人中国电子科技集团公司第三十八研G06K9/62(2022.01)究所G06N3/04(2006.01)地址230088安徽省合肥市高新技术开发G06N3/08(2006.01)区香樟大道199号(72)发明人徐瑞昆李川刘军伟谢锦生林盛许伟尤海龙(74)专利代理机构合肥市浩智运专利代理事务所(普通合伙)34124代理人丁瑞瑞(51)Int.Cl.G06V20/00(2022.01)G06V10/40(2022.01)G06V10/764(2022.01)权利要求书3页说明书7页附图4页(54)发明名称一种雷达目标检测模型的构建方法(57)摘要本发明提供了一种雷达目标检测模型的构建方法，包括获取原始雷达波数据；进行杂波抑制；图像化操作得到二维距离多普勒图；进行特征增强和多尺度特征融合，完成目标提取；记录目标边界框的尺寸参数，计算网络模型的损失参数和判决分数，判决分数大于预设阈值时，返回进行迭代更新，否则，输出目标检测模型；其中，迭代更新时将GoogLeNet网络的局部响应归一化层替换为批归一化层。本发明首先对训练数据进行杂波抑制，然后基于GoogLeNet网络进行特征提取，实现目标边框的提取，并利用批归一化层代替局部响应归一化层，加快网络模型收敛速度，抑制小样本训练过拟合现象，从而能够在小样本训练下，快速得到符合要求的检测模型。CN114255390ACN114255390A权利要求书1/3页1.一种雷达目标检测模型的构建方法，其特征在于：包括S1：获取原始雷达波数据，人工标注目标的距离信息，得到训练数据；S2：对训练数据进行杂波抑制；S3：对杂波抑制后的数据进行图像化操作得到二维距离多普勒图；S4：基于GoogLeNet网络对二维距离多普勒图进行特征增强和多尺度特征融合，完成目标提取；S5：记录目标边界框的尺寸参数，计算网络模型的损失参数；S6：基于损失参数计算模型的判决分数，判决分数大于预设阈值时，返回S2进行迭代更新，判决分数不大于预设阈值时，输出目标检测模型；其中，迭代更新时将GoogLeNet网络的局部响应归一化层替换为批归一化层。2.根据权利要求1所述的一种雷达目标检测模型的构建方法，其特征在于：还包括对原始雷达波数据进行预处理的步骤，所述预处理包括通过脉冲压缩提取一维原始距离向，和基于动目标显示进行初步杂波抑制处理。3.根据权利要求2所述的一种雷达目标检测模型的构建方法，其特征在于：所述杂波抑制的方法为，将原始雷达回波的一维距离向z0输入复值卷积神经网络，输出得到杂波抑制后的数据；所述复值卷积神经网络具有L层，其中第0层为输入层，第l层的输出为第l+1层的输入，所述复值卷积神经网络包括依次连接的全连接层、至少一组特征提取模块、卷积层和全连接层，其中所述特征提取模块包括依次连接的卷积层、激活层和池化层；所述复值卷积神经网络的第l层中的第m个神经元的输出zl(m)，其中，Fl(*)为第l层的激活函数，(Wl，bl)分别为第l层和第l‑1层之间的连接权重与偏置，Wl(m，n)为第l层中第m个神经元与第l‑1层第n个神经元之间的连接权重，bl(m)为第l层中第m个神经元上所加的阈值，Nl为第l层的神经元个数；只考虑复数神经元输出与权重相乘、不考虑激活函数时，将公式(1)分解为，其中，上标r和i分别表示为取该值的实部和虚部；分解上式得到实数神经元的输出与实数权重相乘的表达式，2CN114255390A权利要求书2/3页实值均方误差损失函数为HJ＝E[(t‑ZL)(t‑ZL)](3)H其中，E表示期望，J是期望的损失，输入参数为目标t和估计值ZL，(*)表示(*)的共轭转置。4.根据权利要求3所述的一种雷达目标检测模型的构建方法，其特征在于：所述的对杂波抑制后的数据进行图像化操作的方法为将杂波抑制处理后的雷达波数据输入MATLAB软件中，距离‑多普勒信息进行变换，得到二维的距离多普勒图，在二维距离多普勒图中，基于人工标注信息确定目标的实际边界框。5.根据权利要求4所述的一种雷达目标检测模型的构建方法，其特征在于：所述基于GoogLeNet网络对二维距离多普勒图进行特征增强和多尺度特征融合的方法为，在GoogLeNet网络中的每个卷积组后增加1×1尺度的卷积用于增强感受野和非线性特征，GoogLeNet网络的第三分支为下一尺度特征图进行反卷积操作，与上一尺度具有相同宽高和通道数，通过Concatena