基于图时空网络的雷达动目标多帧联合检测方法.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CN111123257A(43)申请公布日2020.05.08(21)申请号201911389117.2(22)申请日2019.12.30(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人丁金闪温利武黄学军秦思琪(74)专利代理机构陕西电子工业专利中心61205代理人王品华黎汉华(51)Int.Cl.G01S13/50(2006.01)G01S7/41(2006.01)权利要求书4页说明书7页附图4页(54)发明名称基于图时空网络的雷达动目标多帧联合检测方法(57)摘要本发明公开了一种基于图时空网络的雷达动目标多帧联合检测方法，主要解决现有技术对单通道系统动目标检测虚警率较高的问题。其方案是：获取子孔径距离多普勒谱；构造子残差网络和子图时空网络，并用其构成用于动目标检测的神经网络模型；用子残差网络做区域目标检测，输出初步检测概率图并计算交叉熵损失；用子图时空网络作时空特征提取与融合，输出中间帧动目标的最终检测概率图并计算均方误差；将交叉熵损失与均方误差之和作为总代价函数，训练神经网络至总代价函数收敛得到训练好的神经网络，将测试数据输入训练好的神经网络，对其输出的阈值判断，抑制非极大值后得到中间帧的动目标检测结果。本发明降低了虚警率，可实现可靠的动目标检测。CN111123257ACN111123257A权利要求书1/4页1.基于图时空网络的雷达动目标多帧联合检测方法，其特征在于，包括如下：(1)划分训练集X与测试集Y：1a)获取多组高脉冲重复频率的单通道雷达数据，将每组数据沿方位向划分为若干帧，对每帧中的原始回波数据依次进行距离压缩和方位向傅里叶变换，得到场景的复距离多普勒谱；1b)将连续N帧复距离多普勒谱作为一组数据,N>＝5，并将每组按10:1的比例划分得到训练集X与测试集Y；(2)构建用于从连续N帧复距离多普勒谱中进行动目标检测的神经网络模型：2a)构建由一个卷积层、九个残差学习模块、两个全连接层以及一个Softmax层依次连接组成的子残差神经网络，该子残差神经网络的输入为连续N帧复距离多普勒谱，输出为N张对应的初步检测概率图；2b)将N张初步检测概率图依次建模为图结构的数据，并根据此数据构建由时域卷积层、空域卷积层和输出层依次连接组成的子图时空网络；该子图时空网络的输入为N张初步检测概率图，输出为预测得到的第帧动目标检测概率图；2c)将2a)和2b)设置的两个网络进行上下堆叠，得到用于从连续N帧复距离多普勒谱中进行动目标检测的神经网络模型；(3)根据目标在距离多普勒谱中的尺寸，确定检测窗口的距离向长度lr，距离向步长sr，多普勒向长度lf，多普勒向步长sf，且距离向长度lr大于目标在距离向的长度，多普勒向长度lf大于目标在多普勒向的长度；依据这些参数计算得到距离向的窗个数Kr和多普勒向的窗个数Kf；(4)对(2)中构建的神经网络进行训练：4a)构建整个神经网络的损失函数：L＝l1+l2其中，l1是子残差神经网络的损失函数，l2是子图时空网络的损失函数。其中，qi表示子残差神经网络的第i个输出，pi表示第i个输出对应的标签数据，w1j表示子残差神经网络的第j个权值，α为训练过程中设置的批尺寸大小，Ai为最终检测概率图的像素值，Bi为真实检测概率图的像素值，w2j表示子图时空网络的第j个权值；4b)将训练集X输入到网络，采用后向传播算法不断更新网络权值，使得网络的损失函数值收敛，最终完成网络的训练；(5)将测试集Y中的任意一组数据输入到已训练好的网络，得到网络的检测概率图；(6)设置检测门限Ε，利用非极大值抑制算法对检测概率图中大于门限Ε的值进行局部抑制处理，得到动目标在距离多普勒谱中的位置，即动目标所在的距离门以及多普勒通道，完成雷达动目标的多帧联合检测。2.根据权利要求1所述的方法，其中(2a)中子残差神经网络的各层结构及参数设置如2CN111123257A权利要求书2/4页下；卷积层，输出特征图个数为16，卷积核尺寸为2×2，步长为1×1；九个残差学习模块，按顺序堆叠，每个残差学习模块均由三个卷积层构成，卷积核尺寸均为2×2，其中第一个和第二个残差学习模块输出的三个特征图个数均为16、16、32，卷积核步长均为1×1；第三个残差学习模块输出的三个特征图个数为16、16、32，卷积核步长为1×1、2×2、1×1；第四个、第五个和第六个残差学习模块输出的三个特征图个数均为32、32、64，卷积核步长均为1×1；第七个和第八个残差学习模块输出的三个特征图个数均为64、64、128，卷积核步长均为1×1，第九个残差学习模块输出的三个特征图个数为64、64、128，卷积核步长为1×1、2×2、1×1；每个残差学习模块的输