一种基于深度学习的雷达虚警剔除方法.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CN109669168A(43)申请公布日2019.04.23(21)申请号201910052943.1(22)申请日2019.01.21(71)申请人成都玻尔兹曼科技有限公司地址610000四川省成都市高新区府城大道西段399号7栋1单元9层907号(72)发明人秦睿(74)专利代理机构成都环泰知识产权代理事务所(特殊普通合伙)51242代理人李斌黄青(51)Int.Cl.G01S7/40(2006.01)G01S7/36(2006.01)权利要求书3页说明书7页(54)发明名称一种基于深度学习的雷达虚警剔除方法(57)摘要本发明公开了一种基于深度学习的雷达虚警剔除方法，包括如下步骤：a、将疑似目标区域周围领域划分为若干个小格；b、对每个邻域小格，分别提取其灰度类特征及纹理类特征，组成其邻域描述特征；c、从而计算出当前目标疑似区域的邻域相似性；d、对目标疑似区域进行判断，判为疑似目标的ROI保留，判断为虚警的ROI进入步骤e再次判断；e、对步骤d中判断为虚警的ROI进行点迹级虚警概率计算和航迹级虚警概率计算，能够形成航迹的即为疑似目标的ROI，不能形成航迹的即为最终虚警的ROI；g、将步骤d和步骤e中的疑似目标的ROI，用基于ROI表面特征结合基于模式识别的分类方法进行进一步确认，得到最终真实的目标。CN109669168ACN109669168A权利要求书1/3页1.一种基于深度学习的雷达虚警剔除方法，其特征在于，包括如下步骤：a、取出目标候选区域检测阶段所获得的疑似目标区域及其周围邻域，将疑似目标区域周围领域划分为若干个小格，为特征提取做准备；b、对每个邻域小格，分别提取其灰度类特征及纹理类特征，组成其邻域描述特征；c、对每个邻域小格提取得到的邻域描述特征，判断每个邻域小格在每一种类型特征下是否是相对于其它周围邻域格奇异的小格，并将这些奇异性累计，从而计算出当前目标疑似区域的邻域相似性；d、对目标疑似区域进行判断，判为疑似目标的ROI保留，判断为虚警的ROI进入步骤e再次判断；e、对步骤d中判断为虚警的ROI进行点迹级虚警概率计算和航迹级虚警概率计算，设定航迹级虚警概率并反推点迹级虚警概率，根据点迹级虚警概率反推检测级虚警概率，计算检测门限，利用该门限进行CFAR检测，按照点迹级虚警概率计算中点迹凝聚过程进行点迹凝聚处理，得到点迹数据，按照航迹级虚警概率计算中的目标建航逻辑准则建立航迹，能够形成航迹的即为疑似目标的ROI，不能形成航迹的即为最终虚警的ROI；g、将步骤d和步骤e中的疑似目标的ROI，用基于ROI表面特征结合基于模式识别的分类方法进行进一步确认，得到最终真实的目标。2.根据权利要求1所述的基于深度学习的雷达虚警剔除方法，其特征在于，所述步骤c具体包括如下步骤：c1、对于邻域小格Ik的第i个给定的特征Fi，按照以下规则来判定邻域小格Ik是否为相对于其它剩余周围邻域区域奇异的格：其中：N表示邻域小格的数量；表示除了邻域小格Ik外的其它剩余小格所提取的第i类特征Fi的平均值；DifFlag(i,k)表示在考虑特征类型Fi的情况下Ik是否为奇异块，DifFlag(i,k)＝0是当前小格Ik在第i类特征下表现出奇异的特性的标志，DifFlag(i,k)＝1表示当前小格Ik在第i类特征下表现出与其它邻域小格相似的特性，TFlag是标志判决的门限；c2、给定一个等判别的疑似疑似目标ROI，考虑其所有的邻域小格及所有的特征类型，计算邻域相似性，邻域相似性定义如下：3.根据权利要求2所述的基于深度学习的雷达虚警剔除方法，其特征在于，所述步骤a具体包括如下步骤：a1、截取出目标候选区域检测阶段所获得目标ROI周围的邻域，其中，目标ROI为包含疑2CN109669168A权利要求书2/3页似目标的方形区域，ROI周围的邻域为环绕目标ROI周围的环状区域；a2、将获得的疑似目标ROI周围邻域均匀地划分为若干个方形小格I1，I2，…，IN，每个小格与疑似目标ROI的尺寸相同。4.根据权利要求3所述的基于深度学习的雷达虚警剔除方法，其特征在于，所述步骤b中邻域描述特征包括2维灰度类特征和4维纹理类特征，具体包括如下步骤：针对步骤a中划分得到的邻域小格，对每个小格分别提取其灰度类及纹理类的特征；令F1(Ik)，F2(Ik)，…，FM(Ik)表示从第k个邻域小格Ik中对应提取的特征，其中，M为特征的数目，灰度类特征F1(Ik)，F2(Ik)分别表示小格Ik的灰度均值及标准差；计算邻域小格Ik的灰度共生矩阵，提取它的4个派生参数，分别是对比特征F3(Ik)，相关特征F4(Ik)，能量特征F5(Ik)，同质性F6(Ik)；至此，每个邻域小格可以得到2维灰度类特征和4维纹