一种基于深度学习的雷达虚警剔除方法技术

本发明专利技术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。

A False Alarm Elimination Method for Radar Based on Deep Learning

The invention discloses a radar false alarm rejection method based on depth learning, which includes the following steps: A. dividing the area around the suspected target area into several small cells; B. extracting the gray level and texture features of each neighborhood small grid to form its neighborhood description features; C. calculating the neighborhood similarity of the current target suspected area; D. suspecting the target; The ROI of the suspected target is retained by Region judgment, and the ROI of the false alarm is judged as step E. E. The ROI of the suspected target can be formed by calculating the point-level false alarm probability and the track-level false alarm probability of the ROI judged as false alarm in step d, and the ROI of the suspected target in step D and step e can not be formed by the track; g. The ROI of the suspected target in step D and step e can be formed by the track. OI, using ROI surface features and pattern recognition based classification method to further confirm the final real target.

【技术实现步骤摘要】
一种基于深度学习的雷达虚警剔除方法
本专利技术涉及雷达检测
，特别是一种基于深度学习的雷达虚警剔除方法。
技术介绍
雷达在低慢小的地方虚警问题是一个主要的，不容易解决的问题。例如无人机监控，无人机是典型的低慢小场景的应用。在这种场景下，背景的复杂可以直接导致虚警问题严重，比如树叶的摇动都可能使得雷达把其当成无人机。
技术实现思路
为解决现有技术中存在的问题，本专利技术提供了一种基于深度学习的雷达虚警剔除方法。本专利技术采用的技术方案是：一种基于深度学习的雷达虚警剔除方法，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。优选地，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：优选地，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；优选地，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维纹理类特征，共6维邻域描述特征。优选地，所述步骤d具体包括如下步骤：在获得邻域相似性Similarity后，判断Similarity是否≥Taccept，如是，则表示给定疑似目标ROI的的邻域在灰度及纹理特性上具有较高的相似性，这个疑似目标ROI将被保留进行后续表面特征确认的进一步分析；如否，则判定为虚警ROI进行剔除；其中，Taccept为接受门限，且值为0.8，TFlag的值为2。优选地，所述步骤g具体包括如下步骤：g1、对步骤d和步骤e中的疑似目标的ROI采用尺度不变特征变换技术描述疑似目标的ROI的特性，按标准SIFT算法获得128维的特征向量VSIFT；g2、对VSIFT采用基于RBF核的支持向量机进行分类，最后鉴别出真实目标和虚警。优选地，所述步骤g具体包括如下步骤：g1、设两坐标雷达距离向分辨力为Rres，距离采样单元大小为ΔR；距离向采用Mr/Nr准则检测，其中如果Nr≤3，取Nr＝3，表示向上取整运算，表示向下取取整运算；设CFAR检测后的检测级虚警概率为Pfa_CFAR，则在一个距离分辨单元内，距离检测后虚警概率为点迹凝聚时以分辨单元划设网格，设方位向天线波束3dB主瓣宽度为φ3dB，在一个方位分辨单元Φ3dB内有Na个相关脉冲，方位向采用Ma/Na准则检测，其中，如果一个分辨单元内的Na个脉冲数据中有≥Ma个脉冲满足距离检测准则，则满足方位检测准则，凝聚形成点迹；即经过距离和方位检测后，对于第一个分辨单元，点迹级虚警概率为g2、设点迹-航迹关联波门为扇形波门，最大为Rass×θass，其中，Rass为关联波门距离范围大小，θass为关联波门方位范围大小，计算关联波门内分辨单元个数为则每个数据周期关联波门内出现虚假点迹的概率为设自动建航按照M/N逻辑准则进行，以任意一个分辨单元的虚假点迹为航迹起始结点，采用状态转移法计算在连续K个周期内形成一条虚假航迹的概率为Pfa_tr_one，设探测区域可以划分为Nres_all个分辨单元，则在连续K个周期内形成Ntrack条虚假航迹的概率为g3、设定自动建航在K个周期内形成Ntrack条虚假航迹的概率为PFA_track，则根据步骤g2的计算过程反推此时的点迹级虚警概率；采用基于二分法搜索逼近的方式，计算对应的点迹级虚警概率PFA_plot；g4、采用基于二分法搜索逼近的方式，计算对应的检测级虚警概率PFA_CFAR；g5、将PFA_CFAR代入检测门限计算公式中，得到最终的检测门限为VT＝其中，为噪声均值，利用该门限进行CFAR检测，按照步骤g1中的点迹凝聚过程进行点迹凝聚处理，得到点迹数据；按照步骤g2中的目标建航逻辑准则建立航迹，能够形成航迹的即为目标，完成最终的真实目标检测。优选地，所述步骤g3和步骤g4中点迹级虚警概率和检测级虚警概率采用二分法反推，过程如下：s1、设定搜索逼近阈值ΔPfa_track＝PFA_track×10-3；s2、设定点迹级虚警概率两个搜索初始值Pfa_plot_1和Pfa_plot_2，分别按照步骤g2计算航迹级虚警概率Pfa_plot_1和Pfa_plot_2，使Pfa_plot_1V<PFA_track，Pfa_plot_2V>PFA_track；s3、令Pfa_plot_3＝(Pfa_plot_1+Pfa_plot_2)/2，按照步骤g2计算航迹级虚警概率Pfa_track_3；s4、若Pfa_track_3>PFA_track，令Pfa_plot_4＝(Pfa_plot_1+Pfa_plot_3)/2，按照步骤g2计算航迹级虚警概率Pfa_track_4；若Pfa_track_4>PFA_t本文档来自技高网...

【技术保护点】
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。...

【技术特征摘要】
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维纹理类特征，共6维邻域描述特征。5.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d具体包括如下步骤：在获得邻域相似性Similarity后，判断Similarity是否≥Taccept，如是，则表示给定疑似目标ROI的的邻域在灰度及纹理特性上具有较高的相似性，这个疑似目标ROI将被保留进行后续表面特征确认的进一步分析；如否，则判定为虚警ROI进行剔除；其中，Taccept为接受门限，且值为0.8，TFlag的值为2。6.根据权利要求5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g具体包括如下步骤：g1、对步骤d和步骤e中的疑似目标的ROI采用尺度不变特征变换技术描述疑似目标的ROI的特性，按标准SIFT算法获得128维的特征向量VSIFT；g2、对VSIFT采用基于RBF核的支持向量机进行分类，最后鉴别出真实目标和虚警。7.根据权利要求1-6任一项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g具体包括如下步骤：g1、设...

【专利技术属性】
技术研发人员：秦睿，
申请(专利权)人：成都玻尔兹曼科技有限公司，
类型：发明
国别省市：四川,51