【技术实现步骤摘要】
基于PreciseROI-FasterR-CNN的雷达目标图像检测方法
本专利技术属于雷达信号处理
，更具体地，本专利技术涉及一种基于PreciseROI-FasterR-CNN的雷达目标图像检测方法，可用于雷达目标检测智能处理。
技术介绍
雷达作为目标探测和监视的主要手段，在公共安全以及国防安全领域应用广泛。然而受海洋环境复杂、回波信杂比低以及目标复杂运动特性的影响，目标回波极其微弱，具有低可观测性，使得雷达对杂波背景下目标的探测性能难以满足实际需求。杂波中低可观测目标检测技术成为关键制约因素，也是世界性难题，难以实现稳健、可靠和快速的检测。近年来人工智能得到了广泛的关注和支持，深度学习发展迅猛，而卷积神经网络更是因为其在计算机视觉领域的优异性能在众多领域都得到了广泛的应用。卷积神经网络能够通过卷积核对图像的卷积自动提取图像特征，从而实现良好的目标识别功能。基于卷积神经网络的目标检测方法主要分为两类：基于区域建议网络和基于回归方法的目标检测方法。前者包括R-CNN、SPP-Net、FastRCNN、FasterRCNN等检测方法，后者衍生了YOLO、SSD...
【技术保护点】
1.基于Precise ROI‑Faster R‑CNN的雷达目标图像检测方法，其特征在于，包括以下步骤：步骤一、将雷达回波数据信息转换为图像，构建训练数据集；步骤二、构建Precise ROI‑Faster R‑CNN目标检测模型，包括共享卷积神经网络、区域建议网络、分类和回归网络，并采用ELU激活函数、Precise ROI Pooling方法和Soft‑NMS方法；步骤三、输入训练数据集对模型进行迭代优化训练，得到最优网络参数；步骤四、将实时雷达回波生成图像，输入训练后的目标检测模型进行测试，完成目标检测与分类。
【技术特征摘要】
1.基于PreciseROI-FasterR-CNN的雷达目标图像检测方法，其特征在于，包括以下步骤：步骤一、将雷达回波数据信息转换为图像，构建训练数据集；步骤二、构建PreciseROI-FasterR-CNN目标检测模型，包括共享卷积神经网络、区域建议网络、分类和回归网络，并采用ELU激活函数、PreciseROIPooling方法和Soft-NMS方法；步骤三、输入训练数据集对模型进行迭代优化训练，得到最优网络参数；步骤四、将实时雷达回波生成图像，输入训练后的目标检测模型进行测试，完成目标检测与分类。2.根据权利要求1所述的基于PreciseROI-FasterR-CNN的雷达目标图像检测方法，其特征在于，步骤一所述的训练数据集构建方法为：采集多种观测条件和区域下的雷达回波数据，将回波数据信息转换为图像信息，对图像进行裁剪和数据增强处理，进行人工识别分类和标签添加，构建雷达图像训练数据集。3.根据权利要求2所述的基于PreciseROI-FasterR-CNN的雷达目标图像检测方法，其特征在于，步骤二所述的共享卷积神经网络为：将深度卷积神经网络中的任一网络的卷积层作为共享卷积层，提取的特征共享给区域建议网络和分类和回归网络。4.根据权利要求2所述的基于PreciseROI-FasterR-CNN的雷达目标图像检测方法，其特征在于，步骤二所述的区域建议网络为：将共享卷积网络输入的特征分别在两条支路处理，一条支路做预分类处理得到每个特征图的每一个像素位置预设的9种形状尺度框属于前景和背景的得分，另一条支路做回归处理得到对于每个特征图的每一个像素位置预设的9种形状尺度框与加标签的真实检测框之间的4个变换参数，包括2个平移参数和2个伸缩参数，每4个变换参数确定一个候选框，将初步确定的候选框后先用softmax分类的分数排序剔除分数低的候选框，然后采用Soft-NMS做非极大值抑制处理，选取一定数量的候选框作为最终生成的优质候选框。5.根据权利要求2所述的基于PreciseROI-FasterR-CNN的雷达目标图像检测方法，其特征在于，步骤...
【专利技术属性】
技术研发人员：陈小龙，牟效乾，张林，王国庆，薛永华，关键，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。