一种用于确定雷达回波预测帧序列的方法与设备技术

本申请通过一种用于确定雷达回波预测帧序列的方法与设备，获取包含连续N帧的雷达回波原始帧序列，按通道方向叠加后作为第一输入值，接着将所述雷达回波原始帧序列与当前雷达回波预测帧之帧序号按通道方向叠加后作为第三输入值，然后将当前雷达回波预测帧与其之前的(N‑1)个连续雷达回波预测帧共N帧按通道方向叠加后作为第二输入值，再接着将所述第二输入值与所述第三输入值输入已训练的神经网络，获取下一帧雷达回波预测帧，最后循环执行上述操作，迭代预测雷达回波预测帧，直至获得雷达回波预测帧序列。可确定预设时间段内精准度较高的雷达回波图像预测帧序列。该方法可用于短时临近天气预报，带来较好的实用效果。

【技术实现步骤摘要】
一种用于确定雷达回波预测帧序列的方法与设备
本申请涉及计算机图像处理
，尤其涉及一种确定预设时间段内雷达回波预测帧序列的技术。
技术介绍
短时临近预报对与工农业生产和生活相关活动或场景来说非常重要，例如机场运行、城市交通调度等。短时临近预报通常是通过对未来2小时内的雷达回波预测图像进行分析，以预测未来短时间内的天气情况。现有技术中，传统方式是通过交叉相关法跟踪、光流法外推等来确定未来2小时内的雷达回波预测图像，分析后预测短时临近天气预报，但是由于天气的复杂性和多变性，通过传统方式预测的短时临近天气预报能达到的精准度有限。随着深度学习的兴起，一些基于深度学习的方法预测的雷达回波图像的精准度相比传统方式有了较大提升，但存在精准度仍然不够的技术问题，导致预测效果较差。
技术实现思路
本申请的目的是提供一种用于确定雷达回波预测帧序列的方法与设备，用以解决现有技术中预测的雷达回波精准度不高的技术问题。根据本申请的一个方面，提供了一种用于确定雷达回波预测帧序列的方法，其中，所述方法包括：获取包含连续N帧的雷达回波原始帧序列，将雷达回波原始帧序列各帧按通道方向叠加，将叠加结果作为第一输入值，其中，所述N为预设值；将所述雷达回波原始帧序列与当前雷达回波预测帧之帧序号按通道方向叠加，将叠加结果作为第三输入值；将当前雷达回波预测帧与其之前的(N-1)个连续雷达回波预测帧共N帧按通道方向叠加，将叠加结果作为第二输入值，其中，若所述连续雷达回波预测帧的数量不足(N-1)，从雷达回波原始帧序列中选择若干数量原始帧直至所述第二输入值包含的帧数量达到N，若无当前雷达回波预测帧，将第一输入值作为第二输入值；将所述第二输入值与所述第三输入值输入已训练的神经网络，获取下一帧雷达回波预测帧；循环执行上述操作，迭代预测雷达回波预测帧，直至雷达回波预测帧的帧个数达到预设的雷达回波预测帧序列的数目，将获得的预设数目雷达回波预测帧组成所述雷达回波预测帧序列。可选地，所述将所述第二输入值与所述第三输入值输入已训练的神经网络，获取下一帧雷达回波预测帧还包括：将所述第二输入值与所述第三输入值输入已训练的神经网络，获取当前预测的光流图像；将所述当前预测的光流图像、融合光流后的当前雷达回波预测帧进行光流变换后与所述下一帧雷达回波预测帧进行光流融合，获得融合光流后的下一帧雷达回波预测帧，并将所述下一帧雷达回波预测帧更新为融合光流后的下一帧雷达回波预测帧，其中，若无融合光流后的当前雷达回波预测帧，则采用当前雷达回波预测帧代替所述融合光流后的当前雷达回波预测帧。可选地，所述神经网络为全卷积神经网络，其中，所述全卷积神经网络包含预设数目的残差网络模块、卷积下采样层和反卷积上采样层。可选地，其中，所述将所述第二输入值与所述第三输入值输入已训练的神经网络，获取下一帧雷达回波预测帧包括：将所述第二输入值与所述第三输入值分别经过残差网络模块及卷积下采样层获得各自的图像特征；将各自的图像特征按特征图对应像素点加法运算进行融合获得融合图像特征；将所述融合图像特征分别经过残差网络模块及反卷积上采样层，以获取所述下一帧雷达回波预测帧。可选地，所述已训练的神经网络的损失函数公式为：L(F)=min(maxLI(F,DI)+maxLV(F,DV))+λwLw(F)+λvggLvgg(F)其中，L(F)表示所述融合光流后的雷达回波预测帧序列的损失函数输出；DI和DV分别表示图片鉴别器和视频鉴别器；LI和LV分别表示生成的图像序列和视频对应的平均损失函数输出；Lw表示对应预测的光流图像序列和基于Flownet2算法的光流预测准确度之间的平均损失函数输出；Lvgg表示所述融合光流后的雷达回波预测帧序列输入预训练好的VGG分类网络获得的VGG特征与该预测帧序列对应真实序列的VGG特征之间的平均绝对误差损失函数输出；λw和λvgg为预设的超参数。可选地，其中，将所述当前预测的光流图像、融合光流后的当前雷达回波预测帧进行光流变换后与所述下一帧雷达回波预测帧进行光流融合，获得融合光流后的下一帧雷达回波预测帧的方式包括：I_f(t+1)=m*Wrap(I_of,I_f(t))+(1-m)*I_g(t+1)，其中，I_f(t+1)表示融合光流后的下一帧雷达回波预测帧图像；m表示光流预测准确度，尺寸与雷达回波预测帧相同，每个像素点的值为0或1，当某个像素点的m为1时表示融合后的图像中该像素点取光流变形后的像素值；Wrap表示光流变形函数，输入雷达回波预测帧和对应的预测光流图像，输出光流变形后的图像；I_of表示当前预测的光流图像；I_f(t)表示光流融合后的当前雷达回波预测帧图像；I_g(t+1)表示下一帧雷达回波预测帧图像。可选地，所述方法还包括：将所述雷达回波预测帧序列用于预设时间段内天气预报。根据本申请的另一方面，还提供了一种用于确定雷达回波预测帧序列的设备，其中，所述设备包括：第一装置，用于获取包含连续N帧的雷达回波原始帧序列，将雷达回波原始帧序列各帧按通道方向叠加，将叠加结果作为第一输入值，其中，所述N为预设值；第二装置，用于将所述雷达回波原始帧序列与当前雷达回波预测帧之帧序号按通道方向叠加，将叠加结果作为第三输入值；第三装置，用于将当前雷达回波预测帧与其之前的(N-1)个连续雷达回波预测帧共N帧按通道方向叠加，将叠加结果作为第二输入值，其中，若所述之前连续雷达回波预测帧数量不足(N-1)，从雷达回波原始帧序列中选择相应数量的帧号较大原始帧直至所述第二输入值包含的帧数量达到N，若无当前雷达回波预测帧，将第一输入值作为第二输入值；第四装置，用于将所述第二输入值与所述第三输入值输入已训练的神经网络，获取下一帧雷达回波预测帧；第五装置，用于循环执行上述装置的操作，迭代预测雷达回波预测帧，直至雷达回波预测帧的帧个数达到预设的雷达回波预测帧序列的数目，将获得的预设数目雷达回波预测帧组成所述雷达回波预测帧序列。与现有技术相比，本申请通过一种用于确定雷达回波预测帧序列的方法与设备，首先获取包含连续N帧的雷达回波原始帧序列，按通道方向叠加后作为第一输入值，接着将所述雷达回波原始帧序列与当前雷达回波预测帧之帧序号按通道方向叠加后作为第三输入值，然后将当前雷达回波预测帧与其之前的(N-1)个连续雷达回波预测帧共N帧按通道方向叠加后作为第二输入值，再接着将所述第二输入值与所述第三输入值输入已训练的神经网络，获取下一帧雷达回波预测帧，最后循环执行上述操作，迭代预测雷达回波预测帧，直至获得雷达回波预测帧序列。本申请中，通过使得整个雷达回波图像帧序列的预测过程中保持第三输入值的输入，可以始终保留真实信息的输入，从而抵消部分长时预测过程中第二输入值在叠加迭代预测帧后存在的累积错误，进而可确定预设时间段内精准度较高的雷达回波本文档来自技高网...

【技术保护点】
1.一种用于确定雷达回波预测帧序列的方法，其特征在于，所述方法包括：/n获取包含连续N帧的雷达回波原始帧序列，将雷达回波原始帧序列各帧按通道方向叠加，将叠加结果作为第一输入值，其中，所述N为预设值；/n将所述雷达回波原始帧序列与当前雷达回波预测帧之帧序号按通道方向叠加，将叠加结果作为第三输入值；/n将当前雷达回波预测帧与其之前的(N-1)个连续雷达回波预测帧共N帧按通道方向叠加，将叠加结果作为第二输入值，其中，若所述连续雷达回波预测帧的数量不足(N-1)，从雷达回波原始帧序列中选择若干数量原始帧直至所述第二输入值包含的帧数量达到N，若无当前雷达回波预测帧，将第一输入值作为第二输入值；/n将所述第二输入值与所述第三输入值输入已训练的神经网络，获取下一帧雷达回波预测帧；/n循环执行上述操作，迭代预测雷达回波预测帧，直至雷达回波预测帧的帧个数达到预设的雷达回波预测帧序列的数目，将获得的预设数目雷达回波预测帧组成所述雷达回波预测帧序列。/n

【技术特征摘要】
1.一种用于确定雷达回波预测帧序列的方法，其特征在于，所述方法包括：
获取包含连续N帧的雷达回波原始帧序列，将雷达回波原始帧序列各帧按通道方向叠加，将叠加结果作为第一输入值，其中，所述N为预设值；
将所述雷达回波原始帧序列与当前雷达回波预测帧之帧序号按通道方向叠加，将叠加结果作为第三输入值；
将当前雷达回波预测帧与其之前的(N-1)个连续雷达回波预测帧共N帧按通道方向叠加，将叠加结果作为第二输入值，其中，若所述连续雷达回波预测帧的数量不足(N-1)，从雷达回波原始帧序列中选择若干数量原始帧直至所述第二输入值包含的帧数量达到N，若无当前雷达回波预测帧，将第一输入值作为第二输入值；
将所述第二输入值与所述第三输入值输入已训练的神经网络，获取下一帧雷达回波预测帧；
循环执行上述操作，迭代预测雷达回波预测帧，直至雷达回波预测帧的帧个数达到预设的雷达回波预测帧序列的数目，将获得的预设数目雷达回波预测帧组成所述雷达回波预测帧序列。


2.根据权利要求1所述的方法，其特征在于，所述将所述第二输入值与所述第三输入值输入已训练的神经网络，获取下一帧雷达回波预测帧还包括：
将所述第二输入值与所述第三输入值输入已训练的神经网络，获取当前预测的光流图像；
将所述当前预测的光流图像、融合光流后的当前雷达回波预测帧进行光流变换后与所述下一帧雷达回波预测帧进行光流融合，获得融合光流后的下一帧雷达回波预测帧，并将所述下一帧雷达回波预测帧更新为融合光流后的下一帧雷达回波预测帧，其中，若无融合光流后的当前雷达回波预测帧，则采用当前雷达回波预测帧代替所述融合光流后的当前雷达回波预测帧。


3.根据权利要求2所述的方法，其特征在于，所述神经网络为全卷积神经网络，其中，所述全卷积神经网络包含预设数目的残差网络模块、卷积下采样层和反卷积上采样层。


4.根据权利要求2或3所述的方法，其特征在于，所述将所述第二输入值与所述第三输入值输入已训练的神经网络，获取下一帧雷达回波预测帧包括：
将所述第二输入值与所述第三输入值分别经过残差网络模块及卷积下采样层获得各自的图像特征；
将各自的图像特征按特征图对应像素点加法运算进行融合获得融合图像特征；
将所述融合图像特征分别经过残差网络模块及反卷积上采样层，以获取所述下一帧雷达回波预测帧。


5.根据权利要求4所述的方法，其特征在于，所述已训练的神经网络的损失函数公式为：
L(F)=min(maxLI(F,DI)+maxLV(F,DV))+λwLw(F)+λvggLvgg(F)
其中，L(F)表示所述融合光流后的雷达回波预测帧序列的损失函数输出；
DI和DV分别表示图片鉴别器和视频鉴别器；
LI和LV分别表示生成的图像序列和视频对应的平均损失函数输出；
Lw表示对应预测的光流图像序列和基于Flownet2算法的光流预测准确度之间的平均损失函...

【专利技术属性】
技术研发人员：杨光，
申请(专利权)人：蔻斯科技上海有限公司，
类型：发明
国别省市：上海;31