基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法技术

本发明专利技术公开了一种基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法。本发明专利技术步骤：1、对雷达接收机采集的回波信号进行预处理，获取信号的R

【技术实现步骤摘要】
基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法


[0001]本专利技术属于雷达信号处理及图像识别领域，涉及一种基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法。

技术介绍

[0002]近年来，随科技的进步及国家政策对低空域的开放，以无人机为代表的雷达小目标因获取便利、应用广泛而呈爆发式增长，对现有的监控系统带来了巨大的安防压力。此类目标具有“散射截面积小、飞行速度慢、飞行高度低”的特点，致使传统频域滤波检测跟踪技术难以得到有效运用。为了降低检测器对环境的敏感度及对专家经验的依赖性，同时为提高对此类弱信号目标的跟踪准确率，深度学习技术开始被用于检测算法的研究。然而，现有的跟踪过程仍存在以下四个问题：
[0003]1.现有方案通过滑动窗口与深度卷积网络(Deep convolutional neural network,DCNN)结合的方式对距离
‑
多普勒(Range
‑
Doppler,R
‑
D)图的所有图像块进行分类与定位，检测过程繁琐耗时，难以应用于实时场景；/>[0004]2.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法，其特征在于包括如下步骤：步骤1、对雷达接收机采集的回波信号进行预处理，获取回波信号的R
‑
D图；步骤2、构建全卷积神经网络，并利用网络预测特征图像素点对应R
‑
D图中每个感受野区域分别属于目标和背景的类别概率，以及该区域包含目标时，特征图像素点在每个网格划分区域中相对于左上单元的偏移量，从而判断是否存在，以及存在目标时的目标位置；步骤3、将得到目标位置的俯仰角、方位角及径向距离作为雷达系统的量测值并转换至笛卡尔坐标系中，在起始航迹的基础上通过转换卡尔曼滤波器对每帧R
‑
D图中的每个量测目标进行位置的修正，得到目标的运动轨迹。2.根据权利要求1所述的基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法，其特征在于所述的步骤1具体包括以下几个步骤：1
‑
1、将雷达接收机采集的一维离散回波信号，以脉冲重复周期为分割单元转换成二维矩阵形式,即若一维离散回波信号由N个长度为R的脉冲信号组成，则二维矩阵信号的大小为N
×
R；同时记录采集该段信号时，雷达对应的俯仰角和方位角θ；1
‑
2、使用三脉冲对消法对每一行脉冲信号做滤波处理，滤波后的信号x
i
为：x
i
＝a
i
‑1+a
i+1
‑
2a
i
,1＜i＜N (1)其中a
i
代表第i行未经对消的脉冲信号序列；1
‑
3、对滤波后位于同一距离单元的信号序列y
j
,1≤j≤R进行加窗操作，即：z
j
＝y
j
×
g(n) (2)g(n)＝0.54
‑
0.46cos[2πn/(N
‑
2)],0≤n＜N
‑
2为汉明窗函数，具有与脉冲重复周期数相同的点数；1
‑
4、对加窗结果进行快速傅立叶变换(FFT)并求模,得到R
‑
D图M：M＝(|fft[z
j
]|),1≤j≤R (3)。3.根据权利要求1或2所述的基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法，其特征在于所述的步骤2具体实现流程如下：2
‑
1、对整幅图像进行限幅处理，得到限幅处理后的输入图像；即假设图像中元素的最大值为Image
max
，则通过将每一个R
‑
D单元的幅值除以Image
max
使得图像中元素的最大值为1；2
‑
2、利用卷积核形成的感受野类比滑动窗口抽取R
‑
D图中不同区域的局部特征进行背景与目标的分类；为提高目标定位的准确率，特征图像素点对应的输入图像中感受野的尺寸需根据目标回波在R
‑
D图中的分布范围设定；2
‑
3、根据已确立的特征图尺寸N
f
×
R
f
和输入图像尺寸N
×
R，按分辨率缩小比例将R
‑
D图划分为N
f
×
R
f
个尺寸为r
h
×
r
w
网格单元以辅助所构建的位置预测功能层对目标进行定位，其中：其中：2
‑
4、利用构建的全卷积神经网络计算R
‑
D图映射至特征图像素点分别属于目标和背景
的类别概率，以及该像素点对应的R
‑
D区域包含目标时，所属用于辅助定位网格的左上角与目标实际位置之间的偏移量；2
‑
5、预设目标存在的概率阈值为T
p
，若网络输出特征图中某一像素点属于目标的预测概率大于等于阈值T
p
，则初步判断该像素点映射的R
‑
D区域包含目标，并将该像素点的位置标为1；反之认为其代表的区域为背景，将相应位置标为0；2
‑
6、对每个特征图像素点在R
‑
D图中的映射区域，利用网络位置回归层的预测结果(dx,dy)估计目标在每个R
‑
D图辅助定位网格中的真实位置(x
pre
,y
pre
)，具体计算公式如下：x
pre
＝round(x+dx
·
r
w
)y
pre
＝round(y+dy
·
r
h
) (12)其中(x,y)为特征图像素点对应R
‑
D区域所属辅助定位网格的左上角单元在Range
‑
Doppler图中的位置，round(
·
)为四舍五入就近取整函数；2
‑
7、将上述R
‑
D图中的目标真实位置横坐标x
pre
按转化为目标相对雷达的径向距离r；设雷达快时间采样率为F
s
，则具体的计算公式如下：同时记录采集该R
‑
D图时对应的俯仰角和方位角θ，用于后续的卡尔曼滤波跟踪。4.根据权利要求3所述的基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法，其特征在于构建的全卷积神经网络由两个部分组成：用于空间特征提取的全卷积神经网络主干和两个用于特征图像素点类别与位置预测的功能模块，各部分的具体结构描述如下：第一部分用于空间特征提取的全卷积神经网络主干共包含3个卷积层，均使用3
×
5大小的卷积核进行滤波，步长为1，且滤波器的个数分别16、32和64；为了减少模型参数，提高计算速度，同时提高所提取特征的鲁棒性，在第二个和第三个卷积层之后分别是一个窗口大小为2
×
4、水平向与垂直向步长分别为2和4的最大池化层；每个卷积层之后默认跟着一个激活层，且激活函数为广泛使用的线性整流函数(ReLU)；第二部分两个用于特征图像素点类别与位置预测的功能模块，分别包含一个卷积核大小为3
×
3、步长为1、数量为64、含有激活层ReLU的特征映射卷积层和一个卷积核大小为1
×
1，步长为1、数量为2的功能层，且其中分类模块的功能层分别输出特征图像素点判别为目标和背景的概率，而位置预测模块的功能层则分别输出特征图像素点在水平向与垂直向的偏移量；为便于观测，类别预测层会使用So...

【专利技术属性】
技术研发人员：曹九稳，王陈幸，田江敏，王天磊，王晓洪，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：