一种雷达目标检测模型的构建方法技术

本发明专利技术提供了一种雷达目标检测模型的构建方法，包括获取原始雷达波数据；进行杂波抑制；图像化操作得到二维距离多普勒图；进行特征增强和多尺度特征融合，完成目标提取；记录目标边界框的尺寸参数，计算网络模型的损失参数和判决分数，判决分数大于预设阈值时，返回进行迭代更新，否则，输出目标检测模型；其中，迭代更新时将GoogLeNet网络的局部响应归一化层替换为批归一化层。本发明专利技术首先对训练数据进行杂波抑制，然后基于GoogLeNet网络进行特征提取，实现目标边框的提取，并利用批归一化层代替局部响应归一化层，加快网络模型收敛速度，抑制小样本训练过拟合现象，从而能够在小样本训练下，快速得到符合要求的检测模型。快速得到符合要求的检测模型。快速得到符合要求的检测模型。

【技术实现步骤摘要】
一种雷达目标检测模型的构建方法


[0001]本专利技术涉及雷达目标检测
，尤其涉及一种雷达目标金策模型的构建方法。

技术介绍

[0002]传统的目标检测算法高度依赖人工设计的特征，主要利用色度对比、背景比较和边界点先验等直观感觉或启发式先验知识检测目标，处理特征较为单一，难以处理复杂电磁环境下多目标检测，耗时费力导致适用性不强。
[0003]目前国内外基于深度学习的目标检测方法研究较多，学习算法丰富，但还有几个重要的问题尚未得到解决，主要表现在：第一，目前基于深度学习的检测算法不具有自学习自更新能力，网络模型泛化性能不强，难以适应不同复杂场景下目标检测。第二，现有基于深度学习的区域检测算法训练样本数据量大，网络算法复杂，计算量大和候选框选择数量过多导致检测效率过低，难以达到实际工程应用的要求。
[0004]公开号为CN113486961A的专利技术专利申请公开了一种基于深度学习的低信噪比下雷达RD图像目标检测方法，基于雷达波的RD图像进行人工标注，利用深度学习网络进行学习，得到检测神经网络，实现对目标的检测，然而该方法依然本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种雷达目标检测模型的构建方法，其特征在于：包括S1：获取原始雷达波数据，人工标注目标的距离信息，得到训练数据；S2：对训练数据进行杂波抑制；S3：对杂波抑制后的数据进行图像化操作得到二维距离多普勒图；S4：基于GoogLeNet网络对二维距离多普勒图进行特征增强和多尺度特征融合，完成目标提取；S5：记录目标边界框的尺寸参数，计算网络模型的损失参数；S6：基于损失参数计算模型的判决分数，判决分数大于预设阈值时，返回S2进行迭代更新，判决分数不大于预设阈值时，输出目标检测模型；其中，迭代更新时将GoogLeNet网络的局部响应归一化层替换为批归一化层。2.根据权利要求1所述的一种雷达目标检测模型的构建方法，其特征在于：还包括对原始雷达波数据进行预处理的步骤，所述预处理包括通过脉冲压缩提取一维原始距离向，和基于动目标显示进行初步杂波抑制处理。3.根据权利要求2所述的一种雷达目标检测模型的构建方法，其特征在于：所述杂波抑制的方法为，将原始雷达回波的一维距离向z0输入复值卷积神经网络，输出得到杂波抑制后的数据；所述复值卷积神经网络具有L层，其中第0层为输入层，第l层的输出为第l+1层的输入，所述复值卷积神经网络包括依次连接的全连接层、至少一组特征提取模块、卷积层和全连接层，其中所述特征提取模块包括依次连接的卷积层、激活层和池化层；所述复值卷积神经网络的第l层中的第m个神经元的输出z
l
(m)，其中，F
l
(*)为第l层的激活函数，(W
l
，b
l
)分别为第l层和第l
‑
1层之间的连接权重与偏置，W
l
(m，n)为第l层中第m个神经元与第l
‑
1层第n个神经元之间的连接权重，b
l
(m)为第l层中第m个神经元上所加的阈值，N
l
为第l层的神经元个数；只考虑复数神经元输出与权重相乘、不考虑激活函数时，将公式(1)分解为，将公式(1)分解为，其中，上标r和i分别表示为取该值的实部和虚部；分解上式得到实数神经元的输出与实数权重相乘的表达式，
实值均方误差损失函数为J＝E[(t
‑
Z
L
)
H
(t
‑
Z
L
)](3)其中，E表示期望，J是...

【专利技术属性】
技术研发人员：徐瑞昆，李川，刘军伟，谢锦生，林盛，许伟，尤海龙，
申请(专利权)人：中国电子科技集团公司第三十八研究所，
类型：发明
国别省市：