一种基于深度阈值残差网络的无人机目标识别方法技术

本发明专利技术属于无人机识别技术领域，具体涉及一种基于深度阈值残差网络的无人机目标识别方法。本发明专利技术首先通过对无人机雷达回波信号进行短时傅里叶变换(STFT)得到微多普勒谱图，然后用深度阈值残差网络从微多普勒谱图中提取分类特征，采用softmax分类器实现对无人机目标的分类识别。其中，深度阈值残差网络由一个卷积模块和三个阈值残差子网组成，在阈值残差子网中引入阈值提取模块，自动学习一个能够抑制噪声分量的阈值，从而降低特征图中的噪声强度，改善信噪比，因此该方法与常规的深度学习方法相比，在低信噪比的条件下具有更优的识别性能。仿真实验验证了本文方法的有效性。仿真实验验证了本文方法的有效性。仿真实验验证了本文方法的有效性。

【技术实现步骤摘要】
一种基于深度阈值残差网络的无人机目标识别方法


[0001]本专利技术属于无人机识别
，具体涉及一种基于深度阈值残差网络的无人机目标识别方法。

技术介绍

[0002]无人机有着体积小、成本低、易藏匿的特点，因此其应用变得越来越广泛，如，无人机已被用于消防、气象监测、巡检、安防监控、农林植保、测绘与地理信息等领域；但同时也有不法分子利用它易藏匿的特点进行违法活动，威胁着国民安全。因此，能准确的识别出无人机类型对预防各类犯罪活动有着重要的意义。
[0003]由于无人机的旋翼在旋转过程中有着明显的微动效应，因此常通过提取无人机的微多普勒特征进行分类识别。而深度学习可以避免人为设计提取特征的复杂性与不稳定性，故常利用深度学习模型对无人机进行识别，可改善识别准确率，但是在低信噪比的情况下，这类方法的识别准确率将降低。

技术实现思路

[0004]本专利技术在组成深度阈值残差网络的阈值残差子网中利用阈值提取模块自动学习能够抑制噪声分量的阈值，以便降低特征图中的噪声强度，改善信噪比，从而可以进一步提高识别准确率。
[0005]本专利技术的技术方案为：
[0006]一种基于深度阈值残差网络的无人机目标识别方法，包括以下步骤：
[0007]S1、获取无人机的微多普勒谱图构成训练样本数据集；
[0008]S2、构建深度阈值残差网络，包括输入层、卷积模块、第一阈值残差子网、第二阈值残差子网、第三阈值残差子网、全连接层和分类层，每个阈值残差子网均由两个卷积模块、阈值提取层、阈值化层、连接层组成；深度阈值残差网络对训练数据的处理过程为：
[0009]输入层将每个训练样本的大小裁剪为224*224，并进行随机水平翻转后通过卷积模块进行特征提取，卷积模块的输出F
1(in)
输入到第一阈值残差子网后依次通过两个卷积模块，定义第一阈值残差子网的两个卷积模块输出分别为F
1(1)
和F
1(2)
，F
1(1)
是第一阈值残差子网第二个卷积模块的输入，F
1(2)
作为第一阈值残差子网中的阈值提取层和阈值化层的输入，第一阈值残差子网中的阈值提取层的输出为T1，T1同时也是第一阈值残差子网中的阈值化层的输入，第一阈值残差子网中的阈值化层的输出为F
1(3)
，F
1(3)
经过第一阈值残差子网连接层得到第一阈值残差子网的输出F
1(out)
；具体处理方法是：
[0010]求输入特征图F
1(2)
的平均特征值F
1(avg)
：
[0011][0012]其中，H、W分别为特征图F
1(2)
的高度和宽度，F
1(2)
(x,y)表示特征图F
1(2)
在(x,y)这个坐标处的值，x表示高度维，y表示宽度维；
[0013]求对平均特征值F
1(avg)
加权的权值W
1f
：
[0014]W
1f
＝max(0,F
1(avg)
*w1+b1)
[0015]其中，w1和b1是网络自动更新的权值和偏移值；
[0016]对平均特征值F
1(avg)
加权得到阈值T1：
[0017]T1＝F
1(avg)
*W
1f
[0018]阈值提取层学习到阈值T1后，阈值化层对特征图F
1(2))
的处理如下：
[0019][0020]其中，F
1(3)
(x,y)表示特征图F
1(3)
在(x,y)这个坐标处的值；
[0021]得到阈值化处理后的特征图F
1(3)
后，在连接层处与第一阈值残差子网的输入F
1(in)
相加得到第一阈值残差子网的输出F
1(out)
：
[0022]F
1(out)
＝F
1(3)
+F
1(in)
[0023]将第一个阈值残差子网的输出F
1(out)
输入到第二个阈值残差子网，经过与第一个阈值残差子网相同的处理，得到第二个阈值残差子网的输出F
2(out)
，以F
2(out)
作为第三个阈值残差子网的输入，经过第三个阈值残差子网的处理后得到F
3(out)
，则F
3(out)
为最终提取到的深度特征；
[0024]第三个阈值残差子网后接一个全连接层，通过全连接层将提取的二维深度特征F
3(out
)转化为一维特征矢量；然后，一维特征矢量输入到采用softmax分类器的分类层，以分类层的输出向量中最大的值对应的标签作为该目标的类别标签；
[0025]S3、采用S1中训练数据集对S2中深度阈值残差网络进行训练后得到训练好的深度阈值残差网络；
[0026]S4、获取待识别的无人机微多普勒谱图，输入采用训练好的深度阈值残差网络进行识别。
[0027]本专利技术的有益效果为，在阈值残差子网中引入阈值提取模块，自动学习一个能够抑制噪声分量的阈值，从而降低特征图中的噪声强度，改善信噪比，因此该方法与常规的深度学习方法相比，在低信噪比的条件下具有更优的识别性能。
附图说明
[0028]图1为深度阈值残差网络模型示意图。
[0029]图2为阈值残差子网示意图。
具体实施方式
[0030]下面结合附图和仿真对本专利技术进行详细的说明：
[0031]本文提出的深度阈值残差网络模型的具体结构如图1所示。该模型由输入、特征提取、分类识别等三部分组成，其中，特征提取部分由一个卷积模块和三个阈值残差子网组成，分类识别部分由全连接层与softmax分类层实现。
[0032]本专利技术中输入部分由数据输入部分与预处理层组成。数据输入部分对获取到的雷达回波信号进行短时傅里叶变换得到其微多普勒谱图；预处理层将对微多普勒谱图进行归一化处理，且将每个样本的大小裁剪为224*224，并进行随机水平翻转。
[0033]特征提取部分由一个卷积模块和三个阈值残差子网组成。其中，每个阈值残差子网均由两个卷积模块、阈值提取层、阈值化层、连接层组成，阈值提取层根据第二个卷积模块的输出提取阈值，阈值化层根据阈值提取层获得的阈值T对第二个卷积模块的输出进行阈值化，连接层将阈值化层的输出与当前子网的输入相加，作为下一个阈值残差子网的输入。第i(i＝1,2,3)个阈值残差子网的结构如图2所示，其中卷积模块由卷积层、批归一化层以及激活层组成。
[0034]设卷积模块1的输入为F
i(in)
，输出为F
i(1)
，则F
i(1)
同时也是卷积模块2的输入；卷积模块2的输出为F
i(2)
，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度阈值残差网络的无人机目标识别方法，其特征在于，包括以下步骤：S1、获取无人机的微多普勒谱图构成训练样本数据集；S2、构建深度阈值残差网络，包括输入层、卷积模块、第一阈值残差子网、第二阈值残差子网、第三阈值残差子网、全连接层和分类层，每个阈值残差子网均由两个卷积模块、阈值提取层、阈值化层、连接层组成；深度阈值残差网络对训练数据的处理过程为：输入层将每个训练样本的大小裁剪为224*224，并进行随机水平翻转后通过卷积模块进行特征提取，卷积模块的输出F
1(in)
输入到第一阈值残差子网后依次通过两个卷积模块，定义第一阈值残差子网的两个卷积模块输出分别为F
1(1)
和F
1(2)
，F
1(1)
是第一阈值残差子网第二个卷积模块的输入，F
1(2)
作为第一阈值残差子网中的阈值提取层和阈值化层的输入，第一阈值残差子网中的阈值提取层的输出为T1，T1同时也是第一阈值残差子网中的阈值化层的输入，第一阈值残差子网中的阈值化层的输出为F
1(3)
，F
1(3)
经过第一阈值残差子网连接层得到第一阈值残差子网的输出F
1(out)
；具体处理方法是：求输入特征图F
1(2)
的平均特征值F
1(avg)
：其中，H、W分别为特征图F
1(2)
的高度和宽度，F
1(2)
(x,y)表示特征图F
1(2)
在(x,y)这个坐标处的值，x表示高度维，y表示宽度维；求对平均特征值F
1(avg)
加权的权值W
1f
：W
1f
＝max(0,F
1(a...

【专利技术属性】
技术研发人员：周代英，何彬宇，王特起，易传莉雯，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：