一种基于多尺度特征融合的雷达目标检测方法技术

本发明专利技术涉及一种基于多尺度特征融合的雷达目标检测方法，属于雷达目标探测技术领域。所述方法致力于改进现有目标检测模型Faster RCNN，通过多尺度特征融合设计增强小目标特征表征能力，进而提升杂波背景下的小目标检测性能。包括：构建目标检测数据集并划分训练集和测试集；将训练集依次输入基于多尺度特征融合的主干网络、区域生成网络、分块池化网络和输出网络进行模型训练，获得训练好的目标检测模型；将测试集输入训练好的目标检测模型中进行模型测试，获得测试图像的预测类别和位置坐标。所述方法通过融合高层特征的强语义信息和低层特征的丰富细节信息，有效提高了小目标的特征表征能力，从而实现了较高的检测精度。从而实现了较高的检测精度。从而实现了较高的检测精度。

【技术实现步骤摘要】
一种基于多尺度特征融合的雷达目标检测方法


[0001]本专利技术属于雷达目标探测
，尤其涉及一种基于多尺度特征融合的雷达目标检测方法。

技术介绍

[0002]雷达通过发射电磁波对目标进行探测，具有全天时和全天候检测的优点。雷达在下视探测时，不仅接收到目标回波，还包括地杂波或海杂波等背景杂波信息，杂波严重影响雷达探测性能，因此在地杂波或海杂波背景下准确且稳定的检测出目标是雷达目标探测
的重点研究内容。现有恒虚警率检测方法存在模型与杂波分布失配、低信杂比条件下检测性能差的问题，而深度学习以其优异的特征提取能力展现出更好的检测性能和更强的模型鲁棒性，被广泛应用于雷达探测

[0003]然而，雷达目标在距离
‑
多普勒图中占据的像素点数较少，属于小目标检测问题，传统的深度学习模型基于现有主干网络输出的顶层特征图进行目标检测，对目标细节信息损失较多，导致在杂波背景下难以准确检测小目标。因此，针对此问题，本专利技术致力于改进现有目标检测模型Faster RCNN，通过多尺度特征融合设计增强小目标特征表征能力，进而提升小目标检测性能。相关研究工作为实际杂波背景下的目标智能检测提供了研究思路和理论支撑，具有重要的研究意义和工程应用价值。

技术实现思路

[0004]本专利技术的目的在于针对杂波背景下的雷达距离
‑
多普勒图中小目标难以准确检测的问题，提出了一种基于多尺度特征融合的雷达目标检测方法。所述方法增强了小目标特征表征能力，提升了检测性能。
[0005]为了达到上述目的，采取如下技术方案：
[0006]所述基于多尺度特征融合的雷达目标检测方法，包括如下步骤：
[0007]S1、构建目标检测数据集并划分训练集和测试集；
[0008]S2、将训练集输入目标检测模型进行训练，获得训练好的目标检测模型；
[0009]所述目标检测模型包括基于多尺度特征融合的主干网络、区域生成网络、分块池化网络和输出网络；
[0010]S2具体包括以下子步骤：
[0011]S21、将训练集输入基于多尺度特征融合的主干网络，对训练图像进行特征提取，获得融合特征图；
[0012]所述基于多尺度特征融合的主干网络包括VGG16网络和特征融合网络；
[0013]所述特征融合网络是自顶向下高层特征和下一层特征逐层融合的网络；
[0014]S21具体如下：
[0015]S211、将训练集输入VGG16网络，获得多尺度特征图C_1、C_2、C_3、C_4和C_5；
[0016]S212、将C_3、C_4和C_5输入特征融合网络，获得融合特征图；
[0017]所述特征融合网络的具体连接方式为：将C_3、C_4和C_5分别经过1
×
1大小的卷积层，获得P3、P4和P5特征图；将P5和P4直接元素相加得到融合特征W4；将W4上采样后和P3尺寸对齐，然后元素相加得到融合特征W3；将W3经过3
×
3大小的卷积层平滑后得到融合特征图；
[0018]S22、将融合特征图输入区域生成网络，获得目标候选区域，具体如下：
[0019]S221、采用尺寸为G
×
G的滑动窗口在融合特征图上滑动，然后将每个对应区域经过中间层映射成长度为D的特征向量；
[0020]S222、将特征向量分别送入两个网络，第一个网络进行目标和背景的二分类，获得类别得分；第二个网络进行目标位置回归，获得候选框坐标；
[0021]S223、根据目标得分和候选框坐标进行非极大值抑制去除冗余框，取目标得分排名前N的候选框作为目标候选区域；
[0022]S23、将目标候选区域映射回融合特征图，并输入分块池化网络，获得固定尺寸为F
×
F大小的特征图；
[0023]S24、将固定尺寸为F
×
F大小的特征图送入输出网络，获得目标预测类别和位置坐标；
[0024]S25、重复S21至S24，遍历训练集中的所有图像，完成训练集所有图像的训练，获得所有图像中目标的预测类别和位置坐标，并得到训练好的目标检测模型；
[0025]S3、将测试集输入训练好的目标检测模型中进行模型测试，并遍历测试集中的所有图像，获得模型对测试图像的预测类别和位置坐标；
[0026]至此，从S2到S3完成了一次模型的训练和测试；
[0027]S4、重复S2至S3，进行多次的训练和测试，直至满足预设的训练轮数E，则停止训练和测试。
[0028]S1所述目标检测数据集的具体构建方式为：针对雷达回波，每K个脉冲在快时间维进行脉冲压缩，在慢时间维进行快速傅里叶变换，得到相应的距离
‑
多普勒图；然后，根据目标在距离
‑
多普勒图上的位置打出标签，得到目标标签文件；脉冲个数K的取值范围为128至1024，且为整数。
[0029]S1所述训练集和测试集的比例为X:10
‑
X，且无重叠数据；X的取值范围为6.5至8.5。
[0030]S21所述VGG16网络是自底向上逐层降采样的网络，包括五个卷积模块，记为C1、C2、C3、C4和C5；所述C1包含两个通道数为64，卷积核大小为3
×
3的卷积层和一个池化层；C2包含两个通道数为128，卷积核大小为3
×
3的卷积层和一个池化层；C3包含三个通道数为256，卷积核大小为3
×
3的卷积层和一个池化层；C4包含三个通道数为512，卷积核大小为3
×
3的卷积层和一个池化层；C5包含三个通道数为512，卷积核大小为3
×
3的卷积层。
[0031]S211中，C_1、C_2、C_3、C_4和C_5分别为C1、C2、C3、C4和C5输出的特征图；所述C_1和C_2不与特征融合网络相连。
[0032]S212所述1
×
1大小的卷积层的作用是减少并统一输出特征图的通道数，并避免梯度直接影响VGG16网络；所述3
×
3大小的卷积层的作用是平滑特征图，减少对W4进行上采样操作导致的混叠效。
[0033]S221中，G的取值范围为3至5，且为整数；D的取值范围为大于等于256且为整数；
S222所述类别得分表示目标得分和背景得分构成的二维向量，得分表示属于该类别的概率值；所述候选框坐标的格式为(x1,y1,x2,y2)，其中(x1,y1)表示的候选框的左上坐标，(x2,y2)表示候选框的右下坐标。
[0034]S223中，N的取值范围为大于等于2000；S23中，F的取值范围为3至10，且为整数。
[0035]S24所述输出网络由四个全连接层组成，记为：FC1、FC2、FC3和FC4；
[0036]S24、具体操作如下：
[0037]S241、将固定尺寸为F
×
F大小的特征图依次本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度特征融合的雷达目标检测方法，其特征在于：包括如下步骤：S1、构建目标检测数据集并划分训练集和测试集；S2、将训练集输入目标检测模型进行训练，获得训练好的目标检测模型；所述目标检测模型包括基于多尺度特征融合的主干网络、区域生成网络、分块池化网络和输出网络；S2具体包括以下子步骤：S21、将训练集输入基于多尺度特征融合的主干网络，对训练图像进行特征提取，获得融合特征图；所述基于多尺度特征融合的主干网络包括VGG16网络和特征融合网络；所述特征融合网络是自顶向下高层特征和下一层特征逐层融合的网络；S21具体如下：S211、将训练集输入VGG16网络，获得多尺度特征图C_1、C_2、C_3、C_4和C_5；S212、将C_3、C_4和C_5输入特征融合网络，获得融合特征图；所述特征融合网络的具体连接方式为：将C_3、C_4和C_5分别经过1
×
1大小的卷积层，获得P3、P4和P5特征图；将P5和P4直接元素相加得到融合特征W4；将W4上采样后和P3尺寸对齐，然后元素相加得到融合特征W3；将W3经过3
×
3大小的卷积层平滑后得到融合特征图；S22、将融合特征图输入区域生成网络，获得目标候选区域，具体如下：S221、采用尺寸为G
×
G的滑动窗口在融合特征图上滑动，然后将每个对应区域经过中间层映射成长度为D的特征向量；S222、将特征向量分别送入两个网络，第一个网络进行目标和背景的二分类，获得类别得分；第二个网络进行目标位置回归，获得候选框坐标；S223、根据目标得分和候选框坐标进行非极大值抑制去除冗余框，取目标得分排名前N的候选框作为目标候选区域；S23、将目标候选区域映射回融合特征图，并输入分块池化网络，获得固定尺寸为F
×
F大小的特征图；S24、将固定尺寸为F
×
F大小的特征图送入输出网络，获得目标预测类别和位置坐标；S25、重复S21至S24，遍历训练集中的所有图像，完成训练集所有图像的训练，获得所有图像中目标的预测类别和位置坐标，并得到训练好的目标检测模型；S3、将测试集输入训练好的目标检测模型中进行模型测试，并遍历测试集中的所有图像，获得模型对测试图像的预测类别和位置坐标；至此，从S2到S3完成了一次模型的训练和测试；S4、重复S2至S3，进行多次的训练和测试，直至满足预设的训练轮数E，则停止训练和测试。2.如权利要求1所述的雷达目标检测方法，其特征在于：S1所述目标检测数据集的具体构建方式为：针对雷达回波，每K个脉冲在快时间维进行脉冲压缩，在慢时间维进行快速傅里叶变换，得到相应的距离
‑
多普勒图；然后，根据目标在距离
‑
多普勒图上的位置打出标签，得到目标标签文件；脉冲个数K...

【专利技术属性】
技术研发人员：傅雄军，刘畅，李明玲，谢民，杜慧茜，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：