一种海面的目标检测方法、目标检测装置及终端设备制造方法及图纸

本发明专利技术适用于图像处理的技术领域，提供了一种海面的目标检测方法、目标检测装置及终端设备，所述目标检测方法包括：获取待识别数据；将所述待识别数据输入第一识别模型，得到由所述第一识别模型输出的第一特征数据；将所述第一特征数据输入第二识别模型，得到由所述第二识别模型输出的第二特征数据；将所述第一特征数据与所述第二特征数据进行融合处理，得到目标特征数据；将所述目标特征数据进行分类处理，得到所述待识别数据中目标物体的识别结果。由于上述方案通过多个识别模型进行联合特征提取，充分利用两种识别模型的特征提取能力，并结合前后两种特征数据进行目标检测，提高了对于目标物体特征的提取能力，故提高了检测精度。测精度。测精度。

【技术实现步骤摘要】
一种海面的目标检测方法、目标检测装置及终端设备


[0001]本专利技术属于图像处理的
，尤其涉及一种海面的目标检测方法、目标检测装置及终端设备。

技术介绍

[0002]海面小目标检测是指针对海面上的目标物体进行检测，而海面上的目标物体往往相较于海面而言体积较小，故称为海面小目标检测。目标物体可以是舰艇或快艇等等需要检测的物体。海面小目标检测往往用于针对目标物体发出警报。
[0003]然而，由于海面小目标检测容易受到高海浪或漂浮物等海杂波影响，进而触发虚假警报。而海杂波具有非均匀和非平稳特性，很难获取其特征规律，导致传统的海面小目标检测的检测精度较低。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了一种海面的目标检测方法、目标检测装置、终端设备及计算机可读存储介质，以解决海杂波具有非均匀和非平稳特性，很难获取其特征规律，导致传统的海面小目标检测的检测精度较低的技术问题。
[0005]本专利技术实施例的第一方面提供了一种海面的目标检测方法，包括：
[0006]获取待识别数据；
[0007]将所述待识别数据输入第一识别模型，得到由所述第一识别模型输出的第一特征数据；
[0008]将所述第一特征数据输入第二识别模型，得到由所述第二识别模型输出的第二特征数据；
[0009]将所述第一特征数据与所述第二特征数据进行融合处理，得到目标特征数据；
[0010]将所述目标特征数据进行分类处理，得到所述待识别数据中目标物体的识别结果。
[0011]本专利技术提供的一种海面的目标检测方法，获取待识别数据；将所述待识别数据输入第一识别模型，得到由所述第一识别模型输出的第一特征数据；将所述第一特征数据输入第二识别模型，得到由所述第二识别模型输出的第二特征数据；将所述第一特征数据与所述第二特征数据进行融合处理，得到目标特征数据；将所述目标特征数据进行分类处理，得到所述待识别数据中目标物体的识别结果。上述技术方案通过第一识别模型提取第一特征数据，并将第一特征数据作为中间数据，输入第二识别模型，得到第二识别模型根据第一特征数据输出的第二特征数据。其次，将第一特征数据和第二特征数据进行融合，充分利用两种识别模型的特征提取能力，得到目标特征数据。最后根据目标特征数据得到待识别数据中目标物体的识别结果。由于上述方案通过多个识别模型进行联合特征提取，充分利用两种识别模型的特征提取能力，并结合前后两种特征数据进行目标检测，提高了对于目标物体特征的提取能力，故提高了检测精度。
[0012]进一步地，所述获取待识别数据，包括：
[0013]获取由雷达模块采集的雷达回波数据；
[0014]将所述雷达回波数据进行滤波处理，得到滤波后的雷达回波数据；
[0015]将滤波后的雷达回波数据进行傅里叶变换，得到距离多普勒图；
[0016]将所述距离多普勒图作为所述待识别数据。
[0017]在本实施例中，通过将雷达回波数据转换为距离多普勒图，进而可以通过第一识别模型和第二识别模型实现目标检测，提高了目标检测检测精度。
[0018]进一步地，所述第一识别模型为卷积神经网络CNNs。
[0019]在本实施例中，由于采用卷积神经网络CNNs，而卷积神经网络CNNs网络结构简单，网络参数大大缩减，故提高了识别效率。
[0020]进一步地，所述第二识别模型为图卷积神经网络GCNs。
[0021]在本实施例中，可以通过图卷积神经网络GCNs提取多维度特征，进而深度发掘特征之间的相关性，进而提高识别精度。
[0022]进一步地，所述图卷积神经网络GCNs包括第一网络层级、第二网络层级和第三网络层级。
[0023]进一步地，所述将所述第一特征数据输入第二识别模型，得到由所述第二识别模型输出的第二特征数据的步骤，包括：
[0024]将所述第一特征数据输入所述第二识别模型中的第一网络层级，得到所述第一网络层级基于所述第一特征数据生成的第一图数据；
[0025]将所述第一图数据输入所述第二识别模型中的第二网络层级，得到所述第二网络层级基于所述第一图数据生成的第二图数据；
[0026]将所述第二图数据输入所述第二识别模型中的第三网络层级，得到所述第三网络层级基于所述第二图数据生成的第三图数据；
[0027]提取所述第一图数据、所述第二图数据和所述第三图数据中的特征数据，并作为所述第二特征数据。
[0028]在本实施例中，将图卷积神经网络的不同层次特征组成新的图数据，并提取多个图数据的第二特征数据，而后与卷积神经网络所提取的第一特征数据相融合，提取了时域、频域和空域的特征，可以深度发掘特征之间的相关性，进而提高识别精度。
[0029]本专利技术实施例的第二方面提供了一种海面的目标检测装置，包括：
[0030]获取单元，用于获取待识别数据；
[0031]第一识别单元，用于将所述待识别数据输入第一识别模型，得到由所述第一识别模型输出的第一特征数据；
[0032]第二识别单元，用于将所述第一特征数据输入第二识别模型，得到由所述第二识别模型输出的第二特征数据；
[0033]融合单元，用于将所述第一特征数据与所述第二特征数据进行融合处理，得到目标特征数据；
[0034]分类单元，用于将所述目标特征数据进行分类处理，得到所述待识别数据中目标物体的识别结果。
[0035]本专利技术提供的一种海面的目标检测装置，获取待识别数据；将所述待识别数据输
入第一识别模型，得到由所述第一识别模型输出的第一特征数据；将所述第一特征数据输入第二识别模型，得到由所述第二识别模型输出的第二特征数据；将所述第一特征数据与所述第二特征数据进行融合处理，得到目标特征数据；将所述目标特征数据进行分类处理，得到所述待识别数据中目标物体的识别结果。上述技术方案通过第一识别模型提取第一特征数据，并将第一特征数据作为中间数据，输入第二识别模型，得到第二识别模型根据第一特征数据输出的第二特征数据。其次，将第一特征数据和第二特征数据进行融合，充分利用两种识别模型的特征提取能力，得到目标特征数据。最后根据目标特征数据得到待识别数据中目标物体的识别结果。由于上述方案通过多个识别模型进行联合特征提取，充分利用两种识别模型的特征提取能力，并结合前后两种特征数据进行目标检测，提高了对于目标物体特征的提取能力，故提高了检测精度。
[0036]进一步地，所述获取单元，包括：
[0037]获取子单元，用于获取由雷达模块采集的雷达回波数据；
[0038]滤波单元，用于将所述雷达回波数据进行滤波处理，得到滤波后的雷达回波数据；
[0039]第一计算单元，用于将滤波后的雷达回波数据进行傅里叶变换，得到距离多普勒图；
[0040]第二计算单元，用于将所述距离多普勒图作为所述待识别数据。
[0041]本专利技术实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海面的目标检测方法，其特征在于，所述目标检测方法包括：获取待识别数据；将所述待识别数据输入第一识别模型，得到由所述第一识别模型输出的第一特征数据；将所述第一特征数据输入第二识别模型，得到由所述第二识别模型输出的第二特征数据；将所述第一特征数据与所述第二特征数据进行融合处理，得到目标特征数据；将所述目标特征数据进行分类处理，得到所述待识别数据中目标物体的识别结果。2.如权利要求1所述的目标检测方法，其特征在于，所述获取待识别数据，包括：获取由雷达模块采集的雷达回波数据；将所述雷达回波数据进行滤波处理，得到滤波后的雷达回波数据；将滤波后的雷达回波数据进行傅里叶变换，得到距离多普勒图；将所述距离多普勒图作为所述待识别数据。3.如权利要求1所述的目标检测方法，其特征在于，所述第一识别模型为卷积神经网络CNNs。4.如权利要求1所述的目标检测方法，其特征在于，所述第二识别模型为图卷积神经网络GCNs。5.如权利要求4所述的目标检测方法，其特征在于，所述图卷积神经网络GCNs包括第一网络层级、第二网络层级和第三网络层级。6.如权利要求5所述的目标检测方法，其特征在于，所述将所述第一特征数据输入第二识别模型，得到由所述第二识别模型输出的第二特征数据的步骤，包括：将所述第一特征数据输入所述第二识别模型中的第一网络层级，得到所述第一网络层级基于所述第一特征数据生成的第一图数据；将所述第一图数据输入所述第二识别模型中的第二网络层级，得到所述第二网络层级基于所述第一图数据生成的第二图数据；将所述第二图数...

【专利技术属性】
技术研发人员：许聪，齐海群，刘海成，王峥，李亚丹，
申请(专利权)人：黑龙江工程学院，
类型：发明
国别省市：