本发明专利技术公开一种基于图时空网络的雷达目标检测方法，应用于雷达目标检测技术领域。针对现有基于深度学习技术的雷达目标检测方法由于需要对雷达回波进行信号域变换导致计算复杂度大、未利用雷达回波中时空信息造成目标漏检及杂波虚警多的问题。本发明专利技术首先将雷达回波非线性映射到高维特征空间，提升目标和杂波的可分辨性；然后将高维空间中的雷达回波构造成一个时空图；进而提出了一种时空特征提取方法来提取时空图的时空特征；最后将时空特征非线性映射到二维概率空间并和预设阈值比较，获得检测结果。本发明专利技术避免了对雷达回波的信号域变换，可有效降低检测计算复杂度，同时利用了雷达回波的时空信息，可减少漏检及虚警并提升检测概率。检测概率。检测概率。
【技术实现步骤摘要】
一种基于图时空网络的雷达目标检测方法
[0001]本专利技术属于雷达目标检测
，特别涉及一种基于图时空网络的雷达目标检测技术。
技术介绍
[0002]雷达目标检测技术的目的在于在杂波和噪声背景中发现感兴趣的目标，其在国防安全领域有着不可替代的应用价值。对于基于深度学习的雷达目标检测技术，由于其不需要构建杂波统计模型以及人工设计用于检测的专业领域特征量，能适应复杂场景下的目标检测任务需求，近年来吸引了国内外学者的极大关注。
[0003]国内外诸多研究机构开展了基于深度学习的雷达目标检测技术研究，并初步产生了一些研究成果。文献“False
‑
Alarm
‑
Controllable Radar Detection for Marine Target based on Multi features Fusion via CNNs.,IEEE Sensors Journal.,vol.21,no.7,pp.9099
‑
9111,Apr.2021”首先对多个相干脉冲的雷达回波的每个距离单元进行预处理，获得每个距离单元回波的时频图，然后利用两个独立的CNN分支分别从时频图和回波幅度序列中提取具有不同特性的特征，并联合这些特征进行目标检测，依次获得对每个距离单元的检测结果。文献“Multiframe detection of sea
‑
surface small target using deep convolutional neural network.,IEEE Transactions on Geoscience and Remote Sensing.,vol.60,pp.1
‑
16,2022”基于多帧距离多普勒谱图对运动目标进行检测，利用运动目标和海杂波的特征差异和帧间相关性实现雷达目标检测。上述方法缓解了传统目标检测方法需要构建杂波统计模型或人工设计特征量导致检测方法鲁棒性不够的问题。但是，其由于需要对雷达回波进行信号域变换导致这些模型计算复杂度大；此外，其未利用雷达回波中时空信息，易造成目标漏检及杂波虚警。因此，研究一种无需信号域变换及充分利用雷达回波信息的基于深度学习的雷达目标检测技术具有中要的实际意义和应用价值。
技术实现思路
[0004]为解决上述技术问题，本专利技术提出一种基于图时空网格的雷达目标检测方法，采用本专利技术的方法能够减小检测计算复杂度、目标漏检率和杂波虚警率。
[0005]本专利技术采用的技术方案为：一种基于图时空网格的雷达目标检测方法，包括：
[0006]S1、高维特征映射：考虑P个脉冲压缩后的相干雷达脉冲回波r1,r2,...,r
P
，其中每个雷达脉冲回波包含L个距离单元，p＝1,2,...,P；首先将r1,r2,...,r
P
积累成一个二维数据平面A：
[0007][0008]然后，构建非线性高维特征映射子网络f1，将A送入非线性高维特征映射网络，从而将A中每个脉冲的每个距离单元的回波转换到高维特征空间，获得高维特征空间中的数据矩阵B，即：B＝f1(A)，其中D1是每个脉冲的每个距离单元回波被转换到高维特征空间的特征维数；
[0009]S2、时空图构造：将B构造成时空图；具体的：首先利用B中每个脉冲的所有距离单元构造P个空间图；考虑第p个脉冲的L个距离单元，则反映第p个空间图结构的唯一邻接矩阵C
p
为：
[0010][0011]空间图共有L个节点，每个节点和第p个脉冲的L个距离单元一一对应，每个节点的节点特征为每个距离单元回波被转换到的高维特征空间的D维特征；将所有P个空间图进行排列，构成时空图G；
[0012]S3、时空特征提取：构造时空特征提取子网络f2，采用时空特征提取子网络f2从时空图G中提取时空特征，
[0013]所述时空特征提取子网络f2结构若干空间特征提取模块和时间特征提取模块交替级联。
[0014]S4、获得检测结果：构建检测子网络f4，将提取的时空特征F送入f4以映射到二维概率空间，获得对P个脉冲的L个距离单元的L个检测概率，将检测结果和预设阈值η比较，大于或等于η为回波属于目标，否则回波不属于目标，从而获得对P个脉冲的L个距离单元的检测结果。
[0015]本专利技术的有益效果：本专利技术首先将雷达回波非线性映射到高维特征空间，提升目标和杂波的可分辨性；然后将高维空间中的雷达回波构造成一个时空图；进而提出了一种时空特征提取方法来提取时空图的时空特征；最后将时空特征非线性映射到二维概率空间并和预设阈值比较，获得检测结果。本专利技术的方法避免了对雷达回波的信号域变换，可有效降低检测计算复杂度，同时利用了雷达回波的时空信息，可减少漏检及虚警并提升检测概率。
附图说明
[0016]图1为专利技术方法总体架构；
[0017]图2为非线性高维特征映射子网络结构；
[0018]图3为空间图结构；
[0019]图4为时空图结构；
[0020]图5为时空特征提取子网络结构；
[0021]图6为检测子网络结构；
[0022]图7为时间特征提取模块结构；
[0023]图8为公开的IPIX数据集中19931108_220902_starea.cdfHH极化回波幅度图；
[0024]图9为某测试样本幅度图；
[0025]图10为对某测试样本的检测结果。
具体实施方式
[0026]为便于本领域技术人员理解本专利技术的
技术实现思路
，下面结合附图对本
技术实现思路
进一步阐释。
[0027]如图1所示，本专利技术的方法实现过程包括以下步骤：
[0028]步骤1：高维特征映射
[0029]考虑64个脉冲压缩后的相干雷达脉冲回波r1,r2,...,r
64
，其中每个回波包含14个距离单元，p＝1,2,...,64，表示复数域。首先将r1,r2,...,r
64
积累成一个二维数据平面A：
[0030][0031]然后，设置附图2所示的非线性高维特征映射子网络f1的具体参数，串接代表将复值雷达回波的实部和虚部拼接起来，使得二维数据平面A变成三维数据立方体表示实数域，其中卷积1和卷积2都是一个卷积核尺寸为(1,3)、步长尺寸为(1,1)以及填充尺寸为(0,1)的卷积层，卷积1和卷积2的输出通道数分别为32和64；激活函数1和2都是ReLU非线性激活函数。将A送入非线性高维特征映射网络，获得高维特征空间中的数据矩阵
[0032]步骤2：时空图构造
[0033]将B构造成时空图。具体来说，首先利用B中每个脉冲的所有距离单元构造64个空间图。考虑第p个脉冲的14个距离单元，则反映第p个空间图结构的唯一邻接矩阵C
p
为：
[0034][0035]即附图3中L＝14，将64个空间图按顺序进行排列，构造时空图G，即附图4中的空间图个数为64。
[003本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于图时空网络的雷达目标检测方法，其特征在于，包括：S1、高维特征映射：通过构建非线性高维特征映射子网络，将多个相干脉冲的每个距离单元脉冲压缩后雷达回波映射到高维空间，获得高维特征空间中的数据矩阵；S2、时空图构造：根据映射到高维空间的雷达回波构造成一个时空图；S3、时空特征提取：通过构建时空特征提取子网络，从时空图中提取时空特征；S4、获得检测结果：构建检测子网络，将时空特征输入检测子网络获得对多个相干脉冲的检测概率，并将检测概率和设置阈值比较，获得最终检测结果。2.根据权利要求1所述的一种基于图时空网络的雷达目标检测方法，其特征在于，所述非线性高维特征映射子网络依次包括：串接层、第一卷积层、第二卷积层；所述串接层将多个相干脉冲的每个距离单元脉冲压缩后雷达回波的实部与虚部拼接起来；第一卷积层和第二卷积层各包括一个激活函数，分别记为第一激活函数、第二激活函数；第一卷积层和第二卷积层的输出...
【专利技术属性】
技术研发人员：崔国龙，汪翔，汪育苗，夏森林，郭世盛，孔令讲，杨晓波，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。