基于跨尺度特征聚合网络的雷达目标辨识方法技术

本发明专利技术公开了一种基于跨尺度特征聚合网络的雷达目标辨识方法，包括：利用雷达采集静止目标呼吸所产生的皮肤振动回波，获得雷达回波信号；利用SSST算法处理雷达回波信号，生成包含呼吸特征的时频图像；利用特征金字塔网络对时频图像进行不同尺度大小的划分和聚合，并利用CSFA网络从特征金字塔输出的各尺度的特征图中提取微多普勒特征图；将聚合微多普勒特征图输入至SoftMax分类器，得到静止目标的辨识结果。本发明专利技术通过SSST算法处理静止目标的雷达回波信号，能够抑制多径干扰等杂波，进而生成高分辨率具有呼吸特征的时频图；同时，本发明专利技术通过跨尺度特征聚合网络提取时频图中的微多普勒特征图，提高了目标的辨识精度，有利于提升雷达探测目标的效率。提升雷达探测目标的效率。提升雷达探测目标的效率。

【技术实现步骤摘要】
基于跨尺度特征聚合网络的雷达目标辨识方法


[0001]本专利技术属于雷达信号处理
，具体涉及一种基于跨尺度特征聚合网络的雷达目标辨识方法。

技术介绍

[0002]超宽带连续波雷达是一种新兴的传感技术，它发射的电磁波信号具有穿透能力强、分辨率高的特点，能够反映出目标的散射点能量分布等特征，可用于生命体征信号的检测。
[0003]为了避免雷达回波信号因静止目标所在环境造成的多径杂波等干扰，导致目标辨识准确率的下降，提高目标图像的分辨率至关重要。目前，相关技术中采用基于MSRA(Multiscale Residual Attention，多尺度残差注意)网络实现辨识静止的目标，该方法包括雷达信号处理、多尺度学习架构和残差注意学习机制三个部分。然而，该方法是利用二维伪彩色图像来识别静止的目标，抑制杂波干扰效果较差从而难以生成高分辨率图像，导致从图像中提取更多的无效特征，降低了目标辨识的精度。

技术实现思路

[0004]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于跨尺度特征聚合网络的雷达目标辨识方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0005]本专利技术提供一种基于跨尺度特征聚合网络的雷达目标辨识方法，包括：
[0006]利用雷达采集静止目标呼吸所产生的皮肤振动回波，获得雷达回波信号；
[0007]利用同步挤压S变换时频分析算法处理所述雷达回波信号，生成包含呼吸特征的时频图像；
[0008]利用特征金字塔网络对所述时频图像进行不同尺度大小的划分和聚合，并利用CSFA网络从所述特征金字塔网络输出的各尺度的特征图中提取微多普勒特征图；
[0009]基于所述微多普勒特征图生成聚合微多普勒特征图后，将所述聚合微多普勒特征图输入至SoftMax分类器，得到所述雷达目标的辨识结果。
[0010]在本专利技术的一个实施例中，基于所述微多普勒特征图生成聚合微多普勒特征图的步骤之前，还包括：
[0011]获取预训练后的Resnet
‑
18模型，并加载时频图数据集模型文件；
[0012]基于所述微多普勒特征图生成聚合微多普勒特征图后，将所述聚合微多普勒特征图输入至SoftMax分类器，得到所述雷达目标的辨识结果的步骤，包括：
[0013]基于所述微多普勒特征图生成聚合微多普勒特征图后，将所述聚合微多普勒特征图输入至SoftMax分类器，以使所述SoftMax分类器利用所述时频图数据集模型文件对所述聚合微多普勒特征图进行对比，得到所述雷达目标的辨识结果。
[0014]在本专利技术的一个实施例中，利用同步挤压S变换时频分析算法处理所述雷达回波信号，生成包含呼吸特征的时频图像的步骤之前，还包括：
[0015]对所述雷达回波信号进行预处理，获得包含呼吸特征的雷达回波信号；
[0016]基于所述包含呼吸特征的雷达回波信号，通过时间积累生成二维距离像。
[0017]在本专利技术的一个实施例中，利用同步挤压S变换时频分析算法处理所述雷达回波信号，生成包含呼吸特征的时频图像的步骤，包括：
[0018]利用同步挤压S变换时频分析算法处理所述二维距离像中的有效通道数据，并将所有的有效通道数据聚合成时频图像。
[0019]在本专利技术的一个实施例中，利用同步挤压S变换时频分析算法，按照如下公式处理所述雷达回波信号：
[0020][0021]式中，f
k
、f
c
以及Δf
c
分别表示S变换的离散频率、挤压区间的中心频率以及挤压区间的带宽，b表示时间轴位移参数，且Δf
k
＝f
k
‑
f
k
‑1，Δf
c
＝f
c
‑
f
c
‑1，ST(f
k
,b)表示雷达回波信号的S变换，f
c
(f
k
,b)表示雷达回波信号的瞬时频率。
[0022]在本专利技术的一个实施例中，所述CSFA网络包括通道注意力模型和空间注意力模型；
[0023]利用特征金字塔网络对所述时频图像进行不同尺度大小的划分和聚合，并利用CSFA网络从所述特征金字塔网络输出的各尺度的特征图中提取微多普勒特征图的步骤，包括：
[0024]利用特征金字塔网络对所述时频图像进行不同尺度大小的划分；
[0025]将每一个尺度的输入特征图F
i
(i＝2,3,4,5)输入所述通道注意力模型，得到一维通道注意力特征图M
c1
后，将一维通道注意力特征图M
c1
与输入特征图F
i
相乘，得到通道特征F
c1
，将通道特征F
c1
输入至所述空间注意力模型，得到二维空间注意力特征图M
s1
；
[0026]将通道特征F
c1
与二维空间注意力特征图M
s1
相乘，获得到空间特征F
s
；
[0027]根据所述输入特征图F
i
及所述空间特征F
s
相乘确定反馈变量F
FB
，并将所述反馈变量F
FB
输入至所述通道注意力模型，得到一维通道注意力特征图M
c2
后，将一维通道注意力特征图M
c2
与反馈变量F
FB
相乘，得到通道特征F
c2
；
[0028]将通道特征F
c2
输入至所述空间注意力模型，得到二维空间注意力特征图M
s2
；
[0029]将通道特征F
c2
与二维空间注意力特征图M
s2
相乘，获得当前第i层尺度的输入特征图F
i
的微多普勒特征图
[0030]在本专利技术的一个实施例中，所述通道注意力模型包括：第一最大池化层、第一平均池化层和多层全连接神经网络；
[0031]将所述特征金字塔网络的每一个尺度特征图F
i
输入所述通道注意力模型，得到通道特征的步骤，包括：
[0032]将输入特征图F
i
分别传输至第一最大池化层和第一平均池化层，得到第一最大池化特征图及第一平均池化特征图
[0033]将第一最大池化特征图和第一平均池化特征图按前向输入方式至激活函数为ReLU的多层全连接神经网络，并将多层全连接神经网络的两个输出特征相加后得到
一维通道注意力特征图M
c1
，将一维通道注意力特征图M
c1
与当前输入特征图F
i
相乘，得到通道特征F
c1
。
[0034]在本专利技术的一个实施例中，所述空间注意力模型包括：第二最大池化层、第二平均池化层和5
×
5的卷积核；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于跨尺度特征聚合网络的雷达目标辨识方法，其特征在于，包括：利用雷达采集静止目标呼吸所产生的皮肤振动回波，获得雷达回波信号；利用同步挤压S变换时频分析算法处理所述雷达回波信号，生成包含呼吸特征的时频图像；利用特征金字塔网络对所述时频图像进行不同尺度大小的划分和聚合，并利用跨尺度特征聚合CSFA网络从所述特征金字塔网络输出的各尺度的特征图中提取微多普勒特征图；基于所述微多普勒特征图生成聚合微多普勒特征图后，将所述聚合微多普勒特征图输入至SoftMax分类器，得到所述雷达目标的辨识结果。2.根据权利要求1所述的基于跨尺度特征聚合网络的雷达目标辨识方法，其特征在于，基于所述微多普勒特征图生成聚合微多普勒特征图的步骤之前，还包括：获取预训练后的Resnet
‑
18模型，并加载时频图数据集模型文件；基于所述微多普勒特征图生成聚合微多普勒特征图后，将所述聚合微多普勒特征图输入至SoftMax分类器，得到所述雷达目标的辨识结果的步骤，包括：基于所述微多普勒特征图生成聚合微多普勒特征图后，将所述聚合微多普勒特征图输入至SoftMax分类器，以使所述SoftMax分类器利用所述时频图数据集模型文件对所述聚合微多普勒特征图进行对比，得到所述雷达目标的辨识结果。3.根据权利要求2所述的基于跨尺度特征聚合网络的雷达目标辨识方法，其特征在于，利用同步挤压S变换时频分析算法处理所述雷达回波信号，生成包含呼吸特征的时频图像的步骤之前，还包括：对所述雷达回波信号进行预处理，获得包含呼吸特征的雷达回波信号；基于所述包含呼吸特征的雷达回波信号，通过时间积累生成二维距离像。4.根据权利要求3所述的基于跨尺度特征聚合网络的雷达目标辨识方法，其特征在于，利用同步挤压S变换时频分析算法处理所述雷达回波信号，生成包含呼吸特征的时频图像的步骤，包括：利用同步挤压S变换时频分析算法处理所述二维距离像中的有效通道数据，并将所有的有效通道数据聚合成时频图像。5.根据权利要求4所述的基于跨尺度特征聚合网络的雷达目标辨识方法，其特征在于，利用同步挤压S变换时频分析算法，按照如下公式处理所述雷达回波信号：式中，f
k
、f
c
以及Δf
c
分别表示S变换的离散频率、挤压区间的中心频率以及挤压区间的带宽，b表示时间轴位移参数，且Δf
k
＝f
k
‑
f
k
‑1，Δf
c
＝f
c
‑
f
c
‑1，ST(f
k
,b)表示雷达回波信号的S变换，f
c
(f
k
,b)表示雷达回波信号的瞬时频率。6.根据权利要求1所述的基于跨尺度特征聚合网络的雷达目标辨识方法，其特征在于，所述CSFA网络包括通道注意力模型和空间注意力模型；利用特征金字塔网络对所述时频图像进行不同尺度大小的划分和聚合，并利用CSFA网络从所述特征金字塔网络输出的各尺度的特征图中提取微多普勒特征图的步骤，包括：利用特征金字塔网络对所述时频图像进行不同尺度大小的划分；
将划分得到的每一个尺度的输入特征图F
i...

【专利技术属性】
技术研发人员：包敏，邹富，贾伯阳，郭亮，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：