基于多分支结合的深度网络雷达目标检测方法技术

本发明专利技术基于多分支结合的深度网络雷达目标检测方法，步骤包括：1)对雷达回波信号归一化；2)数据切片得到10张雷达数据；3)取一张雷达数据复制两次通道数，增加通道数为3后再次层归一化；4)调整大小，Flatten操作及解码器分支；再经Layer Norm、resize和反卷积操作；5)调整大小后送入金字塔卷积结构提取特征处理；6)连接步骤4和步骤5的数据，卷积得到响应图数据；7)处理响应图数据；8)重复步骤3至步骤7，对10张雷达数据得到10张数据，将该10张数据拼接得到最终结果，该最终结果映射回原图即得在原图上标注目标位置。本发明专利技术的方法，能有效捕捉雷达小目标的细微特征。雷达小目标的细微特征。雷达小目标的细微特征。

【技术实现步骤摘要】
基于多分支结合的深度网络雷达目标检测方法


[0001]本专利技术属于雷达目标检测
，涉及一种基于多分支结合的深度网络雷达目标检测方法。

技术介绍

[0002]雷达小目标检测是指通过雷达信号处理技术对微小目标进行检测和跟踪，通常应用于军事、航空、航天、地质勘探等领域。相比于光学、红外等传统探测技术，雷达技术不受天气和光照等外界因素的影响，能够在夜晚、雨雪天气等特殊环境下进行探测。
[0003]传统的雷达目标检测技术的流程主要包括：雷达信号处理技术、小目标探测算法、目标特征提取技术、数据融合技术。传统雷达小目标检测方法是基于规则和特征的，通常需要手动设计和提取目标的特征，并且使用一些简单的算法和特征来检测目标。这些方法存在一些缺点，包括特征工程需要大量的人力和时间、检测性能受限、适应性差、难以处理大规模数据等。
[0004]深度学习技术的出现为雷达小目标检测带来了新的解决方案。基于深度学习的雷达小目标检测方法可以自动学习目标的特征，并且使用卷积神经网络等深度学习算法来实现目标检测。这种方法的优点包括自动学习和适应性强、处理大规本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多分支结合的深度网络雷达目标检测方法，其特征在于，按照以下步骤实施：步骤1，采集雷达回波信号，对雷达回波信号进行归一化处理，得到雷达数据Data
a
；步骤2，对雷达数据Data
a
进行数据切片操作，得到10张雷达数据Data
b
，设置模型极值阈值K；步骤3，取一张雷达数据Data
a
，通过复制两次雷达数据Data
a
的通道数，增加雷达数据Data
b
的通道数为3，得到雷达数据Data
c
，将雷达数据Data
c
再次进行层归一化处理，得到雷达数据Data
d
；步骤4，将雷达数据Data
d
调整大小，经过Flatten操作送入Transformer解码器分支；再经过Layer Norm得到数据Output1，数据Output1经过resize和反卷积操作得到数据Output
11
；步骤5，将雷达数据Data
d
调整大小，送入金字塔卷积结构提取特征处理，得到数据Output2；步骤6，连接数据Output
11
和数据Output2，经过卷积操作得到响应图数据Output3；步骤7，处理响应图数据Output3的每一个元素，得到数据Output4；步骤8，重复步骤3至步骤7，分别对10张雷达数据Data
b
按照相关步骤进行处理，得到10张数据Output4，将该10张数据Output4拼接得到最终结果output，该最终结果output映射回原图即得在原图上标注目标位置。2.如权利要求1所述的基于多分支结合的深度网络雷达目标检测方法，其特征在于，步骤1中，具体过程是：雷达接收机接收到回波信号后，对信号进行滤波、解调、数字化处理，得到雷达的RD矩阵数据信息Data
ori
，对RD矩阵数据信息Data
ori
进行层归一化处理后得到雷达数据Data
a
，层归一化的具体操作如下：1.1)对于一个样本，计算该样本的均值和方差，表达式为：其中，d代表Data
ori
一个通道所含有的数据量，此处Data
ori
的一个通道数据量大小为260*4000，x
i
代表Data
ori
一个通道里每一个数据的数值大小；1.2)计算Data
ori
一个通道里每一个数据x
i
归一化后的结果y
i
，表达式为：其中，i＝1,2,
…
,260*4000，y
i
是x
i
归一化对应的结果，γ和β是用于学习的缩放因子和偏移量，是一个小常数；Data
ori

【专利技术属性】
技术研发人员：刘龙，陈虎，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：