一种基于自监督学习的多维特征目标检测方法技术

本发明专利技术公开了一种基于自监督学习的多维特征目标检测方法，包括：对下行AD数据进行信号处理；对中心波束在距离

【技术实现步骤摘要】
一种基于自监督学习的多维特征目标检测方法


[0001]本专利技术属于目标检测
，尤其涉及一种基于自监督学习的多维特征目标检测方法。

技术介绍

[0002]传统基于模型知识的目标检测方法主要基于统计信号处理理论，即假设噪声、杂波等背景遵循复数高斯、K
‑
分布等统计分布，在时、空、频等维度上对回波数据进行处理后采用恒虚警检测（CFAR）计算统计检验量，并与阈值进行比较进行假设检验以确定是否有目标存在。
[0003]但在复杂环境下，样式多、变化大、强度高、非平稳的杂波加上无意干扰，使得目标与背景难以从幅度和功率等能量维度上难以区分。若仅采用基于能量的阈值检测严重影响探测设备对目标的检测能力，产生大量虚警或造成大量丢点，严重影响后续跟踪性能。
[0004]飞速发展的人工智能技术提供了一种新技术途径，即基于数据驱动并结合基于统计信号模型的知识驱动的形式，对回波经预处理后从多维特征空间判定目标是否存在。该思路将机器学习理论与方法可以应用到雷达目标检测领域，结合传统信号处理模型知识，有望实现目标和虚警更准确的区分，以实现较传统方法更好的虚警剔除和弱小目标检测效果。目前已有部分研究采用卷积神经网络（CNN）和支持向量机（SVM）以及聚类（在公开号为CN109444840B，专利技术名称为一种基于机器学习的雷达杂波抑制方法的专利申请中提及）等机器学习方法根据时频特征图或分形特征对目标和杂波进行区分，实现较传统阈值检测方法更准确的目标检测。
[0005]上述研究均为监督学习方法，需要有大量的良好的人工标注数据。当数据量不足或数据多样性不够时，上述基于监督学习的目标检测性能不佳甚至不能应用。尤其是基于深度卷积神经网络的虚警抑制方法通常要求具备网络模型参数量级别的数据样本量，以一个简单的ResNet18模型为例，其网络模型参数有大约1100万，因此若训练样本太少则网络模型的性能将极大受限。且若数据中错误标注过多也会造成严重的性能下降。而在探测感知领域，目前样本标注方法主要基于标注工具通过人手工标注，耗时费力，导致即使在实验中积累了大量实测数据也无法充分利用，造成数据资源的极大浪费。此外，标注质量也因人而异，难以保证标注完全正确；对于一些复杂场景下的疑似目标即使专家标注也无法保证标注正确。这为数据驱动的机器学习方法应用于目标检测的实现与优化带来了挑战，阻碍了机器学习方法在探测感知领域的落地应用。

技术实现思路

[0006]为了解决上述问题，本专利技术提出了一种基于自监督学习的多维特征目标检测方法，包括以下步骤：
[0007]训练阶段：
[0008]对下行AD数据进行信号处理，获得积累后的强度图，其维度为距离
‑
多普勒
‑
波位；
[0009]对中心波束在距离
‑
多普勒上采用CFAR检测，获取到疑似目标点所在距离门和多普勒门信息；
[0010]提取疑似目标点的多维特征；
[0011]构建目标检测任务相关的上游任务，通过数据增强及仿真综合构建上游任务特征数据集及相应标注；
[0012]针对构建的上游任务，基于生成的上游任务特征数据集及其标注，训练神经网络模型，生成训练完成的神经网络模型；
[0013]根据提取的疑似目标点的多维特征构建多维特征目标检测数据集；
[0014]将针对上游任务训练完成的神经网络模型迁移到当前目标检测任务，利用带标注的目标特征样本对神经网络模型进行微调，以获得基于神经网络的目标检测模型；
[0015]测试阶段：
[0016]对下行AD数据进行信号处理，获得积累后的强度图，其维度为距离
‑
多普勒
‑
波位；
[0017]对中心波束在距离
‑
多普勒上采用CFAR检测；
[0018]提取疑似目标点的多维特征；
[0019]利用训练阶段构建的基于神经网络的目标检测模型在特征空间对CFAR检测的疑似目标点进行判别，对虚警点进行抑制，其输出判定为真实目标的点作为点迹结果。
[0020]进一步地，所述对下行 AD 数据进行信号处理，包括脉冲压缩、数字波束形成、脉冲多普勒和空时自适应处理操作。
[0021]进一步地，所述CFAR检测包括一维距离维检测、二维距离
‑
多普勒维检测和距离
‑
多普勒
‑
方位检测。
[0022]进一步地，所述提取疑似目标点的多维特征具体为：
[0023]根据疑似目标点所在距离门、多普勒门和波束位置截取相邻距离门、多普勒门和波束维中的一维或多维数据，截取的数据的波束位置用圈表示，截取的数据为当圈数据或从当圈到前N圈的多圈数据。
[0024]进一步地，上游任务神经网络模型的训练生成，包括构建各类CNN网络模型、RNN网络模型、Transformer和图神经网络模型，利用上游任务特征数据集训练模型参数。
[0025]进一步地，选取部分CFAR检测后疑似目标点的点迹结果进行真实目标和虚假目标标注，结合其对应目标特征，构建出多维特征目标检测数据集。
[0026]进一步地，对上游任务训练完成的神经网络模型进行的微调，包括替换神经网络模型中的线性连接层、卷积层、汇聚层三者中的部分或全部；
[0027]对上游任务训练完成的神经网络模型进行的微调，还包括利用所构建的多维特征目标检测数据集对上游任务训练完成的神经网络模型进行训练学习，所述训练学习的设置包括损失函数、优化器、学习率的设计。
[0028]进一步地，疑似目标点的多维特征为经过信号处理后的强度数据、进行CFAR检测后的信噪比数据或经过杂波图检测后的信杂比数据。
[0029]进一步地，目标检测任务的上游任务的构建方法，包括以下特征：
[0030]a)任务输入为疑似目标点的多维特征在距离
‑
多普勒
‑
波位上的一维或多维的变换；
[0031]b)特征a）所述变换的变换量根据实际情况设置，变换量被编码后作为数据在目标
特征样本上标注，该标注不依赖于人工标注。
[0032]进一步地，所述上游任务特征数据集通过对疑似目标点的多维特征进行变换而构建，所述变换包括变换类型和变换类型的变换参数，变换类型包括平移、翻转或在距离
‑
多普勒
‑
波位上的一维或多维的联合线性变换。
[0033]本专利技术与现有技术相比，具备的优点在于：
[0034]1.生成上游任务的输入数据及其标注由无标注数据综合生成，实现无需手动标注的上游任务的模型训练。
[0035]2.通过模型迁移的方式，针对目标检测任务所需标注样本少，且生成的神经网络模型具有良好的泛化性。
[0036]3.较传统的能量阈值检测方法虚警率更低。
[0037]4.与传统信号处理和检测流程兼容，可通过实施本专利技术方法实现性能提升。
[0038]5.本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自监督学习的多维特征目标检测方法，其特征在于，包括以下步骤：训练阶段：对下行AD数据进行信号处理，获得积累后的强度图，其维度为距离
‑
多普勒
‑
波位；对中心波束在距离
‑
多普勒上采用CFAR检测，获取到疑似目标点所在距离门和多普勒门信息；提取疑似目标点的多维特征；构建目标检测任务相关的上游任务，通过数据增强及仿真综合构建上游任务特征数据集及相应标注；针对构建的上游任务，基于生成的上游任务特征数据集及其标注，训练神经网络模型，生成训练完成的神经网络模型；根据提取的疑似目标点的多维特征构建多维特征目标检测数据集；将针对上游任务训练完成的神经网络模型迁移到当前目标检测任务，利用带标注的目标特征样本对神经网络模型进行微调，以获得基于神经网络的目标检测模型；测试阶段：对下行AD数据进行信号处理，获得积累后的强度图，其维度为距离
‑
多普勒
‑
波位；对中心波束在距离
‑
多普勒上采用CFAR检测；提取疑似目标点的多维特征；利用训练阶段构建的基于神经网络的目标检测模型在特征空间对CFAR检测的疑似目标点进行判别，对虚警点进行抑制，其输出判定为真实目标的点作为点迹结果。2.根据权利要求1所述的基于自监督学习的多维特征目标检测方法，其特征在于，所述对下行 AD 数据进行信号处理，包括脉冲压缩、数字波束形成、脉冲多普勒和空时自适应处理操作。3.根据权利要求1所述的基于自监督学习的多维特征目标检测方法，其特征在于，所述CFAR检测包括一维距离维检测、二维距离
‑
多普勒维检测和距离
‑
多普勒
‑
方位检测。4.根据权利要求1所述的基于自监督学习的多维特征目标检测方法，其特征在于，所述提取疑似目标点的多维特征具体为：根据疑似目标点所在距离门、多普勒门和波束位置截取相邻距离门、多普勒门和波束维中的一维或多维数据，截取的...

【专利技术属性】
技术研发人员：王治飞，于俊朋，杨予昊，李品，
申请(专利权)人：中国电子科技集团公司第十四研究所，
类型：发明
国别省市：