一种海面漂浮小目标检测方法技术

本发明专利技术公开了一种海面漂浮小目标检测方法

【技术实现步骤摘要】
一种海面漂浮小目标检测方法、装置、设备及介质


[0001]本专利技术涉及雷达信号处理
，具体涉及一种海面漂浮小目标检测方法
、
装置
、
设备及介质
。

技术介绍

[0002]在海杂波背景下，海面漂浮小目标
(
如小船
、
快艇
、
潜艇
、
漂浮物等
)
检测一直是海面雷达研究课题中的重难点；由于小目标具有很小的雷达散射截面积
(Radar Cross Section
，
RCS)
和较弱的雷达回波，在检测中往往存在较大困难，从而导致传统基于能量的检测器出现检测概率较低的问题；因此，需要寻找从多个维度查找出海杂波与目标之间的差异特征；但是，目前在高维空间中，虚警率的有效控制存在一定难度
。
[0003]由于多特征检测方法对杂波和目标的分离性进行了明显的提升，因此近年来正逐渐成为热门的研究方向
。
随着雷达领域研究成果不断推陈出新，学者们提出了多种基于特征的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种海面漂浮小目标检测方法，其特征在于，所述方法包括：从采集的雷达接收回波中提取海杂波的七特征数据和待检测样本的七特征数据；对所述海杂波的七特征数据和待检测样本的七特征数据进行预处理，获得完整可用的七特征数据组合；将预处理后的七特征数据组合输入预先构建并训练好的一维卷积神经网络中，获得压缩后的三特征数据集；基于所述三特征数据集，采用三维凸包算法获取虚警可控的凸包判决区域，判断待检测样本点相对于凸包判决区域的位置，得到检测结果；其中，所述一维卷积神经网络的参数是以基于绝对差值计算的损失函数为优化目标进行训练得到的，所述损失函数是以输入与输出间的差异最小以及海杂波与目标回波间的差异最大为原则设计的
。2.
根据权利要求1所述的海面漂浮小目标检测方法，其特征在于，所述七特征数据包括归一化
Hurst
指数
、
相对平均幅度
、
相对多普勒峰高
、
相对向量熵
、
脊积累
、
最大连通区域尺寸和连通区域数这七个特征相应的数据
。3.
根据权利要求1所述的海面漂浮小目标检测方法，其特征在于，所述一维卷积神经网络的结构包括依次连接的两层卷积层
、
池化层和全连接层；所述卷积层用于通过卷积核进行特征提取和特征映射，以获得到全局信息的高维特征数据；所述池化层用于对卷积层提取的高维特征数据进行降维处理，以去除特征中的冗余信息；所述全连接层用于将经过各网络层提取得到的局部特征组进行整合连接；所述卷积层的激活函数为
ReLU
，用于对卷积层的输出结果进行非线性映射；全连接层的激活函数为
softmax
，用于将全连接层输出数据进行归一化，得到各分类的目标预测值
。4.
根据权利要求3所述的海面漂浮小目标检测方法，其特征在于，所构建的一维卷积神经网络的参数配置包括：设置步长为1，两层卷积核大小均为
3*1
，最大化池化
、
池化核大小为
2*1
；全连接层大小为
64*2。5.
根据权利要求1所述的海面漂浮小目标检测方法，其特征在于，所述基于绝对差值计算的损失函数的设计包括以下步骤：分别计算同一数据在同一特征下输入与输出间的差异值和海杂波与目标回波在该特征下的数据差异值，其计算公式如下：征下的数据差异值，其计算公式如下：式中，
n
表示同一特征下的数据总组数，
i
表示同一特征下数据组数的编号，
i
＝
1,2,...,n
；
j
表示特征的编号，
j
＝
1,2,...,7
；
x
ij
和分别表示第
j
个特征下第
i
组数据的输入值和一维卷积神经网络训练得到的输出值，
S
j
表示第
j
个特征下的输入与输出间的误差；
y
ij
和分别表示第
j
个特征下海杂波和目标回波的值，
K
j
表示第
j
个特征下海杂波和目标回波之间的误差；分别计算所述
S
j
和
K
j
这两项指标下的各个特征的样本值所占比重，其计算公式如下：这两项指标下的各个特征的样本值所占比重，其计算公式如下：式中，
ρ
j1
、
ρ
j2
分别为
S
j
和
K
j
这两项指标下的第
j
...

【专利技术属性】
技术研发人员：时艳玲，马雪茗，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：