【技术实现步骤摘要】
本专利技术属于计算机视觉领域，具体涉及一种基于对比学习方式，面向航海雷达实现海上目标检测的方法和系统。
技术介绍
1、航海雷达广泛应用于民用和军用监控系统中，用于导航、避障和安防等任务，目标检测是其关键应用技术。传统的雷达目标检测方法主要基于恒虚警技术，根据不同的杂波背景和雷达分辨率，设计不同的检测器，如针对非高斯分布、时变杂波背景的非参量恒虚警处理量化秩检测器。这类传统方法存在一些缺陷，主要包括传统方法需要根据经验定义大量手工参数，费时费力；采用固定尺寸检测窗难以满足多尺度船只目标检测需求等。
2、随着深度学习技术的飞速发展，深度学习网络体现了其提取目标高维特征的强大能力，得到广泛应用。在航海雷达面临复杂多变的海杂波干扰环境下，将深度学习模型应用于航海雷达目标检测算法对于算法召回率和精确度提升具有巨大潜力，深度模型可以自动提取有效目标与杂波的特征区别，减少人工参数调整的参与。
3、为了使得深度学习模型具有良好的泛化性与鲁棒性，需要大量训练数据集。目前航海雷达回波图像数据较为缺乏，尤其是带有目标标签信息的数据难以获得。针对模型样本数据量少甚至缺乏的问题，可以采用无监督方式训练模型。对比学习是无监督学习的一种范式，可以利用无标签数据让模型具备表示特征的能力。对比学习的目标是学习一个编码器，旨在对同类数据进行相似编码，使不同类数据的编码结果尽可能不同。
技术实现思路
1、本专利技术目的是提供一种基于对比学习的航海雷达目标检测方法，建立全天候、多杂波背景下航海雷达
2、本专利技术主要基于对比学习方式，利用大量无标签航海雷达图像，提升模型对航海雷达目标的特征表示能力，进一步通过适量带有标签信息的训练数据集对检测网络模型微调，增强其区分有效航海目标与杂波的能力，从而获得优秀的目标检测能力。
3、本专利技术采取的技术方案是：
4、一种基于对比学习的航海雷达目标检测方法，包括数据采集阶段、雷达目标特征提取阶段和数据后处理阶段，其中：
5、在数据采集阶段，获取雷达图像，并通过图像剪切方法、时序图像生成方法对雷达图像进行预处理；
6、在雷达目标特征提取阶段，采用聚类方法产生伪标签，以交替预测方式和最小化不同数据分布距离的方式提升特征判别性，并通过适量标注数据对目标检测模型进行微调；
7、在数据后处理阶段，采用非极大值抑制方法删除不同雷达图像切片中的冗余检测结果，从而优化最终的目标检测结果。
8、优选的，所述获取雷达图像，其采用的雷达图像采集设备为雷达信号采集卡。
9、优选的，所述雷达图像采集设备获取雷达原始回波，经过采样、同频干扰抑制处理得到大尺寸的雷达回波图像。
10、优选的，所述预处理包括：对于原始大尺寸雷达扫描图像进行切片，将连续三帧雷达回波图像合成rgb三通道的时序图像，将大尺寸的雷达回波原始图像剪裁为适用于模型训练的小尺寸图像。
11、优选的，在所述雷达目标特征提取阶段，利用大量无标签图像数据，通过交替预测方式和最小化不同数据分布距离的方法，从海量数据中广泛学习目标与杂波的有效特征，使得模型具有更好的泛化性和鲁棒性，同时很好地应对航海雷达目标检测数据缺乏问题。
12、优选的，在所述雷达目标特征提取阶段，通过kl-散度计算不同数据分布之间的距离，通过最小化距离来增强模型对目标与杂波的特征表示学习。
13、优选的，在所述数据后处理阶段，通过计算不同切片中目标检测框之间的重合面积，设置抑制门限，删除冗余的检测框，以优化检测结果输出。
14、一种基于对比学习的航海雷达目标检测系统，包括数据采集单元、雷达目标特征提取单元和数据后处理单元；所述数据采集单元包括雷达图像采集设备和雷达图像预处理模块；所述雷达目标特征提取单元包括雷达目标无监督特征预提取模块和雷达目标检测模型微调模块；所述的数据后处理单元包括雷达目标检测全局nms处理模块，即非极大值抑制处理模块；所述数据采集单元与雷达目标特征提取单元连接，所述雷达目标特征提取单元与数据后处理单元连接；所述数据采集单元中的雷达图像采集设备与雷达图像预处理模块连接，所述雷达目标特征提取单元中的雷达目标无监督特征预提取模块与雷达目标检测模型微调模块连接。
15、优选的，所述雷达图像采集设备为雷达信号采集卡。
16、优选的，所述雷达图像预处理模块，对于原始大尺寸雷达扫描图像进行切片，采用时序图像生成方法将连续三帧雷达回波图像合成rgb三通道的时序图像，采用图像剪切方法将大尺寸的雷达回波原始图像剪裁为适用于模型训练的小尺寸图像，为后续模型训练制作数据集做准备。
17、优选的，所述雷达目标无监督特征预提取模块采用聚类思想，以交替预测方式和最小化数据分布距离的方式先后提升特征判别性，对雷达目标和杂波特征进行表征学习，从而训练深度学习模型，以提升下游任务中目标检测模型的泛化性和稳定性。
18、优选的，所述雷达目标检测模型微调模块采用有监督训练方式，通过高质量的标注数据，进一步微调所述雷达目标无监督特征预提取模块得到的预训练的目标检测模型，使其更精确面向有效的航海目标，获得优秀的目标检测准确性。
19、优选的，所述雷达目标检测全局非极大值抑制处理模块通过计算不同切片中目标检测框之间的重合面积，设置抑制门限，删除冗余的检测框，进一步优化检测结果输出。
20、本专利技术的上述技术方案的有益效果是：
21、上述方案中，雷达图像采集设备能够获取雷达回波实时采样处理生成雷达图像，雷达图像预处理模块采用连续帧的灰度图构建伪彩色图，能够添加雷达图像的目标时序信息，丰富雷达图像中的目标特征信息。雷达目标无监督特征提取模块采用对比学习方式训练深度学习模型，能够利用大量无标签信息的雷达数据，解决当前航海雷达目标标注数据集缺乏问题，为航海雷达目标特征提取方法提供新思路。雷达目标检测模型微调模块通过适量标注数据进行模型性能的微调，构建了一个可以获得高召回率和高准确度的航海雷达目标检测模型，为航海目标监控应用提供高性能模型。同时，整套方法流程可以部署在多种平台，能够搭建在多种监测设备上，具有很强的可移植性。
本文档来自技高网...【技术保护点】
1.一种基于对比学习的航海雷达目标检测方法，其特征在于，包括数据采集阶段、雷达目标特征提取阶段和数据后处理阶段，其中：
2.根据权利要求书1所述的方法，其特征在于：所述获取雷达图像，其采用的雷达图像采集设备为雷达信号采集卡。
3.根据权利要求书2所述的方法，其特征在于：所述雷达图像采集设备获取雷达原始回波，经过采样、同频干扰抑制处理得到大尺寸的雷达回波图像。
4.根据权利要求书1所述的方法，其特征在于，所述预处理包括：对于原始大尺寸雷达扫描图像进行切片，将连续三帧雷达回波图像合成RGB三通道的时序图像，将大尺寸的雷达回波原始图像剪裁为适用于模型训练的小尺寸图像。
5.根据权利要求书1所述的方法，其特征在于：在所述雷达目标特征提取阶段，利用大量无标签图像数据，通过交替预测方式和最小化不同数据分布距离的方法，从海量数据中广泛学习目标与杂波的有效特征，使得目标检测模型具有更好的泛化性和鲁棒性，同时很好地应对航海雷达目标检测数据缺乏问题。
6.根据权利要求书5所述的方法，其特征在于：在所述雷达目标特征提取阶段，通过KL-散度计算
7.根据权利要求1所述的方法，其特征在于，在所述数据后处理阶段，通过计算不同切片中目标检测框之间的重合面积，设置抑制门限，删除冗余的检测框，以优化检测结果输出。
8.一种基于对比学习的航海雷达目标检测系统，其特征在于，包括数据采集单元、雷达目标特征提取单元和数据后处理单元；所述数据采集单元包括雷达图像采集设备和雷达图像预处理模块；所述雷达目标特征提取单元包括雷达目标无监督特征预提取模块和雷达目标检测模型微调模块；所述的数据后处理单元包括雷达目标检测全局NMS处理模块，即非极大值抑制处理模块；所述数据采集单元与雷达目标特征提取单元连接，所述雷达目标特征提取单元与数据后处理单元连接；所述数据采集单元中的雷达图像采集设备与雷达图像预处理模块连接，所述雷达目标特征提取单元中的雷达目标无监督特征预提取模块与雷达目标检测模型微调模块连接。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1～7中任一项所述方法的指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现权利要求1～7中任一项所述的方法。
...【技术特征摘要】
1.一种基于对比学习的航海雷达目标检测方法，其特征在于，包括数据采集阶段、雷达目标特征提取阶段和数据后处理阶段，其中：
2.根据权利要求书1所述的方法，其特征在于：所述获取雷达图像，其采用的雷达图像采集设备为雷达信号采集卡。
3.根据权利要求书2所述的方法，其特征在于：所述雷达图像采集设备获取雷达原始回波，经过采样、同频干扰抑制处理得到大尺寸的雷达回波图像。
4.根据权利要求书1所述的方法，其特征在于，所述预处理包括：对于原始大尺寸雷达扫描图像进行切片，将连续三帧雷达回波图像合成rgb三通道的时序图像，将大尺寸的雷达回波原始图像剪裁为适用于模型训练的小尺寸图像。
5.根据权利要求书1所述的方法，其特征在于：在所述雷达目标特征提取阶段，利用大量无标签图像数据，通过交替预测方式和最小化不同数据分布距离的方法，从海量数据中广泛学习目标与杂波的有效特征，使得目标检测模型具有更好的泛化性和鲁棒性，同时很好地应对航海雷达目标检测数据缺乏问题。
6.根据权利要求书5所述的方法，其特征在于：在所述雷达目标特征提取阶段，通过kl-散度计算不同数据分布之间的距离，通过最小化距离来增强目标检测模型对目标与杂波的特征表示学习。
7.根据...
【专利技术属性】
技术研发人员：司凌宇，刘美琴，李港，强文文，张筱晗，
申请(专利权)人：中国科学院软件研究所，
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。