【技术实现步骤摘要】
本专利技术属于雷达探测与信号处理，尤其涉及一种无人机载雷达图像目标识别方法与系统。
技术介绍
1、无人机载视觉雷达对目标准确标识别，关系到航空领域的安全。无人机载视觉雷达的目标识别多是高空作业，识别的目标图像信息易受到飞机倾斜角度、高空外部噪声干扰、机身异常抖动、被测物体的抖动和采样速度过低等因素的干扰，使得识别目标区域模糊，可识别特征发生严重衰减。传统机载视觉雷达的目标识别方法中，在运动状态下对高空目标的图像衰减特征分割一直很困难，分割过程会出现过分割和欠分割的问题，导致目标识别结果不理想。现有技术获取雷达图像中对地目标的运行速度，通过雷达视场距离的标定成像几何原理，将地面目标三维场景投射到二维象平面中，并采用数据链驱动无缝集成模式来运算识别地面目标的实际数量，获取准确的塔机目标识别检测结果。
2、然而，随着基于卷积神经网络模型的输入图像分辨率、网络宽度、网络深度等的优化，自然场景下的图像目标检测网络模型取得的效果稳步提升，仍然需要面对类内多样性、类间相似性和效率等问题。不同于自然场景图像，无人机载雷达图像更容易受到光照、环境、季节、天气等背景因素的干扰，同时，无人机载雷达图像图像往往来源于空中视角，导致图像中的目标尺寸变化巨大、长宽比变化极端、方向变化大、分布密集、噪声较大等问题，给在复杂背景下检测小型和不规则物体带来了额外的挑战。
技术实现思路
1、本专利技术的目的是提供一种无人机载雷达图像目标识别方案；其能够较大程度的提高了雷达图像的识别准确率，在无人机载雷达图
2、本专利技术第一方面提出一种无人机载雷达图像目标识别方法。所述方法包括：
3、步骤s1、获取无人机载雷达图像，将所述无人机载雷达图像依次送入基于visiontransformer网络的第一计算模块和第二计算模块，以获取所述无人机载雷达图像的局部特征图；
4、步骤s2、利用通道-空间注意力模块对所述局部特征图中表征所述无人机载雷达图像的全局信息的特征进行增强，得到所述无人机载雷达图像的经全局增强的局部特征图；
5、步骤s3、将所述经全局增强的局部特征图依次送入基于vision transformer网络的第三计算模块和第四计算模块，以获取所述无人机载雷达图像的融合特征图
6、步骤s4、利用优化损失函数对所述融合特征图进行降噪处理，对经降噪处理的融合特征图进行识别，以确定所述无人机载雷达图像中包含的目标。
7、根据本专利技术第一方面的方法，基于所述vision transformer网络的所述第一计算模块、所述第二计算模块、所述第三计算模块和所述第四计算模块的计算过程如下：
8、将输入图像x划分为m个不重叠且具有相同宽度的区域块，xi＝[x1,x2,…,xm]∈r(s×m)×c，其中，xi表示第i个区域块，r表示实数域，s表示区域块宽度，s×m表示每个区域块包含的令牌数，c表示通道数；
9、对m个区域块进行展平操作，得到m个向量图片，将m个向量图片的向量数据对应的各个图像块按顺序拼接成完整矩阵；
10、将所述完整矩阵与第1个向量图片作为第一输入，将所述完整矩阵与第2个向量图片作为第二输入，依此类推，将所述完整矩阵与第m个向量图片作为第m输入，上述m个输入依次被输入至基于所述vision transformer网络的计算模块；
11、所述vision transformer网络的计算模块的多头注意力机制包含k个注意力头，第k个注意力头的查询、键和值的维度均为dk，第k个注意力头的输出headk为：
12、
13、
14、其中，表示第k个注意力头针对第i个区域块xi的计算输出，attention()表示注意力函数，以及分别表示第k个注意力头的查询、键以及值；
15、将所述visiontransformer网络的计算模块的k个注意力头的计算结果进行整合，得到所述visiontransformer网络的计算模块的自注意力机制的输出结果vit-attention(x)：
16、vit-attention(x)＝concat(head1,head2,...,headk)wo
17、其中，concat()表示级联函数，wo∈rc×c表示投影矩阵；
18、则所述visiontransformer网络的计算模块的多层感知器输出的特征图表示为：
19、
20、
21、其中，为中间量，ln()表示归一化，mlp()表示多层感知器，xl表示多层感知器第l层的输出特征，xl-1表示多层感知器第l-1层的输出特征。
22、根据本专利技术第一方面的方法，所述通道-空间注意力模块包括通道注意力模块和空间注意力模块；其中：
23、所述通道-空间注意力模块的输入f为所述第二计算模块输出的所述局部特征图f2，f＝f2∈rh′×w′×c′，h′、w′、c′分别表示所述局部特征图的高、宽、通道数；
24、所述通道注意力模块对输入f进行处理后得到通道注意力特征mc(f)∈rc′，表示为：
25、mc(f)＝fc(fc(gap(f))
26、其中，gap()表示全局平均池化层，fc()则表示全连接层；
27、所述空间注意力模块对输入f进行处理后得到空间注意力特征ms(f)∈rh′×w′，表示为：
28、ms(f)＝conv1×1(conv3×3(conv3×3(conv1×1(f))))
29、其中，conv()表示卷积层操作，1×1和3×3分别表示卷积核大小为1和3；
30、融合所述通道注意力特征和所述空间注意力特征，以进一步得到所述通道-空间注意力模块输出的输出特征图ffinal：
31、fall＝gelu(mc(f)+ms(f)))
32、ffinal＝f+f-fall
33、其中，gelu表示激活函数，fall表示融合所述通道注意力特征和所述空间注意力特征后得到的特征。
34、根据本专利技术第一方面的方法，所述优化损失函数的预优化过程包括：
35、根据方程y＝n(σ,δ)×x对预优化阶段的训练图像进行加噪，y表示噪声图像，x表示未加噪的训练图像，n(σ,δ)表示方差为δ、均值为σ的噪声；
36、所述噪声图像图像经过所述vision transformer网络的计算模块后得到rim，rim＝vit[y]，同时rim作为残差图像，rim＝y-n(σ,δ)；利用均方误差mse来执行优化训练，其损失函数的表达式为：
37、
38、其中，loss()表示损失函数，w和b分别表示优化过程中的权重和偏置。
39、本专利技术第二方面提出一种无人机载雷达图像目标识别系统。所述系统包括处理单元，所述处理单元被本文档来自技高网...
【技术保护点】
1.一种无人机载雷达图像目标识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种无人机载雷达图像目标识别方法，其特征在于，基于所述Vision Transformer网络的所述第一计算模块、所述第二计算模块、所述第三计算模块和所述第四计算模块的计算过程如下：
3.根据权利要求2所述的一种无人机载雷达图像目标识别方法，其特征在于，所述通道-空间注意力模块包括通道注意力模块和空间注意力模块；其中：
4.根据权利要求3所述的一种无人机载雷达图像目标识别方法，其特征在于，所述优化损失函数的预优化过程包括：
5.一种无人机载雷达图像目标识别系统，其特征在于，所述系统包括：
6.根据权利要求5所述的一种无人机载雷达图像目标识别系统，其特征在于，基于所述Vision Transformer网络的所述第一计算模块、所述第二计算模块、所述第三计算模块和所述第四计算模块的计算过程如下：
7.根据权利要求6所述的一种无人机载雷达图像目标识别系统，其特征在于，所述通道-空间注意力模块包括通道注意力模块和空间注意力模块；
8.根据权利要求7所述的一种无人机载雷达图像目标识别系统，其特征在于，所述优化损失函数的预优化过程包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1-4任一项所述的一种无人机载雷达图像目标识别方法中的步骤。
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上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-4任一项所述的一种无人机载雷达图像目标识别方法中的步骤。
...【技术特征摘要】
1.一种无人机载雷达图像目标识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种无人机载雷达图像目标识别方法，其特征在于，基于所述vision transformer网络的所述第一计算模块、所述第二计算模块、所述第三计算模块和所述第四计算模块的计算过程如下：
3.根据权利要求2所述的一种无人机载雷达图像目标识别方法，其特征在于，所述通道-空间注意力模块包括通道注意力模块和空间注意力模块；其中：
4.根据权利要求3所述的一种无人机载雷达图像目标识别方法，其特征在于，所述优化损失函数的预优化过程包括：
5.一种无人机载雷达图像目标识别系统，其特征在于，所述系统包括：
6.根据权利要求5所述的一种无人机载雷达图像目标识别系统，其特征在于，基于所述vision transformer网络的...
【专利技术属性】
技术研发人员：李达，雷迎科，薛磊，冯辉，丁峰，欧阳志宏，钱峰，陈翔，
申请(专利权)人：中国人民解放军国防科技大学，
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。