[发明专利]基于迁移学习的海杂波小目标检测方法

说明书

本发明提出了一种基于迁移学习的海杂波下小目标检测方法。该方法使用TrAdaBoost和SVM分类器结合的迁移方法，从源域数据中筛选有效的近似样本，通过数据迁移来实现目标的检测。通过实测的IPIX海杂波数据的实验，分别证实了将历史数据和不同目标数据迁移时，该算法能够有效实现小目标的探测，准确率达到70％以上。如果目标域中的少量标记样本直接用作训练数据集，由于数据量的缺少，则检测精度约为40％。因此，使用迁移学习的方法可以弥补数据量缺失的问题，提高检测的准确率。

技术领域

本发明涉及海杂波检测技术领域，尤其涉及一种基于迁移学习的海杂波小目标检测方法。

背景技术

海上目标的探测在海洋安全、海事搜救、监控非法行为等方面，都具有很重要的应用价值。海杂波是雷达发射信号照射到局部海平面产生的后向散射回波，可以根据海杂波中包含的目标回波来检测和识别目标。但雷达回波受风、浪等各种因素的影响，具有回波信杂比较低的特点，尤其是小目标，例如：小的漂浮物、高海况下的小舰船和浮冰等，那么有效的探测海上弱小目标具有一定的挑战性。

但是，目前海杂波数据样本存在实测数据少，影响了海杂波小目标检测的准确率。

发明内容

本发明提供一种基于迁移学习的海杂波小目标检测方法，以克服上述技术问题。

本发明基于迁移学习的海杂波小目标检测方法，包括：

确定训练集包括样本数据集和待检测目标数据集，并初始化所述样本数据集和所述待检测目标数据集在所述训练集中的权重；

采用SVM分类器对所述训练集进行分类训练得到第一分类器，并采用所述第一分类器对所述样本数据集或者待检测目标数据集进行分类；

判断所述第一分类器对所述样本数据集或者待检测目标数据集的分类结果是否正确，若是，则减小所述样本数据集或者待检测目标数据集的权重，若否，则增大所述样本数据集或者待检测目标数据集的权重；

采用SVM分类器对所述权重调整后的训练集进行分类训练得到第二分类器，并采用所述第二分类器对所述样本数据集或者待检测目标数据集的分类结果调整所述样本数据集或者待检测目标数据集的权重，以此类推迭代N次，得到第N个分类器；

将所述第一分类器至第N分类器组合为最终分类器；

根据实时的待测数据样本计算所述最终分类器的准确率，并判断所述准确率是否大于阈值，若是，则采用所述最终分类器对待测目标数据集进行检测，若否，则对所述最终分类器继续进行迭代修正。

本发明提出了一种基于迁移学习的海杂波下小目标检测方法。该方法使用TrAdaBoost和SVM分类器结合的迁移方法，从源域数据中筛选有效的近似样本，通过数据迁移来实现目标的检测。通过实测的IPIX海杂波数据的实验，分别证实了将历史数据和不同目标数据迁移时，该算法能够有效实现小目标的探测，准确率达到70％以上。如果目标域中的少量标记样本直接用作训练数据集，由于数据量的缺少，则检测精度约为40％。因此，使用迁移学习的方法可以弥补数据量缺失的问题，提高检测的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于迁移学习的海杂波小目标检测方法流程图；

图2为本发明待检测目标聚乙烯球的分类器准确率曲线图；

图3为本发明待检测目标是航海浮标14#和长4.57m小船的分类器准确率曲线图。

具体实施方式