[发明专利]基于深度学习的雷达回波图像高压线分割方法

说明书

本发明公开了一种基于深度学习的雷达回波图像高压线分割方法，通过雷达回波图像高压线目标标注,以及深度学习高压线分割网络模型的设计训练，从雷达回波图像中分割出高压线目标，提高复杂场景下的高压线检测正确率。其中网络模型设计了卷积模块DCN，堆叠DCN模块实现编码，对雷达回波图像进行特征变换和特征提取，得到特征图；设计卷积模块GCN，堆叠GCN模块，再经过转置卷积，实现编码后特征图有效信息的恢复。本发明将雷达回波方位向拼接，可有效利用高压线的空间关系特征；本发明网络模型的参数调整不需要人工参与，提高了特征选择和提取的有效性；本发明将雷达回波目标检测问题转化成深度学习图像分割问题，实现了高压线目标的精确检测。

技术领域

本技术属于雷达防撞探测技术领域，具体公开了一种基于深度学习的雷达回波图像高压线分割方法。

背景技术

高压线的准确检测是低空防撞雷达最重要的功能，但由于高压线特性复杂，地面场景多样，传统的高压线检测方法例如基于CFAR检测、角度模型匹配检测和SVM检测等方法难以获得稳健的特征，复杂场景适应性差，目前未能取得令人满意的检测效果。

近些年来深度学习技术发展，在光学图像目标识别、检测和分割等领域的应用，已经取得了巨大的成功，但在雷达检测识别的应用甚少，特别是深度学习在高压线检测/分割方面的应用，目前还未找到发表的相关论文及专利。本发明首次将深度学习技术应用于高压线检测，通过拼接多个方位的雷达回波获得雷达回波图像，将高压线检测问题转化成图像分割问题，使用深度学习图像分割方法，实现雷达回波高压线目标的准确检测，解决高压线检测场景适应性差、检测性能不稳定等问题，为防撞雷达高压线检测提供新方法新思路。

发明创造目的

由于低空环境复杂，高压线的架设条件受地形地物的影响，传统的高压线检测方法依靠人工凭借经验难以提取与选择有效的特征，检测识别性能不佳。针对上述问题，本发明提出了一种基于深度学习的雷达回波图像高压线分割方法，实现了雷达回波中的高压线目标的有效检测，该方法极大提高了复杂场景下高压线检测的准确性，为直升机防撞探测系统提供技术支持。

技术方案

基于深度学习的雷达回波图像高压线分割方法，其特征在于，通过雷达回波图像高压线目标标注,以及深度学习高压线分割网络模型的设计和训练，从雷达回波图像中分割出高压线目标，提高复杂场景下的高压线检测正确率。

所述深度学习高压线分割网络模型的设计，具体包括：

a)输入：雷达回波图像，按照全卷积网络要求进行数据的尺度缩放或裁剪；

b)编码：设计卷积模块DCN，堆叠DCN模块实现编码，对雷达回波图像进行特征变换和特征提取，得到特征图。

c)解码：设计卷积模块GCN，堆叠GCN模块，再经过转置卷积，实现编码后特征图有效信息的恢复。

d)输出：解码后的特征图经过分类器，输出雷达回波图像高压线语义分割结果。

所述DCN模块具体实现为：

对于输入尺寸为2W×2H×C₀的特征图，使用1×1卷积核进行特征图降维处理，再分两支路，其中一个支路通过最大池化，再将特征图填充到W×H×C₁维度上；另一支路用2×2卷积核以步长为2进行处理，再经过dilated为1、2、4的3×3空洞卷积操作，之后利用1×1卷积核进行升维，得到尺寸为W×H×C₁的特征图。最后将两个支路数据相加输出。

所述GCN模块具体实现为：

对于输入尺寸为W×H×C的特征图，分两支路，其中一个支路先用尺寸为K×1的卷积核处理，再用1×K的卷积核处理；另一支路先用尺寸为1×K的卷积核处理，再用K×1的卷积核处理；之后将两路尺寸为W×H×21的特征图相加；最后再经过反池化处理，得到尺寸2W×2H×21的特征图。