[发明专利]基于图时空网络的雷达动目标多帧联合检测方法

说明书

本发明公开了一种基于图时空网络的雷达动目标多帧联合检测方法，主要解决现有技术对单通道系统动目标检测虚警率较高的问题。其方案是：获取子孔径距离多普勒谱；构造子残差网络和子图时空网络，并用其构成用于动目标检测的神经网络模型；用子残差网络做区域目标检测，输出初步检测概率图并计算交叉熵损失；用子图时空网络作时空特征提取与融合，输出中间帧动目标的最终检测概率图并计算均方误差；将交叉熵损失与均方误差之和作为总代价函数，训练神经网络至总代价函数收敛得到训练好的神经网络，将测试数据输入训练好的神经网络，对其输出的阈值判断，抑制非极大值后得到中间帧的动目标检测结果。本发明降低了虚警率，可实现可靠的动目标检测。

技术领域

本发明属于雷达信号处理技术领域，特别涉及一种动目标多帧联合检测方法，可用于高帧率雷达系统。

背景技术

运动目标检测是机载海事雷达实现战场环境感知与潜在目标监视的基本任务。在多普勒处理中，可以通过提取运动目标的多普勒频移对其进行检测。但是，恶劣的海况与目标复杂的运动特性往往导致动目标回波信杂噪比较低。在低信杂噪比下实现可靠的运动目标检测是目前研究的热点。大多数的目标检测算法都通过杂波抑制来提高信杂噪比，因此对强海杂波的有效抑制是海事雷达运动目标检测的关键技术。在单通道雷达系统中，杂波抑制的主要方法包括频域滤波、时频分析、子孔径对消技术等。然而，频域滤波法要求目标多普勒频移大于主瓣杂波的多普勒带宽，并且存在速度盲区；子孔径对消法其性能在很大程度上依赖于相干斑噪声的抑制以及配准技术，存在对消后杂波剩余较大，信杂比改善不理想的问题；时频分析法则存在交叉项干扰、信杂比较小时不适用等问题。

基于上述分析，单通道雷达系统杂波抑制能力弱，现有技术不具备相对彻底的杂波抑制能力，无法有效区分运动目标与杂波的多普勒频谱，导致传统的动目标检测方法无法实现稳健的目标检测，存在虚警与漏警的问题。因此在单通道雷达系统的动目标检测问题中迫切需要一种稳健的动目标检测方法。随着机器学习技术特别是深度学习技术的快速发展，越来越多的深度学习模型被迁移应用以及改进到雷达目标检测领域中，其强大的特征提取能力与帧间信息融合能力使得直接从多帧雷达回波数据中提取动目标信息成为可能，避免了单通道雷达系统中的杂波抑制问题。

目前，针对单通达雷达系统中的动目标检测问题以及深度学习中的多帧信息融合问题主要有以下两种方法：

一是Zhirui Wang,Xian Sun,Wenhui Diao等在论文“Ground Moving TargetIndication Based on Optical Flow in Single-Channel SAR”中提出了一种基于光流信息的地面移动目标检测方法。该方法利用运动目标在多视SAR图像序列中的光流信息实现初步的检测，随后结合动目标在相邻帧之间的运动相关性进行虚警抑制，最终实现了稳健的动目标检测。但是该方法受限于在实际的SAR图像中，由于相干斑噪声的影响，动目标的光流信息很难被准确的提取，从而影响动目标检测效果，在实际任务中其检测效果并不理想。

二是D.Tran,L.Bourdev,R.Fergus在论文“Learning Spatiotemporal Featureswith 3D Convolutional Networks”中针对传统视频处理方法的不足，提出了一种利用三维卷积神经网络进行时空特征抽取的方法。在传统视频处理任务中，均采用二维卷积神经网络进行各个关键帧的特征提取，而后再应用相关算法把关键帧的特征融合在一起，没有充分利用时间维度的运动信息，其在视频分类任务上取得了不错的效果，但在视频检测任务上任有较大的提升空间。该方法为了避免上述问题，采用三维卷积神经网路对一段视频帧数据进行特征提取与融合，对每帧输入信息分别提取其灰度、x/y方向梯度、x/y方向光流信息，然后在连续视频帧间利用三维卷积操作分别对上述信息进行特征提取，并在时间维度上对相邻帧间的信息进行特征融合，有效地提取到了连续帧中的运动信息。但是该方法由于对整张图像的特征提取，只适用于提取视频中的运动信息以及视频分类等任务，无法提取目标位置信息，因此不适用于目标检测的任务。

发明内容