[发明专利]一种基于全卷积网络的穿墙成像雷达人体目标检测方法

权利要求书

1.一种基于全卷积网络的穿墙成像雷达人体目标检测方法，其特征在于，包括：

S1、超宽带成像：采用两脉冲对消器滤除房间内非生命体雷达回波，然后采用反投影方法获得探测场景内多个人体目标图像；

S2、对步骤S1获取的图像进行预处理：根据每个像素点处各通道的能量差异计算相干因子，对成像结果进行逐像素点加权；

步骤S2中所述相干因子的计算式为：

其中，I(x,y)为步骤S1获取的图像，C＝MN为成像通道数，为第c个通道成像结果；

S3、采用数值仿真产生若干组雷达数据，这若干组雷达数据经步骤S1-S2处理后得到若干灰度图像，所述若干灰度图像用来制作训练数据集；

S4、构建全卷积神经网络；

S5、采用步骤S3中的训练数据集对步骤S4中的全卷积神经网络进行训练；

S6、将待检测图像经不住S1-S2处理后输入训练完成的全卷积神经网络，得到输出结果。

2.根据权利要求1所述的一种基于全卷积网络的穿墙成像雷达人体目标检测方法，其特征在于，步骤S3还包括为每一灰度图像设计标签，所述标签与灰度图像尺寸相同。

3.根据权利要求2所述的一种基于全卷积网络的穿墙成像雷达人体目标检测方法，其特征在于，步骤S4所述全卷积神经网络包括：降采样层、升采样层、跳跃连接以及Softmax层；所述降采样层包括三层步长为2与步长为1的卷积层；所述升采样层包括三层补偿为2的转置卷积层与三层步长为1的卷积层；所述降采样层与升采样层通过三个跳跃连接实现信息共享；全卷积神经网络通过Softmax层进行输出。

4.根据权利要求3所述的一种基于全卷积网络的穿墙成像雷达人体目标检测方法，其特征在于，步骤S5采用交叉熵与dice loss结合的损失函数计算输出结果与标签的误差，损失函数表达式如下：

Loss＝0.5E(I_pred,I_truth)+0.5D(I_pred,I_truth)

其中，E(I_pred,I_truth)为二元交叉熵，I_pred为网络输出结果，I_truth为对应标签，D(I_pred,I_truth) 为dice loss函数。

5.根据权利要求4所述的一种基于全卷积网络的穿墙成像雷达人体目标检测方法，其特征在于，D(I_pred,I_truth)表达式如下：