[发明专利]非视域目标检测方法、装置和存储介质

权利要求书

1.一种非视域目标检测方法，其特征在于，所述非视域目标检测方法包括：

发射相干光脉冲至所述非视域目标对应的中介面；

接收所述非视域目标返回的漫反射混合光脉冲，所述漫反射混合光脉冲包含非视域目标的形状信息；

根据应用场景对所述漫反射混合光脉冲进行预处理，得到符合所需尺度的标准漫反射混合光脉冲；

将所述标准漫反射混合光脉冲的每个光脉冲转换为离散数字序列；

将所述每个光脉冲转换对应的离散数字序列进行组合，得到数字矩阵；

将所述数字矩阵输入至深度学习网络中进行特征提取，以得到所述非视域目标的特征信息；

其中，所述深度学习网络包括多个不同膨胀率的并行分支膨胀卷积层和对应的并行分支多尺度融合特征提取网络，每个所述并行分支多尺度融合特征提取网络包括多级分辨率由大到小且依次相连的子网络层，且所述子网络层连接至相邻分支的同级网络层的上下级网络层，所述子网络层用于对本分支的上级网络层输出的特征图与所述同级网络层的上级网络层输出的特征图进行融合，并从融合特征中提取新特征作为下一级输入。

2.如权利要求1所述的非视域目标检测方法，其特征在于，所述根据应用场景对所述漫反射混合光脉冲进行预处理，得到符合所需尺度的标准漫反射混合光脉冲，包括：

确定捕获所述漫反射混合光脉冲的光电探测器的探测精度和所述非视域目标的大小；

根据所述非视域目标的大小确定所述光电探测器的探测精度是否足够；

若所述光电探测器的探测精度为不够，则通过光脉冲处理设备拉伸所述漫反射混合光脉冲，以得到所述标准漫反射混合光脉冲。

3.如权利要求2所述的非视域目标检测方法，其特征在于，所述方法还包括：

若所述光电探测器的探测精度为足够且非视域目标大于预设大小，则通过所述光脉冲处理设备压缩所述漫反射混合光脉冲，得到所述标准漫反射混合光脉冲。

4.如权利要求1-3任一项所述的非视域目标检测方法，其特征在于，所述将所述数字矩阵输入至深度学习网络中进行特征提取，以得到所述非视域目标的特征信息，包括：

通过所述多个不同膨胀率的并行分支膨胀卷积层对所述数字矩阵进行特征提取，以获取多个不同感受野的特征图；

将所述多个不同感受野的特征图对应输入至所述多个并行分支多尺度融合特征提取网络中，以分别获取每个并行分支多尺度融合特征提取网络输出的多尺度融合特征图；

对所述每个并行分支多尺度融合特征提取网络输出的多尺度融合特征图进行特征融合，得到所述非视域目标的特征信息。

5.如权利要求4所述的非视域目标检测方法，其特征在于，所述深度学习网络包括三个不同膨胀率的并行分支膨胀卷积层和三个并行分支多尺度融合特征提取网络，其中，所述三个不同膨胀率的并行分支膨胀卷积层中，膨胀率自上而下依次为1、2和4。

6.如权利要求4所述的非视域目标检测方法，其特征在于，所述对所述每个并行分支多尺度融合特征提取网络输出的多尺度融合特征图进行特征融合，得到所述非视域目标的特征信息，包括：

采用如下公式对所述每个并行分支多尺度融合特征提取网络输出的多尺度融合特征图进行特征融合，得到所述非视域目标的特征信息：

其中，表示各个并行分支膨胀卷积层的第c个通道对应的特征图，H_c表示第c个通道对应的卷积核，*表示卷积操作，C表示卷积层的通道总数，D表示所述非视域目标的特征信息，所述M表示第M分支，所述N表示第N子网络层。

7.如权利要求4所述的非视域目标检测方法，其特征在于，所述子网络层输出的特征图计算方式如下公式所示：

其中，d表示对应并行分支膨胀卷积层的空洞因子，ω表示卷积参数，x_n表示卷积采样点，Δx_i表示卷积采样点的间隔，G表示采样网格，F_i表示所述子网络层对上一级网络层输出的特征图与所述同级网络层的上级网络层输出的特征图进行融合得到的融合特征图。