[发明专利]一种基于深度神经网络的多目标恒虚警率检测方法

说明书

本发明公开一种基于深度神经网络的多目标恒虚警检测方法，该方法通过建立使用了数据增强技术的仿真数据集来训练基于深度神经网络的预检测器，对雷达信号峰值进行分类，以区分是目标还是杂波。从原始背景样本中移除预检测器检测到的目标形成缩减样本。基于此缩减样本使用基于泰勒级数的近似最大似然估计器进行背景水平估计得到虚警调节门限，移除预检测结果中低于此门限的目标，输出最终检测结果。本发明的方法不需要依赖预先估计的背景水平来检测目标，在目标密集度很高的场景下依然能保持优越的检测性能。

技术领域

本发明属于调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达多目标恒虚警率(Constant False Alarm Rate,以下简称CFAR)检测技术领域，具体涉及一种基于深度神经网络的多目标恒虚警率检测方法。

背景技术

多目标检测具有很大的挑战性，尤其是在目标密集分布的场景。在传统的CFAR检测方法中，检测阈值是基于预先估计的背景水平确定的。但是，干扰目标会难以避免地导致背景水平估计不准确，从而导致检测性能下降。

发明内容

针对传统CFAR检测方法在多目标场景检测性能下降的缺点，本发明提出一种基于深度神经网络的多目标恒虚警率检测方法，通过深度神经网络检测器将目标检测转换为雷达的峰值序列分类问题来提高检测性能，不需要依赖于背景水平估计。在使用了数据增强技术的仿真数据集上训练的深度神经网络检测器具有出色的泛化能力，可以在真实场景中部署。在虚警调节过程中使用基于泰勒级数的近似最大似然估计器获得了更好的计算性能。

本发明的目的通过如下的技术方案来实现：

一种基于深度神经网络的多目标恒虚警率检测方法，该方法包括以下步骤：

S1：通过数据增强技术建立具有动态信杂比和动态目标数的雷达中频信号的仿真数据集其中，n为训练样本的个数，K_n为第n个样本的距离序列长度；L_K为真实标签，目标被标记为1，杂波被标记为0；R_K＝[r₁，r₂，...，r_K]为峰值距离序列，I_K＝[i₁，i₂，...，i_K]是与P_K对应的峰值强度序列；峰值序列P_K＝(R_K，I_K)，其是先将雷达中频信号作傅里叶变换后取模得到雷达频率强度测量X，再对X取峰值得到的；

S2：构建能够对峰值序列P_K进行分类的深度神经网络检测器，并利用所述仿真数据集对其进行训练，得到训练后的深度神经网络检测器；

S3：将待检测的雷达频率强度测量X取峰值，得到的峰值序列P_K输入训练后的深度神经网络检测器，输出目标检测结果Y；

S4：假设X中的杂波服从瑞利分布，从X中移除目标检测结果Y后形成缩减样本并用截断的瑞利分布对中的杂波建模；

S5：设计基于泰勒级数的近似最大似然估计器，确定比例参数σ的近似最大似然估计；根据指定的虚警率P_FA和比例参数σ的近似最大似然估计计算得到虚警调节门限T_fa，剔除检测结果Y中低于T_fa的目标，输出恒虚警检测结果。

进一步地，所述S1中仿真数据集的增强按照以下方式进行：

(1)使雷达中频信号具有动态信杂比

将所述仿真数据集对应的雷达中频信号的第k个目标的回波信号乘上其对应的回波功率

其中，P_c为杂波功率，SCR_k为第k个目标设置的动态信杂比