[发明专利]基于深度学习的低信噪比下雷达RD图像目标检测方法

权利要求书

1.一种基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，包括以下步骤：

步骤1、获取雷达回波数据，生成雷达RD图像；

步骤2、对雷达RD图像进行预处理并进行标签，得到数据集；

步骤3、对数据集进行分类，得到训练集、验证集与测试集；

步骤4、构建针对低信噪比下目标检测的深度学习神经网络；

步骤5、采用训练集对构建的神经网络进行训练，并输出损失值和训练后的检测神经网络；

步骤6、利用训练好的检测神经网络对测试集进行目标检测；

步骤7、获得测试集目标检测准确率结果。

2.如权利要求1所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤1所述获取雷达回波数据，生成雷达RD图像，还包括，

步骤1.1、通过仿真，将生成雷达回波数据中加入不同信噪比的随机噪声；

步骤1.2、设定范围内，随机生成雷达回波数据中目标数目、位置与速度。

3.如权利要求1所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤2所述对雷达RD图像进行预处理并进行标签，具体包括：

步骤2.1、将雷达RD图像标准化，并将分辨率调整为与深度学习神经网络学习匹配的大小；

步骤2.2、获取目标所在位置的具体坐标值，针对目标所在位置的坐标值进行标签设置，生成标准标签数据。

4.如权利要求1所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤3所述训练集包括训练图像数据集和标签数据集。

5.如权利要求1所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤4中所述构建针对低信噪比下目标检测的深度学习神经网络，其中：

所述低信噪比定义为脉冲增压与快速傅里叶变换后信噪比低于7dB；

所述深度学习神经网络采用Faster R-CNN神经网络模型，包括卷积层、区域建议网络、池化层和全连接层四部分；当图像数据输入之后，首先通过卷积层提取图像深层特征，使用VGG16对输入图像执行卷积运算，在卷积层之后，使用最大池化层减小图像的维数，生成特征图，特征图中包含图像深层特征信息；然后将特征图输入区域建议网络，通过滑动窗口提取特征，得到多个建议区域，将带有建议区域的特征图输入感兴趣区域池化层，输出恒定大小的特征图，即将不同大小的目标建议区域变为相同大小的特征向量输出；最后通过全连接层进行分类与回归操作，分类层用于区分目标与复杂背景，构建目标与复杂背景之间的最大差异，回归层用于计算目标位置与真实位置之间的距离；分类层输入为固定大小的特征信息，通过全连接层与softmax提取区域类别并输出其置信度，回归层通过边框回归得到每个目标建议区域的位置偏移，生成更接近目标真实位置的检测框，最后得到最佳区域类别和边界框回归检测框的最终准确位置。

6.如权利要求5所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤5所述采用训练集对构建的神经网络进行训练，包括以下步骤，

步骤5.1、针对不同信噪比下的雷达距离多普勒图像数据集分别训练；

步骤5.2、将训练图像数据集、标签数据集输入到建立的Faster R-CNN神经网络模型中，并计算损失值；

步骤5.3、迭代优化Faster R-CNN神经网络模型参数，重复进行训练；

步骤5.4、当损失值达到最优时，结束训练并输出检测神经网络。

7.如权利要求1所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤5所述损失值通过损失函数L(·)进行计算，计算公式如下：

其中p_i为预测分类概率，为真实分类，t_i为预测的参数化坐标，为真实的参数化坐标，N_cls为最小批处理尺寸，N_reg为标记框的数量，λ为权重平衡参数，L为总损失函数，L_cls为两个类别的对数损失，L_reg为回归损失。

8.如权利要求1所述的基于深度学习的低信噪比下雷达RD图像目标检测方法，其特征在于，步骤7所述准确率包括检测率P_d和虚警率P_f，计算公式如下，

其中，TP为真正例，真实目标预测为目标的数量；FN为假反例，真实目标预测为非目标的数量；FP为假正例，非目标预测为目标的数量。