[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

说明书

本发明公开了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，该方法为：获取雷达回波数据，生成雷达RD图像；对雷达RD图像进行预处理并进行标签，得到数据集；对数据集进行分类，得到训练集、验证集与测试集；构建针对低信噪比下目标检测的深度学习神经网络；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；利用训练好的检测神经网络对测试集进行目标检测；获得测试集目标检测准确率结果。本发明基于大量的雷达RD图像数据，通过深度学习神经网络训练得到最优的雷达目标检测网络，该方法下得到的目标检测网络能够对低信噪比下的雷达RD图像进行有效的目标检测，具有准确率高、实用效果好等优点。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种基于深度学习的低信噪比下雷达距离多普勒维(Range-Doppler，RD)图像目标检测方法。

背景技术

近年来，目标检测在众多领域得到了广泛应用。雷达作为目标检测的重要手段，可以对照射区域的回波进行分析处理，从杂波、干扰、噪声等信号中检测到目标信息，并确定其距离、速度、角度等参数。但在复杂背景下尤其是低信噪比下，回波信息中除目标外往往还含有大量的噪声和杂波信息，并且噪声与目标幅度接近，杂波往往呈现出非线性、非高斯、非均匀、非平稳的特性，这极大地限制了雷达目标检测性能。

现有的雷达目标检测方法包括恒虚警检测、机器学习算法等，恒虚警算法基于统计模型，往往难以精确描述背景模型，在非均匀背景下，尤其是类型各异和形态多变的低信噪比下，会出现严重的恒虚警损失，检测性能下降；机器学习算法如自校正极限学习机等目标检测算法难以深度提取目标特征，区分目标与背景能力较弱，难以实现目标准确分类，极大地增加了目标检测难度，限制了检测性能。综上所述，现有的雷达RD图像目标检测方法存在模型简单、普适性低、学习能力弱等问题，难以从根本上解决低信噪比下雷达RD图像目标检测能力弱的问题。

发明内容

本发明公开了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，能够通过神经网络对低信噪比背景下的目标特征进行深层提取，极大程度区分目标与背景，从而提升检测的准确性。

实现本发明目的的技术解决方案为：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，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。

进一步地，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。

进一步地，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。

进一步地，步骤3所述训练集包括训练图像数据集和标签数据集。