[发明专利]一种基于UNet的雷达多目标距离和速度估计方法

说明书

本发明涉及一种基于UNet的雷达多目标距离和速度估计方法，主要用于对雷达回波信号做匹配滤波和多普勒处理得到距离‑多普勒像，并将雷达回波信号的距离‑多普勒像作为UNet的输入来训练语义分割深度网络，将新采集的雷达回波信号的距离‑多普勒像输入到训练好的UNet中，从而可获取其识别结果，即UNet识别为目标的点即为探测的目标，计算目标点对应的距离和速度坐标即可得到目标的距离和速度。本方法能够适用于低信噪比情形，能自动一次性检测出回波信号中的所有目标并估计出其对应的距离和速度，具有很好的准确性、快速性和鲁棒性。

技术领域

本发明涉及信号处理和人工智能领域，具体而言，涉及基于UNet的雷达多目标距离和速度估计方法。

背景技术

雷达是一种最常用的遥感探测系统，其最基础、最重要的功能是探测目标是否存在以及目标的距离和速度等信息。雷达由于其具有全天时、全天候探测能力，以及受云雾、天气等因素干扰小等优点而被广泛运用于军事目标探测和无人车自动驾驶技术等领域。

主动式雷达通过发射电磁波并分析回波信号来得到目标的相关信息。具体而言，雷达通过估计回波和发射波的时间差来估计目标的距离，通过估计回波信号的多普勒频移来估计目标的速度。回波信号中的距离和速度信息经过处理后可以反映在距离-多普勒像中，距离-多普勒像中的幅值显著较大的单元即为目标对应的单元。当目标距离较远或者噪声干扰较强时，回波的信噪比较弱，使得直接对比幅值来检测目标成为困难。传统的恒虚警算法通过估计保护窗外的回波功率来估计噪声功率，从而得到合适的检测门限。但是保护窗如何选取是一个比较困难的问题，而且很难保证保护窗内没有目标存在。目前基于深度学习的方法，例如汤俊等人提出的基于卷积神经网络的雷达目标检测方法，能够自适应地通过大量样本来学习判断目标存在，并且取得了优于传统恒虚警算法的精度。但是该方法仅能判断当前的距离-多普勒像是否包含目标，尚不能判断目标数量，更不能估计目标的距离和速度等信息。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供一种基于UNet的雷达多目标距离和速度估计方法，能够在信噪比较低的情形下，快速准确地自动估计出每个目标的距离和速度。

本发明的技术方案是：基于UNet的雷达多目标距离和速度估计方法，步骤如下：

步骤1)信号采集：对于若干已知距离和速度的目标，采集雷达回波信号。

步骤2)训练数据预处理：训练集对雷达回波信号进行分组，对每组雷达信号进行处理得到距离-多普勒像。

步骤3)样本标注：对距离-多普勒像进行类别标注。

步骤4)数据集划分：将标注好的距离-多普勒像数据的n％作为训练集，1-n％作为验证集进行划分。

步骤5)模型训练：将训练集中的距离-多普勒像作为UNet的输入，输出预测的类别，将预测类别和真实类别对比计算损失函数，利用损失函数训练UNet。

步骤6)模型选择：改变UNet参数，重复步骤5)中的方法训练UNet模型，选择最好的模型作为最终模型。

步骤7)模型应用：对于新的雷达回波信号，对其处理得到距离-多普勒像作为训练好的UNet的输入，估计回波信号中每个目标的距离和速度。

进一步，所述步骤2)的训练数据预处理的具体方法为，根据信噪比将采集的雷达回波数据划分为若干个相等大小的分组，在每个分组内对雷达回波信号分别进行匹配滤波和快速傅里叶变换变换得到分组的距离-多普勒像，不同分组的距离-多普勒像组成输入训练数据。

进一步，所述步骤3)的样本标注的具体方法为，对于每个目标，在距离-多普勒像上找出与其真实距离和速度最接近的距离-多普勒单元并将其标为1，其余距离-多普勒单元标为0。