[发明专利]基于分割网络的虚警可控雷达目标检测方法

说明书

一种基于分割网络的虚警可控雷达目标检测方法，属于雷达目标检测技术领域。本发明针对基于神经网络的雷达目标检测中，NP准则由于不可微分而无法直接用于神经网络训练的问题。包括确定目标训练样本和杂波训练样本；构建虚警可控的轻量化U‑Net分割网络模型，并利用训练样本对网络参数进行迭代优化训练，得到训练后分割网络模型；所述轻量化U‑Net分割网络模型基于可微分纽曼皮尔逊准则设置关于网络参数的可微分纽曼皮尔逊损失函数，包括监督损失函数项和正则损失函数项；采用训练后分割网络模型对实时雷达AR谱数据进行目标区域的检测，再根据目标区域检测结果采用点迹提取器提取目标位置，实现虚警可控的目标检测。本发明实现了虚警可控雷达目标检测。

技术领域

本发明涉及基于分割网络的虚警可控雷达目标检测方法，属于雷达目标检测技术领域。

背景技术

相比传统的恒虚警(CFAR)检测器，基于神经网络的检测具有数据驱动的特征表示学习能力，能够改进在非均匀杂波环境中的弱目标检测性能。

在极端样本不平衡条件下，采用交叉熵损失函数进行网络训练的神经网络检测器难以通过设定一个可变的门限来控制虚警概率。在雷达传统理论中，纽曼皮尔逊准则(Neyman-Pearson，NP)被用于寻找在虚警概率受约束情况下的最优检测器，该准则可能被用于神经网络以实现虚警可控的检测。但是，该准则是不可微分的，无法直接用于神经网络的训练。

专利CN114594463A(“一种基于组合凸包的海面小目标特征检测方法”)介绍了一种采用组合凸包实现虚警可控检测的基于特征的检测方法，通过对雷达观测向量提取始于和频域中的三个特征，采用一种组合凸包算法实现特定虚警概率下的3D非凸决策区域，相比原始凸包算法的凸包判决区域具有更小的体积和更高的检测性能。该方法由于凸包算法的维度限制仅适用于小于等于三维度特征，同时其性能主要依赖人工提取的特征，相比神经网络由数据驱动自动提取的特征具有较差的判别性。

专利CN111580064A(“一种基于多域多维特征融合的海面小目标检测方法”)介绍了一种将七维特征压缩到三维特征空间再采用快速凸包算法获得虚警可控检测的方法，将HH、HV、VH、VV这四种极化下的回波数据进行联合处理，提取时域、频域、时频域和极化域的七维特征信息，考虑保证高维度信息量的同时降低计算代价，将七维特征压缩到三维特征空间中，从而采用快速凸包算法获得虚警可控的凸性判决区域，实现目标检测。该方法绕开了凸包算法的维度限制，但是存在着高维特征进行线性降维时的信息丢失问题。同时，其性能主要依赖人工提取的特征，相比神经网络由数据驱动自动提取的特征也具有较差的判别性。

专利CN112147601A(“一种基于随机森林的海面小目标检测方法”)介绍了一种基于随机森林的虚警可控检测的方法，通过提取时域、频域及时频域多维特征向量输入到随机森林的输入，建立分裂因子和虚警率之间的数学关系得到虚警可控检测的随机森林两类分类器，从而完成目标的检测。该方法神经网络的特征提取步骤和后续的虚警可控检测步骤分离，导致自动提取的特征具有较差的判别性。

专利CN113064133A(“一种基于时频域深度网络的海面小目标特征检测方法”)介绍了一种在二维特征空间中采用有引导的三次样条曲线获得虚警可控检测的方法，通过引入Inception-ResNet V2深度网络作为特征提取器提取归一化时频图的二维特征向量，然后在二维特征空间中采用有引导的三次样本曲线获得虚警可控的非凸性判决区域，从而实现异常检测或目标检测。该方法结合了神经网络和特征检测技术，具有自主学习特征提取和多维特征联合的优势，但是由于直接采用大型深层网络具有很大的计算开销。同时，神经网络的特征提取步骤和后续的虚警可控检测步骤分离，导致自动提取的特征具有较差的判别性。