一种基于生成对抗网络的雷达图像去噪方法技术

本发明专利技术涉及一种基于生成对抗网络的雷达图像去噪方法，包括：雷达仿真数据集的构建；雷达时频图像中噪声的加入；生成对抗网络模型的构建：生成对抗网络由生成网络和判别网络两个网络构成，两个网络均采用卷积神经网络的结构，构建以残差网络为基础的卷积神经网络作为生成网络，将网络中的前两层卷积层设成以2为步长的卷积核从而实现下采样，减少运算量并提取抽象特征；后接保持特征图尺度不变的残差网络中的单元，并且将网络中的池化层用特征图尺度不变的卷积层代替；删除卷积层之后用于图像分类的全连接层，用两层反卷积层实现图像的上采样，并且将浅层卷积层输出的特征与深层卷积层输出的特征进行相加然后进一步处理，实现特征的重复利用。生成对抗网络的训练。

A method of radar image denoising based on generation of confrontation network

The present invention relates to a method of radar image denoising based on generating countermeasure network, which includes: construction of radar simulation data set; addition of noise in radar time-frequency image; construction of generating countermeasure network model: generating countermeasure network consists of generating network and discriminant network, both of which adopt convolution neural network A convolution neural network based on residual network is constructed as a generating network. The first two layers of convolution layers in the network are set as convolution kernels with 2 steps to realize downsampling, reduce computation and extract Abstract features. Pooling layer is replaced by convolution layer with invariant scale of feature map; after deleting convolution layer, the fully connected layer used for image classification is deleted, and two deconvolution layers are used to realize image up-sampling, and the output features of shallow convolution layer are added to those of deep convolution layer, and then further processed to realize the reuse of features. Generate training against network.

【技术实现步骤摘要】
一种基于生成对抗网络的雷达图像去噪方法
本专利技术属于雷达图像处理、信号处理与深度学习领域，涉及基于雷达图像的人体探测、追踪等相关应用。
技术介绍
微多普勒雷达在军事领域素来有着很广泛的应用，在军事探测、反恐行动及安保活动中扮演着至关重要的角色。随着信号处理和雷达相关应用的飞速发展，微多普勒雷达的应用领域逐渐向民用倾斜。微多普勒雷达依据多普勒原理，主动发射出电磁波信号，当探测区域包含运动的物体时，就会对雷达发射的信号进行调制，产生多普勒效应从而反射携带目标运动信息的回波信号。当探测物体并非刚体，而是包含多部分的复杂运动时，目标各个部分的微动都会对雷达信号产生多普勒效应，从而使得回波信号中携带目标各个部分的微动信息。当前图像处理的发展主要偏重于由光学传感器采集到的自然图像，图像作为一种有效的数据被广泛应用于模式识别、目标检测等领域。但是由于外界环境的影响和光学传感器的自身限制，导致某些情况下自然图像并不能支撑相关应用的实施，这就往往需要其它类型传感器数据的支持。雷达作为一种典型的传感器与光学传感器相比具有一些得天独厚的优势：相比于光学传感器，雷达由于其电磁波信号波长较长，因此能够探测的距离大于光学传感器，可以完成一系列遥感任务；其次雷达探测并对周围环境并不敏感，天气、温度、湿度以及光照等因素不会对雷达探测造成很大的影响；并且雷达并不受物体遮挡的影响，可以穿透墙壁和障碍物对目标进行探测。因此基于雷达视频图像的研究在许多应用中得到了长足的发展，譬如军事行动、反恐行动、安保监控和灾后救援工作；另外在无人机相关应用以及无人驾驶汽车中雷达也扮演着重要的角色。在实际的雷达探测中也往往存在问题，由于探测目标较远或者目标回波信号较弱时会得到处于较低信噪比条件下的雷达图像，在这种质量较差的雷达图像中，探测目标的运动信号往往被淹没在噪声中。由于基于雷达的应用大多对雷达时频图像中的目标运动信息进行提取和分析，低信噪比环境下的雷达图像会对目标的探测、追踪以及分析造成影响。雷达图像去噪旨在利用机器学习、深的学习和图像处理的方法对雷达时频图像进行处理，将其中的噪声进行抑制，从而恢复出一个包含较多目标运动信息和较少噪声的高质量雷达时频图像。生成对抗网络(GenerativeAdversarialNetworks，GAN)是深度学习算法中的一种新型的网络，通过由卷积神经网络(ConvolutionalNeuralNetwork，CNN)构建的生成网络和判别网络进行对抗式的训练，利用二元零和博弈的原理完成生成模型的建模，被广泛地应用到图像转换、图像处理等领域。[1]KimY,LingH.HumanActivityClassificationBasedonMicro-DopplerSignaturesUsingaSupportVectorMachine[J].IEEETransactionsonGeoscience&RemoteSensing,2009,47(5):1328-1337.[2]IsolaP,ZhuJY,ZhouT,etal.Image-to-ImageTranslationwithConditionalAdversarialNetworks[J].2016.[3]DuL,WangB,WangP,etal.NoiseReductionMethodBasedonPrincipalComponentAnalysisWithBetaProcessforMicro-DopplerRadarSignatures[J].IEEEJournalofSelectedTopicsinAppliedEarthObservations&RemoteSensing,2015,8(8):4028-4040.
技术实现思路
本专利技术的目的是提供一种效果较好的雷达图像去噪方法。本专利技术利用深度学习算法中的生成对抗网络实现了低信噪比环境下的雷达时频图像的去噪，针对雷达数据获得为困难的条件，通过仿真雷达图像实现生成对抗网络的训练，改善雷达图像噪声干扰严重，质量低下的情况。技术方案如下：一种基于生成对抗网络的雷达图像去噪方法，包括下列步骤：(1)雷达仿真数据集的构建：选取动作捕捉数据库(MotionCapture，MOCAP)中的七种人体动作数据进行雷达人体行为动作数据的仿真，将MOCAP数据库中测量人体运动数据基于人体关节之间的椭球形建模，利用信号散射公式进行人体目标雷达回波的计算，将仿真雷达回波信号进行处理得到仿真雷达时频图像，并在每种动作的数据中随机挑选出一定数量的雷达图像作为训练数据、验证数据和测试数据，完成数据集的构建；(2)雷达时频图像中噪声的加入：通过对雷达信号中加入高斯白噪声，从而构建特定信噪比环境下的雷达时频图像数据集，并且每种信噪比环境的含噪声雷达图像和不含噪声雷达图像之间一一对应，构建出图像对用于模型的训练以及去噪效果的评估。(3)生成对抗网络模型的构建：生成对抗网络由生成网络和判别网络两个网络构成，两个网络均采用卷积神经网络的结构，构建以残差网络为基础的卷积神经网络作为生成网络，将网络中的前两层卷积层设成以2为步长的卷积核从而实现下采样，减少运算量并提取抽象特征；后接保持特征图尺度不变的残差网络中的单元，并且将网络中的池化层用特征图尺度不变的卷积层代替；删除卷积层之后用于图像分类的全连接层，用两层反卷积层实现图像的上采样，并且将浅层卷积层输出的特征与深层卷积层输出的特征进行相加然后进一步处理，实现特征的重复利用。(4)生成对抗网络的训练：对于某种特定信噪比环境下的雷达图像数据集，将上述构建好的图像对输入到生成对抗网络中，对于数据集中的图像对，每次训练随机选取一批图像对作为网络的输入，分别对生成网络和判别网络的权重进行训练；将所有训练数据按批次输入到网络进行一次训练定义为一个epoch，训练过程利用批梯度下降法和反向回传算法经过200个epoch的迭代使网络达到收敛，在训练过程中，每种动作选取雷达图像对进行训练，用以训练一个针对特定信噪比环境的去噪模型；每次从训练数据集中随机选取32个雷达图像对输入进网络对生成网络和判别网络进行交替训练，首先把图像对连接成6通道图像输入判别网络中，对判别网络的输出与图像对的真实标签进行损失计算，然后将损失数值方向输出进网络计算网络参数迭代的梯度，并按照特定的学习率进行参数的迭代更新；然后把含有噪声的雷达图像输入到生成网络，得到去噪后的图像，将去噪后图像与去噪前图像输出到判别网络中得到判别标签，计算判别标签与假标签之间的二元互熵损失以及去噪后图像与不含噪声图像之间的范数损失，将两种损失进行加权平均后反向输入到生成网络中计算出参数迭代梯度，实现生成网络参数的更新；两个网络进行交替训练，最终达到收敛。附图说明图1MOCAP数据库传感器放置示意图图2雷达图像示意图(跑步)图3雷达图像对示意图(从左到右再从上到下的三个图：10dB，0dB，-20dB)图4残差网络单元示意图图5生成网络模型示意图图6雷达图像的去噪对比图(10dB)具体实施方式为了对本专利技术进行更清楚的进一步阐述，将对专利技术的每个实施步骤进行详细描述：1.雷达时频图像数据集构建本专利技术采用的数据集来自卡耐基梅隆大学GraphicsLab实验本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的雷达图像去噪方法，包括下列步骤：(1)雷达仿真数据集的构建：选取动作捕捉数据库(Motion Capture，MOCAP)中的七种人体动作数据进行雷达人体行为动作数据的仿真，将MOCAP数据库中测量人体运动数据基于人体关节之间的椭球形建模，利用信号散射公式进行人体目标雷达回波的计算，将仿真雷达回波信号进行处理得到仿真雷达时频图像，并在每种动作的数据中随机挑选出一定数量的雷达图像作为训练数据、验证数据和测试数据，完成数据集的构建；(2)雷达时频图像中噪声的加入：通过对雷达信号中加入高斯白噪声，从而构建特定信噪比环境下的雷达时频图像数据集，并且每种信噪比环境的含噪声雷达图像和不含噪声雷达图像之间一一对应，构建出图像对用于模型的训练以及去噪效果的评估。(3)生成对抗网络模型的构建：生成对抗网络由生成网络和判别网络两个网络构成，两个网络均采用卷积神经网络的结构，构建以残差网络为基础的卷积神经网络作为生成网络，将网络中的前两层卷积层设成以2为步长的卷积核从而实现下采样，减少运算量并提取抽象特征；后接保持特征图尺度不变的残差网络中的单元，并且将网络中的池化层用特征图尺度不变的卷积层代替；删除卷积层之后用于图像分类的全连接层，用两层反卷积层实现图像的上采样，并且将浅层卷积层输出的特征与深层卷积层输出的特征进行相加然后进一步处理，实现特征的重复利用。(4)生成对抗网络的训练：对于某种特定信噪比环境下的雷达图像数据集，将上述构建好的图像对输入到生成对抗网络中，对于数据集中的图像对，每次训练随机选取一批图像对作为网络的输入，分别对生成网络和判别网络的权重进行训练；将所有训练数据按批次输入到网络进行一次训练定义为一个epoch，训练过程利用批梯度下降法和反向回传算法经过200个epoch的迭代使网络达到收敛，在训练过程中，每种动作选取雷达图像对进行训练，用以训练一个针对特定信噪比环境的去噪模型；每次从训练数据集中随机选取32个雷达图像对输入进网络对生成网络和判别网络进行交替训练，首先把图像对连接成6通道图像输入判别网络中，对判别网络的输出与图像对的真实标签进行损失计算，然后将损失数值方向输出进网络计算网络参数迭代的梯度，并按照特定的学习率进行参数的迭代更新；然后把含有噪声的雷达图像输入到生成网络，得到去噪后的图像，将去噪后图像与去噪前图像输出到判别网络中得到判别标签，计算判别标签与假标签之间的二元互熵损失以及去噪后图像与不含噪声图像之间的范数损失，将两种损失进行加权平均后反向输入到生成网络中计算出参数迭代梯度，实现生成网络参数的更新；两个网络进行交替训练，最终达到收敛；(5)利用训练好的网络对雷达图像进行去噪处理。...

【技术特征摘要】
1.一种基于生成对抗网络的雷达图像去噪方法，包括下列步骤：(1)雷达仿真数据集的构建：选取动作捕捉数据库(MotionCapture，MOCAP)中的七种人体动作数据进行雷达人体行为动作数据的仿真，将MOCAP数据库中测量人体运动数据基于人体关节之间的椭球形建模，利用信号散射公式进行人体目标雷达回波的计算，将仿真雷达回波信号进行处理得到仿真雷达时频图像，并在每种动作的数据中随机挑选出一定数量的雷达图像作为训练数据、验证数据和测试数据，完成数据集的构建；(2)雷达时频图像中噪声的加入：通过对雷达信号中加入高斯白噪声，从而构建特定信噪比环境下的雷达时频图像数据集，并且每种信噪比环境的含噪声雷达图像和不含噪声雷达图像之间一一对应，构建出图像对用于模型的训练以及去噪效果的评估。(3)生成对抗网络模型的构建：生成对抗网络由生成网络和判别网络两个网络构成，两个网络均采用卷积神经网络的结构，构建以残差网络为基础的卷积神经网络作为生成网络，将网络中的前两层卷积层设成以2为步长的卷积核从而实现下采样，减少运算量并提取抽象特征；后接保持特征图尺度不变的残差网络中的单元，并且将网络中的池化层用特征图尺度不变的卷积层代替；删除卷积层之后用于图像分类的全连接层，用两层反卷积层实现图像的上采样，并且将浅层卷积层输出的特征与深层卷积层输出的...

【专利技术属性】
技术研发人员：侯春萍，黄丹阳，杨阳，郎玥，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12