一种面向典型有源干扰的雷达图像目标检测系统技术方案

本发明专利技术公开了一种面向典型有源干扰的雷达图像目标检测系统，包括：有源干扰图像数据增强模块、数据加载器模块、网络结构模块、网络训练模块及目标定位预测模块。本发明专利技术具有高可靠性、高效率、适用于有源干扰时导引头成像目标识别方法的优点。标识别方法的优点。标识别方法的优点。

【技术实现步骤摘要】
一种面向典型有源干扰的雷达图像目标检测系统


[0001]本专利技术属于图像处理和目标识别
，尤其涉及一种面向典型有源干扰的雷达图像目标检测系统。

技术介绍

[0002]区别于传统的光学图像，雷达图像信息量严重不足，在成像机理、目标特性、分辨率方面差异显著。雷达回波数据在多普勒维上成像特点和光学图像存在显著差异：图像包含了杂波信号等大量混合有源无源噪声，目标及干扰物相比整张图像的所占像素比极低且分布稀疏。传统的雷达图像目标检测一般利用先验知识通过候选区域提取特征。经典的恒虚警检测只对背景信息统计建模，没有考虑对目标信息的完整建模，只是利用目标成像区域的部分特征来检测，没有充分利用全局特征，漏警率较高；传统特征提取方法需要考虑特定环境下信息建模或者规则匹配，然而实际应用中雷达所处的电磁环境恶劣，特定统计建模方法和规则匹配方式只适用于既定的环境。同时目标本身轮廓、方位、尺寸、背景干扰等变化均会对实际的目标检测造成显著地影响，人工设定的背景信息建模和规则匹配难以实现通用，局限性较大。

技术实现思路

[0003]本专利技术解决的技术问题是：克服现有技术的不足，提供了一种面向典型有源干扰的雷达图像目标检测系统，具有高可靠性、高效率、适用于有源干扰时导引头成像目标识别方法。
[0004]本专利技术目的通过以下技术方案予以实现：一种面向典型有源干扰的雷达图像目标检测系统，包括：有源干扰图像数据增强模块、数据加载器模块、网络结构模块、网络训练模块及目标定位预测模块；其中，所述有源干扰图像数据增强模块对所有的有源干扰的数据图像进行数据增强得到全部增强的数据图像；对有源干扰的数据图像随机选出若干个数据图像，对若干个数据图像进行数据扩充得到若干个扩充数据图像；将全部增强的数据图像和若干个扩充数据图像传输给数据加载器模块；所述数据加载器模块将数据包封装到一个DataSet类，DataSet类将数据包按批次进行切分，并且将数据包进行随机打乱处理，封装完成后将DataSet类对应的数据包送入到一个迭代器中，迭代器将数据包传输给网络结构模块；其中，全部增强的数据图像和若干个扩充数据图像组成数据包；所述网络结构模块构建神经网络结构；所述网络训练模块控制数据加载器模块将数据包加载到神经网络结构将；数据包以数据流经过神经网络结构计算后输出图像中的目标类别和目标位置坐标的概率矩阵，该概率矩阵与训练数据的标签值通过损失函数运算得出误差值，将误差值回传至神经网络结构进行权重参数的梯度更新，循环结束后将最佳的权重参数传输给目标定位预测模块；其中，训练数据为全部增强的数据图像数据和若干个扩充数据图像数据；目标定位预测模块将有源干扰的图像作为输入，加载网络训练模块传输给的最佳的权重参数，将最佳的权重参数赋值回给神经网络结构，得到输出目标所在位置的矩形框坐标与目标类别。
[0005]上述面向典型有源干扰的雷达图像目标检测系统中，数据扩充是在模型训练前将有源干扰的数据图像进行随机打乱操作，统计所有训练集图像素分布，计算图像像素均值与方差，将训练集一分为二得到第一份图像和第二份图像，将第一份图像进行干扰提取，随机施加到第二份图像去除自身干扰的图像中，从而可扩充数据集。
[0006]上述面向典型有源干扰的雷达图像目标检测系统中，数据增强则是利用功率放大，将每张图像的像素均值减去整个数据集中所有图像像素均值取其绝对值作为功率调整阈值，将随机在每张图像上整体加上或减去调整阈值，以达到干扰噪声多样化数据增强作用。
[0007]上述面向典型有源干扰的雷达图像目标检测系统中，所述网络结构模块构建神经网络结构包括如下步骤：(41)搭建BackBone网络；(42)搭建NECK网络；(43)搭建RPN网络；(44)配置ROI网络层；(45)配置训练超参数。
[0008]上述面向典型有源干扰的雷达图像目标检测系统中，在步骤(41)中，前馈网络选用新一代特征提取网络ResNest，其中，分支通道数为64，网络层深度为50，每个阶段输出特征图的索引out_indices＝(0,1,2,3)，批归一化设置norm_cfg＝dict(type＝'BN',requires_grad＝True),冻住第一阶段的权重frozen_stages＝1。
[0009]上述面向典型有源干扰的雷达图像目标检测系统中，在步骤(42)中，设置NECK网络为金字塔特殊映射网络FPN；输入通道与主干网络保持一致，in_channels＝[256,512,1024,2048]；每个金字塔特征映射层输出通道数out_channels＝256；输出特征数量num_outs＝5。
[0010]上述面向典型有源干扰的雷达图像目标检测系统中，在步骤(43)中，每个输入特征图的通道数in_channels＝256；头部卷积层的特征通道数feat_channels＝256；锚点框生成配置为type＝'AnchorGenerator'；基本矩形框面积大小scales＝[8]；纵横比的设置是将数据增强后的干扰图像训练集的图像进行纵横比例统计后选取占比最高纵横比为代表来设置，ratios＝[0.5,1.0,2.0]；锚点框生成时的步长strides＝[4,8,16,32,64]；分类分支损失函数使用交叉熵损失函数type＝'CrossEntropyLoss'，激活函数使用sigmoid函数use_sigmoid＝True，分类分支损失函数的权重loss_weight＝1.0；回归分支的损失函数使用L1损失type＝'L1Loss'，回归分支损失函数的权重loss_weight＝1.0。
[0011]上述面向典型有源干扰的雷达图像目标检测系统中，在步骤(44)中，ROI网络层使用三个type＝'SharedFCBBoxHead'字典结构，每一个dict配置为输入通道数in_channels＝256；卷积输出通道数conv_out_channels＝256,全连接层输出通道数fc_out_channels＝1024,池化尺寸roi_feat_size＝7，边框编码器使用类型type＝'DeltaXYWHBBoxCoder'；目标均值方差三个字典分别设置为target_means＝[0.,0.,0.,0.]，target_stds＝[0.1,0.1,0.2,0.2]；target_means＝[0.,0.,0.,0.]，target_stds＝[0.05,0.05,0.1,0.1]；target_means＝[0.,0.,0.,0.],target_stds＝[0.033,0.033,0.067,0.067]；分类损失函数和回归损失函数分别为type＝'CrossEntropyLoss'和type＝'SmoothL1Loss'，权重设置各为1。
[0012]上述面向典型有源干扰的雷达图像目标检测系统中，在步骤(45)中，使用随机翻转；iou阈值大于等于0.7的为正样本pos_iou_thr＝0.7，iou阈值小于0.3的为负样本neg_iou_thr＝0.3；采样数量num＝256，正样本比率pos本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向典型有源干扰的雷达图像目标检测系统，其特征在于包括：有源干扰图像数据增强模块、数据加载器模块、网络结构模块、网络训练模块及目标定位预测模块；其中，所述有源干扰图像数据增强模块对所有的有源干扰的数据图像进行数据增强得到全部增强的数据图像；对有源干扰的数据图像随机选出若干个数据图像，对若干个数据图像进行数据扩充得到若干个扩充数据图像；将全部增强的数据图像和若干个扩充数据图像传输给数据加载器模块；所述数据加载器模块将数据包封装到一个DataSet类，DataSet类将数据包按批次进行切分，并且将数据包进行随机打乱处理，封装完成后将DataSet类对应的数据包送入到一个迭代器中，迭代器将数据包传输给网络结构模块；其中，全部增强的数据图像和若干个扩充数据图像组成数据包；所述网络结构模块构建神经网络结构；所述网络训练模块控制数据加载器模块将数据包加载到神经网络结构将；数据包以数据流经过神经网络结构计算后输出图像中的目标类别和目标位置坐标的概率矩阵，该概率矩阵与训练数据的标签值通过损失函数运算得出误差值，将误差值回传至神经网络结构进行权重参数的梯度更新，循环结束后将最佳的权重参数传输给目标定位预测模块；其中，训练数据为全部增强的数据图像数据和若干个扩充数据图像数据；目标定位预测模块将有源干扰的图像作为输入，加载网络训练模块传输给的最佳的权重参数，将最佳的权重参数赋值回给神经网络结构，得到输出目标所在位置的矩形框坐标与目标类别。2.根据权利要求1所述的面向典型有源干扰的雷达图像目标检测系统，其特征在于：数据扩充是在模型训练前将有源干扰的数据图像进行随机打乱操作，统计所有训练集图像素分布，计算图像像素均值与方差，将训练集一分为二得到第一份图像和第二份图像，将第一份图像进行干扰提取，随机施加到第二份图像去除自身干扰的图像中，从而可扩充数据集。3.根据权利要求1所述的面向典型有源干扰的雷达图像目标检测系统，其特征在于：数据增强则是利用功率放大，将每张图像的像素均值减去整个数据集中所有图像像素均值取其绝对值作为功率调整阈值，将随机在每张图像上整体加上或减去调整阈值，以达到干扰噪声多样化数据增强作用。4.根据权利要求1所述的面向典型有源干扰的雷达图像目标检测系统，其特征在于：所述网络结构模块构建神经网络结构包括如下步骤：(41)搭建BackBone网络；(42)搭建NECK网络；(43)搭建RPN网络；(44)配置ROI网络层；(45)配置训练超参数。5.根据权利要求4所述的面向典型有源干扰的雷达图像目标检测系统，其特征在于：在步骤(41)中，前馈网络选用新一代特征提取网络ResNest，其中，分支通道数为64，网络层深度为50，每个阶段输出特征图的索引out_indices＝(0,1,2,3)，批归一化设置norm_cfg＝dict(type＝'BN',requires_grad＝True),冻住第一阶段的权重frozen_stages＝1。6.根据权利要求4所述的面向典型有源干扰的雷达图像目标检测系统，其特征在于：在
步骤(42)中，设置NECK网络为金字塔特殊映...

【专利技术属性】
技术研发人员：梁宇，韩晓萌，金娜，孙精华，杨飞，薛凯，陈超，封慧英，毛强，巩英辉，
申请(专利权)人：北京临近空间飞行器系统工程研究所，
类型：发明
国别省市：