基于三维卷积网络的雷达多普勒信号低慢小目标检测方法技术

本发明专利技术公开了基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，首先进行数据预处理，训练样本集准备；然后构建以3D卷积层、池化层交替组成的3D卷积网络为骨干网络的深度神经网络，并利用准备的训练样本集进行网络参数的学习；最后进行网络预测及后处理。本发明专利技术通过融合更多时间维度的目标信息，构建三维R

【技术实现步骤摘要】
基于三维卷积网络的雷达多普勒信号低慢小目标检测方法


[0001]本专利技术属于雷达信号处理及深度学习领域，具体涉及一种基于雷达信号的距离多普勒(Range
‑
Doppler,R
‑
D)图与三维(3Dimensio ns,3D)卷积神经网络的低空慢速小目标检测方法。

技术介绍

[0002]近年来，随着国民经济水平的提高和科技的进步，无人机在民用和军用领域的应用得到了快速增长。但因缺乏相应的管控手段，无人机的使用对国家安全、社会稳定等构成了严重的威胁。如何利用多普勒雷达的全天候全天时工作能力，实现对无人机等低慢小目标的有效检测已经成为亟待解决的热点问题。
[0003]低慢小目标具有飞行高度低、飞行速度慢和雷达散射截面积小等特点，其检测的难点主要在于杂波环境复杂、目标回波弱且与杂波混叠严重等引起的信噪比低。目前对于低慢小目标的检测方法主要有传统频域滤波法、微多普勒效应法、CFAR恒虚警检测法和深度学习法。
[0004]这些检测方法有以下局限性：
[0005]1、传统频域滤波法将信号从时域转变为频域或时频域，包含基于快速傅里叶变换、短时傅里叶变换以及小波变换等。但其单一的变换域方法效果有限，且依赖人工分析，故传统频域滤波技术难以在对低慢小目标的检测中得到有效运用。
[0006]2、微多普勒效应法应用机翼旋转等产生微多普勒效应实现对目标的检测，但其要求雷达具有大带宽和高分辨力等特点，而低慢小目标由于回波极为微弱使得普通的脉冲多普勒雷达难以捕捉目标的微动特征，故微多普勒效应法不适用于对低慢小目标的检测。
[0007]3、CFAR恒虚警检测法在保持恒定的虚警率下，使正确检测的概率达到最大值。实际的探测环境中杂波环境复杂，该方法面对环境的变化难以依赖人工及时调整准确的阈值，故CFAR恒虚警检测法并不是对低慢小目标检测的最佳方案。
[0008]4、现有的基于雷达多普勒信号的深度学习法主要利用二维卷积神经网络提取二维特征，该方法压缩通道信息，提取的特征少，精确度和虚警率未能达到最佳的检测效果，仍有较大改进空间。

技术实现思路

[0009]针对上述方法的各种局限性，本专利技术提出一种基于三维卷积网络的雷达多普勒信号低慢小目标检测方法。
[0010]与现有的深度学习法不同，本专利技术构建以3D卷积网络为骨干网络的深度神经网络，通过融合更多时间维度的目标信息，得到以下三个方面的改善：(1)提高检测速度；(2)提高检测准确率；(3)利于后续目标跟踪。因此该方法能够在更快的速度下，实现预测精度更高、虚警率更低的检测效果。
[0011]基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，包括如下步骤：
[0012]步骤1、数据预处理。
[0013]对一维雷达回波数据进行切分重排、切分叠加和傅里叶变换，将其转换为三维R
‑
D图；
[0014]步骤2、训练样本集准备。
[0015]利用滑动窗口法对得到的三维R
‑
D图进行切分，获取一系列三维图像体并进行筛选，以完成送入3D卷积神经网络训练的样本集准备；
[0016]步骤3、网络构建及训练。
[0017]构建以3D卷积层、池化层交替组成的3D卷积网络为骨干网络(Backbone)的深度神经网络，并利用准备的训练样本集进行网络参数的学习；
[0018]步骤4、网络预测及后处理。
[0019]通过训练好的深度神经网络预测输入的每个三维图像体包含目标的概率，并根据其在三维R
‑
D图中的位置，构造类别分数图，以利用非极大值抑制法判定目标位置。
[0020]进一步的，所述步骤1具体包括以下几个步骤：
[0021]1‑
1、数据切分及重新排列：将雷达接受器收集的一维回波序列按照脉冲重复周期进行分割，不同的脉冲序列占据不同的慢时间行，由此将一维回波序列转换成二维数据矩阵。将M个脉冲长度为L的一维回波序列经过转换变为尺寸为M
×
L的二维数据矩阵；
[0022]1‑
2、数据切分及叠加：在慢时间维度，以N为宽度、N/J为步长移动窗口，将二维数据矩阵切分成C＝JM/N
‑
(J
‑
1)份，在通道维度进行叠加，得到尺寸为N
×
L
×
C的三维数据立方体；
[0023]1‑
3、傅里叶变换：对三维数据立方体的每个通道数据在快时间维度和慢时间维度均执行快速傅里叶变换(FFT)，并将它们分别转换为为多普勒(Doppler)向和距离(Range)向，得到尺寸为N
×
R
×
C的三维R
‑
D图。
[0024]进一步的，所述步骤2具体包括以下几个步骤：
[0025]2‑
1、滑窗切分：以三维R
‑
D图的R
‑
D平面的每个像素为中心，建立W
×
H的滑动窗口，获取一系列尺寸为W
×
H
×
C的局部图像体；
[0026]2‑
2、图像体数据标准化：对图像体中每个像素，先后使用所有数据的均值和图像体内数据最大值进行中心化和归一化，以加快后续网络训练的收敛速度；
[0027]2‑
3、正负样本划分：对于每个局部图像体的每个时间通道，其目标位置满足以下约束条件，则称该通道包含目标，否则称该通道不包含目标，约束条件如下：
[0028][0029]其中,(x0,y0)为通道图的中心坐标，(x1,y1)为目标点坐标，X和Y为横纵距离阈值。对于每个局部图像体，若其包含目标的通道数大于C/2，将其标记为正样本，否则标记为负样本；
[0030]进一步的，所述步骤3具体包括以下几个步骤：
[0031]3‑
1、网络搭建：构建由3D卷积特征提取骨干网络、全连接特征映射网络和全连接类别概率预测网络三部分组成的深度神经网络。3D卷积网络各部分具体结构描述如下：
[0032]深度神经网络的第一部分为用于三维图像体空间特征提取的3D卷积骨干网络，3D卷积骨干网络由3D卷积层和3D池化层交替组成，层数分别为4和3，且每个卷积层之后默认
附带一个激活层，激活函数为线性整流函数(ReLU)。所有卷积层均使用步长为1，尺寸为3
×3×
3的卷积核进行特征提取，而卷积核的个数分别为16、32、64和64。池化层的池化核尺寸分别为1
×2×
2、2
×1×
1和2
×1×
1，步长均为2。其中，第一个池化核设置为1
×2×
2，以便不过早地合并通道维度的时间信息，后两个池化核设置为2
×1×
1，以在合并时间信号的同时保持一定空间信息。利用该网络结构，若输入神经网络的数据尺寸为C
×
W
×
H本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，其特征在于，包括如下步骤：步骤1、数据预处理；对一维雷达回波数据进行切分重排、切分叠加和傅里叶变换，将其转换为三维R
‑
D图；步骤2、训练样本集准备；利用滑动窗口法对得到的三维R
‑
D图进行切分，获取一系列三维图像体并进行筛选，以完成送入3D卷积神经网络训练的样本集准备；步骤3、网络构建及训练；构建以3D卷积层、池化层交替组成的3D卷积网络为骨干网络的深度神经网络，并利用准备的训练样本集进行网络参数的学习；步骤4、网络预测及后处理；通过训练好的深度神经网络预测输入的每个三维图像体包含目标的概率，并根据其在三维R
‑
D图中的位置，构造类别分数图，以利用非极大值抑制法判定目标位置。2.根据权利要求1所述的基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，其特征在于，所述步骤1具体包括以下几个步骤：1
‑
1、数据切分及重新排列：将雷达接受器收集的一维回波序列按照脉冲重复周期进行分割，不同的脉冲序列占据不同的慢时间行，由此将一维回波序列转换成二维数据矩阵；将M个脉冲长度为L的一维回波序列经过转换变为尺寸为M
×
L的二维数据矩阵；1
‑
2、数据切分及叠加：在慢时间维度，以N为宽度、N/J为步长移动窗口，将二维数据矩阵切分成C＝JM/N
‑
(J
‑
1)份，在通道维度进行叠加，得到尺寸为N
×
L
×
C的三维数据立方体；1
‑
3、傅里叶变换：对三维数据立方体的每个通道数据在快时间维度和慢时间维度均执行快速傅里叶变换，并将它们分别转换为为多普勒向和距离向，得到尺寸为N
×
R
×
C的三维R
‑
D图。3.根据权利要求2所述的基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，其特征在于，所述步骤2具体包括以下几个步骤：2
‑
1、滑窗切分：以三维R
‑
D图的R
‑
D平面的每个像素为中心，建立W
×
H的滑动窗口，获取一系列尺寸为W
×
H
×
C的局部图像体；2
‑
2、图像体数据标准化：对图像体中每个像素，先后使用所有数据的均值和图像体内数据最大值进行中心化和归一化，以加快后续网络训练的收敛速度；2
‑
3、正负样本划分：对于每个局部图像体的每个时间通道，其目标位置满足以下约束条件，则称该通道包含目标，否则称该通道不包含目标，约束条件如下：其中,(x0,y0)为通道图的中心坐标，(x1,y1)为目标点坐标，X和Y为横纵距离阈值；对于每个局部图像体，若其包含目标的通道数大于C/2，将其标记为正样本，否则标记为负样本。4.根据权利要求3所述的基于三维卷积网络的雷达多普勒信号低慢小目标检测方法，其特征在于，所述步骤3具体包括以下几个步骤：3
‑
1、网络搭建：构建由3D卷积特征提取骨干网络、全连接特征映射网络和全连接类别
概率预测网络三部分组成的深度神经网络；3D卷积网络各部分具体结构描述如下：深度神经网络的第一部分为用于三维图像体空间特征提取的3D卷积骨干网络，3D卷积骨干网络由3D卷积层和3D池化层交替组成，层数分别为4和3，且每个卷积层之后默认附带一个激活层，激活函数为线性整流函数(ReLU)；所有卷积层均使用步长为1，尺寸为3
×3×
3的卷积核进行特征提取，而卷积核的个数分别为16、32、64和64；池化层的池化核尺寸分别为1
×2×
2、2
×1...

【专利技术属性】
技术研发人员：曹九稳，王陈幸，田江敏，王天磊，王晓洪，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：