基于生成对抗网络的宽带前视成像雷达目标识别方法技术

本申请涉及雷达成像与目标识别技术领域，特别涉及一种基于生成对抗网络的宽带前视成像雷达目标识别方法，其中，方法包括：建立配对的前视图像数据集；搭建基于生成对抗网络的图像增强网络，利用前视图像数据集对图像增强网络进行训练并获得图像增强模型，将前视图像输入图像增强模型，获得增强后的前视图像；搭建目标识别网络，利用前视图像、增强后的前视图像和类别信息对目标识别网络进行训练并获得目标识别模型，并将前视图像和增强后的前视图像结合，并输入到目标识别模型，获得任一前视图像的类别信息。由此，解决相关技术中通过传统的图像增强方法无法对信息缺失的前视图像进行有效增强，适用性较低，降低了目标识别的准确性的问题。准确性的问题。准确性的问题。

【技术实现步骤摘要】
基于生成对抗网络的宽带前视成像雷达目标识别方法


[0001]本申请涉及雷达成像与目标识别
，特别涉及一种基于生成对抗网络的宽带前视成像雷达目标识别方法。

技术介绍

[0002]前视成像与合成孔径成像技术形成互补，可以解决合成孔径技术只能工作在侧视和前斜视模式的问题，然而前视成像中，雷达运动方向与雷达视线方向一致，无法通过运动进行孔径合成，方位分辨力不足，宽带前视成像雷达利用宽带的距离高分辨特性，将散射点在距离维度分辨开，进而将方位分辨问题转化为方位估计问题，是一种获取前视高分辨成像的有益尝试。
[0003]相关技术中，利用宽带的距离高分辨，将方位分辨问题转化为方位估计问题，获得前视高分辨成像，然而，前视成像需要对一些复杂目标成像，比如飞机、舰船、坦克等，对于复杂目标，无可避免存在一个距离单元有多个散射点且无法分辨的情况，现有前视成像方法对这些散射点进行估计会存在较大的测角误差，致使前视图像质量差；另外，前视成像一般对目标进行单角度观测，当目标存在遮挡时，会严重降低前视成像的性能，当前视图像质量较差时，目标识别特征不足，从而影响目标识别的准确度。
[0004]将生成对抗网络引入到前视图像增强任务中，已有研究在场景识别、道路提取等任务取得了不错的效果，但很少将图像增强用于雷达前视成像目标识别任务中，主要有两个原因，一是前视图像获取难度大，前视图像质量差；二是前视图像的数据集有限，由于复杂目标具有一定的几何结构特征，针对前视图像质量差的问题，考虑到复杂目标都具有一定几何结构特征的先验，对前视图像进行增强，丰富目标识别特征具有十分重要的现实意义。
[0005]相关技术中，针对前视图像质量差的问题，可以通过对前视图像进行图像增强，传统的图像增强方法，如直方图增强、自适应滤波器增强等，还可以基于变分自编码器采用一种非对抗性的方法训练模型进行深度学习的图像增强。
[0006]然而，相关技术中通过传统的图像增强方法无法对信息缺失严重的前视图像进行有效增强，适用性较低，且深度学习的图像增强方法生成的图像比较模糊，降低了目标识别的准确性，亟待解决。

技术实现思路

[0007]本申请提供一种基于生成对抗网络的宽带前视成像雷达目标识别方法，以解决相关技术中通过传统的图像增强方法无法对信息缺失严重的前视图像进行有效增强，适用性较低，且深度学习的图像增强方法生成的图像比较模糊，降低了目标识别的准确性的问题。
[0008]本申请第一方面实施例提供一种基于生成对抗网络的宽带前视成像雷达目标识别方法，应用于模型训练阶段，包括以下步骤：建立配对的前视图像数据集，所述前视图像数据集包括前视图像和目标的轮廓图；搭建基于生成对抗网络的图像增强网络，利用所述
前视图像数据集对所述图像增强网络进行训练，获得训练好的图像增强模型，将所述前视图像输入所述训练好的图像增强模型，获得增强后的前视图像；搭建目标识别网络，利用所述前视图像、所述增强后的前视图像和类别信息对所述目标识别网络进行训练，获得训练好的目标识别模型，并将所述前视图像和所述增强后的前视图像进行结合，以将结合后的图像输入到所述训练好的目标识别模型，获得任一前视图像的类别信息。
[0009]可选地，在本申请的一个实施例中，所述建立配对的前视图像数据集，包括：获取多种目标不同姿态的轮廓图，以得到不同目标不同姿态的所述轮廓图；获取所述不同目标不同姿态的回波数据，并基于所述回波数据得到所述前视图像；对所述前视图像进行数据增强，以对所述前视图像中每个散射点添加位置误差和姿态误差，并与所述轮廓图进行配对，生成所述配对的前视图像数据集。
[0010]可选地，在本申请的一个实施例中，所述回波数据的表达式为：
[0011][0012]其中，y(n,m)表示采集的第n个天线第m个频点的回波信号，P表示复杂目标中散射点的个数，γ
p
、R
p
和θ
p
分别表示y(n,m)中第p个散射点的幅度、距离和方位，w(m,n)表示复高斯噪声，j表示虚数单位，f
c
+(m
‑
1)Δf表示第m个观测频点，Δf表示频率间隔，f
c
表示初始频率，c表示光速，d表示阵列之间的间隔。
[0013]可选地，在本申请的一个实施例中，所述搭建基于生成对抗网络的图像增强网络，利用所述前视图像数据集对所述图像增强网络进行训练，获得训练好的图像增强模型，包括：搭建基于所述生成对抗网络的图像增强网络，所述生成对抗网络的图像增强网络包括生成器和判别器；以所述前视图像作为输入，以所述轮廓图作为监督，对所述图像增强网络进行训练，得到所述训练好的图像增强模型。
[0014]可选地，在本申请的一个实施例中，所述搭建目标识别网络，利用所述前视图像、所述增强后的前视图像和类别信息对所述目标识别网络进行训练，获得训练好的目标识别模型，包括：搭建所述目标识别网络，并以所述前视图像和所述增强后的前视图像进行结合，将结合结果作为输入，以所述类别信息为标签，对所述目标识别网络进行训练，获得所述训练好的目标识别模型。
[0015]本申请第二方面实施例提供一种基于生成对抗网络的宽带前视成像雷达目标识别方法，应用于模型应用阶段，包括以下步骤：获取任一前视图像；将所述任一前视图像输入至训练好的图像增强模型，输出所述任一前视图像的增强后的前视图像；将所述任一前视图像和所述增强后的前视图像进行结合，并将结合结果输入至训练好的目标识别模型，输出所述任一前视图像的类别信息。
[0016]本申请第三方面实施例提供一种基于生成对抗网络的宽带前视成像雷达目标识别装置，应用于模型训练阶段，包括：建立模块，用于建立配对的前视图像数据集，所述前视图像数据集包括前视图像和目标的轮廓图；第一获取模块，用于搭建基于生成对抗网络的图像增强网络，利用所述前视图像数据集对所述图像增强网络进行训练，获得训练好的图像增强模型，将所述前视图像输入所述训练好的图像增强模型，获得增强后的前视图像；第二获取模块，用于搭建目标识别网络，利用所述前视图像、所述增强后的前视图像和类别信
息对所述目标识别网络进行训练，获得训练好的目标识别模型，并将所述前视图像和所述增强后的前视图像进行结合，以将结合后的图像输入到所述训练好的目标识别模型，获得任一前视图像的类别信息。
[0017]可选地，在本申请的一个实施例中，所述建立模块包括：第一获取单元，用于获取多种目标不同姿态的轮廓图，以得到不同目标不同姿态的所述轮廓图；第二获取单元，用于获取所述不同目标不同姿态的回波数据，并基于所述回波数据得到所述前视图像；第一生成单元，用于对所述前视图像进行数据增强，以对所述前视图像中每个散射点添加位置误差和姿态误差，并与所述轮廓图进行配对，生成所述配对的前视图像数据集。
[0018]可选地，在本申请的一个实施例中，所述回波数据的表达式为：
[0019][0020]其中，y(n,m)表示采集的第n个天线第m个频点的回波信号，P表示复杂目标中散本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的宽带前视成像雷达目标识别方法，其特征在于，应用于模型训练阶段，其中，所述方法包括以下步骤：建立配对的前视图像数据集，所述前视图像数据集包括前视图像和目标的轮廓图；搭建基于生成对抗网络的图像增强网络，利用所述前视图像数据集对所述图像增强网络进行训练，获得训练好的图像增强模型，将所述前视图像输入所述训练好的图像增强模型，获得增强后的前视图像；以及搭建目标识别网络，利用所述前视图像、所述增强后的前视图像和类别信息对所述目标识别网络进行训练，获得训练好的目标识别模型，并将所述前视图像和所述增强后的前视图像进行结合，以将结合后的图像输入到所述训练好的目标识别模型，获得任一前视图像的类别信息。2.根据权利要求1所述的基于生成对抗网络的宽带前视成像雷达目标识别方法，其特征在于，所述建立配对的前视图像数据集，包括：获取多种目标不同姿态的轮廓图，以得到不同目标不同姿态的所述轮廓图；获取所述不同目标不同姿态的回波数据，并基于所述回波数据得到所述前视图像；对所述前视图像进行数据增强，以对所述前视图像中每个散射点添加位置误差和姿态误差，并与所述轮廓图进行配对，生成所述配对的前视图像数据集。3.根据权利要求2所述的基于生成对抗网络的宽带前视成像雷达目标识别方法，其特征在于，所述回波数据的表达式为：其中，y(n,m)表示采集的第n个天线第m个频点的回波信号，P表示复杂目标中散射点的个数，γ
p
、R
p
和θ
p
分别表示y(n,m)中第p个散射点的幅度、距离和方位，w(m,n)表示复高斯噪声，j表示虚数单位，f
c
+(m
‑
1)Δf表示第m个观测频点，Δf表示频率间隔，f
c
表示初始频率，c表示光速，d表示阵列之间的间隔。4.根据权利要求1所述的基于生成对抗网络的宽带前视成像雷达目标识别方法，其特征在于，所述搭建基于生成对抗网络的图像增强网络，利用所述前视图像数据集对所述图像增强网络进行训练，获得训练好的图像增强模型，包括：搭建基于所述生成对抗网络的图像增强网络，所述生成对抗网络的图像增强网络包括生成器和判别器；以所述前视图像作为输入，以所述轮廓图作为监督，对所述图像增强网络进行训练，得到所述训练好的图像增强模型。5.根据权利要求1所述的基于生成对抗网络的宽带前视成像雷达目标识别方法，其特征在于，所述搭建目标识别网络，利用所述前视图像、所述增强后的前视图像和类别信息对所述目标识别网络进行训练，获得训练好的目标识别模型，包括：搭建所述目标识别网络，并以所述前视图像和所述增强后的前视图像进行结合，将结合结果作为输入，以所述类别信息为标签，对所述目标识别网络进行训练，获得所述训练好的目标识别模型。6.一种基于生成对抗网络的宽带前视成像雷达目标识别方法，其特征在于，应用于模
型应用阶段，其中，所述方法包括以下步骤：获取任一前视图像；将所述任一前视图像输入至训练好的图像增强模型，输出所述任一前视图像的增强后的前视图像；以及将所述任一前视图像和所述增强后的前视图像进行结合，并将结合结果输入至训练好的目标识别模型，输出所述任一前视图像的类别信息。7.一种基于生成对抗网络的宽带前视成像雷达目标识别装置，其特征在于，应用于模型训练阶段，其中，所述装置包括：建立模块，用于建立配对的前视图像数据集，所述前视图像数据集包括前视图像和目标的轮廓图；第一获取模块，用于搭建基于...

【专利技术属性】
技术研发人员：王磊，刘一民，黄天耀，息荣艳，
申请(专利权)人：清华大学，
类型：发明
国别省市：