[发明专利]一种基于瀑布图的目标信号检测识别方法

说明书

本发明公开一种基于瀑布图的目标信号检测识别方法，包括步骤：预处理原始数据，获取瀑布图；使用U‑net语义分割方法对瀑布图进行语义分割，获得初始目标区域；通过Opencv图像处理库的凸包检测对所述初始目标区域进行后处理，去除目标区域分割接壤，获取精确目标区域；根据精确目标区域计算目标信号在瀑布图中的时间和频率位置。本发明能够在复杂的电磁环境下达到很好的目标检测效果，并具有很好的泛化能力。

技术领域

本发明属于信号检测技术领域，特别是涉及一种基于瀑布图的目标信号检测识别方法。

背景技术

信号接收端收到受干扰信号时，利用信号概率和噪声功率等信息按照一定的准则判定信号的存在，称为信号检测。信号接收端利用收到的受干扰的发送信号序列尽可能精确地估计该发送信号的某些参数值(如时间、频率)，从时间和频率范围内检测目标信号，给出目标信号的时间和频率信息。瀑布图是将接收到的信号映射为以时间、频率作为维度的二维图像。通信信号识别技术是通信技术中认知无线电、软件无线电研究领域的重要研究方向，通过计算机视觉技术提高通信过程中的通信信号识别能力，对于增强通信技术储备、提高通信行业竞争力、加强国防科技建设具有重要的意义。

现有的信号检测识别方法，无法在复杂的信号环境下实现精度较高的信号检测效果；并且泛化能力差，无法实现复杂信号的检测和识别。

发明内容

为了解决上述问题，本发明提出了一种基于瀑布图的目标信号检测识别方法，能够在复杂的信号环境下很好地检测和识别目标信号，具有很好的泛化能力。

为达到上述目的，本发明采用的技术方案是：一种基于瀑布图的目标信号检测识别方法，包括步骤：

S100，预处理原始数据，获取瀑布图；

S200，使用U-net语义分割方法对瀑布图进行语义分割，获得初始目标区域；

S300，通过Opencv图像处理库的凸包检测对初始目标区域进行后处理，去除目标区域分割接壤，获取精确目标区域；

S400，根据精确目标区域获取目标信号在瀑布图中的时间和频率位置。

进一步的是，在步骤S100中，利用给定的背景和信号类型，进行随机重采样合成源数据，模拟通过信号处理技术得到二维的时频图作为瀑布图。

进一步的是，由于瀑布图背景的固定区域存在明显白线，通过将白线处像素值替代为一维横向领域的像素值，去除生成的瀑布图背景中存在的白线，取值概率为高斯分布。

进一步的是，将瀑布图中各类型的信号有放回地重复采样，信号改变尺寸后随机合成到截取后的背景图片，确保最终生成的不同信号间不相交。

进一步的是，在步骤S200中，利用U-net语义分割网络对瀑布图进行信号和背景的分割，U-net语义分割网络包括收缩路径和扩张路径。

进一步的是，所述U-net语义分割网络包括5个连续的3*3卷积核、一个用于下采样的2*2卷积核做最大池化操作、以及一个1*1卷积核。

进一步的是，利用U-net语义分割网络对瀑布图进行信号和背景的分割，包括步骤：

在扩张路径中，每一步都包含对瀑布图进行上采样；

然后用5个连续的3*3卷积核进行卷积运算，且在所述3*3卷积核中均使用ReLU激活函数；

每一次卷积运算之后均采用2*2卷积核的最大池化层获取局部特征；

在神经网络的最后一层，利用1*1卷积核进行卷积运算，将每个特征向量映射网络的输出层。

进一步的是，使用keras深度学习框架实现U-net语义分割网络模型的搭建和训练。