[发明专利]基于Precise ROI-Faster R-CNN的雷达目标图像检测方法

说明书

本发明涉及基于Precise ROI‑Faster R‑CNN的雷达目标图像检测方法，属于雷达信号处理技术领域。首先，雷达将回波数据信息转换为图像，构建训练数据集；然后，建立Precise ROI‑Faster R‑CNN目标检测模型，包括共享卷积神经网络、区域建议网络、分类和回归网络，并采用ELU激活函数、Precise ROI Pooling方法和软化非极大值抑制（Soft‑NMS）方法；输入训练数据集对模型进行迭代优化训练，得到模型的最优参数；最后，将实时雷达目标回波生成的图像，输入训练后的最优目标检测模型进行测试，完成目标的检测与分类一体化处理。本发明能智能学习和提取雷达回波图像特征，适用于复杂环境需下不同类型目标的检测和分类，降低处理时间和硬件成本。

技术领域

本发明属于雷达信号处理技术领域，更具体地，本发明涉及一种基于PreciseROI-Faster R-CNN的雷达目标图像检测方法，可用于雷达目标检测智能处理。

背景技术

雷达作为目标探测和监视的主要手段，在公共安全以及国防安全领域应用广泛。然而受海洋环境复杂、回波信杂比低以及目标复杂运动特性的影响，目标回波极其微弱，具有低可观测性，使得雷达对杂波背景下目标的探测性能难以满足实际需求。杂波中低可观测目标检测技术成为关键制约因素，也是世界性难题，难以实现稳健、可靠和快速的检测。

近年来人工智能得到了广泛的关注和支持，深度学习发展迅猛，而卷积神经网络更是因为其在计算机视觉领域的优异性能在众多领域都得到了广泛的应用。卷积神经网络能够通过卷积核对图像的卷积自动提取图像特征，从而实现良好的目标识别功能。基于卷积神经网络的目标检测方法主要分为两类：基于区域建议网络和基于回归方法的目标检测方法。前者包括R-CNN、SPP-Net、Fast RCNN、Faster RCNN等检测方法，后者衍生了YOLO、SSD等检测方法。现在在合成孔径雷达的目标检测方面上得到了较为广泛的应用，李君宝等提出了基于深度卷积网络的SAR图像目标检测识别方法，杜兰等提出了基于卷积神经网络的SAR图像目标检测算法，黄洁等提出了基于卷积神经网络的遥感图像舰船目标检测方法。然而，雷达遥感图像获取的成本高、技术复杂，普适性较差，相较而言雷达适用范围广，成本不高，检测性能优异，在目标检测上有着广阔的应用前景。因此，将深度学习目标检测方法应用于雷达图像实现目标的检测有着理论的可行性和实践性。本专利提出一种基于PreciseROI-Faster R-CNN(Precise Region of Interests Faster R-CNN，精确感兴趣区域Faster R-CNN)的雷达目标图像检测方法，将雷达回波数据构建成图像，采用深度学习网络来进行图像处理，从而完成目标的智能检测与分类。

发明内容

本发明的目的在于将基于深度学习的图像目标检测方法应用于雷达目标检测领域，提高雷达目标检测和分类性能，提出一种基于Precise ROI-Faster R-CNN的雷达目标图像检测方法。其中要解决的技术问题包括：

(1)基于统计模型的检测方法仅在假设的统计模型条件下性能才能达到最优，难以适应变化多样的复杂背景和多类型目标场景；

(2)传统雷达目标检测和分类流程复杂，需要先检测后分类，花费时间长。

(3)原有的Faster R-CNN目标检测算法对于图像的检测处理较为粗放，损失了相当一部分的检测性能，检测过程不够精简，损失了检测速度。

本发明所述的基于Precise ROI-Faster R-CNN的雷达目标图像检测方法，其特征在于包括以下技术措施：

步骤一、将雷达回波数据转换为图像，构建训练数据集；

步骤二、构建Precise ROI-Faster R-CNN目标检测模型，包括共享卷积神经网络、区域建议网络(RPN)、分类和回归网络，并采用ELU激活函数、Precise ROI Pooling方法和软化非极大值抑制(Soft-NMS)方法；