一种雷达目标识别多源数据融合方法

技术领域

本发明涉及数据融合技术，特别是一种雷达目标识别多源数据融合方法。

背景技术

雷达目标识别是智能化雷达的关键技术之一，它的作用是对雷达识别到的目标作出精准识别。雷达目标识别的方法主要有：基于雷达的多维特征，如信号幅度、RCS等；基于雷达一维像的目标识别；基于SAR的目标识别等。数据融合的方法主要有：序贯法、聚类法、投票法。

一种基于深度学习的多源数据融合目标识别方法(专利公开号：CN110110765B)提出了应用一种复合图像的方法，将多源数据融合在图像的不同层，应用神经网络对融合后的图像进行识别。这种方式，实际是进行了数据级别的融合，并非对结果进行融合。

一种面向不平衡SAR图像数据的证据融合目标识别方法(专利公开号：CN114445700A)公开了一种面向不平衡SAR图像数据的证据融合目标识别方法,分别通过第一分类器、第二分类器和第三分类器对SAR图像目标数据进行目标识别；该发明在决策层将不同分类器的结果进行融合,充分利用不同分类器的互补知识,提升目标识别的鲁棒性。这种方法，是应用不同分类器，对同一SAR图像的分类结果进行融合，且需要3种及以上的数据。

基于注意力变换网络的雷达高分辨距离像目标识别方法(专利公开号：CN113625227A)公开了一种基于注意力变换网络的雷达高分辨距离像目标识别方法，实现步骤为：(1)生成训练集；(2)构建注意力变换网络；(3)训练注意力变换网络；(4)对待分类的雷达高分辨距离像目标进行识别。该发明同时利用了高分辨距离像的局部细节特征与全局时序信息，对高分辨距离像不同距离单元的重要性进行了区分，使得该发明有效提高了高分辨距离像的识别性能。这种方法，实际上是应用注意力变换网络，对雷达一维像进行识别的一种方法。

发明内容

针对现有技术中存在的问题，本发明提供了一种应用同一部雷达产生的不同类型的数据，分别采用不同深度学习方法进行识别，应用概率分布的方法，对识别结果进行数据融合，提升单部雷达目标识别的准确性、能大幅提升识别准确性的雷达目标识别多源数据融合方法。

本发明的目的通过以下技术方案实现。

一种雷达目标识别多源数据融合方法，步骤包括：

一维像目标识别：应用AlexNet网络，对一维像雷达数据进行识别的结果，包括TOP5的识别结果；

SAR目标识别：应用ResNet50网络，对SAR雷达数据进行识别的结果，包括TOP5的识别结果；

识别结果融合：应用融合算法，对一维像目标和SAR目标TOP5的识别结果进行融合，形成最终识别结果。

所述一维像目标识别的处理过程为：先一维像数据预处理，之后调用AlexNet网络处理，最终形成雷达一维像识别结果。

所述SAR目标识别的处理过程为：先SAR图像数据预处理之后调用ResNet50网络处理，最终形成雷达SAR图像识别结果。

所述识别结果融合的处理过程为：依据两组TOP5的识别结果中，同类别的概率值权重放大原则，对两组TOP5的识别结果中所有类别的概率值重新计算，获得新概率分布，取概率值最大的类别为融合后识别结果。

所述一维像数据预处理：一维像数据的形状为2000*1，假设一维像的数据Q＝{a

其中p

设i点的像素值为R

MAX＝max(P)

MIN＝min(P)

R

形成了一张2000X1尺寸的一维像图像，再通过图像学里的Resize方法，将图像变形为2048X16的图片。

所述识别结果融合的计算方法：设分类的类别数为n，p

T

选取最大的那个T

相比于现有技术，本发明的优点在于：本发明应用同一部雷达产生的不同类型的数据，分别采用不同深度学习方法进行识别，应用概率分布的方法，对识别结果进行数据融合，提升单部雷达目标识别的准确性。目前基于深度学习的目标识别方法，在大多数应用场景下，TOP1的准确率达到70％-80％，而TOP5的准确性能达到95％以上，可以说在5个中，有一个识别结果就是正确的，通过对多个TOP5的识别结果，进行融合，实际验证能大幅提升识别准确性。

1、大幅提升数据融合后目标识别精度：传统的目标识别数据融合后，识别精度的提升，一般在3％-5％，使用本发明的数据融合方案能提升10％-15％。

2、实现了只有两种数据源的条件下，高精度数据融合：传统的目标识别数据融合的方案，需要3种及3种以上的数据融合，才能达到比较好的数据融合效果，而本方案只需要两种及两种以上的数据融合，就能达到较好的融合效果。

3、具有较高的雷达一维像TOP5识别精度，能形成TOP5的识别结果：本发明使用雷达的一维像，对目标进行识别，应用AlexNet网络形成识别结果，具有较高的初始识别精度，且能形成TOP5的识别结果。

4、具有较高的雷达SAR图像TOP5识别精度，能形成TOP5的识别结果：本发明使用雷达的SAR图像，对目标进行识别，应用ResNet50网络形成识别结果，具有较高的初始识别精度，且能形成TOP5的识别结果。

附图说明

图1为本发明雷达目标识别多源数据融合处理流程图。

图2为一维像目标识别处理流程图。

图3为SAR图像目标识别处理流程图。

图4为识别结果融合处理流程图。

图5为雷达一维像样例图。

图6为雷达SAR图像。

具体实施方式

下面结合说明书附图和具体的实施例，对本发明作详细描述。

如图1所示，一种雷达目标识别多源数据融合方法，步骤包括：

一维像目标识别：应用AlexNet网络，对一维像雷达数据进行识别的结果，包括TOP5的识别结果；

SAR目标识别：应用ResNet50网络，对SAR雷达数据进行识别的结果，包括TOP5的识别结果；

识别结果融合：应用融合算法，对一维像目标和SAR目标TOP5的识别结果进行融合，形成最终识别结果。

如图2所示，所述一维像目标识别的处理过程为：先一维像数据预处理，之后调用AlexNet网络处理，最终形成雷达一维像识别结果。

如图3所示，所述SAR目标识别的处理过程为：先SAR图像数据预处理之后调用ResNet50网络处理，最终形成雷达SAR图像识别结果。

如图4所示，所述识别结果融合的处理过程为：依据两组TOP5的识别结果中，同类别的概率值权重放大原则，对两组TOP5的识别结果中所有类别的概率值重新计算，获得新概率分布，取概率值最大的类别为融合后识别结果。

本发明具有三个特点：

1、本发明是基于单部雷达产生的不同类型数据的识别结果融合，能提升单部传感器目标识别的精度。

2、本发明是应用深度学习方法，实现不同类型雷达数据的目标识别，能形成TOP5识别结果的概率分布。

3、本发明是利用深度学习TOP5识别精度高的特点，应用TOP5识别结果的概率分布，实现数据融合，达到提升识别精度的目的。

本发明的具体实施过程分为2个阶段：模型训练阶段和模型使用阶段。

1、训练阶段

基于深度神经网络的目标识别，是一种有监督学习，它通过卷积神经网络，自动提取目标特征，当数据样本越大时，它的泛化能力越强。因此，在使用一种模型之前，必须针对识别的要求，组织训练样本对其进行训练，完成训练后，可部署模型使用。本发明涉及两种数据的识别，一种为一维像数据，另一种为SAR图像数据，因此需要训练两个不同的模型，分别识别一维像数据和SAR图像数据。

1)模型选择

使用深度神经网络对雷达目标进行识别，可采用自行设计的网络，或者使用公开的网络。通过不同类别的模型对比，本发明使用了在一维像数据和SAR图像数据上识别率较为精准的AlexNet和ResNet50网络分别作为识别模型。

2)训练/推理样本生成

训练/推理样本生成，是将一维像数据预处理为AlexNet能识别的图像数据(SAR图像数据，本身就是图像)。一维像数据，是雷达在宽带条件下，被检测目标在雷达每个距离门上的福相信息，本发明使用的一维像数据的形状为2000*1。假设一维像的数据Q＝{a

首先计算P＝{p

设i点的像素值为R

MAX＝max(P)

MIN＝min(P)

R

这样就形成了一张2000X1尺寸的一维像图像，再通过图像学里的Resize方法，将图像变形为2048X16的图片，这样就可以开展AlexNet模型训练或推理了。

SAR图像本身就是图片，只要Resize成224X224大小的图片，就可以开展ResNet50模型训练或推理了。

形成的一维像图像和SAR图像的样例可见图5和图6。

3)服务器训练

本发明采用AlexNet和ResNet50模型训练识别网络。在Nvidia V100上训练了4天时间，完成了模型的训练。模型训练完成后，可交给下一阶段推理使用。

2、应用阶段

完成模型训练和部署后，可应用模型实施识别功能，识别完成后，应用融合算法重新计算TOP5类别的概率分布，取概率值最大的类别为识别结果。本发明的雷达目标识别多源数据融合分三个部分进行，分别是“数据预处理”、“单模型识别”和“多模型识别结果融合”。

1)、数据预处理

数据预处理主要完成一维像数据变换成2048X16的图片，SAR图像变换成224X224的图片，其过程同训练阶段的“训练/推理样本生成”。

2)、单模型识别

分别使用训练好的AlexNet和ResNet50网络模型，对一维像图片和SAR图片进行识别，获得TOP5的识别结果。本发明的TOP5识别结果样例如下：

类别1 0.67

类别2 0.23

类别3 0.09

类别4 0.00

类别5 0.00

类别后面的小数为该类别可能性的概率值。

3)、多模型识别结果融合

多模型识别结果融合是本发明的最大的创新点，它基于当下神经网络图像识别TOP5精度高的特点，融合计算新的概率分布，大幅提升融合识别精度。通过权威机构测评，AlexNet和ResNet50在imagenet数据集上的TOP5精度达到了84.7％和95.3％。本发明实际在一维像和SAR图像上测评，TOP5的精度都达到了96％以上，也就是说，每一种模型的识别结果，前五个必定有一个是正确的，基于这种特点，本发明设计了一种识别结果融合计算方法，重新计算概率值，大幅提升了融合后目标识别精度，计算方法如下：

设分类的类别数为n，p

T

选取最大的那个T