一种基于图像目标检测的雷达信号分选方法、系统及设备
文献发布时间：2024-04-18 20:01:55
技术领域
本发明涉及雷达信号侦察数据处理技术领域，更具体地讲，涉及一种基于图像目标检测的雷达信号分选方法、系统及设备。
背景技术
现有技术主要包括基于直方图的分选方法、基于PRI变换的分选方法、基于特征参数聚类的分选方法，这类方法的共同点是均从雷达信号特征参数如频率、脉宽、重频、幅度等维度出发进行分选。
上述方法对于参数固定雷达分选效果较好，但对于参数捷变雷达分选效果往往分选效果较差，容易出现增批、漏批以及特征参数获取不完整的问题，难以满足雷达信号侦察系统告警准确性的需求。
发明内容
本发明所要解决的技术问题是，提供一种基于图像目标检测的雷达信号分选方法、系统及设备，将侦察系统接收到的雷达信号幅度信息转换为幅度二维图像，通过对雷达扫描的二次曲线进行检测，解决了雷达信号分选问题，有效抑制了传统分选算法对参数捷变雷达信号分选的增批、漏批问题。
本发明解决技术问题所采用的解决方案是：
一种基于图像目标检测的雷达信号分选方法，具体包括以下步骤：
步骤S1:数据预处理；将脉冲序列的幅度数据转换为幅度二维灰度图像，得到幅度二维灰度图像图集；
步骤S2:数据增强；将幅度二维灰度图像图集中的图像进行数据增强，并生成更多图像样本；
步骤S3:数据集构建与划分；对步骤S2所获得的图像样本进行数据集构建和划分,获得训练集和测试集；
步骤S4:网络训练；基于训练集和测试集进行网络训练，，保存训练好的模型参数；
步骤S5:图像检测；
步骤S6:脉冲序列提取。
在一些可能的实施方式中，
所述步骤S1具体是指：
对脉冲序列某段中的第n个脉冲进行数据预处理，得到灰度图像中像素点的横坐标和纵坐标；
对应到灰度图像中像素点的横坐标X
式中，[·]表示取整，W为图像宽度，TOA
其对应到灰度图像中像素点纵坐标Y
式中，[·]表示取整，H为图像高度，PA
在一些可能的实施方式中，
所述步骤S2具体是指：通过翻转、裁剪、加噪声对幅度二维灰度图像进行数据增强，生成更多图像样本。
在一些可能的实施方式中，
所述步骤S3具体包括以下步骤：
步骤S31：数据集构建；
对数据增强之后的图像样本进行人工标注，得到标注后的灰度图像数据集和对应的标签；
步骤S32：数据集划分；
对标注后的灰度图像数据集进行划分，得到训练集和测试集。
在一些可能的实施方式中，
标签的格式为：[class,x,y,w,h]，其中，class表示目标类别，(x,y)表示标注框的中心坐标，(w,h)表示标注框的相对高和宽。
在一些可能的实施方式中，
所述步骤S4具体是指：
采用YOLO算法进行图像检测，结合端到端的训练方式进行训练，直至模型验证损失不再继续提高，停止训练，保存训练好的模型参数，其中训练集用于训练模型参数，测试集用于验证模型性能。
在一些可能的实施方式中，
所述步骤S5具体是指：
将训练好的模型用于雷达信号的二次扫描曲线检测，对收到的脉冲序列按照步骤S1进行数据预处理，将脉冲序列数据转化为幅度灰度图像输入网络，输出检测结果。
在一些可能的实施方式中，
所述步骤S6具体是指：
根据检测结果给出的坐标范围，提取出坐标范围内的脉冲作为分选结果输出。
一种基于图像目标检测的雷达信号分选系统，包括：
数据预处理模块，用于将脉冲序列的幅度数据转换为幅度二维灰度图像，得到幅度二维灰度图像图集；
数据增强模块，将幅度二维灰度图像图集中的图像进行数据增强，并生成更多图像样本；
数据集构建与划分模块，对数据增强模块生成的图像样本进行数据集构建和划分,获得训练集和测试集；
网络训练模块，基于训练集和测试集进行网络训练，保存训练好的模型参数；
图像检测模块，将网络训练模块训练好的模型用于雷达信号的二次扫描曲线检测，获得检测结果；
提取模块，从检测结果中提取脉冲序列。
一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行如以上所述方法。
与现有技术相比，本发明的有益效果：
本发明将侦察系统接收到的雷达信号的幅度信息转换为一幅幅幅度二维灰度图像，通过对雷达扫描的二次曲线进行检测，解决了雷达信号分选问题，有效抑制了传统分选算法对参数捷变雷达信号分选的增批、漏批问题；
本发明实现对雷达信号二次扫描曲线的准确检测和定位，根据检测定位结果提取出信号脉冲，解决雷达信号的分选问题。
附图说明
图1为本发明的工作流程图；
图2为本发明图像检测时的网络模型；
图3为本发明中实施例1中进行人工标注后的标注结果；
图4为本发明实施例1中的检测框坐标；
图5为本发明实施例1中的检测框坐标。
具体实施方式
下面对本发明进行详细说明。
如图1-图2所示，一种基于图像目标检测的雷达信号分选方法，具体包括以下步骤：
步骤S1:数据预处理；将脉冲序列的幅度数据转换为幅度二维灰度图像，得到幅度二维灰度图像图集；
所述步骤S1具体是指：
对脉冲序列某段中的第n个脉冲进行数据预处理，得到灰度图像中像素点的横坐标和纵坐标；
对应到灰度图像中像素点的横坐标X
式中，[·]表示取整，W为图像宽度，TOA
其对应到灰度图像中像素点纵坐标Y
式中，[·]表示取整，H为图像高度，PA
步骤S2:数据增强；将幅度二维灰度图像图集中的图像进行数据增强，并生成更多图像样本；
所述步骤S2具体是指：通过翻转、裁剪、加噪声对幅度二维灰度图像进行数据增强，生成更多图像样本。
步骤S3:数据集构建与划分；对步骤S2所获得的图像样本进行数据集构建和划分,获得训练集和测试集；
所述步骤S3具体包括以下步骤：
步骤S31：数据集构建；
对数据增强之后的图像样本进行人工标注，得到标注后的灰度图像数据集和对应的标签；标签的格式为：[class,x,y,w,h]，其中，class表示目标类别，(x,y)表示标注框的中心坐标，(w,h)表示标注框的相对高和宽。
步骤S32：数据集划分；
对标注后的灰度图像数据集进行划分，得到训练集和测试集；
步骤S4:网络训练；基于训练集和测试集进行网络训练，，保存训练好的模型参数；
所述步骤S4具体是指：
采用YOLO算法进行图像检测，结合端到端的训练方式进行训练，直至模型验证损失不再继续提高，停止训练，保存训练好的模型参数，其中训练集用于训练模型参数，测试集用于验证模型性能。
YOLO算法进行图像检测、端到端训练均为现有技术；其中端到端训练具体是指在学习过程中不进行分模块或分阶段训练,直接优化任务的总体目标；
步骤S5:图像检测；所述步骤S5具体是指：
将训练好的模型用于雷达信号的二次扫描曲线检测，对收到的脉冲序列按照步骤S1进行数据预处理，将脉冲序列数据转化为幅度灰度图像输入网络，输出检测结果。
步骤S6:脉冲序列提取；具体是指：
根据检测结果给出的坐标范围，提取出坐标范围内的脉冲作为分选结果输出。
实施例1：
本实施例以100段脉冲样本序列为例进行说明，具体处理流程如下：
步骤S1：数据预处理；
将脉冲序列的幅度数据转换为幅度二维灰度图像，得到幅度二维灰度图像图集；
具体的：如在对第i段脉冲样本序列中的第n个脉冲进行数据处理时，其对应到灰度图像中像素点的横坐标
式中，[·]表示取整，W＝256为图像宽度，
灰度图像中像素点纵坐标
式中，[·]表示取整，H＝256为图像高度，
步骤S2：数据增强；
对转换得到的幅度二维灰度图像图集中的所有图像样本进行翻转、裁剪、平移等操作，生成更多新的灰度图像样本，增强模型的泛化能力；
经过数据增强，幅度二维灰度图像图集中样本由100个扩充为1000个。
步骤S3：数据集构建与划分；
步骤S31:数据标注；
对数据增强之后的灰度图像进行人工标注，得到标注后的灰度图像数据集和对应的标签数据。
如图3所示，图中标注结果对应的标签为[0，0.496094，0.501953，0.640625，0.324219]，其中，0表示目标类别，(0.496094，0.501953)表示标注框的中心坐标，(0.640625，0.324219)表示标注框的相对高和宽。
步骤S32:数据集划分；
对标注后的灰度图像数据集按照8:2的比例进行划分，80％的样本作为训练集，20％的样本作为测试集；
经过划分后，训练集图像样本为800个，测试图像集样本为200个；其中训练集用于模型训练，测试集用于模型评估。
步骤S4：网络训练；
本发明采用YOLO算法进行图像检测，网络模型如图2所示，采用端到端的训练方式，训练集用于训练模型参数，测试集用于验证模型性能，直到模型验证损失不再继续提高，停止训练，保存训练好的模型参数用于后续的图像检测。
步骤S5：图像检测；
将训练好的模型用于雷达信号的二次扫描曲线检测；检测结果如图4示，检测框坐标[0.50,0.50,0.65,0.39]，如图5所示，检测框坐标[0.5,0.49,0.76,0.51]。
步骤S6：脉冲序列提取；
根据上一步的检测框的坐标，提取对应的脉冲序列。
实施例2：
一种基于图像目标检测的雷达信号分选系统，包括：
数据预处理模块，用于将脉冲序列的幅度数据转换为幅度二维灰度图像，得到幅度二维灰度图像图集；
数据增强模块，将幅度二维灰度图像图集中的图像进行数据增强，并生成更多图像样本；
数据集构建与划分模块，对数据增强模块生成的图像样本进行数据集构建和划分,获得训练集和测试集；
网络训练模块，基于训练集和测试集进行网络训练，保存训练好的模型参数；
图像检测模块，将网络训练模块训练好的模型用于雷达信号的二次扫描曲线检测，获得检测结果；
提取模块，从检测结果中提取脉冲序列。
实施例3：
一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行如实施例1所述方法。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。