一种基于单次多框网络的对海雷达视频目标检测方法

技术领域

本发明属于雷达目标检测领域，特别涉及基于深度学习的对海探测雷达目标检测领域。

背景技术

雷达由于具有全天时全天候目标探测能力，因此在复杂的海洋探测和监控体系中能够发挥着不可替代的重要作用。在当前海上安全形势下，雷达对于海探测的重要性不断上升。因此，研究具有更好对海探测目标检测性能的方法是有必要的。

传统雷达对海目标检测方法主要基于统计类模型，在文献《海杂波背景下的双参数单元平均恒虚警检测器》(现代雷达，32卷，2期，2010年1月，52-56页)中，武楠、徐艳国和李宗武提出了一种双参数单元平均恒虚警检测器，该检测器在总虚警率一定的情况下，能够在空间上自适应地调节门限系数。基于统计理论的雷达目标检测算法从雷达数据中提取的雷达目标特征较少，因此在虚假点迹抑制和多目标检测等方面的性能表现较弱。深度神经网络在目标特征提取方面相比于传统统计类算法具有更好的性能。因此，可以基于深度神经网络研究和开发具有更强特征提取能力的对海目标检测算法，从而提升对海雷达视频目标检测性能。

发明内容

本发明基于深度神经网络领域的单次多框网络(SSD，Single Shot MultiboxDetector)模型，提出了一种基于单次多框网络的对海雷达视频目标检测方法。该方法针对雷达对海探测视频数据构建深度学习训练集和测试集，以VGG16为主干网络结构，衔接级联的多尺度特征检测网络，从而增强对于雷达视频数据海面目标的检测能力。

为实现上述技术目的，本发明提出的技术方案如下：

步骤1：将对海探测雷达射频前端采集的I、Q两个通道的雷达原始回波，进行IQ解调和异常剔除处理，得到雷达复数回波数据。根据雷达系统的脉冲宽度、带宽、采样率、脉冲重复频率等参数，对于雷达复数回波数据进行脉冲压缩处理和取模操作，获取雷达视频数据；基于雷达视频数据，通过恒虚警检测和点迹凝聚处理，获取雷达目标检测点迹，完成雷达回波处理。

步骤2：基于对海探测需求，并根据一定序列的雷达视频数据的恒虚警检测结果和专家经验，构建基于对海雷达视频数据的目标标注信息，形成对海雷达目标检测数据集。根据具体任务需求，将数据集样本进行抽取并分为训练集和测试集。

步骤3：使用VGG16作为主干网络结构实现雷达目标特征提取，构建单次多框检测网络。将检测样本输入VGG16主干网络。

步骤4：单次多框检测网络包括深度为16层的VGG16深度神经网络，级联的多尺度特征检测网络和非极大值抑制模块。采用单次多框检测网络对于训练集中的雷达目标检测样本进行训练。

步骤5：使用测试集样本对于训练获取的目标检测器进行测试，记录测试指标。

步骤6：查看迭代次数是否达到最大值，如果迭代次数没有达到最大值，调整单次多框检测网络系数，跳转步骤4；如果迭代达到最大值，进入步骤7。

步骤7：根据记录的测试指标，输出在所有迭代中性能指标最优的目标检测器。目标检测器包括单次多框检测网络和相应的网络系数。

优选的，采用单次多框检测网络对于带有标记信息的对海雷达视频数据样本进行训练和调整网络系数，获取基于当前训练集和测试集的最佳目标检测器。

优选的，所述步骤4中，使用VGG16作为主干网络实现雷达目标特征提取。

优选的，所述步骤4中，使用级联的多尺度特征检测网络实现不同尺度条件下的目标检测。

优选的，所述步骤4中，使用非极大值抑制模块寻找置信度最大的候选框，消除冗余候选框。

相比于传统技术，本发明的有益效果有：

本发明针对基于统计理论的雷达目标检测算法从雷达数据中提取的雷达目标特征较少，在虚假点迹抑制和多目标检测等方面的性能表现较弱这一情况。采用单次多框网络增强对于雷达视频数据中雷达目标的特征提取能力，从而提升对海雷达视频数据目标检测性能。

附图说明

图1是本发明处理流程示意图。

图2是本发明中单次多框网络结构示意图。

具体实施方式

本发明提出一种基于单次多框网络的对海雷达视频目标检测方法处理流程示意图如图1所示，结合实施例，优选的实现过程包括：

步骤1：将对海探测雷达射频前端采集的I、Q两个通道的雷达原始回波，进行IQ解调和异常剔除处理，得到雷达复数回波数据。根据雷达系统的脉冲宽度、带宽、采样率、脉冲重复频率等参数，对于雷达复数回波数据进行脉冲压缩处理和取模操作，获取雷达视频数据；基于雷达视频数据，通过恒虚警检测和点迹凝聚处理，获取雷达目标检测点迹，完成雷达回波处理

步骤2：基于对海探测需求，并根据一定序列的雷达视频数据的恒虚警检测结果和专家经验，构建基于对海雷达视频数据的目标标注信息，形成对海雷达目标检测数据集。根据具体任务需求，将数据集样本进行抽取并分为训练集和测试集。

步骤3：使用VGG16作为主干网络结构实现雷达目标特征提取，构建单次多框检测网络。将检测样本输入VGG16主干网络。图2为单次多框网络的结构示意图。单次多框检测网络包括深度为16层的VGG16深度神经网络，级联的多尺度特征检测网络和非极大值抑制模块。VGG16是深度为16层的深度神经网络，在单次多框检测网络中进行雷达目标初步特征提取；在VGG16之后衔接了一组级联的多尺度特征检测网络，将VGG16提取的特征在不同尺度下进行检测；多尺度特征检测网络之后是非极大值抑制模块，消除冗余候选框。采用单次多框检测网络对于训练集中的雷达目标检测样本进行训练。

单次多框网络采用局部损失L

其中N为匹配默认框的数量，α取值为1，L

置信度损失L

其中

步骤4：采用单次多框检测网络对于训练集中的雷达目标检测样本进行训练。

步骤5：使用测试集样本对于训练获取的目标检测器进行测试，记录测试指标。

步骤6：查看迭代次数是否达到最大值，如果迭代次数没有达到最大值，调整单次多框检测网络系数，跳转步骤4；如果迭代达到最大值，进入步骤7。

步骤7：根据记录的测试指标，输出在所有迭代中性能指标最优的目标检测器。目标检测器包括单次多框检测网络和相应的网络系数。