[发明专利]一种基于改进FCN深度网络的杂波辨识与目标检测方法

说明书

本发明公开了一种基于改进FCN深度网络的杂波辨识与目标检测方法，步骤一：根据杂波环境构建数据集；步骤二：训练改进FCN网络；步骤三：读入回波RD平面图数据；步骤四：对于读入的数据，利用改进FCN网络分割杂波区和非杂波区；步骤五：针对分割后不同的区域，使用适应的最优检测算法；本发明能够准确地在RD平面图上对杂波进行语义分割，在保证目标检测率的同时，有效降低虚警。

技术领域

本发明属于雷达信号处理的技术领域，具体涉及一种基于改进FCN深度网络的杂波辨识与目标检测方法。

背景技术

随着人工智能技术的不断发展，深度学习已经成为各个领域的研究热点。雷达作为一种传统领域，深度学习同样得到了很好的应用，在SAR图像处理、雷达辐射源识别和雷达波形识别等方面取得了丰硕的成果。在雷达探测技术中，杂波环境中的目标检测问题一直是其中的难点，传统固定策略的检测方法针对场景单一，一般只适用于特定杂波环境中，容易造成虚警高、漏检大等问题。

发明内容

有鉴于此，本发明提供了一种基于改进FCN深度网络的杂波辨识与目标检测方法，能够有效分割杂波区和非杂波区，并针对不同的区域使用适应的最优检测算法，从而在保证检测率的同时，降低杂波环境下的虚警率。

实现本发明的技术方案如下：

一种基于改进FCN深度网络的杂波辨识与目标检测方法，包括以下步骤：

步骤一、在实际杂波环境中采集RD平面图数据Data1，对RD平面图数据Data1中的杂波区域和非杂波区域进行像素级标注，得到训练数据集；

步骤二、引入空洞空间卷积池化金字塔(Atrous spatial pyramid poling,ASPP)结构对经典FCN网络进行改进；

步骤三、利用所述训练数据集训练改进后的FCN网络；

步骤四、将待检测的RD平面图数据Data2输入训练后的FCN网络模型，输出RD平面图杂波分割的结果，即将RD平面图分割为杂波区和非杂波区；

步骤五、对于杂波区，根据杂波类型采用对应的目标检测方法；对于非杂波区，采用CFAR检测方法。

进一步地，步骤二中，改进的FCN网络在编码时加入了ASPP结构，ASPP结构利用多个不同尺度的空洞卷积提取特征，再融合以捕获不同大小的上下文信息。

进一步地，步骤二中，解码网络通过反卷积，将小尺寸热点图进行上采样，得到与输入图片尺寸相同的语义分割图像。

进一步地，步骤三的具体过程为：

步骤3.1、读入改进FCN网络模型Model：

步骤3.2、读入迭代次数N、批大小s和学习率lr，并基于步骤一中构建的训练数据集训练改进FCN网络模型Model，训练完毕后保存模型的参数Para。

进一步地，步骤四的具体过程为：

步骤4.1、加载改进FCN网络模型Model和参数Para，恢复训练完成的改进FCN网络模型；

步骤4.2、将待检测的RD平面图数据Data2作为输入，经由改进FCN网络模型输出RD平面图杂波分割的结果。

有益效果：

本发明在深度学习理论的基础上提出了一种基于改进FCN网络的杂波辨识方法，能够有效分割杂波区和非杂波区，并针对不同的区域使用适应的最优检测算法，从而在保证检测率的同时，降低杂波环境下的虚警率。

附图说明

图1为本发明的方法流程图。

图2为改进FCN网络的模型结构图。