[发明专利]一种基于多分辨率融合卷积神经网络的穿墙雷达成像方法

说明书

本发明公开了一种基于多分辨率融合卷积神经网络的穿墙雷达成像方法，具体涉及雷达成像技术领域，通过制作所需数据集；构建多分辨率融合卷积神经网络；设置超参数，使用训练集训练多分辨率融合卷积神经网络；使用验证集验证多分辨率融合卷积神经网络；将测试集数据输入多分辨率融合卷积神经网络实现穿墙雷达的成像；可以准确反映目标的位置信息、体现目标之间反射系数的差异，对目标反射系数的大小描述更加准确；抑制由BP算法造成的旁瓣干扰、形状变化及多径效应导致的鬼影目标；重建误差更小，成像质量更高的同时降低了虚警目标个数和漏警目标个数；更适用于实际场景中的穿墙雷达成像，可直接应用于穿墙雷达设备。

技术领域

本发明涉及雷达成像技术领域，具体提出了一种基于多分辨率融合卷积神经网络的穿墙雷达成像方法。

背景技术

传统的穿墙雷达成像多采用反向投影(BP)算法，BP算法构建了雷达回波信号与含目标位置信息和目标反射强度的穿墙雷达图像之间的映射关系，但使用BP算法生成的雷达图像分辨率较低，往往带有较多的旁瓣、栅瓣和杂波，同时存在相同目标在不同位置时成像结果目标大小和反射特性发生变化的问题，随着图像处理理论的不断发展和深度学习技术的兴起，以上问题有了妥善的解决方案；

多分辨率或称多尺度是图像处理领域的一个基本概念，是一幅图像经过梯次向下采样获得的一系列大小不同、分辨率不同的特征图，用以提取和分析图像的多维特征，最具代表性的是图像金字塔，随着下采样次数增加，特征图尺寸呈指数减小，分辨率也随之降低，图像处理往往只关注经滤波器处理后的图像特征质量，而不关注多个分辨率特征之间的相互联系，选择合适的滤波器也是图像处理过程中的重点和难点；

经过多年的发展，深度学习技术尤其是卷积神经网络被广泛应用于雷达成像，基于卷积神经网络的穿墙雷达成像方法大致可以分为两类：第一类只考虑多分辨率特征中的高分辨率信息，其代表算法有超分辨率卷积神经网络(Super-Resolution ConvolutionNeural Network，SRCNN)等；第二类考虑了图像不同分辨率特征之间的联系，其代表算法有U-net、复数深度神经网络(Complex Valued DNN,CV-DNN)等，对于第一类成像算法，一方面，该类算法结构简单，忽略了低分辨率图像中隐含的重要信息，导致成像质量不高；另一方面，由于神经网络的深度过深会引起梯度爆炸或梯度弥散而造成算法的不稳定性，这类算法已难有深入的改进和发展，第二类算法只对多个分辨率特征图中的某几个特征图进行特征融合而忽略了穿墙雷达图像高分辨与光学图像高分辨率之间的不同，简单进行模型照搬，在穿墙雷达成像上的效果一般，难以兼顾成像质量和目标检测的准确性。

发明内容

为解决现有技术的不足，本发明提出一种基于多分辨率融合卷积神经网络的穿墙雷达成像方法,在第二类成像算法的基础上，考虑了穿墙雷达图像的高分辨率图像成像过程以及高分辨率穿墙雷达图像与高分辨率光学图像的异同，多次融合不同分辨率的特征图以达到提取目标反射强度信息、消除旁瓣干扰、锐化目标区域和抑制目标形状变化的目的,通过多次融合多分辨率特征图实现穿墙雷达对探测场景中目标的准确成像，包括以下步骤:

步骤1：制作所需数据集；

制作用于网络训练和验证的训练集和验证集，制作用于网络测试的测试集，包括以下步骤：

步骤1.1：制作训练集和验证集；