[发明专利]一种雷达目标检测方法、系统及可存储介质

说明书

本发明公开了一种雷达目标检测方法、系统及可存储介质，涉及雷达目标检测技术领域，其中方法包括以下步骤：获取雷达接收数据，并对所述雷达接收数据进行预处理后形成数据集，并将所述数据集划分为训练集和验证集；构建增强卷积神经网络，利用所述训练集以及所述训练集对应的数据标签训练所述增强卷积神经网络，利用所述验证集进行验证，并获取当所述验证集损失最小时对应的网络为最优检测权重网络等步骤；本发明可提升卷积神经网络的学习表示能力。

技术领域

本发明涉及雷达目标检测技术领域，更具体的说是涉及一种雷达目标检测方法、系统及可存储介质。

背景技术

目前，随着海面目标的小型化和隐身化，海面慢速小目标已经成为了雷达警戒的重点对象。关于此类小目标的检测一直以来都是海杂波背景下目标检测中的难题。通常，海面小目标的雷达散射横截面积微弱，这些目标在常规雷达中具有非常低的信杂比。由于目标运动速度较慢，且海杂波具有较宽的多普勒带宽，目标和海杂波在多普勒上难以区分，传统的检测方法在这种情况下很难奏效。

但是，针对海面漂浮小目标的检测，通常采用高多普勒和高距离分辨体制(“双高”体制)来解决这个问题。在“双高体制”下，雷达接收的目标回波提供了更多的可用信息，考虑到高分辨率雷达需要面对极其复杂的杂波和目标回波特性，那么可以基于杂波和目标回波的一个或多个差异性特征实现联合检测，即基于特征的检测技术。而如何从复杂的杂波与目标特性中选取差异性特征则是一个棘手的难题，现有方法主要涉及信号层面的特征，如分形特征、混沌特征、时域特征、频域特征以及时频域特征。现有智能检测方法大多基于传统机器学习如K近邻算法、支持向量机和决策树等，并配合手工设计的多域多特征对小目标进行检测，基于可控虚警的卷积神经网络检测方法仍有待探索

因此，如何提供一种能够解决上述问题的雷达目标检测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种雷达目标检测方法、系统及可存储介质，其提供的增强卷积神经网络以多层残差网络为骨干结构，引入非对称卷积处理，增强网络对于细微特征与边缘特征的提取和表征能力。

为了实现上述目的，本发明采用如下技术方案：

一种雷达目标检测方法，包括以下步骤：

获取雷达接收数据，并对所述雷达接收数据进行预处理后形成数据集，并将所述数据集划分为训练集和验证集；

构建增强卷积神经网络，利用所述训练集以及所述训练集对应的数据标签训练所述增强卷积神经网络，利用所述验证集进行验证，并获取当所述验证集损失最小时对应的网络为最优检测权重网络；

对待检测数据进行预处理，将经过预处理的所述待检测数据输入至所述最优检测权重网络中进行检测得到输出结果，将输出结果与预设阈值进行对比，以实现判断所述待检测数据中是否存在目标。

优选的，判断所述待检测数据中是否存在目标的具体过程包括：

若所述输出结果小于等于所述预设阈值，判断所述待检测数据中含有目标，反之则判断所述待检测数据中不含有目标。

优选的，所述增强卷积神经网络包括依次连接的一个大卷积层、4个残差模块、一个密集连接层，其中所述残差模块包括依次连接的2个基础模块。

优选的，所述基础模块包括依次连接的多个子网络及二维池化层，所述子网络包括依次连接的第一卷积层、多个非对称卷积层、第一归一化层、第一激活层、第二卷积层、第二归一化层和第二激活层。

优选的，所述预处理的具体过程包括：

将所述雷达接收数据转换为二维时频图；

利用先验信息将所述二维时频图进行标记以得到对应的数据标签，所述数据标签包括仅含杂波而不含目标的数据、含有目标的数据；

调整所述二维时频图的尺寸，将调整过尺寸的所述二维时频图作为所述数据集。

优选的，确定预设阈值的具体过程包括：