一种基于多尺寸一维卷积的雷达一维距离像识别方法和装置

1.本发明涉及机动目标自动识别技术领域，尤其涉及一种基于多尺寸一维卷积的雷达一维距离像识别方法和装置。


背景技术：

2.目前，基于雷达一维距离像对机动目标进行自动识别的方法主要是在特征提取之后，经识别分类器从而得到机动目标的识别结果。其中，特征提取可分为两种方法，一是通过多变量统计分析方法进行特征提取，二是利用深度神经网络模型对雷达一维距离像的多特征进行自动提取，与前者相比，后者具有较高的识别准确率。
3.但本技术发明人在实现本技术实施例中技术方案的过程中，发现上述现有技术至少存在如下技术问题：
4.现有的基于雷达一维距离像对机动目标自动识别方法中，由于不同雷达视线下不同角度的目标雷达一维距离像数据特征不同，导致识别率下降，同时在对雷达一维距离像进行特征提取时，其卷积核尺寸需要人工预先设定，且只能选取相同尺寸，从而造成雷达一维距离像的多特征提取不全面、有误差，进而导致机动目标识别率低的技术问题。


技术实现要素：

5.本发明实施例提供了一种基于多尺寸一维卷积的雷达一维距离像识别方法和装置，解决了现有的基于雷达一维距离像对机动目标自动识别方法中，由于不同雷达视线下不同角度的目标雷达一维距离像数据特征不同，导致识别率下降，同时在对雷达一维距离像进行特征提取时，其卷积核尺寸需要人工预先设定，且只能选取相同尺寸，从而造成雷达一维距离像的多特征提取不全面、有误差，导致机动目标识别率低的技术问题。通过一维卷积的多尺寸预估，达到了自动提取机动目标雷达一维距离像中不同外形结构的不同距离单元长度特征，更贴近机动目标的实际外形特征，同时增加角度信息的探测维度输入，从而实现区分不同雷达视角下机动目标的一维距离像数据特征，进而有效提高识别率的技术效果。
6.鉴于上述问题，提出了本技术实施例以便提供一种基于多尺寸一维卷积的雷达一维距离像识别方法和装置。
7.第一方面，本发明提供了一种基于多尺寸一维卷积的雷达一维距离像识别方法，所述方法包括：计算待识别机动目标的角度信息；通过宽带雷达获得所述待识别机动目标的雷达一维距离像信息，其中，所述雷达一维距离像信息与所述角度信息为一一对应关系；获得角度数据集与雷达一维距离像数据集；根据所述雷达一维距离像数据集，获得所述雷达一维距离像的一维卷积预估尺寸；根据所述一维卷积预估尺寸，构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型；利用所述角度数据集与所述雷达一维距离像数据集，训练所述多尺寸一维卷积神经网络模型；将所述角度信息与所述雷达一维距离像信息输入所述训练后的多尺寸一维卷积神经网络模型，获得所述待识别机动目标的雷达一维距
离像识别结果。
8.优选的，所述计算待识别机动目标的角度信息，包括：计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息；计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息；根据所述俯仰角信息与所述方位角信息，获得所述待识别机动目标的角度信息。
9.优选的，所述计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息，包括：通过激光雷达获得空中平台的俯仰光束；通过窄带雷达获得所述待识别机动目标机动方向；根据所述空中平台的俯仰光束与所述待识别机动目标的机动方向，计算所述机动方向与所述俯仰光束的夹角，获得所述待识别机动目标的俯仰角信息。
10.优选的，所述计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息，包括：通过所述激光雷达获得空中平台的方位光束；根据所述空中平台的方位光束与所述待识别机动目标的机动方向，计算所述机动方向与所述方位光束的夹角，获得所述待识别机动目标的方位角信息。
11.优选的，所述构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型，包括：多尺寸一维卷积池化层，所述多尺寸一维卷积池化层用于对所述雷达一维距离像进行多尺寸的一维卷积池化处理，提取所述雷达一维距离像的目标不同外形结构的不同距离单元长度的多特征信息；全连接输入层，所述全连接输入层结点由所述多尺寸一维卷积池化层提取的雷达一维距离像的目标不同外形结构的不同距离单元长度的多特征信息和所述角度信息合并组成；全连接中间层，所述全连接中间层用于对所述全连接输入层的结点进行全连接；全连接输出层，所述全连接输出层与所述全连接中间层的结点进行全连接，用于输出所述多尺寸一维卷积神经网络模型的识别结果，其中，所述全连接输出层的结点数为目标识别结果的种类个数。
12.优选的，所述根据所述雷达一维距离像数据集，获得所述雷达一维距离像的一维卷积预估尺寸，包括：从所述雷达一维距离像数据集中提取一历史雷达一维距离像，其中，所述历史雷达一维距离像包含多个散射的电磁子回波；根据所述历史雷达一维距离像，获得第i电磁子回波，其中i＝1,2,3,
…
；获得所述第i电磁子回波的波峰与波谷；计算所述第i电磁子回波的波峰与波谷的幅度差值；获得幅度变化阈值；判断所述第i电磁子回波的波峰与波谷的幅度差值是否大于所述幅度变化阈值；如果所述第i电磁子回波的波峰与波谷的幅度差值大于所述幅度变化阈值，获得第i+n电磁子回波，其中n＝1,2,3,
……
；获得所述第i+n电磁子回波的波峰与波谷，并计算所述第i+n电磁子回波的波峰与波谷的幅度差值；判断所述第i+n电磁子回波的波峰与波谷的幅度差值是否大于所述幅度变化阈值；如果所述第i+n电磁子回波的波峰与波谷的幅度差值小于所述幅度变化阈值，获得所述第i电磁子回波直至第i+n
‑
1电磁子回波的总宽度，存储为第一宽度；如果所述第i+n电磁子回波的波峰与波谷的差值大于所述幅度变化阈值，获得所述第i电磁子回波直至所述第i+n电磁子回波的总宽度，存储为第二宽度；从所述雷达一维距离像数据集中依次提取剩余的历史雷达一维距离像，直至提取完毕，获得若干个所述第一宽度与所述第二宽度；将所述若干个第一宽度与第二宽度进行存储，得到所述雷达一维距离像的一维卷积预估尺寸。
13.优选的，所述获得幅度变化阈值，包括：获得所述历史雷达一维距离像中包含的多个电磁子回波的幅度变化均值；根据所述幅度变化均值，获得所述幅度变化阈值。
14.第二方面，本发明提供了一种基于多尺寸一维卷积的雷达一维距离像识别装置，所述装置包括：
15.第一计算单元，所述第一计算单元用于计算待识别机动目标的角度信息；
16.第一获得单元，所述第一获得单元用于通过宽带雷达获得所述待识别机动目标的雷达一维距离像信息，其中，所述雷达一维距离像信息与所述角度信息为一一对应关系；
17.第二获得单元，第二获得单元用于获得角度数据集与雷达一维距离像数据集；
18.第三获得单元，所述第三获得单元用于根据所述雷达一维距离像数据集，获得所述雷达一维距离像的一维卷积预估尺寸；
19.第一构建单元，所述第一构建单元用于根据所述一维卷积预估尺寸，构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型；
20.第一训练单元，所述第一训练单元用于利用所述角度数据集与所述雷达一维距离像数据集，训练所述多尺寸一维卷积神经网络模型；
21.第四获得单元，所述第四获得单元用于将所述角度信息与所述雷达一维距离像信息输入所述训练后的多尺寸一维卷积神经网络模型，获得所述待识别机动目标的雷达一维距离像识别结果。
22.优选的，所述第一计算单元包括：
23.第二计算单元，所述第二计算单元用于计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息；
24.第三计算单元，所述第三计算单元用于计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息；
25.第五获得单元，所述第五获得单元用于根据所述俯仰角信息与所述方位角信息，获得所述待识别机动目标的角度信息。
26.优选的，所述第二计算单元包括：
27.第六获得单元，所述第六获得单元用于通过激光雷达获得空中平台的俯仰光束；
28.第七获得单元，所述第七获得单元用于通过窄带雷达获得所述待识别机动目标机动方向；
29.第八获得单元，所述第八获得单元用于根据所述空中平台的俯仰光束与所述待识别机动目标的机动方向，计算所述机动方向与所述俯仰光束的夹角，获得所述待识别机动目标的俯仰角信息。
30.优选的，所述第三计算单元包括：
31.第九获得单元，所述第九获得单元用于通过所述激光雷达获得空中平台的方位光束；
32.第十获得单元，所述第十获得单元用于根据所述空中平台的方位光束与所述待识别机动目标的机动方向，计算所述机动方向与所述方位光束的夹角，获得所述待识别机动目标的方位角信息。
33.优选的，所述第一构建单元包括：
34.多尺寸一维卷积池化层，所述多尺寸一维卷积池化层用于对所述雷达一维距离像进行多尺寸的一维卷积池化处理，提取所述雷达一维距离像的目标不同外形结构的不同距离单元长度的多特征信息；
35.全连接输入层，所述全连接输入层结点由所述多尺寸一维卷积池化层提取的雷达一维距离像的目标不同外形结构的不同距离单元长度的多特征信息和所述角度信息合并组成；
36.全连接中间层，所述全连接中间层用于对所述全连接输入层的结点进行全连接；
37.全连接输出层，所述全连接输出层与所述全连接中间层的结点进行全连接，用于输出所述多尺寸一维卷积神经网络模型的识别结果，其中，所述全连接输出层的结点数为目标识别结果的种类个数。
38.优选的，所述第三获得单元包括：
39.第一提取单元，所述第一提取单元用于从所述雷达一维距离像数据集中提取一历史雷达一维距离像，其中，所述历史雷达一维距离像包含多个散射的电磁子回波；
40.第十一获得单元，所述第十一获得单元用于根据所述历史雷达一维距离像，获得第i电磁子回波，其中i＝1,2,3,
……
；
41.第十二获得单元，所述第十二获得单元用于获得所述第i电磁子回波的波峰与波谷；
42.第四计算单元，所述第四计算单元用于计算所述第i电磁子回波的波峰与波谷的幅度差值；
43.第十三获得单元，所述第十三获得单元用于获得幅度变化阈值；
44.第一判断单元，所述第一判断单元用于判断所述第i电磁子回波的波峰与波谷的幅度差值是否大于所述幅度变化阈值；
45.第十四获得单元，所述第十四获得单元用于如果所述第i电磁子回波的波峰与波谷的幅度差值大于所述幅度变化阈值，获得第i+n电磁子回波，其中n＝1,2,3,
……
；
46.第十五获得单元，所述第十五获得单元用于获得所述第i+n电磁子回波的波峰与波谷，并计算所述第i+n电磁子回波的波峰与波谷的幅度差值；
47.第二判断单元，所述第二判断单元用于判断所述第i+n电磁子回波的波峰与波谷的幅度差值是否大于所述幅度变化阈值；
48.第一存储单元，所述第一存储单元用于如果所述第i+n电磁子回波的波峰与波谷的幅度差值小于所述幅度变化阈值，获得所述第i电磁子回波直至第i+n
‑
1电磁子回波的总宽度，存储为第一宽度；
49.第二存储单元，所述第二存储单元用于如果所述第i+n电磁子回波的波峰与波谷的差值大于所述幅度变化阈值，获得所述第i电磁子回波直至所述第i+n电磁子回波的总宽度，存储为第二宽度；
50.第十六获得单元，所述第十六获得单元用于从所述雷达一维距离像数据集中依次提取剩余的历史雷达一维距离像，直至提取完毕，获得若干个所述第一宽度与所述第二宽度；
51.第十七获得单元，所述第十七获得单元用于将所述若干个第一宽度与第二宽度进行存储，得到所述雷达一维距离像的一维卷积预估尺寸。
52.优选的，所述第十三获得单元包括：
53.第十八获得单元，所述第十八获得单元用于获得所述历史雷达一维距离像中包含的多个电磁子回波的幅度变化均值；
54.第十九获得单元，所述第十九获得单元用于根据所述幅度变化均值，获得所述幅度变化阈值。
55.第三方面，本发明提供了一种基于多尺寸一维卷积的雷达一维距离像识别装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
56.计算待识别机动目标的角度信息；通过宽带雷达获得所述待识别机动目标的雷达一维距离像信息，其中，所述雷达一维距离像信息与所述角度信息为一一对应关系；获得角度数据集与雷达一维距离像数据集；根据所述雷达一维距离像数据集，获得所述雷达一维距离像的一维卷积预估尺寸；根据所述一维卷积预估尺寸，构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型；利用所述角度数据集与所述雷达一维距离像数据集，训练所述多尺寸一维卷积神经网络模型；将所述角度信息与所述雷达一维距离像信息输入所述训练后的多尺寸一维卷积神经网络模型，获得所述待识别机动目标的雷达一维距离像识别结果。
57.第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
58.计算待识别机动目标的角度信息；通过宽带雷达获得所述待识别机动目标的雷达一维距离像信息，其中，所述雷达一维距离像信息与所述角度信息为一一对应关系；获得角度数据集与雷达一维距离像数据集；根据所述雷达一维距离像数据集，获得所述雷达一维距离像的一维卷积预估尺寸；根据所述一维卷积预估尺寸，构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型；利用所述角度数据集与所述雷达一维距离像数据集，训练所述多尺寸一维卷积神经网络模型；将所述角度信息与所述雷达一维距离像信息输入所述训练后的多尺寸一维卷积神经网络模型，获得所述待识别机动目标的雷达一维距离像识别结果。
59.本技术实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
60.本发明实施例提供的一种基于多尺寸一维卷积的雷达一维距离像识别方法和装置，所述方法包括：计算待识别机动目标的角度信息；通过宽带雷达获得所述待识别机动目标的雷达一维距离像信息，其中，所述雷达一维距离像信息与所述角度信息为一一对应关系；获得角度数据集与雷达一维距离像数据集；根据所述雷达一维距离像数据集，获得所述雷达一维距离像的一维卷积预估尺寸；根据所述一维卷积预估尺寸，构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型；利用所述角度数据集与所述雷达一维距离像数据集，训练所述多尺寸一维卷积神经网络模型；将所述角度信息与所述雷达一维距离像信息输入所述训练后的多尺寸一维卷积神经网络模型，获得所述待识别机动目标的雷达一维距离像识别结果。解决了现有的基于雷达一维距离像对机动目标自动识别方法中，由于不同雷达视线下不同角度的目标雷达一维距离像数据特征不同，导致识别率下降，同时在对雷达一维距离像进行特征提取时，其卷积核尺寸需要人工预先设定，且只能选取相同尺寸，从而造成雷达一维距离像的多特征提取不全面、有误差，导致机动目标识别率低的技术问题。通过一维卷积的多尺寸预估，达到了自动提取机动目标雷达一维距离像中不同外形结构的不同距离单元长度特征，更贴近机动目标的实际外形特征，同时增加角度信息的探测
维度输入，从而实现区分不同雷达视角下机动目标的一维距离像数据特征，进而有效提高识别率的技术效果。
61.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
62.图1为本发明实施例中一种基于多尺寸一维卷积的雷达一维距离像识别方法的流程示意图；
63.图2为本发明实施例中一种基于多尺寸一维卷积的雷达一维距离像识别装置的结构示意图；
64.图3为本发明实施例中另一种基于多尺寸一维卷积的雷达一维距离像识别装置的结构示意图；
65.图4为本发明实施例中雷达一维距离像的示意图；
66.图5为本发明实施例中多尺寸一维卷积神经网络模型的结构示意图。
67.附图标记说明：第一计算单元11，第一获得单元12，第二获得单元13，第三获得单元14，第一构建单元15，第一训练单元16，第四获得单元17，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
68.本发明实施例提供了一种基于多尺寸一维卷积的雷达一维距离像识别方法和装置，解决了现有的基于雷达一维距离像对机动目标自动识别方法中，由于不同雷达视线下不同角度的目标雷达一维距离像数据特征不同，导致识别率下降，同时在对雷达一维距离像进行特征提取时，其卷积核尺寸需要人工预先设定，且只能选取相同尺寸，从而造成雷达一维距离像的多特征提取不全面、有误差，导致机动目标识别率低的技术问题。
69.本发明提供的技术方案总体思路如下：计算待识别机动目标的角度信息；通过宽带雷达获得所述待识别机动目标的雷达一维距离像信息，其中，所述雷达一维距离像信息与所述角度信息为一一对应关系；获得角度数据集与雷达一维距离像数据集；根据所述雷达一维距离像数据集，获得所述雷达一维距离像的一维卷积预估尺寸；根据所述一维卷积预估尺寸，构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型；利用所述角度数据集与所述雷达一维距离像数据集，训练所述多尺寸一维卷积神经网络模型；将所述角度信息与所述雷达一维距离像信息输入所述训练后的多尺寸一维卷积神经网络模型，获得所述待识别机动目标的雷达一维距离像识别结果。通过一维卷积的多尺寸预估，达到了自动提取机动目标雷达一维距离像中不同外形结构的不同距离单元长度特征，更贴近机动目标的实际外形特征，同时增加角度信息的探测维度输入，从而实现区分不同雷达视角下机动目标的一维距离像数据特征，进而有效提高识别率的技术效果。
70.下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本技术实施例以及实施例中的具体特征是对本技术技术方案的详细的说明，而不是对本技术技术方案的限定，在不冲突的情况下，本技术实施例以及实施例中的技术特征可以相互组合。
71.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
72.实施例一
73.图1为本发明实施例中一种基于多尺寸一维卷积的雷达一维距离像识别方法的流程示意图。如图1所示，本发明实施例提供了一种基于多尺寸一维卷积的雷达一维距离像识别方法，所述方法包括：
74.步骤110：计算待识别机动目标的角度信息；
75.具体而言，在雷达目标探测领域，雷达一维距离像就是雷达高分辨率距离像，由于高分辨雷达发射的高频率电磁波波长远小于所述待识别机动目标的尺寸。在宽带雷达对目标的探测过程中，所述待识别机动目标可看作为一些相互独立的散射点的集合，首先所述宽带雷达向所述待识别机动目标发射电磁波，然后这群散射点进行反向散射从而形成电磁波子回波的向量和，即为雷达一维距离像。另外，由于所述雷达一维距离像存在角度敏感性问题，即在不同角度的雷达视线下，雷达一维距离像的数据差别巨大，尤其对于机动目标来说，若不考虑角度变化就会导致自动识别率不高。本发明实施例通过将所述待识别机动目标在海/地面上相对于空中平台的角度信息作为影响识别结果的一个重要因素，采取了在探测所述待识别机动雷达一维距离像的同时，通过计算得到所述待识别机动目标的角度信息，从而增加了探测信息的维度，进而有效提高了海/地面上机动目标的识别精度。
76.在步骤110中，在海平面或地面上的所述待识别机动目标相对于空中平台的角度信息包括俯仰角信息和方位角信息，所以计算待识别机动目标的角度信息包括：分别计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息与方位角信息，然后根据所述俯仰角信息与所述方位角信息，计算得到所述待识别机动目标的角度信息。
77.进一步而言，所述计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息，包括：首先通过激光雷达获得空中平台相对海/地面上所述待识别机动目标的俯仰光束；再通过窄带雷达获得海/地面上所述待识别机动目标的机动方向；根据所述空中平台的俯仰光束与所述待识别机动目标的机动方向，计算求得所述机动方向与所述俯仰光束的夹角，从而实现了获得机动目标俯仰角信息的技术效果。
78.进一步而言，所述计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息，包括：首先通过所述激光雷达获得空中平台相对海/地面上所述待识别机动目标的方位光束；再根据所述方位光束与所述机动方向，计算求得所述机动方向与所述方位光束的夹角，从而实现了获得机动目标方位角信息的技术效果。
79.步骤120：通过宽带雷达获得所述待识别机动目标的雷达一维距离像信息，其中，所述雷达一维距离像信息与所述角度信息为一一对应关系；
80.具体而言，本发明实施例利用所述宽带雷达对海平面或地面上的所述待识别机动目标的雷达一维距离像信息进行实时获取，值得注意的是，所述雷达一维距离像信息与所述角度信息相互匹配，为一一对应的关系，换言之，通过所述激光雷达或所述窄带雷达采集并计算之后得到的所述角度信息具有唯一序列号，在获取到的所述雷达一维距离像信息同样具有唯一序列号，且同一时刻获取的所述雷达一维距离像信息的唯一序列号与所述角度信息的唯一序列号相同，即就是在同一时刻同时获取所述待识别机动目标的雷达一维距离
像信息与角度信息，从而实现了雷达一维距离像信息与角度信息关联配对的技术效果。
81.步骤130：获得角度数据集与雷达一维距离像数据集；
82.具体而言，空中平台对海平面或地面上的历史机动目标进行探测，其中，所述历史机动目标为监测的若干个已有机动目标，获得所述历史机动目标的角度信息与雷达一维距离像信息，在这里，所述历史机动目标的角度信息与雷达一维距离像信息也是一一对应关系，若干个关联的所述角度信息与雷达一维距离像信息组合在一起，从而形成所述角度数据集与所述雷达一维距离像数据集，在后面用于对所述多尺寸一维卷积神经网络模型进行训练。
83.步骤140：根据所述雷达一维距离像数据集，获得所述雷达一维距离像的一维卷积预估尺寸；
84.进一步的，所述根据所述雷达一维距离像数据集，获得所述雷达一维距离像的一维卷积预估尺寸，包括：
85.从所述雷达一维距离像数据集中提取一历史雷达一维距离像，其中，所述历史雷达一维距离像包含多个散射的电磁子回波；
86.根据所述历史雷达一维距离像，获得第i电磁子回波，其中i＝1,2,3,
…
；
87.获得所述第i电磁子回波的波峰与波谷；
88.计算所述第i电磁子回波的波峰与波谷的幅度差值；
89.获得幅度变化阈值；
90.判断所述第i电磁子回波的波峰与波谷的幅度差值是否大于所述幅度变化阈值；
91.如果所述第i电磁子回波的波峰与波谷的幅度差值大于所述幅度变化阈值，获得第i+n电磁子回波，其中n＝1,2,3,
…
；
92.获得所述第i+n电磁子回波的波峰与波谷，并计算所述第i+n电磁子回波的波峰与波谷的幅度差值；
93.判断所述第i+n电磁子回波的波峰与波谷的幅度差值是否大于所述幅度变化阈值；
94.如果所述第i+n电磁子回波的波峰与波谷的幅度差值小于所述幅度变化阈值，获得所述第i电磁子回波直至第i+n
‑
1电磁子回波的总宽度，存储为第一宽度；
95.如果所述第i+n电磁子回波的波峰与波谷的差值大于所述幅度变化阈值，获得所述第i电磁子回波直至所述第i+n电磁子回波的总宽度，存储为第二宽度；
96.从所述雷达一维距离像数据集中依次提取剩余的历史雷达一维距离像，直至提取完毕，获得若干个所述第一宽度与所述第二宽度；
97.将所述若干个第一宽度与第二宽度进行存储，得到所述雷达一维距离像的一维卷积预估尺寸。
98.进一步的，所述获得幅度变化阈值，包括：获得所述历史雷达一维距离像中包含的多个电磁子回波的幅度变化均值；根据所述幅度变化均值，获得所述幅度变化阈值。
99.具体而言，所述雷达一维距离像数据集中包含有若干个历史雷达一维距离像，每个所述历史雷达一维距离像包含多个散射的电磁子回波，其中，所述电磁子回波的波峰波谷反映了所述待识别机动目标的散射点在一定角度的雷达视线下的分布情况。由于所述待识别机动目标的不同外形结构散射电磁波的能力不同，比如飞机的机头、机翼等，一般具有
非流线型设计或雷达反射面积大等特点的典型外形结构具有较强的散射电磁波能力，而具有流线型设计或雷达反射面积小等特点的非典型外形结构具有的散射电磁波能力较弱，而散射能力强的外形结构会在所述雷达一维距离像中形成较大幅度变化的电磁子回波，因此，所述雷达一维距离像中蕴含了丰富的外形结构信息，是识别目标的重要信息。
100.其中，若雷达带宽为b，则雷达距离分辨率为δr＝c/2b，其中c是光速，沿着所述宽带雷达探测的视线方向，所述待识别机动目标可被近似表达成一定数目的距离单元，且其宽度为δr，所述雷达一维距离像即为各个距离单元内的所有散射点的电磁子回波的矢量叠加，如图4所示，所述雷达一维距离像的横坐标为在某一角度的雷达视线下的所述待识别机动目标的距离单元，纵坐标为所述待识别机动目标各个距离单元的电磁回波的幅度，其中，所述雷达一维距离像的幅度受雷达、目标、距离和环境等因素影响，在这里需要说明的是，所述雷达一维距离像的幅度均为经过幅度归一化后的幅度。
101.为了预估所述雷达一维距离像的一维卷积尺寸，本发明实施例从所述雷达一维距离像数据集中提取一历史雷达一维距离像，沿着横坐标依次获得第i电磁子回波，并计算所述第i电磁子回波的波峰与波谷的幅度差值，如果所述第i电磁子回波的波峰与波谷的幅度差值大于所述幅度变化阈值，其中，所述幅度变化阈值为所述历史雷达一维距离像中包含的多个电磁子回波的幅度变化均值，说明所述第i电磁子回波为所述待识别机动目标上的典型外形结构，此时继续获取所述第i电磁子回波紧接着的下一个电磁子回波(即所述第i+n电磁子回波)，如果所述第i+n电磁子回波的波峰与波谷的幅度差值小于所述幅度变化阈值，说明所述第i+n电磁子回波不具有典型外形结构，不需记录其宽度，此时只需存储所述第i电磁子回波的宽度，作为所述神经网络模型一维卷积核的一个尺寸即可；如果所述第i+n电磁子回波的波峰与波谷的幅度差值大于所述幅度变化阈值，说明所述第i+n电磁子回波具有典型外形结构，此时就需存储所述第i电磁子回波直至所述第i+n电磁子回波的总宽度，作为所述神经网络模型一维卷积核的另一个尺寸；从所述雷达一维距离像数据集中依次提取剩余的历史雷达一维距离像，直至提取完毕，获得一维卷积核的全部不同尺寸，进而得到所述雷达一维距离像的一维卷积预估尺寸。
102.步骤150：根据所述一维卷积预估尺寸，构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型；
103.进一步的，所述构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型，包括：
104.多尺寸一维卷积池化层，所述多尺寸一维卷积池化层用于对所述雷达一维距离像进行多尺寸的一维卷积池化处理，提取所述雷达一维距离像的目标不同外形结构的不同距离单元长度的多特征信息；
105.全连接输入层，所述全连接输入层结点由所述多尺寸一维卷积池化层提取的雷达一维距离像的目标不同外形结构的不同距离单元长度的多特征信息和所述角度信息合并组成；
106.全连接中间层，所述全连接中间层用于对所述全连接输入层的结点进行全连接；
107.全连接输出层，所述全连接输出层与所述全连接中间层的结点进行全连接，用于输出所述多尺寸一维卷积神经网络模型的识别结果，其中，所述全连接输出层的结点数为目标识别结果的种类个数。
108.具体而言，如图5所示，由于雷达一维距离像自动识别的多尺寸一维卷积神经网络模型有雷达一维距离像信息与角度信息两个输入项，因而在所述多尺寸一维卷积神经网络模型中，所述雷达一维距离像信息首先经过多尺寸一维卷积池化层处理，提取所述雷达一维距离像的目标不同外形结构的不同距离单元长度的多特征信息(即所述雷达一维距离像的多尺寸多特征信息)，即对所述雷达一维距离像信息进行降维使之形成一维向量，具体地，图5中x代表不同一维卷积核的元素，不同卷积核的元素个数不同，即尺寸不同，经多个不同尺寸的一维卷积核进行卷积和池化处理形成一维向量，同时所述角度信息直接输入为一维向量，所述雷达一维距离像的多尺寸多特征信息与所述角度信息并联接入到所述全连接输入层，其中，所述全连接输入层的结点数等于所述雷达一维距离像的多尺寸多特征信息与所述角度信息合并组成的一维向量元素数)之和，对所述雷达一维距离像信息与所述角度信息进行深度训练，挖掘两者之间的内在联系，使得两个输入项相互关联，依次经过所述全连接中间层、所述全连接输出层，可得到更接近机动目标真实情况的输出结果，从而达到了自动提取机动目标雷达一维距离像中不同外形结构的不同距离单元长度特征，更贴近机动目标的实际外形特征，同时增加角度信息的探测维度，从而实现区分不同雷达视角下机动目标的一维距离像数据特征，进而有效提高识别率的技术效果。
109.步骤160：利用所述角度数据集与所述雷达一维距离像数据集，训练所述多尺寸一维卷积神经网络模型；
110.具体而言，所述角度数据集与所述雷达一维距离像数据集中包含有很多个关联配对的机动目标的角度信息与雷达一维距离像信息，让所述多尺寸一维卷积神经网络模型在所述角度信息与所述雷达一维距离像信息中进行无数次的深度学习、训练，直到所述多尺寸一维卷积神经网络模型收敛为止，从而达到训练神经网络模型的技术效果。
111.步骤170：将所述角度信息与所述雷达一维距离像信息输入所述训练后的多尺寸一维卷积神经网络模型，获得所述待识别机动目标的雷达一维距离像识别结果。
112.具体而言，当海平面或地面上有一未知的机动目标时，即本发明实施例中的待识别机动目标，首先是被所述窄带雷达探测到所述待识别机动目标的位置和机动方向，然后系统向所述窄带雷达发送抵近探测指令，同时所述宽带雷达从不同角度对所述待识别机动目标的雷达一维距离像信息进行实时采集，所述激光雷达负责获取所述待识别机动目标的方位角信息和俯仰角信息，经计算求得所述待识别机动目标相对于空中平台的角度信息，然后将所述雷达一维距离像信息与所述角度信息进行关联配对作为输入项，同时接入所述训练后的多尺寸一维卷积神经网络模型中，从而得到所述待识别机动目标的雷达一维距离像识别结果，其中，所述识别结果随着角度信息和雷达一维距离像信息的变化，不断实时更新。
113.实施例二
114.基于与前述实施例中一种基于多尺寸一维卷积的雷达一维距离像识别方法同样的发明构思，本发明还提供一种基于多尺寸一维卷积的雷达一维距离像识别装置，如图2所示，所述装置包括：
115.第一计算单元11，所述第一计算单元11用于计算待识别机动目标的角度信息；
116.第一获得单元12，所述第一获得单元12用于通过宽带雷达获得所述待识别机动目标的雷达一维距离像信息，其中，所述雷达一维距离像信息与所述角度信息为一一对应关
系；
117.第二获得单元13，第二获得单元13用于获得角度数据集与雷达一维距离像数据集；
118.第三获得单元14，所述第三获得单元14用于根据所述雷达一维距离像数据集，获得所述雷达一维距离像的一维卷积预估尺寸；
119.第一构建单元15，所述第一构建单元15用于根据所述一维卷积预估尺寸，构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型；
120.第一训练单元16，所述第一训练单元16用于利用所述角度数据集与所述雷达一维距离像数据集，训练所述多尺寸一维卷积神经网络模型；
121.第四获得单元17，所述第四获得单元17用于将所述角度信息与所述雷达一维距离像信息输入所述训练后的多尺寸一维卷积神经网络模型，获得所述待识别机动目标的雷达一维距离像识别结果。
122.进一步的，所述第一计算单元11包括：
123.第二计算单元，所述第二计算单元用于计算空中平台对海/地面上的所述待识别机动目标的俯仰角信息；
124.第三计算单元，所述第三计算单元用于计算海/地面上的所述待识别机动目标运动轨迹方向的方位角信息；
125.第五获得单元，所述第五获得单元用于根据所述俯仰角信息与所述方位角信息，获得所述待识别机动目标的角度信息。
126.进一步的，所述第二计算单元包括：
127.第六获得单元，所述第六获得单元用于通过激光雷达获得空中平台的俯仰光束；
128.第七获得单元，所述第七获得单元用于通过窄带雷达获得所述待识别机动目标机动方向；
129.第八获得单元，所述第八获得单元用于根据所述空中平台的俯仰光束与所述待识别机动目标的机动方向，计算所述机动方向与所述俯仰光束的夹角，获得所述待识别机动目标的俯仰角信息。
130.进一步的，所述第三计算单元包括：
131.第九获得单元，所述第九获得单元用于通过所述激光雷达获得空中平台的方位光束；
132.第十获得单元，所述第十获得单元用于根据所述空中平台的方位光束与所述待识别机动目标的机动方向，计算所述机动方向与所述方位光束的夹角，获得所述待识别机动目标的方位角信息。
133.进一步的，所述第一构建单元15包括：
134.多尺寸一维卷积池化层，所述多尺寸一维卷积池化层用于对所述雷达一维距离像进行多尺寸的一维卷积池化处理，提取所述雷达一维距离像的不同尺寸的多特征信息；
135.全连接输入层，所述全连接输入层结点由所述多尺寸一维卷积池化层提取的雷达一维距离像多尺寸多特征信息和所述角度信息合并组成；
136.全连接中间层，所述全连接中间层用于对所述全连接输入层的结点进行全连接；
137.全连接输出层，所述全连接输出层与所述全连接中间层的结点进行全连接，用于
输出所述多尺寸一维卷积神经网络模型的识别结果，其中，所述全连接输出层的结点数为目标识别结果的种类个数。
138.进一步的，所述第三获得单元14包括：
139.第一提取单元，所述第一提取单元用于从所述雷达一维距离像数据集中提取一历史雷达一维距离像，其中，所述历史雷达一维距离像包含多个散射的电磁子回波；
140.第十一获得单元，所述第十一获得单元用于根据所述历史雷达一维距离像，获得第i电磁子回波，其中i＝1,2,3,
…
；
141.第十二获得单元，所述第十二获得单元用于获得所述第i电磁子回波的波峰与波谷；
142.第四计算单元，所述第四计算单元用于计算所述第i电磁子回波的波峰与波谷的幅度差值；
143.第十三获得单元，所述第十三获得单元用于获得幅度变化阈值；
144.第一判断单元，所述第一判断单元用于判断所述第i电磁子回波的波峰与波谷的幅度差值是否大于所述幅度变化阈值；
145.第十四获得单元，所述第十四获得单元用于如果所述第i电磁子回波的波峰与波谷的幅度差值大于所述幅度变化阈值，获得第i+n电磁子回波，其中n＝1,2,3......；
146.第十五获得单元，所述第十五获得单元用于获得所述第i+n电磁子回波的波峰与波谷，并计算所述第i+n电磁子回波的波峰与波谷的幅度差值；
147.第二判断单元，所述第二判断单元用于判断所述第i+n电磁子回波的波峰与波谷的幅度差值是否大于所述幅度变化阈值；
148.第一存储单元，所述第一存储单元用于如果所述第i+n电磁子回波的波峰与波谷的幅度差值小于所述幅度变化阈值，获得所述第i电磁子回波直至第i+n
‑
1电磁子回波的总宽度，存储为第一宽度；
149.第二存储单元，所述第二存储单元用于如果所述第i+n电磁子回波的波峰与波谷的差值大于所述幅度变化阈值，获得所述第i电磁子回波直至所述第i+n电磁子回波的总宽度，存储为第二宽度；
150.第十六获得单元，所述第十六获得单元用于从所述雷达一维距离像数据集中依次提取剩余的历史雷达一维距离像，直至提取完毕，获得若干个所述第一宽度与所述第二宽度；
151.第十七获得单元，所述第十七获得单元用于将所述若干个第一宽度与第二宽度进行存储，得到所述雷达一维距离像的一维卷积预估尺寸。
152.进一步的，所述第十三获得单元包括：
153.第十八获得单元，所述第十八获得单元用于获得所述历史雷达一维距离像中包含的多个电磁子回波的幅度变化均值；
154.第十九获得单元，所述第十九获得单元用于根据所述幅度变化均值，获得所述幅度变化阈值。
155.前述图1实施例一中的一种基于多尺寸一维卷积的雷达一维距离像识别方法的各种变化方式和具体实例同样适用于本实施例的一种基于多尺寸一维卷积的雷达一维距离像识别装置，通过前述对一种基于多尺寸一维卷积的雷达一维距离像识别方法的详细描
述，本领域技术人员可以清楚的知道本实施例中一种基于多尺寸一维卷积的雷达一维距离像识别装置的实施方法，所以为了说明书的简洁，在此不再详述。
156.实施例三
157.基于与前述实施例中一种基于多尺寸一维卷积的雷达一维距离像识别方法同样的发明构思，本发明还提供一种基于多尺寸一维卷积的雷达一维距离像识别装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于多尺寸一维卷积的雷达一维距离像识别方法的任一方法的步骤。
158.其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
159.处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
160.实施例四
161.基于与前述实施例中一种基于多尺寸一维卷积的雷达一维距离像识别方法同样的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
162.计算待识别机动目标的角度信息；通过宽带雷达获得所述待识别机动目标的雷达一维距离像信息，其中，所述雷达一维距离像信息与所述角度信息为一一对应关系；获得角度数据集与雷达一维距离像数据集；根据所述雷达一维距离像数据集，获得所述雷达一维距离像的一维卷积预估尺寸；根据所述一维卷积预估尺寸，构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型；利用所述角度数据集与所述雷达一维距离像数据集，训练所述多尺寸一维卷积神经网络模型；将所述角度信息与所述雷达一维距离像信息输入所述训练后的多尺寸一维卷积神经网络模型，获得所述待识别机动目标的雷达一维距离像识别结果。
163.在具体实施过程中，该程序被处理器执行时，还可以实现实施例一中的任一方法步骤。
164.本技术实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
165.本发明实施例提供的一种基于多尺寸一维卷积的雷达一维距离像识别方法和装置，所述方法包括：计算待识别机动目标的角度信息；通过宽带雷达获得所述待识别机动目标的雷达一维距离像信息，其中，所述雷达一维距离像信息与所述角度信息为一一对应关系；获得角度数据集与雷达一维距离像数据集；根据所述雷达一维距离像数据集，获得所述雷达一维距离像的一维卷积预估尺寸；根据所述一维卷积预估尺寸，构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型；利用所述角度数据集与所述雷达一维距离像数据集，训练所述多尺寸一维卷积神经网络模型；将所述角度信息与所述雷达一维距离像信息输入所述训练后的多尺寸一维卷积神经网络模型，获得所述待识别机动目标的雷达一维
距离像识别结果。解决了现有的基于雷达一维距离像对机动目标自动识别方法中，由于不同雷达视线下不同角度的目标雷达一维距离像数据特征不同，导致识别率下降，同时在对雷达一维距离像进行特征提取时，其卷积核尺寸需要人工预先设定，且只能选取相同尺寸，从而造成雷达一维距离像的多特征提取不全面、有误差，导致机动目标识别率低的技术问题。通过一维卷积的多尺寸预估，达到了自动提取机动目标雷达一维距离像中不同外形结构的不同距离单元长度特征，更贴近机动目标的实际外形特征，同时增加角度信息维度，从而实现区分不同雷达视角下机动目标的一维距离像数据特征，进而有效提高识别率的技术效果。
166.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
167.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
168.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
169.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
170.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。