一种船舶目标检测方法

本发明涉及目标检测，尤其是涉及一种船舶目标检测方法。

背景技术：

1、双基地雷达由于其收发间隔较远、接收站不发射电磁波的特点而备受雷达界重视，常规的双基地雷达称为合作式双基地雷达，而在利用广播、电视或卫星等机会照射源探测目标时，由于接收站和发射站之间没有专门的物理链路进行时间同步和频率同步处理，因此称为非合作式双基地雷达，也称为基于外辐射源的无源雷达。无源雷达主要利用陆地照射源和卫星照射源构成，其中利用广播电视卫星作为辐射源成为了研究重点。

2、无源雷达因为全天候、全天时、代价低、隐蔽性好等优势被广泛应用于海面监视。但海面情况复杂，海杂波对目标检测带来很大困扰。在现代雷达系统中，海杂波幅度分布呈长尾现象，使用cfar算法进行检测时容易出现模型不匹配的问题。针对传统的二维cfar方法对海杂波适应性不强的问题，使用深度学习可以实现更简单的检测算法，以及更强的泛化能力。

3、深度学习技术是一种基于人工神经网络模型的机器学习方法，近年来在图像识别、自然语言处理、语音识别等领域得到了广泛应用。深度学习的核心思想是利用多层非线性变换来学习数据的表示，通过对数据的深度处理，可以自动地提取高级别的特征，从而实现更加准确的分类和预测。近年来，研究人员致力于通过机器学习技术来学习雷达距离多普勒图像中目标和杂波的特征。jing等人分析了海杂波的三个典型特征，并将这些特征送到支持向量机(svm)中进行分类。li等人提出了一种自适应选择阈值的方法，并利用gabor小波变换和特征库提取了杂波特征。最后，他们使用遗传算法对特征进行处理，并通过svm进行分类，以提取更有效的特征。

4、上述现有技术的目标检测方法都是在高信噪比情况下完成的，而在被动雷达探测领域，信号的能量强度远低于噪声，导致目标检测的虚警率过高，检测率过低。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种船舶目标检测方法，该发明的目标探测成本更低，目标检测更加精确。

2、本发明的目的可以通过以下技术方案来实现：

3、本发明提供一种船舶目标检测方法，包括如下步骤：

4、s1：采集船舶与海面的主通道信号和参考通道信号；

5、s2：对参考通道信号进行重构，将主通道信号和重构后的参考通道信号进行相关处理，生成相关信号和对应的时频图；

6、s3：对s2生成的相关信号进行累积处理，生成累积时长下的多张时频图，多张时频图用以训练和测试预先构建好的检测模型中；

7、s4：将待检测的时频图输入训练好的检测模型中，输出检测结果；

8、s5：对检测结果进行筛选，得到最终包含船舶目标的检测框图。

9、优选地，所述s1中，通过数据采集系统采集主通道信号和参考通道信号，所述数据采集系统包括主通道天线和参考通道天线，所述主通道天线对准目标，所述参考通道信号对准广播电视卫星，所述主通道天线和所述参考通道天线上分别装载有一高频头，每个高频头均依次连接有天线连接线、功分器和卫星信号机顶盒，所述天线连接线用以接收高频头的信号，所述功分器用以平分信号，所述卫星信号机顶盒用以为对应的高频头供电，两个功分器的输出端均连接有usrp接收机，usrp接收机通过pcie线连接装载有pcie接口的服务器。

10、优选地，所述s2中，对参考通道信号进行重构的过程具体为：

11、s201：对参考通道信号进行滤波处理；

12、s202：构建数字二阶锁相环路，将滤波后的参考通道信号导入锁相环，得到滤波后的参考通道信号的跟踪相位，进而得到滤波后的参考通道信号的载波；

13、s203：将参考通道信号与s212得到的载波进行卷积，得到卷积后的信号，将卷积后的信号通过低通滤波器，得到基带信号；

14、s204：通过对基带信号的相位进行判别，获得qpsk调制信号的码元序列；

15、s205：将调制得到的码元与载波相乘，得到重构后的参考通道信号。

16、优选地，所述s2中，对将重构后的参考通道信号与主通道信号进行相关处理的公式具体为：

17、

18、式中，τ为每次时移的长度，fd为信号的频移长度，ssrv(n)为第n个主通道信号，为第n个经过时移τ的参考通道信号，n为信号数据的总数，yτ,fd)为互相关函数的输出。

19、优选地，所述s3中，累积处理后的信号为：

20、

21、式中，z(ny)为累积后得到的输出结果，tn/ts(t)为累积处理的帧数。

22、优选地，累积时长tn的计算过程具体为：

23、s301：通过雷达方程分别计算主通道信号的能量强度和参考通道信号sref的能量强度；

24、s302：根据主通道信号的能量强度和参考通道信号的能量强度，计算两个能量强度的功率强度差值，根据功率强度插值计算累积时长。

25、优选地，所述s301中，主通道信号的能量强度psrv的计算公式为：

26、

27、式中，pt为广播电视卫星发射的功率，gt为发射天线的增益，gr为接收天线的增益，ae为接收天线的有效面积，r1为广播电视卫星到接收天线的距离；

28、参考通道信号的能量强度pref的计算公式为：

29、

30、式中，σ为目标的雷达散射截面积，r2为目标到接收天线的距离。

31、优选地，所述s302中，描述累积时长t的计算公式为：

32、

33、式中，snrr为信噪比检测阈值，wn0为接收设备的热噪声功率，wsrb为主通道信号psrv的db形式,rs为卫星信号的符号速率。

34、优选地，所述检测模型采用tiny-yolov2网络模型，所述tiny-yolov2网络模型包括多个卷积层，池化层和检测层；待检测的时频图输入训练好的tiny-yolov2网络模型后，通过多个卷积层和池化层，提取时频图中的特征，将特征传递给检测层，进行对象检测，检测层输出预测的边界框、类别和置信度。

35、优选地，所述s5具体为：

36、通过nms算法筛选掉重叠度高的边界框，保留具有最高得分的物体框，得到最终包含船舶目标的检测框图。

37、与现有技术相比，本发明具有以如下有益效果：

38、(1)本发明提供的一种船舶目标检测方法，通过将参考通道天线对准广播电视卫星，使得广播电视卫星作为外辐射源，随后对参考通道信号进行重构，再将主通道信号和参考通道信号进行相关处理后，输入神经网络，在低信噪比的情况下降低目标检测的虚警率，实现了比传统方法更加快速精准的检测。

39、(2)本发明提供的一种船舶目标检测方法，在使用深度学习进行雷达目标检测时，为避免引入噪声，不对数据进行复杂的预处理；但由于频域和时频域信息对于雷达目标检测非常有用，而丢失相位信息会导致信息量的损失，因此本技术在深度网络之前进行主通道信号和参考通道信号进行相关处理，获取时频图，进而加入了雷达回波的时频信息提取过程，不仅减少运算量，还避免人为干扰并提高网络的泛化能力。