基于CFAR和CNN的毫米波雷达高压塔点和线点检测方法与流程

本发明涉及雷达，具体涉及一种基于cfar和cnn的毫米波雷达高压塔点和线点检测方法。

背景技术：

1、直升机低空飞行中，飞行路径上的山丘、树木等自然物体及电力线、电线杆、建筑物等人造物体很容易对飞行安全造成威胁，其中电力线体积小，在复杂背景下难以被肉眼发现，因而对直升机的飞行安全危害最大。毫米波雷达因体积小，能在恶劣气候条件下工作等特点，多装备于直升机上参与对高压线的检测任务。

2、面向毫米波雷达高压线检测的应用场景，目前多采用传统的恒虚警检测(constant false alarm rate，cfar)或者卷积神经网络(convolutional neuralnetwork，cnn)来预先提取可能存在线塔点的位置，但这些方法均存在各自的缺陷：

3、(1)恒虚警检测是一种在信号处理中常用的检测方法，因其高计算效率而被广泛应用于雷达目标检测算法中。但是，当回波存在杂波区域时会在杂波区产生较多的误检，而如果提高cfar检测门限，则会产生较多的漏检；

4、(2)卷积神经网络通过网络训练自动从数据中学习特征，常用于对二维图像数据的识别检测任务，在充分训练时具备较高检测准确率。其提取方法一般分为两种，一种采用较小的特征窗口对整个扇面的回波数据滑窗，而另一种则将整幅扇面数据作为输入得到与输入等比例大小的回波检测图。第一种方案可以将网络模型设计得较小，但滑窗过程消耗大量时间与计算资源；第二种方案通常需要采用较深的网络以保证足够的特征提取能力，这同样将极大地增加计算量。

技术实现思路

1、有鉴于此，本说明书实施例提供一种基于cfar和cnn的毫米波雷达高压塔点和线点检测方法，以达到提升检测效率的目的。

2、本说明书实施例提供以下技术方案：一种基于cfar和cnn的毫米波雷达高压塔点和线点检测方法，包括：收集雷达回波数据构成数据集，将数据集划分为训练集和测试集；将训练集中的数据作为输入，训练卷积神经网络模型并保存卷积神经网络模型；在测试集中记一帧回波数据长度为r，逐帧获取雷达回波数据，将包含当前帧在内的最新n帧数据放在r×n大小的存储区域，并将数据循环分发到不同处理单元中，每个处理单元只负责一帧数据的计算；对雷达回波数据进行快速傅里叶变换处理，以处理后的单帧数据为输入，进行一维恒虚警检测运算；当前(n-1)/2帧的cfar检测结果有目标被检出，则以该目标为中心点，从存储区域中截取目标周围m×n大小的数据；将截取的数据作为卷积神经网络的输入，删除置信度低于给定门限值的检测结果。

3、进一步地，收集雷达回波数据构成数据集，将数据集划分为训练集和测试集，具体为：收集雷达回波数据，标记其中包含线塔点的区域；以设定比例在标记了线塔点的区域和未包含线塔点的区域中选择中心点；记cnn模型的输入数据大小为m×n，其中m为距离向窗长度，n为方位向窗长度，且满足(n-1)％2＝0；将中心点周围m×n范围内的雷达回波数据构成数据集并划分为训练集和测试集。

4、进一步地，对雷达回波数据进行快速傅里叶变换处理包括：对于调频连续波雷达，处理得到的回波数据在距离向的坐标值与该回波位置到雷达的绝对距离成正比；对于脉冲多普勒体制雷达，采用脉冲压缩对数据进行预处理。

5、进一步地，一维恒虚警检测运算具体为单元平均恒虚警检测方法。

6、进一步地，将截取的数据作为卷积神经网络的输入，删除置信度低于给定门限值的检测结果之后还包括：每经过一个扇面，将扇面中未被删除的cfar检测结果收集并输出，同时清空存储区域中的数据。

7、进一步地，在测试集中记一帧回波数据长度为r，逐帧获取雷达回波数据，将包含当前帧在内的最新n帧数据放在r×n大小的存储区域，并将数据循环分发到不同处理单元中，每个处理单元只负责一帧数据的计算，具体为：系统中含有p个处理单元，一帧数据的接收周期为t，则每个处理单元实际可用的计算时间为p×t。

8、与现有技术相比，本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：本发明在保留深度学习模型高准确率的优点的同时，降低算法的计算量，提升检测效率。实现了对电力线线塔点的高效、准确的检测。可用于保障包含直升机在内的应用毫米波机载雷达的飞行器在低空飞行时的飞行安全。

技术特征：

1.一种基于cfar和cnn的毫米波雷达高压塔点和线点检测方法，其特征在于，包括：

2.根据权利要求1所述的基于cfar和cnn的毫米波雷达高压塔点和线点检测方法，其特征在于，所述收集雷达回波数据构成数据集，将数据集划分为训练集和测试集，具体为：

3.根据权利要求2所述的基于cfar和cnn的毫米波雷达高压塔点和线点检测方法，其特征在于，所述对所述雷达回波数据进行快速傅里叶变换处理包括：

4.根据权利要求3所述的基于cfar和cnn的毫米波雷达高压塔点和线点检测方法，其特征在于，所述一维恒虚警检测运算具体为单元平均恒虚警检测方法。

5.根据权利要求4所述的基于cfar和cnn的毫米波雷达高压塔点和线点检测方法，其特征在于，所述将截取的数据作为卷积神经网络的输入，删除置信度低于给定门限值的检测结果之后还包括：

6.根据权利要求1所述的基于cfar和cnn的毫米波雷达高压塔点和线点检测方法，其特征在于，所述在测试集中记一帧回波数据长度为r，逐帧获取雷达回波数据，将包含当前帧在内的最新n帧数据放在r×n大小的存储区域，并将数据循环分发到不同处理单元中，每个处理单元只负责一帧数据的计算，具体为：

技术总结
本发明提供一种基于CFAR和CNN的毫米波雷达高压塔点和线点检测方法，包括：构成数据集，将数据集划分为训练集和测试集；将训练集中的数据作为输入，训练卷积神经网络模型并保存卷积神经网络模型；在测试集中记一帧回波数据长度为R，逐帧获取雷达回波数据，将包含当前帧在内的最新n帧数据放在R×n大小的存储区域，并将数据循环分发到不同处理单元中，每个处理单元只负责一帧数据的计算；对雷达回波数据进行快速傅里叶变换处理，以处理后的单帧数据为输入，进行一维恒虚警检测运算；当前(n‑1)/2帧的CFAR检测结果有目标被检出，则以该目标为中心点，从存储区域中截取目标周围M×N大小的数据；将截取的数据作为卷积神经网络的输入，删除置信度低于给定门限值的检测结果。

技术研发人员：李小卿,熊伟,史达亮
受保护的技术使用者：中国航空工业集团公司雷华电子技术研究所
技术研发日：
技术公布日：2024/1/16