一种基于瀑布图的目标信号检测识别方法与流程

本发明属于信号检测技术领域，特别是涉及一种基于瀑布图的目标信号检测识别方法。

背景技术：

信号接收端收到受干扰信号时，利用信号概率和噪声功率等信息按照一定的准则判定信号的存在，称为信号检测。信号接收端利用收到的受干扰的发送信号序列尽可能精确地估计该发送信号的某些参数值(如时间、频率)，从时间和频率范围内检测目标信号，给出目标信号的时间和频率信息。瀑布图是将接收到的信号映射为以时间、频率作为维度的二维图像。通信信号识别技术是通信技术中认知无线电、软件无线电研究领域的重要研究方向，通过计算机视觉技术提高通信过程中的通信信号识别能力，对于增强通信技术储备、提高通信行业竞争力、加强国防科技建设具有重要的意义。

现有的信号检测识别方法，无法在复杂的信号环境下实现精度较高的信号检测效果；并且泛化能力差，无法实现复杂信号的检测和识别。

技术实现要素：

为了解决上述问题，本发明提出了一种基于瀑布图的目标信号检测识别方法，能够在复杂的信号环境下很好地检测和识别目标信号，具有很好的泛化能力。

为达到上述目的，本发明采用的技术方案是：一种基于瀑布图的目标信号检测识别方法，包括步骤：

s100，预处理原始数据，获取瀑布图；

s200，使用u-net语义分割方法对瀑布图进行语义分割，获得初始目标区域；

s300，通过opencv图像处理库的凸包检测对初始目标区域进行后处理，去除目标区域分割接壤，获取精确目标区域；

s400，根据精确目标区域获取目标信号在瀑布图中的时间和频率位置。

进一步的是，在步骤s100中，利用给定的背景和信号类型，进行随机重采样合成源数据，模拟通过信号处理技术得到二维的时频图作为瀑布图。

进一步的是，由于瀑布图背景的固定区域存在明显白线，通过将白线处像素值替代为一维横向领域的像素值，去除生成的瀑布图背景中存在的白线，取值概率为高斯分布。

进一步的是，将瀑布图中各类型的信号有放回地重复采样，信号改变尺寸后随机合成到截取后的背景图片，确保最终生成的不同信号间不相交。

进一步的是，在步骤s200中，利用u-net语义分割网络对瀑布图进行信号和背景的分割，u-net语义分割网络包括收缩路径和扩张路径。

进一步的是，所述u-net语义分割网络包括5个连续的3*3卷积核、一个用于下采样的2*2卷积核做最大池化操作、以及一个1*1卷积核。

进一步的是，利用u-net语义分割网络对瀑布图进行信号和背景的分割，包括步骤：

在扩张路径中，每一步都包含对瀑布图进行上采样；

然后用5个连续的3*3卷积核进行卷积运算，且在所述3*3卷积核中均使用relu激活函数；

每一次卷积运算之后均采用2*2卷积核的最大池化层获取局部特征；

在神经网络的最后一层，利用1*1卷积核进行卷积运算，将每个特征向量映射网络的输出层。

进一步的是，使用keras深度学习框架实现u-net语义分割网络模型的搭建和训练。

进一步的是，在步骤s300，通过opencv图像处理库的凸包检测对初始目标区域进行后处理，包括步骤：

s301，对初始目标区域的掩膜进行分割，二值化掩膜；

s302，通过像素间的连通性确定不同的目标信号实体，剔除目标信号面积过小的区域，根据判定阈值确定接壤目标区域；

s303，对接壤目标区域的掩膜进行闭操作后，进行凸包凹陷检测，获取两个凹陷处共6个点的坐标，并确定外接矩形四个顶点中与凸包的距离最近的2个点；

s304，将8个点组合成两个矩形，完成接壤区域拆分，完成对接壤目标的分离。

进一步的是，所述判定阈值计算公式为：

其中，s凸包为凸包面积，s外为外界矩形面积，为平均目标高度，h目标为目标高度。

采用本技术方案的有益效果：

本发明在将通信信号映射到图像空间之后，利用人工智能、机器学习算法实现目标信号检测和识别；可以在复杂的电磁环境下很好地检测和识别目标信号，具有很好的泛化能力；

本发明通过模拟人类对视觉信息处理的过程，从瀑布图的二维图形、图像中提取目标信号的纹理、形状和结构信息，对图像的局部和全局特征加以描述和理解，利用深度卷积网络对图像强大的特征提取能力，对原始数据进行自动的特征提取，在特征空间中进行识别；可以很好地完成二维数据的特征分析与识别，实现对特定形状图形、图像的检测和识别。

附图说明

图1为本发明的一种基于瀑布图的目标信号检测识别方法的流程示意图；

图2为本发明实施例中预处理后的瀑布图；

图3为本发明实施例中后处理前的掩膜图；

图4为本发明实施例中后处理后的掩膜图；

图5为本发明实施例中目标信号在瀑布图中处理结果图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。

在本实施例中，参见图1所示，本发明提出了一种基于瀑布图的目标信号检测识别方法，包括步骤：

s100，预处理原始数据，获取瀑布图；

s200，使用u-net语义分割方法对瀑布图进行语义分割，获得初始目标区域；

s300，通过opencv图像处理库的凸包检测对初始目标区域进行后处理，去除目标区域的分割接壤，获取精确目标区域；

s400，根据精确目标区域获取目标信号在瀑布图中的时间和频率位置。

作为上述实施例的优化方案，在步骤s100中，利用给定的背景和信号类型，进行随机重采样合成源数据，模拟通过信号处理技术得到二维的时频图作为瀑布图；这里采用6种类型的信号，如图2所示。

由于瀑布图背景的固定区域存在明显白线，通过将白线处像素值替代为一维横向领域的像素值，去除生成的瀑布图背景中存在的白线，取值概率为高斯分布。

将瀑布图中各类型的信号有放回地重复采样，信号改变尺寸后随机合成到截取后的背景图片，确保最终生成的不同信号间不相交。从6种信号图片中有放回地重复采样8-10个信号，稍微改变尺寸后随机合成到截取后的背景图片，并确保最终生成的不同信号间不相交。

作为上述实施例的优化方案，在步骤s200中，利用u-net语义分割网络对瀑布图进行信号和背景的分割，u-net语义分割网络包括收缩路径和扩张路径。

所述u-net语义分割网络包括5个连续的3*3卷积核、一个用于下采样的2*2卷积核做最大池化操作、以及一个1*1卷积核。

利用u-net语义分割网络对瀑布图进行信号和背景的分割，包括步骤：

在扩张路径中，每一步都包含对瀑布图进行上采样；

然后用5个连续的3*3卷积核进行卷积运算，且在所述3*3卷积核中均使用relu激活函数；

每一次卷积运算之后均采用2*2卷积核的最大池化层获取局部特征；

在所述神经网络的最后一层，利用1*1卷积核进行卷积运算，将每个特征向量映射网络的输出层；

使用keras深度学习框架实现u-net语义分割网络模型的搭建和训练。

作为上述实施例的优化方案，在步骤s300，通过opencv图像处理库的凸包检测对初始目标区域进行后处理，包括步骤：

s301，对初始目标区域的掩膜进行分割，二值化掩膜；

s302，通过像素间的连通性确定不同的目标信号实体，剔除目标信号面积过小的区域，根据判定阈值确定接壤目标区域；

所述判定阈值计算公式为：

其中，s凸包为凸包面积，s外为外界矩形面积，为平均目标高度，h目标为目标高度。

s303，对接壤目标区域的掩膜进行闭操作后，进行凸包凹陷检测，获取两个凹陷处共6个点(图4中五星)的坐标，并确定外接矩形四个顶点中与凸包的距离最近的2个点；

s304，将8个点组合成两个矩形，完成接壤区域拆分，完成对接壤目标的分离。后处理前的掩膜和分离后的结果如图3和图4所示。

根据精确的目标区域计算目标信号在瀑布图中的时间和频率位置：以时间频率误差在图像尺度上保持在3个像素误差内为检测正确标准，准确率:98.86％、召回率:98.75％，处理结果如图5所示。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。