一种基于ICRN的序贯UWB-IR图像车辆目标识别方法

一种基于icrn的序贯uwb-ir图像车辆目标识别方法
技术领域
1.本发明涉及uwb-ir目标识别领域，特别涉及一种基于icrn的序贯uwb-ir图像车辆目标识别方法。


背景技术：

2.超宽带雷达(ultra wide-band radar，uwbr)是一种新型的雷达技术，已被广泛运用于手势识别，生命体征探测、人体成像或者自动驾驶等军事与民用领域，并取得了较好的应用效果。uwbr按照发射信号波形的不同通常可分为冲激脉冲uwbr(uwb-ir)和非冲激脉冲uwbr两类。uwb-ir也称无载波雷达、非正弦波雷达、基带雷达等，它是一种典型的瞬态雷达，其辐射通常具有超大带宽的冲激脉冲序列。目前常用的uwb-ir目标识别方法大多是利用雷达对目标的一维回波信号，即高分辨距离像(high resolution range profile，hrrp)来进行，常见的基于hrrp的目标识别方法包括传统的hrrp特征提取与分析方法、hrrp二维化处理方法以及基于深度学习的hrrp目标识别方法。除了hrrp目标识别方法外，还可以利用阵列uwb-ir对目标进行二维成像，基于目标图像进行目标识别。值得注意，uwb-ir图像目标是关于目标的距离-角度图像，对其识别的过程与经典的sar图像识别却有不同。
3.实际上，除了上述基于单张图像特征的识别方法外，还可以通过图像在某个维度(如时间维)上的连续变化规律，或称关联特征，来提高复杂场景条件下的目标检测、定位和识别的性能，如在基于视频流的行为检测、轨迹预测以及基于连续语音和文本的情感识别等应用场景中，上述基于关联特征的目标识别方法已取得了较为明显的效果。目前常见的uwb-ir目标识别方法中，诸如目标hrrp识别等方法，利用目标距离信息特征实现目标识别，该类方法受观测角度影响较大，且仅包含目标的距离维信息；还有一些方法，使用成像算法，构建目标相对雷达的成像图，实现目标的距离与角度维信息融合，该方法提升了数据的信息量，进而会得到更有效的特征，但即便进行了信息融合，该方法在目标距离-角度信息发生较大变化时，其结果也会有较大的影响；此外，在实际测试场景中，伴随着复杂的环境设置以及可能存在的干扰，低信噪比下的uwb-ir目标识别也是一项艰巨的任务。
4.在上述研究基础上，本专利提出一种低信噪比下uwb-ir近程序贯目标识别方法，将阵列天线成像用于超宽带雷达成像，从雷达采集的连续图像信号中提取图像间的连续特征，并设计神经网络模型icrn(iterable convolution recurrent network,icrn)，提出一种基于icrn的uwb-ir序贯目标识别方法，最终实现对序贯目标的识别。


技术实现要素：

5.为了克服现有技术中的不足，本发明提供一种基于icrn的序贯uwb-ir图像车辆目标识别方法，可在低信噪比下，利用目标连续特征实现uwb-ir目标识别任务，可为复杂环境下的uwb-ir目标识别提供更丰富的细节。
6.为了达到上述发明目的，解决其技术问题所采用的技术方案如下：
7.一种基于icrn的序贯uwb-ir图像车辆目标识别方法，包括以下步骤：
8.步骤s100：基于阵列成像方法的uwb-ir车辆目标成像数据集构造：将阵列成像算法引入uwb-ir，给出了uwb-ir目标成像方法，并根据给定的车辆散射点模型，仿真了不同观测条件下车辆目标的uwb-ir图像，构建uwb-ir车辆数据集；
9.步骤s200：icrn网络模型设计：设计icrn模型，包括掩码层、可迭代卷积层和rnn层三个子模块，icrn模型利用单个图像目标深度特征与序列图像目标间深度关联特征，同时具有对序列图像数量动态自适应性；
10.步骤s300：icrn模型效果验证：在仿真生成的uwb-ir车辆数据集验证icrn模型的效果，并与其他深度网络方法进行对比；
11.步骤s400：模型泛化性与动态序贯目标识别性能：使用同一目标的不同分布数据来对icrn训练与验证，根据验证集的表现分析icrn的泛化性；同时，分析雷达与目标存在相对运动时，模型的动态序贯uwb-ir车辆目标识别性能。
12.进一步的，在步骤s100中，所述uwb-ir车辆目标成像方法将阵列成像引入uwb-ir，给出了uwb-ir目标成像方法；根据给定的车辆散射点模型，仿真了不同观测条件，包括目标相对雷达的偏移距离、偏移角度、观测方位角以及噪声影响下车辆目标的uwb-ir图像，构建了uwb-ir车辆数据集。
13.进一步的，在步骤s200中，所述icrn网络模型包括masking模块、可迭代卷积模块以及rnn模块，各模块具体包括：
14.所述masking模块，估计输入图像与参考图像的dhash计算、设置序贯图像选择的dhash门限，图像序列筛选与编码；
15.所述可迭代卷积模块，包括四层卷积，卷积核尺寸分别为5*5、3*3、3*3、3*3，输入输出通道均为1，每层卷积附带大小3*3、步长为2的池化层与batch_normalization层；除了基础的四层卷积，还包括一组用于更新后续图片的更新权重，其参数维度与基础的四层卷积模型参数维度一致，即ω
k+1
＝ωk·
ω
iterable
+b
iterable
，其中，ω
iterable
与b
iterable
为更新权重，ωk为前一张图像的卷积参数，ω
k+1
为后一张图像的卷积参数；
16.所述rnn模块包括一层结点数为64的lstm层、两层全连接层，输入输出分别为64*64、64*3；
17.上述除去最后一层全连接层的输出不含激活函数，其余所有包含激活函数的选择都是relu，模型损失函数选择交叉熵函数。
18.进一步的，对于所述masking模块，其输入数据是在时间维上连续的k条数据，标记为t1至tk，经由masking模块对输入数据的筛选与过滤，取过滤后的前m张序贯图像，或补零填充至m张图片，传递至可迭代卷积模块，并标注有效序列图像数量；
19.对于所述可迭代卷积模块，其对masking模块传递的时间维连续数据分别进行卷积特征提取，卷积参数满足传递关系，并将提取的特征按时间维拼接为时间序列，传递到rnn模块；
20.对于所述rnn模块，使用lstm模型对输入的特征序列进一步进行特征提取，并根据masking模块提供的序列有效长度，在迭代输出达到序列实际长度后，停止模型更新；最后，将输出特征使用两层全连接层分类，并输出分类结果。
21.进一步的，icrn模型使用masking模块来保证输入数据在时间维的连续和有效性；icrn模型使用可迭代卷积模块来初步提取连续数据的连续特征，同时，在处理任意长度的
输入时，icrn模型不会增加参数；icrn模型通过融合可迭代卷积与rnn模块，进一步提取并利用目标连续特征。
22.进一步的，在步骤s300中，所述icrn模型效果验证，在步骤s100生成的仿真数据上，分别使用icrn模型与其他深度网络方法，对比实验效果并分析。
23.进一步的，在步骤s400中，所述模型泛化性与动态序贯目标识别性能，其实现过程包括：
24.对于模型泛化性，将数据按观测条件排列，选择某一部分观测条件数据用于模型训练，使用剩余的部分来验证，分析其泛化识别性能；
25.对于模型的动态序贯目标识别性能，控制数据的偏移距离、偏移角度、观测方位角度与信噪比不变，记录随着探测距离的接近，模型的动态序贯uwb-ir车辆目标识别性能。
26.本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
27.本发明提出一种基于icrn的序贯uwb-ir图像车辆目标识别方法，充分利用单个图像目标深度特征与序列图像目标间深度关联特征，同时考虑了序列图像数量在线自适应性，提出icrn模型，实现在低信噪比下，对uwb-ir序贯目标的高效识别，为复杂环境下的uwb-ir目标识别提供一种新的技术途径。
附图说明
28.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：
29.图1为本发明一种基于icrn的序贯uwb-ir图像车辆目标识别方法的流程示意图；
30.图2为三种车辆目标散射模型，(a)越野车；(b)特种车；(c)厢式卡车；
31.图3为阵列uwb-ir雷达对车辆目标的观测几何位置关系图；
32.图4为基于阵列成像方法的uwb-ir车辆目标成像结果图；
33.图5为pd＝0m，snr＝inf情况下，icrn模型的训练与验证结果；(a)训练集损失曲线；(b)验证集损失函数；(c)训练集精度曲线；(d)验证集精度曲线；
34.图6为pd＝0m，snr＝-10db下，icrn模型的动态序贯分类性能。
具体实施方式
35.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
36.本实施例公开一种基于icrn的序贯uwb-ir图像车辆目标识别方法，其流程示意图如图1所示，包括以下步骤：
37.步骤s100：基于阵列成像方法的uwb-ir车辆目标成像数据集构造：将阵列成像算法引入uwb-ir，给出了uwb-ir目标成像方法，并根据给定的车辆散射点模型，仿真了不同观测条件下车辆目标的uwb-ir图像，构建uwb-ir车辆数据集；
38.步骤s200：icrn网络模型设计：设计icrn模型，包括掩码层、可迭代卷积层和rnn层三个子模块，icrn模型充分利用单个图像目标深度特征与序列图像目标间深度关联特征，同时具有对序列图像数量动态自适应性；
39.步骤s300：icrn模型效果验证：在仿真生成的uwb-ir车辆数据集验证icrn模型的效果，并与其他深度网络方法进行对比；
40.步骤s400：模型泛化性与动态序贯目标识别性能：使用同一目标的不同分布数据来对icrn训练与验证，根据验证集的表现分析icrn的泛化性；同时，分析雷达与目标存在相对运动时，模型的动态序贯uwb-ir车辆目标识别性能。
41.下面对上述各步骤进行详细说明：
42.在步骤s100中，所述uwb-ir车辆目标成像数据集为基于目标强散射点模型扩充而来的分布式目标模型，且对目标的成像数据采集综合考虑了目标相对雷达的偏移距离、偏移角度、观测方位角以及噪声影响。
43.优选的，在步骤s100中，所述数据集构建的车辆目标模型如图2所示，目标的相关参数设置如表1所示。图2中，目标模型由若干稠密的点构成，其中各个点的强度分为强、中、弱三档，表1中介绍了目标模型的基本参数。
44.表1车辆目标模型相关参数设置
[0045][0046]
表2展示了成像所用阵列雷达的相关参数设置。
[0047]
表2雷达参数设置
[0048]
参数名设置信号采样率100ghz信号带宽1.6ghz发射信号周期1μs发射天线数/阵元间距5/5cm接收天线数/阵元间距5/5cm
[0049]
进一步的，在实际采集数据中，由于客观存在的复杂的观测条件，图3给出了阵列uwb-ir雷达在观测目标时可能出现的情况。图3默认目标所在地面为xoy平面，雷达los与平面的交点为坐标原点o，设定雷达所在方向为x正方向，建立如图所示坐标系。上图中，r表示雷达，t表示目标位置，设定雷达至o的距离为d，设定t的中心与o的距离为pd(pre-dis,pd)，设定ot方向与oy方向夹角为θ
pa
，称为pa(pre-angle,pa)，设定目标的朝向与ox方向夹角为θ
sa
(switch-angle,sa)。按上述设定，图3模拟了雷达在对目标进行检测时可能出现的多重观测条件，根据上述的设定，雷达在不同观测条件下对同一目标的成像结果差异也会很大。
[0050]
综上，分别控制变量d、pd、pa、sa以及背景噪声snr，尝试在综合考虑各种观测条件的基础上，得到uwb-ir目标成像数据集。在仿真数据时，设定目标偏移距离分别为0、3、5m，
并在偏移距离不为0时每隔20
°
选取一个偏移角度，与此同时，目标观测方位角以10
°
为间隔选取，在每种观测条件下，设定雷达探测距离由90m至10m，间隔1m采样，最后，为使数据更符合实际，为其添加信噪比为-10db的噪声。综上，数据分布如表3所示。
[0051]
表3 uwb-ir车辆目标成像数据集统计
[0052][0053]
图4展示了几组成像的效果示意图,其中，雷达的位置在成像图左侧，成像图的横向为距离，纵向为角度。
[0054]
在步骤s200中，设计了icrn(iterable convolution recurrent network,icrn)模型。具体的，模型的总体结构如图1所示，所述icrn网络模型包括masking模块、可迭代卷积模块(iconvm)以及rnn模块，各模块具体包括：
[0055]
所述masking模块，估计输入图像与参考图像的dhash计算、设置序贯图像选择的dhash门限，图像序列筛选与编码；
[0056]
所述可迭代卷积模块(iconvm)，包括四层卷积，卷积核尺寸分别为5*5、3*3、3*3、3*3，输入输出通道均为1，每层卷积附带大小3*3、步长为2的池化层与batch_normalization层；除了基础的四层卷积，还包括一组用于更新后续图片的更新权重，其参数维度与基础的四层卷积模型参数维度一致，即ω
k+1
＝ωk·
ω
iterable
+b
iterable
，其中，ω
iterable
与b
iterable
为更新权重，ωk为前一张图像的卷积参数，ω
k+1
为后一张图像的卷积参数；
[0057]
所述rnn模块包括一层结点数为64的lstm层、两层全连接层，输入输出分别为64*64、64*3；
[0058]
上述除去最后一层全连接层的输出不含激活函数，其余所有包含激活函数的选择都是relu，模型损失函数选择交叉熵函数；上述模型部分参数的设置可以根据实验效果作调整。
[0059]
进一步的，对于所述masking模块，其输入数据是在时间维上连续的k条数据(图像)，标记为t1至tk，经由masking模块对输入数据的筛选与过滤，取过滤后的前m张序贯图像，或补零填充至m张图片，传递至可迭代卷积模块iconvm，并标注有效序列图像数量；
[0060]
对于所述可迭代卷积模块，其对masking模块传递的时间维连续数据分别进行卷积特征提取，卷积参数满足传递关系，并将提取的特征按时间维拼接为时间序列，传递到rnn模块；
[0061]
对于所述rnn模块，使用lstm模型对输入的特征序列进一步进行特征提取，并根据masking模块提供的序列有效长度，在迭代输出达到序列实际长度后，停止模型更新；最后，将输出特征使用两层全连接层分类，并输出分类结果。
[0062]
进一步的，icrn模型使用masking模块来保证输入数据在时间维的连续和有效性；icrn模型使用可迭代卷积模块来初步提取连续数据的连续特征，同时，在处理任意长度的输入时，icrn模型不会增加参数；icrn模型通过融合可迭代卷积与rnn模块，进一步提取并
利用目标连续特征。
[0063]
在步骤s300中，所述icrn模型效果验证，在步骤s100生成的仿真数据上，分别使用icrn模型与其他深度网络方法，对比实验效果并分析。
[0064]
本实施例中，模型设计完成后，使用步骤s100中uwb-ir车辆目标成像数据集来验证icrn模型的性能。具体的，将相同观测条件下观测距离连续的30张图片组合为一份序列数据，即上述k＝30，并设置过滤后的最大输出长度为10，即m＝10，此外，考虑到偏移距离0条件下的数据少于其他两个偏移距离，将该维度混淆易形成样本分布不均匀，故所有实验将分别在三种偏移距离条件下进行。本实施例中icrn模型的参数设置如表4所示：
[0065]
表4 icrn模型与训练参数设置
[0066][0067][0068]
图5为控制pd为0m且不添加噪声时，icrn模型的训练与验证情况，表5列举了不同方法在各个条件下的实验结果。
[0069]
表5各方法实验效果
[0070][0071]
上表中，可以发现：
[0072]
1)随着pd增加，三种方法的识别性能均下降，其中，googlenet下降的较为缓慢，cnn与icrn则较为明显。分析表明：pd较大的情况下，随着pa的变化，目标成像结果变化明显，雷达对目标的观测条件动态变化，此时，对于结构较简单的cnn以及侧重目标连续变化规律的icrn来说比较困难。
[0073]
2)在无噪声的情况下，googlenet的表现相较cnn与icrn也较好。分析表明：在不添加噪声的情况下，uwb-ir车辆目标成像数据本身类间差异就较大，对单张图片的特征提取与分析足以支撑其目标识别任务；而icrn设计的理念是利用数据间的连续特性来实现识别，因此性能上没有明显优势。
[0074]
3)在低信噪比下，icrn相较其余两种方法取得更好的效果，在pd为0的观测条件下，识别准确率优于其他方法18％。实验结果表明：icrn在信噪比较低，单张图片信息量受干扰严重时，可以提取并利用目标的连续特征，进而实现更为高效的识别，这也符合icrn的
设计理念。
[0075]
综上所述，icrn在低snr下，目标pd较低，即数据内分布规律较稳定的情况下，对仿真的uwb-ir数据集，可以取得最高优于其他方法18％左右的识别效果。
[0076]
进一步的，在步骤s400中，所述模型泛化性与动态序贯目标识别性能，其实现过程包括：
[0077]
对于模型泛化性，将数据按观测条件排列，选择某一部分观测条件数据用于模型训练，使用剩余的部分来验证，分析其泛化识别性能；
[0078]
对于模型的动态序贯目标识别性能，控制数据的偏移距离、偏移角度、观测方位角度与信噪比不变，记录随着探测距离的接近，模型的动态序贯uwb-ir车辆目标识别性能。
[0079]
具体的，在步骤s400中，将uwb-ir成像数据按sa分成两部分，使用sa为90
°‑
270
°
的数据进行模型的训练，使用剩余的数据进行验证，其结果如表6所示。
[0080]
表6分角度泛化性测试效果
[0081][0082]
由上表可以发现，各个方法基本的表现与上一节类似，均是随着pd的增大而有所下降。除此之外，对比上一节的数据，可以发现，cnn随着数据分布的改变，其识别效果明显下降，平均下降了近10％，远大于googlenet与icrn的4％与5％。分析原因可能是，googlenet丰富的卷积模块为模型提供了充足的泛化性，而icrn则依托目标的连续特征，亦保证了在sa发生较大变化时的识别效果。
[0083]
除此之外，为更合理的对比本文所提出的序贯目标识别方法的效果，本专利还提出一种对比试验准则，并在该准则下，对比icrn与googlenet的效果。
[0084]
具体的，首先，随机选取固定观测条件下距离由远至近的所有成像结果(距离从10m至90m)；接着，对icrn模型，从0开始逐渐增大输入图像数量，当图像数量达到30张后，以30为窗向后滑窗组合数据，由此可得81组数据，81组实验结果；对googlenet，对逐张图像进行识别，最终亦可获取81个识别结果。对所有识别结果，正确则输出1，错误则输出0，统计多条航路下的数据，并在各个距离下取平均，按图像的接收距离排列两个模型的识别准确率。图6展示了两种方法在偏移距离0m下的全航路识别结果取平均后的效果。
[0085]
由图6可以发现，googlenet的识别效果与图像所处的成像距离关联性不大，呈现随机性；与之相比，icrn的识别效果随着图像的采集距离减小而逐渐增大。分析原因可知，随着数据量从1增大至30，icrn的效果会逐渐增大，随着输入成像数据的距离减小，数据的有效性增大，icrn的识别效果也会显著上升。根据上述结果与分析推导，正因icrn对目标的连续特征提取效果，使icrn在数据的采集距离近的情况下，得到更好的表现，因此可以证明，icrn可以提取目标图像的连续特征。
[0086]
综上所述，本实施例提出一种基于icrn的序贯uwb-ir图像车辆目标识别方法，结合可迭代卷积与lstm，充分提取并利用目标连续变化特性，可实现在低信噪比下，对uwb-ir目标的高效识别，为复杂换进背景下uwb-ir目标识别提供一种新的技术途径。
[0087]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，
任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。