一种基于SVM的雷达RD图像弱目标检测方法与流程

一种基于svm的雷达rd图像弱目标检测方法
技术领域
1.本发明涉及图像目标检测领域，具体为一种基于svm的雷达rd图像弱目标检测方法。


背景技术：

2.近年来，目标检测在众多领域得到了广泛应用，比如测速雷达、声呐等。作为目标检测的重要手段，可以对照射区域的回波进行分析处理，从杂波、干扰、噪声等信号中检测到目标信息，并确定其距离、速度、角度等参数，但在复杂背景下尤其是低信噪比下，回波信息中除目标外往往还含有大量的噪声和杂波信息，并且噪声与目标幅度接近，杂波往往呈现出非线性、非高斯、非均匀、非平稳的特性，这极大地限制了雷达目标检测性能。
3.现有的雷达目标检测方法包括恒虚警检测算法等，恒虚警算法基于统计模型，往往难以精确描述背景模型，在非均匀背景下，尤其是类型各异和形态多变的低信噪比下，会出现严重的恒虚警损失，检测性能下降。综上所述，现有的雷达rd图像目标检测方法存在模型简单、普适性低、学习能力弱等问题，难以从根本上解决雷达rd图像弱小目标检测能力弱的问题，而且现有的rd图像无法分析目标的运动状态，不便于对物体的判断。


技术实现要素：

4.本发明的目的在于提供一种基于svm的雷达rd图像弱目标检测方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于svm的雷达rd图像弱目标检测方法，
6.s1.随机选取目标参数，获取雷达回波数据，在雷达回波数据中加入不同噪比的随机噪声，并生成雷达距离多普勒维图像；
7.s2.利用原始图像的目标特征信息、图像的大小、图像中目标的数目以及位置信息进行预处理并进行标签设置，生成标准标签数据；
8.以目标中心为中心点生成大小为10*10的标签框，制作标准化标签数据xml文件，xml文件中包括图像的大小、图像中目标的数目和位置信息；
9.根据xml文件中图像的大小、图像中目标的数目和位置信息即可在图像中找到目标所在位置，并且图像数据集与标签数据集一一对应；
10.s3.构建针对低信噪比下弱目标检测的支持向量机(svm)网络；
11.s4.对构建的支持向量机(svm)网络进行目标检测并交叉验证；
12.s5.获得测试集目标检测准确率结果。
13.优选的，所述步骤s1中雷达回波数据为通过仿真生成雷达回波数据，并在数据中加入不同信噪比的随机噪声。
14.优选的，步骤s2还包括：
15.s201:将原始图像标准化，并调整分辨率为适合支持向量机(svm)学习的大小；
16.s202:获取目标所在位置的具体坐标值；
17.s203:针对目标所在位置的坐标值进行标签设置，生成标准标签数据，以目标中心为中心点生成大小为10*10的标签框生成包含目标特征信息、图像的大小、图像中目标的数目以及位置信息的标签数据，记录标签框的x
min
、x
max
、y
min
、y
max
以及标签数目。
18.优选的，所述步骤s3中支持向量机(svm)网络包括svm网络的传输形式、网络架构模式、所采用的激励函数和检测参数。
19.优选的，所述步骤s3中目标检测具体为对不同背景下的不同目标进行分类检测、对目标与杂波之间的特征区别进行检测。
20.优选的，对于运动的目标，通过对比运动前后标签框坐标x
min
、x
max
、y
min
、y
max
的比值，从而可以确定目标的运动状态以及运动关系。
21.优选的，所述步骤s3中交叉验证的具体步骤为：
22.s301:将训练样本集分为n个大小相同的子样本集；
23.s302:将其中一个子样本集作为验证模型的子集，而其余的子样本集用来训练支持向量机；
24.s303:把训练得到的模型在验证子集上进行校验，记录校验误差；并重复校验过程直到每个子集都只作为一次验证子集；
25.s305:统计每次实验的校验误差，将此误差作为评估支持向量机泛化能力的标准，也即支持向量机参数选择的标准。
26.优选的，所述步骤s5中准确率包括检测率和虚警率，计算公式如下：
[0027][0028][0029]
式中pd为检测率，pf为虚警率，tp为真正例，fn为假正例，fp为假反例。
[0030]
与现有技术相比，本发明的有益效果是：
[0031]
本发明提出的雷达rd图像目标检测方法，基于大量不同信噪比下含有目标的雷达rd图像数据，即利用图像的大小、图像中目标的数目和位置信息，通过svm网络反复训练得到目标检测网络，该方法下得到的目标检测网络具有在低信噪比下检测准确率高、实效果好等优点，适合在实际应用中推广使用，而且利用图像的位置信息可以判断多个数目之间的运动关系以及运动状态，可以更加直观的观测到目标物。
附图说明
[0032]
图1为本发明流程图；
[0033]
图2为本发明检测系统结构示意图；
[0034]
图3为本发明目标物前后运动图；
具体实施方式
[0035]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
[0036]
请参阅图1-3，本实施例提供了一种基于svm的雷达rd图像弱目标检测方法，包括以下步骤：
[0037]
随机选取目标参数，获取雷达回波数据，在雷达回波数据中加入不同噪比的随机噪声，并生成雷达距离多普勒维图像。
[0038]
雷达回波数据中包括目标信息，包括目标的数目、位置和速度等相关物理数据，并且保证目标参数在一定范围内随机。
[0039]
其次，对雷达回波数据通过仿真生成雷达回波数据，在生成雷达回波数据的同时加入不同信噪比的随机噪声，并且存在足够数量的低信噪比数据。将雷达回波数据中目标数目、位置与速度一定范围内随机生成，将原始回波数据转化为在距离维和多普勒维上的图像，并且保证图像中目标和干扰(噪声、杂波等)同时存在，其中，目标占据一个像素点，生成的rd图像分辨率为256*225，距离维为225个单元，多普勒维为256个单元，从而获得雷达的原始rd图像。
[0040]
原始图像进行预处理并进行标签：将原始图像标准化，并调整分辨率为适合支持向量机(svm)学习的大小；比如将原始图像分辨率调整为1024*900，目标所占像素变为4*4，从而更适合svm网络提取目标特征信息；
[0041]
获取目标所在位置的具体坐标值，即具体坐标值的获取需要标准化后获取目标所在图像中的位置坐标，即所处距离单元与多普勒单元位置。
[0042]
标签设置和生成标准标签数据具体为，以目标中心为中心点生成大小为10*10的标签框，记录标签框的x
min
、x
max
、y
min
、y
max
以及标签数目，制作标准化标签数据xml文件，xml文件中包括图像的大小、图像中目标的数目和位置信息，根据xml文件中图像的大小、图像中目标的数目和位置信息即可在图像中找到目标所在位置，并且图像数据集与标签数据集一一对应。
[0043]
构建针对低信噪比下弱目标检测的支持向量机(svm)网络：
[0044]
支持向量机(svm)网络包括svm网络的传输形式、网络架构模式、所采用的激励函数和检测参数。
[0045]
向量机(svm)网络内的svm算法包含了三个参数：核函数、正则化参数c和不敏感参数ε。
[0046]
常用的核函数有：多项式核函数、sigmoid核函数和径向基核函数。多项式核函数所对应的支持向量在样本空间中为多项式曲面；sigmoid核函数只有当参数κ和σ取特定数值时，sigmoid核函数满足mercer条件，也即在某些条件下，该核函数不能作为svm的核函数；径向基核函数是应用最广泛的核函数，具有较宽的收敛域，无论是低维、高维，小样本、大样本等情况，径向基核函数有很强的适应性，特别是在时间序列的预测中，径向基核函数更能体现时间序列的非线性特征，而且与其他核函数相比较，其参数少，相应的模型复杂程度也降低。
[0047]
正则化参数c控制模型的误差与复杂度，可以根据实际需要，选择适当的参数，以便可以在模型误差与复杂度之间折中。c越大，模型对数据的拟合越好，但若c取得过大，则权值就相应减小，svm模型的泛化能力变差，易发生过拟合现象，若c值越小，就对样本数据
中超出c不敏感带的数据的惩罚因子越小，训练误差越大，以发生欠拟合现象。因此，选择合适的c值，使得svm模型的泛化能力最好。
[0048]
对构建的支持向量机(svm)网络进行目标检测并交叉验证：
[0049]
交叉验证是为了获得支持向量机的最佳参数，从而得到最优的分类器或预测器，该方法的具体过程为：
[0050]
将训练样本集分为n个大小相同的子样本集；
[0051]
选择其中n-1个子样本集用来训练支持向量机，剩余的一个子样本集作为验证模型的子集；
[0052]
把训练得到的模型在验证子集上进行校验，记录校验误差；
[0053]
重复以上过程直到每个子集都只作为一次验证子集；
[0054]
统计每次实验的校验误差，将此误差作为评估支持向量机泛化能力的标准，也即支持向量机参数选择的标准。
[0055]
s5.对构建的支持向量机(svm)网络进行目标检测并交叉验证；
[0056]
s6.获得测试集目标检测准确率结果。
[0057]
准确率包括检测率和虚警率，计算公式如下：
[0058][0059][0060]
式中pd为检测率，pf为虚警率，tp为真正例，fn为假正例，fp为假反例。
[0061]
目标检测的方法将雷达回波数据目标检测转化为二分类问题，分析目标与杂波之间的差异性，在二分类问题中，我们将真实情况为目标而被神经网络预测为目标的称为真正例(true positive,tp)，将真实情况为目标而未被神经网络预测为目标的称为为真反例(ture negative,tn)，按照同样的方式可知假正例(false positive,fp)、假反例(false negative,fn)的定义，检测率pd为真正例占所有真实目标的比例，虚警率pf为假正例占所有检测结果的比例。
[0062]
本实施例中，如图3所示，还能够记录目标中心运动前和运动之后的目标标签框，以雷达为坐标原点0，以2个目标为例，如图3所示，运动之前的其中一个目标(即目标1)标签框标记为：x
min1
、x
max1
、y
min1
、y
max1
，运动之后的标签框标记为：x
min2
、x
max2
、y
min2
、y
max2
。另一个目标(即标签2)标签框标记为：x
min3
、x
max3
、y
min3
、y
max3
，运动之后的标签框标记为：x
min4
、x
max4
、y
min4
、y
max4
。
[0063]
目标1运动之前的x轴(即距离)的变化量a为x
min2-x
min1
＝x
max2-x
max1
，y轴(即速度)的变化量b为：y
min2-y
min1
＝y
max2-y
max2
。
[0064]
目标2运动之前的x轴(即距离)的变化量c为x
min4-x
min3
＝x
max4-x
max3
，y轴(即速度)的变化量d为：y
min4-y
min3
＝y
max4-y
max3
。
[0065]
通过对比变化量b和变化量d的大小、变化量b和变换量d的大小可以判断目标1和目标2的关系，b和d大小相等时，表示目标1和目标2的运动速度大小相同，即可以判断图像中多个目标的运动状态。
[0066]
通过对比变换量a和变换量c，a和c大小相等时，则表明目标1和目标2移动的距离
大小相同。
[0067]
同时对比变化量a和c、b和d，如果a和c大小相同，符号也相同，b和d大小相同，符号也相同，表明目标1和目标2时运动速度相同，方向相同；
[0068]
如果a和c大小相同，符号也相同，b和d大小相同，符号相反，表明目标1和目标2，速度大小相同，运动方向相反；
[0069]
如果a和c大小不相同，符号不相同，b和d大小不相同，符号不同，表明目标1和目标2，运动速度大小不相同，运动方向也不同；
[0070]
如果a和c、b和d均为0，则表示目标1和目标2处于静止的状态。
[0071]
以上特征利用标签中的目标数目以及位置信息进行对比，从而确定各个目标的状态。
[0072]
请参阅图2，为实现上述目的，本发明另外还提供一种基于svm的雷达rd图像弱目标检测系统，其中，所述系统包括：图像生成模块，图像处理模块，网络构建模块和检测验证模块，
[0073]
图像生成模块，用于获取雷达回波数据，并对数据进行预处理，生成雷达距离多普勒维图像；
[0074]
图像处理模块，用于对原始图像进行预处理并进行标签，然后得到数据集；
[0075]
网络构建模块，用于构建针对低信噪比下弱目标检测的支持向量机(svm)网络；
[0076]
检测验证模块，用于对构建的支持向量机(svm)网络进行目标检测并交叉验证；以及准确率模块，用于获得测试集目标检测准确率结果。
[0077]
为实现上述目的，本发明另外还提供基于svm的雷达rd图像弱目标检测存储介质。
[0078]
所述存储介质内部存储计算机指令，当所述计算机指令在电子终端上运行时，使得所述电子终端执行上述的弱目标检测方法。
[0079]
存储介质为能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom)、随机存取存储器(ram)、电载波信号、电信信号以及软件分发介质等。
[0080]
为实现上述目的，本发明另外还提供基于svm的雷达rd图像弱目标检测电子终端。所述电子终端包括处理器和存储器，存储器用于存储指令，处理器用于调用所述存储器中的指令，使得所述电子设备执行上述的弱目标检测方法。
[0081]
电子终端是桌上型计算机、工业电脑、数控设备、工业机器人、服务器等计算设备。
[0082]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。