本发明涉及雷达目标检测,尤其涉及基于注意力卷积神经网络的雷达目标检测方法及系统。
背景技术:
1、目前,随着海面目标的小型化和隐身化,海面慢速小目标已经成为了雷达警戒的重点对象。关于此类小目标的检测一直以来都是海杂波背景下目标检测中的难题。通常,海面小目标的雷达散射横截面积微弱,这些目标在常规雷达中具有非常低的信杂比。由于目标运动速度较慢,且海杂波具有较宽的多普勒带宽,目标和海杂波在多普勒上难以区分,传统的检测方法在这种情况下很难奏效。
2、但是,针对海面漂浮小目标的检测,通常采用高多普勒和高距离分辨体制(“双高”体制)来解决这个问题。在“双高体制”下,雷达接收的目标回波提供了更多的可用信息,考虑到高分辨率雷达需要面对极其复杂的杂波和目标回波特性,那么可以基于杂波和目标回波的一个或多个差异性特征实现联合检测,即基于特征的检测技术。而如何从复杂的杂波与目标特性中选取差异性特征则是一个棘手的难题,现有方法主要涉及信号层面的特征,如分形特征、混沌特征、时域特征、频域特征以及时频域特征。现有智能检测方法大多基于传统机器学习如k近邻算法、支持向量机和决策树等,并配合手工设计的多域多特征对小目标进行检测,基于可控虚警的卷积神经网络检测方法仍有待探索
3、因此,如何提供能够解决上述问题的雷达目标检测方法是本领域技术人员亟需解决的问题。
技术实现思路
1、本发明的目的在于针对上述现有技术的不足,提供了基于注意力卷积神经网络的雷达目标检测方法及系统,能够增强网络对于细微特征与边缘特征的提取表征能力和特征自适应选择能力。
2、为实现上述目的,本发明采用了如下技术方案:
3、本发明提供了基于注意力卷积神经网络的雷达目标检测方法,获取雷达接收数据,并对所述雷达接收数据进行预处理后形成数据集,并将所述数据集划分为训练集和验证集;
4、构建注意力卷积神经网络,利用所述训练集和所述训练集对应的数据标签训练所述注意力卷积神经网络,利用所述验证集进行验证,并获取当所述验证集损失最小时对应的网络为最优检测权重网络;
5、对待检测数据进行预处理,将经过预处理的所述待检测数据输入至所述最优检测权重网络中进行检测得到输出结果,将所述输出结果与预设阈值进行对比,以实现判断所述待检测数据中是否存在目标。
6、进一步,判断所述待检测数据中是否存在目标,具体为:
7、若所述输出结果小于等于所述预设阈值,判断所述待检测数据中含有目标;
8、若所述输出结果大于所述预设阈值,则判断所述待检测数据中不含有目标。
9、进一步,所述注意力卷积神经网络包括依次连接的一个大卷积层、四个注意力残差模块、一个密集连接层,其中,所述注意力残差模块包括依次连接的两个注意力基础模块。
10、进一步,所述注意力基础模块包括依次连接的多个子网络及二维池化层,所述子网络包括依次连接的第一卷积层、多个非对称卷积层、第一归一化层、第一激活层、第二卷积层、注意力强化层、第二归一化层和第二激活层。
11、进一步,所述预处理的具体过程包括:
12、使用wigner-ville变换将所述雷达接收数据转换为二维时频图;
13、利用先验信息将所述二维时频图进行标记以得到对应的数据标签,所述数据标签包括仅含杂波而不含目标的数据、含有目标的数据;
14、调整所述二维时频图的尺寸,将调整过尺寸的所述二维时频图作为所述数据集。
15、进一步,确定所述预设阈值的具体过程为:
16、将所述训练集中仅含杂波而不含目标的数据输入至所述最优检测权重网络,将网络输出结果保持至变量c中,并将所述变量c按从小到大进行排序,得到1*n维实向量c’;
17、根据预设虚警概率计算序号i,进而确定检测阈值t,其中,i的具体表达式为:
18、
19、其中,pfa为预设虚警概率,为向上取整操作,t为c’中的第i个元素。
20、进一步,训练优化所述注意力卷积神经网络具体采用adam方法。
21、进一步,基于注意力卷积神经网络的雷达目标检测系统,用于实现如基于注意力卷积神经网络的雷达目标检测方法,以及包括:
22、数据获取模块,用于获取雷达接收数据,并对所述雷达接收数据进行预处理后形成数据集,并将所述数据集划分为训练集和验证集;
23、网络构建及训练模块,用于构建注意力卷积神经网络,利用所述训练集以及所述训练集对应的数据标签训练所述注意力卷积神经网络,利用所述验证集进行验证,并获取当所述验证集损失最小时对应的网络为最优检测权重网络;
24、检测模块,用于对待检测数据进行预处理,将经过预处理的所述待检测数据输入至所述最优检测权重网络中进行检测得到输出结果,将输出结果与预设阈值进行对比,以实现判断所述待检测数据中是否存在目标。
25、进一步,计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现基于注意力卷积神经网络的雷达目标检测方法。
26、本发明的有益效果为:本发明构造了以残差网络为骨干结构的注意力卷积神经网络,引入了非对称卷积模块和无参数注意力机制,增强了网络特征提取、学习表示和特征自适应选择能力,实现了稳健的虚警控制性能;
27、本发明设计的检测方法实现了目标可控虚警的智能检测,避免了复杂和可能冗余的手工特征设计,在gpu并行平台一次检测时间约12毫秒;
28、相比于已有的智能检测方法,本发明设计的检测方法具有更高的检测效率和检测概率。
1.基于注意力卷积神经网络的雷达目标检测方法,其特征在于:
2.根据权利要求1所述的基于注意力卷积神经网络的雷达目标检测方法,其特征在于,判断所述待检测数据中是否存在目标,具体为:
3.根据权利要求2所述的基于注意力卷积神经网络的雷达目标检测方法,其特征在于,所述注意力卷积神经网络包括依次连接的一个大卷积层、四个注意力残差模块、一个密集连接层,其中,所述注意力残差模块包括依次连接的两个注意力基础模块。
4.根据权利要求3所述的基于注意力卷积神经网络的雷达目标检测方法,其特征在于:所述注意力基础模块包括依次连接的多个子网络及二维池化层,所述子网络包括依次连接的第一卷积层、多个非对称卷积层、第一归一化层、第一激活层、第二卷积层、注意力强化层、第二归一化层和第二激活层。
5.根据权利要求4所述的基于注意力卷积神经网络的雷达目标检测方法,其特征在于,所述预处理的具体过程包括:
6.根据权利要求2所述的基于注意力卷积神经网络的雷达目标检测方法,其特征在于,确定所述预设阈值的具体过程为:
7.根据权利要求6所述的基于注意力卷积神经网络的雷达目标检测方法,其特征在于,训练优化所述注意力卷积神经网络具体采用adam方法。
8.基于注意力卷积神经网络的雷达目标检测系统,其特征在于:用于实现如权利要求1至7中任一项所述的基于注意力卷积神经网络的雷达目标检测方法,以及包括:
9.计算机可读存储介质,其特征在于:所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于注意力卷积神经网络的雷达目标检测方法。