本發(fā)明屬于雷達(dá)檢測(cè)領(lǐng)域，尤其涉及一種基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法。

背景技術(shù)：

1、對(duì)海監(jiān)視雷達(dá)被廣泛用于船舶目標(biāo)檢測(cè)，但復(fù)雜時(shí)變的海雜波對(duì)探測(cè)有著嚴(yán)重的影響。如何在具有時(shí)變統(tǒng)計(jì)參數(shù)的海雜波環(huán)境下實(shí)現(xiàn)穩(wěn)定、高性能的檢測(cè)是研究的重點(diǎn)之一。如何在具有時(shí)變統(tǒng)計(jì)參數(shù)的海雜波環(huán)境下實(shí)現(xiàn)穩(wěn)定、高性能的檢測(cè)是研究的重點(diǎn)之一。

2、傳統(tǒng)的恒虛警率(cfar)檢測(cè)方法，如ca-cfar、vi-cfar和rwvi-cfar，通過(guò)利用幅度統(tǒng)計(jì)信息和空間相關(guān)性提高了檢測(cè)性能。然而，非均勻和非高斯雜波很難用公式化的方式描述和求解，這嚴(yán)重限制了恒虛警檢測(cè)方法的發(fā)展。數(shù)據(jù)驅(qū)動(dòng)神經(jīng)網(wǎng)絡(luò)(nn)檢測(cè)器通過(guò)利用其強(qiáng)大的特征提取能力來(lái)隱式地獲得場(chǎng)景形態(tài)信息和局部空間相關(guān)性，從而實(shí)現(xiàn)了優(yōu)異的性能。目前，已有學(xué)者基于分類(lèi)網(wǎng)絡(luò)、檢測(cè)網(wǎng)絡(luò)和分割網(wǎng)絡(luò)進(jìn)行了一些探索性工作。例如，基于cnn分類(lèi)網(wǎng)絡(luò)的雷達(dá)rd譜的目標(biāo)檢測(cè)；基于三個(gè)序列特征提取與bi-lstm分類(lèi)網(wǎng)絡(luò)的小目標(biāo)可控虛警檢測(cè)；基于線性分類(lèi)器和smrlf的兩階段分類(lèi)網(wǎng)絡(luò)的高頻地波雷達(dá)艦船目標(biāo)的檢測(cè)；基于改進(jìn)faster?r-cnn檢測(cè)網(wǎng)絡(luò)的導(dǎo)航雷達(dá)平面位置指示器圖像中的目標(biāo)檢測(cè)；基于u-net分割網(wǎng)絡(luò)的導(dǎo)航雷達(dá)可控虛警檢測(cè)。在滿足等分布假設(shè)的情況下，上述方法表現(xiàn)出顯著的性能優(yōu)勢(shì)。

3、然而，在具有特定分布參數(shù)的海雜波下訓(xùn)練的神經(jīng)網(wǎng)絡(luò)在具有時(shí)變分布參數(shù)的海雜波下遭受性能損失。盡管在新的環(huán)境中，重新標(biāo)注訓(xùn)練可以有效提升性能，但是再重新訓(xùn)練需要人工標(biāo)注。不同于光學(xué)圖像，雷達(dá)點(diǎn)目標(biāo)的標(biāo)注需要一定的專(zhuān)業(yè)知識(shí)，導(dǎo)致高的經(jīng)濟(jì)成本和時(shí)間成本。無(wú)監(jiān)督域自適應(yīng)方法，如mmd，dann，有可能通過(guò)確保兩個(gè)域(源域和目標(biāo)域)之間特征空間分布的一致性來(lái)緩解該問(wèn)題。然而，海雜波的振幅起伏很大；同時(shí)又存在大量海尖峰等類(lèi)目標(biāo)雜波，這會(huì)導(dǎo)致源域和目標(biāo)域在全域特征對(duì)齊的過(guò)程中，出現(xiàn)錯(cuò)誤類(lèi)別對(duì)齊的情況，從而影響目標(biāo)檢測(cè)性能。因此現(xiàn)有技術(shù)中存在面對(duì)復(fù)雜時(shí)變的海雜波下檢測(cè)性能不高的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的是解決現(xiàn)有技術(shù)中存在面對(duì)復(fù)雜時(shí)變的海雜波下檢測(cè)性能不高的問(wèn)題。我們提出了基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法。

2、一、構(gòu)建雷達(dá)目標(biāo)智能檢測(cè)模型，得到訓(xùn)練好的雷達(dá)目標(biāo)智能檢測(cè)模型；

3、二、獲取目標(biāo)域雷達(dá)ar譜數(shù)據(jù)，對(duì)目標(biāo)域雷達(dá)ar譜數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的目標(biāo)域雷達(dá)ar譜數(shù)據(jù)；

4、三、將預(yù)處理后的目標(biāo)域雷達(dá)ar譜數(shù)據(jù)輸入到訓(xùn)練好的雷達(dá)目標(biāo)智能檢測(cè)模型，得到目標(biāo)檢測(cè)結(jié)果。

5、所述一中構(gòu)建雷達(dá)目標(biāo)智能檢測(cè)模型，得到訓(xùn)練好的雷達(dá)目標(biāo)智能檢測(cè)模型；具體過(guò)程為：

6、步驟一：獲取雷達(dá)ar譜訓(xùn)練數(shù)據(jù)；

7、所述雷達(dá)ar譜數(shù)據(jù)包括：有標(biāo)簽的源域雷達(dá)ar譜數(shù)據(jù)和無(wú)標(biāo)簽的目標(biāo)域雷達(dá)ar譜數(shù)據(jù)

8、其中源域和目標(biāo)域的ar譜數(shù)據(jù)屬于同一部雷達(dá)照射同一片海域，但由于海況的變化，雷達(dá)參數(shù)的調(diào)整導(dǎo)致目標(biāo)域ar譜數(shù)據(jù)的分布類(lèi)型與源域ar譜數(shù)據(jù)的分布類(lèi)型不同。實(shí)際測(cè)試數(shù)據(jù)為目標(biāo)域場(chǎng)景下的數(shù)據(jù)。

9、例如當(dāng)面對(duì)不同海況時(shí)，會(huì)產(chǎn)生不同的目標(biāo)域雷達(dá)ar譜數(shù)據(jù)，因此，訓(xùn)練好的雷達(dá)目標(biāo)智能檢測(cè)模型檢測(cè)效果不佳時(shí)，還可以根據(jù)不同海況得到的無(wú)標(biāo)簽的目標(biāo)域雷達(dá)ar譜數(shù)據(jù)進(jìn)行更新，實(shí)現(xiàn)無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)。

10、海況是在風(fēng)力作用下，根據(jù)視野內(nèi)海面狀況、波峰的形狀及其破裂程度和浪花泡沫出現(xiàn)的多少等，把海況共分為10級(jí)

11、本方案中的雷達(dá)指的是可產(chǎn)生點(diǎn)目標(biāo)/擴(kuò)展點(diǎn)目標(biāo)的雷達(dá)體制，雷達(dá)參數(shù)的調(diào)整包括，比如載頻變化、波形變化等

12、本發(fā)明的有益效果為：

13、本發(fā)明可針對(duì)復(fù)雜時(shí)變的海雜波下的目標(biāo)智能檢測(cè)問(wèn)題和檢測(cè)中場(chǎng)景雜波分布參數(shù)變化導(dǎo)致檢測(cè)性能下降的問(wèn)題，考慮了全局特征對(duì)齊，同時(shí)重視目標(biāo)與雜波的特征可分性選擇了三種損失進(jìn)行訓(xùn)練。針對(duì)由于雷達(dá)參數(shù)或海況的變化，將海雜波的統(tǒng)計(jì)分布參數(shù)設(shè)置為一定范圍內(nèi)不斷變化，保障了檢測(cè)器可以穩(wěn)定地工作。因此，解決了針對(duì)復(fù)雜時(shí)變的海雜波下的目標(biāo)智能檢測(cè)準(zhǔn)確率低的問(wèn)題。

技術(shù)特征：

1.基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法，其特征在于，所述一中構(gòu)建雷達(dá)目標(biāo)智能檢測(cè)模型，得到訓(xùn)練好的雷達(dá)目標(biāo)智能檢測(cè)模型；具體過(guò)程為：

3.根據(jù)權(quán)利要求2所述的基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法，其特征在于，所述步驟二中對(duì)步驟一獲得的雷達(dá)ar譜訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理后的ar譜訓(xùn)練數(shù)據(jù)作為訓(xùn)練集；具體過(guò)程為：

4.根據(jù)權(quán)利要求3所述的基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法，其特征在于，所述步驟二一中采用ca-cfar方法對(duì)雷達(dá)ar譜訓(xùn)練數(shù)據(jù)處理，得到初步檢測(cè)結(jié)果，具體過(guò)程為：

5.根據(jù)權(quán)利要求4所述的基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法，其特征在于，所述步驟二一一中ca-cfar方法的參數(shù)包括：參考窗、虛警概率和一維卷積核；

6.根據(jù)權(quán)利要求5所述的基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法，其特征在于，所述步驟二二中提取的ar譜幅度塊包括：源域雷達(dá)ar譜幅度塊和目標(biāo)域雷達(dá)ar譜幅度塊；

7.根據(jù)權(quán)利要求6所述的基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法，其特征在于，所述步驟三中構(gòu)建雷達(dá)目標(biāo)智能檢測(cè)模型，所述雷達(dá)目標(biāo)智能檢測(cè)模型包括：特征生成模塊、特征展平模塊、預(yù)測(cè)模塊；

8.根據(jù)權(quán)利要求7所述的基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法，其特征在于，所述步驟三一中特征生成模塊依次包括：第一生成單元、第二生成單元、第三生成單元；

9.根據(jù)權(quán)利要求8所述的基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法，其特征在于，所述步驟三三中預(yù)測(cè)模塊依次包括第一預(yù)測(cè)單元、第二預(yù)測(cè)單元、第三預(yù)測(cè)單元；

10.根據(jù)權(quán)利要求9所述的基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法，其特征在于，所述步驟三三四中損失函數(shù)包括第一損失lossbce、第二損失ljoi和第三損失

技術(shù)總結(jié)
本發(fā)明涉及雷達(dá)檢測(cè)領(lǐng)域，尤其涉及基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法。本發(fā)明目的是解決現(xiàn)有技術(shù)中存在面對(duì)復(fù)雜時(shí)變的海雜波下檢測(cè)性能不高的問(wèn)題。我們提出了基于類(lèi)級(jí)特征對(duì)齊的無(wú)監(jiān)督域自適應(yīng)雷達(dá)目標(biāo)智能檢測(cè)方法。一、構(gòu)建雷達(dá)目標(biāo)智能檢測(cè)模型，得到訓(xùn)練好的雷達(dá)目標(biāo)智能檢測(cè)模型；二、獲取目標(biāo)域雷達(dá)AR譜數(shù)據(jù)，對(duì)目標(biāo)域雷達(dá)AR譜數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的目標(biāo)域雷達(dá)AR譜數(shù)據(jù)；三、將預(yù)處理后的目標(biāo)域雷達(dá)AR譜數(shù)據(jù)輸入到訓(xùn)練好的雷達(dá)目標(biāo)智能檢測(cè)模型，得到目標(biāo)檢測(cè)結(jié)果，解決了現(xiàn)有技術(shù)中存在面對(duì)復(fù)雜時(shí)變的海雜波下檢測(cè)準(zhǔn)確率低的問(wèn)題。

技術(shù)研發(fā)人員：李楊,陳方林,許肖,馬心雨
受保護(hù)的技術(shù)使用者：哈爾濱工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21